基于GA－WNN的高速公路事件检测

谢 聪，余立建

（西南交通大学 交通信息工程及控制实验室，四川 成都611756）

高速公路是国家的经济动脉，对经济交流活动具有着重要作用。高速公路发生事故是难以避免的，如何快速而准确地获知事件的发生，对于交管部门和其它相关单位都非常重要，因此，智能交通系统应运而生。交通事件检测系统作为其子系统，能够通过检测交通事件的发生采取相关措施，尽可能地减少损失。事件检测算法是系统的关键所在，国内外有各种各样的检测技术和算法，包括早期经典的加利福尼亚算法、McMaster算法和近年来的人工智能算法（神经网络、支持向量机等）。文中先用小波神经网络（wavelet neural network WNN）构造事件检测模型，再用改进的遗传算法对WNN模型的权值和小波因子进行优化，然后用模型来检测事件是否发生，最后用评价指标对算法进行评价，并且把优化前和优化后的结果作对比。

1 基础理论

1.1 小波神经网络

Zhang和A.Benveniste在一篇论文中正式提出小波神经网络。其基本思想为:利用小波元代替神经网络中的激励函数。H.H.Szu等人提出由“叠加小波”构成的自适应小波神经网络，通过不断调整小波函数的平移因子和伸缩因子，实现函数拟合。鉴于其较强的自适应能力，文中选其作为事件检测模型的基本结构，如图1所示。

小波神经网络结构类似于前馈型神经网络，输入节点层有一个或多个输入（如图1中的x1，x2，…，xm），网络中间有一个中间节点层，其输出层由一个或多个线性组合器构成。中间节点层由若干神经元组成，其激活函数由母小波构成。

图1 小波神经网络结构

其基本运算过程如下:

xi与输入层、中间层之间的权值（wij）相乘得中间节点层的输入信号，再经过小波函数φj（x）的平移（bj）和伸缩（aj）得到h（j）。其过程如下式所示

式中:l为中间节点层的节点个数。

常用的小波基函数有 Morlet、Harr、Meyer、Gausse等母小波。由于Morlet小波有较强的抗干扰能力，因此模型采用Morlet函数，其数学公式为

最后，h（j）先与权值（wij）做积，再进行线性叠加输出y（k）。其过程如下式所示

式中:n为输出层节点个数。

1.2 遗传算法

遗传算法（Genetic Algorithm）是模仿物种进化繁衍而来的一种搜索方法。是由美国J.Hooland教授于1975年提出、具有全局启发式搜索能力的，常应用于最优化问题、模式识别以及智能控制中。

遗传算法模仿自然界的生存法则，用编码来描述复杂的问题，用适应度决定个体能否生存下去。也就是说那些适应能力强的个体，能够把自身的基因传递给下一代；适应能力差的个体，则会失去竞争力而被淘汰。算法用染色体交叉的方式模仿生物的繁殖行为。为保持群体的多样，个体也会有变异行为，进化若干次后群体中的个体都有最佳的适应力，即为适应度最大，也就是搜索到最优个体。图2描述了算法的流程。

影响遗传算法性能的主要因素有适应度（fit－ness）、变异概率pm、交叉概率pc。适应度函数的选取需要结合实际问题，直接关系到算法的可行性和种群进化的方向。一般来说pm的取值决定群体的多样性，pc的取值决定群体产生新个体的速度。在实际问题中需要确定适应度函数来描述“适应能力强”。同时，一个合适的交叉、变异概率也需要具体问题具体分析。

图2 遗传算法基本流程

2 仿真验证与评价

2.1 数据来源及处理

本文数据来源于加州大学的I－880数据库。数据库来源于加州大学在1998年的FSP（Freeway Service Patrol）项目报告，该项目测试美国旧金山海湾I－880高速公路位于Marina和 Wipple出口间的路段，该路段有3～5个车道，分南北双向。I－880数据库包括不同路段每个车道的流量、速度和占有率数据。这其中包括有交通事件状态下的数据，交通事件共有1 210件，选取其中的45个事件数据和三天无事件数据进行建模。将其中的23个事件数据（2 036组）和无事件样本数（2 636组）作为训练集，10个事件（507组）和1 318组无事件数据作为测试集。通过对交通事件的特性分析，更好地描述交通事件状态，选取上下游占有率差与速度差的乘积绝对值（表中用“绝对值”简称），将上游占有率、流量、速度、占有率以及速度的比值（表中用“比值”简称）共5个参数作为特征输入，并将其进行归一化 ，数据格式如表1所示。

表1为交通事件参数样本，输出1表示有事件产生，输出－1表示无事件产生。

表1 交通事件检测数据输入与判定样例

2.2 交通事件评价指标

事件检测结果用以下3个指标来评价:检测率（Detection Rate ，DR）、误 报 警 率 （False Alarm Rate，FAR）、平均检测时间（Mean Time Detection，MTTD）。各指标的定义分别如下:

1）检测率（DR）:一段时间内算法正确检测出的事件发生数占实际发生事件数的百分比，即

式中:DN为正确检测到的事件发生数，AN为实际发生的事件数。

2）误报警率（FAR）:在一段时间内，算法检测到错报事件的数量与检测到事件总量的比值，即

式中:FN为时间T内误报事件次数，CDN为时间T内检测到的事件总数。

3）平均检测时间（MTTD）:被算法正确检测出的事件发生时刻与事件实际发生时刻的差值算术平均值，即

式中:TI（i）为事件i实际发生的时刻，AT（i）为事件被检测到的时刻，n为算法检测到的实际发生事件数。

文中采用GA－WNN模型对交通事件进行分类，分类精度反映模型的分辨能力，即

式中:TD为被正确检查出的事件数，NN为被正确检测出的非事件数，Tc为总的输入数据集个数。

2.3 基于GA－WNN的交通事件建模

结合上述的理论分析和评价指标对交通事件检测进行建模。

1）确定网络结构。采用如图1所示的基本结构，经过多次实验，确定网络结构为5－11－1的结构，即输入层选用5个节点，隐含层选用11个节点，输出层选用1个节点。输出1表示有事件，输出－1表示无事件。

