光纖傳感技術(shù)下的快速路交通狀態(tài)監(jiān)測研究

尹 露

(上海電科智能系統(tǒng)股份有限公司，上海 200063)

0 引言

交通擁堵是目前城市快速路面臨的最為嚴(yán)重的問題之一[1].如何確定實時的、精準(zhǔn)的交通信息，并及時采取相應(yīng)的措施改善交通擁堵，已經(jīng)成為城市交通治理的一個迫切的任務(wù).

實施有效的智能交通管理系統(tǒng)是解決交通擁堵的一個重要手段.智能交通系統(tǒng)需要前端設(shè)備進行感知，然而傳統(tǒng)的交通數(shù)據(jù)采集手段包括線圈檢測器、微波、攝像頭等，其缺點十分明顯：需要間隔固定的距離進行前期布設(shè)，檢測范圍依賴設(shè)備的覆蓋率；檢測設(shè)備的好壞嚴(yán)重影響數(shù)據(jù)質(zhì)量，一旦發(fā)生設(shè)備故障，數(shù)據(jù)缺失嚴(yán)重，并且需要人工長期維護.此外，受布設(shè)方式的影響，傳統(tǒng)的采集設(shè)備在數(shù)據(jù)精準(zhǔn)性、及時性方面也十分欠缺.

針對這些問題提出了一種新的交通信息采集手段——Φ-OTDR分布式光纖傳感設(shè)備.該設(shè)備采集方便，不需要提前布設(shè)，只需要利用道路上已有的通信光纜，將其中空余的光纖接入系統(tǒng)，就可實現(xiàn)連續(xù)的、長距離的動態(tài)實時數(shù)據(jù)采集.根據(jù)采集的實時動態(tài)數(shù)據(jù)，尋找光纖振動數(shù)據(jù)與交通狀態(tài)之間的關(guān)系，是本文重點要討論的問題.

1 國內(nèi)外研究綜述

國外對交通狀態(tài)的擁堵識別一直是智能交通系統(tǒng)中十分常見的功能之一，包括常發(fā)性的擁堵和偶發(fā)性的擁堵計算.常發(fā)性擁堵一般是由于道路交通量過大產(chǎn)生的，如交通的早晚高峰，并具有一定的可預(yù)測性.研究指標(biāo)如高速公路擁堵指數(shù)(freeway congestion index FCI)[2-3]和常發(fā)性擁堵發(fā)生概率指標(biāo)[4].偶發(fā)性擁堵發(fā)生時間沒有預(yù)測性，如交通事故、惡劣天氣等，目前并沒有成熟的研究體系[5].

國內(nèi)對城市交通狀態(tài)的研究始于20世紀(jì)90年代.隨著城市智能交通技術(shù)的發(fā)展，針對我國城市道路特殊情況，在交通狀態(tài)識別方面取得了顯著的成果.主要研究方法有3大類：第1類為文獻[6-7]研究基于交通傳感器的交通參數(shù)采集，通過分析路段交通流量與速度的關(guān)系，判斷交通狀態(tài)的變化；第2類為文獻[8-10]利用集對分析法、模糊聚類法等實現(xiàn)對交通狀態(tài)的識別；近幾年，由于大數(shù)據(jù)技術(shù)的發(fā)展，產(chǎn)生了第3類基于數(shù)據(jù)挖掘技術(shù)的城市交通狀態(tài)研究，如支持向量機(SVM)、機器學(xué)習(xí)、圖像識別等深度學(xué)習(xí)算法[11-12]，但是在交通數(shù)據(jù)采集設(shè)備這一塊，仍然是以線圈和視頻為主.本文提出的借助光纖傳感設(shè)備，實現(xiàn)對路段連續(xù)、實時數(shù)據(jù)的采集，在交通應(yīng)用領(lǐng)域具有較高的創(chuàng)新性，對真實項目的落地應(yīng)用有一定的參考價值.

2 交通數(shù)據(jù)的采集方式

工程上應(yīng)用較多的交通數(shù)據(jù)采集技術(shù)主要分為2類：固定型采集技術(shù)和移動型采集技術(shù)[13].固定型采集技術(shù)是指采集設(shè)備安裝地點固定，是不可移動的，一般用于提供地點交通數(shù)據(jù)；移動型采集技術(shù)的采集設(shè)備則安裝在車輛上，一般用于提供路段交通數(shù)據(jù)，如全球定位系統(tǒng)(GPS)、汽車牌照識別、電子標(biāo)簽識別等[14].固定型采集設(shè)備包含波頻設(shè)備(微波、超聲、紅外)，磁頻設(shè)備(線圈、地磁)，視頻設(shè)備(攝像頭)3類[15].

