一种基于交通状态突变的交通事件检测方法技术

本发明专利技术公开了一种基于交通状态突变的交通事件检测方法，包括以下步骤：S1车联网环境下提取所选路段和时段的单车基本信息；S2按统计周期统计所选路段的平均车速、平均车头间距、车速变异系数和车头间距离变异系数；S3融合交通流宏微观参数进行交通状态模糊判别；S4建立均值变点模型，以交通状态的实测值与预测值之差作为样本序列，以最小方差法搜索变点，检测交通事件。本发明专利技术充分利用交通流中单车的基本参数，从微观角度考虑车速离散性和车头间距离散性，研究交通流变化时它们的变化规律，融合宏观和微观参数对交通状态进行判别，最后基于宏微观参数融合后的交通状态的突变进行交通事件自动检测，为研究适应车联网环境的交通事件检测技术提供了新思路。

【技术实现步骤摘要】
一种基于交通状态突变的交通事件检测方法
本专利技术属于交通事件自动检测领域，具体涉及一种利用交通状态突变进行交通事件检测的方法。
技术介绍
交通事件常常导致道路的通行能力急剧下降或交通需求异常升高，它是造成交通拥堵的重要因素之一，而且对交通安全、出行规划和环境污染等有重要的影响。因此，准确及时的交通事件自动检测算法是交通事故管理体系中的关键技术之一。随着车联网环境建设的不断发展和完善，交通管理部门在新的环境下能够实时获取更多、更准确的车辆信息(如速度、位置、车道、加速度等)，充分利用这些信息能够丰富对道路交通状况的描述。而传统的交通事件检测方法按照数据的来源不同分为基于固定车检器的交通事件检测方法、基于移动车检器的交通事件检测方法和基于数据融合的交通事件检测方法。基于固定车检器的交通事件自动检测方法的本质是通过地点交通流参数的变化来判断交通事件的发生，该方法的检测效果取决于固定车检器采集的交通流数据的质量和交通流特征参数的选取。现在国内外对基于固定车检器的交通事件检测方法的研究比较完善，比较有代表的检测方法如下四大类：模式识别的方法、统计分析的方法、基于交通流模型的方法和人工智能的方法。移动车检器与固定车检器不同，它采集的不是流量、占有率和平均车速这些固定参数，而是能得到路段的行程时间和行程速度等这些运行时参数。基于数据融合的交通事件检测方法则是充分利用固定车检测器和移动车检器采集的参数进行事件检测。这些传统的交通事件自动检测算法主要是通过车检器得到路段的平均车速、密度、流量等宏观交通流参数进行交通事件检测。这些传统的宏观交通流参数只能宏观、平均的反映交通流运行状况，而在微观上，交通流参数的离散性是客观存在的，它往往被宏观交通流参数的平均所掩盖了，从而忽略了个体车辆的差异性对交通流稳定性的影响。因此，仅仅通过宏观交通流参数进行交通事件自动检测会造成检测率较低、误报率较高。在车联网环境下，如何充分利用丰富的车辆信息，考虑微观交通流参数的离散性，融合宏微观交通流参数，研究一种合理有效的交通事件检测算法以改善交通事件自动检测的性能成为了急需解决的问题。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于交通状态突变的交通事件检测方法，从而提高交通事件检测的性能。为达到上述目的，本专利技术提供如下技术方案，一种基于交通状态突变的交通事件检测方法，包括以下步骤：S1车联网环境下提取所选路段和时段的单车基本信息；S2按统计周期统计所选路段的平均车速、平均车头间距、车速变异系数和车头间距离变异系数；S3融合交通流宏微观参数进行交通状态模糊判别；S4建立均值变点模型，以交通状态的实测值与预测值之差作为样本序列，以最小方差法搜索变点，检测交通事件。进一步，所述步骤S3包括以下子步骤：S31建立模糊评判因素集U；S32建立模糊评语集V；S33建立单因素模糊评判，即建立一个从U到V的模糊映射；S34综合评判，选择合适的模糊合成算子进行综合评判。进一步，根据平均车速、平均车头间距、车速变异系数和车头间距变异系数四个交通流特征参数的时间序列进行模糊综合评判得到交通状态实测值的时间序列为{Xi|i＝1,2,...,n}，根据平均车速、平均车头间距、车速变异系数和车头间距变异系数四个交通流特征参数的时间序列进行模糊综合评判得到的交通状态预测值的时间序列为则样本序列n表示样本总数；定义样本序列的总方差S为：式中，为样本序列的均值；将样本序列划分成两段，划分后样本序列的总方差为式中，分别为划分的样本前后两段的样本序列的均值，则若E(S)＝E(Sk)，则没有发生交通事件；若E(S)＞E(Sk)，则发生了交通事件，其中，E(S)，E(Sk)分别表示总方差S和Sk的期望，k表示样本分割点。进一步，令S*＝min(Sk),k＝2,3,...,n-1根据聚类的原理，S*对应的时刻即为交通事件发生的时刻，当S-S*＞R，即认为交通事件发生，其中R为设定阈值。进一步，对于设定阈值R，根据要求的显著水平来确定，统计学理论有其中，P()表示概率，u表示样本期望式中，σ2为样本序列的方差，α为给定的显著性水平，由此得到则R＝σ2(2lg(lgn)+lg(lg(lgn))-lgπ+uα)，其中uα表示在显著性水平α下的标准正态分布值。本专利技术的有益效果在于：本专利技术充分利用交通流中单车的基本参数，从微观角度考虑车速离散性和车头间距离散性，研究交通流变化时它们的变化规律，融合宏观和微观参数对交通状态进行判别，最后基于宏微观参数融合后的交通状态的突变进行交通事件自动检测，为研究适应车联网环境的交通事件检测技术提供了新思路。附图说明为了使本专利技术的目的、技术方案和有益效果更加清楚，本专利技术提供如下附图进行说明：图1为本专利技术方法的流程图。具体实施方式下面将结合附图，对本专利技术的优选实施例进行详细的描述。交通事件的发生会造成交通流的中断和间歇，影响了交通事件上游车辆的行驶车速和车头间距，同时交通流中车速变异系数和车头间距变异系数在交通事件上下游有不同的变化情况。总之，交通事件的发生会对交通流产生巨大的影响，使交通流特征参数发生异常的变化。而交通状态则是通过交通流特征参数进行判别的，它是整个路网交通运行状况的综合体现。因此，如果仅仅只从交通流宏观参数出发，而忽略交通流微观参数的差异性对交通流的影响，则会造成交通事件检测的检测率较低、误报率较高。因此，基于车联网环境下的交通流宏微观参数，充分考虑微观参数的离散特性，研究多参数交通状态综合判别模型，进而以突变理论为基础，以交通状态判别结果作为特征参数，建立均值变点模型，以交通状态的实测值与预测值之差作为样本序列，以最小方差法搜索变点，设计了基于交通状态突变的交通事件检测方法。具体包括以下步骤：S1：车联网环境下提取所选路段和时段的单车基本信息；S2：计算路段车辆速度的变异系数和跟车距离变异系数；速度变异系数：式中表示路段l上第i辆车在t时刻的瞬时速度；nl(t)表示路段l上t时刻的车辆数量；表示路段l上t时刻所有车辆的速度均值；VSDl(t)表示路段l上t时刻所有车辆的速度标准差；VCVl(t)表示路段l上t时刻的车速变异系数。跟车距离变异系：式中表示路段l上第i辆车在t时刻的车头间距；nl(t)表示路段l上t时刻的车辆数量；表示路段l上t时刻所有车辆的车头间距均值；FDSDl(t)表示路段l上t时刻所有车辆的车头间距标准差；FDCVl(t)表示路段l上t时刻的车头间距变异系数。S3：融合交通流宏微观参数进行交通状态模糊判别；包括以下子步骤1)建立模糊评判因素集U。U＝{v,d,vcv,fdcv}，其中v,d,vcv,fdcv分别表示平均车速、平均车头间距、车速变异系数和车头间距变异系数。2)建立模糊评语集V。将交通状态划分为三个等级，即V＝(v1,v2,v3)，其中v1,v2,v3分别表示畅通、缓行、拥堵。3)建立单因素模糊评判，即建立一个从U到V的模糊映射。由此得到单因素评判矩阵R,R＝[R1,R2,R3,R4]T，其中向量R1,R2,R3,R4分别为R1＝(r11,r12,r13)，R2＝(r21,r22,r23)，R3＝(r31,r32,r33)，R1＝(r41,r42,r43)，它们分别代表平均车速、平均车头间距、车速本文档来自技高网...

