基于非连续滑动序列的城市快速路交通事故自动检测方法

摘要

本发明一种基于非连续滑动序列的城市快速路交通事故自动检测方法，其通过检测系统通过地磁感应线圈实时采集交通流信息；根据得到的平均时间占有率数据，采用非连续滑动1分钟占有率序列进行处理，判断是否有交通事故发生。如果确认发生了事故，则发出警报，通知交通管理部门采取相应措施应对事故，否则继续采集数据进行检测。本发明的事故检测率高，误报警率低，检测时间短，选取指标具有明确的意义，适合工程实现。

权利要求

1.一种基于非连续滑动序列的城市快速路交通事故自动检测方法，其特征在于：其包括以下步骤：

1)检测系统通过地磁感应线圈实时采集一定步长的交通流信息；

2)根据采集的实时交通流信息判断检测路段是否有交通事故发生，如果判断发生事故则发出警报，通知交通管理部门采取相应措施；否则继续读取实时数据，进行下一次判断；

所述的实时交通流信息采集生成非连续滑动1分钟占有率数据序列作为判别算法的基础数据，具体是：构建以最小周期20s为滑动间隔的非连续滑动1分钟占有率序列，其构建方法为：else

其中：Oi——非连续滑动1分钟占有率序列的第i个值；

——平均1分钟占有率序列的第i个值；

——以20s为间隔，滑动1分钟占有率序列的第i个值；

——20s占有率序列的第i个值；

——以20s为间隔，滑动5分钟占有率序列的第i个值，所述判断检测路段是否发生事故的方法是：

1)处理实时采集的检测路段交通流信息，生成非连续滑动1分钟占有率数据序列；

2)确定判断指标的阈值；

3)计算非连续滑动1分钟占有率数据序列的相关判断指标与判定阈值相比较，判定是否发生事故。

2.如权利要求1所述的基于非连续滑动序列的城市快速路交通事故自动检测方法，其特征在于：所述的非连续滑动1分钟占有率数据序列的相关判断指标分别为占有率Ot，k，第k断面t时刻非连续滑动1分钟占有率；占有率时间差值 第k断面t时刻与t-1时刻非连续滑动1分钟占有率的差值；占有率空间差值 t时刻上游第k断面与相邻下游第k+1断面非连续滑动1分钟占有率的差值；占有率空间时间差值 t时刻占有率空间差值与t-1时刻占有率空间差值之差。

3.如权利要求1所述的基于非连续滑动序列的城市快速路交通事故自动检测方法，其特征在于：阈值的确定方法为：基于历史事故数据的离线标定或者基于预设阈值和一天中事故与非事故数据的在线自修正确定。

4.如权利要求2所述的基于非连续滑动序列的城市快速路交通事故自动检测方法，其特征在于：所述的占有率Ot，k、占有率时间差值 占有率空间差值 和占有率空间时间差值 均不小于阈值时，判定事故发生。

说明书

基于非连续滑动序列的城市快速路交通事故自动检测方法

技术领域

[0001] 本发明涉及一种城市快速路交通事故自动检测方法，具体而言是基于非连续滑动1分钟占有率序列的城市快速路交通事故自动检测方法，可用于对城市快速路是否存在交通事故进行实时自动检测，涉及交通智能管理和控制技术。

背景技术

[0002] 交通事故是指：持续一段时间，导致道路通行能力降低，并对背景交通流状况产生显著影响的突发事件。城市快速路作为城市道路交通网络的骨架，发挥着巨大的作用。突发交通事故对城市快速路的影响，不仅体现在对人车安全形成威胁，更重要是将产生较为严重的交通拥堵瓶颈，而导致城市快速路系统运行效率降低。减小突发事故对城市快速路系统的负面效应，关键环节之一是快速准确的发现事故。

[0003] 交通事故自动检测(Automatic Incident Detection)是先进的交通控制与管理系统的基本组成部分，其目的是通过尽早发现交通事故，尽快进行现场清理，减少事故对交通流的影响。随着交通数据实时自动采集设备(常称车检器)的出现，各种基于车检器的自动事故检测方法基本原理相同：通过辨识事故发生后道路交通状况的变化，来达到检测出事故的目的。自动事故检测方法，由于不需要人的参与，且对交通状况的变化具有自动辨识能力，能快速准确发现事故并进行事故报警，因此更有助于事故发生后尽快采取应急处理措施，减小事故持续时间，降低事故所造成的损失，成为各国研究的热点。