這2類交通數(shù)據(jù)采集技術(shù)工程缺陷十分明顯：固定型采集技術(shù)的檢查范圍受限于設(shè)備的布設(shè)位置，且設(shè)備需要定期維護，受外界環(huán)境影響較大；移動型采集技術(shù)一定要在車輛上安裝相應(yīng)的設(shè)備，否則無法獲取數(shù)據(jù)，工程成本較高[15].

3 分布式光纖傳感技術(shù)在交通上的應(yīng)用研究

光纖傳感技術(shù)的優(yōu)勢在于連續(xù)、靈敏度高.不僅可實現(xiàn)規(guī)模較大、距離較長的工程數(shù)據(jù)采集，同時對光纖沿線的擾動信號具有高強度的靈敏性，因此十分適用于交通安全狀態(tài)監(jiān)測.該技術(shù)在交通運輸方面的應(yīng)用還在起步階段，主要用于周界安防和長距離的油氣管道監(jiān)測、大型倉庫及油罐的火災(zāi)防護、大型設(shè)備(如航空航天飛行器)的老化程度檢測等[15-18]方面.

3.1 分布式光纖傳感系統(tǒng)簡介

分布式光纖傳感系統(tǒng)采用通信鏈路的既有光纜作為傳感光纖.在既有的通信光纜中，一般存在沒有使用的光纖鏈路，分布式光纖傳感系統(tǒng)抽取其中一根光纖連接到系統(tǒng)內(nèi)，利用該光纖提供的背向散射光進行分布式信息感知，實現(xiàn)傳感和數(shù)據(jù)傳輸.根據(jù)應(yīng)用需求，一般選擇城市快速路中鋪設(shè)有通信光纜的路段作為信息采集路段.由于鋪設(shè)光纜的方式、鋪設(shè)深度、鋪設(shè)位置不同，信息采集路段上一定會存在對振動信號不敏感的地區(qū)，進行信號分析和現(xiàn)場實驗時，應(yīng)該避開這些不敏感區(qū)域.另外，受鋪設(shè)因素的影響，信息采集路段對振動信號敏感區(qū)域的敏感程度也不一樣.

本研究選取滬寧高速大渡河路至江橋收費站7 km的路段作為測試路段，利用道路中已經(jīng)鋪設(shè)的通信光纜作為實驗對象，既有通信光纜的終端設(shè)置在快速路設(shè)備控制的機房內(nèi)，Φ-OTDR分布式光纖傳感系統(tǒng)數(shù)據(jù)采集設(shè)備如圖1所示.該設(shè)備在測試環(huán)境下，每1 m，0.6s采集1次振動數(shù)據(jù)，采集頻率為100 Hz，全天24 h不間斷采集.

圖1 Φ-OTDR分布式光纖傳感系統(tǒng)數(shù)據(jù)采集設(shè)備

3.2 基于SVM的交通狀態(tài)判別模型介紹

本模型基于Φ-OTDR光纖傳感設(shè)備，通過采集上海市滬寧高速的交通狀態(tài)實時光纖振動數(shù)據(jù)，解調(diào)光纖波形在時間和位置上的變化規(guī)律，建立基于支持向量機(SVM)的交通狀態(tài)判別算法，實現(xiàn)對真實交通狀態(tài)的智能識別.

3.2.1 SVM算法簡介

SVM實現(xiàn)監(jiān)督學(xué)習(xí)的機理在于，對樣本進行分類的過程，對于小樣本、非線性、及高維模式識別問題具有較好的分類效果.SVM算法的實現(xiàn)過程是將訓(xùn)練集子集定義為決策邊界，通過尋找2類決策邊界中間的一個超平面，當(dāng)超平面與被集中訓(xùn)練的2類邊緣樣本的“距離”最大時，得到最大邊緣超平面.因為“距離”最大，超平面可有效區(qū)分2類樣本，并具有很好的泛化誤差，如圖2所示.

圖2 SVM算法中的最大邊緣超平面

由于任何凸集都適用支持向量機算法，為了尋找最大邊緣超平面，需運用拉格朗日乘子，拉格朗日函數(shù)見式(1)：

(1)

式中：λi為拉格朗日乘子；xi、yi表示已知的訓(xùn)練樣本；C為懲罰因子；ξi為松弛變量；w、b表示分割超平面的系數(shù)向量；得到式(2)：

s.t. 0≤λi≤C,i=1,…,n

(2)

由于交通狀態(tài)分類的分割平面是曲面而不是平面，而SVM 模型屬于線性二分類器，無法適用于交通狀態(tài)的分類，因此引入核函數(shù).

