基于多源数据的城市道路交通事件检测

3 基于数据融合的城市道路交通事件检测
3.1 杭州市交通信息分类 交通事件检测算法需依据交通流参数的时间序列变化特征，因此，参数选择对于检测效果有直 接影响。用于交通事件检测的交通流参数选择标准如下：参数获取便利性、所获数据可靠性、所选 参数敏感性（即能够表征交通流状态） 。常用交通流参数包括流量、占有率、车速、行程时间等。 本文依托“十一五”国家高技术研究发展计划（863 计划）重点项目“城市交通状态智能预报 及管理支持系统” ，交通信息需求包括动态信息和静态信息。动态信息的数据来源浮动车数据 （Floating Car Data，主要为出租车） 、SCATS 线圈数据、Citilog 视频数据和车辆牌照识别系统数据 （OD 视频）四类，数据格式如表 1， “★”表示检测器直接提供的交通信息， “☆”表示通过对检测 器数据挖掘间接获取的交通信息。静态信息主要指杭州市城区 GIS 矢量图和以上固定型检测器的布 设点位、静态表等附属静态信息。
图 3 路段三检测器布设图 对应于数据融合的三级划分框架 ，文中将交通信息数据融合分为以下三个层次。采样周期 T 为四个系统各自采样周期的最小公倍数，即 5min。 1） 第一级， 参数级融合： 在对各检测器原始采集数据进行粗差剔除、 地图匹配等预处理基础上， [7] 采用集中式融合体系 对于同质检测器的数据进行直接融合。具体包括：①SCATS 线圈同方向车道 流量相加得到进口道流量 Q1 ； ②SCATS 线圈车道流量、 车道功能划分和信号配时相结合构成 SCATS 虚拟线圈得到出口道流量 Q2 ；③Citilog 视频同方向车道流量相加得到断面流量（依据 Citilog 视频 监控终端布设位置不同， 断面包括进道口、 出道口） Q3 ； ④SCATS 虚拟线圈流量 Q2 与相同地点 Citilog 视频流量 Q3 加权计算得到上游 Qa ，即 Qa
平均速度估计路段平均速度，使用差分方法消除信号控制引入的周期性噪声，在此基础上分别建立 了基于CUSUM算法的平均速度、差分流量交通事件检测模型，组成了面向城市道路的两方式、三指 标的交通事件检测体系，并通过仿真实验进行验证。
2 信号控制下有交通事件的交通流参数特征
城市道路环境下，交通空间分布与道路等级和区位相关，时间分布短期内受到信号控制周期性 影响，在一天内则呈明显的潮汐特征，工作日与节假日也有显著差异。总体说来，交通量大是城市 道路的基本特征之一。如若发生车辆抛锚、货物散落等交通事件，事发地点会形成交通瓶颈，造成 交通拥堵。以事件发生地点为界，路段可分为上游和下游两区域，呈现不同的特征：上游区域，占 有率急剧增加，出现排队现象，车速明显降低，如果事件严重，甚至速度持续为零；流量会减少； 下游区域，道路占有率减少，车速基本不变，流量会明显减少。 ^ 相应的，信号控制下车流量 F 和速度估计 v 都呈现出与信号相位设置相关的周期性变化，如何 通过数据融合技术剔除周期性信号影响是本文研究的重点。下面以杭州市两个交叉口间的某条主干 路为例，上下游交叉口均采用干线交通信号定时式协调信号灯，仿真交通事件发生前后上下游流量 的变化。 仿真参数设置如下：总时间为 600s，事件发生在第 300s；单向道路为 3 车道，事件发生后本车 道堵塞，毗邻车道通行能力降低一半，其余车道通行能力不受影响；路段上下游各车道均布设检测 器，可提供采样周期为 5s 的流量。图 1 由上下两幅图构成，分别是上下游检测器在交通事件发生前 后流量时间序列。
1 引言
交通事件是发生在道路上对交通流暂时产生影响的偶发事件[1]。交通事件可以致使道路通行能 力下降，引发排队拥塞，还可能诱发二次事故，带来交通安全和资源浪费等问题。建立快速准确的 自动事件检测（Automatic Incident Detection, AID）算法及时准确地检测出交通事件，在此基础上进 行合理诱导、防止拥挤扩散是智能交通系统的重要研究和应用内容[2]。 环形线圈、浮动车、视频检测器等硬件设备的不断成熟和通信技术的快速发展，提供了更加全 面实时的交通流数据，通过对交通流参数时间序列特征进行分析，判断事件的发生与否。国外研究 中，Vaneet Sethi[1]通过仿真实验，将固定线圈检测器提供的流量、占有率和浮动车提供的行程时间 作为事件检测模型的输入参数，得出平均速度是最有效参数的结论，并实例论证事发路段和毗邻路 段的交通流参数均可检测出事件发生；LI 等人[2]使用浮动车提供的平均行程时间和邻近行程时间差 构建双变量分析模型，用于高速路的事件检测，并分析了置信区间和检测率、误判率的统计关系； Adeli 和 Karim[3][4]用离散小波变换、模糊逻辑和神经网络建立一种易于计算机处理的高速公路自动 事件检测模型，随后对模型进行修正，使得模型能够有效剔除常发性拥挤干扰并大大缩短检测时间。 国内研究中，余柳[5]利用 CUSUM 理论提出了基于浮动车数据的城市快速路交通事件自动检测算法， 实验结果表明比 USB 算法检测性能更优；张存保[6]等构建了以路段平均速度为参数的高速公路交通 事件三级报警机制，有效降低了误判率。 针对多数研究以高速公路或者城市快速路为对象、以单一数据源为手段的研究现状，本文以城 市道路复杂交通特性为切入点研究其事件检查算法。仿真分析了交通事件对干线交通信号定时式协 调控制下交通流参数时间序列特征的影响，通过浮动车的瞬时点速度和Citilog视频检测系统的空间
图 1 交通事件条件下单ቤተ መጻሕፍቲ ባይዱ测器流量时间序列
图 2 杭州市固定型检测器点位布设图
由图 1 可得出如下结论：若有交通事件发生，则下游检测器检测的流量在 4 到 6 个数据采集周 期（25s 左右）显著减少，这和 Karim [4]“事件下游检测器流量是最快检测参数”的结论是一致的， 但同时由于检测器受到信号控制影响，交通事件发生后仍呈周期性变化；在拥塞波传播至前段检测 器时，流量发生变化，但时间较长（150s） 。
Urban road traffic incident detection based on multiple data
