基于多源数据的城市道路交通事件检测
基于多源数据的城市交通分析
基于多源数据的城市交通分析一、概述城市交通问题一直是城市发展和居民出行的瓶颈，在实际交通运营中，城市交通的流量、拥堵、安全、环保等问题愈加凸显。
为了解决这些问题，交通专家、政策制定者等人士需要综合考虑各种因素，因而需要采用多源数据进行城市交通分析。
本文介绍多源数据的城市交通分析方法，并重点介绍了三种数据类型：GPS数据、智能传感器数据和行程需求数据。
在实践中，交通分析师们通常会从这些数据中提取出有用的信息，例如交通流、拥堵状况、交通行为分析、交通模式分析等等。
二、GPS数据分析GPS数据是指通过全球卫星导航系统采集而来的交通位置信息数据。
GPS数据可通过车辆定位装置等方式采集，再通过算法进行处理和分析，从而获得全局和局部交通信息。
GPS数据对计算交通事故、导航、实时交通信息、维护基础交通设施和其他应用领域有重要贡献。
在城市交通分析中，个体轨迹研究是一种基于GPS的交通研究方法。
该方法在交通流、拥堵状况、路径选项、乘坐时间、交通工具使用率等方面具有很高的准确性。
此外，该方法还可以帮助交通管理部门进行决策制定，例如路线规划优化、出行时间安排等。
三、智能传感器数据分析智能传感器是一种物联网设备，可对交通数据进行实时监测和统计。
智能传感器通常安装在道路上，可采集交通流、交通速度、车流密度、车道变化、车辆类型等数据。
智能传感器可以提供实时交通问题解决方案，同时也能帮助交通管理部门制定交通政策。
在城市交通分析中，智能传感器数据可用于城市交通通行研究、路线规划及预测、拥堵分析和控制，以及交通指标监测，例如坐车时间、行驶距离和交通速度等。
四、行程需求数据分析行程需求数据是指采集到的关于出行需求和偏好的数据。
行程需求数据通常使用在线调查、电话调查、问卷调查等方式采集，以及通过交通工具及其他介质收集数据。
通过行程需求数据可以了解到出行需求的模式、方向、时间和交通工具需求等方面的差异，了解公众对于城市交通设施的需求。
基于多源数据的交通安全分析研究探讨
基于多源数据的交通安全分析研究探讨交通安全一直是社会关注的焦点，每年因交通事故造成的人员伤亡和财产损失不计其数。
为了有效降低交通事故的发生率，提高道路交通的安全性，基于多源数据的交通安全分析研究显得尤为重要。
多源数据的来源十分广泛。
首先，道路监控摄像头所采集的视频数据能够直观地反映道路上的车辆行驶情况、交通流量以及事故发生的瞬间。
其次，车载设备如行车记录仪、GPS 导航系统等产生的数据可以提供车辆的行驶速度、轨迹、驾驶行为等信息。
再者，交通管理部门的事故报告、违法记录等数据能够揭示事故发生的原因和规律。
此外，社交媒体上用户分享的与交通相关的内容，也能从侧面反映出某些地区或路段的交通状况。
这些多源数据为交通安全分析提供了丰富的素材，但同时也带来了一系列挑战。
数据的格式多样、质量参差不齐，如何对其进行有效的整合和清洗是首要问题。
不同来源的数据可能存在时间戳不一致、坐标系统不统一等问题，需要进行精确的校准和匹配。
而且，大量的数据处理需要高效的计算能力和算法支持。
在交通安全分析中，利用多源数据可以从多个角度进行深入研究。
例如，通过分析交通流量的时空分布特征，可以了解道路的拥堵情况和高峰时段，为交通规划和信号灯设置提供依据。
对驾驶员的行为数据进行挖掘，能够发现诸如超速、疲劳驾驶、违规变道等危险行为模式，从而有针对性地开展安全教育和执法工作。
以交通流量的分析为例。
通过对长时间序列的流量数据进行统计分析，可以发现某些路段在特定时间段内流量明显高于其他时段。
这可能是由于周边区域的功能布局（如商业区、工业区、住宅区等）导致的出行需求集中。
基于此，可以调整信号灯配时，优化道路资源的分配，提高道路的通行效率，减少因拥堵导致的事故风险。
再来看驾驶员行为分析。
利用车载设备收集的加速度、转向角度等数据，可以判断驾驶员是否存在急刹车、急转弯等危险操作。
