行政院國家科學委員會補助專題研究計畫成果報告
※※※※※※※※※※※※※※※※※※※※※※※※※
※
模糊類神經網路影像偵測器 ※
※ 與交通事件即時偵測系統之研發(2/2)
※
※
※
※※※※※※※※※※※※※※※※※※※※※※※※※
計畫類別：
R
個別型計畫
□整合型計畫
計畫編號：NSC 90－2211－E－009－058
執行期間：90 年 08 月 01 日至 91 年 07 月 31 日
計畫主持人：藍武王教授
共同主持人：無
計畫參與人員：黃業傑、郭怡雯
本成果報告包括以下應繳交之附件：
□赴國外出差或研習心得報告一份
□赴大陸地區出差或研習心得報告一份
□出席國際學術會議心得報告及發表之論文各一份
□國際合作研究計畫國外研究報告書一份
執行單位：國立交通大學交通運輸研究所
中
華
民
國
91
年
07
月
31
日
行政院國家科學委員會專題研究計畫成果報告
模糊類神經網路影像偵測器與交通事件即時偵測系統之研發(2/2)
Development of Fuzzy Neur al Networ k Color Image Vehicular
Detector s and Instantaneous Incident Detection Systems (2/2)
計畫編號：NSC 90-2211-E-009-058
執行期限：90 年 08 月 01 日至 91 年 07 月 31 日
主持人：藍武王教授 交通大學交通運輸研究所
共同主持人：無
計畫參與人員：黃業傑、郭怡雯 交通大學交通運輸研究所
一、摘要 本研究發展一模糊類神經網路事件偵測演 算法，用以偵測道路之非重現性擁塞。先 在高速公路上產生一真實的交通事件，再 同步觀測事件點上下游之車流變化情形， 作為模擬軟體 Paramics 之校估基礎，俾進 一步模擬在上下游偵測器相距一公里之情 況下，事件發生於高速公路不同車道（內 側、中間、外側）、不同地點（距上游偵 測器 250、500、750 公尺）及不同嚴重度 （阻塞一、二個車道）各種情境組合之偵 測績效。本演算法經網路訓練與驗證後， 再以離線測試上述各種不同情境，結果發 現平均偵測正確率高達 90%，平均誤報率 低於 0.05%，平均所需偵測時間約為 78 秒；另由統計檢定知，當事件點愈靠近上 下游兩偵測器時偵測正確率愈高；在兩車 道狀況下事件阻塞內車道之偵測正確率高 於阻塞外車道，三車道狀況下阻塞兩車道 之偵測正確率又高於阻塞一車道。 關鍵詞：事件偵測演算法、模糊類神經網 路、車流模擬 Abstr actThis research develops a fuzzy neural network (FNN) incident detection algorithm to detect non-recurring roadway congestions. A real incident case is generated on the freeway mainline and the variations of flow, density and speed at the adjacent upstream and downstream detectors are concurrently observed, which are used to calibrate the traffic simulation package -- Paramics. In the circumstance of vehicular detectors spaced
out at one-kilometer apart, we simulate and evaluate the incident detection performance under various scenarios combination of incident taking place in different lanes (inner, middle, and outer), at different locations (250, 500, 750 meters from the upstream detector), and with different severity (one or two lanes blockage). After trained and validated, this FNN incident detection algorithm is tested off-line under the above-mentioned various scenarios combination. The results show that average detection accuracy rate can reach as high as 90%, with average false alarm rate lower than 0.05% and average detection time of 78 seconds. In addition, statistic tests conclude that detection accuracy rate becomes higher as the incident occurrence spot gets closer to either the upstream or downstream detector. Moreover, inner-lane blockage has higher detection accuracy rate than outer-lane blockage in the two-lane mainline; while for the three-lane mainline, two-lane blockage yields higher accuracy rate than single-lane blockage.
