一種基于交通雷達的交通擁堵與交通事故判別方法

劉大學

摘要 文章以交通雷達技術為研究背景，通過交通雷達的相關特征參數(shù)，結合相關交通擁堵判定決策算法，構建了城市道路交通擁堵和交通事故判定評價實驗系統(tǒng)。以實際道路雷達數(shù)據(jù)進行實驗，處理得到的平均車速、車流量與實際基本相符。經(jīng)統(tǒng)計得到四級交通擁堵分布圖，顯示該文方法判別結果比模糊綜合判別法更準確。

關鍵詞 交通擁堵;交通事故;雷達;模糊綜合判別

中圖分類號 U491.3 文獻標識碼 A 文章編號 2096-8949（2022）07-0075-04

0 引言

隨著經(jīng)濟快速發(fā)展，人們對出行質(zhì)量的要求越來越高，城市交通建設隨之不斷進步，道路干線網(wǎng)絡不斷完善，機動車數(shù)量大幅攀升，過多車輛行駛導致交通擁堵，進而導致交通事故以及交通違章現(xiàn)象頻發(fā)[1]。城市交通干道上出現(xiàn)交通事故后，如不及時上報警訊并移動車輛，就會因事故車輛占道導致道路擁堵[2]。出現(xiàn)交通事故后，如沒有實施有效的處理，又會導致交通擁堵以事故發(fā)生地為圓心向外輻射，逐漸蔓延至周邊交叉路口，引發(fā)更加嚴重的擁堵，嚴重影響過路車輛的通行效率[3]。因而在城市道路交通運行中，需要對突發(fā)交通事故進行實時監(jiān)測，從而提高交通事故處理的效率，縮短擁堵時間，對緩解因交通沖突造成的交通擁堵具有重大意義[4]。根據(jù)道路狀態(tài)信息，運用雷達系統(tǒng)恰當融入交通參數(shù)計算方法，構建融城市道路交通流參數(shù)檢測、交通狀況判定和交通事故判別為一體的完整系統(tǒng)，可以極大地緩解城市交通擁堵[5]。該文據(jù)此對交通擁堵與交通事故的判別方法進行了研究。

1 交通雷達檢測系統(tǒng)原理

在電磁波傳播過程中，由于接觸到物體而產(chǎn)生反射回彈。電磁波的振幅和頻率會因接觸到物體不同而出現(xiàn)差異。且該差異情況還會隨物體的運動狀態(tài)發(fā)生變化。倘若物體處于相對靜止狀態(tài)，所回彈的電磁波振幅和頻率將會保持恒定;倘若物體處于相對運動狀態(tài)，就會導致電磁波出現(xiàn)壓縮反射現(xiàn)象，致使電磁波頻率增大。該電磁波頻率會隨著物體的運動而產(chǎn)生變化，離電磁波發(fā)源地距離越遠，頻率越低。因此可將交通雷達監(jiān)測系統(tǒng)運用于交通違章和交通事故的判定。

交通雷達采用陣列式結構，覆蓋城市道路交通干道進行檢測識別，并且對過往車輛的行駛狀態(tài)加以檢測，從而得到每臺車輛的行駛速度、車頭時速等參數(shù)。車輛在行駛過程中，與交通雷達之間的關系可以通過二者距離來呈現(xiàn)。二者距離與發(fā)射、反射電磁波的差值呈正相關，即距離越大差值越大。因而可以借此對車輛所處車道加以區(qū)分，使用濾波器進行識別。圖1所示為微波束投影橫截面圖。

2 基于交通雷達的交通擁堵與交通事故的判別

2.1 交通實時檢測

通過雷達與高清攝像頭關聯(lián)，一旦發(fā)生交通事故或車輛違章現(xiàn)象均可以通過對事發(fā)車輛進行拍照和交通雷達檢測，最大限度提高交通事故處理的效率[6]。即通過對過路車輛發(fā)射雷達電磁波，而后收集檢測由車輛反射回來的雷達電磁波頻率，繼而將電磁波信號轉化成雷達信號進行表達，按照實際車輛比例，將實際道路設施、道路渠化等與雷達匹配。進行坐標覆蓋，從而對排隊長度、交通流量、占有率等交通參數(shù)進行檢測。但是由于交通雷達所采集到的電磁波信號需要經(jīng)過處理，才可以轉化為車輛行駛的其他交通參數(shù)，所以針對某一時刻的車輛信息具有一定的滯后性。為了將雷達檢測結果和車輛運行時刻統(tǒng)一，通過公式（1）進行計算：

（1）

式中，——光感系統(tǒng)檢測到數(shù)字信號所消耗的時間（s）;——數(shù)據(jù)處理消耗的時間（s）;——數(shù)據(jù)傳輸消耗的時間（s）。