结合驾驶员的视线方向、操作手机等行为数据，能够更全面地评估驾驶风险。
对于高风险驾驶员，可以采取强制培训、扣分等措施，以降低事故发生的可能性。
基于多源数据的城市交通拥堵分析与预测技术研究
基于多源数据的城市交通拥堵分析与预测技术研究随着城市化进程的不断加速，城市交通的拥堵现象越来越普遍，成为有关城市发展的重要问题。
为了更好地理解和解决城市交通拥堵问题，基于多源数据的城市交通拥堵分析与预测技术应运而生。
一、多源数据的含义和应用价值多源数据指的是来自不同数据源的数据，一般包括交通传感器、交通信号灯、车载终端、GPS定位、公交车卡口等，这些数据能够提供城市交通拥堵的实时监测和数据分析。
多源数据具有广泛的应用价值，它能够通过交通流量、速度、车辆密度等信息来精准地描绘城市道路交通状况，为实时交通监测、拥堵状况分析、交通模拟仿真、交通运输规划等领域提供数据支持和科学分析。
二、基于多源数据的城市交通拥堵分析技术1. 实时交通监测技术通过多源数据的实时采集和传输，能够对城市道路交通情况进行实时监测。
这种技术可通过交通传感器、GPS定位等设备实时采集数据，然后通过数据传输网络传递到城市交通控制中心进行实时处理，最终形成实时交通监测结果。
2. 数据分析技术数据分析技术主要是对多源数据的大数据分析，可以通过数据挖掘、机器学习等技术，从海量数据中挖掘出有用信息。
基于大数据分析结果，可以发现收集到的交通数据所反映的问题和瓶颈，进而对交通管理策略进行调整和优化。
3. 交通预测技术交通预测技术是基于多源交通数据的预测分析，通常采用时间序列模型、灰度预测、神经网络预测等方法，能够通过历史数据推测未来交通状况。
这种技术能够提前预警可能出现的拥堵状况，为交通管理和规划提供科学依据和决策支持。
三、城市交通拥堵分析与预测技术的应用案例1. 实时路况预警系统实时路况预警系统是基于多源数据技术的应用案例之一，其通过大数据分析和交通预测技术，能够实时监测道路拥堵情况，为驾车者提供实时路况信息，方便机动车驾驶者选择更为畅通的通行路线，从而减少道路拥堵和交通事故的发生率。
2. 交通治理与智能交通系统交通治理与智能交通系统是另一个基于多源数据技术的应用案例，其通过大数据分析和可视化展示技术，即时地监测并展示城市道路交通情况和交通事故情况。
基于多源数据的交通安全分析研究
基于多源数据的交通安全分析研究交通安全一直是社会关注的焦点问题，每年因交通事故造成的人员伤亡和财产损失都给个人、家庭和社会带来了巨大的痛苦和负担。
为了有效地预防和减少交通事故的发生，提高交通安全水平，基于多源数据的交通安全分析研究逐渐成为了交通领域的重要研究方向。
多源数据的来源广泛，包括但不限于交通监控摄像头、车载传感器、卫星定位系统、道路基础设施传感器、交通管理部门的事故记录以及社交媒体等。
这些数据涵盖了交通流量、车辆行驶速度、车辆类型、驾驶员行为、道路状况、天气条件等多个方面的信息，为深入分析交通安全问题提供了丰富的素材。
交通监控摄像头是获取交通数据的重要手段之一。
通过在道路关键节点安装摄像头，可以实时监测车辆的行驶轨迹、交通流量和交通拥堵情况。
这些摄像头能够捕捉到车辆的违规行为，如闯红灯、超速行驶、违法变道等，为交通执法和事故分析提供了直观的证据。
车载传感器，如速度传感器、加速度传感器、陀螺仪等，可以实时收集车辆的运行状态信息。
这些数据对于分析驾驶员的驾驶行为、车辆的操控稳定性以及潜在的安全隐患具有重要意义。
例如，急刹车、急加速和频繁变道等行为可能预示着驾驶员的注意力不集中或危险驾驶习惯。
卫星定位系统，如 GPS 和北斗，能够提供车辆的精确位置和行驶轨迹。
结合地图数据，可以分析车辆在不同道路路段的行驶速度和路线选择，从而评估道路的安全性和交通规划的合理性。
道路基础设施传感器，如路面温度传感器、湿度传感器、桥梁结构监测传感器等，可以实时感知道路的物理状况。
