基于模糊综合识别的事件检测算法

第!"卷第!期!##"年$月西安公路交通大学学报%&’()*+&,-./*)0.123*45).67(8.94:&+;!"<&;!=>(?!##"收稿日期@"A A A B #"B !C 作者简介@周伟D "A C A B E F男F 陕西洛南人F 交通部科学研究院教授文章编号@"##G B $""!D !##"E #!B ##G #B #$基于模糊综合识别的事件检测算法周伟F 罗石贵D交通部科学研究院F 北京"###!A E摘要@在分析拥挤交通流特性的基础上F 提出了一种基于模糊综合识别的事件检测算法F 并可以确定拥挤成因F 仿真研究结果比较表明该算法效果很好H 关键词@拥挤交通流I 模糊I 事件检测算法中图分类号@5$A ";J "文献标识码@=K L M N O P L Q R P Q P M Q N S LT U V S W N Q X Y Z [\P OS L]^__‘a P Q b X P W S ‘c de f gh i F j f ek l i B m n iD o 2.)*=p *q p r 4&,s (*)8>7(9*9.&)t p .7)p 78F u.).89(4&,o &r r ’).p *9.&)F v 7.w .)1"###!A F o 2.)*E T x \Q W [M Q @v *87q&)927*)*+48.8&,927p &)1789.&)9(*,,.p ,+&3F *)73.)p .q 7)9q 797p 9.&)*+1&(.92r y *87q&),’z z 4879927(&4.8>’9,&(3*(q ?{9p *),.)q927p *’87&,p &)1789.&)?s 27*+1&(.92r ,7*8.y .+.94.882&37qy 48.r ’+*9.&)?|P ‘}S W O \@p &)1789.&)9(*,,.p ,+&3I ,’z z 4I .)p .q 7)9q 797p 9.&)*+1&(.92r 快速准确地检测高速公路交通事件是高速公路运营管理中的一项重要工作F 国内外学者对此进行了广泛的研究H 目前F 用于高速公路事件检测的基本算法大致可以分为$类F 即模式识别算法~统计预测算法~突变理论算法和神经网络算法F 这些理论在事件检测中得到了广泛的应用H由于模糊理论能够较好地描述交通状态的不确定性F 本文在分析拥挤交通流的基础上F 提出了一种基于模糊综合识别的方法F 用来检测拥挤并确定拥挤成因H!拥挤交通流特性道路交通的拥挤表现在行车速度的下降和到达目的地的行车时间的增加F 而此行车时间与交通需求直接相关F 当交通需求超过了交通容量D 即使是一点E F 就会导致行车时间的大幅度增加F 这就是道路上拥挤交通流的特性H 通常可以通过分析交通数据来识别交通状态F 即确定交通三变量D 速度~流量~占有率或密度E 与交通状态之间的联系F 而分析交通拥挤状态下交通流三变量的变化特征F 正是建立检测算法的依据H当事件发生后F 道路上的交通状况会随之发生变化F 表现为发生事件的上游路段的速度下降F 流量减少而占有率增加I 下游路段的流量~占有率降低而速度可能增加H 根据前一种情况F 通过对一个站点的交通三变量的数据加以监视或检测F 就可以判定它的下游是否发生了事件H 因此F 分析一个站点的流量~占有率和速度相对于时间的变化情况是有实际意义的H 但是F 交通状态的变化的大小并不是绝对的F即没有一个绝对的门槛值可以将!种交通状态D拥挤和非拥挤E 划分出来F 交通状态是具有动态不确定性的F 主要表现为模糊性H 因此F 应用模糊理论来建立事件检测算法将是一个好的尝试H交通拥挤的根本原因是交通供求关系不平衡F 在造成交通拥挤的许多因素中F 大部分可以归纳为!类@D "E常发性的交通拥挤H 在某些特定位置和某些特定时期由于过大的交通需求F 经常发生的拥挤现象ID !E偶发性的交通拥挤H 主要是由于诸如事故或万方数据其他特殊事件等随机事件造成道路实际通行能力的下降而导致的拥挤现象!大部分的检测算法能够很好地检测到产生拥挤的事件"即算法具有识别拥挤的能力"然而"它们并不能够确定拥挤的成因是#几何瓶颈$还是#事件$等因素!