Keywor ds: incident detection algorithm,
fuzzy neural network, traffic simulation 二、緣由與目的 交通擁塞可分為重現性擁塞(recurring congestion)及非重現性擁塞(non-recurring congestion)。前者為交通需求過度集中或 道路幾何瓶頸等因素所致，其發生時間、 地點多可預知；後者受事件(Incident)影 響，如交通事故、天候情況等，其發生時
間、地點多不可預知，因此過去之研究均 針對非重現性擁塞研擬事件偵測方法。惟 發展至今仍面臨許多瓶頸：如(1)事件偵測 多僅偵測事件發生與否，未能偵得正確位 置與嚴重程度。(2) 偵測演算法不具移轉 性，參數須重新校估與驗證。(3) 績效常 取決於門檻值之設定（Stephanedes, et al., 1992）、車流狀況（中高流量有較佳之績 效）、相鄰兩偵測器之距離等。(4)難以取 得 實 際 資 料 ， 多 藉 模 擬 方 式 驗 證 績 效 (Levin and Krause, 1979)。
近年來，事件偵測演算法有逐漸以人 工智慧為發展趨勢，如專家系統(Lin and Chang, 1998) 、 類 神 經 網 路 (Ritchie and Cheu, 1993)、基因演算法(Srinivasanet al.,
2000)等。其中類神經網路經適當學習訓練 即具極高之辨識力，且可結合模糊推論， 提高容錯能力。由於參數均由訓練獲得， 模式具較佳移轉性，適用於各種車流狀況。 因此，本研究發展一模糊類神經網路 事件偵測演算法，用以偵測道路之非重現 性擁塞。在高速公路上產生一真實的交通 事件，觀測事件點上下游之車流變化情 形，用以校估 Paramics 車流模擬軟體，再 進一步模擬在上下游偵測器相距一公里之 情況下，事件發生於高速公路不同車道、 地點及嚴重度各種情境組合之偵測績效。 三、模糊類神經網路事件偵測演算法 本研究發展之模糊類神經網路事件偵 測演算法，其網路分四層(如圖 1)，運算與 訓練方式簡述如下： 1.運算方式 第一層：輸入層。輸入車流參數流量、速 率與密度。透過車道偵測器，流量為各車 道流量總和，速率與密度為各車道之平均 值，加權值w 固定為 1，輸出值i o 與輸入i 值u 表為：i i i i f u u o = ( )= i=1~12 i i i i i x w x u o = ⋅ = = 第二層：模糊隸屬層。計算偵測器目前與 前一單位時間，以及上下游偵測器同一時 間車流參數差值之隸屬度。aj、bj 為梯形 函數參數，加權值w 固定為 1，輸出值ij oj 與輸入值u 表為：j (1)上/下游偵測器歷史資料比較 > ≤ < − − ≤ = = = for 1 for for 0 ) ( ) ( j ij j ij j j j j ij j ij ij j j j j b x b x a a b a x a x x u f o µ 其中xij = oi−oi+3，（i= 1~3，j= 1~3）以及（i= 7~9， j= 7~9）且i= j (2)上下游間偵測資料之比較 > ≤ < − − ≤ = = = for 1 for for 0 ) ( ) ( j ij j ij j j j j ij j ij ij j j j j b x b x a a b a x a x x u f o µ 其中xij = oi−oi+9 ，（i= 1~3，j= 4~6）且j= i+ 3 第三層：推論層。主要分為三類：(1)若上 游速率、流量及密度與前一單位時間皆具 明顯差異，則推論有事件發生；(2)若上下 游速率、流量及密度（下游車流狀況為上 游之時間延遲 ô）皆具明顯差異，則推論 有事件發生；(3)若下游速率、流量及密度 與前一單位時間皆具明顯差異，則推論有 事件發生。本層之輸出值o 與輸入值k u 表k 為： ) ( * ) ( * ) ( ) ( k jk jk (j1)k (j1)k (j 2)k (j 2)k k f u w x w x w x o = = ⋅ + ⋅ + + ⋅ + （j=1，k=1）與（j=4，k=2）與（j=7，k=3） 第四層：輸出層。以重心法將模糊值轉為 明確值（0 表無事件發生，1 表有事件發 生）。輸出值o 與輸入值m u 表為：m ∑= ⋅ = = 3 1 ) ( k km km m m f u w x o 2.訓練方式 採 最 陡 坡 降 法 （ Gradient Steepest Descent Method），訓練步驟如下： (1)設定參數起始值 包含加權值、梯形隸屬函數參數、慣性 項（Momentum Term，á），以及學習 速率（Learning Rate，ç）。 (2)輸入一筆訓練範例，計算網路輸出值 (3)計算第四層之誤差量（äm4） 4 4 4 m m m=d −o δ (4)更新第三層與第四層加權值(wkm) )] 1 ( ) ( [ ) ( ) 1 ( 4 − − ⋅ + ⋅ ⋅ + = + t w t w x t w t w km km km m km km α δ η (5)計算第三層與第二層誤差量(äk3、äj2) ) 1 ( 4 3= ⋅ + t wkm m k δ δ
