优化BP_AdaBoost算法及其交通事件检测

刘庆华，丁文涛，涂娟娟，方守恩

（1.同济大学交通运输工程学院，上海200092；2.江苏科技大学计算机科学与工程学院，江苏镇江212003）

优化BP_AdaBoost算法及其交通事件检测

刘庆华1，2，丁文涛2，涂娟娟2，方守恩1

（1.同济大学交通运输工程学院，上海200092；2.江苏科技大学计算机科学与工程学院，江苏镇江212003）

为了及时检测出高速公路上发生的交通事件，减少由于交通事件带来的损失，提出了一种基于遗传优化的BP_AdaBoost算法用于交通事件检测.提取高速公路上下游的车流量、车速与占有率作为BP（back propagation）神经网络的输入值，利用遗传算法全局搜索的性能优化BP神经网络初始连接权值和输出阈值，再通过多个新的BP神经网络弱分类器构建成AdaBoost强分类器，设计基于遗传算法优化BP_AdaBoost算法的交通事件分类器.以在东京高速公路采集的真实数据进行性能验证，试验结果表明，该算法可以提高BP弱分类器的性能，检测率达到97%，误报率降至3.34%，适用于高速公路交通事件的检测.

交通事件；遗传算法；神经网络；BP_AdaBoost算法；东京高速公路

交通事件是指非周期发生的且使某段道路通行能力减弱的事件［1］，包括故障停车、货物掉落、交通事故、道路修护和天气影响等.由于高速公路车辆运行速度较快，而事件发生的时间和地点是随机的，无法预知，故高速公路发生交通事件时，如果不及时排除，容易造成交通拥堵、财产损失和人身伤害.因此，对于高速公路交通事件的有效检测对保证交通安全、提高运输效率具有重大的经济效益和社会效益，同时，也是一个国家的智能交通系统（intelligent transport system，ITS）的一个重要研究课题.

迄今为止，针对高速公路交通流的不确定性和非线性，国内外已经开发了多种交通事件自动检测算法（automatic incident detection，AID），如国外的Cheu等［2］将支持向量机模型应用于高速公路事件检测中，进行了建模和仿真研究；Jeong等［3］运用离散小波变换对交通流数据进行处理，与设定的阈值进行比较，实现交通事件的检测；在国内，张轮等［4］设计朴素贝叶斯分类的高速公路交通事件检测算法并进行了仿真试验；牛世峰等［5］提出纵向时间序列算法，以提高交通事件检测算法的效率.

目前，BP（back propagation）神经网络在交通事件检测系统中也广泛应用.童飞［6］运用BP神经网络实现水上交通事件的检测；陈君等［7］构建BP神经网络评价模型运用于高速公路交通安全诊断；Yu等［8］使用环路检测数据和浮动车数据通过BP神经网络以实现交通事件的检测.BP神经网络具有超强适应能力和训练能力，但存在的缺点是权值和阈值的合理化设置较难，训练和记忆具有不稳定性.

针对BP神经网络的性能受到权值和阈值影响的缺点，遗传算法优化BP神经网络算法被提出，并已在图像分类［9］、参数优化［10］和故障诊断［11］成熟运用.本文引入遗传算法［12］优化BP神经网络的初始连接权值和输出阈值，通过该方法得到最佳权值和阈值.为了加强分类效果，再通过多个优化后的BP神经网络弱分类器组建成AdaBoost强分类器，设计基于遗传算法优化BP_AdaBoost算法的交通事件分类器.

1 优化的BP_AdaBoost算法分析

1.1 传统的BP神经网络

BP神经网络是一种单向传播的多层前馈型神经网络，它具有处理非线性复杂系统问题的能力［13］.BP网络由输入层、1个或多个隐层（中间层）和输出层组成，图1为隐层1层的BP网络模型结构图.

图1 隐层1层的BP网络模型结构Fig.1 BP structure with one hidden layer

当把训练样本提供给网络后，神经元的激活值从输入层经过隐层向输出层传播，在输出层的神经元获得网络的输出.在此训练过程中，通过修正网络的连接权值来减少目标输出与实际的误差，最终达到期望的结果.标准的BP网络算法采用均方误差作为表示网络性能的函数，网络的学习过程就是使式（1）减小到可接受的程度.

式中：MSE为网络均方误差；I为节点号；m为输出节点数；tI为网络的期望输出值；yI为网络的实际输出值.

