基于GPS數據的高速公路車輛異常行為檢測

楊龍海，徐 洪，張 春

(1. 哈爾濱工業大學 交通科學與工程學院，黑龍江 哈爾濱 150090； 2. 重慶市交通規劃研究院，重慶 401147)

0 引 言

高速公路交通擁擠和交通安全已成為現今交通領域的一個重要研究課題。車輛異常行為是造成高速公路擁擠、引起交通事故的重要原因。高速公路車輛異常行為主要有車輛超速行駛、車輛低速行駛、倒車逆行、緊急制動、臨時停車、緊急停車、軌跡異常等。車輛速度、加速度變化是連續變化的曲線，車輛表現出以上異常行為都存在著一個變化過程，最終呈現出穩定狀態。

若能在車輛開始出現異常行為變化時就對車輛行為進行檢測判斷、提示預警，當車輛達到最終狀態時即能馬上判斷出該車狀態，并提出最終預警，這將大大縮短車輛事件檢測時間、及時預警和上報管理中心，能快速對該事件進行處理、預防二次事故的發生。可見，實時進行車輛異常行為檢測有助于預防高速公路二次事故發生，減少高速公路擁擠度，降低車輛延誤，提高高速公路運行效率，進而實現低碳安全出行目標。車輛異常行為檢測早期主要采取移動電話、緊急電話、路政巡邏等手段向交通監控中心通報信息。這類在事件發生地由目擊者“手工”識別的方法，易時滯并延長事故清除時間，起不到預防處理的作用。所以研究車輛異常行為自動檢測算法，對其進行動態反饋已成為研究者們的一個重要研究方向。

車輛異常行為檢測大致分為兩類。一是基于視頻數據進行檢測，SANG Haifeng等[1]通過視頻數據對車輛速度和軌跡進行跟蹤檢測分析；邱凌赟等[2]提出了一種基于車道模型知識自底向上的車輛異常檢測方法；羅金滿等[3]采用高斯混合模型對車輛跟蹤路徑和車速進行估計，然后對事件進行判斷。第二類是基于智能手機終端數據進行檢測，陳愷[4]和周后飛等[5]分別根據手機檢測車輛的加速度、轉角等參數對車輛異常行為進行檢測；趙燕等[6]根據手機定位數據建立了基于云計算的移動公路運輸監管系統。此外，還有學者通過GPS數據或者仿真數據進行研究，I.MOHAMAD等[7]采用GPS數據及方向盤轉角對車輛加速過快、減速過快和頻繁變道等3種駕駛行為進行了檢測；楊志勇[8]通過仿真數據分析提出基于模糊邏輯的高速公路異常事件檢測算法。

國內外對高速公路車輛異常行為檢測研究主要還是基于視頻，并借助其他車輛檢測裝置對車輛軌跡進行檢測判斷。雖都具有較好的檢測效果，但針對高速公路視頻裝置不完善的路段和沒有相應參數檢測裝置的車輛，現有算法則不能對這些情況下的異常行為進行檢測判斷。

針對這一問題，筆者提出設計一個高精度GPS單向通訊定位裝置。該裝置為盒狀，在車輛進入高速公路系統時發給車輛，錄入車輛相應信息，如車牌號、駕駛員等，車輛離開高速公路時收回。這樣可確保高速公路上的所有車輛都具有高精度GPS定位裝置，其定位精度為厘米級，定位間隔為1s甚至更短。單向通訊是指交通管理中心可根據車輛GPS數據進行處理分析，判斷車輛是否出現異常，若有異常則對車輛提出預警。

在這個背景下，筆者針對如何采用GPS數據對車輛異常行為檢測判斷進行了研究。主要工作有：① 利用車載GPS裝置實時采集車輛定位信息，提出了車輛異常行為檢測方法框架，并分析了超速、倒車逆行、低速行駛、緊急制動、臨時停車、緊急停車等7類異常行為的GPS數據特性。② 設計了基于GPS數據的車輛異常行為分級檢測算法。③ 通過VISSIM軟件對各類異常行為進行模擬仿真，利用檢測率、誤報率這2個指標對設計算法進行評價分析。

