交通流特性参数的识别与测量王桂珠　郝　莹　张惠群(天津大学自动化学院　天津　300050)　收稿日期:2000-12-05文　摘　提出一种用于交通流管理控制系统中交通流特性参数自动检测的新办法,介绍该方法的基本原理、识别模型及据此方法研制成功的在线实时智能检测系统的实验结果。

这个系统较好地应用了模式识别技术,故不仅能自动区分机动车与非机动车,判别车型,准确地检测出机动车流特性参数,而且能自动准确地检测出非机动车(自行车)群体流量。

此系统样机现场连续运行3年多,已获满意结果。

主题词　+交通流特性参数　+模式识别　+动态频差引　言城市经济发展要求交通安全畅通、道路建设和交通管理现代化、信息化,因此,在线实时准确地测量交通流特性参数十分必要。

国外一些发达国家主要研究机动车特性参数的测量,采用的方法有棒式、导电橡胶、压电陶瓷、超声波、环型线圈、光电式。

我国交通状况与西方发达国家很不相同,自行车拥有量很大。

目前,大中小城市自行车拥有量已达饱和状态,高峰期间自行车群体与机动车争道,使交通造成阻塞和延误。

因此,我国城市交通流比发达国家复杂得多,是机动车和非机动车的混合流。

显然,上述测量方法对我国并不完全适用,迫切需要研制一种高质量的交通流特性参数测量系统,要求它不仅能自动区分机动车与非机动车,判别机动车车型,进而准确地检测出机动车流特性参数,而且还能自动准确地检测出非机动车(自行车)群体的流量。

本文作者提出了一种利用ILD (电感线圈)、采用动态频差法配PR (模式识别)技术,完成对混合交通流特性参数在线自动检测的新方法,并据此方法研制成一种新型在线实时智能式交通流特性参数的检测系统。

经实验基地和交叉路口现场实际运行,此方法有效、可靠、测量准确度高。

图1　本检测系统组成原理框图1　基本原理与检测系统如图1所示,该检测系统由电感线圈、驱动变送器、测量单元、识别与数据处理单元、显示单元及输出接口等组成。

图2是一个交叉路口交通流参数检测采用ILD 的布置原理图。

ILD 埋设在各方向进口车道距停车线一定距离的路面下,可覆盖7m 的路面。

A 1、A 2、A 3、A 4表示交叉路口4个方向的路段。

在各个方向上,A 11、A 21、A 31、A 41分别为机动车道,A12、A22、A32、A42分别为非机动车道。

U1、U2、U3、U4分别为A11、A21、A31、A41上的传感器, b1、b2、b3、b4分别为A12、A22、A32、A42上的传感器。

C1、C2、C3、C4为传输线,G为该系统的测量显示装置。

当车辆(机动车或非机动车)通过ILD上方时,被测车辆与ILD相互作用,根据毕奥-萨伐定律和基尔霍夫定律可求出Z m=R1+R22M2R22+ 2L22+j [L1-L22M2R22+ 2L22](1)L=L1-L22M2R22+ 2L22=L1-M2L2[(R2L2)2+1](2)图2　交叉路口的布置图式中,L1,R1—ILD的电感和电阻,c—谐振电容,L2,R2—被测车辆(铁磁物质)的等效电感和电阻,M—ILD与被测车辆之间的互感系数,通常,( L2)2〉〉R22,因此L≈L1-M2L2(3)进而可求出整个等效电路的阻抗Z: Z=Z m 1j c Z m+1j c=R( c)2R2+( L-1c)2-jL2c+R2c-Lc2R2+( L-1c)2 根据谐振条件I m(Z)=0得=1L Lc-R2,f=121L c-(RL)2(4) 式中,f为系统的频率。

由式(3)、(4)可以看出:当车辆进入ILD检测范围时,M增大导致L减小,则f增大;而当车辆离开ILD检测范围时,M减小导致L增大,则f减小,直至恢复到无车辆通过时的稳定值。

因此从理论上讲,通过测量反映L变化的f可以实现交通流特性参数的测量,这正是本系统选择ILD测量的原始依据。

而实际应用系统的频率f=F(a,b,d,,!,∀,c,N,T,h),它是一个多变量函数,其中a,b,d—ILD的几何尺寸(长、宽、直径);,!—ILD的物理参数(磁导率、电导率);∀—车辆在ILD上所处的位置;c—电容;N—检测系统输出值(即ILD上方通过的交通流特性参数值);T,h—ILD所处的环境温度、湿度。

当ILD确定后,影响f变化的因素不仅有车辆通过检测系统的作用,就是周围环境、外界干扰及电子器件本身的变化也会使f发生变化。

经实验测量,长时间累积的变化可达1200Hz。

因此,用直接测量反映L变化的f来测量交通流特性参数必将给测量带来较大的误差。

设f为当前时刻输出频率,f0为谐振回路理论中心频率,#f1为车辆通过时f发生的变化,#f2为周围环境等变化引起的f的变化,则f的变化量#f为#f=#f1+#f2=f-f0(5) 欲获得车辆通过ILD产生的信号,必须求#f1。

