張立立，王 力，趙 琦，張玲玉

(北方工業(yè)大學(xué)城市道路交通智能控制技術(shù)北京重點(diǎn)實(shí)驗(yàn)室，北京100144)

0 引 言

交叉口的交通狀態(tài)具有多維度、復(fù)雜性和時(shí)變性等特點(diǎn)，準(zhǔn)確辨識(shí)交通狀態(tài)是實(shí)施有效交通控制策略的前提.國內(nèi)外學(xué)者針對(duì)交叉口交通狀態(tài)識(shí)別的研究主要面向過飽和狀態(tài)識(shí)別，并集中在以下兩類.

一類是不考慮檢測(cè)方式，利用基本交通統(tǒng)計(jì)數(shù)據(jù)，通過設(shè)計(jì)參數(shù)指標(biāo)進(jìn)行的交通狀態(tài)判別研究.Gazis[1]最早給出交叉口過飽和定義，提出基于飽和度識(shí)別的方法；Dion等[2]提出基于延誤時(shí)間比較的交叉口交通狀態(tài)識(shí)別方法；陳兆盟等[2]將車頭時(shí)距的方差與時(shí)間占有率作為參數(shù)，結(jié)合周期排隊(duì)車輛的消散，提出一種結(jié)合信號(hào)優(yōu)化的交通狀態(tài)識(shí)別方法；吳志勇等[4]從深度學(xué)習(xí)角度出發(fā)，提出一種離散化交通狀態(tài)識(shí)別方法；張立立提出以飽和度為基礎(chǔ)的交叉口交通狀態(tài)精細(xì)化識(shí)別方法[5]和基于綜合投影的交叉口交通狀態(tài)識(shí)別方法[5].

另一類是考慮檢測(cè)方式，利用檢測(cè)器特性，通過檢測(cè)得到的統(tǒng)計(jì)數(shù)據(jù)估計(jì)排隊(duì)長度進(jìn)行的交通狀態(tài)判別的研究.Liu 等[7]利用上下游部署線圈檢測(cè)器，使用通過檢測(cè)器的車輛數(shù)據(jù)估計(jì)排隊(duì)長度，進(jìn)而識(shí)別交叉口的過飽和狀態(tài)；錢喆等[8]在文獻(xiàn)[7]的基礎(chǔ)上完善了識(shí)別方法；Ban 等[9]通過移動(dòng)檢測(cè)數(shù)據(jù)測(cè)量車輛的旅行時(shí)間，進(jìn)而估計(jì)出排隊(duì)長度以識(shí)別交叉口過飽和狀態(tài)，而Li 等[10]則是從移動(dòng)檢測(cè)的軌跡數(shù)據(jù)設(shè)計(jì)辨識(shí)方法；Antoniou 等[11]和Wang 等[12]分別從多源動(dòng)態(tài)數(shù)據(jù)入手，分析交叉口過飽和狀態(tài)；Wu等[13]和劉云翔等[14]利用RFID數(shù)據(jù)估計(jì)排隊(duì)長度，得到過飽和狀態(tài)；唐少虎等[15]以上下游視頻檢測(cè)的車牌數(shù)據(jù)為基礎(chǔ)，通過計(jì)算車輛通行的延誤時(shí)間來估計(jì)最大排隊(duì)長度以實(shí)現(xiàn)交叉口狀態(tài)判別.

以上兩類研究，都是利用統(tǒng)計(jì)數(shù)據(jù)，如流量、車輛數(shù)、密度等進(jìn)行包括排隊(duì)長度的估計(jì)或飽和度等參數(shù)的計(jì)算，以實(shí)現(xiàn)交叉口交通狀態(tài)的判別.但由于統(tǒng)計(jì)數(shù)據(jù)的粒度粗、周期特性強(qiáng)，本質(zhì)上忽略了原始數(shù)據(jù)的豐富性，無法精細(xì)識(shí)別交叉口時(shí)間序列上的全部交通狀態(tài).基于此，從先進(jìn)檢測(cè)手段的原始數(shù)據(jù)豐富特征入手，構(gòu)建交叉口有效檢測(cè)區(qū)域的圖像化模型，利用半監(jiān)督哈希算法實(shí)現(xiàn)圖像搜索，進(jìn)而得到交叉口的精細(xì)化交通狀態(tài).

