低流量雾区交通事件识别算法研究

李文钊　李明　张奔牛

摘要：在雾区路段严重影响高速公路交通安全的情势下，为了更加准确地检测出交通事件，通过对传统的交通异常状态识别算法的分析，提出了一种适用于雾区低流量情况下的交通事件识别算法，该算法通过对稀疏的雨雾浓度信息的处理，对传统交通异常状态识别算法的有关参数进行修正，极大地提高了雾区环境的识别精度。最后利用MATLAB仿真软件对稀疏雨雾浓度信息的处理效果进行了验证比较。

关键词：雾区；最小二乘法；雨雾浓度；交通事件识别算法；MATLAB

中图分类号：U491.1+4 文献标识码：A 文章编号：1007-9416（2018）02-0129-03

交通事件识别算法发展至今已经有几十年的历史，国内外学者在研究开发和改进识别算法方面做了大量的工作[1]。算法主要包括突变理论算法、模式识别算法、统计理论算法、小波分析理论算法等[2]。这些算法主要是利用宏观交通流参数数据，如车头时距、速度、车流量、占有率等状态参数的变化来判断道路交通事件发生。虽然它们对判断交通拥挤等宏观现象有较高准确性，但是由于算法本身缺乏对交通事件及演化机理的认识，对微观现象如个体车辆突发事件停车等的检测效果并不理想[3]。另外，交通流量的大小对算法的精度也存在很大的影响。通常，在交通流大的情况下，交通事故会导致运行秩序出现明显的紊乱状态。而在低流量的交通状况下，对交通模式并没有产生显著影响，也不需要进行大规模地控制和诱导，因此至今未受到研究人员的广泛重视。特别是非交通状态参数变化的影响，如雨雾天气的非均匀出现在检测区域，极有可能使交通事件识别算法产生严重偏差。尽管使用视频图像处理技术可以直观地发现交通事件，这种方法在低流量情况下也具有良好的检测效果，但需要密集布设视频检测器，成本投入较高，而且雨雾天、周围环境亮度对其影响程度也比较大，因此它对于雾区环境并不适用。针对上述情况，我们采用了对雨雾穿透性强、价格低廉的红外检测器件，取其二值特性，相对密集地布设在检测路段，可以有效地解决雾区交通状态参数获取的难题。采用雨雾检测器，相对稀疏地布设在检测路段，通过一定的算法来确定雾区需要修正识别算法参数的检测区间，从而提高雾区交通事件识别的准确性。

1 传统算法原理及其在雾区环境中存在的问题

交通事件识别算法的本质是通过识别由检测器获取的交通参数数据的非正常变化来间接地判断交通事件的发生[4]。车辆驶入红外检测器实验路段范围内，每经过一组红外检测器，就会遮挡红外接收端的接收同时触发开始记录交通参数，包括车流量、占有率和平均速度等。美国德克萨斯交通协会开发的交通事件识别算法就是低流量传统算法的典型代表。其原理描述如下：

在时间段内，经过上游检测器的车流量总和为Q上，在时间段内（0表示当前时刻），经过下游检测器的车流量为Q下。一般正常的情况下，高速公路的检测器布设距离都大致相等。当低流量情况下，平均速度变化比较小，因此Q上和Q下应该相等；如果发生了交通事件，则有车辆交通事件而被阻塞不能通过，而下游的检测器检测到的车辆数会减少，当减少的车辆数百分比大于阈值K，则认为交通事件发生。交通事件识别算法流程如图1所示。

从上述原理中不难发现，当真实交通事件出现，所引起的交通状态参数的变化，通过算法与阈值K比较的确很容易客观地表现出来。但是对于特殊天气，特别是非均匀分布的雨雾天气，同样的交通状态参数的变化，还要与固定的阈值K比较，得出的结果就未必是真实地出现了交通事件。譬如，在形成Q上与Q下检测点之间有很大的雨雾浓度差别，就可能出现大于阈值K的情况，而这种情况在雾区却是正常的，并不能定义为交通异常，也不需要特殊的交通疏导等处理。据此我们得出：在雾区环境下德克萨斯算法的阈值K不应该是固定的，而应该是与雨雾浓度变化相关的，要准确地识别交通事件就必须对相应检测点的阈值K进行修正。

