采用信息新技术的交通数据采集和处理若干问题研究

1采用信息新技术的交通数据采集和处理若干问题研究张佐1，3，姚丹亚2，3，张毅1，3，胡坚明1，3（1.清华大学自动化系北京100084；2.清华大学信息科学与技术研究院北京100084；3.清华信息科学与技术国家实验室（筹）北京100084）摘要：飞速发展的信息技术为智能交通系统提供了重要支撑。论文围绕交通数据采集和处理问题，集中探讨混合交通流特性分析、“按需”交通参数采集以及海量交通数据管理问题。提出先进的视频和无线传感器网络技术将成为任意布设、多参数采集交通信息的基础；利用视频处理技术可以发现混合交通流的新特性；将多媒体数据压缩技术引入海量交通数据管理，能在满意的精度下有效降低交通历史数据的存储量。项目组的研究成果支持了上述观点。关键词：智能交通；交通数据采集和处理；视频技术；无线传感器网络；数据压缩MixedUrbanTrafficDataCollectionandProcessingWithAdvancedInformationTechnologiesZuoZhang1，3,DanyaYao2，3,YiZhang1，3,JianmingHu1，3（1.DepartmentofAutomation,TsinghuaUniversity,Beijing100084,China;2.ResearchInstituteofInformationTechnology,Beijing100084,China;3.TsinghuaNationalLaboratoryforInformationScienceandTechnology(TNList);Beijing100084,China）Abstract:Thefast-developingofinformationtechnologyhasimposedvigorouseffectonITSapplications.Thisarticlefocusesontrafficdataacquisitionandprocessing.Severalproblemsareaddressed,i.e.themixedtrafficcharacteristics;on-demandtrafficdatacollection;andhighvolumetrafficdatamanagement.Video-basedtechnologyandWSNarebelievedtobethesolutionsforon-demanddatacollection;whileavideo-basedanalysisfordisturbancecausedbypedestriansatthesignaledintersectionisdiscussedindetail.APCA-basedalgorithmshowsitspromisingfuturefordatacompressioninITS.Keywords:IntelligentTransportationSystems;TrafficdataAcquisitionandProcessing;Video-basedTechnology;WirelessSensorNetwork;DataCompression1引言近二十年来，在全球保持基本和平局势的大环境下，各国经济、社会得到快速发展，作为国民经济的重要基础设施的交通也因此进入飞跃式发展阶段。高等级公里、城市道路、公共交通和私人汽车的建设与增长极大地改善了人们出行的便利性，提高了城市的机动性，促进了经济快速发展。然而，伴随而来的大城市交通拥堵、高速公路行驶安全以及能源消耗与环境污染等问题成为人们面临的重大挑战。2005年的研究表明，美国85个大中城市由于交通拥堵造成的损失达650亿美元，包括35亿小时的交通延误和57亿加仑的汽油消耗[1]。始于20年前的智能交通系统的研究和实施，开始将信息技术领域先进的网络通信技术、信息采集与分析处理技术等大规模运用到交通基础设施建设和运营管理中，形成了若干新的重要应用：如，基于视频处理技术的数据采集与监控，基于通信网络和优化技术的车辆导航与路径诱导，基于分布式计算和数据挖掘技术的交通综合信息服务，基于先进数据分析与控制技术的智能交通管理指挥，基于无线通信和智能控制技术的电子收费和车辆辅助驾驶等，效益显著。2007年的研究表明，在美国的437个城市，尽管交通拥堵依然严峻，但通过应用智能交通指挥管理，减少292亿小时/年交通本文得到国家重点基础研究计划（2006CB705506）、中国高技术研究发展计划（2006AA11Z208）、“十一五”国家科技支撑计划（2007BAK12B13）共同资助。2拥堵、降低了54亿美元/年的相关损失；通过大力增加公共交通服务，减少541亿小时/年拥堵、降低102亿美元/年损失[2]。因此，信息技术成为解决交通系统难题的有效手段。与此同时，智能车辆、智能交通的发展也在改变人们的生活方式。在交通出行的同时，及时搜索交通、气象、新闻、旅游、娱乐、购物等有用信息已经随着综合交通信息服务的渗透而日益普及。能否更多地扩充伴随交通出行的服务，已成为智能交通发展面临的一个新问题。我们已经注意到，信息领域中有几方面重要的技术正在飞速发展，并且对智能交通产生影响。一是图象和视频处理技术，更加快速、全天候、高精度的算法为实时大规模进行视频图象处理和特征提取提供了很好的应用支持，如基于视频的实时交通参数提取和事件检测取得满意效果。二是无线通信和移动通信技术，包括无线个人接入网、无线局域网、无线城域网、无线广域网、移动宽带无线[3]、无线传感器网络[4]等，为人们提供了随时随地“联网”的可能性，智能交通中的DSRC、RFID、车载移动通信等应用及时地反映了这些技术的巨大魅力。