1 交叉口圖像化模型構(gòu)建

1.1 原始檢測(cè)數(shù)據(jù)與擴(kuò)展離散編碼

(1)檢測(cè)器的原始數(shù)據(jù).

傳統(tǒng)用于交通控制的數(shù)據(jù)類型包括流量、占有率、密度、排隊(duì)長度等，這些類型的檢測(cè)數(shù)據(jù)具有檢測(cè)粒度粗、統(tǒng)計(jì)特性強(qiáng)的特征，難以有效描述實(shí)時(shí)動(dòng)態(tài)交通變化的細(xì)節(jié).隨著雷達(dá)檢測(cè)技術(shù)和車路協(xié)同技術(shù)的發(fā)展，實(shí)時(shí)的高精度軌跡跟蹤式檢測(cè)成為可能，正逐漸應(yīng)用到城市道路交通控制中，如圖1所示.該類檢測(cè)手段可提供的實(shí)時(shí)數(shù)據(jù)(毫秒量級(jí))包括瞬時(shí)車速(Xspeed,Yspeed)、車輛位置(xpos,ypos)、車輛身份、車輛長度和時(shí)間戳5 類數(shù)據(jù).基于這些類型數(shù)據(jù)的全樣本實(shí)時(shí)高精度軌跡跟蹤式檢測(cè)數(shù)據(jù)，能夠充分反映檢測(cè)區(qū)域內(nèi)真實(shí)的交通變化.

圖1 實(shí)時(shí)高精度軌跡跟蹤式檢測(cè)Fig.1 Real-time high-precision trajectory tracking detection

(2)交叉口有效檢測(cè)區(qū)域描述.

雖然上述先進(jìn)的檢測(cè)手段能夠獲得實(shí)時(shí)高精度數(shù)據(jù)，但其依然受到檢測(cè)范圍和數(shù)據(jù)采集頻度的約束，即檢測(cè)精度在一定情況下受到檢測(cè)范圍影響，數(shù)據(jù)采集頻度受到檢測(cè)器計(jì)算能力和網(wǎng)絡(luò)傳輸能力影響，為此需要給定有效檢測(cè)區(qū)域和合理的數(shù)據(jù)采集頻度.

為使檢測(cè)數(shù)據(jù)盡可能完整地包含交通特性，在確定交叉口有效檢測(cè)區(qū)域范圍時(shí)，需要考慮路段當(dāng)量排隊(duì)長度約束和檢測(cè)器最大檢測(cè)范圍約束.其中，路段當(dāng)量排隊(duì)長度約束可由二流理論得到，檢測(cè)器的最大檢測(cè)范圍由實(shí)際檢測(cè)方式?jīng)Q定.

式中：LD表示最小檢測(cè)區(qū)域；LM表示最大檢測(cè)區(qū)域；LP表示有效檢測(cè)區(qū)域的東西距離(lp-length)和南北距離(lp-width)，LP=[lp-length,lp-width].

圖2 交叉口的有效檢測(cè)區(qū)域Fig.2 Effective detection area of intersection

(3)擴(kuò)展離散狀態(tài)編碼.

通過合理表示車輛屬性和運(yùn)行狀況，能夠真實(shí)反映交叉口交通狀態(tài)進(jìn)而為實(shí)施有效的交通管控策略提供依據(jù).傳統(tǒng)檢測(cè)數(shù)據(jù)的粗粒度和統(tǒng)計(jì)特性難以滿足上述車輛屬性和狀況的描述，故采用一種擴(kuò)展離散狀態(tài)編碼方法予以表示.

由式(1)可知，交叉口有效檢測(cè)區(qū)域?yàn)長P=[lp-length,lp-width]，以當(dāng)量小汽車長度l為標(biāo)準(zhǔn)，則可將車道劃分為個(gè)單元.離散化后得到交叉口有效檢測(cè)區(qū)域內(nèi)的車輛屬性和狀況的向量Μ，表示為

式中：C向量表示存儲(chǔ)車道單元是否有車輛存在的信息，其中C[i]=1 表示車輛存在；R向量表示存儲(chǔ)車輛的速度信息；Z向量表示存儲(chǔ)車輛的加速度信息；Q向量表示存儲(chǔ)車輛的身份信息；N向量表示存儲(chǔ)車輛的換道信息；l表示車輛占用道路的單位空間，由換算的標(biāo)準(zhǔn)小汽車長度()與平均車輛間距共同構(gòu)成，

圖3是t時(shí)刻某標(biāo)準(zhǔn)正交十字交叉口車輛屬性和狀況編碼情況.

