CN105632174A - 一种基于语义技术的交通事件检测***及其方法 - Google Patents

Abstract

本发明公开了一种基于语义技术的交通事件检测***，依次由采集模块、无线传输模块和后台服务器模块相连接构成，其中所述的采集模块由若干个检测器构成，用于采集包括时间，地点，车流量，车辆占有率和平均车速必要的交通流数据信息；所述的无线传输模块负责将采集的信息传送给后台服务器模块；所述的后台服务器模块包括支持向量机算法处理模块和语义技术推理模块，用于事件的检测。本发明的检测***，原理简单，功能有针对性，提高了事件检测的准确率，对提高公路的交通管理效率、改善交通管理效果具有重要的现实意义。本发明还公开了一种基于语义技术的交通事件检测***的检测方法。

Description

一种基于语义技术的交通事件检测***及其方法

技术领域

本发明属于智能交通领域，尤其是涉及一种支持向量机事件检测算法与语义技术相结合的交通事件检测***及其方法。

背景技术

随着我国国民经济的发展和人们生活水平的提高，交通运输成为经济发展的关注问题。交通运输负担着大量的客流、物流、信息流等任务，相当于身体内的大动脉，有着不可忽视的作用。交通拥挤会增加路段上的交通事故发生，而发生的交通事故会影响到道路的交通拥挤，从而造成了道路的交通事件恶性循环，甚至可能导致会瘫痪整个城市的交通功能。

为了减少由交通事件带来的负效应,许多国家的运输部门建立了公路交通事件检测***。所以通过交通事件检测***计划和协调手段使处于事故状态的公路尽快恢复正常运行显得意义极为重大。

发明内容

本发明的目的是为了改进公路管理的技术手段，提高公路运行效率，减少交通事件引起的交通延误，提出一种基于语义技术的交通事件检测***及方法。

本发明首先通过采集模块采集包括时间，地点，车流量，占有率与平均车速的交通流数据信息；然后将采集的交通流数据信息经无线传输模块传送给后台处理器模块进行处理，以判断交通事件的有无。

为达到上述目的，本发明为解决其技术问题所采取的技术方案是：

步骤1、在道路两边按预设位置放置若干个检测器，通过检测器获取包括：时间，地点，车流量，车辆占有率和平均车速必要的交通流数据信息；

步骤2、将步骤1采集的交通流数据信息通过无线传输模块传送给后台服务器模块；

步骤3、后台服务器模块中的支持向量机算法处理模块对步骤2传送的交通流数据信息进行事件的检测，具体步骤是：

3.1通过已知的交通流数据样本对支持向量机模型进行训练，得到训练好的支持向量机模型；

3.2利用训练好的支持向量机模型对交通事件进行检测；若模型输出为0，则表明这组数据未发生交通事件，并将这一组数据输出，其中数据内容包括车流量，车辆占有率，平均车速；否则跳转步骤5；

