基于PCA-SVM的远程路面凝冰预警系统
2024-01-02于金良张喜民刘照仑
于金良, 张喜民, 秦 川 ,刘照仑
(1.陕西交控集团有限公司,陕西 西安 710065; 2.陕西交控市政路桥集团有限公司,陕西 西安 710065;3.陕西交控运营管理公司西延分公司,陕西 西安 710016; 4.长安大学 电子与控制工程学院,陕西 西安 710064)
0 引言
随着交通网络范围的扩大,出现了较多位于恶劣天气频发区域的路段,这些路段路面凝冰问题尤为突出。凝冰现象会急剧降低路面的摩擦系数,对车辆的行驶和控制产生十分严重的影响,导致交通事故频发[2]。因此,有效预测路面的凝冰状态,及时发布凝冰预警信息并采取凝冰处置措施,对于提高我国公路交通安全具有重要意义。
目前国内外众多学者已对路面凝冰预测问题开展了广泛研究[3-5],其成果体现在凝冰预测算法与路面凝冰预警系统两方面。在预测算法方面,但汉成等[6]指出路面凝冰主要受温度、湿度、风速等气象因素的影响。Lim等[7]综述了路面凝冰的影响因素,设计了一种路面凝冰评估算法以预测路面的凝冰状态;陈凯等[8]结合历史数据分析了通辽地区的凝冰数据,并基于C4.5决策树算法构建了凝冰预测模型。邱欣等[9]基于回归分析法建立了沥青路面路表温度预估分析模型并采用SVM建立沥青路面的凝冰预测模型。在预警系统方面:Teke等[10]设计了一款路面凝冰预警系统,采用k近邻算法预测路面凝冰状态;Korotenko等[11]开发了一种路面凝冰自动预测系统,对湿滑道路的凝冰现象进行预测、预警。李金丹[12]依托J2EE平台,设计了一种高速公路凝冰预警与融雪处置系统。张昌利等[13]基于信息物理系统(Cyber-Physical Systems,CPS)原理,设计了一种高速公路防冰控制策略。
然而,以上算法研究与系统设计仍停留于理论层次,并未形成有效的结合体,交通管理部门因此难以提前获得凝冰预警信息,导致路面除冰措施实施不及时。鉴于此,本文基于PCA算法与SVM研发了一款远程路面凝冰预警系统,用于实时预测路面凝冰状态和反馈预警信息。
1 系统总体设计
针对远程路面凝冰预测系统应用于智能交通管控领域,首先采用路侧传感器采集路面信息和气象信息;然后根据设计的路面凝冰预测算法预测未来短时间内的凝冰状态;最后,通过凝冰信息情报板。
1.1 需求分析
远程路面凝冰预警系统包括预警系统数据采集与管理、路面凝冰预测分析和凝冰预警信息发布等3个方面。
1)预警系统数据采集与管理:包括数据实时采集、数据通信与数据存储功能。路面温度、气温、湿度等信息作为远程路面凝冰预测算法的主要影响因素,其采集实时性直接关系到路面凝冰预测结果的准确性。因此,数据采集设备应满足恶劣环境下的可靠性需求,以保证数据的实时采集;同时,为保证数据稳定传输,需建立实时和准确的通信方式,最大程度获取完整的气象数据,便于后续数据分析工作。
2)路面凝冰预测分析:路面凝冰预测分析根据实时采集的交通气象和路面状态信息,对该路段短时间内的路面凝冰状态进行预测,以保证该功能预测结果高效准确。该功能是远程路面凝冰预测系统的核心功能,为其设计出合理有效的路面凝冰预测算法至关重要。
3)凝冰预警信息发布:为远程路面凝冰系统的最终呈现。通过路面凝冰预测算法分析预测该路段短时间内的路面凝冰结果后,云平台服务软件向凝冰信息情报板发送指令,并提醒交通管理部门和驾驶员前方道路凝冰状况,保证道路行车安全。
1.2 软硬件总体框架
远程路面凝冰预测系统的主要目标是实时预测路面凝冰状态并及时发布预警信息。根据前文系统需求分析,采用分层设计思想,将远程路面凝冰预测系统分为物理设备层、通信传输层和业务应用层,如图1所示。
