三維集成高速公路交通事件自動檢測方法

2023-09-16 10:46:40

專利名稱：：三維集成高速公路交通事件自動檢測方法
技術領域：
：本發明屬於高速公路交通事件檢測方法領域，尤其是一種三維集成高速公路交通時間自動檢測方法。具體對安裝了固定型交通流檢測器的快速路或高速公路進行交通事件自動檢測。
背景技術：
：交通事件自動檢測(AID)是快速路(高速公路)交通管理與控制系統的重要組成部分，如何準確、快速地檢測出交通事件發生的時間、地點及嚴重程度，以便採取積極有效的救援措施，對交通管理與控制系統具有十分重要的意義。目前已經有應用各種技術的事件檢測方法，大體可以分為基於模式匹配技術的方法、基於統計分析的方法、基於交通流模型的方法和基於人工智慧的方法.這些方法大多都是建立在交通流檢測器採集的數據基礎上，所使用的基本輸入參數為時間或空間的流量、速度和佔有率序列等。典型的模式識別方法主要有加利福尼亞算法和McMaster算法；代表性的統計預測方法有標準正常偏差法、貝葉斯方法等；基於交通流模型的方法有Dynamic算法等；近年來，又出現了一些新的方法，其中神經網絡法和小波變換等方法。傳統的AID研究的重點僅僅是識別事件的發生，而沒有提供與事件特性相關的信息。擁有比較好的AID性能的加利福尼亞算法利用直接比較法得到檢測結果。然而，比較法的普遍問題是用於事件識別的初始值的確定，這些會限制比較法的實際應用。利用人工神經網絡訓練數據進行事件檢測有一定的優勢，然而，神經網絡需要大量事件數據進行訓練才能使其具有好的移植性，這在實際應用中很難實現。根據檢測方法的檢測截面來分，事件檢測方法可分為單截面法和雙截面法。在交通量比較小時，車輛對道路佔有率較小，事件發生時相鄰檢測器的交通參數變化差異更小，不適宜採用雙截面法，宜採用單截面法，而對交通量比較大的情況下，宜採用雙截面法。總結現有的事件檢測方法，主要存在的問題(1)採用單截面法，或者採用多截面法，其實這兩種情況都有可能發生，應該全面考慮；(2)每個檢測方法只能適用於一種情況。只採用一種檢測方法的系統魯棒性不高，可採用多個檢測方法的集成，以提高系統的精度和魯棒性；(3)現有方法中的交通流模型和閾值一般都是固定參數的，而實際上這些參數是隨著時間段不同、道路特性和車輛特性而變化的，應使其動態變化，以反映最近的交通流變化；(4)現有方法如基於加利福尼亞算法的方法中只依靠佔有率一個交通流參數，McMaster算法考慮了佔有率和流量。但是，佔有率高可能是交通擁擠的表現，也有可能是大車通過的情況；速度低有可能是交通擁擠，也可能是駕駛員非常謹慎的情況；交通流流量低可能是交通流暢通，也有可能是交通非常擁擠的情況。所以，必須要結合其他變量才能對交通流綜合測評；(5)現有方法幾乎都沒有考慮事件發生時同一斷面相鄰車道之間的交通流參數的變化，而實際上這種變化是明顯的。
發明內容本發明的目的是提供一種檢測快速、漏報率低的三維集成高速公路交通事件自動檢測方法。本發明的技術方案是三維集成高速公路交通事件自動檢測方法，其特徵是根據對高速公路檢測器檢測數據的分析，判斷是否發出報警信號，具體包括下列步驟…-系統初始化讀取車道流量-速度閾值、車道佔有率-流量閾值、車道速度-佔有率閾值；…-啟動使能標誌啟動程序自動檢測功能，當需要手工或自動更新參數，通過界面的"結束檢測"按鈕清零標誌使自動檢測功能結束，待參數更新完畢，可重新啟動；--讀取交通流實時數據，分別讀取所有檢測器數據；—-調用橫向維即車道流量-速度算法模塊、時間維即車道佔有率-流量算法模塊、縱向維檢測模塊即車道速度-佔有率算法模塊和集成判斷模塊，對全部監測器數據為基礎進行判斷，根據判斷結果做出是否啟動報警裝置發出報警信號。