核函數(shù)可將特征從原坐標(biāo)空間X映射到坐標(biāo)空間φ(X)中，得到新的目標(biāo)函數(shù)式(3)：

(3)

核函數(shù)一方面可解決SVM模型線性不可分的情況，同時又能避免計算時出現(xiàn)的多維災(zāi)難問題，節(jié)省計算時間，節(jié)約計算資源.

3.2.2 定義交通狀態(tài)

根據(jù)國家道路交通信息發(fā)布規(guī)范GA/T 994—2017，在限制速度為80 km/h的城市快速路下，3級通行狀態(tài)的發(fā)布要求如表1所示.

表1 快速路3級通行狀態(tài)發(fā)布規(guī)定

3.2.3 5 min數(shù)據(jù)波形圖統(tǒng)計

步驟1將原始數(shù)據(jù)按照研究路段和時間區(qū)間，分成若干M×N的矩陣.

其中M代表研究路段的距離，單位為米，例如M取[500,800]，表示測試道路500～800 m位置區(qū)間；N代表采集數(shù)據(jù)的時間范圍，由于每0.6 s采集1次數(shù)據(jù)，在N取[1,1 000]時，實際代表的是第0.6～600 s的數(shù)據(jù)，也就是前10 min的數(shù)據(jù)，參見表2.

表2 原始數(shù)據(jù)的矩陣劃分

步驟2確定單位標(biāo)準(zhǔn)矩陣，矩陣格式為500×500.

依次將測試路段每500 m劃分成一個單獨的研究對象，并分別對每個研究對象每5 min統(tǒng)計1次數(shù)據(jù).因此，每1個500 m的研究路段，根據(jù)不同時間的采集數(shù)據(jù)，可得到若干個500×500的標(biāo)準(zhǔn)矩陣，表3為一個單位標(biāo)準(zhǔn)矩陣.

表3 單位標(biāo)準(zhǔn)矩陣(萬鎮(zhèn)路—祁連山路段)

步驟3獲得每個單位標(biāo)準(zhǔn)矩陣的數(shù)據(jù)波形曲線.

以距離為橫坐標(biāo)，光纖采集數(shù)據(jù)為縱坐標(biāo)，依次將每個點位的采集值在坐標(biāo)上畫出來，可得到每個標(biāo)準(zhǔn)曲線的波形曲線，如圖3所示.

圖3 單位標(biāo)準(zhǔn)矩陣的數(shù)據(jù)波形曲線

3.2.4 建立基于SVM的交通狀態(tài)判別模型

步驟1對每標(biāo)準(zhǔn)研究路段建立起每隔5 min交通狀態(tài)數(shù)據(jù)檔案.

在數(shù)據(jù)處理中心調(diào)取每段標(biāo)準(zhǔn)研究路段的交通狀態(tài)信息，以萬鎮(zhèn)路—祁連山南路為例，具體統(tǒng)計格式如表4所示.

表4 萬鎮(zhèn)路—祁連山南路交通數(shù)據(jù)檔案

步驟2建立路段光纖采集數(shù)據(jù)波形曲線圖片庫.

分別獲取每1段路段在標(biāo)準(zhǔn)矩陣下的數(shù)據(jù)波形曲線，并根據(jù)真實的交通狀態(tài)數(shù)據(jù)檔案，分別為每1張圖片貼上對應(yīng)交通狀態(tài)的學(xué)習(xí)標(biāo)簽.例如：萬鎮(zhèn)路—祁連山南路；2018-01-10；07:00—07:05；暢通，其數(shù)據(jù)波形曲線如圖4所示.

圖4 萬鎮(zhèn)路—祁連山南路5 min數(shù)據(jù)波形曲線

步驟3建立SVM交通狀態(tài)學(xué)習(xí)數(shù)據(jù)庫.

按照需要實現(xiàn)判別的交通狀態(tài)，依次建立暢通、緩慢、擁堵3類交通狀態(tài)學(xué)習(xí)數(shù)據(jù)庫，將貼上學(xué)習(xí)標(biāo)簽的曲線圖片按照對應(yīng)的交通狀態(tài)，分別放入學(xué)習(xí)數(shù)據(jù)庫，最終可得到暢通、緩慢、擁堵3大學(xué)習(xí)數(shù)據(jù)庫，如圖5～圖7所示.

