基于多層前向人工神經(jīng)網(wǎng)絡(luò)的交通事件檢測算法

高速公路事件是指道路上的偶爾發(fā)生事件，如車輛交通事故、故障停車和貨物分散，嚴(yán)重影響了道路的暢通和安全。在本規(guī)范中，它指的是交通事故。它在短時間內(nèi)會引起道路有效通行能力的下降或交通需求不正常升高的非周期性發(fā)生,即:當(dāng)發(fā)生交通事件時將會引起一個或幾個車道交通被阻斷,該處及其上游變得相對擁擠,占有率增加,速度降低,密度變大;而該處下游剛好與此相反。大部份事件檢測算法都是基于這樣的交通特征,通過對沿路設(shè)置的交通檢測器采集來的交通參數(shù)進行分析,當(dāng)發(fā)現(xiàn)符合上述事件交通特征時即發(fā)出事件報告。事件檢測系統(tǒng)自20世紀(jì)60年代發(fā)展起來以后,形成了各種各樣的檢測方法和技術(shù),如圖1所示。隨著電子技術(shù)、通信技術(shù)以及計算機技術(shù)的飛速發(fā)展以及ITS的逐步實施,間接檢測方法以其低成本、全天候等優(yōu)勢成為了當(dāng)今檢測系統(tǒng)所采用的最主要的方法。交通事件檢測系統(tǒng)是高速公路管理系統(tǒng)的重要組成部分,其關(guān)鍵是事件判斷算法(FreewayAutomaticIncidentDetectionAlgorithm,簡稱FreewayAID算法),它是高速公路事件管理系統(tǒng)的核心,也是智能運輸系統(tǒng)成功實施的指標(biāo)。1檢測算法不理想交通事件自動檢測是根據(jù)實時采集的交通流狀態(tài)數(shù)據(jù)信息,由算法自動判斷是否發(fā)生交通事件,以期減少事件延誤。已有事件檢測算法適應(yīng)面窄,可移植性差,性能指標(biāo)(檢測率、誤報率和平均檢測時間)不理想,不能應(yīng)用于工程實踐。應(yīng)用神經(jīng)網(wǎng)絡(luò)、小波分析等理論的算法是交通事件自動檢測算法的研究熱點和發(fā)展趨勢。1.1信號預(yù)處理交通事件發(fā)生點,交通流參數(shù)將發(fā)生變化。通過車輛檢測器采集車流的相關(guān)信息,對輸入信號進行預(yù)處理,然后通過神經(jīng)網(wǎng)絡(luò)對信號進行分類,從而判斷事件類型。1.2交通流參數(shù)設(shè)計在檢測路段全線每隔500～1000m(本文取1000m)布設(shè)車輛檢測器,現(xiàn)場檢測各點或各路段的交通流參數(shù)。由于采樣周期必須小于事件周期,根據(jù)采樣定理,數(shù)據(jù)采集間隔一般為30～60s(本文采用30s)。交通流參數(shù)選用交通密度,它是一種可度量的量,能很好地表明高速公路交通流系統(tǒng)的運行狀態(tài)。在檢測路段上游和下游各埋設(shè)一套檢測設(shè)備,將采樣周期內(nèi)通過檢測器的車輛數(shù)作為輸入,這樣就有2個輸入信號,將單位時間內(nèi)上下游車輛檢測器的測量數(shù)據(jù)差值作為系統(tǒng)檢驗輸入。1.3基于神經(jīng)網(wǎng)絡(luò)的交通流規(guī)律描述本文將著重論述如何應(yīng)用神經(jīng)網(wǎng)絡(luò)算法實現(xiàn)對交通事件的檢測。神經(jīng)網(wǎng)絡(luò)方法是從真實的有代表性的交通流數(shù)據(jù)出發(fā),直接歸納出交通流的規(guī)律。這屬于反問題,即給定的是交通流參數(shù)的某些樣本點,神經(jīng)網(wǎng)絡(luò)利用它們進行學(xué)習(xí),進而可求出近似的交通流特性,即是“從事例求規(guī)律”。應(yīng)用人工神經(jīng)網(wǎng)絡(luò),極大地簡化了建模問題,避免了理論上對原有模型的修補,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。而這也正是神經(jīng)網(wǎng)絡(luò)方法的最大優(yōu)點。2神經(jīng)網(wǎng)絡(luò)模型2.1兩階段網(wǎng)絡(luò)結(jié)構(gòu)前向網(wǎng)絡(luò)由輸入層、隱層和輸出層組成。