1.2 遗传算法优化BP神经网络

BP神经网络的权值和阈值一般是通过随机初始化为［-0.5，0.5］区间的随机数，这个初始化参数对网络性能影响很大，但是又无法准确获得，因此，采用遗传算法优化初始权值和阈值.遗传算法优化BP神经网络的要素包括种群初始化、适应度函数、选择算子、交叉算子和变异算子.BP神经网络的结构已知，权值和阈值的个数就已知了，种群中的每一个个体都包含了一个网络所有权值和阈值，个体通过适应度函数计算个体适应度值，再通过选择、交叉和变异找到最优适应度对应的个体，接着，把最优个体赋值给网络的权值和阈值.遗传算法优化BP神经网络算法过程如下.

（1）本文个体编码方法为实数编码，每个个体均为一个实数串，个体包含了BP神经网络全部权值和阈值，在网络结构已知的情况下，就可以构成一个结构、权值、阈值确定的神经网络.

（2）根据个体得到BP神经网络的初始权值和阈值，用训练样本训练BP神经网络后预测系统输出，把预测输出和期望输出之间的误差绝对值和作为个体适应度值F，计算公式为

式中：n为网络输出节点数；yi为BP神经网络第i个节点的期望输出；oi为第i个节点的预测输出；Q为系数.

（3）本文中选择操作的实现方法使用轮盘赌法，即基于适应度比例的选择策略，每个节点i的选择概率pi为

式中：Fi为节点i的适应度值，由于适应度值越小越好，所以在个体选择前对适应度值求倒数；R为系数；N为种群个体数目.

（4）交叉操作方法采用实数交叉法，第s个染色体as和第l个染色体al在j位的交叉操作方法为

式中，b是0，［ ］1间的随机数.

（5）选取第i个个体的第j个基因alj进行变异，变异操作方法如下：

式中：amax为基因aij的上界；amin为基因aij的下界；r2为随机数；g为当前迭代次数；Gmax是最大进化次数；r为随机数，r∈［0，1］.

1.3 改进的BP_AdaBoost算法

AdaBoost算法的思想是合并多个“弱”分类器的输出以产生误差小的期望结果.本文为了增强分类效果，把通过遗传算法优化之后的BP神经网络作为新的弱分类器，通过AdaBoost算法构建成BP_AdaBoost强分类器.首先，从样本空间中随机选取L组交通流数据作为训练样本，初始化训练样本的权重，按下式计算：

再用训练样本数据训练被遗传算法优化之后的BP神经网络，当训练第k（k∈1，2，…，M）个BP神经网络弱分类器时，得到n组数据的预测误差和为

式中：gk（r）为网络的期望输出值；yr为网络的实际输出值.

进而根据n组训练样本的预测误差和ek计算第k（k∈1，2，…，M）个BP神经网络弱分类器的权重如下：

接着，根据权重ak，调整下一轮训练样本的权重，其公式为

式中：Bk为归一化因子；Dk（i）为经过k-1次训练调整后的权重.

最后，建立强分类函数.训练T次后，得到由T组弱分类函数组合而成的强分类函数，计算式为

式中：fk（x）为第k个弱分类函数；x为测试数据.

改进后算法的流程图如图2所示，算法采用在东京高速公路采集的真实数据来进行验证试验，算法所得的结果通过MATLAB软件仿真得到.

2 交通事件检测试验

2.1 参数选择

本文的交通流数据来源于如图3所示的日本首都东京高速公路3号涩谷线，第1车道上检测器在42号与43号之间的路段，路段长1 000m，数据包括车流量（Q）、车速（V）和占有率（OCC），采样周期为1 min，两检测器之间的距离为1km，时间是2010年12月1日至12月31日.

图2 遗传算法优化BP_AdaBoost算法的算法流程Fig.2 The algorithm progress of genetic algorithm optimized BP_AdaBoost algorithm

图3 东京首都高速公路网络Fig.3 The Tokyo metropolitan expressway network

本文对其数据进行整理分析，分别对事件发生前后上下游的Q，V，OCC进行试验分析.如图4a所示，事件发生在80min时刻左右，在80min之前，由于上下游未发生交通拥堵，交通保持畅通，车速保持在70～90km·h-1之间波动，上下游处于相对稳定状态.而在80min时刻以后，由于交通事件的发送，上游车辆产生交通拥挤，车辆运行受阻，故车速迅速减小到15km·h-1左右；下游车辆由于未受到交通事件的干扰，故车速基本维持稳定变化.因此，上下游车速有较明显的变化差异.

交通事件发生前，由于交通处于正常运行状态，上下游占有率均在5%左右，故检测器监测到的上下游占有率处于动态平衡状态.而在80min时刻发生了交通事件，导致上游交通发生堵塞，故占有率骤增到35%左右；由于下游未受到交通事件的影响，同时来源于上游的车辆数急剧减少，因此，下游占有率出现一定程度的降低.具体直观显示如图4b所示.

如图4c所示，事件发生前，上下游的车流量分布处于相对平衡状态.而事件发生后，上下游车流量有下降趋势，并且两者的变化趋势大体一致.