所述橫向維即車道流量-速度算法模塊具體包括下列步驟以一個月的歷史數據進行統計，求出各個時段的平均流量比率和速度比率，則各個車道的流量比和速度比的閾值設為formulaseeoriginaldocumentpage7formulaseeoriginaldocumentpage7^M表示求平均值，^/表示求方差；當某個車道流量和速度下降到一定的閾值時，表明有事件發生，通過計算檢測器斷面各個車道的速度比率和流量比率，並且與設定好的速度下限和流量下限參數進行對比，來檢測事件；流量和速度比率的計算公式如下離畫腳離羅'(/=1,2，3，4);formulaseeoriginaldocumentpage7其中R^C/ME—及/rQ為某個車道的流量比率，W兀C/Mg為某個車道的流量，模塊設定為當某個車道流量和速度連續下降到一定的閾值兩次時，該車道發出事件報警請求。所述時間維即車道佔有率-流量算法模塊具體包括下列步驟交通流模型為formulaseeoriginaldocumentpage7式中，O為佔有率，f是流量，V表示自由流速度，Oj表示阻塞佔有率，r，m是常數，Vf，Oj，r，m是待定的參數，根據實際道路情況，對這四個參數的變化範圍進行一定限制，將其轉化為一個約束優化問題，模型優化的目標函數為絕對誤差之和，該值全面反映了誤差的大小，如下式所示formulaseeoriginaldocumentpage7其中，/(/)是根據交通流模型得到的流量值，/'(/)是實測的流量值；在有約束的最優化問題中，採用基於K一T(knhn—Tucker)方程來求解]，根據連續四個周期的佔有率得出相應的所處等級和^vC^"ge(/，卜U)(表示t時刻相對於t-l時刻佔有率跳躍的等級，i表示車道)，然後"斷是否滿足下面三個條件之一丄evC72twge(f,f—1，0之2<丄evC7a"ge(/，卜U)=1&&ZevC7za"ge(/-1，卜2,/)=0&&Z^C/ra，(y-2，卜3,z〕=1丄evCTM("ge(,，,-1,&&LevC/M!"geO—1,卜2，/)=1若滿足之後，則該車道發出事件報警請求。所述縱向維檢測模塊即車道速度-佔有率算法模塊具體包括下列步驟方法實施的具體步驟為應用模糊聚類方法給出大量交通流速度-佔有率歷史數據的聚類的中心值；分別求出實時的上下遊的交通流速度、佔有率數據與四個中心的歐式距離，與哪個中心最近(歐式距離最小)的就是所屬相應的等級；判斷上下遊的等級差，當上下遊交通狀態特級連續兩個周期相差3個級別時，表明有事件發生，則發出事件報警請求。所述集成判斷模塊合成集成規則為(1)若某個檢測器在第t-l周期報警，那麼在第t周期就不報警，認為是同一事件；(2)在某個時刻，若某個檢測器報警了，那麼其下遊就不報警，認為是同一事件；(3)若某個檢測器在第t-l周期報警，那麼在第t周期其下遊就不報警，認為是同一事件；(4)如果快速路路段的檢測器中間有交叉口，那麼路段則不報警或閾值範圍加大；(5)如果快速路路段的檢測器中間有進出口，那麼外側車道的不報警。交通流(包括流量、速度、佔有率(密度))是一個隨著兩維空間(相鄰車道和上下遊車道)和一維時間變化的複雜變量，交通流三個變量之間相互關聯，共同決定交通流的特徵。當公路某一路段發生事件時，事件點通行能力立即下降。如果下降到低於交通需求時，交通流受到影響，產生偶發性交通擁擠，在出事地點下遊的一定範圍內將出現交通流反常上遊車輛因交通受阻而減速，下遊車輛稀少而加速；出事車道上的交寧流量減少，相鄰車道因交通流合併而車流量增多；上遊道路的時間佔有率增大，下遊的時間佔有率減小等等(如圖1)。