为此,作者采用动态频差法,由式(5)得: #f1=f-(f0+#f2)。

若#f1=0,则f=f0+#f2。

在这里,f0+#f2就是无车通过时的频率,只要求得f0+#f2,就可求出#f1。

2　识别模型的建立识别模型F(x)是对被识别信号进行处理的数学方法,识别过程就是求得输出结果y的过程,y=F(X)。

许多系统,x与y之间有确定的关系,但在本检测系统中,传感器产生的频率信号与输出y之间无确定的函数关系,应从频率信号变化过程中给出的信息来识别输出结果。

研究发现,频率信号变化过程包含很多信息,如变化最大值、峰值个数等,但由于ILD传感器灵敏度分布不均匀,环境因素的影响以及车辆通过ILD上方时情况复杂(自行车群体流是一种随机离散的交通现象,可能并行、尾随或犬牙交错行驶,并且有行使的集团性和可压缩性,尤其是上、下班高峰期间自行车群体潮涌地覆盖路面),造成这些信息与特性参数之间关系十分复杂。

图3图4给出了自行车群体流行驶状态的频移信号。

由图3和图4看出,即使通过图3　九辆自行车通过ILD的频移信号图4　十辆自行车通过ILD的频移信号ILD的车辆数相同,由于它们通过时的位置、状态不同,对ILD的影响也不同,致使频移信号有不小的差异。

因此,交通流特性参数测量中群体流量信号的处理是本检测系统的技术难点之一。

我们用模式识别(PR )等技术较好地解决了这个问题。

识别系统框图如图5所示。

2.1　样本数据库的建立将大量已知类别的信号进行数据存储,即在已知通过ILD 车辆的情况下的传感器信号的变化情况记录下来,建立样本数据库。

2.2　数据预处理图5　识别系统框图数据预处理的目的在于消除干扰噪声,增强有用信号以提高识别的准确性。

这里所说的信号预处理是指数字信号滤波。

当无车辆通过时,采样信号不应发生变化。

而由于电路中各种因素及环境变化的影响,往往造成采样信号存在一个随时间变化的趋势项,也就造成了采样信号由真正的信号与趋势项叠加而成,为正确处理真实信号,必须设法消除趋势项。

相对于真实信号,趋势项是一个慢变信号,因此,可用多项式拟合。

其阶次视趋势项的形状而定。

若多项式已确定,则从采样信号X (n )中减去趋势项,就可以得到真正的信号。

本系统不但用这种方法除去了趋势项,而且实现了对信号的平滑。

该滤波器的转移函数为H (z )=121[-2z -3+3z -2+6z -1+7+6z +3z 2-2z -3](6)当用软件实现这个转移函数时,可使用式(7)实现。

H ′(z )=121[-2z -6+3z -5+6z -4+7z -3+6z -2+3z -1-2](7)2.3　识别过程交通流特性参数的识别分: 少车群与多车群的群类识别; 少车群识别; 多车群识别。

2.3.1　特征的提取特征的提取是模式识别的关键环节。

我们从所获的大量样本中,分析车辆通过ILD 上方时引起的频率变化,找出各类相互间的差别,提取出以下几个特征: N p 峰值数; 最大值y m ; 通过时间T ;!通过面积S 。

于是,特征向量X =(N p ,y m ,T ,S )。

2.3.2　特征的选择特征的选择要求在尽可能保留识别信息的前提下,求出一组对分类最为有效的特征。

因此,需要一个定量准则(或称判据)来衡量特征对分类的有效性。

我们采用基于距离的可分性判据——类内类间距离,选择出二维特征X =(y m ,S )。

2.3.3　分类器设计与分类错误率分析首先,我们应用非参数估计方法对概率密度函数进行了估计,估计结果示于图6。

这里仅以少车群为例简介分类器设计:若各类状态用 i 表示,i =1,2,3。

对于各类别 i 出现的先验概率p ( 1)及类条件概率密度函数p (x i )是已知的,则利用Bay es 公式p ( i x )=p (x i )p ( j )∃3j =1p (x i )p ( j )(8)以及基于最小错误率的Bayes 决策规则p ( i x )=m ax j =1,…,3p ( j x ),则x ∈ i (9)将x 归为后验概率最大的类别。

本系统计算出基于y m 与s 特征的决策边界示于图7。

由此,得到以下判据:图6　概率密度函数曲线图7　基于y m 和s 的决策图判据(1)y m ≤91判定为一辆车91<y m <127判定为二辆车y m ≥127判定为三辆车判据(2)s ≤456判定为一辆车456<s <893判定为二辆车s ≥893判定为三辆车 错误率是指平均错误概率p (e ),p (e )=∫∞-∞p (e ,x )d x =∫∞-∞p (e /x )p (x )d x (10) 对于3个类别,要把特征空间分成R 1、R 2、R 3个区域,其平均错误率为p (e )=∃3i =1∃e j =1j ≠i [p (x ∈R j i )]p ( i )(11)考虑到直接求p (e )的计算量很大,因此采用计算平均正确分类概率p (c )p (c )=∃3j =1p (x ∈R j j )p ( i )=∃3j =1∫Ri p (x i )p ( i )d x (12)则p (e )=1-p (c ),计算得p ym (e )=0.093 p s (e )=0.077由于p ym (e )>p s (e ),因此,我们最终采用s 进行识别(即采用判据2),使得p s (e )=0.077。

其结果说明,少车群的识别是满足要求的。

3　试　验依据本文原理研制成的检测系统样机实地连接到天津市南京路-鞍山道交叉路口智能控制机(天津大学研制)上,现场连续运行三年多,积累了大量实验数据(限于篇幅,在此不一一列举)。

实验结果表明: 当传输距离增至400m时,其信号幅值仍没有衰减,完全满足车辆检测长距离传输的要求。

实时在线自动可靠测量交通流特性参数,准确度高。

特别能完成在线自动可靠测量自行车群体流量(其测量准确度高于85%),该系统达国际先进水平,已获国家专利和科技进步奖。