三是互联网技术的新发展，如IPv6在不改变现有互联网体系结构的前提下提供更大的网络地址空间，突破IPv4网络发展瓶颈，也更好地支持移动性和安全性，便于现有网络顺利过渡[5]，文献[6]展示了IPv6下的交通设施管理应用；而可信网络提出了一种完全不同于以TCP/IP为核心的互联网体系结构，通过引入各种管理控制方案和算法，加强对网络性能和用户行为的管理与控制[7]。四是分布式计算技术，包括中间件、网格、移动Agent、对等计算（P2P）、WebService[8]，以及普适计算（UbiquitousComputation）[9]，构成了多样化的网络应用形式，它们共同成为目前正在兴起的车辆信息基础设施（VehicleInformationInfrastructure，VII）研究的重要基础。下文集中于交通信息采集和处理的应用背景，分析若干个问题并展示作者所在项目组的初步研究成果。第2节针对混合交通流情形，采用视频处理方面分析行人和机动车的干扰影响；第3节根据视频和无线传感器网络技术特点，提出“按需”采集交通参数的设想；第4节针对海量实时交通数据的管理问题，提出了一种具有较高精度的交通数据压缩算法。论文昀后对信息新技术对智能交通的更多应用进行展望。2混合交通流特性研究2.1混合交通流开展混合交通流特性研究在中国具有重要意义。机动车的行驶行为一般可以分成自由行驶、跟驰、加/减速、超车等少数几种方式，且大多数车辆保持在固定的车道内行驶。因此，许多车辆运动模型被提出并成为微观交通仿真的理论基础。然而，非机动车和行人因自身体积小、行驶速度低、行动灵活，因此行走路线、加速减速和超越等行为特性变化率大，对建模研究造成困难。从另一个方面看，混合交通流的存在也要求我们能建立完善的法律制度并采用适当的技术手段，尽可能保障各类出行者具有“公平通行权”，更加利于和谐社会的构建。划分人行道、非机动车道和机动车道并使“各行其道”是起到这种保障的一个主要管理手段。然而，尽管分割了各自的行驶道路，在国内我们也不时会看到，不少非机动车甚至行人进入机动车道行驶（或正好相反），以及非机动车和行人在路口强行闯红灯。这种实际存在的混杂交通特性降低了机动车道（或非机动车道和人行道）有效行驶宽度，减少了机动车在平交路口的有效通行时间，并使得交通信号系统的配时参数不能及时准确反映路口交通特征。因此，哪些参数能有效反映混合交通流的特性，并可以被引入智能交通控制模型中，从而实现更加安全、高效、平衡的混合交通，成为研究的一个重要方面。2.2混合交通流灯控平交路口非机动车干扰分析本节介绍我们在混合交通流参数提取研究中的一个具体成果：即以视频技术为采集手段，对比分析对若干个灯控平交路口有/无行人和非机动车抢行情况，提取出因此造成的机动车车头时距的不3同分布，并发现了该参数在优化混合交通流信号控制方案的应用价值。实验选择北京市海淀区中关村东路和成府路交叉口，这是一个典型的机非混杂路口。实验环境如图1所示，共使用两台摄像机采集数据，一台为交管局在路口已架设的监控摄像机，另一台临时架设在路边高楼内，以便提取前一台摄像机看到车流对应信号灯。两组视频流数据同步后使用。实验共采集了423组样本，每组样本为路口摄像机所拍摄的单个直行车道内的机动车以及该停车线前行人和非机动车在一个绿灯期内的行为。其中，281组样本存在行人和非机动车抢行情况，接近2/3。图2是这些样本的统计结果与美国《道路通行能力手册2000》的对比。图中横轴的数值分别代表停车线后排在第1、第2……、第9个位置的车辆，纵轴表示各位置样本数和平均值。显然，两图有较大差别，反映了行人和非机动车抢行对车头时距存在明显影响。图1灯控平交路口非机动车干扰实验环境图2美国《道路通行能力手册2000》与实验数据的对比分析实验进一步将各个样本分别按照大车和小车的数量、位置的不同分布情况进行统计分析，所得结果见表1。表1按前2辆车四种车型组合的车头时距实验均值情形（第1车车型＋第2车车型）小＋小小＋大大＋小大＋大无干扰：4.01无干扰：5.31第1辆车通过时间（秒）（启动时间+第2、第1间车头时距）有干扰：6.32有干扰：7.626.928.22第2辆车后排队车辆放行后车头时距（秒）2.613.504.43表中数据显示，当小型车作为直行车流的第一辆车时，绿灯亮起后由于避让行人或非机动车通过受到干扰，车头时距明显增大，平均增幅达到2.4秒，占该道路交叉口绿灯放行周期24秒的10%。当大型车排在直行车流的第一个位置时，受大车启动时间长，有无干扰影响不大；而且即使无干扰，大车作为头车的车头时距仍大于小车为头车且受到干扰时的车头时距。如果同样用无干扰数据相比，987654321Number5.004.003.002.001.000.00HeadwayValue(S)1.952.052.162.312.442.552.712.964.014由于启动特性带来的延误时间也超过了10%（(6.92-4.01)÷24×100％＝12％）。以上结果使我们有信心继续探索如何在信号控制中及时分析行人和非机动车的干扰，从而实时优化信号配时方案，使得道路通行率更加公平、合理。根据上述实验得到的车头时距分布情况，我们提出了一种改进的车辆跟驰模型，加入了有无行人干扰和车型分布两类参数，并由此建立了直行绿灯昀优配时的算法。结果表明有行人干扰、且车流前部主要为小型客车时，绿灯持续时间应比不考虑车型分布且无行人干扰的结果适当延长。详细结果参见[10]。3基于视频和无线传感器网络技术的“按需”交通数据采集3.1基于视频信号采集的“按需”交通参数采集近年来，图象处理技术发展迅速，成为信息技术领域中昀活跃的应用技术之一，视频监控和实时视频图象分析在越来越多的场景中得到应用。智能交通中昀常见的应用包括基于视频的违章检测、事件检测、自动辅助驾驶等。采用视频技术获取图像内容的基本过程是：获取视频信号（单帧或连续多帧）Æ图形分割Æ边缘检测Æ特征提取Æ对象跟踪Æ判别决策。大量的智能算法随着视频处理技术应用的深入而得到发展，本文不一一赘述。目前，通过架设在高速公里车道上方的摄像机，可以实时获取车流密度、监控数百米范围内的交通事故，且在光照条件差的夜间也能