總之，當發生交通異常時，交通流參數在一定範圍內將比正常值偏大或偏小。還包括下列步驟根據歷史數據的報警事件信息，得出包括檢測率和誤報率在內的性能指標，以手工或自動更新三個檢測模塊的關鍵參數，使得事件檢測方法能更接近地反映交通流的變化，更新參數規則如下(1)利用最新的歷史數據和統計方法自動更新橫向維即車道流量-速度算法模塊的參數，在相隔一定的周期內，對已報警的數據和真實交通事件進行統計，得出檢測率和誤報率，調整整體參數以儘量使誤報率和報警率處於合理的水平；(2)根據最新的一個月的歷史數據自動更新交通流模型，時間維即車道佔有率-流量算法模塊的三個閾值自動得到更新，將最新的一個月的歷史數據輸入交通流模型優化程序，直接得到最新的三個閾值；(3)根據最新的一個月的歷史數據重新進行模糊聚類自動更新縱向維檢測模塊即車道速度-佔有率算法模塊4個聚類中心，就是將最新的一個月的歷史速度和佔有率數據輸入模糊聚類程序，直接得到最新的4個模糊聚類中心。本發明的效果是現有的各種事件自動檢測方法大都考慮一種變量，或者考慮交通流在一個維度上的變化，這樣必然會導致漏報率高和檢測時間較長。本發明三維集成事件自動檢測方法，所解決的技術問題為全面綜合考慮交通流三要素質之間的聯繫，分別從流量-速度，流量-佔有率，速度-佔有率三個方面檢測，最後事件集成的事件自動檢測方法，能夠降低漏報率和加快檢測時間。下面結合附圖和實施例對本發明做進一步的說明。圖l是本發明的硬體框圖2是本發明的程序流程框圖3是本發明的程序原理圖4是時間維檢測佔有率-流量模型等級劃分圖；圖5是集成判斷模塊流程圖；圖6是模塊參數更新流程框圖7橫向維即車道流量-速度算法模塊參數程序框圖。具體實施方式如圖1所示，本發明的硬體部分包括監測器、計算機和報警撞擊，計算機對高速公路上設置的檢測器數據分析後，確定是啟動報警裝置否發出報警信號。如圖2所示，三維集成高速公路交通事件自動檢測方法，其特徵是根據對高速公路檢測器檢測數據的分析，判斷是否發出報警信號，具體包括下列步驟系統初始化讀取車道流量-速度閾值、車道佔有率-流量閾值、車道速度-佔有率閾值；啟動使能標誌；讀取交通流實時數據，分別讀取所有檢測器數據；調用橫向維即車道流量-速度算法模塊、時間維即車道佔有率-流量算法模塊、縱向維檢測模塊即車道速度-佔有率算法模塊和集成判斷模塊，對全部監測器數據為基礎進行判斷，根據判斷結果做出是否啟動報警裝置發出報警信號。根據圖3所示，詳細介紹各個模塊及本發明的工作原理。1、子模塊描述(1)橫向維(相鄰車道)檢測模塊正常狀態下同一斷面相鄰車道的交通流差別不大，當某個車道交通事件發生時，該車道的交通流量下降、速度下降。所以，當某個車道流量和速度下降到一定的閾值時，表明有事件發生，將應用統計方法給出該閾值的初始值；通過計算檢測器斷面各個車道的速度比率和流量比率，並且與設定好的速度下艱和流量下限參數進行對比，來檢測事件。流量和速度比率的計算公式如下formulaseeoriginaldocumentpage10其中R9Zt/M￡_//r<9;為某個車道的流量比率，r(9丄C/Mg為某個車道的流量。經測試，並且為避免檢測器數據瞬時異常，該模塊設定為當某個車道流量和速度連續下降到一定的閾值兩次時，表明事件發生。橫向維(相鄰車道)檢測模塊的基本原理是對最近一個月的歷史數據進行統計，求出各個時段的平均流量比率和速度比率，則各個車道的流量比和速度比下限的初始值設為formulaseeoriginaldocumentpage11(3)formulaseeoriginaldocumentpage11(4)m^"表示求平均值，^/表示求方差，與0求最大是為了避免出現負數的情況。