基于数据驱动的高速公路隧道交通安全系统分析与决策方法

蒲雯++姚庆华

DOI：10.16661/j.cnki.1672-3791.2017.22.061

摘 要：随着自动化和信息化技术的飞速发展，传统的高速隧道交通安全分析与决策模式已无法满足实际需要，同时具备感知能力的智能交通设备及数据采集装置在交通安全领域得以广泛使用，隧道交通安全系统分析与决策过程呈现出明显的大数据特征，因此该文提出一种基于数据驱动的高速隧道交通安全分析与决策模式和该模式下的方法论体系，主要包括交通安全设备数据采集、多维多源异构监测数据预处理及其分析方法，隧道交通安全系统运行的预测方法，动态监测数据多尺度时序分析，监测数据关系网络建模与关联分析，隧道设备运行状态演化规律与预测等关键技术，所提模式将对实现数据驱动的高速交通安全运行具有非常重要的意义。

关键词：交通安全系统分析 数据驱动 大数据 分析与决策

中图分类号：U45 文献标识码：A 文章编号：1672-3791（2017）08（a）-0061-05

A New Analysis and Decision-making Method of Highway Tunnel Traffic Safety System Based on Data Driven

Pu Wen Yao Qinghua

（Traffic Science Research Institute of Yunnan Province， Kunming Yunnan， 650011， China）

Abstract： Withthe rapid development of automation and information technology， the model of traditional highway tunnel traffic safety analysis and decision-making has been unable to meet the actual needs. Meanwhile， intelligent traffic equipment with perception capability and the data acquisition devices with sensing capability are widely used in the field of traffic safety. The analysis of highway tunnel safety system and its process of decision-making show characteristics of big data obviously， so this paper put forward a model about analysis and decision-making of highway tunnels traffic safety system which based on data driven， the methodology of this model mainly includes data acquisition method， analysis method of preprocessing of heterogeneous data which is multi-dimensional and multi-source， prediction method of tunnels traffic safety system， the multi-scale timing analysis method of dynamic data， monitoring data network modelling and analysis method， evolution law and prediction of running state of tunnel equipment. The proposed model will be very important for the realization of highway traffic safety operation based on data driven.

Key Words： Traffic safety system analysis； Data driven； Big-data； Analysis and decision-making

近年來中国在高速交通运输方面的发展已取得了举世瞩目的成就，但目前我国高速公路行业发展仍存在大量的挑战，如高速公路隧道机电系统设备种类多、数量大，故障种类繁杂难以远程辨识，故障地点模糊等[1，2]。为解决这些问题，需要从隧道交通安全监测数据着手，对高速隧道交通安全系统监测数据进行分析，针对系统中可能出现的特性问题，做到点对点调控优化，并不断加强这方面的推广运用，对高速隧道交通安全系统持续优化，这对于保障国民安全及财产具有极为重要的作用。

随着信息化和自动化技术的高速发展以及具备感知能力的智能交通设备及数据采集装置的大量使用，使得隧道交通安全系统运行监测数据更为准确、全面，致使高速隧道交通安全分析与决策过程[3-5]呈现出明显的大数据特征[6，7]，因此，该文以信息数据为出发点，对高速隧道交通安全系统的监测数据进行数据挖掘分析，提出一种基于数据驱动的高速隧道交通安全分析与决策的新模式，进而提出高速隧道交通安全设备运行分析与预测的方法论体系，实现高速隧道交通安全系统的智能决策。通过构建高速隧道交通安全物理监测系统，实现对系统监测数据的采集，同时利用数据挖掘技术量化数据值之间的数理关系，进而快捷、清楚地分析事物间的内在联系，最终实现高速隧道交通安全运行情况的准确分析及智能决策。endprint

1 大数据驱动下的高速隧道交通安全物理监测系统构建

由于高速隧道交通安全系统运行分析与决策的新模式是基于数据驱动而实现，所以隧道交通安全各子系统监测数据的重要性不言而喻。通过对高速隧道交通安全物理监测系统搭建，以具备感知能力的多元化智能设备以及数据采集装置的整体性排布，实现对设备本身以及各子系统监测数据的全面采集，为高速隧道交通安全系统各参数的数据分析提供可靠而有效的数据源。

隧道交通安全监测系统主要依靠安装在系统中的不同种类传感器的监测，辅以工人实际检测以及视频监控来确保监测数据的真实性，再通过监测网络实现数据传输到系统客户端，并在客户端实现对数据的正确分析，进而通过控制网络对遇到的问题做出正确的决策。基于数据驱动的高速隧道交通安全监测物理系统如图1所示。