1 方法框架

筆者提出的車輛異常行為檢測方法框架如圖1。方法流程包括：① 通過車載GPS裝置獲得車輛動態數據；② 將GPS數據通過坐標轉換得到高斯坐標下的數據；③ 提取經轉換后的車輛動態參數特征；④ 采用標準偏差法和神經網絡對車輛行為進行識別，并對識別車輛異常行為進行分級預警。

圖1 方法框架Fig. 1 The framework of the proposed method

值得注意的是，文中方法是采用一輛車的特征信息進行異常行為判斷。由研究背景中所有車輛都具有GPS定位裝置，故完全可根據多輛車的GPS定位信息，進而提取車輛運行特征信息。但由于筆者研究檢測的異常行為主要是單車獨立異常行為，如緊急變速、停車、逆行等，這些行為在不考慮其它車信息下也能進行判斷，為減小算法運行負荷，所以采用單輛車定位信息進行異常行為判斷。

2 車載GPS數據

車載GPS能實時反饋車輛動態信息，包括車輛ID、反饋時間、車輛經緯度等。這些數據主要表現出兩個特征：一是針對每輛車，該定位數據均是一個時間序列數據，可獲得車輛連續的運行特性；二是每輛車有一個位置定位，可獲得車輛之間的相對位置特性。根據定位時間序列數據可計算出車輛的速度、加速度，從而可對單車駕駛行為進行實時監測；根據車輛間相對位置信息可大致估算車輛間的車頭間距、車頭時距等信息，從而可對跟車過近等危險駕駛行為進行檢測；將高速公路分段后，還可計算出路段上車輛平均速度和平均密度等參數，進而能從宏觀上對高速公路運行情況進行評價。

GPS裝置反饋定位坐標系為WGS-84全球坐標系，而文章采用的坐標系為1954年北京坐標系，故在進行數據分析前，首先需將車輛定位坐標進行轉換[9]。經過坐標轉換后，即可對車輛加速度、速度等參數進行計算，如式(1)、(2)。

(1)

(2)

通過GPS實驗和VISSIM軟件仿真獲得車輛在超速、倒車逆行、低速行駛、緊急制動、臨時停車、緊急停車和正常行駛時的車輛定位數據，計算出車輛速度和加速度變化，分析參數變化情況。定位數據為1 s，幾種車輛行為狀況下的參數變化如圖2。

由圖2(a)可知：高速公路車輛正常行駛過程中，車輛速度、加速度是不斷波動的，加速度波動范圍為[-1.5,1.5]，速度則在110 km/h上下。

由圖2(b)可知：高速公路車輛超速時，其加速度變化同正常情況下的加速度變化無明顯差別，而速度則由正常速度緩慢加速，超過最高限速120 km/h，在140 km/h左右波動。

由圖2(c)可知：車輛發生臨時停車時，其速度存在一個正常減速過程，由110 km/h到停車大約25 s；在制動過程中減速度變化不劇烈，最大減速度為-2 m/s2左右。

由圖2(d)可知：車輛在低速行駛時，存在一個由正常速度減速至最低限速以下過程(或進入高速公路就采用低速行駛)；在低速行駛中，車輛速度低于高速公路最低限速(60 km/h)，而加速度變化同正常行駛中的變化無明顯區別。

由圖2(e)可知：車輛在發生緊急停車時包含兩個過程，一是緊急制動，二是停車。車輛從100 km/h減速為0大約8 s；制動過程中減速度變化劇烈，快速達到最大減速度-6 m/s2，然后逐漸減小。發生緊急制動、緊急停車時車輛減速度大于正常行駛過程中駕駛員采用的一般減速度，會使駕駛員產生不舒適感。

由圖2(f)可知：車輛先減速為0，然后反向加速行駛，車輛在倒車逆行過程中速度為負值，此時對應的加速度負值表示車輛逆向加速，而正值表示該車減速，在倒車逆行過程中其加速度變化不大。車輛在高速公路出行倒車逆行行為，主要存在3種情況：車輛錯過匝道，減速倒車；車輛錯過匝道，掉頭逆行；對向車道車輛越過中央分隔帶逆行。前兩種情況都是車輛減速為0，然后速度為負值的過程；而第3種情況車輛速度直接為負值。