例如，路面湿滑或桥梁结构受损可能增加交通事故的风险，及时获取这些信息有助于采取相应的维护措施和交通管制。
交通管理部门的事故记录是分析交通安全的重要数据来源。
这些记录包含了事故发生的时间、地点、原因、伤亡情况和车辆类型等详细信息。
通过对大量事故记录的统计分析，可以发现事故的高发区域、时段和类型，从而有针对性地制定预防措施。
社交媒体也为交通安全分析提供了新的视角。
基于多源数据的交通事故分析与预测
基于多源数据的交通事故分析与预测在现代社会，交通事故是一个严重的公共安全问题，给人们的生命财产带来了巨大的损失。
为了有效地减少交通事故的发生，提高交通安全水平，基于多源数据的交通事故分析与预测变得至关重要。
多源数据在交通事故研究中的应用具有重要意义。
这些数据来源广泛，包括交通监控摄像头、车载诊断系统、社交媒体、保险公司的理赔记录以及警方的事故报告等等。
每种数据源都有其独特的特点和价值。
交通监控摄像头能够实时记录道路上的车辆行驶情况，包括车速、车流量、车辆类型等信息。
通过对这些视频数据的分析，可以了解交通流的规律，发现潜在的交通拥堵点和事故高发区域。
车载诊断系统则可以提供车辆自身的运行状态信息，如刹车系统的工作情况、发动机的性能等。
如果车辆在事故发生前存在某些故障，这些数据能够为事故原因的分析提供重要线索。
社交媒体如今也成为了交通事故信息的一个重要来源。
人们在事故发生后往往会在社交媒体上发布相关的图片、视频和文字描述。
这些内容虽然可能不够准确和专业，但能够从侧面反映出事故的影响范围和公众的关注度。
保险公司的理赔记录包含了大量的事故细节，如事故类型、损伤程度、责任认定等。
这些数据对于分析事故的经济损失和责任分配具有很高的参考价值。
警方的事故报告则是最为权威和全面的数据源之一，其中包含了事故的详细经过、现场勘查情况、当事人的陈述等关键信息。
在收集到多源数据后，接下来就是对这些数据进行整理和分析。
这是一个复杂而繁琐的过程，需要运用各种数据分析方法和工具。
首先，要对数据进行清洗和预处理，去除无效和错误的数据。
例如，交通监控摄像头拍摄的视频中可能存在光线不足、图像模糊等问题，需要进行图像增强和去噪处理；社交媒体上的信息可能存在夸大、虚假的成分，需要进行筛选和核实。
然后，运用统计学方法对数据进行描述性分析，计算事故发生的频率、严重程度等指标。
通过绘制图表，如柱状图、折线图、饼图等，可以直观地展示事故的分布特征。
基于多源监测数据的道路拥堵情况预测
基于多源监测数据的道路拥堵情况预测随着城市化进程的加速，道路交通拥堵问题日益严重，给人们的出行带来了诸多困扰。
如何准确预测道路拥堵情况，帮助驾驶员合理规划行程，成为当前交通领域亟需解决的问题之一。
针对这一问题，基于多源监测数据的道路拥堵情况预测成为了一种新的研究方向。
本文将以此为主题，介绍基于多源监测数据的道路拥堵情况预测的相关理论和实践应用。
一、多源监测数据的意义多源监测数据是指通过多种手段和设备获得的大量交通数据，其中包括但不限于车辆GPS位置数据、交通信号灯状态数据、高速公路收费站数据、摄像头监控数据等。
这些数据来源广泛，种类繁多，覆盖面广，可以很好地反映城市交通的真实情况。
利用多源监测数据进行道路拥堵情况预测，具有以下几个意义。
多源监测数据能够全面、多角度、多维度地反映道路交通状况，可以从不同角度获取丰富的数据信息，为预测模型提供更多的特征变量。
多源监测数据具有实时性和精准性，可以及时了解道路交通的实时状态，为准确预测拥堵情况提供数据支撑。
多源监测数据还可以为道路拥堵情况的原因分析提供依据，为交通管理部门制定合理的交通管控策略提供决策支持。
基于多源监测数据的道路拥堵情况预测方法主要包括数据采集、数据处理、特征提取和算法建模等步骤。
下面将对这些步骤进行详细介绍。
1.数据采集数据采集是基于多源监测数据的道路拥堵情况预测的第一步。
常用的监测设备包括GPS定位装置、摄像头监控设备、交通信号灯控制器等。
