自動(dòng)事件檢測算法綜述

自動(dòng)事件檢測算法綜述

20世紀(jì)60年代，事件檢測系統(tǒng)發(fā)展起來，形成了如圖1所示的各種檢測方法和技術(shù)。隨著電子技術(shù)、通信技術(shù)和計(jì)算機(jī)科學(xué)的快速發(fā)展，以及其發(fā)展趨勢，間接檢測方法已成為當(dāng)前識(shí)別系統(tǒng)中使用的主要方法。1國內(nèi)外檢測算法目前應(yīng)用的各種事件自動(dòng)檢測算法,除直接檢測方法——視頻檢測法外,大致可分為基于模式識(shí)別的算法(或稱比較算法)、基于統(tǒng)計(jì)技術(shù)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理論的算法.限于篇幅,文中介紹國內(nèi)外主要應(yīng)用的檢測算法.1.1確定分辨率occ這類算法是根據(jù)事件產(chǎn)生前后交通變量的差值是否超過某一給定的閾值來判斷事件,進(jìn)而激發(fā)事件報(bào)警.這類算法主要包括加利福尼亞(California)算法、莫尼卡(Monica)算法.下面介紹加利福尼亞算法.加利福尼亞算法開發(fā)于1965～1970年之間,由美國加利福尼亞運(yùn)輸部開發(fā).該算法是雙截面算法,它基于事件發(fā)生時(shí)上游截面占有率將增加,下游截面占有率將減少這一事實(shí).該算法以1min的平均占有率為判斷依據(jù).設(shè)路段i處的檢測器在時(shí)刻t(單位為min)時(shí)采集到的平均占有率為OCC(i,t),則有下面3個(gè)判斷條件.OCCDF=OCC(i,t)?OCC(i+1,t)≥K1(1)OCCRDF=OCC(i,t)?OCC(i+1,t)OCC(i,t)≥K2(2)OCCTD=OCC(i+1,t?2)?OCC(i+1,t)OCC(i+1,t?2)≥K3(3)ΟCCDF=ΟCC(i,t)-ΟCC(i+1,t)≥Κ1(1)ΟCCRDF=ΟCC(i,t)-ΟCC(i+1,t)ΟCC(i,t)≥Κ2(2)ΟCCΤD=ΟCC(i+1,t-2)-ΟCC(i+1,t)ΟCC(i+1,t-2)≥Κ3(3)式中:K1,K2,K3為判斷閾值,該閾值應(yīng)該根據(jù)路段的特點(diǎn)及時(shí)間段適當(dāng)選取,閾值的選擇與檢測效果息息相關(guān).式(1)為衡量上下游占有率的差值;式(2)為衡量上下游占有率的相對(duì)差值;式(3)為衡量相鄰下游處前后兩分鐘內(nèi)占有率的相對(duì)差值.隨后在加利福尼亞算法的基礎(chǔ)上,又出現(xiàn)了一系列改進(jìn)的算法,其中效果比較好的是California#7和California#8算法.加利福尼亞算法的主要缺點(diǎn)是它只使用了與占有率相關(guān)的變量作為輸入,并未考慮流量、速度相關(guān)的數(shù)據(jù).其優(yōu)點(diǎn)主要是誤報(bào)率比較低.California#7、California#8和McMaster算法通常作為評(píng)價(jià)其他算法的標(biāo)準(zhǔn).1.2基于統(tǒng)計(jì)理論的事件檢測算法基于統(tǒng)計(jì)理論的事件檢測算法,主要包括:非參數(shù)回歸算法、變點(diǎn)統(tǒng)計(jì)算法、貝葉斯算法、標(biāo)準(zhǔn)正常偏差算法、卡爾曼濾波算法和指數(shù)平滑算法等.1.2.1非參數(shù)回歸算法非參數(shù)回歸(non-parametricregression)是近年來興起的一種適合不確定、非線性的動(dòng)態(tài)系統(tǒng)的非參數(shù)建模方法.它不需要先驗(yàn)知識(shí),只需要足夠的歷史數(shù)據(jù),尋找歷史數(shù)據(jù)中與當(dāng)前點(diǎn)相似的“近鄰”預(yù)測下一時(shí)刻值.因此,當(dāng)有交通事件發(fā)生時(shí),預(yù)測結(jié)果要比參數(shù)建模精確.