基于交通流特征变化的交通事件检测与识别方法

杨东锋 徐 灵 王 锟 戴 杰 徐杭鸣

（1．浙江杭绍甬高速公路有限公司，浙江 杭州 311215；2．浙江高信技术股份有限公司，浙江 杭州 310005）

0 引言

交通事件（例如事故、车辆故障和抛撒物）可能会引发拥堵、交通延误、排放增加和二次事故等严重问题。在美国，高速公路上超过1/2的交通拥堵都是由事故造成的。尽快进行交通事件检测可以在很大程度上缓解交通延误、燃料浪费、排放和经济损失等问题，还可以降低发生二次事故的可能性。因此，自动交通事件检测逐渐成为研究重点（尤其是在减少高速公路交通拥堵方面）。在相关研究成果中，交通事件通常指任何可能扰乱正常交通流并降低道路通行能力的非经常性事件。

该文提出基于数据松弛操作算法和改进的加利福利亚算法组合的自动检测算法：1） 先利用基本毫米波雷达原始数据及其组合构造1组相对全面的初始变量，再基于松弛操作算法从初始变量中选择特征变量。2） 设置虚拟检测器，细分2个检测器之间的路段颗粒度，并设置车道数参数，使事件检测范围覆盖更精细。3） 改进的加利福利亚算法引入路段/车道平均速度变量，可以提升的算法准确率和召回率。

1 问题描述与算法建模

1.1 交通事件检测与识别

采集高速公路交通事件的方式较多，通常采用视频、雷达检测交通事件，每种监测方式单一，监测交通事件存在信息上报重复和误报等情况。如何利用高速公路感知设备采集的原始数据，并基于交通流变化特征进行交通事件自动检测与识别是该文的研究重点。

1.2 交通运行特征数据分析

根据高速公路位置检测器收集的交通流、速度和占用率等数据，该路段对其变化特征进行深入分析，设计了事件变量，突出交通事件前后交通流参数的变化特征，并构成高速公路交通事件检测的初始输入事件变量集。

交通流参数的变化可以直接描述高速公路路段的交通状态，在正常（无交通事故）情况下，交通流参数（流量、速度和占用率）的变化过程相对平缓。在非正常（有交通事故）情况下，交通流参数会在短时间内因受交通事故的影响而剧烈波动。在实际道路环境中，交通事件的上游和下游分别受压缩波和扩张波的影响，检测的交通流参数变化如下：上游占用率迅速增加，而流量和速度迅速下降；下游占用率和流量迅速下降，速度可能提高或者降低。因此，根据上、下游检测器检测的交通流参数的变化情况可以判断交通事故。

1.3 基于交通运行特征变化判定交通事件的算法

基于交通运行特征变化判定交通事件的加州算法流程如图1所示。首先，基于路段信息、设备信息和毫米波雷达原始表抽取路段信息表的路段编码字段和设备信息表的设备ID、设备桩号、经度、维度、路段编码以及方向字段，去除毫米波雷达原始表的车牌、车辆颜色字段，将3张表进行数据匹配，并以路段ID、设备ID、方向和车道ID为条件进行分类筛选，生成分车道交通流数据。如果有重复项，就去除重复项，然后计算每个采集频率车道交通流量、车道平均速度。

图1 基于交通运行特征变化判定交通事件算法流程

其次，以交通运行特征（流量、速度）表为输入，California算法为双截面算法，基于事件发生时上游截面占有率增加、下游截面占有率减少这一事实，对相邻检测站进行比较。该算法1 min的平均占有率为（，），即在时刻，从检测站得到的平均占有率为（，）。计算占有率的变量值，判断是否满足以下条件：1） 上下游检测器占有率的绝对差值大于阈值，如公式（1）所示。2） 上下游检测器的测量占有率差值与上游占有率的比值大于阈值，如公式（2）所示。3） 下游检测器的不同时间占有率差值与下游占有率的比值大于阈值，如公式（3）所示。

式中：（，）为检测站各车道当前1 min的平均占有率；（+1，）为检测站+1的下游相邻站各车道前1 min的平均占有率；（+1，-2）为下游相邻站各车道前2 min的平均占有率；、和为给定门限值。

当同时满足以上3个条件时，判断事件发生。在该基础上，该文研究了基于多车道交通事件检测改进的加州算法。

由公式（4）可知，占有率与车道数、车辆速度均呈反相关，根据加州算法的第一个条件中的变化，在不发生交通事件时相邻检测点占有率应该是基本不变的，当发生交通事件而造成车道数变化时，占有率的变化是显著的。由于在检测时不明确该检测点的车道数是否因交通事件而发生了变化，因此用传统加州算法会影响预警的精度。

