低流量霧區交通事件識別算法研究

李文釗　李明　張奔牛

摘要：在霧區路段嚴重影響高速公路交通安全的情勢下，為了更加準確地檢測出交通事件，通過對傳統的交通異常狀態識別算法的分析，提出了一種適用于霧區低流量情況下的交通事件識別算法，該算法通過對稀疏的雨霧濃度信息的處理，對傳統交通異常狀態識別算法的有關參數進行修正，極大地提高了霧區環境的識別精度。最后利用MATLAB仿真軟件對稀疏雨霧濃度信息的處理效果進行了驗證比較。

關鍵詞：霧區；最小二乘法；雨霧濃度；交通事件識別算法；MATLAB

中圖分類號：U491.1+4 文獻標識碼：A 文章編號：1007-9416（2018）02-0129-03

交通事件識別算法發展至今已經有幾十年的歷史，國內外學者在研究開發和改進識別算法方面做了大量的工作[1]。算法主要包括突變理論算法、模式識別算法、統計理論算法、小波分析理論算法等[2]。這些算法主要是利用宏觀交通流參數數據，如車頭時距、速度、車流量、占有率等狀態參數的變化來判斷道路交通事件發生。雖然它們對判斷交通擁擠等宏觀現象有較高準確性，但是由于算法本身缺乏對交通事件及演化機理的認識，對微觀現象如個體車輛突發事件停車等的檢測效果并不理想[3]。另外，交通流量的大小對算法的精度也存在很大的影響。通常，在交通流大的情況下，交通事故會導致運行秩序出現明顯的紊亂狀態。而在低流量的交通狀況下，對交通模式并沒有產生顯著影響，也不需要進行大規模地控制和誘導，因此至今未受到研究人員的廣泛重視。特別是非交通狀態參數變化的影響，如雨霧天氣的非均勻出現在檢測區域，極有可能使交通事件識別算法產生嚴重偏差。盡管使用視頻圖像處理技術可以直觀地發現交通事件，這種方法在低流量情況下也具有良好的檢測效果，但需要密集布設視頻檢測器，成本投入較高，而且雨霧天、周圍環境亮度對其影響程度也比較大，因此它對于霧區環境并不適用。針對上述情況，我們采用了對雨霧穿透性強、價格低廉的紅外檢測器件，取其二值特性，相對密集地布設在檢測路段，可以有效地解決霧區交通狀態參數獲取的難題。采用雨霧檢測器，相對稀疏地布設在檢測路段，通過一定的算法來確定霧區需要修正識別算法參數的檢測區間，從而提高霧區交通事件識別的準確性。

1 傳統算法原理及其在霧區環境中存在的問題

交通事件識別算法的本質是通過識別由檢測器獲取的交通參數數據的非正常變化來間接地判斷交通事件的發生[4]。車輛駛入紅外檢測器實驗路段范圍內，每經過一組紅外檢測器，就會遮擋紅外接收端的接收同時觸發開始記錄交通參數，包括車流量、占有率和平均速度等。美國德克薩斯交通協會開發的交通事件識別算法就是低流量傳統算法的典型代表。其原理描述如下：

在時間段內，經過上游檢測器的車流量總和為Q上，在時間段內（0表示當前時刻），經過下游檢測器的車流量為Q下。一般正常的情況下，高速公路的檢測器布設距離都大致相等。當低流量情況下，平均速度變化比較小，因此Q上和Q下應該相等；如果發生了交通事件，則有車輛交通事件而被阻塞不能通過，而下游的檢測器檢測到的車輛數會減少，當減少的車輛數百分比大于閾值K，則認為交通事件發生。交通事件識別算法流程如圖1所示。

從上述原理中不難發現，當真實交通事件出現，所引起的交通狀態參數的變化，通過算法與閾值K比較的確很容易客觀地表現出來。但是對于特殊天氣，特別是非均勻分布的雨霧天氣，同樣的交通狀態參數的變化，還要與固定的閾值K比較，得出的結果就未必是真實地出現了交通事件。譬如，在形成Q上與Q下檢測點之間有很大的雨霧濃度差別，就可能出現大于閾值K的情況，而這種情況在霧區卻是正常的，并不能定義為交通異常，也不需要特殊的交通疏導等處理。據此我們得出：在霧區環境下德克薩斯算法的閾值K不應該是固定的，而應該是與雨霧濃度變化相關的，要準確地識別交通事件就必須對相應檢測點的閾值K進行修正。