2）确定种群以及基本参数。网络结构一旦确定，网络权值aj，bj的个数就确定了。选取小波神经网络权值wjk，wij和小波因子aj，bj组成种群的一个个体，并采用实数编码，种群规模选取50，确定进化次数为60。

3）计算个体的适应度值。这里的适应度函数是把模型的期望输出和实际输出的均方差（MSE）作为算法的适应度值，公式为

式中:F为个体的适应度值，F的值越小，表示此个体越优；N为样本数；pi（x）为训练实际输出；yi为训练的期望输出。

4）按照图2的流程依次进行选择、交叉、变异操作，其中选择操作采用的方法为轮盘赌法，即适应度值越大，其被选择到的可能性也越大，适应度值越小，则反之。个体i被选的概率为pi

式中:Fi为个体i的适应度值，N为种群规模。

在交叉操作过程中，交叉概率过大、产生的新个体速度太快都容易破坏适应度较好的个体。交叉概率太小会导致进化速度过慢。因此，采用自适应调整方式，调整公式为

式中:fmax为当代中所有染色体中最大适应度值；favg为所有染色体适应度值的平均值，为交叉的两个染色体中较大的适应度值，在模型中取pc1＝0.8，pc2＝0.5。

变异概率过小，不利于种群的多样性；概率过大，变成无意义的随机搜索。为了改变这一现状，采用自适应调整的Pm，其公式为

式中:f为变异染色体的适应度值；fmax，favg与交叉概率调整公式中的含义相同；pm1＝0.1，pm2＝0.05。

5）按照图2的流程循环操作，经过若干次的进化，最后得到最优个体。把最优个体解码（编码的逆过程），解码得到网络的权值和小波因子的初始值，然后用训练数据进行网络训练，得到最终的网络权值和小波因子。

6）利用步骤5）得到的结果构造小波神经网络，然后用测试数据进行测试，最后按照2.2中的评价指标对模型进行评价。

7）把未经过GA优化的 WNN按照步骤1）的设置进行试验，并与经过GA优化的结果作对比。

2.4 实验仿真结果

实验采用MatlabR2010b编写仿真代码，各个参数按2.3节建模过程设置，权值学习速率lr1＝0.02，小波因子学习速率lr2＝0.001。训练次数为800次，学习算法采用BP算法，为提高学习性能，采用增加动量项的方法，动量项学习率（K）取0.9，其仿真结果如图3、图4所示。

图3 800次GA－WNN网络训练过程

图4 GA优化WNN适应度变化

将经GA优化的模型仿真结果与未经优化的仿真结果作比较，结果如表2所示。

表2 WNN和GA－WNN模型结果比较

从实验结果来看，在GA－WNN模型中种群进化到50次左右的时候，最佳适应度与平均适应度值大体相当，说明算法搜索到最优个体。此时的网络权值和小波因子是WNN网络的最佳初始值。从图3可以看出，GA－WNN模型的训练到600次左右算法收敛，此时网络参数是最合理的。从表2可知，GA－WNN模型的检测率（DR）达到92.63%，比起WNN模型的77.83%有显著提高。FAR从 WNN模型的18.72%下降到8.51%，MTTD能够反映出算法的实时性，但由于有GA的全局启发式搜索，增加算法的复杂度，平均检测时间有所增加。说明经GA优化的检测算法能够有效提高检测率、分类精度，降低误报警率。

3 结束语

本文通过小波神经网络建立交通事件检测模型，并用GA对事件模型进行优化，使检测率和分类精度得到较大提升，同时模型的收敛速度也得到较大的提升，但检测时间偏长。进一步的研究工作则是在分类准确率和检测时间上寻找合理的平衡点。

［1］ 姜爱萍.混沌时间序列的小波神经网络预测方法及其优化研究［M］.上海:上海大学出版社，2014:230－233.

［2］ 陈祥梅.GA－SVM在高速公路交通事件检测中的应用研究［D］.成都:西南交通大学，2009.

［3］ 龚炯.基于SVM的高速公路交通事件检测算法研究［D］.成都:西南交通大学，2010.

［4］ 史锋，王小川，郁磊，等.MATLAB神经网络43个案例分析［M］.北京:北京航空航天大学出版社，2013.

［5］ 殷丽莉.小波网络用于水下目标是别的研究［D］.哈尔滨:哈尔滨工程大学，2007.

［6］ 金玉婷，余立建.基于小波神经网络的短时交通流预测［J］.交通科技与经济，2014，16（1）:82－86.

［7］ 刘辉.小波神经网络在医学图像压缩中的应用研究［D］.合肥:合肥工业大学，2006.

［8］ Wang Jin，Xu Li，Zheng Baoyu.A Genetic Annealing Hybrid Algorithm based Clustering Strategy in Mobile Ad hoc Network［J］.IEEE Trans on SMC，2005，27（1）:314－318

［9］ Chew，R.L and Ritchie，S.G.Automatic Detection of Lane－blocking Freeway Incidents Using Artificial Neural Network.Transportation Research Part C，1995，13（6）:271－388.