當某個車道的流量比和速度比，同時小於等於該車道的流量比下限和速度比下限，該車道發出事件報警。(2)時間維(時間變化)檢測模塊正常狀態下，同一斷面同一車道的交通流變化是連續的。在事件發生的情況下，該變化是跳躍的。佔有率-流量模型是反映交通流變化特徵的重要模型。本模塊利用基於優化的佔有率-流量模型將交通流用不同的閾值劃分為不同的4個等級，如圖4所示，將用交通流狀態在時間維上所屬等級的變化大小來判斷事件的發生。模塊二所需要的三個閾值Ol、02、03的作用是以此來判斷佔有率的等級，是根據佔有率和流量的交通流模型、歷史數據訓練以及約束優化理論所得的，其中，02為佔流量最大時的佔有率，01和03分別表示流量為最大流量值一半時佔有率。根據交通流模型和優化方法，求出ol,o2和o3，本發明採用的交通流模型為(5)式中，o為佔有率，f是流量，Vf表示自由流速度，Oj表示阻塞佔有率，r，m是常數。Vf，Oj，r，m是待定的參數。根據實際道路情況，對這四個參數的變化範圍進行一定限制，將其轉化為一個約束優化問題。模型優化的目標函數為絕對誤差之和(sumofabsoluteerror),該值全面反映了誤差的大小，如式(6)所示。(6)/(o是根據交通流模型得到的流量值，/(o是實測的流量值。在有約束的最優化問題中，採用基於K一T(knhn—Tucker)方程來求解。K—T方程的解形成了許多非線性規划算法的基礎。這些算法直接計算拉格朗日乘子。用擬牛頓法更新過程，給K一T方程積累二階信息，可以保證有約束擬牛頓法的超線性收斂。這些方法稱為序列二次規劃法(SQP)。對於給定的規劃問題，序列二次規劃(SQP)的主要思路是形成基於拉格朗日函數二次近似的二次規划子問題。SQP法的實現一般分為3步，即拉格朗日函數Hess矩陣的更新、二次規劃問題求解和一維搜索和目標函數的計算。根據連續四個周期的佔有率得出相應的所處等級和i^C^唯e(v-U)(表示t時刻相對於t-l時刻佔有率跳躍的等級，i表示車道)，然後判斷是否滿足下面三個條件之一—formulaseeoriginaldocumentpage12(7)若輛足之後，貝ll報警o(3)縱向維(上下遊車道)檢測模塊由於正常狀態下，相同車道上下遊的交通流差別不大，當某個車道交通事件發生時，其上遊檢測器的交通流狀態惡化，佔有率增加，速度降低，下遊檢測器的交通狀態改善，佔有率減少，速度提高。避免加利福尼亞算法只利用佔有率的弊端和結合交通流狀態的模糊特性，本模塊將利用模糊聚類將交通流速度-佔有率模型分成四個等級，將根據上下遊交通流狀態所屬等級差大小來判斷事件的發生。應用模糊聚類方法給出大量交通流速度-佔有率歷史數據的聚類的中心值，根據佔有率從小到大的順序依次為l級、2級、3級和4級的中心值。模糊聚類的概念最早由Ruspini提出。模糊c均值(FuzzyC-means，簡稱為FCM)聚類是一種比較典型的模糊聚類算法，由Bezdek在1981年提出，用於將多維數據空間分布的數據點分成特定數目的類。在模糊聚類中，每一個數據點以某種程度屬於某一類，它用隸屬度來表示每個數據點屬於某個聚類的程度。FCM把n個向量x'(f=^，")分為c個模糊組，並求每組的聚類中心，使得非相似性指標的目標函數達到最小。具體算法描述如下設目標函數如式(8)所示formulaseeoriginaldocumentpage13(8)formulaseeoriginaldocumentpage13(9)formulaseeoriginaldocumentpage13(10)其中e[O,l]，表示第j個數據點屬於第i個聚類中心的隸屬度；c,為模糊組i的聚類中心，&=|c,-。