基于BP神经网络的城市道路交通事件检测

摘  要：通过交通流模型研究了城市道路交通拥挤对交通参数的影响，以交通异常事件检测为研究目标，从交通拥挤对于交通出行的影响出发;参考BP神经网络的全局逼近特点，使用NARMA模型改进的BP神经网络算法进行交通异常事件检测的研究;使用MATLAB进行了仿真验证了网络的性能，结果表明NARMA模型改进的交通事件检测的误报率为1.54%、检测率为96.92%、平均检测时间为0.42 min，可有效地反映交通事件发生的本质特征。

关键词：BP神经网络;城市道路;交通异常;事件检测

中图分类号：U495;TP183     文献标识码：A 文章编号：2096-4706（2020）13-0061-04

Abstract：This paper studies the impact of urban road traffic congestion on traffic parameters through traffic flow model，and takes the detection of traffic abnormal events as the research object，starting from the impact of traffic congestion on traffic travel;referring to the global approximation characteristics of BP neural network，this paper uses the improved BP neural network algorithm of NARMA model to detect traffic abnormal events;the performance of the network is verified by MATLAB simulation. The results show that the false alarm rate of traffic incident detection improved by NARMA model is 1.54%，the detection rate is 96.92%，and the average detection time is 0.42 min，which can effectively reflect the essential characteristics of traffic events.

Keywords：BP neural network;urban road;traffic anomaly;event detection

0  引  言

智能交通系统（ITS）是依托现代科技发展而来实现交通管理和规划的重要技术。交通事件检测是ITS系统中的重要组成部分和重点研究内容，其以传感器技术、计算机技术、通信技术、模式识别技术和人工智能技术等为基础，实现获得道路通行状况[1]，如交通量（q）、交通密度（k）、车速（v）等重要交通参数，以此实现道路交通状况检测与预测，避免城市道路交通拥堵事件的产生，或者控制路段的交通事故事态的扩大，以此实现人、车以及路和谐的城市交通目标。

目前，在城市道路交通事件检测中，国内外使用了不同的方法进行了深入的研究和探讨。笔者基于交通运输专业的“交通工程学”“智能交通系统及技术”课程理论，对伯克利算法、多目标事件检测算法（APID）、模式识别算法（PATREG）等、指数平滑算法、贝叶斯（Bayesian）算法、Boosting算法、模糊逻辑算法和Logit模型算法等[2]进行了研究，发现上述算法优势实现交通异常事件监测，虽然监测效果相对较好，但误报率无法达到令人满意的程度。因此针对上述存在的问题，尝试用改进BP神经网络算法进行交通事件检测，并进行性能指标的比较，以期减少误报。

1  智能交通系统及交通事件的检测

交通事件检测是ITS技术的重要应用，其主要的目的和出发点在于获得道路通行的交通状况，及时、准确地判断或者预测交通异常事件的发生;进而使得道路交通管理部门能够及时准确地发出预警信息或者处理交通事件，以此实现减少道路交通事件，保障交通出行安全，提高道路车流的正常行驶速度，使其具有较高的通过能力[3]。对交通异常事件可以依据交通密度（k）、车速（v）、交通量（q）三个参数进行判断，具体判断依据如表1所示。

2  BP神经网络在交通事件检测中的应用

2.1  BP神经网络算法

BP神经网络算法由三个层次组成，分别为输入层、隐层和输出层，每次有若干节点（神经元）;运算的目的是将数据训练的输入/输出的映射转化为非线性优化求解，实现网络输出与期望输出间的均方误差最小化[4]。每一层所属节点之间相互独立，层节点与相邻层节点之间以连接弧（赋有权值，表示影响程度）连接，算法由两个过程组成：

第一步，正向計算求误差函数。进行训练数据，输入层经逐层处理传向输出层，据计算结果和模型识别修改各连接权值。假定转移函数为S（Sigmoid）型函数f（x）=，设网络权值为（wij，Tli），神经网络层数N，输入层节点为xj，隐层节点为yi，输出层节点为oi，阈值为θ，期望输出为ti，误差为E，计算公式如下：

2.2  基于NARMA模型改进的BP神经网络算法

BP神经网络算法在数据处理过程中，随着数据量的增大，其运算存在收敛速度慢，同时当算法模型的参数出现不适会产生振荡等问题。对于城市交通系统的交通流宏观模型，是随着时间变化的动态递归的模型，交通系统的交通流的后一个时刻状态与前一个时刻状态有关，也就是说其受到前一时刻的状态所制约[5]。因此，使用BP神经网络建模进行城市道路交通以此事件检测时，应该充分考虑交通流动态变化问题，这里利用NARMA模型（非线性自回归滑动平均模型）实现改进BP神经网络，利用BP神经网络逼近上述差分方程中的未知非线性函数。其NARMA模型可以表示为：

