[发明专利]一种基于交通状态突变的交通事件检测方法

说明书

技术领域

本发明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。

背景技术

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。

发明内容

有鉴于此，本发明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，本发明提供如下技术方案，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{X_i|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(S_k)，则没有发生交通事件；若E(S)＞E(S_k)，则发生了交通事件，其中，E(S)，E(S_k)分别表示总方差S和S_k的期望，k表示样本分割点。

进一步，令

S^*＝min(S_k),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