[發明專利]基于集成學習時間序列預測的隧道事件檢測方法

無效

• 申請號: 200910022869.5
• 申請日: 2009-06-05
• 公開（公告）號: CN101581940A
• 公開（公告）日: 2009-11-18
• 發明（設計）人: 方敏;張曉松;王俊平
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G05D11/13
• 分類號: G05D11/13;G05B13/02;G06N1/00
• 代理公司: 陜西電子工業專利中心
• 代理人: 王品華;朱紅星

技術領域

本發明屬于檢測技術領域，特別是一種涉及公路事件的檢測方法，可以用于對隧道事件的判定及實現帶有預測功能的通風控制。

背景技術

在隧道事件檢測及變頻通風控制系統中，一氧化碳濃度和煙霧濃度檢測值是變頻通風控制的主要依據，一氧化碳濃度和煙霧濃度的檢測是一個大時滯系統，且易受不確定因素的影響。為了保證隧道通風控制系統的及時有效性，應快速分析隧道事件與通風控制的關系。而在通風控制量化的研究中，一氧化碳濃度、煙霧濃度與隧道事件間的關聯關系是研究的前提。根據隧道傳感器檢測值預測隧道交通事件發生的概率，準確實施對隧道變頻通風的控制，避免隧道交通事件的發生，可以達到隧道運營節能的目的。

所謂交通事件，是指導致道路通行能力下降的意外事件。所謂事件檢測，是指通過檢測方法檢測到頻繁出現、有一定規律可循且涉及的相關數據可以由隧道監控系統采集的隧道事件。公路隧道事件可分為貨物灑落、車輛故障、交通擠塞、煙霧和一氧化碳濃度超標、風速和光照異常等類型。如果這些交通事件沒有得到及時處理，很可能引起交通事故，如撞車、火災等。

目前，國內外對于隧道通風節能研究大多數是采用最大濃度法，即只在環境參數達到臨界值時增開風機，小于臨界值時減開風機。這種方法具有如下不足：

1)能耗大，達不到節能的目的。

2)通風控制的實時性、準確性差。

由于隧道變頻通風控制是一個復雜的時滯的控制過程，而現有的控制方法多是根據系統已發生的行為特征進行控制，屬于事后控制，很難做到完全的實時性、準確性和適應性。

3)不易建立精確的控制對象數學模型。

隧道模型是隧道通風系統的載體，隧道通風過程同時也是污染物在隧道中的運移過程，污染模型則用來計算隧道中一氧化碳和煙霧濃度的分布情況。但是由于難以掌握控制對象原理，建立的控制對象數學模型復雜多變，因此采用一般的建立控制對象數學模型的方法，時滯和精確性問題很難解決。

4)難以獲得最優的傳感器數據預測器。

現有的傳感器數據預測是希望在動態系統行為的所在范圍內構建單一復雜預測函數，即構建一個適應全局范圍的控制模型，而這樣的模型難以獲得。

發明內容

本發明的目的在于克服上述已有方法的不足，提出一種基于集成學習時間序列預測的隧道事件檢測方法，通過檢測出因隧道交通擁塞、煙霧濃度超標等造成的隧道交通事件，以此作為隧道變頻通風控制的依據，使隧道通風控制更為精確和穩定，進一步為公路隧道的安全運營奠定基礎。

實現本發明的技術方案是：利用集成學習時間序列預測技術生成對隧道傳感器檢測數據的基預測器，以克服目前簡單依據隧道一氧化碳及煙霧濃度閾值進行隧道通風控制的弊端，同時，利用多個基預測器加權組合形成強預測器，對高速公路隧道事件進行預判及控制。具體過程如下：

(1)對收集的高速公路隧道煙霧濃度、一氧化碳濃度、車流量和風速的傳感器周期性檢測數據進行數據修補預處理，形成隧道傳感器訓練數據集；

(2)利用集成學習方法根據隧道傳感器訓練數據集訓練出L個基預測器(1≤L≤20)，由基預測器加權組合形成強預測器；

(3)根據當前t時刻高速公路隧道傳感器的檢測值，利用強預測器計算t+1時刻隧道的煙霧濃度預測值，并根據預測誤差動態調整參與集成的基預測器，形成新的強預測器；

(4)將t+1時刻的隧道煙霧濃度預測值與煙霧濃度閾值比較，當該預測值大于閾值，則判為煙霧濃度超標事件，否則隧道運營正常；

(5)對于t+1時刻的煙霧濃度超標事件，利用比例積分微分控制參數判定算法計算其比例參數K_p、積分參數K_i及微分參數K_d，并傳輸給變頻通風控制器進行通風控制。

本發明具有如下優點：

1)本發明由于采用基于集成學習的時間序列預測方法，可以避開煩瑣的數學建模過程并解決控制系統時滯問題，不需要建立最優的預測器；

2)本發明由于采用歷史基預測器組合生成強預測器，可以節省訓練時間，減少運算量，能夠適應高速公路隧道煙霧濃度、一氧化碳濃度、車流量和風速傳感器數據出現周期性變化的情況；

3)本發明由于采用時間序列預測值控制風機，使得風機比例積分微分控制器控制參數的確定具有了預測功能，可以起到事先控制的作用；

4)本發明由于構造的強預測器采用特定隧道交通歷史檢測數據訓練，可以更適合具體隧道的運營監控及節能減排。

附圖說明

圖1是本發明的檢測步驟流程圖；