圖5 SVM交通狀態(tài)學(xué)習(xí)數(shù)據(jù)庫-暢通狀態(tài)

圖6 SVM交通狀態(tài)學(xué)習(xí)數(shù)據(jù)庫-緩慢狀態(tài)

圖7 SVM交通狀態(tài)學(xué)習(xí)數(shù)據(jù)庫-擁堵狀態(tài)

步驟4通過Matlab軟件實現(xiàn)基于SVM的交通狀態(tài)判別.

軟件代碼技術(shù)思路如圖8所示，主要包括數(shù)據(jù)訓(xùn)練學(xué)習(xí)和實現(xiàn)狀態(tài)預(yù)測2部分.通過安裝SVM工具箱，可直接在Matlab中調(diào)用，SVM訓(xùn)練函數(shù)為：

圖8 基于SVM的交通狀態(tài)判別模型實現(xiàn)思路

model=svmtrain(label,scaledpic,′-t -c -v′)

(4)

第1個參數(shù)為標(biāo)簽，第2個為訓(xùn)練數(shù)據(jù)，第3個是個命令集合，-t表示核函數(shù)，-c為懲罰系數(shù)，-v為交叉驗證數(shù).

SVM分類預(yù)測函數(shù)為：

[predict_label,accuracy,prob_estimates]=

svmpredict(label,scaledpic,model)

(5)

模型中各步驟均基于Matlab編程實現(xiàn)，各步驟的編程核心思想如下.

讀取訓(xùn)練數(shù)據(jù)的函數(shù)定義為：

function[imageContainer,label]=

ReadPic(n_pic,flag)

(6)

具體處理步驟為：

1)將曲線圖片轉(zhuǎn)為pgm格式，并統(tǒng)一將圖片大小處理為112像素×92像素；

2)每1種交通狀態(tài)里面都有N張圖片，前N/2張當(dāng)作訓(xùn)練集，后N/2張當(dāng)作測試集；

3)當(dāng)flag為0時，表示輸入為訓(xùn)練集，flag為1時，表示輸入為測試集；

4)n_pic為不同的曲線圖像類別，在本模型中n_pic=3，即表示暢通、緩慢、擁堵3種狀態(tài)；

5)label即是數(shù)據(jù)的標(biāo)簽；

6)imageContainer是一個向量化圖片容器，即將每1張圖片轉(zhuǎn)成一行向量放入其每行中，有點的地方像素為1，其他地方為0.

數(shù)據(jù)PCA降維，是為了讓SVM 在高維情況下線性不可分的問題，在低維情況下變得線性可分，函數(shù)定義為：

function[pcaA,V]=fastPCA(A,k)

(7)

式中：A為樣本矩陣，將其降至k維后的矩陣為pcaA,V為主成分分量.

數(shù)據(jù)歸一化是為了讓所有數(shù)據(jù)處于同一個可比較的量級.舉一個簡單的例子，例如A體重70 kg,身高1.75 m，B體重69 kg,身高1.50 m，C體重65 kg，身高1.74 m，SVM是基于距離算的，所以會把A和B看成相似的，而實際上A和C比較相似，函數(shù)定義為式(8)：

function[scaledpic]=

scaling(picMat,lTarget,uTarget)

(8)

式中：picMat為需要進行規(guī)范化的曲線圖像數(shù)據(jù)，所有數(shù)據(jù)在歸一化之后，取值都將在[-1,1]之間.

3.2.5 基于SVM的交通狀態(tài)判別模型運行結(jié)果

在本模型中，由于需要分類的狀態(tài)一共有3類，因此每一次需要測試識別的圖像共有3×N/2張.表5展示了在不同的樣本數(shù)據(jù)N下的SVM分類識別結(jié)果.毫無疑問，模型測試結(jié)果也說明了隨著數(shù)據(jù)樣本量的增大，模型訓(xùn)練的準(zhǔn)確度會提高，最終的分類識別正確率也會越高.

表5 不同的樣本數(shù)據(jù)N下的SVM分類識別結(jié)果

4 結(jié)束語

基于光纖傳感技術(shù)，借助光纖傳感設(shè)備，可實現(xiàn)對連續(xù)路段實時數(shù)據(jù)的采集.本研究通過數(shù)據(jù)挖掘技術(shù)，實現(xiàn)了基于支持向量機(SVM)的交通狀態(tài)判別智能識別算法，該算法對暢通、緩慢和擁堵3種交通狀態(tài)可有效識別，并發(fā)布實時交通狀態(tài).在連續(xù)交通數(shù)據(jù)采集方面，光纖傳感技術(shù)具有很大的優(yōu)勢，因此對于未來城市快速路的智慧建設(shè)，本技術(shù)具有一定的參考和應(yīng)用價值.