【技术保护点】
一种基于交通状态突变的交通事件检测方法，其特征在于：包括以下步骤：S1车联网环境下提取所选路段和时段的单车基本信息；S2按统计周期统计所选路段的平均车速、平均车头间距、车速变异系数和车头间距离变异系数；S3融合交通流宏微观参数进行交通状态模糊判别；S4建立均值变点模型，以交通状态的实测值与预测值之差作为样本序列，以最小方差法搜索变点，检测交通事件。

【技术特征摘要】
1.一种基于交通状态突变的交通事件检测方法，其特征在于：包括以下步骤：S1车联网环境下提取所选路段和时段的单车基本信息；S2按统计周期统计所选路段的平均车速、平均车头间距、车速变异系数和车头间距离变异系数；S3融合交通流宏微观参数进行交通状态模糊判别；S4建立均值变点模型，以交通状态的实测值与预测值之差作为样本序列，以最小方差法搜索变点，检测交通事件。2.根据权利要求1所述的一种基于交通状态突变的交通事件检测方法，其特征在于：所述步骤S3包括以下子步骤：S31建立模糊评判因素集U；S32建立模糊评语集V；S33建立单因素模糊评判，即建立一个从U到V的模糊映射；S34综合评判，选择合适的模糊合成算子进行综合评判。3.根据权利要求1所述的一种基于交通状态突变的交通事件检测方法，其特征在于：根据平均车速、平均车头间距、车速变异系数和车头间距变异系数四个交通流特征参数的时间序列进行模糊综合评判得到交通状态实测值的时间序列为{Xi|i＝1,2,...,n}，根据平均车速、平均车头间距、车速变异系数和车头间距变异系数四个交通流特征参数的时间序列进行模糊综合评判得到的交通状态预测值的时间序列为则样本序列n表示样本总数；定义样本序列的总方差S为：式中，为样本序列的均值；将样本序列划分成两段，划分后样本序列的总方差为式中，分别为划分的样本前后两段的样本序列的均值，则

【专利技术属性】
技术研发人员：赵敏，孙棣华，郑林江，陈清元，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆,50