基于移动源数据的城市快速路交通事件检测W-CUSUM算法与评价

摘要

交通事件是引发城市路网中各种偶发性拥挤的关键因素,在造成交通延误、交通设施服务效率下降、交通使用者利益损失的同时,也对交通安全、交通环境等产生重要的影响。城市快速路是城市快速交通发展的趋向和城市路网主骨架,对城市快速路的交通事件进行快速、有效的检测和响应,既是快速路交通管理与控制的重要组成部分,同时也是降低事件损失、减少路网交通拥堵的有效方法。同时,移动检测技术的日益发展和成熟也为交通事件自动检测(Automatic IncidentDetection,简称AID)提供了新的实时、动态、准确的交通流信息。
　　 本文的研究目的在于提出基于移动源数据的城市快速路交通事件自动检测算法,同时对算法的性能进行评价与验证,并提出算法的实施方法,从而为交通管理者进行城市快速路网的事件检测、管理和响应以及事件检测算法的评价提供新的方法和思路。
　　 本文的主要研究成果及结论包括:
　　 1、现有AID算法主要基于固定源数据开发,存在误报率高、实际应用效果不佳等缺陷,鉴于此,本文提出了基于移动源数据的W-CUSUM交通事件自动检测算法。该算法充分考虑了移动源数据的采集特点及事件条件下快速路交通流的时空特性,并采用具有时频分析特性的小波分析方法与基于似然比的CUSUM算法相结合的思想,使得所开发的W-CUSUM算法在改善所用数据源质量的同时,也大大提高了事件检测的准确性和可靠度。
　　 2、现有的误报率指标未能直观、有效的反映事件检测算法的误报情况,同时传统的算法性能包络曲线只能定性、粗略的描述算法的检测性能,缺乏对事件检测算法的综合、量化评价。鉴于此,本文首先提出了基于时间和空间指数的误报率指标,使得该指标与传统的误报率指标相比更具有直观性和实用性;在此基础上,进一步引入期望成本的概念,将检测率和误报率指标相结合,建立了基于期望成本的事件检测综合评价指标。该综合指标不仅能够实现不同AID算法性能的综合、量化评价及比选,还可以用于确定不同AID算法的最优检测阈值及最优检测性能点,从而为交通管理者进行算法的比选以及算法参数的标定提供了有效的技术支持。
　　 3、分别利用仿真数据和实际数据对W-CUSUM算法进行了评价和比较。分析了不同影响因素下W-CUSUM算法性能的差异,并将所提出的W-CUSUM算法与现有的SND算法、CUSUM算法、UCB算法进行了性能对比。结果表明:(1)不同阻塞车道数条件下W-CUSUM算法性能的差异最为明显,影响最不明显的是事件的持续时间;(2)相对于SND算法、CUSUM算法和UCB算法而言,W-CUSUM算法的检测性能更优,优化程度分别提高了33.7％、19.5％和38.3％。
　　 4、基于实验交通工程法(ETEM),提出了面向事件检测的移动源数据样本量确定模型,弥补了现有方法难以针对事件检测进行移动源数据样本量研究的不足,并通过仿真实例研究得出了满足事件检测一定精度水平所需要的路网浮动车比例以及较优的事件检测间隔,从而为确定面向事件检测的浮动车合理发展规模和检测间隔提供了有效的建议。
　　 5、建立了基于分层结构的事件检测多源数据融合模型。在所建的融合模型中,充分考虑到了各种可用数据源所包含的事件信息特性,并将W-CUSUM算法与神经网络模型以及交通决策者的经验有效的结合起来,一方面既增强了W-CUSUM算法在实际应用中的灵活性和可拓展性,同时也为进一步提高事件检测算法的准确性和可靠性奠定了坚实的方法与理论基础。
　　 6、从系统的角度,提出了W-CUSUM事件检测算法的实施框架与流程,对事件检测系统开发、安装及运行的整个过程进行了具体的阐述和建议,从而对W-CUSUM事件检测算法从理论研究到实际应用建立了相应的方法和流程。

目录

文摘

英文文摘

致谢

论文说明:图表目录、首字母缩写词汇总

1 绪论

1.1 研究背景与意义

1.1.1 交通事件及其影响

1.1.2 现有交通事件检测方法及存在的问题

1.1.3 基于移动源数据的事件检测研究的必要性

1.2 研究目标与内容

1.3 研究方法与技术路线

1.4 论文的框架结构

1.5 论文的主要贡献与创新

2 国内外研究综述

2.1 交通事件检测技术的发展历程

2.1.1 国外

2.1.2 国内

2.2 基于固定源数据的交通事件检测算法

2.2.1 现有算法总结

2.2.2 现有算法分析

2.3 基于移动源数据的交通事件检测算法

2.3.1 现有算法总结

2.3.2 现有算法分析

2.4 研究现状分析与研究需求

2.5 本章小结

3 基于移动源数据的城市快速路事件检测算法——W-CUSUM

3.1 移动源数据的采集与特性分析

3.2 事件条件下城市快速路交通流时空分布特性

3.3 小波变换的原理与作用

3.3.1 小波变换原理

3.3.2 小波变换的作用

3.4 CUSUM算法的基本构成

3.5 基于移动源数据的城市快速路W-CUSUM事件检测算法

3.5.1 W-CUSUM事件检测算法的基本流程

3.5.2 浮动车数据的小波消噪

3.5.3 CUSUM事件检测算法

3.6 本章小结

4 基于期望成本的事件检测综合评价指标

4.1 现有评价指标及存在的问题分析

4.1.1 现有事件检测评价指标

4.1.2 现有评价指标存在问题分析

4.2 基于时间和空间指数的误报率指标

4.3 基于期望成本的事件检测综合评价指标

4.3.1 期望成本的定义

4.3.2 期望成本的计算方法

4.3.3 基于期望成本的事件检测综合评价流程

4.4 本章小结

5 W-CUSUM事件检测算法评价与比较

5.1 评价与比较的方法及流程

5.2 基于仿真数据的W-CUSUM算法性能分析

5.2.1 仿真模型的选择与路网构建

5.2.2 事件情景模拟与仿真方案设计

5.2.3 不同影响因素下W-CUSUM算法性能仿真分析

5.3 基于实际数据的算法评价与比较

5.3.1 实际数据的采集与处理

5.3.2 W-CUSUM算法参数标定

5.3.3 用于比较的事件检测算法概述

5.3.4 比较结果评价与分析

5.4 本章小结

6 W-CUSUM事件检测算法实施方法

6.1 移动源数据样本量确定模型

6.1.1 现有研究方法及不足

6.1.2 实验交通工程法(ETEM)及其适用性

6.1.3 基于ETEM的移动源数据样本量确定模型

6.1.4 实例分析

6.2 事件检测多源数据融合模型

6.2.1 数据融合的原理与层次结构

6.2.2 现有事件检测数据源融合层次分析

6.2.3 基于分层结构的事件检测多源数据融合模型

6.2.4 实例分析

6.3 W-CUSUM事件检测算法实施框架

6.4 本章小结

7 结论与展望

7.1 主要结论

7.2 研究展望

参考文献

作者简历

学位论文数据集