jk jk k j = ⋅w ⋅x 3 2 δ δ (6)調整第二層參數(aj、bj) )] 1 ( ) ( [ )] ( ) ( [ ) ( ) ( ) 1 ( 2 2 − − ⋅ + − − ⋅ ⋅ ⋅ + = + t a t a t a t b t b x x t a t a j j j j j j k j j j α δ η )] 1 ( ) ( [ )] ( ) ( [ ) ( ) ( ) 1 ( 2 2 − − ⋅ + − − ⋅ ⋅ ⋅ + = + t b t b t a t b x t a x t b t b j j j j j j k j j j α δ η (7)重複(2)至(6)，直至所有樣本輸入完畢 (8)計算總誤差函數值(TE)
∑
= − = N t m m i d t o t TE 1 2 )] ( ) ( [ 2 1 (9)檢驗誤差函數是否收斂 當某訓練回合之 TE 值與前一回合相差 小於ε時，亦即TEi−TEi−1 ≤ε則停止； 否則，回至(2)。 四、實證分析 本研究在中山高速公路上產生一真實 的交通事件，蒐集事件前、中、後之車流 參數，並以此為基礎，利用 Paramics 產生 網路訓練與驗證樣本。實驗路段為中山高 速公路北向雙車道 21.3 至 18.4 公里，其間 無匝道，事故產生在北向 19.3 公里處，時 間為下午 4 點 10 分至 55 分，其中，4 點 25 分至 40 分為事件發生時段，以兩輛車 分別阻斷外側車道及路肩，僅剩內側車道 通行。利用高速公路西側 21.3 及 18.4 公里 之攝影機分別拍攝事件前 15 分鐘、事件中 15 分鐘及事件後 15 分鐘之車流影像，作 為模擬軟體 Paramics 之校估基礎，其車流 參數與檢定結果詳如表 1。檢定結果顯 示，在 5%顯著水準下，事件前、中、後 之大部分車流參數，實驗值與模擬值並無 顯著差異（p>0.05），故可用 Paramics 模 擬各種情境組合之事件。 利用校估後之 Paramics 模擬在上下游 偵測器相距一公里之情況下，事件發生於 高速公路不同車道（內側、中間、外側）、 不同地點（距上游偵測器 250、500、750 公尺）及不同嚴重度（阻塞一、二個車道） 各種情境組合之偵測績效，結果詳表 2。 五、結論與建議 本演算法經網路訓練與驗證後，再以 離線測試上述各種不同情境，結果發現平 均偵測正確率高達 90%，平均誤報率低於 0.05%，平均所需偵測時間約為 78 秒；另 由統計檢定知，當事件點愈靠近上下游兩 偵測器時偵測正確率愈高；在兩車道狀況 下事件阻塞內車道之偵測正確率高於阻塞 外車道（如圖 2），三車道狀況下阻塞兩 車道之偵測正確率又高於阻塞一車道（如 圖 3）。後續研究可進一步變化不同情境 設計或改變 FNN 架構，以探討本演算法偵 測事件之能力。 六、主要參考文獻[1] Levin, M. and Krause, G. M., “Incident detection algorithms, Part 1: off-line evaluation; Part 2: on-line evaluation,”
Transportation Research Record 722,
pp. 49-64, 1979.
[2] Lin, C. K. and Chang, G. L., “Development of a fuzzy-expert system for incident detection and classification,” Mathematical and Computer Modeling, Vol. 27, No. 9-11,
pp. 9-25, 1998.
[3] Ritchie, S. G. and Cheu, R. L., “Simulation of freeway incident detection using artificial neural networks,” Transportation Research
Part C, Vol. 1, pp. 203-217, 1993. [4] Srinivasan, D., Cheu, R. L., Poh, Y. P.,
Ng, A. K. C., “Development of an intelligent technique for traffic network incident detection,” Engineering Applications of Artificial Intelligence,
Vol. 13, pp. 311-322, 2000.