||表示第i個聚類中心與第j個數據點間的歐幾裡德距離；me[l，oo)是一個加權指數，本發明設為構造拉格朗日乘子，建立新的目標函數如式(11)所示formulaseeoriginaldocumentpage13(11)對所有輸入參量求導，使原目標函數達到最小的必要條件為formulaseeoriginaldocumentpage13(12)FCM算法的迭代過程如下St印1:隨機初始化C個數據聚類中心。St印2:用式(9)計算U陣。St印3:用式(12)計算c個新的聚類中心Ci，i^，…，c。St印4:根據式(ll)計算目標函數，若小於某個確定的閾值，或相對上次目標函數改變量小於某個閾值，則算法停止，否則，返回步驟二。方法實施的具體步驟為應用模糊聚類方法給出大量交通流速.度-佔有率歷史數據的聚類的中心值；分別求出實時的上下遊的交通流速度、佔有率數據與四個中心的歐式距離，與哪個中心最近(歐式距離最小)的就是所屬相應的等級；判斷上下遊的等級差，當上下遊交通狀態特級連續兩個周期相差3個級別時，表明有事件發生，則報塾。集成判斷模塊本方法因為考慮全面綜合，在降低漏檢和檢測時間的同時有可能會造成重複報警。所以必須研究三維方法之間的集成。根據交通事件發生時對三維交通狀態的影響、所研究路段的幾何特徵，以及交通管理的經驗，本方法規定以下幾條合成集成規則(1)若某個檢測器在第t-l周期報警，那麼在第t周期就不報警，認為是同一事件；(2)在某個時刻，若某個檢測器報警了，那麼其下遊就不報警，認為是同一事件；(3)若某個檢測器在第t-l周期報警，那麼在第t周期其下遊就不報警，認為是同一事件，如下表所示(有V表示報警)表l空間一時司說明表tableseeoriginaldocumentpage14tableseeoriginaldocumentpage15(4)如果快速路路段的檢測器中間有交叉口，那麼路段則不報警或閾值範圍加大；(5)如果快速路路段的檢測器中間有進出口，那麼外側車道的報警可信度減小；其軟體實現過程如下先將某一路段上的所有檢測器以結構體的數據類型按上下遊關係存到一個鍊表裡，所用到的結構體SAlarm一Attribute表示每個檢測器的事件屬性，有以下定義typedefstruct{〃內環intpre一inc一id;//該檢測器上個周期的發生事件的事件編號，0為無事件CStringalgjd;〃該事件的算法標誌，0無事件1，2，3代表算法一，二，三int&131111_￡;0111;//該檢測器的報警次數int111(^加10;//該檢測器的發生事件的事件編號，0為無事件〃外環intpre—incjd2;//該檢測器上個周期的發生事件的事件編號，0為無事件CStringalg—id2;〃該事件的算法標誌，0無事件1，2，3代表算法一，二，三intalarm—count2;〃該檢測器的報警次數int111(^(^11{102;//該檢測器的發生事件的事件編號，0為無事件CStringposid;〃該檢測器編號CStringUpPOSID;〃上遊POSIDCStringDownPOSID;〃下遊POSID〃該檢測器所屬路段名〃直彎道標誌，l代表直道，0代表彎道DOUBLEMIDLONGITUDE;〃與表中下一個檢測器中間位置的經度DOUBLEMIDLATITUDE;〃與表中下一個檢測器中間位置的諱度DOUBLELONGITUDE;〃該P0SID經度DOUBLELATITUDE;〃該POSID諱度)SAlarm—Attribute;〃檢測器事件屬性結構體首先，判斷該檢測器的報警次數alarm—count是否為1:CStringroadname;intcurve;若不是，再判斷其是否大於1，若大於1，則說明該檢測器已報過警，就可以根據其事件編號IncidentID合併成同一事件，若小於1，即等於0，則說明無事件，繼續判斷其他檢測器；若是，則說明該檢測器第一次報警，則先判斷有無上遊若無上遊，則該事件為新事件，報警；若有上遊，可先判斷該事件是否報過，若報過，則根據其事件編號IncidentID合併成同一事件，若沒報過，再判斷上遊在上個周期的報警情況。