非參數(shù)回歸作為一種無參數(shù)、可移植、高預(yù)測精度的算法,經(jīng)過對(duì)搜索算法和參數(shù)調(diào)整規(guī)則的改進(jìn),使其可以真正達(dá)到實(shí)時(shí)檢測交通流狀況,非常適合于實(shí)時(shí)交通事件檢測.1.2.2交通流參數(shù)分析變點(diǎn)統(tǒng)計(jì)分析(change-pointstatisticalanalyse)方法是近年來迅速發(fā)展起來的研究現(xiàn)實(shí)世界中突變現(xiàn)象的非線性統(tǒng)計(jì)學(xué)方法.2002年,王曉原教授利用變點(diǎn)統(tǒng)計(jì)理論建立了檢測交通異常的均值變點(diǎn)模型,并提出了基于最小二乘法的相應(yīng)的交通流變點(diǎn)統(tǒng)計(jì)算法.該算法基于當(dāng)交通流狀態(tài)發(fā)生突變時(shí),將以某一時(shí)間(或空間)位置為界面,在此界面兩側(cè),交通流參數(shù)發(fā)生質(zhì)的變化.對(duì)各種交通流參數(shù),如流量、速度、車道占有率等使用本方法時(shí),對(duì)其分布并無特別的要求.該算法應(yīng)用中顯示了較好的敏感性、準(zhǔn)確性和良好的全局收斂性.但是在用該算法進(jìn)行檢驗(yàn)時(shí),要用到大樣本.1.2.3期望的后驗(yàn)概率貝葉斯(Bayesian)算法使用的是著名的貝葉斯概率分類理論,分類結(jié)果的期望輸出可以表示為條件概率P[I/M].給定一個(gè)有事件和無事件交通條件的先驗(yàn)概率,就能夠使用貝葉斯定理計(jì)算出期望的后驗(yàn)概率,如式(4)所示.P[I/M]=P[I]×P[M/I]P[I]×P[M/I]+P[IF]×P[M/IF](4)Ρ[Ι/Μ]=Ρ[Ι]×Ρ[Μ/Ι]Ρ[Ι]×Ρ[Μ/Ι]+Ρ[ΙF]×Ρ[Μ/ΙF](4)式中:I為“有事件”事件;IF為“無事件”事件;M為觀測的交通流參數(shù);P[I]為“有事件”事件的先驗(yàn)概率;P[IF]為“無事件”事件的先驗(yàn)概率.該算法的檢測率很高,誤報(bào)率也比較低,但是其平均檢測時(shí)間比較長,不利于事件的實(shí)時(shí)檢測.1.3麥克馬斯特算法這類算法使用復(fù)雜的交通流理論描述和預(yù)測有事件發(fā)生和無事件發(fā)生的交通行為,將實(shí)測的交通流參數(shù)與預(yù)測的交通流參數(shù)進(jìn)行比較.這類算法主要有麥克馬斯特(McMaster)算法和低流量算法.下面主要介紹麥克馬斯特算法.麥克馬斯特算法是一種基于突變理論的算法.該算法基于以下前提:當(dāng)交通從擁擠狀態(tài)向非擁擠狀態(tài)變化時(shí),流量和密度變化平穩(wěn),而速度表現(xiàn)為突然的變化.圖2就是麥克馬斯特算法使用流量和占有率,對(duì)每個(gè)檢測站的交通狀態(tài)的劃分圖.圖中交通狀態(tài)分為4類,每一類狀態(tài)值都是通過歷史數(shù)據(jù)得到的.如果發(fā)現(xiàn)第2或第3類擁擠,算法就檢測下游檢測站的交通狀態(tài).根據(jù)周期性擁擠和事件引起的擁擠會(huì)產(chǎn)生不同的下游交通模式,判斷事件的發(fā)生.如果下游檢測站的交通狀態(tài)是1或2,就觸發(fā)事件警報(bào).如果下游檢測站的交通狀態(tài)是4就認(rèn)為是周期性擁擠.如果下游檢測站的交通狀態(tài)是3,則以同樣的方式檢查下游的檢測站交通狀態(tài).該算法較加利福尼亞算法有一些明顯的優(yōu)點(diǎn),比如同時(shí)使用流量和占有率作為輸入,考慮到了周期性擁擠的存在以及檢測時(shí)間比較短.但是其所需的臨界曲線難以標(biāo)定,算法的可靠性受到一定影響.1.4基于人工智能的檢測算法1.4.1模糊算法與隸屬函數(shù)模糊邏輯理論起始于20世紀(jì)60年代,1965年美國加利福尼亞大學(xué)教授L.A.Zadeh首次提出模糊集合概念.Chang和Wang(1994)提出了交通事件檢測的模糊算法,其主要思想是模糊規(guī)則形式的模糊知識(shí)庫,知識(shí)庫通過推理系統(tǒng)區(qū)分相應(yīng)的交通狀態(tài).基于模糊邏輯的檢測算法,其主要優(yōu)點(diǎn)是采用了模糊邏輯,消除了傳統(tǒng)算法由于采用閾值而引起的臨界決策區(qū).在該算法中,確定各個(gè)模糊集的隸屬函數(shù)是一項(xiàng)至關(guān)重要的工作,隸屬函數(shù)合適與否,直接影響到檢測率和誤報(bào)率.所以,隸屬函數(shù)的確定是該算法的難點(diǎn).