图1 远程路面凝冰预测系统总体设计
各层具体设计:
1)物理设备层。物理设备层为整个系统的硬件基础,主要包括数据感知模块和信息发布模块。数据感知模块实时监测该路段的空气温度、空气湿度、风速、气压、降雨量等气象要素。信息发布模块突出显示业务应用层发布的凝冰预警信息。
2)通信传输层。通信传输层作为远程路面凝冰预测系统的桥梁纽带,主要负责物理设备层与业务应用层之间的数据传输。其中4G DTU通信模块安全性和准确性较高,同时能支持多种通信方式,可以实现物理设备层和业务应用层互联。
3)业务应用层。业务应用层为远程路面凝冰预测系统的核心部分,由客户端软件、路面凝冰预测算法、数据库等构成。通过与用户进行信息交互,可以实现数据显示、数据存储、系统管理和预测分析等业务功能。
2 基于PCA-SVM的路面凝冰预测算法研究
在道路凝冰预测方面,首先采用PCA分析各气象要素对于路面凝冰的影响程度;在此基础上,基于滑动平均滤波对凝冰数据进行处理;最后,建立基于SVM的凝冰预测模型。并通过仿真实验验证该凝冰预测算法的精确性。
2.1 基于PCA的路面凝冰影响因素分析
针对地理环境差异所造成的凝冰预测困难问题,采用PCA分析各气象因素对面凝冰的影响,并选择其中主要影响因素作为SVM凝冰预测模型的输入。具体方法步骤如下。
2.1.1建立凝冰影响因素数据矩阵
选取路面湿度、环境温度、气压、环境湿度、风速和降雨量等m个气象要素作为分析的主要成分。假设存在n组路面凝冰样本,则凝冰影响因素数据矩阵可以表示为:
(1)
式中:ξij表示第i个影响因素的第j组凝冰样本的数据值,i=1,2,…,m;j=1,2,…,n。
2.1.2数据标准化
由于各项凝冰影响因素量纲差别较大,为了综合分析比较所有因素的影响程度,本节选择Z-score标准化方法对凝冰影响因素数据矩阵中各元素进行处理:
(2)
2.1.3协方差矩阵求解
(3)
2.1.4特征值与特征向量求解
根据式(3)提到的凝冰样本数据协方差矩阵,可以求得m个非负特征值,对所有特征值进行降序排列后,对应的特征向量为Vi=(vm1,vm2,…,vmn),i=1,2,…,m。当特征向量中某一个特征值出现大幅减小,而其后的特征值几乎不发生变化时,表示特征值对应的元素对预测结果影响较小,故可忽略。
2.1.5凝冰主成分分析
为了确定影响路面凝冰的主要分量,计算每一个凝冰影响因素的方差比例和累计占比,累计占比可以表示为:
(4)
式中:A为方差累计占比;p为凝冰主分量数量。
当累计占比达到85%以上时,选择参与当前累计占比的凝冰影响因素作为凝冰主分量。
2.1.6结果分析
采集路面凝冰时的路面温度、环境温度、降雨量、风速、气压、环境湿度等6项气象要素数值作为凝冰的原始指标数据,进行主成分分析,分析结果如表1所示。
表1 主成分分析结果初始特征值提取载荷平方和成分总计方差百分比/%累积百分比/%总计方差百分比/%累积百分比/%13.42557.08357.0833.42557.08357.08321.37022.84079.9231.37022.84079.92330.5819.35689.27940.3786.29895.57750.2043.40198.97860.0421.022100.000
根据表1可知,前两个主成分即可代表79.923%的总影响因素,根据主成分分析结果可知第1个点至第2个点的折线段比较陡峭,第2个点往后折线趋于平缓。经综合考虑选用前两个主成分代替原本的6项气象要素来简化原始数据信息。
成分矩阵分析结果如表2所示。