集成模塊的流程圖如圖5所示。本發明初步採用統計的方法給出模塊1(橫向維)的閾值，根據交通流模型和優化方法給出模塊2(時間維)的閾值，採用模糊聚類方法模塊3(縱向維)的閾值。將根據實際交通事件的發生情況和時段不同對方法的閾值和關鍵值進行微調和自動更新。參數學習步驟介紹根據歷史數據的報警事件信息，得出方法性能指標，有檢測率和誤報率等，由此可以手工或自動更新三個檢測子方法模塊的關鍵參數，使得事件檢測方法能更接近地反映交通流的變化，和使方法性能指標能滿足用戶要求，系統流程圖如圖6所示。而更新參數規則如下-(1)利用最新的歷史數據和統計方法自動更新將模塊l的參數，在相隔一定的周期內如三個月，對己報警的數據和真實交通事件進行統計，得出檢測率和誤報率，調整整體參數以儘量使誤報率和報警率處於合理的水平。對算法一來說，軟體流程圖如圖7所示。(2)根據最新的一個月的歷史數據自動更新交通流模型，模塊2的三個閾值Ol、02和03自動得到更新，簡單地說，就是將最新的一個月的歷史數據輸入交通流模型優化程序，直接得到最新的三個閾值。(3)根據最新的一個月的歷史數據重新進行模糊聚類自動更新模塊4個聚類中心。簡單地說，就是將最新的一個月的歷史速度和佔有率數據輸入模糊聚類程序，直接得到最新的4個模糊聚類中心。權利要求1、三維集成高速公路交通事件自動檢測方法，其特徵是根據對高速公路或快速路後檢測器檢測數據的分析，判斷是否發出報警信號，具體包括下列步驟----系統初始化讀取車道流量-速度閾值、車道佔有率-流量閾值、車道速度-佔有率閾值；----啟動使能標誌啟動程序自動檢測功能，當需要手工或自動更新參數，通過界面的「結束檢測」按鈕清零標誌使自動檢測功能結束，待參數更新完畢，可重新啟動；----讀取交通流實時數據，分別讀取所有檢測器數據；-----調用橫向維即車道流量-速度算法模塊、時間維即車道佔有率-流量算法模塊、縱向維檢測模塊即車道速度-佔有率算法模塊和集成判斷模塊，對全部監測器數據為基礎進行判斷，根據判斷結果做出是否啟動報警裝置發出報警信號。2、根據權利要求1所述的三維集成高速公路交通事件自動檢測方法，其特徵是所述橫向維即車道流量-速度算法模塊具體包括下列步驟以一個月的歷史數據進行統計，求出各個時段的平均流量比率和速度比率，則各個車道的流量比和速度比的閾值設為formulaseeoriginaldocumentpage2附謂表示求平均值，W表示求方差；當某個車道流量和速度下降到一定的閾值時，表明有事件發生，通過計算檢測器斷面各個車道的速度比率和流量比率，並且與設定好的速度下限和流量下限參數進行對比，來檢測事件；流量和速度比率的計算公式如下formulaseeoriginaldocumentpage2formulaseeoriginaldocumentpage3其中formulaseeoriginaldocumentpage3,為某個車道的流量比率，為某個車道的流量，模塊設定為當某個車道流量和速度連續下降到一定的閾值兩次時，該車道發出事件報警請求。