[0004] 目前自动事故检测算法发展至今，主要包括状态识别、交通和理论模型、统计、人工智能以及图像识别等。但各自存在其局限性：状态识别法要求根据经验标定指标阈值，但在使用后期难以修正；突变理论在交通流特性复杂的城市快速路上较难实施；数学统计和人工智能均需要大量的详细的事故样本进行学习；图像识别算法受天气影响较大。以上算法中，只有状态识别算法得到了工程上的应用检验，其他算法大多只停留于理论或仿真研究阶段。

发明内容

[0005] 本发明的目的在于克服现有自动事故检测算法存在的不足，提出一种基于非连续滑动1分钟占有率序列的城市快速路交通事故自动检测方法，其检测率、检测时间和误报率均优于现有算法。

[0006] 为达到以上目的，本发明所采用的解决方案是：

[0007] 一种基于非连续滑动序列的城市快速路交通事故自动检测方法，其包括以下步骤：

[0008] 1)检测系统通过地磁感应线圈实时采集一定步长的交通流信息；

[0009] 2)根据采集的实时交通流信息判断检测路段是否有交通事故发生，如果判断发生事故则发出警报，通知交通管理部门采取相应措施；否则继续读取实时数据，进行下一次判断；

[0010] 所述的实时交通流信息采集生成非连续滑动1分钟占有率数据序列作为判别算法的基础数据。

[0011] 构建以最小周期20s为滑动间隔的非连续滑动1分钟占有率序列，其构建方法为：

[0012]

[0013] else，

[0014] 其中：Oi——非连续滑动1分钟占有率序列的第i个值；

[0015] ——平均1分钟占有率序列的第i个值；

[0016] ——以20s为间隔，滑动1分钟占有率序列的第i个值；

[0017] ——20s占有率序列的第i个值；

[0018] ——以20s为间隔，滑动5分钟占有率序列的第i个值。

[0019] 判断检测路段是否发生事故的方法：

[0020] 1)处理实时采集的检测路段交通流信息，生成非连续滑动1分钟占有率数据序列；

[0021] 2)确定判断指标的阈值；

[0022] 3)计算非连续滑动1分钟占有率数据序列的相关判断指标与判定阈值相比较，判定是否发生事故。

[0023] 所述的非连续滑动1分钟占有率数据序列的相关判断指标分别为占有率Ot，k，第k断面t时刻非连续滑动1分钟占有率；占有率时间差值 第k断面t时刻与t-1时刻非连续滑动1分钟占有率的差值；占有率空间差值 t时刻上游第k断面与相邻下游第k+1断面非连续滑动1分钟占有率的差值；占有率空间时间差值 t时刻占有率空间差值与t-1时刻占有率空间差值之差。

[0024] 阈值的确定方法为：基于历史事故数据的离线标定或者基于预设阈值和一天中事故与非事故数据的在线自修正确定。

[0025] 所述的占有率Ot，k、占有率时间差值 占有率空间差值 和占有率空间时间差值 均不小于阈值时，判定事故发生。

[0026] 根据事故自动检测的需要，用于判断事故的基础数据应该满足以下两个基本要求：在事故状况下，具有良好的突变性，便于进行事故识别；在非事故状况下，具有良好的平稳性，减少正常交通状况下的误报警。采用非连续滑动1分钟占有率序列进行数据处理，能够有效地实现这两个目标。

[0027] 由于采用了上述方案，本发明具有以下特点：本发明的事故检测率高，误报警率低，检测时间短，选取指标具有明确的意义，适合工程实现。

附图说明

[0028] 图1为非连续滑动1分钟占有率序列(Oi)构建的算法流程；

[0029] 图2为多指标串行事故判断方法示意；

[0030] 图4为基于历史事故数据的离线标定方法；

[0031] 图5为阈值的在线自修正方法；

[0032] 图6为阈值自修正算法流程。

具体实施方式

[0033] 以下结合附图所示实施例对本发明作进一步的说明。

[0034] 研究表明，对以20秒为步长的时间平均占有率数据而言，其波动性较大，难以直接应用于自动事故检测算法。如果采用以1分钟为步长的时间平均占有率数据序列，具有最好的事故下突变性，但检测周期从20秒延长为1分钟；而以20秒为滑动间隔的滑动1分钟占有率序列具有最好的非事故下平稳性，但事故下的突变不够明显。非连续滑动1分钟占有率序列以数据获取的最小周期20s为滑动间隔，结合了以上两种数据序列的优点，其构建方法如下：

