專利名稱：一種高速公路交通事件自動(dòng)檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于交通智能管理和控制技術(shù)領(lǐng)域，涉及一種可處理數(shù)據(jù)缺失情況的高速公路交通事件自動(dòng)檢測(cè)的方法，具體為一種基于加樹樸素貝葉斯分類器的高速公路交通事件自動(dòng)檢測(cè)方法，用于高速公路管理系統(tǒng)中對(duì)交通事件存在與否進(jìn)行實(shí)時(shí)自動(dòng)檢測(cè)。
背景技術(shù)：
交通事件定義為造成道路通行能力下降，擾亂正常交通流的，隨機(jī)的、偶發(fā)的事件，如車禍、車輛拋錨、道路損壞、貨物散落等。交通事件是造成道路擁擠的重要因素，據(jù)國(guó)外相關(guān)統(tǒng)計(jì)，交通事件導(dǎo)致了城市區(qū)域的52 58%的交通擁擠，造成約兩百萬輛小時(shí)的延誤，由此產(chǎn)生的旅行時(shí)間和額外燃料消耗損失折合約四千萬美元。事件管理系統(tǒng)是減少交通事件損失的有效工具，其主要包括信息采集、事件檢測(cè)、 事件評(píng)估、事件響應(yīng)等模塊。其中實(shí)時(shí)檢測(cè)算法正是事件檢測(cè)模塊的核心技術(shù)。準(zhǔn)確而迅速的事件檢測(cè)可以直接減少事件造成的負(fù)面影響，而傳統(tǒng)的人工檢測(cè)方法耗時(shí)較長(zhǎng)，已經(jīng)難以滿足高效的要求。事件檢測(cè)算法的基本原理是根據(jù)實(shí)時(shí)檢測(cè)的交通流數(shù)據(jù)，如占有率、 速度、流量等，通過一系列分析，識(shí)別交通流的異常變化，以判斷路段是否發(fā)生事件。雖然， 近年來，視頻識(shí)別技術(shù)也被應(yīng)用在了事件檢測(cè)中，但由于其無法全區(qū)域覆蓋、全天候工作， 因此目前基于交通流參數(shù)變化來檢測(cè)交通事件的方法是主要的研究方向。發(fā)明“采用人造神經(jīng)網(wǎng)絡(luò)和遺傳算法的高速公路事件自動(dòng)檢測(cè)系統(tǒng)”(CN1311880A)公開了一種基于神經(jīng)網(wǎng)絡(luò)的交通事件檢測(cè)算法，其檢測(cè)性能較優(yōu)，但神經(jīng)網(wǎng)絡(luò)是黑箱結(jié)構(gòu)，在實(shí)際過程中難以應(yīng)用。發(fā)明“基于偏最小二乘原理的高速公路交通事件自動(dòng)檢測(cè)方法”(CN 100481153C)算法結(jié)構(gòu)較為簡(jiǎn)單，但難以處理數(shù)據(jù)缺失的情況。而在實(shí)際的數(shù)據(jù)采集中，由于檢測(cè)器數(shù)量多、 且一直處于工作狀態(tài)，經(jīng)常會(huì)出現(xiàn)設(shè)備故障、程序出錯(cuò)或檢測(cè)失敗的情況，造成某一時(shí)段的交通流參數(shù)缺失，因此事件檢測(cè)算法必須克服這一困難。

發(fā)明內(nèi)容
本發(fā)明要解決的技術(shù)問題是針對(duì)現(xiàn)有技術(shù)中存在的處理數(shù)據(jù)缺失缺陷，提出一種可處理數(shù)據(jù)缺失情況的高速公路交通事件自動(dòng)檢測(cè)方法，其檢測(cè)率、誤報(bào)率和平均檢測(cè)時(shí)間均有較好的表現(xiàn)，且可以處理數(shù)據(jù)缺失的情況。本發(fā)明的技術(shù)方案為一種高速公路交通事件自動(dòng)檢測(cè)方法，在處理數(shù)據(jù)缺失情況下對(duì)高速公路交通事件進(jìn)行自動(dòng)檢測(cè)，包括以下步驟步驟1)設(shè)置公路檢測(cè)系統(tǒng)，包括感應(yīng)線圈和視頻設(shè)備，按照設(shè)定采樣步長(zhǎng)采集檢測(cè)區(qū)的實(shí)時(shí)交通流數(shù)據(jù)，包括上下游交通流量、速度和車道占有率，采樣步長(zhǎng)設(shè)為30秒鐘；步驟2)收集檢測(cè)區(qū)的交通流數(shù)據(jù)，整理為訓(xùn)練數(shù)據(jù)集，并對(duì)采集的實(shí)時(shí)交通流數(shù)據(jù)進(jìn)行預(yù)處理，步驟為