2.2 交通事故檢測

交通事的故復雜性、多源性使得交通沖突仿真具有極大的不確定性[7]。當兩個或兩個以上交通實體發(fā)生碰撞，雷達會將運行實體的軌跡檢測出，可識別是否發(fā)生交通事故。而后可以通過車輛的運行狀態(tài)和雷達所接收到的反射電磁波頻率來識別發(fā)生交通事故車輛為相對運動實體，在雷達上進行顯示。在發(fā)生事故時，會有車輛間碰撞接觸，也可進行識別。圖2為區(qū)域性障礙雷達顯示示意圖。

2.3 擁堵判定

在發(fā)生交通事故后，雷達通過檢測對區(qū)域性障礙位置進行確定，并對事故發(fā)生位置、占據(jù)車道情況進行精確判別。而后可以通過雷達反饋回的電磁波信號，通過擁堵方向、車輛時速、在車道停止線位置的不同、該城市交通干線車輛匯入率和擁堵方向的消散率之間的關系，來判斷該交通干道是否發(fā)生擁堵現(xiàn)象[8]。擁堵方向消散率的定義為：擁堵方向單位時間內(nèi)通過事故發(fā)生地的車輛數(shù)，具體見公式（2）。

（2）

式中，——擁堵方向車輛消散率;——第條擁堵進口道車輛經(jīng)停車線處車頭時距（s）;——第條擁堵進口道方向綠燈時間（s）;——事故發(fā)生地擁堵方向岔路口信號周期（s）。

其中，消散率與進口道車輛經(jīng)停車線處車頭時距成反比，與車道數(shù)、信號放行時間成正比。第條車道方向綠信比，因此，。

定義為擁堵方向單位時間匯入車輛數(shù)為擁堵方向匯入率，，其中，——交通擁堵上游交叉口信號周期（s）;——匯入擁堵方向車道車輛數(shù)（veh）。

當出現(xiàn)交通擁堵點后，根據(jù)擁堵方向匯入率及消散率的關系可知：在時，也就是擁堵方向匯入率要比消散率小，表明擁堵點處排隊車輛會消散。當，也就是擁堵方向匯入率與消散率相等，擁堵地點排隊車輛數(shù)量將會保持恒定不變，但是擁堵現(xiàn)象并不會對外蔓延。當，即代表了擁堵方向匯入率小于消散率，擁堵排隊車輛不僅會越來越多，甚至會出現(xiàn)更加嚴重的趨勢，并向外蔓延。

3 基于雷達處理交通特征參數(shù)的選取

判斷交通道路是否出現(xiàn)擁堵現(xiàn)象，最重要的識別因素是交通特征參數(shù)，因而需要選取合適的特征參數(shù)進行識別和分類判定。使用最為廣泛的交通特征參數(shù)有車速、車流量、交通密度、占有率、車頭時速、排隊長度、車頭間距等。但由于經(jīng)常出現(xiàn)車輛遮擋現(xiàn)象，難以對車頭間距、排隊長度和車頭時速等參數(shù)進行計算，而交通密度的計算方式又十分復雜。該文的研究中選取速度、車流量、路面占有率作為判定該路段是否擁堵的重要決策變量。

3.1 基于雷達處理交通特征參數(shù)的檢測方法

3.1.1 路面占有率

在進行道路占有率計算時，基本參數(shù)的設定為前提要素?？梢允褂檬止し绞綄β访嫘畔⑦M行提取，設置雷達監(jiān)控范圍的面積為area，左邊車道用lroadway1表示，路面占有率ratioroadl用公式（3）計算：

（3）

式中，heighti——第個車輛在圖像中所占面積，M——車輛信息鏈表長度。通過公式（4）計算右邊車道占有率：

（4）

3.1.2 車速計算

相鄰兩幀為、;相鄰幀間隔時間為。在計算車速時，先從雷達序列中依次取出圖像，圖像中讀取的第輛車質(zhì)心用表示;在相鄰幀中，將第輛車所對應的位置進行識別找出，而后采用跟蹤算法來把第輛車在幀中的位置找到，并對該幀中車輛的中心進行計算，記為;在中，第車輛速度為，。

3.1.3 車流量計算

對于車流量的計算過程可以和車速計算過程并列到一起，車速的計算則是需要記下幀中的位置和幀中的位置，統(tǒng)計與間的車輛個數(shù)，可以得到車流量為。

3.2 特征參數(shù)與交通狀態(tài)的關系

根據(jù)車輛的類型差異和不同交通道路的類型進行調(diào)整，從而得到表1中所展示的各級交通擁堵狀態(tài)與特征參數(shù)的關系。

3.3 模糊綜合評判方法

根據(jù)表1，可獲得交通擁堵等級和道路交通特征參數(shù)間的模糊隸屬矩陣，通過模型，可獲得矩陣B：

（5）

式中，——ID號為的車輛，第個因素對第個模糊語言子集隸屬度，其中，語言變量分別表示小、中、大，即。

（6）

式中，。

，其中，表示ID號為的車輛對個狀態(tài)模式隸屬度。

圖3為交通擁堵判別算法流程圖。因擁堵預判別只采用速度變量劃分，不能對道路情況進行完全描述。因而，會有產(chǎn)生權重計算結果和預判結果不符合的現(xiàn)象[9]。出現(xiàn)這種現(xiàn)象時，表明該交通道路判別擁堵狀態(tài)產(chǎn)生誤差，需要更換權重參數(shù)指標進行重新計算，并進行判定。