通过对图4a至图4c的分析，事件发生前，Q，V ，OCC都会处于动态平衡状态；而事件发生以后，上下游的这3个交通流参数均会发生明显的变化.

图4 车速、占有率及流量变化Fig.4 Speed of vehicle and occupancy rate and traffic volume

2.2 模型建立

本文选取其中有事件发生和无事件发生的共2 000组数据（包含事件数据75例），其中1 800数据作为训练样本数据，200组数据作为测试数据.部分样本数据如表1所示.

表1 部分交通流训练样本数据Tab.1 Part of the traffic flow sampled data

由表1可知，交通流参数值变化范围较大，不在同一数量级，因此，有必要将原始交通流数据样本进行归一化处理，从而减小数值差异带来的影响.

本文构建的BP神经网络有6个输入、2个输出，6个输入分别为上游的Q，V，OCC，下游的Q，V，OCC，2个输出代表事件发生情况，输出为｛1，0｝表示有事件发生，输出为｛0，1｝表示无事件发生.所以，设置BP神经网络的网络结构为6 13 2，即输入层有6个结点、隐含层有13个节点、输出层有2个结点.整个BP神经网络结构一共有6×13＋13×2＝104个权值及13＋2＝15个阈值，由此可得，遗传算法优化参数的个数为104＋15＝119.

BP网络隐层神经元传递函数采用tansig函数，输出层采用purelin函数.训练次数为50步，训练目标为0.001.

在遗传算法优化BP神经网络的程序中，遗传算法的参数设置如下：进化代数为10次，种群规模为10，交叉概率为0.4，变异概率为0.2.

在优化的BP_AdaBoost算法中，采用10个BP弱分类器组成的强分类器对数据样本进行检测，其中误差阈值设置为0.1.

2.3 结果分析

在本文选取的100组测试数据中，结果只有3组与期望值不一样，其余97组与期望值输出结果相同，说明本文提出的优化的BP_AdaBoost算法的检测率高达97.0%.表2是经过同样的训练样本训练之后BP_AdaBoost算法优化前后的结果比较.

由表2可见，BP神经网络算法的检测率只有78.0%，BP_AdaBoost算法的检测率为89.8%，而经过遗传算法优化的BP_AdaBoost算法的检测率高达97.0%；在误报率上，3种算法的差距也相当明显.此外，将本文提出的方法与LVQ（learning vector quantization）神经网络［14］和小波分析［15］进行对比试验，对比结果如表3所示.表3可见，本文提出的方法比其他2种方法检测率高、误报率低，说明本文方法较好.

表2 优化前后的BP_AdaBoost算法试验结果比较Tab.2 Comparison of BP_AdaBoost algorithm experimental results before and after optimization

表3 3种不同交通事件检测算法性能比较Tab.3 Three different traffic incident detectionalgorithm performance comparison

3 结论

提出了优化的BP_AdaBoost算法的高速公路事件检测方法，根据遗传算法具有快速搜索最优解的特点，来优化BP神经网络初始连接权值和输出阈值，用样本数据训练新的BP神经网络，再通过多个新的BP神经网络弱分类器构建成AdaBoost强分类器，并采用东京高速公路的真实交通流数据进行性能验证.试验结果表明，采用遗传算法优化BP神经网络，减小了权值和阈值不确定性对BP神经网络性能的影响.与改进后的算法与原算法相比提高了检测率，降低了误报率，具有更好的检测性能，适合用于高速公路的交通事件检测.

［1］ Zhang K，Taylor M A P.Towards universal freeway incident detection algorithms［J］.Transportation Research Part C：Emerging Technologies，2006，14（2）：68.

［2］ Cheu R L，Srinivasan D，Teh E T.Support vector machine models for freeway incident detection［C］／／Intelligent Transportation Systems，2003.Singapore：IEEE，2003：238-243.

［3］ Jeong Y S，Castro-Neto M，Jeong M K，et al.A waveletbased freeway incident detection algorithm with adapting threshold parameters［J］.Transportation Research Part C：Emerging Technologies，2011，19（1）：1.

［4］ 张轮，杨文臣，刘拓，等.基于朴素贝叶斯分类的高速公路交通事件检测［J］.同济大学学报：自然科学版，2014，42（4）：558. ZHANG Lun，YANG wencheng，LIU Tuo，et al.Freeway traffic incident detection based on naive Bayesian classification［J］.Journal of Tongji University：Natural Science，2014，42（4）：558.

［5］ 牛世峰，姜桂艳，李红伟，等.基于纵向时间序列的快速路交通事件检测算法［J］.哈尔滨工业大学学报，2011，43（2）：144.NIU Shifeng，JIANG guiyan，LI hongwei，et al.Freeway traffic incident detection algorithm based on time sequence of longitudinal［J］.Journal of Harbin Institute of Technology，2011，43（2）：144.