21)對(duì)采集到的實(shí)時(shí)交通流數(shù)據(jù)進(jìn)行歸一化處理，將各交通流數(shù)據(jù)全部轉(zhuǎn)化為
區(qū)間內(nèi)的值
權(quán)利要求
1. 一種高速公路交通事件自動(dòng)檢測(cè)方法，其特征是在處理數(shù)據(jù)缺失情況下對(duì)高速公路交通事件進(jìn)行自動(dòng)檢測(cè)，包括以下步驟 步驟1)設(shè)置公路檢測(cè)系統(tǒng)，包括感應(yīng)線圈和視頻設(shè)備，按照設(shè)定采樣步長(zhǎng)采集檢測(cè)區(qū)的實(shí)時(shí)交通流數(shù)據(jù)，包括上下游交通流量、速度和車道占有率，采樣步長(zhǎng)設(shè)為30秒鐘； 步驟2)收集檢測(cè)區(qū)的交通流數(shù)據(jù)，整理為訓(xùn)練數(shù)據(jù)集，并對(duì)采集的實(shí)時(shí)交通流數(shù)據(jù)進(jìn)行預(yù)處理，步驟為21)對(duì)采集到的實(shí)時(shí)交通流數(shù)據(jù)進(jìn)行歸一化處理，將各交通流數(shù)據(jù)全部轉(zhuǎn)化為
區(qū)間內(nèi)的值
2.根據(jù)權(quán)利要求1所述的一種高速公路交通事件自動(dòng)檢測(cè)方法，其特征是步驟22)中，熵的數(shù)學(xué)定義為設(shè)k是不同的類標(biāo)號(hào)數(shù)，Hli是劃分的第i個(gè)區(qū)間中值的個(gè)數(shù)，Hlu是區(qū)間i中類j的值的個(gè)數(shù)，第i個(gè)區(qū)間的熵ei由如下等式給出 其中，Pu = m.j/m,是第i個(gè)區(qū)間中類j的概率，也就是值的比例，該劃分的總熵e是每個(gè)區(qū)間的熵的加權(quán)平均，即 其中，m是值的個(gè)數(shù)，Wi =HiiAi是第i個(gè)區(qū)間的值的比例，而η是區(qū)間個(gè)數(shù)，根據(jù)訓(xùn)練數(shù)據(jù)集應(yīng)用基于熵的離散化方法獲得離散化的界值的步驟為221)將從O開始，每隔0.01取一值，一直取到1，得到一個(gè)包含101個(gè)數(shù)的潛在區(qū)間邊界集合Μ;222)依次取M中的元素a作為區(qū)間邊界劃分為兩個(gè)區(qū)間，然后計(jì)算該劃分的總熵；223)取使總熵最小的M中的元素mM乍為最終的區(qū)間邊界，將連續(xù)的交通流參數(shù)二元離散化；224)根據(jù)nf將集合M分為兩個(gè)集合，Ml和M2，作為各區(qū)間再次劃分的潛在區(qū)間邊界集合，對(duì)熵較大的區(qū)間重復(fù)步驟步驟22 和22 ，從而使劃分區(qū)間的個(gè)數(shù)為3，應(yīng)用訓(xùn)練數(shù)據(jù)集，使用上述基于熵的方法，得到各變量的離散化的界值。
3.根據(jù)權(quán)利要求1所述的一種高速公路交通事件自動(dòng)檢測(cè)方法，其特征是步驟31)中， 加樹樸素貝葉斯分類器的結(jié)構(gòu)學(xué)習(xí)和參數(shù)學(xué)習(xí)分別為 最大權(quán)重生成樹MWST算法步驟如下311)通過訓(xùn)練數(shù)據(jù)集計(jì)算各交通流屬性變量之間的條件互信息ΣP(a,,a Ic)P(a,a^c)log^V ' J ' 7 —Al^c1 } ^ Pia^Pia^c)其中Ai與Aj表示模型中任意兩個(gè)不同交通流屬性變量，a,和…分別表示Ai與Aj的一個(gè)可能的取值，C為表征事件有無的分類變量；312)建立一個(gè)節(jié)點(diǎn)為全部屬性變量，以IC)為弧的權(quán)重的加權(quán)完全無向圖，所述節(jié)點(diǎn)不包括分類變量C;313)建立一個(gè)最大權(quán)重跨度樹；314)選擇一個(gè)根節(jié)點(diǎn)，設(shè)置所有邊的方向是由根節(jié)點(diǎn)向外，從而將無向樹轉(zhuǎn)換為有向樹；315)添加分類變量C，并添加從分類變量與屬性變量之間的連接，得到加樹樸素貝葉斯、分類器的結(jié)構(gòu)；最大似然估計(jì)的方法為，設(shè)一個(gè)由η個(gè)變量X= (X1, X2,…，XJ組成的加樹樸素貝葉斯分類器N，設(shè)其中的節(jié)點(diǎn)&， = 1，2，…，η，共有A個(gè)取值1，2，…，ri;其父節(jié)點(diǎn)Pa(Xi) 的取值共有(Ii個(gè)組合1，2，…，ri;則貝葉斯網(wǎng)絡(luò)的參數(shù)為 Pijk = P(Xi = k|pa (Xi) = j)其中i的取值范圍是1 n，對(duì)一個(gè)固定的i，j和k的取值范圍分別是從1 Qi及1 ri;設(shè)D= (D1,D2, -,Dffl)是關(guān)于這些變量的一組獨(dú)立同分布的數(shù)據(jù)，則P的對(duì)數(shù)似然函數(shù)為
4.根據(jù)權(quán)利要求1所述的一種高速公路交通事件自動(dòng)檢測(cè)方法，其特征是步驟32)所述團(tuán)樹傳播算法為首先構(gòu)建一個(gè)覆蓋加樹樸素貝葉斯分類器的團(tuán)樹J，用加樹樸素貝葉斯分類器中的概率函數(shù)將團(tuán)樹J初始化，并且設(shè)置證據(jù)；然后，任選一個(gè)團(tuán)Cp作為樞紐節(jié)點(diǎn)，進(jìn)行信息傳遞，信息傳遞分為收集和分發(fā)兩個(gè)階段，在信息收集階段，算法從J的葉節(jié)點(diǎn)開始，逐步朝樞紐節(jié)點(diǎn)方向傳遞信息，在信息分發(fā)階段，算法從樞紐節(jié)點(diǎn)開始，逐步朝J 的各個(gè)葉節(jié)點(diǎn)方向傳遞信息，最后，進(jìn)行答案提取，對(duì)非證據(jù)變量Y，算法首先找到一個(gè)包含 Y的團(tuán)CY，然后從Cy提取后驗(yàn)分布，即得到推理結(jié)果。
全文摘要
一種高速公路交通事件自動(dòng)檢測(cè)方法，在處理數(shù)據(jù)缺失情況下對(duì)高速公路交通事件進(jìn)行自動(dòng)檢測(cè)，包括以下步驟檢測(cè)系統(tǒng)通過感應(yīng)線圈或者視頻檢測(cè)設(shè)備按照設(shè)定的時(shí)間間隔采集檢測(cè)區(qū)的實(shí)時(shí)交通流信息；對(duì)采集的實(shí)時(shí)交通流信息，進(jìn)行歸一化與離散化等預(yù)處理；將預(yù)處理后的數(shù)據(jù)輸入采用基于加樹樸素貝葉斯分類器的檢測(cè)算法得到發(fā)生事件的后驗(yàn)概率；對(duì)得到的后驗(yàn)概率進(jìn)行指數(shù)平滑處理，若平滑后的后驗(yàn)概率值高于閾值則發(fā)出警報(bào)，通知交通管理部門采取相應(yīng)的措施清楚事件，否則繼續(xù)采集數(shù)據(jù)，進(jìn)行下一次判斷；本發(fā)明方法檢測(cè)率高，誤報(bào)率低，檢測(cè)時(shí)間短，并可以處理缺失數(shù)據(jù)，可廣泛應(yīng)用于高速公路管理系統(tǒng)中。
文檔編號(hào)G08G1/042GK102436740SQ201110302508
公開日2012年5月2日 申請(qǐng)日期2011年9月29日 優(yōu)先權(quán)日2011年9月29日
發(fā)明者李大韋, 程琳 申請(qǐng)人:東南大學(xué)