圖3 擴(kuò)展離散狀態(tài)編碼到圖像化的映射Fig.3 Extend discrete state coding to graphical mapping

由式(2)和圖3中表示以下數(shù)據(jù)形式.C向量表示存儲(chǔ)車道單元是否有車輛存在的信息，如圖4(a)所示，1 表示有車輛，0 表示沒有車輛，這里描述的是真實(shí)的坐標(biāo)數(shù)據(jù)映射至路段上的結(jié)果；R向量表示存儲(chǔ)車輛的速度信息，如圖4(b)所示，1 表示車速為自由流車速，0 表示沒有車或車輛停止，其余取值由Sigmod 函數(shù)映射得到并且小數(shù)點(diǎn)后一位；Z向量表示存儲(chǔ)車輛的加速度信息，如圖4(c)所示，數(shù)值為負(fù)數(shù)表示車輛的減速運(yùn)動(dòng)，數(shù)值0 表示車輛的勻速運(yùn)動(dòng)，數(shù)值為正數(shù)表示車輛的加速運(yùn)動(dòng)；Q向量表示存儲(chǔ)車輛的身份信息，如圖4(d)所示，車輛的身份信息從最內(nèi)側(cè)車道開始計(jì)算依次編號(hào)，對(duì)于特殊車輛采用倒序編號(hào)，以最大數(shù)計(jì)；N向量表示存儲(chǔ)車輛的換道信息，如圖4(e)所示，0 表示車輛未換道，1 表示車輛換道后的位置，0.5表示車輛換道經(jīng)過的位置.

圖4 擴(kuò)展離散狀態(tài)編碼數(shù)據(jù)描述Fig.4 Data of extension discrete traffic state encoding

1.2 交叉口圖像化建模

假設(shè)交叉口有效檢測(cè)區(qū)域是由關(guān)鍵部分組成的集合Γ，表示為

式中：X是交叉口入口車道組成的集合，X={x1,x2,…,xm}，xi表示進(jìn)口車道，m為進(jìn)口車道數(shù)量；Y是交叉口出口車道組成的集合，Y={y1,y2,…,yn}，yi表示出口車道，n為出口車道數(shù)量；Z是交叉口沖突區(qū)域組成的集合，Z={z1,z2,…,zu}，zi表示沖突區(qū)域的分塊，u是對(duì)沖突區(qū)域的分塊數(shù)量，如圖5所示.

集合Γ的狀態(tài)值由五元組計(jì)算得到，即

式中：Μj表示離散化后得到交叉口有效檢測(cè)區(qū)域內(nèi)的車輛屬性和狀況的向量，η表示集合Γ中的一取值，wi為指標(biāo)權(quán)重，

圖5 交叉口關(guān)鍵部位組合Fig.5 Combination of key parts at intersections

eη∈Γ(t)采用平移修正處理的距離熵[16]確定：① 用距離熵計(jì)算指標(biāo)的權(quán)重并計(jì)算最終的eη∈Γ(t)；②當(dāng)分指標(biāo)數(shù)值固定或變化幅度極小時(shí)，經(jīng)歸一化和標(biāo)準(zhǔn)化處理后距離熵的值為0.

采用數(shù)據(jù)平移修正的方法對(duì)這部分指標(biāo)進(jìn)行處理，保證所有分指標(biāo)對(duì)eη∈Γ(t)起作用.設(shè)計(jì)分項(xiàng)指標(biāo)矩陣

Step 1將A=[aj]5進(jìn)行歸一化處理，得到標(biāo)準(zhǔn)信息矩陣R=[rj]5.歸一化的處理方法如下：對(duì)于越大越優(yōu)型分指標(biāo)

對(duì)于越小越優(yōu)型分指標(biāo)

選擇第j個(gè)指標(biāo)所對(duì)應(yīng)的最優(yōu)單元值r*j，j=1,2,3,4,5，選取規(guī)則為

Step 2計(jì)算各指標(biāo)rj對(duì)應(yīng)的最優(yōu)單元值的距離為

Step 3計(jì)算對(duì)應(yīng)指標(biāo)概率為

當(dāng)dj ＞0 時(shí)，無需對(duì)βj進(jìn)行修正，此時(shí)uj=0；當(dāng)dj=0 時(shí)，該分指標(biāo)對(duì)exi(t)不起作用，為保證所有指標(biāo)數(shù)據(jù)的可用性，需人為的對(duì)βj進(jìn)行平移修正，此時(shí)uj為常數(shù)，且uj ＞0.