本质上"#几何瓶颈$造成的拥挤和事件造成的拥挤与事件是有区别的"在常发性拥挤期间"流量已达到饱和或接近通行能力%事件发生后"降低了通行能力"导致交通需求量超过通行能力!因此"可以根据事件拥挤发生在流量较低时这一特点来识别拥挤的成因"降低误报率!&应用模糊理论的检测算法’()**+算法,模糊逻辑集合在表达语言知识和描述事物的不确定性方面发挥了很大的作用!高速公路交通流"特别是在发生事件的情况下"是高度非线性-时变和不能精确建模或实时定量表示的"许多交通概念具有重要但不精确的含义"例如#拥挤$-#高占有率$-#服务水平$等!因此"使用固定的#门槛值’临界值,$来检测事件"显然并不能很好地适合交通状态所具有的动态不确定性"而模糊集合理论恰好弥补了这一点!&./基本概念模糊集合可以用推广特征函数的方法来定义0定义1对给定论域23456上的一个模糊集合78是指0对于任何592都指定了一个数:78’5,9;<"1=与之对应"它叫做5对78的隶属度!:78’5,被称作78的隶属函数!模糊数学用来确定和处理模糊现象!一个对象是否符合一个模糊概念"不应单用一个字#是$或#否$来回答"最好用一个数来反映它从属于该模糊概念的程度"例如0如果5是检测到的占有率值"则#拥挤$可以认为是模糊变量#交通状况$中的一个特殊值"每个5都有一个数:拥挤’5,9;<"1="表示5被认为是拥挤的程度!因此"正确地确定隶属函数"是利用模糊集合恰如其分地表示模糊概念的基础!&.&模糊综合识别在实际应用中"模糊模式识别有>个常用的直接方法"即0最大隶属原则?0设@81"@8>"A"@8B"A"97’C ,为几个标准模式"C <9D 是待识别对象"如果存在E 941">"A"B 6"使得@8E 满足条件:@8E ’C <,3FGH 4:@81’C <,"A":@8B’C <,6则认为C <相对隶属于@8E!最大隶属原则I0设@897’:,为标准模式":1":>"A":B 9D 为几个待录取对象"如果E 941">"A"B 6使得:E 满足条件!:@8’C E ,3F G H 4:@8’C 1,"A":@8’C B,6则优先录取C E!以上这>种方法适用于单因素的识别问题"对于多因素模式的识别问题"如已知B 个具有J 个模糊特征的标准模式"第E 个模式的J 个模糊特征为@8E K "K 31">"A"J 上的模糊集"它们分别是论域D K "K 31">"L "A"J 上的模糊集"即@E K 97’2K ,"K 31">"A"J !令2M3N O JK 31D K N3D 1P D >PAP D J若C <3’C <1"C <>"A"C <J ,92M 为待识别对象"那么如何来识别C <关于已知模式的相对归属呢Q为了解决这个问题"先介绍几个重要的概念!记7J N 4@8N ’@81"@8>"A"@8R S @8E 97’C K,"K 31"A"J 6"即7J 3O J K 317’C K ,"并称之为广义模糊向量!定义>映射对R J 0;<"1=T;<"1=称为一个J 元的综合函数"如果R J 满足条件’J U 1,V W XT R J ’V,W R J ’X ,’J U >,Y J K 315K W R J ’5,W Z J K 315KJ 元综合函数简记为R J [\)]^%全体R J [\)]^记为R J !定义L 任取一个广义模糊向量@897J "由@构造2M 上的一个模糊集"记为@8N ’@8,3’@81"@8>"A"@8J ,它的隶属函数规定为:@8’C ,3R J ’:@81’C ,"A":@8J’C ,,其中"R J 9J J "C 3’C 1"C >"A"C J ,92M "这样的模糊集合@8称为@8的综合模糊集"简记为R J [7_!全体R J [7_记为7’2M "R J ,!上面提出的问题"可以用以下的方法来解决!设@81"@8>"@8B 97J 为B 个已知的模式"C <92M 为待识别的对象!令@8E 3’@8E,"E 31">"A"B "若存在E 941">"A"B6使得:@8E ’C <,3F G H 4:@81’C <,"A":@8B’C <,6则认为C <相对隶属于@8E!1‘第>期周伟"等0基于模糊综合识别的事件检测算法万方数据!"