通过这些设备可以获取到车辆的位置坐标、车辆的行驶速度、路口的交通信号灯状态等数据。
2.数据处理数据处理是指将原始监测数据进行清洗和整理，将其转化为可用于预测的数据格式。
数据处理的关键是要解决数据缺失、数据异常和数据冗余等问题，保证数据的完整性和准确性。
3.特征提取特征提取是指从多源监测数据中提取有代表性的特征变量，用于构建预测模型。
常用的特征变量包括车辆密度、车速、路段长度、道路坡度、交通信号灯状态等。
基于多源监测数据的道路拥堵情况预测
基于多源监测数据的道路拥堵情况预测【摘要】本文针对道路拥堵问题，利用多源监测数据进行预测。
首先介绍了获取和处理多源监测数据的方法，然后构建了道路拥堵情况预测模型，并进行了验证和优化。
通过实验结果分析和预测效果评估，验证了该模型的有效性。
研究表明，基于多源监测数据的道路拥堵情况预测具有可行性，并具有实际应用意义。
未来研究可以进一步优化模型，提高预测准确性。
本研究为交通管理提供了一种全新的途径，有望有效减轻城市交通拥堵问题，提升交通运行效率。
【关键词】关键词：多源监测数据、道路拥堵情况预测、预测模型构建、模型验证、实验结果分析、预测效果评估、可行性、实际应用意义、未来研究展望1. 引言1.1 研究背景道路拥堵一直是城市交通管理中的一个重要问题。
随着城市化进程的加快和车辆保有量的增加，道路拥堵现象日益严重，已成为制约城市交通发展和居民出行的重要因素。
传统的道路拥堵监测手段主要依靠交通摄像头、交通卡口等设备，存在监测范围有限、数据采集不及时等问题。
随着物联网技术的发展和大数据时代的来临，基于多源监测数据进行道路拥堵情况预测成为可能。
通过整合不同数据源，如GPS轨迹数据、移动通信数据、交通信号灯数据等，可以更全面、准确地把握道路交通状况，实现对道路拥堵情况的预测和分析。
这种基于多源监测数据的道路拥堵情况预测方法，不仅可以提高道路拥堵监测的时效性和准确性，还可以为交通部门提供科学决策依据，优化交通流量分配，改善城市交通运行效率。
探索基于多源监测数据的道路拥堵情况预测方法具有重要的研究意义和实际应用价值。
1.2 研究意义道路拥堵是城市交通管理中一个常见问题，它直接影响着城市的交通效率和居民的出行体验。
解决道路拥堵问题，提高交通运行效率，已成为城市交通管理的重要课题。
基于多源监测数据的道路拥堵情况预测，可以有效地帮助交通管理部门提前发现道路拥堵状况，采取相应的措施，缓解交通拥堵，提高交通运行效率，改善市民出行体验。
基于多源数据的城市交通管理研究
基于多源数据的城市交通管理研究一、引言随着城市化进程的不断推进，城市化带来了城市化交通问题。
城市交通问题已成为困扰城市可持续发展的一大难题。
为了解决城市交通问题，需要借助多源数据技术来实现城市交通管理的高效化、智能化和可持续化。
二、多源数据的概念多源数据是指通过不同的数据采集手段，获取相互独立的数据源，将这些数据源融合在一起以达到更好的数据应用效果的一种数据管理方法。
这种数据集成方式利用多种不同类型的数据源，将数据汇聚起来，形成一个数据架构，促进数据分析和决策的实现。
三、多源数据在城市交通管理中的应用1.城市交通流量监测城市交通流量监测可以通过多源数据来实现。
通过安装摄像头、雷达和其他传感器，监测公路、街道和高速公路上的车流量和速度。
这些传感器将采集到的数据上传到中心服务器，城市交通管理部门可以利用这些数据来做出交通调配的决策。
2.城市交通拥堵指数评估随着城市人口的不断增加，机动车密度也随之增加，导致城市交通状况恶化。
在这种情况下，利用多源数据的城市交通拥堵指数评估可以帮助城市交通管理部门了解城市交通状况，并做出相应的调整，从而缓解交通拥堵。
3.城市运输优化城市交通管理部门可以利用多源数据进行城市运输优化。
城市运输优化将结合出租车、地铁、公共汽车和其他交通工具的数据源以及交通状况数据来分析城市交通状况，确定在不同交通模式之间设定一种协调的方式以实现城市交通系统的最优化。
