科威达科技集团股份有限公司 山东省科大城市交通技术研究院
1概述
随着城市智能交通系统不断发展，实时检测感知交通流数据的重要性日益凸显；在各种检测技术或方式中，基于雷达技术的感知方式具备检测精度高、受环境影响小、施工维护成本低等优点而越来越得到用户的重视和认可。本文针对传统交通检测设备存在的问题，通过雷达车流量检测器采集道路交通数据信息，在分析交通数据特征的基础上，通过机器学习等先进方法，深入挖掘丰富的交通信息，进行交通状态判别及预测，为交通管理提供有效策略。在交通状态判别方面，利用采集并处理后的交通流参数数据对谱聚类算法和PNN算法进行训练验证建立了基于SC-PNN状态判别模型；状态预测方面，选取了LSTM网络、GRU网络、SAEs网络算法，经训练验证后，建立了LSTM-GRU-SAEs组合算法模型。目前该系统已被部署在山东省莱阳市长山路上，并获得良好的成效，有效缓解拥堵20%。
2 系统设计
2.1 系统架构与场景
图1展示了所提出的交通状态管控系统示意图，将雷达安装在道路交叉口的支架上，对每个车道的车流量、密度、排队长度等交通参数进行监控和汇集。通过所提出的处理算法实现智能管控，降低拥堵、提高出行效率。
图1交通状态管控系统示意图
如图2所示，我们在山东省莱阳市长山路进行测试，将交通拥堵缓解系统部署在道路交叉口，连续获取该路口六个月的交通数据。我们通过自行设计的毫米波雷达系统收集数据，其参数如表1所示。基于雷达芯片的射频（RF）前端用于发射毫米波并接收目标回波信号。此外，四通道高速 ADC 用于数据采集。最后，在基于FPGA和ARM架构的后端基带处理系统上实现了数字处理算法和目标信息的提取。
图2雷达测试场景与实物
表1雷达系统参数
2.2基于SC-PNN的交通状态拥堵判别模型
交通状态判别技术有很多种方法，从简单的人工巡逻判别方法到紧急电话、移动电话判别方法，从闭路电视判别方法到全自动电子监视判别方法等等。这些方法都能在一定程度、一定范围上发现道路上存在交通拥挤，可以为交通管理者提供更加直观的道路情况，方便进行交通管控以提升现有道路利用率，改善道路通畅度，对提高道路交通的效率和安全性具有重要意义。人工判别方法主要用于早期的交通状态判别。主要包括如下几种：（1）驾驶员移动电话呼叫：（2）事件管理员观看闭路电视监视图像；（3）驾驶员求助电话或路边紧急电话；（4）交通警察巡逻队；（5）交通部门或其他单位工作人员通过对讲机的报告；（6）车队报告。但是以上几种方法均需要耗费大量的人力，而且具有较大的局限性，容易受天气、道路状况等因素的影响。自动判别方法可以弥补以上几种人工判别方法的不足，无需投入大量的人力，并且可以全天候、全天时发挥作用，具有较好的灵活性和机动性。
目前自动判别方法主要有无监督算法与有监督算法，无监督算法中，谱聚类(Spectral Clustering, SC)算法被广泛采用于交通状态判别。谱聚类算法中把所有的数据看做空间中的点，这些点之间可以用边连接起来。距离较远的两个点之间的边权重值较低，而距离较近的两个点之间的边权重值较高，通过对所有的数据点组成的图进行切图，让切图后不同的子图间边权重和尽可能的低，而子图内的边权重和尽可能的高，从而达到聚类的目的。谱聚类算法本身是一种模糊分类算法，有计算复杂度低、不受样本空间形状限制、对数据分布的适应性强和较为优秀的聚类效果等优点，而交通状态判别具有随机、抽象和模糊等特点，与聚类算法特性吻合。虽然聚类算法可以从大量无标签数据中提取特征发现规律，但由于算法的复杂性不能保证判别的实时性。而有监督算法可以弥补这一不足，虽然需要带有分类标签的数据集进行训练，但可以保证算法的实时性。有监督算法中，概率神经网络算法(ProbabilisticNeuralNetworks，PNN)，是一种基于贝叶斯决策规则的神经网络技术，其神经网络的训练期望误差较小，是一种基于统计原理的人工神经网络。其以Parzen窗口函数为激活函数，其同时包含了径向基神经网络与经典的概率密度估计算法的优势，因此在识别与分类方面，与传统的BP神经网络相比具有训练数据简单方便，不需训练模型参数，收敛速度快，扩充性能好，满足交通状态判别所要求的实时性。
本文提出的SC-PNN算法是将谱聚类算法与概率神经网络算法相结合，首先采用谱聚类算法对处理后的交通流数据进行分类，再使用PNN算法对分类的数据及标签进行训练。既提高分类的准确性，又提高判别速度，保证数据处理的实时性，符合交通管控的要求。基于谱聚类和PNN算法的交通状态判别，模型整体框图如图3所示。主要流程包括：数据处理与分析、谱聚类算法判别、PNN算法训练和实时交通状态判别。
图3SC-PNN算法框图