3.4 實驗算法流程

該文利用杭州市某道路旁的雷達數(shù)據(jù)進行實驗，其中計算機配置CPU為i3，內(nèi)存為4 GB，處理器主頻為1.9×

2 GHz。圖4為基于雷達處理的城市道路交通擁堵判別算法流程圖。

表2為雷達獲取交通特征參數(shù)與實際獲取交通特征參數(shù)對比。而后再根據(jù)數(shù)據(jù)進行人工統(tǒng)計計算，最終得到實際車流量、車速數(shù)據(jù)。因道路占有率為不易實際計算的量，因此未進行數(shù)據(jù)對比。

由表2可知，雷達處理得到的平均車速基本符合實際的平均車速，道路在31 s、41 s、51 s中比較通暢，道路占有率突然增大。通過觀察，發(fā)現(xiàn)雷達中有體積較大車輛出現(xiàn)，在路況較暢通時，占有率升高，不同于111 s、121 s因為路況，由于該時段路段出現(xiàn)車輛體積較大，出現(xiàn)車輛完全遮擋的現(xiàn)象，導致出現(xiàn)車流量降低的錯誤判斷。實際獲取車流量和雷達檢測獲取車流量基本相同。

4 交通擁堵判別算法實驗結果分析

該文采用杭州市某路段雷達數(shù)據(jù)進行實驗驗證。由表3可知，在同一時段中，該路段開始交通擁堵狀態(tài)為一般，隨著時間的增長，就出現(xiàn)了十分擁堵的現(xiàn)象，雖然擁堵情況出現(xiàn)了緩解，但是依舊判定為Ⅲ級擁堵狀態(tài)，須提醒車輛繞道行駛。

如圖5所示，將實驗數(shù)據(jù)和觀測數(shù)據(jù)進行對比，通過該文方法判別、模糊綜合判別、人為判別進行統(tǒng)計，得到四級交通擁堵分布數(shù)據(jù)。人為判別和該文方法數(shù)據(jù)更為接近，判別結果要比模糊綜合判別結果準確。

5 結論

該文基于交通雷達進行交通擁堵與交通事故判別方法研究，得出如下結論：

（1）將電磁波信號轉化成雷達信號進行表達，按照實際車輛比例，將實際道路設施、道路渠化等與雷達匹配。選取速度、車流量、路面占有率作為判定該交通路段是否出現(xiàn)擁堵現(xiàn)象的重要決策變量。

（2）該文構建了基于交通雷達的城市道路交通擁堵現(xiàn)象判定評價實驗系統(tǒng)，以杭州市某一主線道路所收集到的雷達數(shù)據(jù)進行實驗，雷達處理得到的平均車速基本符合實際平均車速，實際獲取車流量和雷達檢測獲取車流量基本相同。

（3）通過該文方法判別、模糊綜合判別、人為判別進行統(tǒng)計，得到四級交通擁堵分布數(shù)據(jù)，人為判別和該文方法數(shù)據(jù)更為接近，判別結果比模糊綜合判別結果準確。

參考文獻

[1]陳昊， 陸建. 基于VISSIM仿真的高速公路事故交通影響[J]. 長安大學學報（自然科學版）， 2015（S1）： 226-229.

[2]王進展， 曲大義， 曹俊業(yè)， 等. 基于多普勒雷達交通實時監(jiān)控的交通沖突判別技術研究[J]. 科學技術與工程， 2016（32）： 308-313.

[3]Zhang F， Knoll A. Vehicle detection based on probability hypothesis density filter[J]. Sensors， 2016（4）： 510-523.

[4]張宙元， 余穩(wěn)， 孫蕓， 等. 應用于交通信息檢測雷達的陣列天線設計[J]. 現(xiàn)代雷達， 2011（4）： 67-70+75.

[5]史殿習， 丁濤杰， 丁博， 等. 一種基于非參數(shù)回歸的交通速度預測方法[J]. 計算機科學， 2016（2）： 224-229.

[6]楊思琪. 高速公路交通擁堵狀況預測模型的研究與應用[D]. 廣州： 華南理工大學， 2017.

[7]孔棟， 王曉原， 劉亞奇， 等. 基于車載32線激光雷達點云的車輛目標識別算法[J]. 科學技術與工程， 2018（5）： 81-85.

[8]左家駿， 楊瑞娟， 李曉柏， 等. QAM-OFDM雷達通信一體化信號雷達性能研究[J]. 現(xiàn)代雷達， 2020（8）： 1-5.

[9]陳丹， 胡明華， 張洪海， 等. 基于貝葉斯估計的短時空域扇區(qū)交通流量預測[J]. 西南交通大學學報， 2016（4）： 807-815.