4.城市交通事故分析城市交通事故是造成交通拥堵和浪费的主要原因之一。
通过多源数据的城市交通事故分析，城市交通管理部门可以了解交通事故发生的原因并提出相应的解决方法。
四、多源数据在城市交通管理中的优势1.提高交通系统的效率城市交通管理部门可以利用多源数据实时监测城市交通情况，根据数据分析结果对交通流量和交通拥堵做出相应的调整，从而提高了城市交通系统的效率。
2.提高交通安全性利用多源数据分析交通事故的发生原因，城市交通管理部门可以通过制定相关交通法规来降低交通事故的发生率，提高城市交通的安全性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
图 3 路段三检测器布设图 对应于数据融合的三级划分框架 ，文中将交通信息数据融合分为以下三个层次。采样周期 T 为四个系统各自采样周期的最小公倍数，即 5min。 1） 第一级， 参数级融合： 在对各检测器原始采集数据进行粗差剔除、 地图匹配等预处理基础上， [7] 采用集中式融合体系 对于同质检测器的数据进行直接融合。具体包括：①SCATS 线圈同方向车道 流量相加得到进口道流量 Q1 ； ②SCATS 线圈车道流量、 车道功能划分和信号配时相结合构成 SCATS 虚拟线圈得到出口道流量 Q2 ；③Citilog 视频同方向车道流量相加得到断面流量（依据 Citilog 视频 监控终端布设位置不同， 断面包括进道口、 出道口） Q3 ； ④SCATS 虚拟线圈流量 Q2 与相同地点 Citilog 视频流量 Q3 加权计算得到上游 Qa ，即 Qa
表 1 检测器提供的动态交通信息
数据源 名称 浮动车 SCATS线圈 Citilog视频 OD视频 采样周期 60s 300s 60s 实时 点速度 ★ ★ ★ ★ ★ ☆ 区间速度 动态交通信息 流量 占有率 行程时间 ☆ ☆ ☆ 视频监控
其中，432 套 SCATS 设备布设于杭州城区主要交叉口，依据交叉口处进口道数不同，每套设备 包含 6-18 个线圈， 每个线圈检测一条车道的流量。 在杭州道路交叉口安装的 217 套 Citilog 视频设备 监控 77 个交叉口和 216 条道路，除了数据采集，还兼具视频监控的功能。OD 视频检测系统的工作 原理是对通过安装于交叉口处摄像头所监视区域内车辆进行动态摄取，后经图像处理识别出车牌号 码，因此依据同一车辆连续两次被 OD 视频监控系统识别的时间差可以得到行程时间，但此类交通 信息限于闭合的 OD 视频监控区域，即车辆被连续两次摄取形成的路径唯一（参见图 2） 。 通过以上对四类检测器的简介，可将事件检测方式分为视频监控判断和交通参数分析两种。对 于交叉口处发生的交通事件，基本通过视频监控判断的方式检测，即通过系统事件自动报警模块或 值班人员对监控画面的主观分析，判断事件发生与否；对于路段处发生的交通事件，视频监控判断 方式优先，其次对交通参数（流量/差分流量、占有率、空间平均速度/时间平均速度、行程时间） 变化规律及相互关系进行综合分析，在此基础上参照同时段历史数据、相关规范及文件、专家经验 或阈值法等进行交通事件判定。 3.2 交通信息数据融合 针对来自分布在城市各条道路上的各种检测器， 包括固定型检测器 （SCATS 线圈、 Citilog 视频、 OD 视频等）和移动型检测器（浮动车） ，提供的交通信息形式迥异、结构不一、采样间隔和精度均 不统一，仅作为单一系统使用的现状，通过对多种信息源联合分析处理，避免单个信息源失效而导 致的判断失误和通过融合、挖掘等手段实现更多有效信息获取，从而得出比从任何单一数据源更加 全面、准确、可靠的交通信息，进而更好地进行城市道路交通事件检测。文中以典型的多检测器道 路单元为例，如图 3。道路单元包括交叉口和路段，固定检测器包括出道口 SCATS 虚拟线圈（由参 数级融合得到） 、 交叉口 Citilog 视频、 进道口 SCATS 线圈， 移动检测器包括匹配至该道路的浮动车。
