基于分類數據樣本的交通事件檢測

童仁宏,呂智林,張建義,韓曉冬

(1.廣西大學電氣工程學院;2.河南有線電視網絡集團有限公司鄭州分公司)

1 引 言

高速公路的事件檢測研究是高速公路交通控制研究的一個主要領域。交通事件檢測是交通事件管理過程的第一步,也是其核心和關鍵。任何事件管理系統的快速反應能力都在很大程度上依賴于高效、可靠的事件檢測技術。盡早的事件檢測對于制定恰當的響應策略,控制和引導其它車輛避開事發地點,從而使事件總的影響程度降到最低都非常重要。事件檢測不但對于事件管理本身意義重大,而且對于智能交通的其它子系統也有重要作用。

交通事件檢測系統自 20世紀 60年代發展起來以后,形成了各種各樣的檢測方法和技術。事件檢測算法大的方面包括人工檢測方法和自動檢測方法,自動檢測方法又分直接檢測和間接檢測方法。間接方法又分為基于模式識別的算法、基于統計理論的算法、基于交通流模型的算法、基于人工智能的算法和基于小波分析的算法。這些算法主要有加里福利亞算法、莫尼卡算法、指數平滑算法、非參數回歸算法、卡爾曼濾波算法、貝葉斯算法、麥克馬斯特算法、模糊邏輯算法、人工神經網絡算法、小波分析算法。這些算法無一例外的用到了實時的交通數據參數,有的是原始采集的數據,有的則是經過簡單處理后得到的上下游之間數據差值。但是都沒有將交叉口數據與直行路段數據區別開來,檢測率也沒能達到 100%,有的甚至低于 90%。本文針對這種情況提出將數據樣本分為入口處數據樣本、出口處數據樣本和直行路段數據樣本共 3類數據樣本以提高算法的檢測性能。

2 仿真數據

由于實測數據獲取比較困難,通過仿真模型以獲取仿真數據。實驗模型是采用目前比較通用的由 MarkosPaPageorgiou提出的宏觀交通流動動態模型。模擬的單向交通路段如圖 1所示。箭頭方向表示車流方向。數字 0-9表示檢測器的位置,每個檢測器間隔 500m。路段共有兩個入口和兩個出口。以國家二級高速公路作為道路假設條件,參照《道路通行能力手冊》和《道路通行能力分析》標準設置初始時刻的車流密度和速度以及事件發生時的干擾參數,選取的檢測參數是下游檢測器與上游檢測器之間的密度差值和速度差值共兩個參數。通過仿真分別得到上下游檢測器之間的密度差值和速度差值各 500個,同一位置和時刻的密度差值和速度差值為 1組,得到 500組數據作為數據樣本。

圖 1 模擬的交通路段

3 仿真實驗

采用的檢測算法是樸素貝葉斯算法。貝葉斯分類方法是數據挖掘眾多分類預測型方法中的一種。它的學習機制是利用先驗概率和樣本信息來計算后驗概率以得出結論。以道路仿真模擬得到的 500組數據作為數據樣本,利用數據挖掘的 k-均值聚類方法將數據樣本里的密度差值和速度差值分別劃分到 6個區間里,再計算在每個區間里發生事件的概率,這樣就得到了具體數據的先驗概率。貝葉斯分類就是在已知數據樣本和數據先驗概率的情況下求新的數據對象最大的后驗概率。當用樸素貝葉斯分類時,認為密度差值和速度差值是相互獨立的。表 2列出是采用 3組互不相同的測試數據得到的檢測結果。實驗表明檢測模型的檢測率達到了 100%,但是誤報率還沒有達到理想效果。為此本文提出將數據樣本按照數據發生的位置分為入口處數據、出口處數據和直行路段數據 3類。

表1 數據樣本分類前的實驗結果

4 數據樣本分類的理論依據

在實際道路上交叉口的交通量變化較大,即使沒有交通事件發生時交叉口前后的數據差值也可能發生較大變化。而當直行路段發生交通事件時測得的密度差值和數據差值肯定會發生較大變化。這樣兩種數據就可能相同,從而影響了具體數據的先驗概率最終會影響檢測結果。而實驗得出的模擬數據也表明了這一點。圖 2列出的是本文使用的500組仿真數據里的一部分密度差值數據。橫軸是圖 1中數據位置的轉換位置,圖 2中的 1表示圖 1中位置 2的密度數據與位置 1的密度數據之差所得數值的位置,其余數字含義依次類推,縱軸表示與轉換位置相對應的數據差值。其中5位置的數據是位于入口處前后無事件時密度差值(即圖 1中 6位置檢測器與5位置檢測器沒有事件發生時的密度之差),2和 7位置的數據是位于出口處前后的無事件時密度差值,其余位置均為直行路段有事件時的密度差值。從圖中可以看出 3、4、5、8位置都有部分數值位于 4～6之間,這就說明了因為位置不同有事件數據與無事件數據在 4～6之間發生了重合。貝葉斯分類的一個重要依據是不同數值所代表的先驗概率是不同的,即不同的密度差值表示事件發生的概率不同。當有事件發生時的數據與無事件發生時的數據相同后,該數據表示事件發生的概率就變得不確定,這肯定會影響了事件判斷的最后結果。因此本文提出將數據按照出現的位置將數據分 3種:入口處數據、出口處數據和直行路段數據。這樣就避免了交叉口數據與直行路數據之間的影響。

5 分類后的實驗結果

在對數據庫進行分類后可看出分類后的檢測率沒變都是 100%,但是誤報率卻隨著數據的增加而大大降低,最終達到了 0%,這也是最理想的檢測效果。從而證明了將數據樣本根據數據的位置分成入口處、出口處和直行路段以后能夠成功地提高事件檢測率和降低事件誤報率。

表2 數據樣本分類后的實驗結果

[1]溫惠敏,楊兆升.交通事件檢測技術的進展研究[J].交通運輸系統工程與信息學報,2005,5(1):26-28.

[2]史忠科等.交通控制系統導論[M].北京:科學出版社,2003.

[3]張敬磊,王曉原.交通事件檢測算法研究進展[J].武漢理工大學學報.2005,29,(2):215-218.

[4]任福田等.道路通行能力手冊[M].人民交通出版社,2007.

[5]袁方等.對 k-means算法的改進[J].計算機工程與應用,2004,36(2):177.

[6]李雄飛,李軍等 .數據挖掘與知識發現[M].北京:高等教育出版社,2003.

[7]陳寬明等.道路通行能力分析[M].人民交通出版社,2007.