2 研究路段檢測器的設置

考慮到高速公路多為雙向四車道設計，我們設計了一段單向雙車道研究路段，如圖2所示。在路段兩側，每隔固定距離布設一組紅外檢測器，檢測器包含發射端和接收端，分別放置路兩側并處于同一水平位置，多個檢測器沿著路段長度方向依次放置。雨霧濃度檢測是模擬量的檢測，相對紅外檢測器這樣的二值量的檢測，無論是信息的獲取還是信息的傳輸都要復雜得多，與紅外檢測器同樣的密度密集布設將會造成投入成本過高，另外雨霧濃度的變化也是漸進的，突變的可能性相對較小，因此我們采用稀疏布設的放置方式，也既是每隔n個紅外檢測器放置點，放置一個雨霧檢測器，如圖2中虛線下部所示。

圖3是模擬霧區雨霧濃度相對檢測路段的分布曲線。從高速公路統計的交通數據知道，某些交通狀態參數在霧區所受的影響最主要并不是雨霧濃度的大小，而是雨霧濃度的變化率，也就是這些交通狀態參數的變化最容易發生在雨霧濃度變化的路段，而不單是雨霧濃度高的路段。特別是德克薩斯算法中的Q。也既是：曲線斜率為0附近的路段即便雨霧濃度很高Q上與Q下的變化也不會太大，而真正使其變化的是兩個曲線斜率為0之間的路段。如圖3中數字標注的路段。

3 修正算法設計

3.1 構造雨霧濃度曲線

由于雨霧濃度檢測點在整個檢測路段相對紅外檢測點是稀疏布設的是離散的，我們需要構造一條曲線來與這些離散的點擬合，以彌補檢測點布設密度不足的缺陷。

3.2 修正區間及修正值確定

因此，修正后的閾值為，其中為修正系數（定值，由實驗確定）。

鑒于雨霧濃度的變化是漸進的，突變的可能性相對較小，實際當中也是只有當大于一定量才進行修正，也就是只有在相鄰的兩個紅外檢測點之間雨霧濃度變化太明顯時才進行修正。

3.3 算法流程

這里專門開辟一個線程來處理雨霧濃度，修正算法流程如圖4所示。圖中為最低修正值。

4 仿真驗證與比較

選取20個間隔相同的離散點，任意賦值（基本符合霧區特點），任意選定，且，求點的值。

由雨霧處理線程來采集這20個點的值，構造雨霧濃度曲線，代入，得到。再用Matlab曲線擬合工具進行擬合代入，二者進行比較。多次做仿真實驗，某次仿真結果如表1所示。

由表1可知，雨霧處理線程的處理結果是與Matlab的仿真效果基本相同，進一步說明改進后的算法可提高低流量霧區交通事件的識別率。

5 結語

在傳統算法設計思想的基礎上，通過對雨霧濃度對交通狀態參數影響的研究，設計了適用于霧區環境的低流量交通事件識別算法。算法主要對部分雨霧信息的采集處理來完整刻畫整個霧區的分布情況，從而確定影響交通狀態參數的相關區間，并提出了對該區間算法的修正算法。對于交通管理者而言，可以快速地發現霧區低流量情況下存在的交通事件，避免事件影響范圍的擴大和影響程度的加深。對于提高交通管理的效率上，改善交通管理的效果也具有十分重要的現實意義。

參考文獻

[1]姜桂艷.道路交通狀態判別技術與應用[M].北京：人民交通出版社，2004：192-210.

[2]楊志勇，馬紅偉，陳小平.基于模糊邏輯的高速公路事件檢測算法研究[J].重慶交通大學學報（自然科學版），2013，（6）：1247-1251.

[3]白竹.城市主干路交通異常狀態自動判別方法研究[D].吉林大學，2006.

[4]姜桂艷，溫慧敏，楊兆升.高速公路交通事件自動檢測系統與算法設計[J].交通運輸工程學報，2001，（1）：77-81.

[5]楊志勇.基于模糊邏輯的高速公路事件檢測算法仿真研究[J].公路，2015，（2）：122-125.

[6]王浩淼，冉斌，雷怡，等.手機信令數據支持下高速公路檢測器布設研究[J].道路交通與安全，2016，（5）：52-58.

[7]李琦.高速公路交通事件自動檢測算法[J].哈爾濱工程大學學報，2013.9：1193-1198.

[8]韋旭棉.基于固定型檢測器的高速公路自動事件檢測算法研究[D].山東大學，2011.

[9]李紅偉，陸鍵，姜桂艷，等.快速路交通事件檢測方法[J].東南大學學報（自然科學版），2013，（3）：649-653.