圖2 不同車輛行為的參數變化Fig. 2 Parameters curves corresponding to various vehicle behaviors

綜合分析這6種駕駛行為發現，車輛只有在緊急制動下，其加速度則劇烈變化。臨時停車過程中，減速度最大值略大于正常行駛中的波動值。發生以上幾種異常行為時，車輛速度都存在變化過程，且最終值存在明顯差異。因此根據速度的最終大小、正負情況以及加減速度變化劇烈情況可對上述幾類異常行為進行分類檢測。

3 車輛異常行為分級檢測算法

3.1 分類規則

基于對GPS定位數據分析，車輛在運行過程中其參數變化是非線性、隨機、時變的，車輛異常行為分類可看作一個非線性分類識別問題。人工神經網絡具有較好的非線性映射、分類與識別、優化計算等功能，因此筆者設計采用神經網絡進行車輛異常行為檢測。類似研究也較多，如LU Jian等[10]曾提出過偏最小二乘法和神經網絡混合模型進行高速公路事件檢測。

采用BP神經網絡作為車輛異常行為檢測分類器，將連續N次定位的車輛速度、加速度作為輸入參數，采用神經網絡對參數進行數據趨勢分析，判斷事件類型。以正常行駛、超速、倒車逆行、低速行駛、緊急制動、停車行為這6種車輛駕駛行為作為神經網絡輸出結果。

神經網絡的6種狀態大致分類規則如下：

1)超速行為：在連續定位參數序列中，后50%的速度值都超過高速公路規定最高限速(設定為120 km/h)，且從加速度趨勢中分析該狀態較為穩定，沒有下降趨勢。

2)倒車逆行行為：在定位數據中檢測到速度值為負值，且其后續沒有大于0的速度值。

3)低速行駛：在連續定位參數序列中，后50%速度值都低于高速公路規定最低限速(設定為60 km/h)，且從加速度趨勢中分析該狀態較為穩定，沒有加速趨勢。

4)緊急制動：對應不同速度下，判斷緊急制動減速度閾值是不同的，所以通過神經網絡訓練學習，根據車輛速度和減速度來判斷車輛是否發生緊急制動。

5)停車行為：在定位數據中檢測到速度值減為0，且其對應加速度也為0，后續車輛仍靜止不動。

6)正常行為：除上述5種情況的其他狀態。

圖3 分級檢測算法Fig. 3 Hierarchical detection algorithm

3.2 分級反饋預警系統

神經網絡分類器對車輛行為進行分類識別，識別之后系統需要對異常行為進行反饋預警。由于交通管理法規在對超速等行為進行處罰時，考慮了違規行為對交通流影響的大小，規定了不同等級的處罰措施。可見，針對相同的違規駕駛行為，其影響程度也不相同，所以筆者進行了分級反饋預警系統設計，如圖3。