步骤4、利用语义技术对步骤3.2输出的结果进行进一步判断,具体步骤是：

4.1将步骤3.2输出的数据同与之对应的采集时间、地点相组合构成新的数据，并以RDF三元组形式表达新的数据；

4.2使用protégé建立本体，并将步骤4.1的以RDF三元组形式表达新的数据作为本体的实例；根据判断交通事件发生的标准，采用SWRL语言制定推理规则；

4.3根据步骤4.2中制定的推理规则，利用jess推机工具包进行语义推理，判别是否有交通事件发生；

步骤5、当判别结果为发生交通事件，则通知交通部门；当判别结果为未发生交通事件，则跳转步骤1。

上述所述步骤3的3.1中已知的交通流数据样本的内容包括：车流量，车速，占有率以及交通事件发生的有无，其中发生交通事件标注为1，未发生交通事件标注为0；

上述所述步骤3的3.1中训练好的模型的输入内容为车流量，车速，占有率，输出结果为0或1，其中0代表未发生交通事件，1代表发生了交通事件；

上述所述步骤4的4.1中以RDF三元组形式表达新的数据由资源、属性类型、属性值构成；

上述所述步骤4的4.2中判断交通事件发生的标准的内容是：

确定任意时间段，任意路段i的临界速度v_i0，临界速度值以路段历史平均速度乘折扣系数k₁作为其阈值v_i0，其中k₁的值为0.6；

1)此时段此路段速度v(i)小于阈值v_i0，即v(i)＜v_i0；

2)此时刻占有率Occ(i)与前一时刻占有率Occ(i-1)比值

其中K₂为上游占有率的上升系数，并且K₂的值为1.2；

3)此时刻速度v(i)与前一时刻速度v(i-1)比值

其中K₃为速度突变系数,并且K₃的值为0.6；

当满足以上三点即可推断出这组数据发生了交通事件；否则推断出这组数据为未发生交通事件。

本发明的一种基于语义技术的交通事件检测***及其方法，通过支持向量机算法对采集数据的进行检测，再通过语义推理解析对算法结果数据进行语义修正，提高了检测的准确性，有很大的使用价值和社会意义。

与现有技术相比本发明具有如下优点：

(1)本发明采用支持向量机事件检测算法与语义技术相结合作为数据的输出判断，这些技术目前都已相当成熟，在交通事件检测方面应用很广泛。

(2)本发明采用语义技术将语义规则引入，充分考虑采集数据的语义特征，利用其语义推理技术来对交通事件算法的输出进行推理判断，以提高事件检测的准确性。

(3)本发明与现有的同类交通事件检测***相比，原理简单，功能有针对性，易于实现和推广。

附图说明

图1为本发明的交通事件检测***构成示意图；

图2为本发明的交通事件检测***流程简图；

图3为本发明的语义处理模块详细流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。

如图1所示，为本发明的一种基于语义技术的交通事件检测***，依次由采集模块、无线传输模块和后台服务器模块相连接构成，其中后台服务器模块包括支持向量机算法处理模块、语义技术推理模块。

如图2所示，本发明的交通事件检测***流程简图。首先通过采集模块采集必要的交通流数据信息包括采集时间，地点，车流量，占有率与平均车速；然后将采集的信息经无线传输模块传送给后台服务器进行处理，以判断交通事件的有无：利用支持向量机算法处理模块对交通事件进行检测，若检测结果为发生了交通事件，则结束流程；否则应用语义技术推理模块对算法处理后的结果进行修正。

如图3所示，为本发明的语义本体的建立框架图。采用骨架法建立：1)确定只是本体应用的目的和范围，2)本体分析，3)本体表示，4)本体的建立，5)本体的评价。

建立的具体步骤如下：

步骤1、在道路两边按预设位置放置若干个检测器，通过检测器获取包括：时间，地点，车流量，车辆占有率和平均车速必要的交通流数据信息；

步骤2、将步骤1采集的交通流数据信息通过无线传输模块传送给后台服务器模块；

步骤3、后台服务器模块中的支持向量机算法处理模块对步骤2传送的交通流数据信息进行事件的检测，具体步骤是：

3.1、通过已知的交通流数据样本对支持向量机模型进行训练，得到训练好的模型；

所述的已知的交通流数据样本包括：车流量，车速，占有率以及交通事件发生的有无，其中发生交通事件为标注为1，未发生交通事件标注为0；所述的训练的模型的输入部分为车流量，车速，占有率，输出部分为0、1，其中0代表未发生交通事件，1代表发生了交通事件；

3.2、利用训练好的支持向量机模型对交通事件进行检测；若模型输出为0，则表明这组数据未发生交通事件，并将这一组数据输出，其中数据内容包括车流量，车辆占有率，平均车速；否则跳转步骤5；

所述的支持向量机算法的具体步骤如下:

