[发明专利]基于集成学习时间序列预测的隧道事件检测方法

说明书

技术领域

本发明属于检测技术领域，特别是一种涉及公路事件的检测方法，可以用于对隧道事件的判定及实现带有预测功能的通风控制。

背景技术

在隧道事件检测及变频通风控制系统中，一氧化碳浓度和烟雾浓度检测值是变频通风控制的主要依据，一氧化碳浓度和烟雾浓度的检测是一个大时滞系统，且易受不确定因素的影响。为了保证隧道通风控制系统的及时有效性，应快速分析隧道事件与通风控制的关系。而在通风控制量化的研究中，一氧化碳浓度、烟雾浓度与隧道事件间的关联关系是研究的前提。根据隧道传感器检测值预测隧道交通事件发生的概率，准确实施对隧道变频通风的控制，避免隧道交通事件的发生，可以达到隧道运营节能的目的。

所谓交通事件，是指导致道路通行能力下降的意外事件。所谓事件检测，是指通过检测方法检测到频繁出现、有一定规律可循且涉及的相关数据可以由隧道监控系统采集的隧道事件。公路隧道事件可分为货物洒落、车辆故障、交通挤塞、烟雾和一氧化碳浓度超标、风速和光照异常等类型。如果这些交通事件没有得到及时处理，很可能引起交通事故，如撞车、火灾等。

目前，国内外对于隧道通风节能研究大多数是采用最大浓度法，即只在环境参数达到临界值时增开风机，小于临界值时减开风机。这种方法具有如下不足：

1)能耗大，达不到节能的目的。

2)通风控制的实时性、准确性差。

由于隧道变频通风控制是一个复杂的时滞的控制过程，而现有的控制方法多是根据系统已发生的行为特征进行控制，属于事后控制，很难做到完全的实时性、准确性和适应性。

3)不易建立精确的控制对象数学模型。

隧道模型是隧道通风系统的载体，隧道通风过程同时也是污染物在隧道中的运移过程，污染模型则用来计算隧道中一氧化碳和烟雾浓度的分布情况。但是由于难以掌握控制对象原理，建立的控制对象数学模型复杂多变，因此采用一般的建立控制对象数学模型的方法，时滞和精确性问题很难解决。

4)难以获得最优的传感器数据预测器。

现有的传感器数据预测是希望在动态系统行为的所在范围内构建单一复杂预测函数，即构建一个适应全局范围的控制模型，而这样的模型难以获得。

发明内容

本发明的目的在于克服上述已有方法的不足，提出一种基于集成学习时间序列预测的隧道事件检测方法，通过检测出因隧道交通拥塞、烟雾浓度超标等造成的隧道交通事件，以此作为隧道变频通风控制的依据，使隧道通风控制更为精确和稳定，进一步为公路隧道的安全运营奠定基础。

实现本发明的技术方案是：利用集成学习时间序列预测技术生成对隧道传感器检测数据的基预测器，以克服目前简单依据隧道一氧化碳及烟雾浓度阈值进行隧道通风控制的弊端，同时，利用多个基预测器加权组合形成强预测器，对高速公路隧道事件进行预判及控制。具体过程如下：

(1)对收集的高速公路隧道烟雾浓度、一氧化碳浓度、车流量和风速的传感器周期性检测数据进行数据修补预处理，形成隧道传感器训练数据集；

(2)利用集成学习方法根据隧道传感器训练数据集训练出L个基预测器(1≤L≤20)，由基预测器加权组合形成强预测器；

(3)根据当前t时刻高速公路隧道传感器的检测值，利用强预测器计算t+1时刻隧道的烟雾浓度预测值，并根据预测误差动态调整参与集成的基预测器，形成新的强预测器；

(4)将t+1时刻的隧道烟雾浓度预测值与烟雾浓度阈值比较，当该预测值大于阈值，则判为烟雾浓度超标事件，否则隧道运营正常；

(5)对于t+1时刻的烟雾浓度超标事件，利用比例积分微分控制参数判定算法计算其比例参数K_p、积分参数K_i及微分参数K_d，并传输给变频通风控制器进行通风控制。

本发明具有如下优点：

1)本发明由于采用基于集成学习的时间序列预测方法，可以避开烦琐的数学建模过程并解决控制系统时滞问题，不需要建立最优的预测器；

2)本发明由于采用历史基预测器组合生成强预测器，可以节省训练时间，减少运算量，能够适应高速公路隧道烟雾浓度、一氧化碳浓度、车流量和风速传感器数据出现周期性变化的情况；

3)本发明由于采用时间序列预测值控制风机，使得风机比例积分微分控制器控制参数的确定具有了预测功能，可以起到事先控制的作用；

4)本发明由于构造的强预测器采用特定隧道交通历史检测数据训练，可以更适合具体隧道的运营监控及节能减排。

附图说明

图1是本发明的检测步骤流程图；