網(wǎng)絡(luò)內(nèi)通過神經(jīng)元(節(jié)點)順序單向連接,每一個連接弧連接2個神經(jīng)元,并附有相應(yīng)的一個權(quán)值作為前一層神經(jīng)元對后一層神經(jīng)元的影響,正的權(quán)值表示影響的增加,負(fù)的權(quán)值表示影響的減弱。神經(jīng)網(wǎng)絡(luò)的工作過程由2個階段組成:一個階段是工作期,此時各連接權(quán)值固定,計算各單元的狀態(tài)變化,以求達到穩(wěn)定狀態(tài);另一階段為學(xué)習(xí)期,此時各計算單元狀態(tài)不變,各連接權(quán)值修改。而我們訓(xùn)練一個神經(jīng)網(wǎng)絡(luò)的目的就是要能用一組輸入矢量產(chǎn)生一組所希望的輸出矢量。訓(xùn)練是應(yīng)用一系列訓(xùn)練樣本,通過預(yù)先確定的過程(學(xué)習(xí)算法)調(diào)整網(wǎng)絡(luò)的權(quán)值來實現(xiàn)的。本文采用一個3層的BP網(wǎng)絡(luò)(BackPropagationNN)。網(wǎng)絡(luò)中每一層神經(jīng)元只接受前一層神經(jīng)元的輸入,并在節(jié)點上進行復(fù)合(線性疊加)和畸變(非線性映射)。通過復(fù)合反映不同神經(jīng)元之間的耦合程度,通過畸變改變輸入信息的結(jié)構(gòu)和性態(tài)。網(wǎng)絡(luò)選取為6×10×1的結(jié)構(gòu),即網(wǎng)絡(luò)由輸入層(InputLayer)、隱層(HiddenLayer)、和輸出層(OutputLayer)共3層組成。其中輸入層有6個節(jié)點,隱層有10個節(jié)點,輸出層有1個節(jié)點。網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。輸入層的6個節(jié)點輸入是代表交通流的特性參數(shù)的變量,測試該路段處上游和下游站的平均流量、占有率和速度。隱層的節(jié)點數(shù)據(jù)是通過反復(fù)調(diào)試獲得的。輸出層只有1個節(jié)點,分為2種狀態(tài):{0,0}和{1,0}。狀態(tài){0,0}代表順暢,狀態(tài){1,0}代表事件。2.2輸出層誤差的分析我們采用的節(jié)點特性函數(shù)為修正過的Sigmoid函數(shù),即:學(xué)習(xí)過程如下:(1)第一次疊代。按照選定的一個輸入矢量,計算各層節(jié)點的輸出,計算方向是正向計算。隱層的輸出O2112～O210102輸出層的輸出O3113(2)計算各層誤差計算輸出層誤差E3113=O3113-O(3)11(3)按照誤差傳遞公式En=On(1-On)ΣWnjEj計算由第三層傳遞至第二層的誤差,傳播方向是反向傳播。(3)修改權(quán)值,權(quán)值修改公式為Wijkjki(new)=Wijkjki(old)+αEi+1kxijkjki,其中α=0.3。權(quán)值修改的方向也為反向,即修改順序為:修改第三層和第二層之間的連接權(quán);修改第一層和第二層之間的連接權(quán)。經(jīng)過以上的(1)、(2)、(3)步,網(wǎng)絡(luò)的第一次學(xué)習(xí)過程結(jié)束。接下來,仍以(1)中的輸入矢量作為輸入,按照修改之后的權(quán)值,重復(fù)上述(1)、(2)、(3)步,直到輸出層誤差達到所要求的范圍為止。至此,關(guān)于從訓(xùn)練范例集中選定的對樣本的訓(xùn)練過程結(jié)束。要訓(xùn)練范例集中的其他樣本,我們只需重復(fù)上述過程即可。3分類器的設(shè)計和模擬3.1神經(jīng)網(wǎng)絡(luò)的歸一化處理在Matlab中建立神經(jīng)網(wǎng)絡(luò)模型,由于神經(jīng)網(wǎng)絡(luò)輸入較大時,可能會進入S型函數(shù)的飽和區(qū),使得網(wǎng)絡(luò)不能夠收斂,為了避免這種情況,在此將神經(jīng)網(wǎng)絡(luò)的輸入進行歸一化處理,使其在(0,1)之間。