表2 成分矩阵分析结果变量成分1成分2环境温度0.9490.678路面温度0.9410.612环境湿度-0.920-0.733风速0.2110.538气压-0.583-0.488降雨量-0.0770.245
根据成分矩阵进一步分析2个主成分中包含的气象要素可知:环境温度、路面温度和环境湿度这3个变量的影响占比最大,因此,在建立高速公路路面凝冰预测模型时,可将此3项气象要素作为特征向量构建凝冰预测模型。
2.2 基于SVM的路面凝冰预测模型
基于SVM对路面凝冰状态进行预测。整体预测流程如图2所示。
图2 预测算法流程
基于SVM的凝冰预测模型构建步骤表述如下。
2.2.1构建特征向量
由2.1节分析可知,环境温度、路面温度和环境湿度为该路段影响路面凝冰的主要气象因素。因此,SVM凝冰预测模型的特征向量可以表示为:
X=[ξat,ξpt,ξh]
(5)
式中:ξat为环境温度;ξpt为路面温度;ξh为环境湿度。
2.2.2构造分类模型
构造如式(6)所示超平面对数据进行分类:
ωTX+b=0
(6)
(7)
为寻找几何间隔最大的超平面,保证最大的分类准确性,结合式(7)可以将原问题转化为如式(8)所示的约束最优化问题。
(8)
然而,以上模型在计算时,会因所在空间维数问题导致算法无法得到最优解。因此本文引入核函数K(ξ,z),并通过拉格朗日乘子法对求解问题进行转化,如式(9)所示。
(9)
(10)
式中:αi、αj为拉格朗日乘子;C为惩罚系数,惩罚系数决定了预测模型的复杂程度以及出现拟合偏差的惩罚程度。C取值越小,表明对经验误差的惩罚越小,导致模型欠拟合;C取值越大,表明对经验误差的惩罚越大,导致模型过拟合。本文选用高斯径向基核函数如式(10)所示,x、z表示将要映射至高维空间的向量组。
3 远程路面凝冰预测系统设计
3.1 软件架构与功能分析
本节基于B/S架构设计远程路面凝冰预测系统软件平台,软件设计框架如图3所示。
图3 路面凝冰预测系统软件架构
表现层负责与用户进行信息交互,业务层负责所有功能的内部实现,实体层负责数据的存储。基于模块化设计思想,将软件分为4个功能模块,如图4所示。
图4 软件功能模块
3.2 软件模块设计
1)数据通信模块。用于将设备采集的数据信息传输至软件平台,同时将凝冰预警信息发送给现场情报板。为了保证数据传输的稳定性、可靠性和传输速度,选择JSON数据协议并使用TCP/IP通信方式。定义的数据格式如表3所示。
表3 数据传输格式键值说明equipmentId001设备编号time2022-11-28 9:30:00时间temperature-3.6环境温度humidity90.3环境湿度windDirection86.5风向windSpeed3.1风速rainfall0.0降雨量pressure886.7气压roadTemperature-1.8路面温度iceThickness0.1凝冰厚度waterThickness0.1积水厚度snowThickness0.1积雪厚度
2)数据存储模块。用于存储和管理系统的数据信息。为了保证数据库的性能与数据表之间的关联性,对系统中各个数据表之间的实体关系进行设计,如图5所示。
图5 数据库实体关系
3)凝冰预测模块。为整个软件的核心业务,该模块主要依据第2节中设计的路面凝冰预测算法,具体流程如图6所示。
图6 路面凝冰预测流程
4)凝冰信息发布模块。主要用于向终端显情报板发送该路段实时的凝冰预警信息。分为用户主动控制和智能控制2种控制模式,以应对不同的应用场景。
4 应用实例
4.1 路面凝冰预测模型
为了验证本文所提出的基于PCA-SVM路面凝冰预测算法的有效性和准确性,选取延西高速公路的部分路面凝冰气象数据,获得SVM凝冰预测模型。
