[发明专利]基于偏最小二乘原理的高速公路交通事件自动检测方法

说明书

技术领域

本发明涉及一种高速公路交通事件自动检测的方法，具体说是一种基于偏最小二乘原理的高速公路交通事件自动检测方法，可用于对高速公路交通事件存在与否进行实时自动检测，涉及交通智能管理和控制技术。

背景技术

交通事件指经常发生的非重复性事件，如交通事故、货物散落、车辆抛锚、路面维修、信号或检测设备故障及其他一些中断正常交通、引起拥挤和延误、降低道路通行能力的特殊事件。由于交通事件引起的拥挤是突然的，因而极易引发二次事故，从而降低道路安全水平。全世界每年因为交通事件引起的生产力损失、财产损失、人身伤害达数亿美元。近年来，随着社会经济的快速发展、车辆保有量与道路通车里程的与日俱增、车辆运行速度的提高，交通事件频繁发生，在我国已成为一个严重的社会问题。

交通事件的早期检测与及早分流可以大幅度降低延误，提高道路安全和服务水平。交通事件自动检测(Automatic Incident Detection，AID)是先进的交通控制与管理系统中最基本最重要的组成部分，其目的是通过尽早检测和清理交通事件，使公路尽快恢复正常运行，降低延误，是解决高速公路突发交通事件的有效途径之一。自20世纪70年代开始，交通事件自动检测就受到各国交通工程专家的重视，成为交通运输工程领域的一个研究热点。

目前基于交通流参数变化来检测交通事件的方法，因其经济方便而成为发展中国家和大多数发达国家AID研究的主要方向。发明“采用人造神经网络和遗传算法的高速公路事件自动检测系统”(CN 1311880A)公开了一种高速公路上自动检测交通事件的神经网络的设计，该发明运用遗传算法优化神经网络的设计。不少实验结果表明，基于神经网络的检测算法性能优于其它算法。但是，神经网络算法有以下几个缺点，神经网络是黑箱结构，知识隐含在连接权重中，难以抽取和理解，收敛较慢，并且收敛依赖于学习参数的设置，存在早熟现象，易陷于局部极小等。此外，遗传算法本身除耗时外，也有自身参数选择的问题。

近年又有学者提出使用支持向量机(Support Vector Machine，SVM)对交通状态进行识别，从而实现交通事件的自动检测。SVM的核函数及其参数对SVM的分类性能有很大影响，但是，如何选择合适的核函数及其参数是一挑战性的工作，目前还没有简单确定的方法，一般是通过大量费力耗时的实验摸索，因此，SVM的应用效果完全依赖于使用者的经验，这就影响了其检测交通事件的能力。

发明内容

本发明所要解决的技术问题在于，克服现有技术存在的技术缺陷和不足，提供一种基于偏最小二乘原理的高速公路交通事件自动检测方法，其检测率、误警率和分类率均优于现有技术。

本发明基于偏最小二乘原理的高速公路交通事件自动检测方法，包括以下步骤：

----检测系统通过地感线圈或视频设备按照设定步长采集检测区实时交通流信息，包括上下游交通流量、速度、车道占有率、车头时距，采样步长可设为30秒或1分钟；

----根据采集的实时交通流信息判断检测区是否发生交通事件，如果发生，发出警报，通知交通管理部门采取相应的措施清除事件，否则继续采集数据，进行下一次判断；

其特征是：所述根据采集的实时交通流信息判断检测区是否发生交通事件，是采用偏最小二乘回归检测算法判断检测区是否发生交通事件。

偏最小二乘回归方法与普通最小二乘回归在思路上的主要区别是它在回归建模过程中采用了信息综合与筛选技术。它首先提取若干对系统具有最佳解释能力的新综合变量(即提取成分)，然后利用提取成分进行回归建模。

设已知因变量y和k个自变量x₁，x₂，......，x_k，样本数为n，构成数据表X＝[x₁，x₂，...，x_k]_n*k和y＝[y]_n*1。偏最小二乘回归的建模步骤包括：

(1)对X和y进行标准化处理，得到标准化后的自变量矩阵E₀和F₀，