2.3短时交通流预测模型
目前对短时交通流预测中单模型预测仍占据主导地位，常用的单预测模型有LSTM神经网络算法、GRU神经网络算法和SAEs神经网络算法。LongShort-TermMemory（LSTM）神经网络算法解决了SimpleRNN中梯度消失的问题，可以处理Long-term sequence，但是其计算复杂度较高，运行速度慢；为了解决LSTM的计算速度比较慢问题，在Gated Recurrent Unit（GRU）神经网络算法模型中，对LSTM实现了特殊优化提速，但是GRU表达能力受到限制；SAEs神经网络算法模型，由多层稀疏自编码器组成的深度神经网络模型，其前一层自编码器的输出作为其后一层自编码器的输入，最后一层是个分类器（logistic分类器或者softmax分类器），用于交通流预测与以往只考虑交通数据浅层结构的方法不同，该方法能够成功地从交通数据中发现潜在的交通流特征表示。但是这些单模型均存在假设前提和特定的使用场合，譬如，数据之间有明显的线性关系才可使用经典线性回归模型，若出现数据多重共线性、异方差性等则需进一步讨论。交通流预测方法大多数考虑单交通流参数，没有考虑多个参数之间的关联性。针对上述问题，考虑到交通流的时间和空间特性，提出LSTM-GRU-SAEs组合算法，选取交通流量、密度和速度作为预测参数。
组合算法结构如图4所示，首先将交通流参数数据预处理后分为训练集和测试集，分别将交通流量、速度和密度输入到LSTM-GRU模型训练，最小化损失函数，进行参数优化，再对各交通流数据进行短时预测；得到的预测值再输入到SAEs模型中训练，进行参数优化后输出最终的交通流参数预测值，完成交通流参数预测。
图4 LSTM-GRU-SAEs组合预测模型结构图
3应用效果分析
我们在山东省莱阳市长山路进行测试，将雷达安装在道路交叉口，基于雷达1个月的交通数据进行分析，评估所提出系统和算法性能。图5为系统监视窗口，可以直接观察和记录交通数据。
图5 基于毫米波雷达监控管控系统
3.1交通状态判别结果与分析
实验数据采用安置在道路交叉口的雷达获取到的交通数据，预处理后将得到的交通流参数（交通流量、速度和密度）输入到SC-PNN算法进行训练，图6显示了训练结果：
(a) 速度-流量-密度关系图 (b) 流量-密度关系图
(c) 密度-速度关系图
图6 交通状态分类示意图
图6显示了 SC-PNN 算法的实际结果，展示了流量参数之间的关系。在图 6（a）中，交通状态被划分为5个边界清晰的类别，这表明该算法可以很好地对数据集进行分类。此外，道路排队长度随着车流量的增加而增加（图6（b）），平均道路速度随着车辆排队长度的增加而减小（图6（c）），也满足客观规律。
3.2短时预测结果与分析
对于所选取的三个交通流参数分别代入LSTM-GRU-SAEs组合预测算法中训练，得到各自的预测模型，再利用三种预测模型得到下一时刻的交通流量、密度以及速度的预测数据。将预测数据输入到谱聚类算法中得到状态划分，最后将预测数据以及状态标签数据输入PNN算法中训练，得到未来时刻的交通状态。考虑到典型的红绿灯时长小于2分钟，因此我们对1min进行预测，预测的交通状态和真实状态对如图7，蓝色为预测的状态趋势图，橙色为真实状态趋势图。
(a) 预测周内的未来1min的交通状态 (b)预测周末的未来1min的交通状态与真实状态对比图真实状态对比图
图7 周内周末1min交通状态与真实状态对比图
整体来看，模型与真实状况几乎相同。随着拥堵情况加重，误差会变大，但总体模型预测率可以达到90%以上。
4系统调控效果
图8和图9显示了系统参与下普通时刻拥堵缓解情况和早晚高峰时段的道路交通拥堵缓解情况。显然当道路拥堵程度越高，系统缓解效果越好，在雷达交通系统的参与下，早高峰和晚高峰的拥堵率得到有效缓解20%。
图8 系统调控下道路拥堵改善状况
图9 晚高峰时段道路拥堵情况
5结语
本文以改善交通状态判别与预测效果为研究目标，在分析交通数据特征的基础上，通过机器学习等先进方法，深入挖掘丰富的交通信息，针对传统交通检测设备存在的问题，采用交通雷达连续采集六个月的道路交通数据信息，进行交通状态判别及预测。建立一种联合谱聚类和PNN算法的道路拥堵状态判别算法（SC-PNN）和LSTM网络、GRU网络、SAEs网络算法组合算法（LSTM-GRU-SAEs）对城市路口拥堵状态实时判别和拥堵预测。该系统已部署在山东省莱阳市长山路上，并获得良好的成效，有效缓解拥堵20%。未来研究中，可以考虑采用多个检测器结合进行采集交通信息，提高准确性，同时可以选取多个路口的大量数据，进一步对判别模型及预测模型进行评估。