[0035]

[0036] else，

[0037] 式中：Oi——非连续滑动1分钟占有率序列的第i个值；

[0038] ——平均1分钟占有率序列的第i个值；

[0039] ——以20s为间隔，滑动1分钟占有率序列的第i个值；

[0040] ——20s占有率序列的第i个值。

[0041] ——以20s为间隔，滑动5分钟占有率序列的第i个值；

[0042] 在算法开始构建连续滑动1分钟占有率序列之前，应至少已经有5分钟的20s间隔原始数据存在。举例如下：

[0043] 20s间隔的原始占有率数据序列：

[0044] 18 19 17 18 19 20 21 19 19 20 21 19 21 17 22 24 21 28 35 42 43 45 4841 36 20 17 19 18 20

[0045] 对应构建的非连续滑动1分钟占有率序列(从第5分钟末开始)：

[0046] 20.0 20.0 20.0 24.3 24.3 40.0 40.0 40.0 44.7 44.7 44.7 44.7 44.7 24.324.3

[0047] 以非连续滑动1分钟占有率数据序列为基础构建的算法，检测周期可以达到与原始数据的最短间隔20s一致，保证了较高的检测频率，有利于事故的及时发现。

[0048] 以非连续滑动1分钟占有率数据序列作为判断事故发生的基础数据，确定本算法采用的自动事故检测的四个指标，采用“串行判断”作为多指标事故联合判断方法进行事故判定：

[0049] (1)占有率(Ot，k)，第k断面t时刻非连续滑动1分钟占有率。

[0050] (2)占有率时间差值 第k断面t时刻与(t-1)时刻非连续滑动1分钟占有率的差值。

[0051] (3)占有率空间差值 t时刻上游第k断面与相邻下游第k+1断面非连续滑动1分钟占有率的差值。

[0052] (4)占有率空间时间差值 t时刻占有率空间差值与t-1时刻占有率空间差值之差。

[0053] 顺序判断上述4个指标，当同时满足条件时判断为事故状态，其中任意一个指标不符合条件则跳出判断，认为无事故发生。

[0054] 本发明的实施方法如下，参考图3所示：

[0055] 1.在城市快速路检测区域上下游布置检测设备(地磁感应线圈)，以某个采样单位(如20秒)采集平均时间占有率参数，作为算法的基础数据。

[0056] 2.确定判断指标的阈值。对相同检测路段的相同车道的若干断面、单元段，采用相同阈值组，即同一个阈值向量。对指标阈值的确定，本发明提出两种方法：A.基于历史事故数据的离线标定方法，B.基于预设阈值和一天中事故与非事故数据的在线自修正方法。

[0057] A.基于历史事故数据的离线标定方法

[0058] 首先，划定待标定的路段和车道，根据以人工监视、电话报警或其他方式确认的事故记录，调取历史数据库中相应路段车道的数据；

[0059] 随后，计算获得各关键参数的最大值。采用有限穷举的思想，避免做过多的不必要运算。即先根据各关键参数最大值确定其穷举的范围，对超过其最大值的范围不必进行运算；再根据其变化情况对各关键参数分别确定相应的搜索步长，从而获得若干不同组合的阈值向量。

[0060] 最后，对这些阈值向量逐一运行检测算法，获得每个阈值分组对历史事故的检测效果，选取检测效果最好的一组阈值作为推荐阈值。

[0061] 举例如下表：

[0062] 表1基于历史数据离线标定关键参数

[0063]

[0064] B.基于预设阈值和一天中事故与非事故数据的在线自修正方法，主要由三级比较判断构成，算法详细流程参考图6。

[0065] 首先，根据历史数据分析，为各路段车道预设一组阈值，得到预设阈值向量T＝[T1，T2，T3，T4]，其中Ti为第i指标的预设阈值；根据T进行为期一天的运行，通过对检测路段实际发生事故进行确认，获取得到一天24小时内正常交通状况下四个指标的各自绝对最大值集合 以及事故状况下四个指标的相对最小值集合，即能够区分事故状态与正常状态的最小值集合 其中
maxj(ti)表示第j起事故发生后3分钟内，第i个关键参数ti所取得的最大值。

