王思祺， 吳 悠， 王世妍

(1.吉林大學(xué) 交通學(xué)院， 長(zhǎng)春 130022； 2.福州大學(xué) 土木工程學(xué)院， 福州 350000)

隨著交通多項(xiàng)技術(shù)的不斷發(fā)展，車載設(shè)備和路側(cè)設(shè)備都在不斷成熟[1-2]，對(duì)路側(cè)系統(tǒng)信息的全面性和精度的要求逐漸增高，但因行駛過(guò)程中，車輛的快速移動(dòng)導(dǎo)致監(jiān)測(cè)外界環(huán)境復(fù)雜多變，當(dāng)前的感知技術(shù)在多個(gè)方面的精度都不夠高，而監(jiān)測(cè)路況信息需要準(zhǔn)確高效，為解決這一供需矛盾，深度學(xué)習(xí)理論因其學(xué)習(xí)能力強(qiáng)[3]，覆蓋范圍廣，適應(yīng)性強(qiáng)等優(yōu)點(diǎn)被廣泛應(yīng)用[4-6]，目前在交通領(lǐng)域[7-11]是一個(gè)研究熱點(diǎn)。

LUO等[8]提出了一種新的數(shù)據(jù)驅(qū)動(dòng)系統(tǒng)，該系統(tǒng)由3個(gè)階段組成：使用灰色和歸一化RGB通道上的最大穩(wěn)定極值區(qū)域提取每一幀的交通標(biāo)志，通過(guò)提出的多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)對(duì)此進(jìn)行細(xì)化并分配到詳細(xì)類別，最終結(jié)合所有幀的結(jié)果作出識(shí)別決策。丁潔等[9]提出一種利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)交通擁堵圖像進(jìn)行檢測(cè)的方法，通過(guò)模型構(gòu)建、模型訓(xùn)練及模型驗(yàn)證，表明該模型能更有效地檢測(cè)交通擁堵。

在城市積水深度監(jiān)測(cè)方面,國(guó)外提出的洪澇模型有數(shù)10種，并利用物聯(lián)網(wǎng)、圖像處理等監(jiān)測(cè)城市水位[12-13]。我國(guó)在城市積水監(jiān)測(cè)方面的研究與國(guó)外相比較少，仲志遠(yuǎn)[14]通過(guò)云臺(tái)拍攝水尺圖像，利用圖像處理算法計(jì)算城市涵洞積水水位。王彭輝[15]利用超聲波模塊、電子水尺、溫濕度模塊及定位模塊采集數(shù)據(jù)，完成水位的監(jiān)測(cè)及預(yù)警。此外，已有研究中將深度學(xué)習(xí)用于環(huán)境感知方面，感知的內(nèi)容主要是交通信號(hào)燈等交通標(biāo)志、交通擁堵、建筑物以及路面凸起凹陷等[8-10]，但沒(méi)有對(duì)路面積水水位判斷感知的研究報(bào)道。

在雨季，我國(guó)城市道路極易出現(xiàn)積水，駕駛在積水路面十分危險(xiǎn)。為此，本文提出一種基于支持向量機(jī)SVM(Support Vector Machine)的路面水位監(jiān)測(cè)判斷機(jī)制模型，通過(guò)設(shè)定多種駕駛情況下的道路屬性，找尋不同路況的路面上駕駛的安全界限，將其應(yīng)用于優(yōu)化路側(cè)設(shè)備的環(huán)境感知模塊。對(duì)于同一車型及車速的不同道路狀況下，水位的安全閾值不同，同樣地，對(duì)于不同車型及車速條件下的同一道路條件，水位的安全閾值也會(huì)不同，本文主要以普通小轎車的最低底盤高度及正常車速為典型例子，考慮其不同道路環(huán)境下的危險(xiǎn)水位判斷。若對(duì)于其他車型情況，則只需修改水位閾值，即可使用本文的模型。

1 模型建立

支持向量機(jī)SVM是一種高效的監(jiān)督學(xué)習(xí)算法，被廣泛用于分類及回歸領(lǐng)域。其優(yōu)勢(shì)：高維空間非常高效；在數(shù)據(jù)維度大于樣本數(shù)量時(shí)仍然有效；可根據(jù)場(chǎng)景選取不同的核函數(shù)，具有通用性。SVM具有超強(qiáng)的分類能力，本文將其用于交通領(lǐng)域，通過(guò)模型訓(xùn)練，對(duì)不同路況的路面進(jìn)行積水危險(xiǎn)水位的判斷，以服務(wù)于智能網(wǎng)聯(lián)系統(tǒng)的環(huán)境感知模塊。