Urban road traffic incident detection based on multiple data
Abstract：According to the fact that researches of automatic incident detection mainly focus on freeway and expressway, and data resource is usually single, this paper brought forward an approach of urban road AID (Automatic Incident Detection) based on multiple data fusion technology. This paper analyzed the change of traffic flow caused by incident under traffic signal control, after preprocessing the data from floating car, SCATS, and Citilog systems in Hangzhou City, and the paper then built differential flow rate and average velocity AID model based on the CUSUM algorithm which can suppress the periodic influence on traffic flow. The system of AID consists of two modes including video judgment and traffic parameters analysis and three indexes which comprise differential flow rate, average velocity and travel time. The experimental results showed that during peak hours and non-peak hours, the model could detect traffic incidents rapidly and accurately. Key words: ITS; traffic event detection; data fusion; urban road; differential flow rate XU Tao①②, XU Ai-gong①, HU Chao-kui①, ZHANG Ming-yue①（①School of Geomatics, Liaoning Technical University, Liaoning Fuxi n 123000,C hi na; ②ITS Research Center, Tongji University, Shangha言
交通事件是发生在道路上对交通流暂时产生影响的偶发事件[1]。交通事件可以致使道路通行能 力下降，引发排队拥塞，还可能诱发二次事故，带来交通安全和资源浪费等问题。建立快速准确的 自动事件检测（Automatic Incident Detection, AID）算法及时准确地检测出交通事件，在此基础上进 行合理诱导、防止拥挤扩散是智能交通系统的重要研究和应用内容[2]。 环形线圈、浮动车、视频检测器等硬件设备的不断成熟和通信技术的快速发展，提供了更加全 面实时的交通流数据，通过对交通流参数时间序列特征进行分析，判断事件的发生与否。