該算法另一個(gè)突出優(yōu)點(diǎn)便是檢測時(shí)間短,如果隸屬函數(shù)恰當(dāng),檢測率和誤報(bào)率都比較理想.1.4.2在交通事件檢測方面的應(yīng)用交通流運(yùn)行狀態(tài)的變化是十分復(fù)雜的,其影響因素很多,隨機(jī)性很大.應(yīng)用神經(jīng)網(wǎng)絡(luò),極大地簡化了建模問題,避免了理論上對(duì)原有模型的修補(bǔ),可直接用交通流數(shù)據(jù)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)來描述交通流規(guī)律.1995年,RUEYL.CHEU和STEPHENG.RITCHIE將之應(yīng)用到高速公路交通堵塞檢測中,取到了很好的效果.在交通事件檢測方面所應(yīng)用到的神經(jīng)網(wǎng)絡(luò)類型主要有:多層感知器(MLP)網(wǎng)絡(luò)模型、概率神經(jīng)網(wǎng)絡(luò)(PNN)模型和模糊神經(jīng)網(wǎng)絡(luò)(FNN)模型.多層感知器(MLP)網(wǎng)絡(luò)模型其缺點(diǎn)是訓(xùn)練過程較為復(fù)雜,需要大量的學(xué)習(xí)樣本,而且學(xué)習(xí)時(shí)收斂速度較慢,存在局部極小問題.1990年,Specht將貝葉斯分類器用于神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn),提出了概率神經(jīng)網(wǎng)絡(luò)(PNN),PNN也是一種前饋網(wǎng)絡(luò),其實(shí)質(zhì)是基于貝葉斯最小風(fēng)險(xiǎn)準(zhǔn)則發(fā)展而來的一種并行算法.2002年,國內(nèi)的溫慧敏將其應(yīng)用到交通事件檢測中.模糊神經(jīng)網(wǎng)絡(luò)(FNN)是將模糊邏輯與神經(jīng)網(wǎng)絡(luò)相結(jié)合,使用神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)實(shí)現(xiàn)模糊邏輯系統(tǒng)的一種方式.2000年HojjatAdeli和AsimKarim利用模糊邏輯、徑向基函數(shù)網(wǎng)絡(luò)實(shí)現(xiàn)了事件自動(dòng)檢測.FNN的優(yōu)點(diǎn)主要有:算法收斂速度快;網(wǎng)絡(luò)中權(quán)值的意義清晰;較強(qiáng)的魯棒性和容錯(cuò)能力.1.5基于小波分析的事件檢測算法確定交通流突變小波分析在處理突變信號(hào)方面有著突出的表現(xiàn),有著很好的時(shí)頻特性局部特性.而公路交通流具有很大的慣性,除非發(fā)生交通事件,否則交通流不會(huì)發(fā)生突然的變化.基于小波分析的事件檢測算法就是將交通流的突變信息,經(jīng)小波變換提取出來,根據(jù)判斷邏輯得出是否有交通事件發(fā)生的結(jié)論.2常見事件檢測算法評(píng)價(jià)指標(biāo)檢測率(DR)定義為指定的時(shí)間段內(nèi)檢測到的交通事件數(shù)與實(shí)際發(fā)生引起交通能力下降的總事件數(shù)之比,以百分?jǐn)?shù)表示.誤警濾(FAR)定義為一定時(shí)間段內(nèi),誤報(bào)事件次數(shù)與算法檢測到的事件總次數(shù)之比,以百分?jǐn)?shù)表示,也可以表示為每時(shí)間段的誤報(bào)次數(shù).平均檢測時(shí)間(MTD)定義為從事件發(fā)生到檢測算法檢測到事件之間的平均時(shí)間間隔.根據(jù)美國加利福尼亞大學(xué)貝克利分校交通運(yùn)輸研究協(xié)會(huì)2002年1月公布的資料,一些常見事件檢測算法的評(píng)價(jià)指標(biāo)如表1所列.3道路交通事件檢測算法的應(yīng)用需要將從公路道路發(fā)展的視角出發(fā),對(duì)于道路交由于交通系統(tǒng)具有較強(qiáng)的非線性、模糊性和不確定性,各種現(xiàn)有的檢測算法都或多或少存在著不足之處.大多數(shù)算法在交通流高度稠密或中等稠密情況下可以取得較好的檢測效果,在低密度條件下其性能不高.另外,高速路發(fā)生交通異常后,受影響的主要是行駛在發(fā)生事件線路上的車輛,比較單純,因此