1.1 支持向量機(jī)

支持向量機(jī)基本思想是尋找一個(gè)超平面使得其能夠盡可能將樣本正確分開(kāi)，同時(shí)使分開(kāi)的樣本距超平面最遠(yuǎn)[16]，其原理示意如圖1所示。中間H為超平面，H1、H2均平行于H且間距相同，同時(shí)是能夠?qū)?種類型數(shù)據(jù)準(zhǔn)確分開(kāi)的最遠(yuǎn)平面。依據(jù)該原理，以一個(gè)點(diǎn)代表一種路況，每個(gè)點(diǎn)包含水位信息和道路屬性信息，通過(guò)樣本訓(xùn)練，尋找超平面，得出綜合考慮不同路況的水位劃分模型。

在此，以在二維空間的線性二分類為例，該算法是在二維數(shù)據(jù)集T={(x1,y1),(x2,y2)，…，(xN,yN)}中進(jìn)行，其中xi∈Rn且yi∈{+1，-1}，i=1,2,…,N，為了更好地解釋其原理，假設(shè)數(shù)據(jù)是線性可分的。

圖1 支持向量機(jī)原理示意

超平面H表示為：

ωx+b=0

(1)

式中：ω為超平面法線向量；b為分類直線的偏移量。

數(shù)據(jù)集中各個(gè)樣本點(diǎn)(xi,yi)至超平面的集合間隔為：

(2)

則求解最大分割距離超平面的問(wèn)題可轉(zhuǎn)化下面的最優(yōu)化問(wèn)題：

s.t.

(3)

(4)

類似地，可將其推廣至高維空間及非線性的分類中，正適合于本文對(duì)于復(fù)雜路況下危險(xiǎn)水位的判斷。

1.2 建模過(guò)程

1.2.1 參數(shù)確定

路面積水量在不同道路屬性的情況下，對(duì)于車輛涉水行駛的影響并不是單一的隨水位的變化而改變，同一水位在不同道路屬性的情況下，涉水行駛的安全性并不相同。為了更好地適應(yīng)多變復(fù)雜的路況，將道路等級(jí)、道路類型、所處路段位置3項(xiàng)作為道路屬性的描述參數(shù)，如圖2所示，通過(guò)對(duì)不同道路屬性相互組合的結(jié)果，與積水量一同作為支持向量機(jī)的訓(xùn)練集特征對(duì)模型進(jìn)行訓(xùn)練。

圖2 道路屬性分類

1.2.2 訓(xùn)練集確定

由于路面積水量與所處位置的氣象條件及其他諸多因素有關(guān)，因此路面積水量是均勻隨機(jī)的，無(wú)法用具體的函數(shù)來(lái)進(jìn)行計(jì)算和確定其分布，且在不同路況條件下，同一水位對(duì)于車輛涉水通過(guò)的安全性有所不同。根據(jù)不同路況下安全水位與危險(xiǎn)水位存在一個(gè)界限值，低于界限值的水位為安全水位，高于界限值的為危險(xiǎn)水位。結(jié)合中國(guó)公路的排水現(xiàn)狀，借助Python中numpy.random.rand()函數(shù)生成了300條介于均勻分布于0 mm～60 mm之間的積水量數(shù)據(jù)作為模型的訓(xùn)練數(shù)據(jù)，具體數(shù)據(jù)分布如圖3所示。

圖3 非標(biāo)準(zhǔn)化積水?dāng)?shù)據(jù)分布

由于支持向量機(jī)算法本身不能很好地支持非標(biāo)準(zhǔn)化的數(shù)據(jù)，為了得到更好的效果，將生成的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，其公式如下:

(5)

(6)

由式(5)可計(jì)算得出：

μ=30.688 261 017 093 186

σ=17.586 844 413 072 924

據(jù)此對(duì)原始數(shù)據(jù)進(jìn)行逐一標(biāo)準(zhǔn)化，用于模型訓(xùn)練。

為量化驗(yàn)證數(shù)據(jù)標(biāo)準(zhǔn)化，確定標(biāo)準(zhǔn)化后的數(shù)據(jù)有利于提高模型精度，擬定模型懲罰系數(shù)C分別為0.1、0.5、1，使用標(biāo)準(zhǔn)化與非標(biāo)準(zhǔn)化的數(shù)據(jù)分別進(jìn)行訓(xùn)練，模型精度結(jié)果對(duì)比如表1所示。

表1 模型精度對(duì)比

對(duì)比表1中相同懲罰系數(shù)使用不同數(shù)據(jù)訓(xùn)練的模型精度可以看出，對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理可提升支持向量機(jī)模型的精確度。