#基于模糊综合识别的事件检测算法交通事件检测可以叙述为如下的一个综合识别问题$已知某一时刻的某一站点的流量%速度和占有率的值&判别该时刻该站点的交通流状态&主要以低速度%低流量和上下游占有率差值来判断是否发生拥挤&以流量是否接近通行能力来识别拥挤的成因’由此&把交通流状态定义为(个标准模式$事件拥挤%常发性拥挤和非拥挤&分别记为)*%+%,&特征变量选取流量%速度和占有率的上下游差值&分别记为-./&01%2./&01%3./&0143./56&01’每个模式的(个模糊特征分别为各自论域上的模糊集’流量的(个特征模糊集合记为-)4*%-+4*%-,4&类似地可以定义速度与占有率的各个模式的模糊集2)4*%2+4*%2,4&73)4*%73+4*8%73,4’在9:;;<算法中&确定各个模糊集的隶属函数是一项至关重要的工作&隶属函数合适与否&直接影响到检测率和误报率’在实数域上的模糊集可以选用各种分布&主要有矩形分布%梯形分布%正态分布%哥西分布和岭形分布等’为简单起见&选用梯形分布’根据对数据详细分析&各个模糊集的隶属函数构造如下$.61流量=-)4*.>1?6>@06.A B 5064>1C A B 06D>@065A B B >E06F G H 5A B =-+4*.>1?B >@0A 4A B .A B 40A 5>1C A B 0A 4A B D>@0A 6>E0F G H A=-,4.>1?=-+4*.>1.A 1速度=2)4*.>1?6>@0(.A B 50(4>1C A B 0(D>@0(5A B B >E 0(F G H 5A B =2,4.>1?B >@0I 4A B .A B 40I 5>10I 4A B D>@0I 6>E0F G H I=2+4*.>1?=2)4*.>1.(1上%下游占有率差值=73)4*.>1?B>@0J 46B .>40J 56B 10J 46B D>@0J 6>E0F G H J =73,4*.>1?6>@0K.6B 50K 4>1C 6B 0K D>@0K 56B B >E0KF G H 56B =73+4*.>1?=73)4*.>1式中$06%0A %0(%0I %0J %0K 均为有待校估的参数’有了这些隶属函数&当给出一个具体时刻的交通三变量值L B?.-./&01&2./&01&3./&011时&就可以使用综合识别方法来判断交通状态了’记$交通流模式为)*M .-)4*&2)4*&73)4*1-*M .-+4*&2+4*&73+4*1,4M .-,4&2,4&73,41取)*N ?.)*1&+*N ?.+*1&,N ?.,1&综合函数O (P Q :R S 选取式T .>1?T UV ?6W V >V &其中W V?6C (&V ?6&A &(&分别计算出=)*N .L B 1%=+*N .L B 1%=,N .L B1&选择其中最大的即可得出交通状况属于那种模式’9:;;<算法采用持续性的检查以降低误报&一个事件往往涉及到几个站点的交通&尤其是相邻的A 个站的影响最为显著&许多事件连续(个站的影响也较大’因此&在9:;;<算法的检测逻辑中&如果本站的前一站或后一站发过报警信号&则本站不发报警信号’9:;;<算法判断逻辑如图6所示’年万方数据!仿真比较研究通常用于评价事件检测算法的性能指标有检测率"误报率和平均检测时间#采用一系列实际交通历史数据对算法进行测试$数据的来源与广佛高速公路%&&’年%(月%)日*%+日正常交通流数据和%&&’年%(月(%日的拦车实验数据#仿真研究结果如表%$并与加利福尼亚算法及滤波算法进行比较#表%,-../算法仿真研究结果参数检测结果0%0(01020304检测率56误报率786检测时间9:1&;%4%;23);+1(;4((;32;)&4;’3<1;’&<3)%2%;12+;)24;%12;+%3;();2&’;2’<(;&&<1&21&;)2);22(;4(+;%%4;)3;’+3;4(<(;%’<%)11&;+2);123;4();4%2;+2;&)4;+2<%;’3<2’13;&22;&3’;3(2;1%2;(2;1&3;23<’;42<1%1’;323;’33;(1’;(%+;4&;13’;2)<’;1%<)’基于模糊综合识别的事件检测算法。