基于集成学习时间序列预测的隧道事件检测方法技术

本发明专利技术公开了一种基于集成学习时间序列预测的隧道事件检测方法，主要解决同类方法不能对传感器值精确预测达到有效控制隧道通风的问题。其检测步骤为：对采集的公路隧道数据进行预处理，形成训练数据集；根据训练数据集训练出多个基预测器，由基预测器加权组合形成强预测器；根据当前ｔ时刻隧道传感器的值，利用强预测器计算ｔ＋１时刻隧道烟雾浓度预测值，并根据预测误差动态调整参与集成的基预测器；将ｔ＋１时刻的隧道烟雾浓度预测值与烟雾浓度阈值比较，判断烟雾浓度是否为超标事件；对于超标事件，计算通风控制器的控制参数，降低烟雾浓度。本发明专利技术具有预测功能强、控制通风控制器精度高的优点，用于高速公路隧道的运营监控及节能减排方面。

【技术实现步骤摘要】

本专利技术属于检测
，特别是一种涉及公路事件的检测方法， 可以用于对隧道事件的判定及实现带有预测功能的通风控制。
技术介绍
在隧道事件检测及变频通风控制系统中， 一氧化碳浓度和烟雾浓度 检测值是变频通风控制的主要依据， 一氧化碳浓度和烟雾浓度的检测是 一个大时滞系统，且易受不确定因素的影响。为了保证隧道通风控制系 统的及时有效性，应快速分析隧道事件与通风控制的关系。而在通风控 制量化的研究中， 一氧化碳浓度、烟雾浓度与隧道事件间的关联关系是 研究的前提。根据隧道传感器检测值预测隧道交通事件发生的概率，准 确实施对隧道变频通风的控制，避免隧道交通事件的发生，可以达到隧 道运营节能的目的。所谓交通事件，是指导致道路通行能力下降的意外事件。所谓事件 检测，是指通过检测方法检测到频繁出现、有一定规律可循且涉及的相 关数据可以由隧道监控系统采集的隧道事件。公路隧道事件可分为货物 洒落、车辆故障、交通挤塞、烟雾和一氧化碳浓度超标、风速和光照异 常等类型。如果这些交通事件没有得到及时处理，很可能引起交通事故， 如撞车、火灾等。目前，国内外对于隧道通风节能研究大多数是采用最大浓度法，即 只在环境参数达到临界值时增开风机，小于临界值时减开风机。这种方 法具有如下不足1.)能耗大，达不到节能的目的。2) 通风控制的实时性、准确性差。由于隧道变频通风控制是一个复杂的时滞的控制过程，而现有的控 制方法多是根据系统已发生的行为特征进行控制，属于事后控制，很难 做到完全的实时性、准确性和适应性。3) 不易建立精确的控制对象数学模型。隧道模型是隧道通风系统的载体，隧道通风过程同时也是污染物在 隧道中的运移过程，污染模型则用来计算隧道中一氧化碳和烟雾浓度的 分布情况。但是由于难以掌握控制对象原理，建立的控制对象数学模型 复杂多变，因此采用一般的建立控制对象数学模型的方法，时滞和精确 性问题很难解决。4) 难以获得最优的传感器数据预测器。现有的传感器数据预测是希望在动态系统行为的所在范围内构建单 一复杂预测函数，即构建一个适应全局范围的控制模型，而这样的模型 难以获得。
技术实现思路
本专利技术的目的在于克服上述已有方法的不足，提出一种基于集成学 习时间序列预测的隧道事件检测方法，通过检测出因隧道交通拥塞、烟 雾浓度超标等造成的隧道交通事件，以此作为隧道变频通风控制的依据， 使隧道通风控制更为精确和稳定，进一步为公路隧道的安全运营奠定基 础。实现本专利技术的技术方案是利用集成学习时间序列预测技术生成对 隧道传感器检测数据的基预测器，以克服目前简单依据隧道一氧化碳及 烟雾浓度阀值进行隧道通风控制的弊端，同时，利用多个基预测器加权 组合形成强预测器，对高速公路隧道事件进行预判及控制。具体过程如 下(1) 对收集的高速公路隧道烟雾浓度、 一氧化碳浓度、车流量和风 速的传感器周期性检测数据进行数据修补预处理，形成隧道传感器训练数据集；(2) 利用集成学习方法根据隧道传感器训练数据集训练出L个基预 测器(1^/^20)，由基预测器加权组合形成强预测器；(3) 根据当前t时刻高速公路隧道传感器的检测值，利用强预测器 计算t+l时刻隧道的烟雾浓度预测值，并根据预测误差动态调整参与集 成的基预测器，形成新的强预测器；(4) 将t+l时刻的隧道烟雾浓度预测值与烟雾浓度阈值比较，当该 预测值大于阈值，则判为烟雾浓度超标事件，否则隧道运营正常；(5) 对于t+l时刻的烟雾浓度超标事件，利用比例积分微分控制参 数判定算法计算其比例参数 、积分参数K,及微分参数&，并传输给变 频通风控制器进行通风控制。本专利技术具有如下优点1) 本专利技术由于釆用基于集成学习的时间序列预测方法，可以避开烦 琐的数学建模过程并解决控制系统时滞问题，不需要建立最优的预测器；2) 本专利技术由于采用历史基预测器组合生成强预测器，可以节省训练 时间，减少运算量，能够适应高速公路隧道烟雾浓度、 一氧化碳浓度、 车流量和风速传感器数据出现周期性变化的情况；3) 本专利技术由于采用时间序列预测值控制风机，使得风机比例积分微 分控制器控制参数的确定具有了预测功能，可以起到事先控制的作用；4) 本专利技术由于构造的强预测器采用特定隧道交通历史检测数据训 练，可以更适合具体隧道的运营监控及节能减排。附图说明图1是本专利技术的检测步骤流程图；图2是本专利技术根据t+l时刻超标的隧道烟雾浓度传感器预测值计算 风机控制参数的子流程图； 具体实施例方式参照图l，本专利技术的检测步骤包括步骤l，对隧道检测数据进行预处理。传感器在采集隧道烟雾浓度、 一氧化碳浓度、车流量和风速数据时， 由于采集时间的不一致将导致数据出现空缺值，从而丢失部分有用信息。 在此应用多测点运行参数法及时间序列加权法修补丢失的有用信息。 1.1)对缺损的实时检测数据采用多测点运行参数法修补。 在隧道监控系统中， 一般会在隧道不同的位置设多个传感器共同采 集某一参数。因此，如果某一测点数据缺失而另一测点数据正常，则可 用正常数据替代缺失数据，这样能保证二次计算的稳定性，不会造成较 大的偏差。1.2 )对缺损的隧道历史检测数据采用时间序列加权法修补。 在隧道历史检测数据中，缺损数据的修补方法因数据所处的位置不 同分为首、末端数据缺损修补法和中间数据缺损修补法。对于数据首、 末端缺损修补法，釆用趋势比例计算的方法。对于中间数据缺损修补法 采用非邻均值生成法，若中间数据缺损较多，则采用递推式非邻均值生 成法修补。步骤2，利用集成学习方法得到强预测器。集成学习算法是一种提高给定的单一学习算法准确率的通用方法。本专利技术利用改进的AdaBoost算法处理隧道内烟雾浓度序列的预测问题。 2.1)隧道烟雾浓度强预测器的训练设训练样本集为{(^，力，"1，2，...，"}， x,是空间中的一个样本，此 训练样本集的分布权重",")为学习期间训练样本A的权重，初始化为。循环训练L轮，BZdO,在每轮训练中，根据分布权重A") 采样获得训练样本，利用弱学习算法训练基预测器，并将训练成功的基 预测器加入到基预测器集合G中，同时调整错误预测样本的分布权重 A")，使得下轮训练中训练样本更多地集中在较难于处理的样本。 集成训练隧道烟雾浓度强预测器的方法为初始化循环轮数t-l，训练样本集分布权重^") = %，具体步骤为-(2丄1)设((x,，少,),"l,2，…,"〉为训练样本集，根据训练样本集分 布权重抽取训练样本训练基预测器/;(x): Jf ■> 7 ; (2丄2)计算基预测器/,的损失函数A(、)仏)-l-expf一~~"".) — " l L max,=i..JXO,) — X. U ，(2丄3)计算训练样本y与对应预测值/的相关系数A(/，力;=1、S (y;")—y; G))21 (乂 ",)—"》)2V卜l式中y、/分别为训练样本的检测值和预测值，^为样本 X,.，/ = l,2，...，"的均值；(2丄4)利用相关系数A(/,力及损失函数A")计算下一轮样本分 布权重A+i(A):A W，，")' A 式中Z,为标准化因子；(2丄5)轮数增l，若Z^丄，进行下轮循环，重复步骤(2丄1)至 步骤(2丄4)训练出L个基预测器；(2.1.6)利用相关系数确定L本文档来自技高网...