Abstract：According to the fact that researches of automatic incident detection mainly focus on freeway and expressway, and data resource is usually single, this paper brought forward an approach of urban road AID (Automatic Incident Detection) based on multiple data fusion technology. This paper analyzed the change of traffic flow caused by incident under traffic signal control, after preprocessing the data from floating car, SCATS, and Citilog systems in Hangzhou City, and the paper then built differential flow rate and average velocity AID model based on the CUSUM algorithm which can suppress the periodic influence on traffic flow. The system of AID consists of two modes including video judgment and traffic parameters analysis and three indexes which comprise differential flow rate, average velocity and travel time. The experimental results showed that during peak hours and non-peak hours, the model could detect traffic incidents rapidly and accurately. Key words: ITS; traffic event detection; data fusion; urban road; differential flow rate XU Tao①②, XU Ai-gong①, HU Chao-kui①, ZHANG Ming-yue①（①School of Geomatics, Liaoning Technical University, Liaoning Fuxi n 123000,C hi na; ②ITS Research Center, Tongji University, Shanghai 200092, China）
表 1 检测器提供的动态交通信息
数据源 名称 浮动车 SCATS线圈 Citilog视频 OD视频 采样周期 60s 300s 60s 实时 点速度 ★ ★ ★ ★ ★ ☆ 区间速度 动态交通信息 流量 占有率 行程时间 ☆ ☆ ☆ 视频监控
其中，432 套 SCATS 设备布设于杭州城区主要交叉口，依据交叉口处进口道数不同，每套设备 包含 6-18 个线圈， 每个线圈检测一条车道的流量。 在杭州道路交叉口安装的 217 套 Citilog 视频设备 监控 77 个交叉口和 216 条道路，除了数据采集，还兼具视频监控的功能。OD 视频检测系统的工作 原理是对通过安装于交叉口处摄像头所监视区域内车辆进行动态摄取，后经图像处理识别出车牌号 码，因此依据同一车辆连续两次被 OD 视频监控系统识别的时间差可以得到行程时间，但此类交通 信息限于闭合的 OD 视频监控区域，即车辆被连续两次摄取形成的路径唯一（参见图 2） 。 通过以上对四类检测器的简介，可将事件检测方式分为视频监控判断和交通参数分析两种。对 于交叉口处发生的交通事件，基本通过视频监控判断的方式检测，即通过系统事件自动报警模块或 值班人员对监控画面的主观分析，判断事件发生与否；对于路段处发生的交通事件，视频监控判断 方式优先，其次对交通参数（流量/差分流量、占有率、空间平均速度/时间平均速度、行程时间） 变化规律及相互关系进行综合分析，在此基础上参照同时段历史数据、相关规范及文件、专家经验 或阈值法等进行交通事件判定。 3.2 交通信息数据融合 针对来自分布在城市各条道路上的各种检测器， 包括固定型检测器 （SCATS 线圈、 Citilog 视频、 OD 视频等）和移动型检测器（浮动车） ，提供的交通信息形式迥异、结构不一、采样间隔和精度均 不统一，仅作为单一系统使用的现状，通过对多种信息源联合分析处理，避免单个信息源失效而导 致的判断失误和通过融合、挖掘等手段实现更多有效信息获取，从而得出比从任何单一数据源更加 全面、准确、可靠的交通信息，进而更好地进行城市道路交通事件检测。文中以典型的多检测器道 路单元为例，如图 3。道路单元包括交叉口和路段，固定检测器包括出道口 SCATS 虚拟线圈（由参 数级融合得到） 、 交叉口 Citilog 视频、 进道口 SCATS 线圈， 移动检测器包括匹配至该道路的浮动车。
网络出版时间：2011-4-28 16:17 网络出版地址：http://www.cnki.net/kcms/detail/11.4415.p.20110428.1617.028.html
基于多源数据的城市道路交通事件检测
徐 涛 ，徐爱功 ，胡超魁 ，张明月 （①辽宁工程技术大学测绘与地理科学学院， 辽宁阜新 123000； ②同济大学智能交通运输系统 （ITS） 研究中心，上海 200092） 【摘 要】针对交通事件自动检测多以高速公路、城市快速路为对象以及使用数据源单一的现状， 本文提出一种基于多源数据融合的城市道路交通事件检测方法。在对信号控制下交通事件引起的交 通流变化进行分析的基础上，利用杭州市城区浮动车、SCATS、Citilog、OD 系统提供的实时交通数 据，基于 CUSUM 算法构建差分流量和速度交通事件检测模型。该模型可以有效抑制交通信号对于 交通流的周期性影响，协同视频、行程时间构成两方式三指标的事件检测体系。实验表明，模型在 高峰时段和平峰时段均能快速准确检测交通事件。 【关键词】智能交通系统；交通事件检测；数据融合；城市道路；差分流量 【中图分类号】U491 【文献标识码】A 【文章编号】1009-2307（2011）06①② ① ① ①