3.2.1 超速分級預警

1)1級超速預警：檢測到超速車輛在tk時刻速度超速20%以下。

2)2級超速預警：檢測到超速車輛在tk時刻速度超速20%以上，50%以下。

3)3級超速預警：檢測到超速車輛在tk時刻速度超速50%以上。

3.2.2逆行分級預警

1)1級逆行預警：檢測到逆行車輛在tk時刻逆行速度小于20 km/h。

2)2級逆行預警：檢測到逆行車輛在tk時刻逆行速度大于20 km/h，小于40 km/h。

3)3級逆行預警：檢測到逆行車輛在tk時刻逆行速度大于40 km/h。

3.2.3 停車分級預警

1)緊急制動預警：檢測到車輛發生緊急制動行為。

2)低速行駛預警：檢測到車輛發生低速行駛行為。

3)臨時停車預警：檢測到車輛發生停車行為，且前兩次判斷中沒有發生緊急制動行為。

4)緊急停車預警：檢測到車輛發生停車行為，且在前兩次判斷中有發生緊急制動行為。

筆者提出分級檢測算法，通過神經網絡對車輛行為進行分類識別后，根據異常行為分級預警原則，對車輛行為進行分級檢測。

綜上所述，基于GPS定位數據的高速公路車輛異常行為檢測算法主要包括：提取車輛動態參數、采用神經網絡對車輛駕駛行為狀態識別、針對不同異常駕駛行為進行分級預警。

4 檢測算法性能評價

4.1 數據來源

通過4輛裝有GPS裝置的車輛在哈爾濱某高速公路(最高限速為120 km/h，最低限速為60 km/h)上模擬超速、低速行駛、臨時停車、緊急制動等駕駛行為，獲得車輛GPS定位數據。此外通過VISSIM軟件仿真各種駕駛行為，并對實驗數據進行補充。最后獲得樣本數據共1 120組，其中超速樣本204組，倒車逆行樣本142組，低速行駛200組，緊急制動74組，停車行為200組(臨時停車126組，緊急停車74組)，正常行駛樣本300組。其中緊急制動、緊急停車、逆行這3種行為仿真數據占50%；超速、低速、臨時停車、正常行為對應的仿真數據占20%。

將上述數據分為訓練集和測試集兩個部分，其中約2/3用于神經網絡訓練，剩余部分用于測試。采用檢測率(detection rate, DR)、誤報率(false alarm rate, FAR)對所提出的檢測算法性能進行評價。兩個檢測指標的計算如式(3)、(4)。

檢測率RDR：

(3)

誤報率RFAR：

(4)

式中：Ep為實際檢測事件數；Ef為實際發生事件數；Ae為事件檢測誤報警數；Al為事件檢測報警數。

4.2 參數標定

設計算法中需要標定的參數有神經網絡輸入層所需要的連續定位次數N，神經網絡隱含層神經元個數P，以及神經網絡中其它相應參數。在確定參數N取值時，首先確定初始值N=3，然后以步距為1進行調整，選取檢測效果最好時參數N的取值。隱含層神經元個數P的取值方法采用王立威[11]所提出的方法，采用S型函數作為激勵函數，由有訓練誤差和期望誤差來確定最優隱含層個數。

經過實驗計算，當N=11，且隱含層含有19個神經元時，筆者所提出的算法檢測效果最好，即訓練神經網絡為22×19×6格式，訓練時間為1 s，用訓練好的網絡對數據進行分類，接近瞬間完成。

4.3 實驗結果分析

利用340組數據對訓練好的神經網絡進行測試，測試結果見表1。

表1 文中檢測算法檢測結果Table 1 Detection results of the proposed detection algorithm

由表1可看出：一共66組低速行駛數據，其中64組數據被正確檢測，一組被判定為正常行為，一組被判斷為緊急制動，所以低速行駛行為檢測率為97%；也可看出：低速行駛狀態共檢測到65組，正確檢測64組，另一組緊急制動狀態誤判為低速行駛狀態，其誤報率為1.53%；其他行為類別的檢測率和誤報率計算方法類似。

通過數據檢驗結果可發現：設計的算法在幾種駕駛行為判別中存在誤報現象。其中低速行駛誤判為正常行駛的，主要發生在車輛由正常行駛過渡到低速行駛過程時刻，這時存在著模糊性，導致誤判；低速行駛和緊急制動存在著相互誤判，以及緊急制動誤判為正常行駛，主要是由于判斷緊急制動減速度與對應速度存在著相關性，不能單純根據減速度大小來判斷緊急制動行為，這就增加了行為判斷的難度；由于緊急制動誤判，導致緊急停車檢測率下降，將緊急停車誤判為臨時停車。這些檢測率、誤判率還與訓練樣本數據有關，由于筆者采樣樣本不大，所以可能在誤報率上存在誤差，若加大訓練樣本和測試樣本，事件誤報率應該會有所下降。

總體來看，設計的分類檢測算法對各類異常行為檢測率都比較高，能夠較好地識別檢測各類車輛異常駕駛行為。

5 結 語

筆者通過高速公路車輛GPS定位數據，提取出車輛的速度、加速度、位置信息，將連續11次定位的車輛速度、加速度作為輸入參數，訓練出檢測性較好的神經網絡分類器，并設計了車輛異常行為分級檢測算法。通過實驗驗證，可看出：車輛異常行為分級檢測算法對車輛的超速、倒車逆行、低速行駛、緊急制動、臨時停車、緊急停車的識別效果令人滿意，具有檢測率高、分類精度高、速度快等特點。可見高速公路基于收發GPS單向通訊盒，獲得每輛車實時定位數據，根據筆者提出車輛異常行為檢測算法，能實時檢測車輛駕駛行為，實時反饋異常行為，有助于高速公路系統的智能管理，有效降低高速公路交通事故風險。

