一种基于随机森林的突发交通事件时空推演方法

技术领域

本发明属于交通大数据技术领域，具体涉及一种基于随机森林的突发交通事件时空推演方法。

背景技术

高速公路具有全封闭、高时速的特征，当发生碰撞事故等突发交通事件时，清障救援难度较大，若管理不及时常导致次生事件发生，同时容易诱发交通拥堵。目前高速公路路侧布设了大量的视频摄像机(如枪机、球机、全景等)，一方面这些感知设施清晰度高，可以捕捉突发交通事件；另一方面视频算法厂商内置了大量的视频识别算法，通过进行“车辆、行人、环境”等特征/行为识别，输出“告警事件”结果。

现有技术给出的“告警事件”存在如下方面不足：

(1)算法能力参差：不同道路区段布设设备型号不同，算法能力不一。对同一交通事件给出的识别可能存在差异，例如：设备1算法判别“车辆停驶”，设备2未判别；

(2)业务匹配性较差：由于视频厂商的产品同质性严重，无法满足特定业务需求，即无法打通从“告警事件”到“业务事件”的精准识别匹配的最后一公里，例如：对于一起交通事故，“告警事件”是依次播报“车辆停驶、抛洒物、逆行、禁行闯入”等信息，而“业务事件”是一次性播报“追尾事故”信息”。

发明内容

针对目前交通事件识别技术大部分集中在从如何从视频图像识别提取“关键告警信息”，未解决从“告警信息”到“业务信息”的匹配分析问题。本发明的目的在于提供一种具备突发交通事件误报率低、管理应用匹配度高的基于随机森林的突发交通事件时空推演方法。

为便于本技术方案的表述及连接，对部分专业术语及参数定义的解释说明详见如下。

自定义符号的参数集对应如下：

随机森林是指在机器学习中一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。

数据融合是指利用计算机对按时序获得的若干观测信息进行自动综合分析，以完成所需的决策和评估任务而进行的信息处理技术。

模糊规则是指定义在X与Y的二元模糊关系，模糊规则的表达形式为：if Xis Athen Y is B。

信息增益是指衡量使用某个特征划分数据集所能获得的收益大小，在决策树算法的训练过程中，通常从根节点开始，递归地选取当前节点分支出去的最优特征，以此构建一棵子树。

“告警事件”定义：视频摄像机内置算法直接给定的突发事件识别结果，如“抛洒物”、“异常停车”、“行人闯入”等。

“业务事件”定义：由高速公路管理者基于业务管理需要，定义的道路突发交通事件。不同管理部门(如清障调度、施工养护)对于突发交通事件的定义、分类常常存在差异性。

为实现上述目的，本发明提供如下技术方案：一种基于随机森林的突发交通事件时空推演方法，其特征在于，具体包括如下步骤：

步骤S1：特征信息提取与数据融合，通过网络技术提取来自公路各个采集终端设备的不同视角交通多源数据信息并对提取的信息进行数据融合，再对融合后信息按“车辆、行人、道路、环境”进行筛选分类；

步骤S2：基于随机森林的突发交通事件时空推演处理，具体推演处理如下：

先建立基于随机森林的突发事件结构化场景模型，描述事件本身，包括构建突发交通事件的时间-空间描述网络、利用随机森林处理突发事件的分级、结构化场景体系构建实现；

再建立基于随机森林的突发事件演化模型，描述事件发展过程，包括突发事件整体路径演化机制分析、突发交通事件场景演化路径分析；

步骤S3：业务事件分析匹配，包括依据公路管理业务对突发交通事件的分类；根据公路已知的事件信息并利用所述步骤S2的基于随机森林的突发事件演化模型进行匹配交通事件，通过网络反馈给执行交通管理业务部门按已设定业务流程进行交通事件处理。

作为本发明的进一步改进，所述构建突发交通事件的时间-空间描述网络，具体包括如下：

若出现事件后果的空间实体[高速公路]为突发交通事件的场景对象，定义K

用S

作为本发明的进一步改进，所述利用随机森林处理突发事件的分级，具体处理包括如下：

步骤m1：收集突发事件的相关数据，作为随机森林分级处理的样本集，利用随机森林模型的多个决策树，对历史突发交通事件的数据样本集进行分类；

步骤m2：使用随机森林模型处理突发事件的分级，按照有放回的随机抽取方式，从历史突发事件的样本集中抽取事件样本子集并组成分类树，未抽取的事件样本组成剩余数据集；在抽取的分类树中，每一个分类树节点对应突发事件的场景要素；

步骤m3：不同的突发事件场景要素将会对应属性，将事件的场景要素转换为向量，作为分类树的特征向量；选择每个分类树具有最大分类能力的特征向量作为分类树的分裂方向，对于未被选择的分类树不进行剪枝处理；