[0066] 随后，将T与tmax、tmin分别进行向量比较。其中i、j、m、n、k、l∈{1，2，3，4}：

[0067] (1)当所有指标的预设阈值 时，则表明预设的阈值有可能将正常状况判断为事故：

[0068] ①若 为空，则当天24小时内无事故发生。 ε＝1；

[0069] ②若 则Ti设置依然偏高，不能检出全部事故，需调低至T’＝tmin；

[0070] ③若 则Ti能够检测出全部事故，此时：

[0071] 若 则表明第i指标在各事故下均有大于正常状况下最高值的情况出现，可调高Ti至 ε＝1；

[0072] 若 则表明第i指标在各事故下的相对最小值恰等于正常状况下的最大值，此时取

[0073] 若 则表明该事故条件下的相对最小值小于正常情况下的最大值，将导致误报警的出现。此时取 以确保全部事故能够检出；

[0074] 若tmax中第k指标 第1指标 则分别取 即min
取T′＝t 。

[0075] ④若tmin中第m指标 而第n指标 则分别令 即取T′＝tmin；

[0076] (2)当所有指标的预设阈值 时，表明预设阈值不会将正常状况判断为事故：

[0077] ①若 为空，则当天24小时内无事故发生。取T′i＝Ti，即T’＝T；

[0078] ②若 则所有事故都能够被检测出，取T′i＝Ti，即T’＝T；min

[0079] ③若t 中第m指标 而第n指标 则分别令 即取T′＝tmin；

[0080] ④若 则有事故可能被漏报。此时：

[0081] 若 则表明第i指标在各事故下均有大于正常状况下最高值的情况出现，可调高Ti至 ε＝1；

[0082] 若 则表明第i指标在各事故下的相对最小值恰等于正常状况下的最大值，此时取

[0083] 若 则表明该事故条件下的相对最小值小于正常情况下的最大值，将导致误报警的出现。此时降低Ti取值，令 以确保全部事故能够检出；

[0084] 若tmax中第k指标 第1指标 则分别取 即min
取T′＝t 。

[0085] (3)当 则表明部分预设阈值(Ti)有可能将正常状况判断为事故：

[0086] ①若tmin为空，则当天24小时内无事故发生。取T′k＝Tk，即T’＝T；

[0087] ②若 则所有事故都能够被检测出，此时取T′k＝Tk，即T’＝T；

[0088] ③若 则有事故可能被漏报。此时令 以确保全部事故能够检出；

[0089] ④若tmin中第m指标 而第n指标 则第m指标能够检出所有事故，第n指标会有事故漏报。此时：

[0090] 若 则可提高 ε＝1；

[0091] 若 则 即T′＝tmax；

[0092] 若 则有正常状况被误报为事故的可能，此时为保证全部事故被检测出，min取 即T′＝t ；
max

[0093] 若t 中第k指标 第1指标 则分别取 即min
取T′＝t 。

[0094] 最后，以调整后的指标阈值向量T′＝[T′1，T′2，T′3，T′4]作为新的指标阈值T，用于下一天的事故判别。

[0095] 3.计算非连续滑动1分钟占有率数据序列串行判断的四个指标Ot，k、 和[0096] 4.顺序依次进行判断，比较Ot，k与T1、 与T2、 与T3和 与T4。如果所有指标都通过了串行运算，同时满足：Ot，k≥T1、 和 则认为有事故发生，发出报警。

[0097] 算例分析

[0098] 本实验选取上海市城市快速路的观测事故，将本次研究建立的多指标事故检测方法与现有的基本加州算法和加州7#算法进行平行测试。数据为来源于上海快速路监控系统的上海城市快速路，以20秒为步长的线圈断面平均时间占有率数据。非连续滑动1分钟占有率数据序列算法事先采用前1天历史事故数据进行阈值标定。

[0099] 测试结果如表2所示。

[0100] 表2非连续滑动1分钟占有率数据序列算法与加州算法测试对比

[0101] (检测区1天数据，包含3起事故)

[0102]

[0103] 检测结果显示：

[0104] (1)在13477次检测中没有发生误报，误报率为0；基本加州算法在7200次检测中发生了2次误报，误报率为0.03％；加州7#算法在7200次检测中发生了9次误报，误报率为0.12％。表明本方法的多指标检测方法在避免误报的性能上优于基本加州算法和加州7#算法；

[0105] (2)本算法与基本加州算法均能有效检测出3起测试事故，而加州7#算法只能检测出2起测试事故；

[0106] (3)本算法检测时间与两种加州算法基本相同，均早于人工事故发现时刻。

[0107] 上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于这里的实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。