【技术保护点】
一种基于集成学习时间序列预测的隧道事件检测方法，包括如下过程：　（１）对收集的高速公路隧道烟雾浓度、一氧化碳浓度、车流量和风速的传感器周期性检测数据进行数据修补预处理，形成隧道传感器训练数据集；　（２）利用集成学习方法根据隧道传 感器训练数据集训练出Ｌ个基预测器（１≤Ｌ≤２０），由基预测器加权组合形成强预测器；　（３）根据当前ｔ时刻高速公路隧道传感器的检测值，利用强预测器计算ｔ＋１时刻隧道的烟雾浓度预测值，并根据预测误差动态调整参与集成的基预测器，形成新的强预 测器；　（４）将ｔ＋１时刻的隧道烟雾浓度预测值与烟雾浓度阈值比较，当该预测值大于阈值，则判为烟雾浓度超标事件，否则隧道运营正常；　（５）对于ｔ＋１时刻的烟雾浓度超标事件，利用比例积分微分控制参数判定算法计算其比例参数Ｋ↓［ｐ］、 积分参数Ｋ↓［ｉ］及微分参数Ｋ↓［ｄ］，并传输给变频通风控制器进行通风控制。

【技术特征摘要】

【专利技术属性】
技术研发人员：方敏，张晓松，王俊平，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：87[中国|西安]