设线性的可分样本集为(x_i,y_i)i＝1,2…，n，其中x∈R^d,y∈{+1,-1}是类别符号，其中R是实数集，d是超平面参数，R^d为d维的实数空间。线性决策函数一般方程形式为g(x)＝ω·x+b，其中w为线性权重的偏置，x为输入的向量，b为偏置。其分类线方程为ω·x+b＝0。将判别函数进行归一化，两类所有样本都满足：|g(x)|＝1，也就是使离分类面最近的样本的|g(x)|＝1，此时分类间隔等于2/||ω||，因此使分类间隔最大等价于使||ω||(或||ω||²)最小。要求分类线对所有样本正确分类，就是要求它满足

y_i[(ω·x)+b]-1≥0,i＝1,2,…n(1)

满足上述条件(1-1)，并且使||ω||²取最小值的分类超平面就叫做最优分类超平面；

然后利用拉格朗日优化方法将上述最优分类面问题转换为如下这种对偶问题，即：在约束条件，

$\underset{i=1}{\overset{n}{\Σ}}{y}_i{\mathrm{\α}}_i=0,{\mathrm{\α}}_i\≥0,i=1,2,\mathrm{...},n---\left(2\right)$

其中α_i为拉格朗日系数；

对α_i求解下列函数的最大值：

$Q\left(\mathrm{\α}\right)=\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i-\frac{1}{2}\underset{i,j=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_j\left(x_i{x}_j\right)---\left(3\right)$

若α*为最优解，则

${\mathrm{\ω}}^{*}=\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}^{*}{\mathrm{y\α}}_i---\left(4\right)$

即训练样本向量的线性组合是最优分类面的权系数向量；这是一个不等式约束下的二次函数极值问题，存在唯一解。求解上述问题后得到的最优分类函数是：

$f\left(x\right)=\mathrm{sgn}\{\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i^{*}{y}_i(x_i\·x)+b^{*}\}---\left(5\right)$

综合上述问题的分析，非支持向量对应的α_i，均为0，因此上式中的求和实际上只对支持向量进行，其中b^*是分类的阈值；

对于线性不可分的分类问题，可以将输入样本x通过非线性函数映射到高维特征空φ(x)，在此φ(x)空间再进行线性分类；核函数k(x_i,x)代替(5)中的(x_i,x)，即

$f\left(x\right)=\mathrm{sgn}\{\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i{y}_{i}K(x_i,x)+b^{*}\}---\left(6\right)$

其中支持向量机的惩罚系数c取43，径向基核：

$K(x,x^{,})=\exp (-\frac{\left|\right|x-x^{,}\left|\right|}{2{\mathrm{\σ}}^2})---\left(7\right)$

其中x,x′为样本数据，σ为核宽度，取σ²＝0.5，

所述最优分类决策函数(6)即为支持向量机模型训练得到的结果，之后用它来做步骤3.2的交通事件检测；

4.1、将步骤3.2输出的数据同与之对应的采集时间、地点相组合构成新的数据，并以RDF三元组形式表达新的数据；

4.2、使用protégé建立本体，并将步骤4.1的以RDF三元组形式表达新的数据作为本体的实例；根据判断交通事件发生的标准，采用SWRL语言制定推理规则，推理规则如下：

确定任意时间段，任意路段i的临界速度v_i0，临界速度值以路段历史平均速度乘折扣系数k₁作为其阈值v_i0，k1的为0.6；

1)此时段此路段速度v(i)小于阈值v_i0，即v(i)＜v_i0；

2)此时刻占有率Occ(i)与前一时刻占有率Occ(i-1)比值

其中K₂为上游占有率的上升系数，并且K₂的值为1.2；

3)此时刻速度v(i)与前一时刻速度v(i-1)比值

其中K₃为速度突变系数,并且K₃的值为0.6；

满足以上三点即可推断出这组数据发生了交通事件；否则推断出这组数据为未发生交通事件；

4.3、根据步骤4.2中制定的推理规则，利用jess推机工具包进行语义推理，判别是否有交通事件发生；

步骤5、当判别结果为发生交通事件，则通知交通部门；当判别结果为未发生交通事件，则跳转步骤1。

以上所述，仅为本发明较佳的具体实施方式。当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，任何熟悉本技术领域的技术人员，当可根据本发明作出各种相应的等效改变和变形，都应属于本发明所附的权利要求的保护范围。