3、根據權利要求l所述的三維集成高速公路交通事件自動檢測方法，其特徵是所述時間維即車道佔有率-流量算法模塊具體包括下列步驟交通流模型為式中，O為佔有率，f是流量，V表示自由流速度，Oj表示阻塞佔有率，r,m是常數，Vf，Oj,r,m是待定的參數，根據實際道路情況，對這四個參數的變化範圍進行一定限制，將其轉化為一個約束優化問題，模型優化的目標函數為絕對誤差之和，該值全面反映了誤差的大小，如下式所示其中，/(/)是根據交通流模型得到的流量值，/'。是實測的流量值；在有約束的最優化問題中，採用基於K一T(knhn—Tucker)方程來求解，根據連續四個周期的佔有率得出相應的所處等級和ievOicmge(W-U)(表示t時刻相對於t-l時刻佔有率跳躍的等級，i表示車道)，然後判斷是否滿足下面三個條件之一formulaseeoriginaldocumentpage3若滿足之後，則該車道發出事件報警請求。4、根據權利要求l所述的三維集成高速公路交通事件自動檢測方法，其特徵是所述縱向維檢測模塊即車道速度-佔有率算法模塊具體包括下列步驟方法實施的具體步驟為應用模糊聚類方法給出大量交通流速度-佔有率歷史數據的聚類的中心值；分別求出實時的上下遊的交通流速度、佔有率數據與四個中心的歐式距離，與哪個中心最近即歐式距離最小的就是所屬相應的等級；判斷上下遊的等級差，當上下遊交通狀態特級連續兩個周期相差3個級別時，表明有事件發生，則發出事件報警請求。5、根據權利要求1所述的三維集成高速公路交通事件自動檢測方法，其特徵是所述集成判斷模塊合成集成規則為(l)若某個檢測器在第t-l周期報警，那麼在第t周期就不報警，認為是同一事件；(2)在某個時刻，若某個檢測器報警了，那麼其下遊就不報警，認為是同一事件；(3)若某個檢測器在第t-l周期報警，那麼在第t周期其下遊就不報警，認為是同一事件；(4)如果快速路路段的檢測器中間有交叉口，那麼路段則不報警或閾值範圍加大；(5)如果快速路路段的檢測器中間有進出口，那麼外側車道的不報警。6、根據權利要求1所述的三維集成高速公路交通事件自動檢測方法，其特徵是還包括下列步驟根據歷史數據的報警事件信息，得出包括檢測率和誤報率在內的性能指標，以手工或自動更新三個檢測模塊的關鍵參數，使得事件檢測方法能更接近地反映交通流的變化，更新參數規則如下(1)利用最新的歷史數據和統計方法自動更新橫向維即車道流量-速度算法模塊的參數，在相隔一定的周期內，對已報警的數據和真實交通事件進行統計，得出檢測率和誤報率，調整整體參數以儘量使誤報率和報警率處於合理的水平；(2)根據最新的一個月的歷史數據自動更新交通流模型，時間維即車道佔有率-流量算法模塊的三個閾值自動得到更新，將最新的一個月的歷史數據輸入交通流模型優化程序，直接得到最新的三個閾值；(3)根據最新的一個月的歷史數據重新進行模糊聚類自動更新縱向維檢測模塊即車道速度-佔有率算法模塊4個聚類中心，就是將最新的一個月的歷史速度和佔有率數據輸入模糊聚類程序，直接得到最新的4個模糊聚類中心。全文摘要一種檢測快速、漏報率低的三維集成高速公路交通事件自動檢測方法。技術方案是根據對高速公路檢測器檢測數據的分析，判斷是否發出報警信號，具體包括下列步驟系統初始化讀取車道流量-速度閾值、車道佔有率-流量閾值、車道速度-佔有率閾值；啟動使能標誌；讀取交通流實時數據，分別讀取所有檢測器數據；調用橫向維即車道流量-速度算法模塊、時間維即車道佔有率-流量算法模塊、縱向維檢測模塊即車道速度-佔有率算法模塊和集成判斷模塊，對全部監測器數據為基礎進行判斷，根據判斷結果做出是否啟動報警裝置發出報警信號。文檔編號G08G1/01GK101188064SQ20071017997公開日2008年5月28日申請日期2007年12月20日優先權日2007年12月20日發明者勇餘,琨張,李世欣,陳德旺申請人:北京交通大學