利用交通仿真模型得到一組正常交通狀態(tài)下的交通流仿真數(shù)據(jù),用來檢測模型的性能,得到仿真結(jié)果如圖3所示。從圖4可以看出,在正常交通狀態(tài)下,神經(jīng)網(wǎng)絡(luò)模型具有較強的辨識能力,能夠很好的對每一路段的交通流事件進行估計。3.2神經(jīng)網(wǎng)絡(luò)輸出誤差利用動態(tài)神經(jīng)網(wǎng)絡(luò)對交通事件進行估計,當(dāng)某個路段發(fā)生交通事件時,其通行能力下降,交通流模型將會改變,由于動態(tài)神經(jīng)網(wǎng)絡(luò)的自適應(yīng)學(xué)習(xí)需要一個過程,故這時神經(jīng)網(wǎng)絡(luò)的輸出就不能很好的估計交通流狀態(tài),使得網(wǎng)絡(luò)的輸出與實際檢測值之間出現(xiàn)誤差,稱之為殘差,本節(jié)利用殘差進行交通實際的檢測。利用交通流事故模型產(chǎn)生在事故狀態(tài)下的交通流數(shù)據(jù),本文假設(shè)路段發(fā)生交通事故,利用上述模型進行交通流狀態(tài)辨識,得到仿真結(jié)果及殘差曲線如圖4和圖5所示,可以看出在t=4min、14min時,模型出現(xiàn)較大殘差,因此,該路段在這兩個時刻可能發(fā)生了交通事件。4檢測算法比較事件檢測算法判別的可能結(jié)果包括:無事件正確檢測、有事件正確檢測、無事件錯誤報警和有事件漏檢。其中后2種屬于誤報。通常用來評價事件檢測算法的指標(biāo)有檢測率(DetectionRate、誤報率(FalseAlarmRate)和平均檢測時間(MeanTimetoDetect)。本文用Matlab語言實現(xiàn)了上述網(wǎng)絡(luò)模型,并用120組樣本數(shù)據(jù)對網(wǎng)絡(luò)進行訓(xùn)練。然后通過模擬的方法產(chǎn)生60組數(shù)據(jù),其中包括有事件發(fā)生和無事件發(fā)生時交通流的特性參數(shù)驗證算法,結(jié)合文獻[4,5,6,7,8,9,10,11,12,13,14,15,16],與幾種傳統(tǒng)的算法在檢測率、誤報率、平均檢測時間等多項指標(biāo)進行比較,其結(jié)果見表1。從表中可見,神經(jīng)網(wǎng)絡(luò)算法檢測率最高,誤報率和平均檢測時間比較理想。5神經(jīng)網(wǎng)絡(luò)算法的局限性神經(jīng)網(wǎng)絡(luò)算法不需要人為建立事件檢測模型,不需要人們自己去分析高速公路上發(fā)生事件和不發(fā)生事件時交通流各有什么特點,而只需選定學(xué)習(xí)樣本數(shù)據(jù)格式和人工神經(jīng)元網(wǎng)絡(luò)學(xué)習(xí)時的某些參數(shù),就可讓神經(jīng)網(wǎng)絡(luò)自動學(xué)習(xí),從而避免了傳統(tǒng)算法因人為建立的模型與實際情況不符導(dǎo)致檢測不準(zhǔn)確的情況。而且,一滾3層和3層以上的BP網(wǎng)絡(luò)可形成任何非線性相關(guān)關(guān)系,這和傳統(tǒng)的檢測算法采用一個或幾個解析式來表達相比較,更適于用來描述像交通流這樣高度復(fù)雜的非線性系統(tǒng)。當(dāng)然神經(jīng)網(wǎng)絡(luò)算法也有其不足之處和局限性。主要表現(xiàn)在:(1)人工神經(jīng)網(wǎng)絡(luò)BP模型的學(xué)習(xí)速度較慢。當(dāng)樣本量較少時,學(xué)習(xí)速度的快與慢的差別并不重要。但要像高速公路交通事件檢測這樣的實際問題需要大量的學(xué)習(xí)樣本才能建立起精確的檢測模型,在這樣的情況下,學(xué)習(xí)速度的問題就顯得比較突出了。所以這是一個亟待解決的問題。(2)人工神經(jīng)網(wǎng)絡(luò)不能說出其模型各參數(shù)的實際意義,不能給用戶說出一個直接的、與現(xiàn)實相對應(yīng)的理由來,影響了神經(jīng)網(wǎng)絡(luò)的使用范圍。(3)人工神經(jīng)網(wǎng)絡(luò)還具有訓(xùn)