Claims (6)

1.一种基于语义技术的交通事件检测***，其特征在于，所述***依次由采集模块、无线传输模块和后台服务器模块相连接构成，其中所述的采集模块由若干个检测器构成，用于采集包括时间，地点，车流量，车辆占有率和平均车速必要的交通流数据信息；所述的无线传输模块负责将采集的信息传送给后台服务器模块；所述的后台服务器模块包括支持向量机算法处理模块和语义技术推理模块，用于事件的检测。

2.一种如权利要求1所述的基于语义技术的交通事件检测***的检测方法，其特征在于，包括如下步骤：

步骤1、在道路两边按预设位置放置若干个检测器，通过检测器获取包括：时间，地点，车流量，车辆占有率和平均车速必要的交通流数据信息；

步骤2、将步骤1采集的交通流数据信息通过无线传输模块传送给后台服务器模块；

步骤3、后台服务器模块中的支持向量机算法处理模块对步骤2传送的交通流数据信息进行事件的检测，具体步骤是：

3.1通过已知的交通流数据样本对支持向量机模型进行训练，得到训练好的支持向量机模型；

3.2利用训练好的支持向量机模型对交通事件进行检测；若模型输出为0，则表明这组数据未发生交通事件，并将这一组数据输出，其中数据内容包括车流量，车辆占有率，平均车速；否则跳转步骤5；

步骤4、利用语义技术对步骤3.2输出的结果进行进一步判断，具体步骤是：

4.1将步骤3.2输出的数据同与之对应的采集时间、地点相组合构成新的数据，并以RDF三元组形式表达新的数据；

4.2使用protégé建立本体，并将步骤4.1的以RDF三元组形式表达新的数据作为本体的实例；根据判断交通事件发生的标准，采用SWRL语言制定推理规则；

4.3根据步骤4.2中制定的推理规则，利用jess推机工具包进行语义推理，判别是否有交通事件发生；

步骤5、当判别结果为发生交通事件，则通知交通部门；当判别结果为未发生交通事件，则跳转步骤1。

3.根据权利要求2所述的检测方法，其特征在于，步骤3的3.1所述的已知的交通流数据样本的内容包括：车流量，车速，占有率以及交通事件发生的有无，其中发生交通事件标注为1，未发生交通事件标注为0。

4.根据权利要求2所述的检测方法，其特征在于，步骤3的3.1所述的训练好的模型的输入内容为车流量，车速，占有率，输出结果为0或1，其中0代表未发生交通事件，1代表发生了交通事件。

5.根据权利要求2所述的检测方法，其特征在于，步骤4的4.1所述的以RDF三元组形式表达新的数据由资源、属性类型、属性值构成。

6.根据权利要求2所述的检测方法，其特征在于，步骤4的4.2所述的判断交通事件发生的标准的内容是：

确定任意时间段，任意路段i的临界速度v_i0，临界速度值以路段历史平均速度乘折扣系数k₁作为其阈值v_i0，其中k₁的值为0.6；

1)此时段此路段速度v(i)小于阈值v_i0，即v(i)＜v_i0；

2)此时刻占有率Occ(i)与前一时刻占有率Occ(i-1)比值

其中K₂为上游占有率的上升系数，并且K₂的值为1.2；

3)此时刻速度v(i)与前一时刻速度v(i-1)比值

其中K₃为速度突变系数,并且K₃的值为0.6；

当满足以上三点即可推断出这组数据发生了交通事件；否则推断出这组数据为未发生交通事件。