基于车辆积压长度的高速公路交通事件检测算法*

李翠， 李雪

(1.江西交通职业技术学院 信息工程系， 江西 南昌 330013；2.长安大学 电子与控制学院， 陕西 西安 710064)

在城市快速路或高速公路上偶尔会发生车辆碰撞和抛锚、道路施工、货物撒落等交通事件，轻则引发道路短暂性拥挤，重则中断交通流、阻塞交通。为减少交通延误、保障道路安全，需准确、快速地检测交通事件。许多学者基于模式识别、统计分析和人工智能等理论对交通事件检测展开研究。模式识别法的典型代表是加州算法及其改进算法，其存在阈值取值困难、误报率高等问题。统计分析法一般分为两类，一类包括正态偏差法及其改进算法，这类算法一般只考察单一的统计特征属性，容易造成误检；另一类统计算法结合人工智能，如支持向量机(SVM)分类算法和贝叶斯分类算法，SVM 分类算法依赖于核函数的选择，贝叶斯算法则存在计算复杂、泛化能力不强等问题。在人工智能领域，有些学者基于模糊逻辑、神经网络来检测交通事件，这类算法虽然能较有效地区分常规拥堵和交通事件，但模糊逻辑方法非常依赖专家经验知识来确定模糊隶属参数，神经网络模型存在缺乏有效样本集、权值和阈值参数难以准确设置及收敛速度慢等问题。总体而言，基于模式识别的算法准确性较差，而基于统计分析和人工智能的算法较复杂，且依赖先验知识。为此，该文提出一种基于车辆积压长度的高速公路交通事件检测算法，利用上、下游检测点同步采集的交通流量实时估计两个检测点之间的车辆积压长度，以车辆积压长度的移动平均值作为检测交通事件的特征指标，并采用VISSIM进行交通事件仿真分析，验证该算法的检测性能。

1 车辆积压长度

表征交通流特性的常用参数主要有速度、流量和密度，其在道路交通信息采集系统中分别对应行车速度、交通流量和时间占有率。发生交通事件时，这些参数会发生相应变化。一般情况下，交通事件发生在两个检测点(即上、下游检测点)之间。为及时准确地检测交通事件，利用上、下游检测点采集的交通参数构建敏感性高的特征指标。

假设在上、下游检测点同步进行连续的数据采集，选择时刻t之前的某个时刻t0作为起始时刻估计时间长度为(t-τ-t0)的同一交通流在上、下游检测点之间的车辆积压长度：

L(t)=Q1[t0∶(t-τ)]-Q2[(t0+τ)∶t]

(1)

式中：Q1[t0∶(t-τ)]为上游检测点从时刻t0到t-τ的交通流量，即输入检测路段的交通流量；Q2[(t0+τ)∶t]为下游检测点从时刻t0+τ到t的交通流量，即输出检测路段的交通流量；t0为起始时刻；τ为时延。

若τ恰好等于无交通事件发生时车辆在检测路段上的通行时间，则L(t)=0，即输入和输出的交通流为同一交通流。由于行车速度的波动性和采集数据的离散性，不存在唯一确定的τ使输入和输出的交通流完全相同，L(t)也会发生波动。无交通事件发生时，τ的合理取值应使L(t)的均值接近于零。若发生交通事件，则由于输入的车辆不能及时驶出检测路段，L(t)会急剧增大。因此，根据L(t)的变化情况可及时判断是否发生交通事件。

由于式(1)给出的L(t)存在波动幅度较大的特点，进一步对其取移动平均，得：

M(t)=mean[L(t-tl)∶t]

(2)

式中：mean( )表示取平均值；[L(t-tl)∶t]为时刻t-tl到t之间的车辆积压长度；tl为常数，使参与M(t)计算的数据个数为tl+1。

由于M(t)比L(t)更平滑，选用M(t)作为交通事件检测的特征指标。

2 仿真分析

2.1 仿真参数

以长度为3 km的某双车道高速公路路段为例进行VISSIM仿真分析，该路段的最高和最低限速分别为120、60 km/h。在距输入端和输出端各1 km处分别设置上、下游检测点，并假设交通事件发生在距上游检测点0.4 km处。设置局部路径将外侧车道临时关闭，以模拟交通事件的发生。仿真时间设定为10 800 s，并假设交通事件从第3 600 s开始，共持续3 600 s。两个检测点的采样频率均为20 s，同步采集平均速度、交通流量和时间占有率3种交通参数。