根据以上分析，对BP神经网络进行交通事件检测作出修改，将BP神经网络系统的输出、车流密度和速度反馈至输入端，作为交通事件检测模型输入向量的一部分。在建立基于NARMA模型改进的BP神经网络算法模型时，取N=3，其算法模型如图2所示。

3  交通事件检测系统及仿真

3.1  数据的选取与处理

城市公路交通异常事件检测研究中，建立MATLAB仿真模型利用动态神经网络建立交通流状态估计模型，为检测模型的性能，具体为三个数据类型：交通量（q）、交通密度（k）、车速（v）。得出仿真结果与道路现场布设的车辆检测器测得数据信息进行比较，产生残差并以此作为判断交通拥堵事件是否发生的依据。城市公路交通异常事件检测研究采用的数据来源于相关文献及模拟的交通流数据。具体如表2所示。

对于采集到的道路交通数据信息经过滤波及调整后，为了进行NARMA模型改进的BP神经网络算法研究，需进行数据归一化处理，将得到模拟量数据信息归一化为[0，1]区间，归一化处理的公式如下：

3.2  模型仿真

构建的基于NARMA模型改进的BP神经网络算法，以此实现城市公路交通异常事件检测模型，如图3所示，算法模型的输入与交通事件检测路段的数量有关，当路段数过多则算法模型的输入量会增加，致使网络模型结构复杂、运算量增量。因此，选取一路段作为样本。根据传统BP神经网络算法、基于NARMA模型改进的BP神经网络算法两个算法模块的检测判断事件发生与否，并比较说明改进算法的优点。

3.3  仿真结果分析

为了验证NARMA模型改进的BP神经网络算法效果，利用MATLAB仿真进行仿真实验。设基于NARMA模型改进的BP神经网络算法的输出函数为logsig函数，整个网络的输出是（0，1）的连续量，通过判决门限0.5区分两类模式。学习速率η=0.01，最大训练步数Nmax=300，可接受训练误差ε=0.000 01。网络学习曲线当N=194次迭代时，误差ε达到精度期望要求，训练误差曲线如图4所示。

通过传统BP神经网络算法与基于NARMA模型改进的BP神经网络算法两种算法的验证误差对比曲线进行分析，如图5所示。其可以清晰地看到，误差≥|0.5|点少，证明基于NARMA模型改进的BP神经网络算法的事件检测的网络验证误差少，同时减少收敛步数，提高精度。

本文研究交通事件检测评价指标分别为误报率（FIR，False Identification Rate）、检测率（DR，Detection Rate）、平均检测时间（MTTD，Mean Time to Detection）等，具体指标对比如表3所示。

从表3中可以看出基于NARMA模型改进的BP神经网络算法的性能指标优于传统BP神经网络算法的性能指标。其误报率为1.54%、检测率为96.92%、平均检测时间为0.42 min，因此，采用改进的算法在交通事件检测上的应用经过足够的样本训练，具有很高的检测率和较低的误报率。

4  结  论

交通事件检测是城市交通管理和城市规划布局发展的重要基础。因此，本文针对交通系统的非线性系统，研究交通拥挤对交通参数的影响，建立了一个城市道路交通流的神经网络模型，提出利用基于NARMA模型改进的BP神经网络算法模型检测道路交通事件。使用MATLAB仿真验证了改进的BP神经网络来仿真交通流模型，表明改进的BP神经网络算法具有检测率高、误报率低和检测速度快，优于传统BP神经网络算法的检测，能够实现与满足城市交通管理与发展的需求。

参考文献：

[1] 杨世威，王伟，李锐.城市道路交通事故宏观成因分析 [J].现代交通技术，2017，14（3）：82-85.

[2] 刘庆华，丁文涛，涂娟娟，等.优化BP_AdaBoost算法及其交通事件检测 [J].同济大学学报（自然科学版），2015，43（12）：1829-1833.

[3] 姜卉，姜桂艳.基于FA-SVM的高速公路交通事件檢测方法 [J].北华大学学报（自然科学版），2019，20（1）：103-108.

[4] 吴琛，程琳.BP小波神经网络模型及其在交通事件检测中的应用 [J].中国交通信息化，2018（3）：137-140.

[5] HOU H. The Application of Blockchain Technology in E-Government in China [C]//2017 26th International Conference on Computer Communication and Networks （ICCCN）. Vancouver，BC，Canada：IEEE，2017：1-5.

作者简介：柳妍（1980—），女，汉族，甘肃华亭人，讲师，硕士，研究方向：城市规划与交通运输。