步骤m4：重复上述过程，利用历史突发事件的样本集对随机森林模型的参数进行训练；确定完模型参数后，对突发交通事件进行分级处理。

作为本发明的进一步改进，所述结构化场景体系构建实现，具体包括如下：

步骤n1：若是同类型的突发交通事件，则分别记为E

根据突发事件的场景链，首先计算突发事件各级别的相似度；

步骤n2：计算突发交通事件场景链的场景节点相似度；

步骤n3：计算突发交通事件场景属性集合的整体相似度；相似度越大，属性集合的相似度越高；计算突发交通事件相似度后，分析事件的演化过程，构建结构化场景体系；

步骤n4：根据事件发展的可能性，对场景体系进行结构化表达；当突发交通事件发生时，提取场景要素及要素间的各个属性，分析突发交通事件的场景演化过程，完成基于随机森林的突发事交通件结构化场景的构建。

作为本发明的进一步改进，所述突发事件整体路径演化机制分析，具体包括如下：

步骤p1：将突发事件动态时间状态分为发生、发展、演变及消失；

步骤p2：根据突发事件的演化过程，将演化机制分为发生机制、发展机制、演变机制和消亡机制。

作为本发明的进一步改进，所述突发交通事件场景演化路径分析，具体包括如下：

步骤t1：计算突发交通事件的演化过程中变量之间关系矩阵；当TS

步骤t2：突发事件应急演化过程中事件发展结果方向的模糊规则，推算在突发事件应急演化过程中每个因素的影响下的演化方向；

步骤t3：基于随机森林的ID3决策树算法预测交通事件的演化方向，ID3决策树算法通过对突发事件的样本集进行分类，构建突发事件演化方向的决策树；ID3决策树算法使用各类突发事件样本集中的每个子事件样本的熵值进行分裂；

步骤t4：根据子事件的演化方向计算事件t演化方向的信息增益；根据计算的信息增益对突发事件进行划分，构建决策树；如果某个变量的信息增益值最大，就将此变量作为决策树的顶点，随后再继续对决策树的顶点变量做划分，完成突发事件演化方向的预测；

步骤t5：处理样本事件集后，重新构建突发事件演化过程，计算模型预测结果的相似度；最后对突发交通事件的演化方向进行预测，最终完成构建基于随机森林的突发交通事件的演化模型。

与现有技术相比，本发明的有益效果是：本技术方案在面对视频算法厂商检出的告警事件与业务管理定义的业务事件不一致的、不匹配的问题，针对高速公路管理者的个性化差异性业务需求，基于突发交通事件发生全过程的时间-空间网络，提供一种突发交通事件的时空推演方法，可大幅提高业务事件检出效率、降低误报率，提升交通管理水平；本技术方案在遇到发生碰撞事故等突发交通事件时，可快速预测推演交通事件状况，实现快速实施清障救援，避免了管理反应不及时常导致次生事件发生进而诱发交通拥堵。

附图说明

图1为本发明的整体流程示意图；

图2为本发明的基于随机森林的突发事件结构化场景模型建立逻辑图；

图3为本发明的随机森林模型流程图；

图4为本发明的突发交通事件场景体系结构化表述图；

图5为本发明的演化机制与交通事件管理的对应关系图；

图6为本发明的基于随机森林预测突发交通事件演化方向的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如附图1所示，本发明提供一种技术方案：一种基于随机森林的突发交通事件时空推演方法，包括：

特征信息提取与数据融合，提取不同视的多源数据信息进行数据融合；融合后信息进行“车辆、行人、道路、环境”信息的分类归纳；

其中车辆分为车辆状态和车辆各类对应的数据(例如客车、货车、作业车及特种车)，车辆状态包括正常行驶、故障停驶、碰撞事故和作业维护，车辆数据包括车型数据、车轴数据、车牌数据和载重数据；人员分别作业人员和驾乘人员；道路信息的路网数据类型划分为微观交通流、中观交通流和宏观交通流，道路信息的设施数据包括道路线型和标志标线；环境信息分为路面特征和路域特征，其中路面特征包括障碍物和坑洼处，其中路域特征包括气象数据和光照数据；

突发交通事件时空推演；包括建立基于随机森林的突发事件结构化场景模型，描述事件本身；构建突发交通事件的时间-空间描述网络；利用随机森林处理突发事件的分级；结构化场景体系构建实现；建立基于随机森林的突发事件演化模型，描述事件发展过程；突发事件整体路径演化；突发交通事件场景可能演化路径分析；

业务事件分析，依据公路管理业务对突发交通业务事件的分类具体定义；明确基于已知的事件信息预测交通事件，包括推演发生交通事故、交通管制、施工养护、车辆故障、恶劣天气、障碍物以及大流量中的一种或多种交通时间，以此执行交通管理业务的具体处理流程。