Step 4計(jì)算指標(biāo)的距離熵為

Step 5計(jì)算熵權(quán)為

Step 6綜合指標(biāo)eη∈Γ(t)為

Step 7交叉口有效檢測(cè)區(qū)域內(nèi)的交通狀態(tài)由關(guān)鍵部分的狀態(tài)集合得到，即

交叉口入口、出口和沖突區(qū)域的狀態(tài)值表示為

設(shè)計(jì)分段線性函數(shù)集合，以描述交叉口各關(guān)鍵部分交通狀態(tài)與狀態(tài)值之間的關(guān)系，即

將式(17)中分段線性函數(shù)進(jìn)行向量轉(zhuǎn)化，得到

由此可以得到交叉口的交通狀態(tài)是由關(guān)鍵部分組成的集合Γ的狀態(tài)值表示.交叉口交通狀態(tài)集合為Ξ，即

式中：ξi如下所示，由于入口車道數(shù)m、出口車道數(shù)n和沖突區(qū)域分塊數(shù)u并不能保證相同，因此為保證向量長度一致，對(duì)矩陣無向量位補(bǔ)0.

對(duì)式(20)進(jìn)行如下變換，可以得到交叉口交通狀態(tài)ξi的σ=m+n+u維的特征向量.

2 基于半監(jiān)督哈希的交通狀態(tài)識(shí)別

由1.2節(jié)內(nèi)容，將交叉口的交通狀態(tài)識(shí)別問題轉(zhuǎn)化為對(duì)圖像化搜索問題，本節(jié)采用基于半監(jiān)督哈希算法實(shí)現(xiàn)圖像搜索.基于半監(jiān)督哈希算法[17-18]的交叉口的交通狀態(tài)識(shí)別的核心思想是：通過擴(kuò)展離散狀態(tài)編碼技術(shù)將交叉口有效檢測(cè)區(qū)域內(nèi)的交通變化轉(zhuǎn)化成一種特殊形態(tài)的圖片，利用半監(jiān)督哈希算法實(shí)現(xiàn)以圖搜圖.

(1)構(gòu)造目標(biāo)函數(shù).

定義目標(biāo)函數(shù)為

(2)哈希函數(shù)學(xué)習(xí).

對(duì)式(22)進(jìn)行改造，將目標(biāo)函數(shù)改寫為

其中，式(23)中只有監(jiān)督信息成分，加上非監(jiān)督信息成分后，目標(biāo)函數(shù)為

其中定義P為

最大化式(11)的解可以得到哈希矩陣W為

(3)哈希碼生成.

由W矩陣中取出任意一個(gè)列向量，帶入哈希函數(shù)中，可以為一個(gè)圖像生成一位哈希碼.至此，學(xué)習(xí)得到了對(duì)一個(gè)圖像進(jìn)行哈希編碼的哈希函數(shù)族γ=[r1,r2,…,rK]，其中rK表示第K個(gè)哈希函數(shù).

同時(shí)，考慮到交叉口的交通狀態(tài)由交叉口的有效檢測(cè)區(qū)域的關(guān)鍵部位的變量集合決定，因此令K=m得到哈希編碼的比特?cái)?shù).

(4)相似性度量.

通過計(jì)算測(cè)試圖像與訓(xùn)練庫中圖像的相似性度量函數(shù)可以實(shí)現(xiàn)圖像搜索.

式中：xor(?)表示異或運(yùn)算；sum(?)表示求和運(yùn)算.

式(26)表示對(duì)于一個(gè)待查的圖像，表示計(jì)算該圖像的哈希碼與訓(xùn)練庫中圖像的哈希碼的漢明距離.漢明距離越小，表示該圖像與查詢圖像越相似；反之，不相似.