[5] Stephanedes, Y. J., Chassiakos, A. P. and Michalopoulos, P. G., “Comparative performance evaluation of incident detection algorithms,”
Transportation Research Record 1360,
pp. 50-57, 1992. 表 1 Paramics 模擬校估檢定結果 事件前 15 分鐘 事件中 15 分鐘 事件後 15 分鐘 資料 平均速率（公 里/小時) 平均流量（輛 /小時） 平均密度（輛 /公里） 平均速率（公 里/小時) 平均流量（輛 /小時） 平均密度（輛 /公里） 平均速率（公 里/小時) 平均流量（輛 /小時） 平均密度（輛 /公里） 實驗觀測結果 80.47 1,652 20.54 62.27 1,328 21.43 68.23 1,636 23.95
76% 80% 84% 88% 92% 96% 100% 250 500 750 距離上游偵測器位置（公尺） 偵 測 正 確 率 阻塞內側車道 阻塞外側車道 阻塞中間車道 阻塞中間與內側車道 阻塞中間與外側車道 80% 85% 90% 95% 100% 250 500 750 距離上游偵測器位置(公尺) 偵 測 正 確 率 阻塞內側車道 阻塞外側車道 電腦模擬結果 83.70 1,572 18.68 64.98 1,366 21.02 72.16 1,509 20.81 t-values 1.31 -4.74 -1.58 1.69 -0.22 0.14 1.78 -4.62 -2.63 p-values 0.20 0.01 0.19 0.10 0.96 0.89 0.09 0.00 0.03 H0：實驗之平均值=模擬之平均值。 表 2 不同事件發生位置實驗設計組合之離線測試結果 括號內數字為標準差 事件發生位置實驗設計組合 偵測正確率（DR） 誤報率（FAR） 偵測時間（TTD） 兩車道之內側車道 距上游偵測器 250 公尺處 93.19%（0.03999） 0.0958%（0.00007741） 74 秒（3.6556） 兩車道之內側車道 距上游偵測器 500 公尺處 87.90%（0.02867） 0.0628%（0.00007625） 89 秒（4.5762） 兩車道之內側車道 距上游偵測器 750 公尺處 89.31%（0.03495） 0.0089%（0.00007288） 71 秒（5.8212） 兩車道之外側車道 距上游偵測器 250 公尺處 88.25%（0.03721） 0.0337%（0.00008328） 83 秒（6.4183） 兩車道之外側車道 距上游偵測器 500 公尺處 82.62%（0.02968） 0.0437%（0.00007258） 95 秒（8.1292） 兩車道之外側車道 距上游偵測器 750 公尺處 91.35%（0.03725） 0.0380%（0.00006758） 76 秒（4.2318） 三車道之內側車道 距上游偵測器 250 公尺處 87.38%（0.03611） 0.0082%（0.00006921） 82 秒（5.2719） 三車道之內側車道 距上游偵測器 500 公尺處 81.06%（0.04210） 0.0697%（0.00007590） 97 秒（5.8705） 三車道之內側車道 距上游偵測器 750 公尺處 89.93%（0.03518） 0.0582%（0.00006741） 84 秒（5.6475） 三車道之內側與中間車道 距上游偵測器 250 公尺處 97.23%（0.02217） 0.0963%（0.00006741） 56 秒（2.8733） 三車道之內側與中間車道 距上游偵測器 500 公尺處 92.59%（0.02592） 0.0101%（0.00008063） 62 秒（3.2388） 三車道之內側與中間車道 距上游偵測器 750 公尺處 96.84%（0.02387） 0.0222%（0.00007812） 49 秒（2.2971） 三車道之中間車道 距上游偵測器 250 公尺處 82.59%（0.03720） 0.0048%（0.00006937） 79 秒（4.3561） 三車道之中間車道 距上游偵測器 500 公尺處 80.28%（0.03208） 0.0624%（0.00007205） 93 秒（4.4819） 三車道之中間車道 距上游偵測器 750 公尺處 86.47%（0.03376） 0.0574%（0.00008111） 86 秒（3.9337） 三車道之中間與外側車道 距上游偵測器 250 公尺處 95.56%（0.02102） 0.0103%（0.00008230） 53 秒（2.2028） 三車道之中間與外側車道 距上游偵測器 500 公尺處 93.02%（0.02561） 0.0257%（0.00007206） 67 秒（3.3128） 三車道之中間與外側車道 距上游偵測器 750 公尺處 95.00%（0.02378） 0.0405%（0.00007057） 52 秒（2.3967） 三車道之外側車道 距上游偵測器 250 公尺處 91.23%（0.02762） 0.0816%（0.00007632） 93 秒（4.8209） 三車道之外側車道 距上游偵測器 500 公尺處 83.75%（0.03889） 0.0885%（0.00008589） 102 秒（6.950） 三車道之外側車道 距上游偵測器 750 公尺處 93.86%（0.03128） 0.0716%（0.00007194） 91 秒（6.1938） 圖 1 模糊類神經網路事件偵測架構 圖 2 兩車道之事件偵測正確率與事件發生位置關係圖 圖 3 三車道之事件偵測正確率與事件發生位置關係圖 Su01 Fu01 Du01 Su1 1 Fu1 1 Du11 Output R1 3 R2 3 R3 3 Y4 上游偵測器 下游偵測器 Su 2 Fu 2 Du 2 Sud 2 Fud 2 Dud 2 Sd 2 Fd 2 Dd 2 上下游資料比較 下游歷史資料比較 上游歷史資料比較 Sd01 Fd01 Dd01 Sd11 Fd11 Dd11
