考虑气象因素、道路线形因素的高速公路事件检测方法
【专利摘要】本发明属于交通监测【技术领域】，公开了一种考虑气象因素、道路线形因素的高速公路事件检测方法，包括如下步骤：1)采集高速公路天气信息、路段线形信息和交通数据，获得气象参数、路段线形参数和交通参数；2)对气象参数、路段线形参数和交通参数进行预处理；3)将预处理后的气象参数、路段线形参数和交通参数输入BP神经网络，判断是否有事件发生。本发明采用模糊评估的方法，得到不同天气条件下、道路线形特征对交通流的影响因子，可以明显提高高速公路事件检测精度。
【专利说明】考虑气象因素、道路线形因素的高速公路事件检测方法
【技术领域】
[0001] 本发明属于交通监测【技术领域】，具体涉及一种高速公路事件检测方法。
【背景技术】
[0002] 高速公路事件是指高速公路上的偶发性事件，主要包括车辆交通事故、故障车停 车或缓行、货物散落和突发的自然灾害等。这样的事件发生会严重影响道路的畅通和安全， 如果不及时处理，就会中断交通流，阻塞交通、造成经济损失甚至引起二次事故造成人员伤 亡等更严重的后果。目前为了减少交通事件所造成的影响最主要的方法就是利用自动交通 事件检测算法来分析高速公路的实时交通信息，来尽快的判断出路段上是否有事件发生， 以便交通管理者可以及时的处理，从而减少二次事故的发生，并在一定程度上降低事件所 造成的影响。
[0003] 现有关于高速公路交通事件检测算法的文献中，大多数只是利用固定车检器提供 的交通参数，少数文献中利用浮动车参数对高速公路事件检测的过程进行建模分析。事实 上，在不同的气象环境下、不同的路段线形特征下交通流的规律有着明显的不同，仅仅利用 交通参数对交通流规律进行建模的方法并不能完全表征交通流规律的全部特性。因此，如 何利用高速公路的气象信息和路段线形特征对交通流规律进行完整的建模，对于高速公路 更有效、准确的进行交通事件检测有着重要的意义。
【发明内容】
[0004] 有鉴于此，本发明提供一种考虑气象因素、道路线形因素的高速公路事件检测方 法，可以明显提速公路事件检测精度。
[0005] 本发明通过以下技术手段解决上述技术问题：
[0006] 考虑气象因素、道路线形因素的高速公路事件检测方法，包括如下步骤：
[0007] 1)采集高速公路天气信息、路段线形信息和交通数据，获得气象参数、路段线形参 数和交通参数；
[0008] 2)对气象参数、路段线形参数和交通参数进行预处理；
[0009] 3)将预处理后的气象参数、路段线形参数和交通参数输入BP神经网络，判断是否 有事件发生。
[0010] 进一步，所述步骤1)中获取的气象参数包括降雨量J和能见度N;路段线形参数 包括当前检测路段的坡度P和曲率半径R;交通参数包括采集周期内的平均车速，采集周期 内车流量，以及采集周期内的平均占有率。
[0011] 进一步，所述步骤2)中，对气象参数进行如下预处理，获得气象因素对交通流的 影响因子a:
[0012] 设定降雨量J的论域是U1 = [0, 60]，根据降雨量J对交通流的影响分为三个模糊 标记：Sj = {小，中，大};
[0013] 设定能见度N的论域是Un = [0, 30]，根据N对车流特性的影响有三个模糊标记： Sn = {低，适中，高};
[0014] 设定输出的气象因素的影响因子a的论域是Ua = [0, 1];根据气象因素对事件 检测的影响，又分为三个模糊标记：Sa = {弱，一般，强};
[0015] 确定J=j和N=n条件下所被激活的模糊控制规则：：
[0016] IfJisSjandNissn，thenaisSa ;
[0017] 其中SjGSj,SnGSN，SaGSa ;
[0018] 通过规则中条件J下的隶属度h和条件N下的隶属度来获取的规则的隶属 度大小：
[0019]uA =min(uj,uN)；
[0020] 其中，A为任意被激活的规则；
[0021] 在得到被激活的模糊规则隶属度后，选择结论相同的规则，利用最大值推理法确 定在此结论下的隶属度，即
[0022] Uai=max(UA,UB. . . )i=I,2, 3 ；
[0023] 其中Ual，Ua2,Ua3分另Ij表示a的模糊标记：弱、适中和强，即 yA,yB...表不相同结论下规则A，B...隶属度的大小；
[0024] 最后，进行去模糊化，得到气象因素对交通流的影响因子：
[0025]
【权利要求】
1. 考虑气象因素、道路线形因素的高速公路事件检测方法，其特征在于：包括如下步 骤： 1) 采集高速公路天气信息、路段线形信息和交通数据，获得气象参数、路段线形参数和 交通参数； 2) 对气象参数、路段线形参数和交通参数进行预处理； 3) 将预处理后的气象参数、路段线形参数和交通参数输入BP神经网络，判断是否有事 件发生。
2. 如权利要求1所述的考虑气象因素、道路线形因素的高速公路事件检测方法，其特 征在于：所述步骤1)中获取的气象参数包括降雨量J和能见度N;路段线形参数包括当前 检测路段的坡度P和曲率半径R;交通参数包括采集周期内的平均车速，采集周期内车流 量，以及采集周期内的平均占有率。