筆者提出的算法也存在某些不足。例如網絡訓練需要大量的樣本數據，各個駕駛行為檢測率沒達到100%，還存在著一定的誤報率。在接下來的研究中，筆者將改進車輛駕駛行為的分類算法，將模糊理論、關聯規則理論等融入到分類算法中，提高分類精度。此外，車輛異常行為反饋信息發布規則、發布范圍等方面也是今后的研究方向。

參考文獻(References)：

[1]SANG Haifeng, WANG Hui, WU Danyang. Vehicle abnormal behavior detection system based on video [C]//FifthInternationalSymposiumonComputationalIntelligenceandDesign. U.S.A: IEEE, 2012:132-135.

[2] 邱凌赟，韓軍，顧明.車道模型的高速公路車輛異常行為檢測方法[J].計算機應用，2014，34(5)：1378-1382.

QIU Lingyun, HAN Jun, GU Ming. Abnormal behavior detection for highway vehicle based on lane model[J].JournalofComputerApplications, 2014, 34(5): 1378-1382.

[3] 羅金滿，朱娟.基于視頻圖像的高速公路車輛檢測算法研究[J].計算機工程與設計，2011，32(2)：642-645.

LUO Jinman, ZHU Juan. Research on highway vehicle detection algorithms based on video image[J].ComputerEngineeringandDesign, 2011, 32(2): 642-645.

[4] 陳愷.基于移動智能終端的高速公路異常駕駛行為檢測技術[D].杭州：浙江大學，2015：24-54.

CHEN Kai.AnomalousOn-FreewayDrivingBehaviorDetectionBasedonSmartMobileDevices[D]. Hangzhou: Zhejiang University, 2015: 24-54.

[5] 周后飛，劉華平，石紅星.智能手機車輛異常駕駛行為檢測方法[J].智能系統學報，2016，11(3)：410-417.

ZHOU Houfei, LIU Huaping, SHI Hongxing. Abnormal driving behavior detection based on the smart phone[J].CAAITransactionsonIntelligentSystems, 2016, 11(3): 410-417.

[6] 趙燕，杜文廣，楊勇.基于云計算的移動公路運輸監管系統[J].重慶交通大學學報(自然科學版)，2014，33(5)：120-123.

ZHAO Yan, DU Wenguang, YANG Yong. Mobile highway transporta-

tion monitoring and management system based on cloud computing [J].JournalofChongqingJiaotongUniversity(NaturalScience), 2014, 33(5): 120-123.

[7] MOHAMAD I, ALI M, ISMAIL M. Abnormal driving detection using real time global positioning system data[C]//Proceedingofthe2011IEEEInternationalConferenceonSpaceScienceandCommunica-

tion. U. S. A: IEEE, 2011:1-6.

[8] 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仿真研究[J].重慶交通大學學報(自然科學版)，2013，32(6)：1247-1251.

YANG Zhiyong, MA Hongwei, CHEN Xiaoping. Freeway incident detection algorithm based on fuzzy logic [J].JournalofChongqingJiaotongUniversity(NaturalScience), 2013, 32(6): 1247-1251.

[9] 向前勇，王章瑞，許方華，等.GPS導航數據的提取和坐標轉換[J].儀器儀表用戶，2009，16(4)：70-71.

XIANG Qianyong, WANG Zhangrui, XU Fanghua, et al. Data extracting and coordinate changing in GPS[J].ElectronicInstrumentationCustomer, 2009, 16(4): 70-71.

[10] LU Jian, CHEN Shuyan, WANG Wei, et al. A hybrid model of partial least squares and neural network for traffic incident detection [J].ExpertSystemswithApplications, 2012, 39(5): 4775-4784.

[11] 王立威.人工神經網絡隱層神經元數的確定[D].重慶：重慶大學，2012：23-34.

WANG Liwei.DeterminationofNumberofANNs’HiddenLayerNeurons[D]. Chongqing: Chongqing University, 2012: 23-34.