国外研究 中，Vaneet Sethi[1]通过仿真实验，将固定线圈检测器提供的流量、占有率和浮动车提供的行程时间 作为事件检测模型的输入参数，得出平均速度是最有效参数的结论，并实例论证事发路段和毗邻路 段的交通流参数均可检测出事件发生；LI 等人[2]使用浮动车提供的平均行程时间和邻近行程时间差 构建双变量分析模型，用于高速路的事件检测，并分析了置信区间和检测率、误判率的统计关系； Adeli 和 Karim[3][4]用离散小波变换、模糊逻辑和神经网络建立一种易于计算机处理的高速公路自动 事件检测模型，随后对模型进行修正，使得模型能够有效剔除常发性拥挤干扰并大大缩短检测时间。 国内研究中，余柳[5]利用 CUSUM 理论提出了基于浮动车数据的城市快速路交通事件自动检测算法， 实验结果表明比 USB 算法检测性能更优；张存保[6]等构建了以路段平均速度为参数的高速公路交通 事件三级报警机制，有效降低了误判率。 针对多数研究以高速公路或者城市快速路为对象、以单一数据源为手段的研究现状，本文以城 市道路复杂交通特性为切入点研究其事件检查算法。仿真分析了交通事件对干线交通信号定时式协 调控制下交通流参数时间序列特征的影响，通过浮动车的瞬时点速度和Citilog视频检测系统的空间
网络出版时间：2011-4-28 16:17 网络出版地址：/kcms/detail/11.4415.p.20110428.1617.028.html
基于多源数据的城市道路交通事件检测
徐 涛 ，徐爱功 ，胡超魁 ，张明月 （①辽宁工程技术大学测绘与地理科学学院， 辽宁阜新 123000； ②同济大学智能交通运输系统 （ITS） 研究中心，上海 200092） 【摘 要】针对交通事件自动检测多以高速公路、城市快速路为对象以及使用数据源单一的现状， 本文提出一种基于多源数据融合的城市道路交通事件检测方法。在对信号控制下交通事件引起的交 通流变化进行分析的基础上，利用杭州市城区浮动车、SCATS、Citilog、OD 系统提供的实时交通数 据，基于 CUSUM 算法构建差分流量和速度交通事件检测模型。该模型可以有效抑制交通信号对于 交通流的周期性影响，协同视频、行程时间构成两方式三指标的事件检测体系。实验表明，模型在 高峰时段和平峰时段均能快速准确检测交通事件。 【关键词】智能交通系统；交通事件检测；数据融合；城市道路；差分流量 【中图分类号】U491 【文献标识码】A 【文章编号】1009-2307（2011）06①② ① ① ①
平均速度估计路段平均速度，使用差分方法消除信号控制引入的周期性噪声，在此基础上分别建立 了基于CUSUM算法的平均速度、差分流量交通事件检测模型，组成了面向城市道路的两方式、三指 标的交通事件检测体系，并通过仿真实验进行验证。
2 信号控制下有交通事件的交通流参数特征
城市道路环境下，交通空间分布与道路等级和区位相关，时间分布短期内受到信号控制周期性 影响，在一天内则呈明显的潮汐特征，工作日与节假日也有显著差异。总体说来，交通量大是城市 道路的基本特征之一。如若发生车辆抛锚、货物散落等交通事件，事发地点会形成交通瓶颈，造成 交通拥堵。以事件发生地点为界，路段可分为上游和下游两区域，呈现不同的特征：上游区域，占 有率急剧增加，出现排队现象，车速明显降低，如果事件严重，甚至速度持续为零；流量会减少； 下游区域，道路占有率减少，车速基本不变，流量会明显减少。 ^ 相应的，信号控制下车流量 F 和速度估计 v 都呈现出与信号相位设置相关的周期性变化，如何 通过数据融合技术剔除周期性信号影响是本文研究的重点。下面以杭州市两个交叉口间的某条主干 路为例，上下游交叉口均采用干线交通信号定时式协调信号灯，仿真交通事件发生前后上下游流量 的变化。 仿真参数设置如下：总时间为 600s，事件发生在第 300s；单向道路为 3 车道，事件发生后本车 道堵塞，毗邻车道通行能力降低一半，其余车道通行能力不受影响；路段上下游各车道均布设检测 器，可提供采样周期为 5s 的流量。图 1 由上下两幅图构成，分别是上下游检测器在交通事件发生前 后流量时间序列。