2.2 典型分析

将输入的交通流量设定为2 000 veh/h来分析交通参数的典型变化特征，上、下游检测点采集的交通参数时间序列见图1～3。

由图1可知：1) 上游检测点的平均速度刚开始在高位平稳波动，但从第5 000 s开始大幅下降并转换到低位平稳波动，直到第7 800 s才开始恢复高位平稳波动。2) 除第3 600 s处的平均速度出现奇异外(可视作噪声)，下游检测点的平均速度基本在高位平稳波动。可见，交通事件对上游检测点平均速度的影响较大，对下游检测点平均速度的影响很小。这是由于交通事件造成的通行瓶颈会使上游检测点的车辆通行缓慢，但不会影响下游检测点的车辆保持快速通行。因此，尽管可根据上游检测点的平均速度变化判断交通事件的发生，但平均速度的明显变化会比交通事件的发生时间滞后约1 400 s。

图1 上、下游检测点平均速度时间序列

图2 上、下游检测点交通流量时间序列

图3 上、下游检测点时间占有率时间序列

由图2可知：上、下游检测点的交通流量均在第7 200～7 800 s短暂升高，而在其他时间保持较平稳的波动，这种交通流量的短暂升高是由交通堵塞解除后积压车辆快速通行造成的。下游检测点交通流量短暂升高的持续时间比上游检测点略长，说明堵塞车辆的排队长度已延伸到上游检测点之外。可见，交通事件不会使检测点的交通流量发生非常明显和及时的变化。

由图3可知：1) 上游检测点的时间占有率(简称占有率)刚开始在低位平稳波动，但从第5 000 s开始大幅上升并切换到高位平稳波动，直到第7 800 s才开始恢复低位平稳波动。2) 除第7 200～7 800 s占有率短暂升高外，下游检测点的占有率均在低位平稳波动，下游检测点占有率的短暂升高是由交通事件结束导致积压的车辆快速通过造成的。尽管可根据上游检测点的占有率变化判断交通事件的发生，但占有率的明显变化会比交通事件的发生时间滞后约1 800 s。

根据式(1)和式(2)，取时延τ=40 s(等于2倍采样间隔)，并取tl=120 s(等于6倍采样间隔)，得到积压长度L(t)及其移动平均值M(t)(见图4)。由图4(a)可知：1) 积压长度刚开始在低位平稳波动，然后在第3 600 s快速增加至高位波动，并且在第7 200 s快速回落至低位重新开始平稳波动。根据图4(a)可判断有交通事件发生，而且积压长度的明显变化仅比交通事件的发生时间滞后约600 s。图4(b)中曲线变化与图4(a)整体类似，但图4(b)给出的积压长度移动平均值在各时刻的波动幅度更小，整体更平滑，有利于合理确定阈值以判断交通事件的发生。

图4 车辆积压长度估计值与移动平均值时间序列

综上，图1(a)、图3(a )和图4(a)、(b)均可用于交通事件检测。相比之下，图4(a)、(b)对交通事件更敏感，曲线的明显变化发生更快。由于图4(b) 的曲线比图4(a)整体上更平滑，有利于设定阈值来实现交通事件的自动检测，故判断积压长度移动平均值是一个很好的检测交通事件的特征指标。

2.3 统计分析

根据2.2节的分析，采用式(2)给出的积压长度移动平均值M(t)作为检测交通事件的特征指标。报警条件设定为：若连续3个采样时刻t-40、t-20和t(采样间隔为20 s)的特征指标M(t)、M(t-20)、M(t-40)均超过前面20个连续时刻的特征指标最大值max(M[(t-440)∶(t-60)])的30%，则在t时刻报警。

采用检测率(Detection Rate，DR)、误报率(False Alarm Rate，FAR)和平均检测时间(Average Detection Time，ADT)3个性能指标来验证上述算法的有效性，并与经典的加州算法进行对比。分别模拟低饱和交通(1 000 veh/h)、中饱和交通(2 000 veh/h)和高饱和交通(3 000 veh/h)3种交通环境，各进行100次仿真分析，结果见表1。

表1 文中算法与加州算法的性能指标

由表1可知：文中算法在3种交通环境下的检测率均很高，同时具有较低的误检率和平均检测时间。相比之下，加州算法的检测率较低，误检率较高且平均检测时间较长。可见，文中算法具有良好的检测效果。

3 结论

(1) 相比平均速度、交通流量和时间占有率，车辆积压长度移动平均值对交通事件更敏感，能在更短的时间内发生明显变化，且其物理意义明确、计算简单。

(2) 基于车辆积压长度的交通事件检测算法以车辆积压长度移动平均值作为特征指标来检测交通事件，在不同交通环境下均具有较高的检测率、较低的误检率和较短的检测时间，具有良好的检测性能。