隧道内部的物理监测系统主要依赖大量的传感器来实现监测数据的采集，所以依据隧道交通安全的特性，大数据驱动下的高速隧道交通安全物理监测传感系统的排布如图2所示。

2 大数据驱动下高速交通安全系统运行分析与预测新模式

将从高速公路隧道机电监测系统实时采集到的海量可靠数据，面向安全主题聚类到非关系型数据仓库，对多样化数据进行组织，再通过数据挖掘，以关联规则或相关系数等方法分析数据间的关联关系。例如，通过发现各系统数据缺陷分布模式对交通安全所引起的显著波动，可以得到数据与各系统运行的内在规律。然后利用深度神经网络等机器学习方法，基于流式数据系统的良好伸缩性，构建以交通安全各系统数据为输入层、故障预测为输出层的复杂结构深度神经网络，利用各层的连接关系描述数据之间的相关性，实现隧道交通安全决策运行规律的描述与表达，从而根据既得数据分析结果实现故障的准确预测。通过对系统运行参数的动态调整，以避免特定缺陷分布情况的发生；同时通过设定预定数据，实现安全系统的定量反馈及调控规划，促进交通安全系统的持续优化。

2.1 高速公路隧道交通安全设备运行分析

目前設备运行分析主要是在实时监控的基础上辅以定时巡检，利用状态统计的方法，由人工分析完成。较为依赖技术运行人员的专业知识、经验等[5]，传统模式流程如图3所示。

在利用大数据解决智能交通安全系统运行分析与决策问题的新思路中，首先基于大数据思维，将设备的状态参数、运行参数以及性能指标数据化，通过聚类、序列模式挖掘、关联等数据挖掘方法分析数据之间的关联关系与数据变化对设备运行状态影响下的演化规律，并建立设备性能预测模型；最后基于控制理论，从演化规律中找到关键参数进行定量控制，实现系统优化。基于以上思路，形成数据驱动的“分析+决策+调控+管理”新模式，如图4所示。

分析是对隧道机电系统监测数据的关联分析，在清洗、分类与集成等数据预处理的基础上，构建监测数据时序模型，同时挖掘序列模式，实现数据的关联分析，挖掘数据之间的影响规律。

决策是通过分析数据所得，描述交通安全系统设备运行过程与性能指标的内在关系。通过将交通安全的性能指标数据化，建立模型描述隧道交通安全设备运行过程数据对性能指标的影响规律，易于规划交通安全系统运行解决故障的决策方法。

调控指基于交通安全系统故障预测模型，找到系统运行过程中的关键参数并进行控制。通过确定影响系统控制的关键参数，并运用规律知识，建立关于安全系统正常运行的性能指标以及运行参数的科学调控机制。

管理是指在系统调控之后对数据、决策结果以及系统反馈信息进行的综合管理。

2.2 高速交通隧道安全系统的大数据预测

设备在使用的过程中必然会磨损和老化，交通企业为了延长机电设备的自然寿命，往往使用各种维修手段来保障设备处于良好的技术状态。这样也可以使交通企业提高维修人员和管理人员的技术水平，充分发挥设备的经济价值。

从数据角度来对设备进行管理，依靠数据分析设备可行性，从而决定对该设备是否进行维修改造，或者直接对该设备进行报废，进而对可能出现的问题做出预测。任何企业做出决策的依据应该是最大限度地挖掘和使用设备的效能和潜力，为使系统运行更为流畅，最大限度地优化设备及系统各参数。通过该文的大数据决策方法，可以更加准确高效地实现该决策行为。

3 大数据驱动下隧道交通安全系统运行分析与决策方法论体系

3.1 历史交通安全设备及系统运行分析及决策方法

我国自新中国成立以来建成了多条特长高速公路隧道，技术方面也取得了突破性的进展，但在运营安全状况监测领域却不容乐观[8-10]。根据隧道交通安全的特殊情况，目前传统高速隧道交通安全设备系统运行及决策方法如图5所示。但是当前高速公路隧道普遍存在交通运行空间小、火灾不易消除、隧道洞口处的光亮易变等问题，极易引发交通安全问题，因此传统模式下的交通安全决策方法已无法满足当前的系统运行需求，有必要提出一种基于数据驱动的高速隧道交通安全决策方法，对于隧道交通安全的预防以及事故发生之后的调度决策具有重要意义。

3.2 基于数据驱动的隧道交通安全设备及系统运行分析及决策方法体系

在“分析+决策+调控+管理”这一决策新模式下，利用大数据解决交通安全设备运行分析与决策问题，需要实现交通安全设备数据预处理与分析、各系统运行分析与性能预测以及系统运行决策与性能优化。然而在这一过程中大量的数据关联关系错综复杂，数据预处理与分析方法有必要进一步深入研究。根据以上分析，为更好地通过多维关系建立系统性能与参数间的因果关系实现性能预测，在基于数据驱动的隧道交通安全系统中，从智能设备排布、数据采集、智能分析、终端决策等获取大数据的基础上，通过数据预处理方法、设备数据时序分析方法与系统关系网络建模方法建立联系，系统运行状态预测方法实现预测，系统决策方法实现决策，最终实现对系统运行关键参数的调控以及信息的智能化综合管理。endprint