［6］ 童飞.基于BP神经网络的水上交通事故预测及MATLAB实现［D］.武汉：武汉理工大学，2005.TONG Fei.BP neural network prediction and MATLAB on water traffic accident based on the realization of［D］.Wuhan：Wuhan University of Technology，2005.

［7］ 陈君，李聪颖，丁光明.基于BP神经网络的高速公路交通安全评价［J］.同济大学学报：自然科学版，2008，36（7）：927.CHEN Jun，LI Congying，DING Guangming.Traffic safety assessment of freeway based on BP neural network［J］.Journal of Tongji University：Natural Science，2008，36（7）：927.

［8］ Yu L，Yu L，Wang J，et al.Back-propagation neural network for traffic incident detection based on fusion of loop detector and probe vehicle data［C］／／Natural Computation，2008.ICNC＇08.Fourth International Conference on Natural Computation.Jinan：IEEE，2008：116-120.

［9］ Liu Z，Liu A，Wang C，et al.Evolving neural network using real coded genetic algorithm（GA）for multispectral image classification［J］.Future Generation Computer Systems，2004，20：1119.

［10］ Shen C，Wang L，Li Q.Optimization of injection molding process parameters using combination of artificial neural network and genetic algorithm method［J］.Journal of Materials Processing Technology，2007，183：412.

［11］ 段侯峰.基于遗传算法优化BP神经网络的变压器故障诊断［D］.北京：北京交通大学，2008.DUAN Houfeng.Genetic algorithm optimization of transformer fault diagnosis based on BP neural network［D］.Beijing：Beijing Jiaotong University transformer fault diagnosis，2008.

［12］ Ding S，Su C，Yu J.An optimizing BP neural network algorithm based on genetic algorithm［J］.Artificial Intelligence Review，2011，36：153.

［13］ Li Z，Lei Q，Kouying X，et al.A novel BP neural network model for traffic prediction of next generation network［C］／／Natural Computation，Icnc 09，International Conference on Natural Computation.Tianjin：IEEE，2009：32-38.

［14］ 朱红斌.LVQ神经网络在交通事件检测中的应用［J］.计算机工程与应用，2009，44（34）：213.ZHU Hongbin.Application of neural network in traffic incident detection［J］.Computer Engineering and Application，2009，44（34）：213.

［15］ 彭宇.基于小波分析的高速公路事件检测算法［J］.湖南交通科技，2011，37（3）：123.PENG Yu.Freeway incident detection method based on wavelet analysis［J］.Hunan Traffic Science and Technology，2011，37（3）：123.

Improved BP_AdaBoost Algorithm and its Application in Traffic Incident Detection

LIU Qinghua1，2，DING Wentao2，TU Juanjuan2，FANG Shouen1
（1.School of Transportation Engineering，Tongji University，Shanghai 201804，China；2.College of Computer Science and Engineering，Jiangsu University of Science and Technology，Zhenjiang 212003，China）

In order to detect the traffic incidents occurred on highway and reduce the loss brought by traffic incident，this paper presents an improved BP_AdaBoost algorithm based on genetic algorithm for traffic incident detection.The inputs of BP（Back Propagation）neural network value are vehicle quantity，velocity and occupancy in upstream and downstream of highway.Genetic algorithm is used for each BP neural network classification model for optimizing weights and thresholds due to its performance of global searching.The optimized BP neural network model is applied as a new weak classifier，then through the AdaBoost algorithm，many of these new weak classifier is composed as strong classifier model.This improved algorithm is validated with real data from Tokyo expressway ultra-sonic sensors.The experimental results show that the algorithm can improve the performance of BP weak classifier.The detection rate of improved BP_AdaBoost algorithm is up to 97%，and false alarm rate is lower to 3.34%.Experiment indicate that the algorithm is suitable for detecting highway traffic incidents.

traffic incident；genetic algorithms；neural network；BP_AdaBoost algorithm；Tokyo expressway

U491.3

A

0253-374X（2015）12-1829-05

10.11908／j.issn.0253-374x.2015.12.010

2015 01 29

国家“八六三”高技术研究发展计划（2013AA12A206）；国家自然科学基金（51008143）；江苏省高校自然科学基金（14KJD520002）

刘庆华（1977—），男，副教授，工学博士，主要研究方向为智能交通与道路安全.E-mail：giant_liu@163.com

方守恩（1961—），男，教授，博士生导师，工学博士，主要研究方向为道路交通安全、道路规划与计算机辅助设计等.

E-mail：fangsek@tongji.edu.cn