3. 如权利要求2所述的考虑气象因素、道路线形因素的高速公路事件检测方法，其特 征在于：所述步骤2)中，对气象参数进行如下预处理，获得气象因素对交通流的影响因子 α： 设定降雨量J的论域是Ut = [0, 60]，根据降雨量J对交通流的影响分为三个模糊标 记：Sj = {小，中，大}; 设定能见度N的论域是Un = [0, 30]，根据N对车流特性的影响有三个模糊标记：SN = {:低，适中，高}; 设定输出的气象因素的影响因子α的论域是仏=[0，1];根据气象因素对事件检测 的影响，又分为三个模糊标记：Sa = {弱，一般，强}; 确定J=j和N=η条件下所被激活的模糊控制规则： IfJisSjandNissn，thenaissa ; 其中SjeSj,SneSN，SaeSa ; 通过规则中条件J下的隶属度μ和条件N下的隶属度μN来获取的规则的隶属度大 小： μA =min(μμΝ)； 其中，A为任意被激活的规则； 在得到被激活的模糊规则隶属度后，选择结论相同的规则，利用最大值推理法确定在 此结论下的隶属度，即 Uai =max(μΑ,μB. . . )i=I, 2, 3 ； 其中μα1，μα2,μ。3分别表示α的模糊标记：弱、适中和强，即μ5α ={μσ1，μα2,μα3}。 μΑ,μΒ...表不相同结论下规则A,Β...隶属度的大小； 最后，进行去模糊化，得到气象因素对交通流的影响因子： α=μ-Χ〇+μ-Χ〇·5 +μ-Χ? μ,Η+μ?2 +μ?3 。
4. 如权利要求2所述的考虑气象因素、道路线形因素的高速公路事件检测方法，其特 征在于：所述步骤2)中，对路段线形参数进行如下预处理，得到路段线形因素对交通流的 影响影子β: 设定坡度P的论域是Up= [0, 6 % ]，根据坡度P对交通流流特性的影响分为三个模糊 标记：Sp= {低，适中，高}; 设定曲率半径R的论域是Uk = [0, 3000]，根据曲率半径R对车流特性的影响有三个模 糊标记：SK = [小，中，大}; 设定路段线形因素对交通流的影响因子β的论域是Ue = [0，1];根据线形因素对事 件检测的影响，分为三个模糊标记：se = {弱，一般，强}; 确定P=P和R=r条件下所被激活的模糊控制规则： IfPisspandRissr,thenβiss0 ； 其中sresR,spesp,S0eS0 ; 确定P=P和R=r条件下所激活规则的隶属度，即μA =min(μΡ,μΕ)； 其中，A为任意被激活的规则，μρ和μκ分别为激活规则中条件P和R下的隶属度； 确定在此结论下的隶属度，即： μ0i=max(μΑ,μB. . . )i=I, 2, 3 ； 其中μM，μ02,μ03分别表示β的模糊标记：弱、适中和强，即％ =?μρι，μβ2，μβ3}。 μΑ,μΒ...表不相同结论下规则Α，Β...隶属度的大小； 进行去模糊化，得到线形因素的影响因子β，即 P_μβ1χ〇+μβ2χ〇·5+μβ3χ! Μ-ρι + M-p2 + Μ·β3 〇
5. 如权利要求2所述的考虑气象因素、道路线形因素的高速公路事件检测方法，其特 征在于：所述步骤2)中，对交通参数进行如下预处理： 对平均车速预处理采用以下公式： Vmax 式中，Ov表示归一化后的速度参数，νΤ表示当前时刻T的检测器检测到的速度，Vmax表 不尚速公路中，此路段的最尚限速； 对车流量预处理采用以下公式： Oii 9q· 式中，〇,表示归一化后的流量参数，qT表示在T至T-ι周期内通过检测器的流量，qmax 表示一个周期内最大的通行流量。
6. 如权利要求2-5中任一项所述的考虑气象因素、道路线形因素的高速公路事件检测 方法，其特征在于：所述步骤3)中，输入向量为 Pk - (vT,oT,qT,vT,oT,qτ,ντ_1；Ot-J,Qx-ι，ντ_1；οτ_1；qτ_1；α,β)； 其中，ντ，〇τ，qT分别表示T周期路段上游车检器所采集到的速度、流量和占有率。ν'T，o'T，q' 1分别表示T周期路段下游车检器所采集到的速度、流量和占有率。 vT，〇T，qT分别表示T-I周期路段上游车检器所采集到的速度、流量和占有率。 Vh，〇' η分别表示T-I周期时路段下游车检器所采集到的速度、流量和占 有率。 α，β分别表示该气象条件的影响因子和路段线形的影响因子； BP神经网络最终输出为二维向量， =(^kl^k2) 其中3kl，穴2的取值范围均在O到1之间。 根据确定的输出以及事件检测的性质，将网络的目标样本定义为以下两种样本：(〇, 1) 有事件发生；（1，〇)没有事件发生。
7.如权利要求6所述的考虑气象因素、道路线形因素的高速公路事件检测方法，其特 征在于：所述步骤3)中，BP神经网络输入层的神经元为14个，隐含层神经元为32个。
【文档编号】G08G1/048GK104318780SQ201410603948
【公开日】2015年1月28日 申请日期:2014年10月31日 优先权日:2014年10月31日
【发明者】孙棣华, 赵敏, 刘卫宁, 郑林江, 陈曦 申请人:重庆大学