（1）隧道交通安全监测数据预处理。

系统运行过程中监测所得数据具有海量、多维、多尺度和多源异构等特性，数据必须经过预处理才能加以分析，所以对数据错误、数据冲突及重复等情况的过滤变得尤为重要。在此基础上进一步研究多级优化的过滤规则，排除数据坏点，为隧道交通安全系统运行分析与决策提供更为可靠的数据库。然后基于本体论构建全局数据模型，通过建立数据结构化文本的描述手段实现对数据的统一建模。最后通过稀疏矩阵建立大数据的稀疏表示框架，并对数据的不同维度聚类，形成参数多维分类视图，方便系统运行分析与决策的实际运用。

（2）隧道交通安全监测数据时序分析。

建立系统运行过程多维数据的时间序列模型，针对数据的时间序列模式设计数据挖掘算法，揭示所采集的数据随时间变化的规律，结合系统各阶段各设备运行数据的环比图突出显示数据随时间的变化，并采用多网格蒙特卡罗方法，建立时序数据集的离散化与均匀化过程模型，实现时序模型在不同时间尺度间的转换；各系统数据的可视化展示与统计分析需要通过局部索引与控制器局域网覆盖网络全局索引，结合增量式索引更新器，实现数据多维分类视图中对时间序列的快速索引，建立数据时序模型；之后基于小波变换获取动态监测数据时序模型的频域谱，通过设置适当过滤阈值，获得平稳时序模型，再次针对序列模式挖掘，确定数据随时间的变化规律。

（3）隧道交通安全数据关系网络建模。

由于区域道路交通环境各异，采取分布式分段监测即区间性能测定法，根据不同设备的性能指标参数对系统性能进行测定并分析。各子系统运行监测所得数据存在相互影响，交通安全系统大数据关系网络建模方法在数据挖掘算法的基础上，利用复杂网络理论描述系统及数据之间的关联规则和相关系数。

（4）隧道交通安全系统及设备运行状态预测。

运行状态的预测方法主要针对系统运行过程中的时变性，学习与运用系统及设备的运行规律，完成系统及设备性能的准确预测。

（5）隧道交通安全系统及设备运行状态决策。

将系统运行的性能预测值与目标决策值进行实时对比，通过关键参数对系统的影响进行及时调整，优化系统，如设备寿命智能决策方法和系统智能调度方法。

（6）隧道交通安全系统信息综合管理。

将系统运行过程中采集的监测数据、数据分析結果、决策结果、反馈效果等信息在系统平台进行综合管理。

4 结语

该文针对高速隧道交通安全系统运行过程中产生的海量、多源、高维、异构隧道交通安全系统运行监测数据，考虑其动态不确定特性，提出一种基于大数据驱动下隧道交安系统运行分析与决策新模式。在此基础上，提出实现大数据驱动的智能高速交通安全系统运行分析与决策的方法体系。后续工作将以此系统智能化程度较高的设备与系统为应用背景，从提高判断率、提升预测精确度、降低设备故障率、提高设备利用率等角度出发，形成具体的高速交通安全系统运行分析与决策新方法，从而辅助国家快速高效地进行系统安全性分析，实现基于数据驱动的智能交通安全系统统筹规划。

参考文献

[1] 仇在林，李柄成，张小旺.高速公路隧道交通安全影响因素分析[J].交通建设与管理月刊，2015（3）：379-382.

[2] 陈君，李聪颖，丁光明.基于BP神经网络的高速公路交通安全评价[J].同济大学学报：自然科学版，2008，36（7）：927-931.

[3] 程学旗，靳小龙，王元卓，等.大数据系统和分析技术综述[J].软件学报，2014（9）：1889-1908.

[4] 靳小龙，王元卓，程学旗.大数据的研究体系与现状[J].信息通信技术，2013（6）：35-43.

[5] 王长敬，赵宁.对高速公路机电集控技术的研究[J].电气应用，2010（12）：60-63.

[6] 张洁，高亮，秦威，等.大数据驱动的智能车间运行分析与决策方法体系[J].计算机集成制造系统，2016，22（5）：1220-1228.

[7] 王富，熊烈强，李杰.高速公路交通流数据检测技术[J].公路，2005（12）：120-124.

[8] 方显华，吴国进，刘庆功.高速公路供配电系统浅析与故障排除[J].筑路机械与施工机械化，2005，22（9）：61-62.

[9] 李晗，萧德云.基于数据驱动的故障诊断方法综述[J].控制与决策，2011，26（1）：1-9.

[10] 晋保国.数据挖掘在高速公路机电设备故障预测中的应用研究[J].交通世界：工程技术，2015（23）：84-85.endprint