设某检测器在时间间隔内检测的占有率为（，）则相邻2个观测点（，+1）的占有率如公式（5）、公式（6）所示。

由于观测数据的时间间隔为固定值，并且车道数目相同，因此其表达式可改写为公式（7）、公式（8）。

当同时满足以上3个条件时，判断有事件发生，生成基于交通运行特征变化判断的交通事件数据。

2 基于交通运行特征变化判定交通事件算法实现

在该文中使用MySQL数据库存储相关数据，在MySQL中创建highwaydb数据库。根据所需的数据创建相应的数据表，相应的算法从该数据库中获取数据进行分析计算，并将结果存储到表中，从而实现只需要将后续应用时的数据导入数据库中就可以进行事件分析的目标。

由于毫米波雷达事件表中的每行代表单一雷达在某个时刻对一辆车的统计结果，因此要统计原始表中同一雷达每分钟记录的同一方向、同一车道的车流和平均车速，具体如下：将毫米量级的时间戳改为分钟量级，再采用andas（数据分析工具）中的groupby（根据（by）一定的规则进行分组）方法对同一雷达、同一路段以及同一创建时间的数据进行分组并分别统计。

改进加州算法的核心是计算、和，和如公式（10）、公式（11）所示。

式中：为车流量，pcu；为平均速度，km/h。

由公式（10）、公式（11）可知，2个值的计算都是在同一时间的维度下进行，因此按创建时间对处理后的数据进行分组，提取同一路段的相邻雷达在同一创建时间的车流量和平均速度，就可以计算和，具体方法仍通过pandas来实现。

如公式（12）所示。

的计算是在同一雷达下进行的，因此要根据雷达ID重新对数据进行分组，提取同一路段下同一雷达在不同创建时间下的车流量和平均速度，再计算。

要先设定阈值进行筛选，采用遍历的方式可以在一定程度上得到最优阈值。最优是指能使通过交通运行特征变化得到的事件表与毫米波雷达事件表尽量匹配。因为交通运行特征的变化不会在瞬间结束，即在20 min或30 min内，同一路段、同一方向、同一车道以及同一雷达检测的交通流数据变化很可能来自同一个事件，所以在设定阈值后要对结果表进行去重处理。具体实现过程如下：首先，根据日期、创建时间、路段号、行驶方向、车道和雷达编号对结果表进行分组。其次，对同组中的数据进行排序并筛选，保证20 min内只有1个事件。

另外，交通运行特征的变化也不会与事件发生起始时间完全一致，会有一个延时的过程，因此要对毫米波雷达事件表进行松弛操作。首先，从毫米波雷达事件表中筛选出与结果表可匹配的总事件数。其次，对创建时间进行30 min松弛操作。最后，对毫米波雷达事件表和结果表进行匹配操作，生成最终的通过交通运行特征变化得到的事件表。

3 试验与结果分析

该测试路段选择沪杭甬高速柯桥至绍兴段，全长10 km为测试路段，对选择测试段进行数据集准备。在数据库中导入该路段双幅同一时间段毫米波雷达原始数据，加载2020年10月的数据，采用频率为80 ms。

在数据库表准备好后，对所提出的基于交通运行特征变化的事件检测算法进行测试，将算法运行结果存入新建事件表中。利用原始表中的上行方向上车道1和车道2进行测试，得到的结果如下：利用毫米波雷达事件表得到的可匹配的事件数为168，通过设置阈值得到的事件数为180，其中相匹配的事件数为165，准确率为91.7%，召回率为98.2%。

4 结语

通过算法研究和实际道路测试可知，基于交通流特征变化判断交通事件算法对事件的检测率比基于视频或雷达检测的算法高，但基于交通流特征变化判断交通事件算法无法判断事件的类型。

该文得到的主要结论如下：1） 该文提出的基于数据松弛操作算法和改进的加利福利亚算法组合自动检测算法的试验结果表明，在20 s内对80 000多条毫米波雷达原始数据进行交通事件自动检测的准确率为91.7%，召回率为98.2%。这说明该文所提出的AID算法在高速公路交通事件自动检测场景中具有较好的适用性。2） 通过算法研究和开发可以将算法封装为服务，通过算法平台进行调度执行，并基于高精度地图进行事件可视化和联动，在实际高速公路运营管理中具有良好的扩展应用价值。