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)參數(shù)設(shè)置

實(shí)驗(yàn)采用VISSIM仿真軟件，通過其所提供給的COM和MATLAB搭建仿真環(huán)境.實(shí)驗(yàn)中定義具有上下游的正交十字交叉口，各方向均為雙向兩車道，上下游連接路段為500 m，交叉口的沖突區(qū)域?yàn)?0 m×50 m；車輛構(gòu)成為小型車95%，大型車5%；車速分布按照道路建設(shè)標(biāo)準(zhǔn)選取0～60 km/h；路段輸入流量采用與實(shí)際道路相符合的變化趨勢(shì)(包含平峰和高峰)；交叉口配時(shí)采用由Webster 計(jì)算的配時(shí)方案.給定的圖像庫的樣本數(shù)為36 000(模擬檢測(cè)器的采樣頻率為1 Hz/s)，其中，隨機(jī)挑選樣本數(shù)30 000作為訓(xùn)練數(shù)據(jù)集(具有標(biāo)簽的樣本數(shù)為3 000)，剩余樣本數(shù)6 000作為測(cè)試數(shù)據(jù)集，如表1所示.

表1 交叉口交通狀態(tài)圖像樣本Table1 Image samples of traffic state at intersections

3.2 交通狀態(tài)識(shí)別與分析

為驗(yàn)證所提方法，采用精細(xì)度EFI、準(zhǔn)確率EAC和實(shí)效性ETM指標(biāo)進(jìn)行效果評(píng)價(jià)，公式定義為

式中：MTP表示被正確搜索到的樣本數(shù)量；MFN表示被錯(cuò)誤搜索到的樣本數(shù)量；MTN表示非標(biāo)簽類型且未被搜索到的樣本數(shù)量；MFP表示非標(biāo)簽類型且被搜索到的樣本數(shù)量；MFE表示判別時(shí)間；MFT表示總搜索時(shí)間.

為使研究工作具有延續(xù)性，將本文與作者前期工作中的相關(guān)研究[5-6]進(jìn)行比較，如表2所示.從結(jié)果分析比較來看，采用本文方法在交叉口的交通狀態(tài)的精細(xì)度和實(shí)效性上均有較高提升.對(duì)于準(zhǔn)確率來說，訓(xùn)練庫中有標(biāo)簽樣本的數(shù)量只占到總樣本為10%，故提升的幅度不大，后續(xù)研究中將進(jìn)一步提高有標(biāo)簽樣本的占比，有望使得準(zhǔn)確率繼續(xù)提升.

表2 交叉口交通狀態(tài)識(shí)別比較Table2 Comparison of traffic state recognition at intersections

車輛的運(yùn)動(dòng)行為與交通狀態(tài)關(guān)系密切，所提方法中速度、加速度等車輛運(yùn)動(dòng)參數(shù)作為圖像化建模的關(guān)鍵指標(biāo)并用以判別狀態(tài).因此，給出如圖6所示的交叉口有效檢測(cè)區(qū)域內(nèi)車輛平均速度變化時(shí)交通狀態(tài)的對(duì)應(yīng)情況，圖中以交叉口東西方向的交通狀態(tài)為例，橫坐標(biāo)表示車輛排隊(duì)長度，波紋為排隊(duì)形成過程且用波紋灰度的深淺表示車速的高低，其中波紋越深表示車速越低.從圖中可知，當(dāng)交叉口有效檢測(cè)區(qū)域內(nèi)的車輛平均速度降低時(shí)，車輛的排隊(duì)長度增長，交叉口的交通狀態(tài)正由欠飽和狀態(tài)向飽和，過飽和狀態(tài)演變.

圖6 不同速度下交叉口交通狀態(tài)Fig.6 Traffic status of intersections at different speeds

4 結(jié) 論

從先進(jìn)檢測(cè)方式原始數(shù)據(jù)豐富特征入手，構(gòu)建交叉口有效檢測(cè)區(qū)域的圖像化模型；將交叉口交通狀態(tài)識(shí)別轉(zhuǎn)化為圖像搜索問題，利用監(jiān)督哈希算法實(shí)現(xiàn)基于標(biāo)簽信息的圖像搜索，得到交叉口的交通狀態(tài)；最后，利用仿真采樣數(shù)據(jù)對(duì)本文所提方法進(jìn)行了驗(yàn)證.結(jié)果顯示，所提方法可以精細(xì)識(shí)別交叉口時(shí)間序列上的全部交通狀態(tài).后續(xù)研究中，將在本文交通狀態(tài)識(shí)別方法的基礎(chǔ)上對(duì)交叉口的實(shí)時(shí)信號(hào)控制策略進(jìn)行深入研究.

張立立，王力和趙琦3位作者對(duì)本文具有相同的貢獻(xiàn).