实施例一：基于随机森林的突发事件结构化场景模型【模型A】

1.1构建突发交通事件的时间-空间描述网络

突发交通事件的演化逻辑复杂，如交通事故事件涉及车辆停驶、禁行闯入、抛洒物、逆行、单车慢速经过、倒车、车辆拥堵等告警事件。为了提高突发交通事件结构化场景描述的准确性，首先需要建立包含突发交通事件的[场景属性]和[后果向量]的结构化描述空间。

如附图2所示，若出现事件后果的空间实体[高速公路]为突发交通事件的场景对象，用公式(1)抽象描述突发交通事件的场景对象：

K

K

N

A

R

将突发交通事件场景维度按照式(2)信息化表示：

S

S

C：突发交通事件的时间维度；

H

D：突发交通事件的业务管理维度。

突发交通事件场景中各要素之间的关系可以用式(3)的邻接矩阵来表示：

公式(3)中，邻接矩阵元素m

1.2利用随机森林进行突发事件的分级

搜集突发事件的相关数据，作为随机森林分级处理的样本集，利用随机森林模型的多个决策树{h(x,θ

使用随机森林模型处理突发事件的分级，按照有放回的随机抽取方式，从历史突发事件的样本集中抽取r

不同的突发事件场景要素将会对应数个属性，将事件的场景要素转换为向量，作为分类树的特征向量。选择每个分类树最有分类能力的特征向量作为分类树的分裂方向，对于未被选择的分类树不进行剪枝处理。

重复上述过程，利用历史突发事件的样本集对随机森林模型的参数进行训练。确定完模型参数后，对突发交通事件进行分级处理，实现结构化场景体系的构建；如附图3是随机森林模型的流程图。

1.3结构化场景体系构建实现

突发交通事件的相似度能够提高事件场景体系的表征准确性。若是同类型的突发交通事件，则分别记为E

根据突发事件的场景链，首先计算突发事件各级别的相似度，计算如公式(4)所示：

公式(4)中，level

突发交通事件场景链的场景节点相似度计算公式如(5)所示：

公式(5)中，N

突发交通事件场景属性集合的整体相似度计算公式如(6)所示：

公式(6)中，Pro

突发交通事件发生时，前驱事件会对事件发展产生引导作用，前驱事件产生的初始扩散动力作用于场景空间后，对后继事件产生单项式的传导作用。前驱事件与后继事件之间存在耦合性关系。对于某一个突发事件的发生，可能由不同诱导因素作用产生，当单一的诱导因素达到时，就可以单独触发事件发生。因此，根据事件发展的可能性，按照附图4对场景体系进行结构化表达。

当突发交通事件发生时，提取场景要素及要素间的各个属性，并按照附图4的结构化表达流程，分析突发交通事件的场景演化过程，完成基于随机森林的突发事交通件结构化场景的构建。

实施例二：

2.基于随机森林的突发事件演化模型【模型B】

2.1突发交通事件演化机制分析

在突发交通事件的演化过程中，突发交通事件的性质、类型、层次、物质、范围、面积等各种因素可能发生不同程度的变化。

研究突发事件动态演化规律，帮助决策者及时分析事件起因、发展及演化路径；根据突发事件的演化过程，将演化机制分为发生机制、发展机制、演变机制和消亡机制，具体如图5所示。

2.2突发交通事件的模糊规则推理

如果导致突发交通事件发生的致因事件集是：IS＝{IS

在公式(7)中，变量TS

TS

当TS

当TS

矩阵中每个元素，代表突发事件应急演化过程中事件发展结果方向的模糊规则，则在突发事件应急演化过程中每个因素的影响下，时间演化方向的模糊规则可以用等式(8)表示：

Then y is OS

Fact:IS→consequence:OS

在等式(8)中，

2.3基于随机森林的突发交通事件演化趋势预测

基于随机森林的ID3决策树算法预测交通事件的演化方向。ID3决策树算法通过对突发事件的样本集进行分类，构建了突发事件演化方向的决策树。ID3决策树算法使用各类突发事件样本集中的每个子事件样本的熵值进行分裂。熵值由公式(9)来计算：

等式(9)是总信息熵值的计算公式。

P

c是突发事件样本集中每个子事件样本演化方向的总数。

根据子事件的演化方向计算事件t演化方向的信息增益。根据计算的信息增益对突发事件进行划分，构建决策树。通常如果某个变量的信息增益值最大，就将此变量作为决策树的顶点，随后再继续对决策树的顶点变量做划分，完成突发事件演化方向的预测：

在等式(10)中，主要用于计算某个突发事件预测方向上的特征值。然后用得出的H

在等式(11)中，G(t)是事件演化方向上的信息获取，|N

处理样本事件集后，如图6所示的过程，重新构建突发事件紧急情况的演化过程：

在等(12)是相似度的计算公式中，N

以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。