1.2.3 最優(yōu)參數(shù)選擇

為提高支持向量機(jī)模型的準(zhǔn)確性，需確定懲罰系數(shù)C以及核函數(shù)參數(shù)gamma，為了獲取最優(yōu)的參數(shù)，使用網(wǎng)格搜索法[17-19]。

網(wǎng)格搜索是對(duì)網(wǎng)格中每個(gè)交點(diǎn)進(jìn)行遍歷，從而找到最優(yōu)組合，網(wǎng)格搜索適合3個(gè)及3個(gè)以下的超參數(shù)優(yōu)化，超參數(shù)過(guò)多時(shí)，搜索的時(shí)間復(fù)雜度呈指數(shù)上升，此時(shí)若仍用網(wǎng)格搜索容易導(dǎo)致優(yōu)化時(shí)間過(guò)長(zhǎng)，但是相較于適合大量超參數(shù)的隨機(jī)搜索，網(wǎng)格搜索法更容易得到全局最優(yōu)參數(shù)。在本模型中，所需確定的最優(yōu)參數(shù)有2個(gè)，適合選用網(wǎng)格搜索法。

取懲罰系數(shù)C的范圍為(0，3]，核函數(shù)參數(shù)gamma(0，3]，以0.2為網(wǎng)格大小進(jìn)行搜索，將模型在訓(xùn)練數(shù)據(jù)集上預(yù)測(cè)的正確率作為評(píng)估標(biāo)準(zhǔn)，得到的正確率如圖4所示。

從圖4可以看出，正確率的最大區(qū)域存在于C=2.6，gamma=0.4附近，再進(jìn)一步求精，通過(guò)細(xì)化搜索區(qū)域，得到的正確率如圖5所示。根據(jù)圖5，可得到最優(yōu)參數(shù)C=2.640，gamma=0.48，此時(shí)模型具有97.66%的精確度。

圖4 大區(qū)間搜索正確率

圖5 小區(qū)間搜索正確率

2 模型驗(yàn)證

為了預(yù)防模型過(guò)擬合，同時(shí)也為了驗(yàn)證模型在實(shí)際使用中的可行性及泛化能力，依據(jù)假設(shè)場(chǎng)景中共43種不同的道路環(huán)境，使用numpy生成了每種路況隨機(jī)且不同的積水深度數(shù)據(jù)，并進(jìn)行前文的標(biāo)準(zhǔn)化處理數(shù)據(jù)，將該數(shù)據(jù)輸入模型，使用訓(xùn)練得到的模型進(jìn)行判斷，輸出判斷結(jié)果是否為危險(xiǎn)水位，對(duì)比判斷結(jié)果和實(shí)際情況，繪制不同道路環(huán)境下的預(yù)測(cè)正確率，結(jié)果如圖6所示。

圖6 不同路況下的模型可行性驗(yàn)證

圖6結(jié)果表示，在驗(yàn)證數(shù)據(jù)集上模型的正確率依然能達(dá)到0.97左右，證明在先前的訓(xùn)練中模型并未出現(xiàn)過(guò)擬合的情況。另外計(jì)算得到正確率數(shù)據(jù)的標(biāo)準(zhǔn)差為0.018，最低正確率為0.92，可據(jù)此得出該模型在各種路況下都具有可靠性的結(jié)論。

3 結(jié)束語(yǔ)

1) 本文通過(guò)利用支持向量機(jī)對(duì)路面積水量水位進(jìn)行分類，利用不同路況所對(duì)應(yīng)的不同界限值，準(zhǔn)確的將積水水位劃分為安全水位和危險(xiǎn)水位，模型的準(zhǔn)確率達(dá)到97.66%。

2) 通過(guò)再次選取數(shù)據(jù)進(jìn)行模型驗(yàn)證，結(jié)果表明該模型能夠準(zhǔn)確判別不同路況下的危險(xiǎn)水位。

3) 本模型可應(yīng)用于路側(cè)信息系統(tǒng)中，補(bǔ)充路況信息的不足，同時(shí)可通過(guò)修改水位閾值用于不同的車型情況。此外，還可升級(jí)模型，將車輛因素作為交互信息，利用車路協(xié)同技術(shù)，進(jìn)行車型和路況的匹配，更好地進(jìn)行水位的預(yù)警。筆者在本模型中選擇的參數(shù)仍然有限，不能全面準(zhǔn)確地反映車輛行進(jìn)過(guò)程中存在的復(fù)雜路況，所以模型的訓(xùn)練結(jié)果存在一定的不足，在后續(xù)的研究中將重點(diǎn)針對(duì)上述問(wèn)題進(jìn)行改進(jìn)。