1)数据预处理。由于设备采集到的数据存在噪声干扰,影响预测精度,所以通过滑动平均滤波对采集数据进行预处理,降低噪声干扰。滤波过程如图7所示。
图7 滑动平均滤波流程
2)模型参数设置。惩罚系数C为判断预测模型的复杂程度以及出现拟合偏差的惩罚程度的依据;高斯径向基核函数中的参数κ=0.5σ2用于表示单个样本数据的影响程度。因此选择合适的C和κ对于预测准确性至关重要,经交叉实验得:C=1、κ=0.25时模型预测效果最佳。
3)预测效果。为验证算法准确性,选取500组数据进行验证,其中凝冰样本数为325;为凝冰样本数为175,所提出算法模型的预测分类混淆矩阵如表4所示:
表4 路面凝冰状态预测验证结果类型发生凝冰预测样本数未发生凝冰预测样本数发生凝冰真实样本数307(TP)18(TN)未发生凝冰真实样本数13(FP)162(FN)
由表4中可知,所获得的SVM凝冰预测模型预测准确率为93.8%,误报率与漏报率分别为7.3%和5.5%,其中TP、TN、FP、FN分别表示真正例、真反例、假正例、假反例。模型精确度a、误报率pe以及漏报率Po分别由式(11)~(13)给出。
(11)
(12)
(13)
为了验证算法的预测效果,选取某天4:54-9:44的路面凝冰实际状态和预测状态进行对比,路面凝冰预测结果和凝冰厚度误差分别如图8所示:
图8 路面凝冰预测仿真结果
由图8可知,在05:04时刻,路面凝冰预测模型预测路面将要出现凝冰并一直保持;在05:14时刻,由实际状态曲线可知路面确实出现凝冰并保持,与预测模型的预测结果一致,验证了模型的预测有效性。
4.2 远程路面凝冰预警系统应用
4.2.1预警系统数据采集与管理
数据采集与管理主要需保证3个方面:①系统能与采集设备正常通信,②系统硬件能实时采集交通气象和路面状态信息,③系统能正常存储管理数据信息。测试结果如图9~11所示。
图9 数据通信测试
图10 实时数据采集结果
图11 数据存储测试结果
由图9可知,软件可以在设备状态栏和情报板状态栏中显示与采集设备和情报板的通信状态,连接中断时状态栏显示“异常”。图10表明设备可以实时采集到数据信息并显示在客户端,图11表明可以将信息完整存入数据库并进行查询、删除、导出等各种数据操作。
4.2.2凝冰预警效果展示
凝冰预警效果展示功能主要测试所设计的凝冰预测算法的有效性,能否根据实时采集的交通气象数据信息预测路面凝冰状态。测试结果如图12所示。
图12 凝冰预警功能测试结果
由图12可知,当系统采集到异常气象信息时,远程路面凝冰预警系统能够根据当前气象数据预测路面凝冰状态,并在软件界面对预测结果进行高亮显示,如图中“半小时凝冰预警”即为该时刻的凝冰预警信息。
4.2.3道路凝冰信息发布
道路凝冰信息发布功能主要测试系统能否将凝冰预警信息准确发布至预警情报板。测试结果如图13~14所示。当预测到凝冰状态后,软件中会出现“凝冰预警”、“谨慎驾驶”等提示信息,并用红色高亮显示,同时可在凝冰预警情报板中显示此信息,提醒驾驶员及时作出应对措施,提高了道路的安全性。
图13 道路凝冰信息发布功能测试结果
图14 远程情报板测试结果
5 结束语
本文提出了一种基于PCA-SVM的远程路面凝冰预警系统。首先,采集气象信息和路面状态信息并远程传输至云服务器中为凝冰预测算法提供有效输入数据;其次,基于路面凝冰预测算法预测目标未来时间段的凝冰情况并实时显示于系统交互界面中供相关部门参考;最后,通过建立稳定的通信连接将预警信息远程发送至路侧情报板,为驾驶员提供有效的应对措施,提高易结冰路段的行车安全性。