2 研究路段检测器的设置

考虑到高速公路多为双向四车道设计，我们设计了一段单向双车道研究路段，如图2所示。在路段两侧，每隔固定距离布设一组红外检测器，检测器包含发射端和接收端，分别放置路两侧并处于同一水平位置，多个检测器沿着路段长度方向依次放置。雨雾浓度检测是模拟量的检测，相对红外检测器这样的二值量的检测，无论是信息的获取还是信息的传输都要复杂得多，与红外检测器同样的密度密集布设将会造成投入成本过高，另外雨雾浓度的变化也是渐进的，突变的可能性相对较小，因此我们采用稀疏布设的放置方式，也既是每隔n个红外检测器放置点，放置一个雨雾检测器，如图2中虚线下部所示。

图3是模拟雾区雨雾浓度相对检测路段的分布曲线。从高速公路统计的交通数据知道，某些交通状态参数在雾区所受的影响最主要并不是雨雾浓度的大小，而是雨雾浓度的变化率，也就是这些交通状态参数的变化最容易发生在雨雾浓度变化的路段，而不單是雨雾浓度高的路段。特别是德克萨斯算法中的Q。也既是：曲线斜率为0附近的路段即便雨雾浓度很高Q上与Q下的变化也不会太大，而真正使其变化的是两个曲线斜率为0之间的路段。如图3中数字标注的路段。

3 修正算法设计

3.1 构造雨雾浓度曲线

由于雨雾浓度检测点在整个检测路段相对红外检测点是稀疏布设的是离散的，我们需要构造一条曲线来与这些离散的点拟合，以弥补检测点布设密度不足的缺陷。

3.2 修正区间及修正值确定

因此，修正后的阈值为，其中为修正系数（定值，由实验确定）。

鉴于雨雾浓度的变化是渐进的，突变的可能性相对较小，实际当中也是只有当大于一定量才进行修正，也就是只有在相邻的两个红外检测点之间雨雾浓度变化太明显时才进行修正。

3.3 算法流程

这里专门开辟一个线程来处理雨雾浓度，修正算法流程如图4所示。图中为最低修正值。

4 仿真验证与比较

选取20个间隔相同的离散点，任意赋值（基本符合雾区特点），任意选定，且，求点的值。

由雨雾处理线程来采集这20个点的值，构造雨雾浓度曲线，代入，得到。再用Matlab曲线拟合工具进行拟合代入，二者进行比较。多次做仿真实验，某次仿真结果如表1所示。

由表1可知，雨雾处理线程的处理结果是与Matlab的仿真效果基本相同，进一步说明改进后的算法可提高低流量雾区交通事件的识别率。

5 结语

在传统算法设计思想的基础上，通过对雨雾浓度对交通状态参数影响的研究，设计了适用于雾区环境的低流量交通事件识别算法。算法主要对部分雨雾信息的采集处理来完整刻画整个雾区的分布情况，从而确定影响交通状态参数的相关区间，并提出了对该区间算法的修正算法。对于交通管理者而言，可以快速地发现雾区低流量情况下存在的交通事件，避免事件影响范围的扩大和影响程度的加深。对于提高交通管理的效率上，改善交通管理的效果也具有十分重要的现实意义。

参考文献

[1]姜桂艳.道路交通状态判别技术与应用[M].北京：人民交通出版社，2004：192-210.

[2]杨志勇，马红伟，陈小平.基于模糊逻辑的高速公路事件检测算法研究[J].重庆交通大学学报（自然科学版），2013，（6）：1247-1251.

[3]白竹.城市主干路交通异常状态自动判别方法研究[D].吉林大学，2006.

[4]姜桂艳，温慧敏，杨兆升.高速公路交通事件自动检测系统与算法设计[J].交通运输工程学报，2001，（1）：77-81.

[5]杨志勇.基于模糊逻辑的高速公路事件检测算法仿真研究[J].公路，2015，（2）：122-125.

[6]王浩淼，冉斌，雷怡，等.手机信令数据支持下高速公路检测器布设研究[J].道路交通与安全，2016，（5）：52-58.

[7]李琦.高速公路交通事件自動检测算法[J].哈尔滨工程大学学报，2013.9：1193-1198.

[8]韦旭棉.基于固定型检测器的高速公路自动事件检测算法研究[D].山东大学，2011.

[9]李红伟，陆键，姜桂艳，等.快速路交通事件检测方法[J].东南大学学报（自然科学版），2013，（3）：649-653.