道路多源交通流信息融合分析技術(shù)研究與應(yīng)用_圖文

1、 SPORTATION2008.580 引言交通信息融合是研究如何加工、聯(lián)合來自眾多信息 源的信息,并使不同形式的信息相互補 充,為各種交通模型方法服務(wù),使其信 息得到最大限度地發(fā)揮 1?？梢詫⒔?通信息融合定義為:一個處理探測、互 聯(lián)、相關(guān)、估計以及組合多源信息和數(shù) 據(jù)的多層次多方面的過程,以便獲得準 確的交通狀態(tài)和參數(shù)估計,并將相關(guān)信 息用于交通管理的決策支持。多源交通信息融合的目的是通過對 不同來源的交通流數(shù)據(jù)進行融合處理,以得到比任何從單個數(shù)據(jù)源獲得的數(shù)據(jù)更全面、準確的 交通流狀況信息。1 道路多源交通信息融合模型多源交通流信息融合模型 2分為三級 (如圖 1所示 :最基礎(chǔ)級是數(shù)據(jù)級融

2、合,它只完成數(shù)據(jù)的預(yù)處理和簡單 關(guān)聯(lián);第二級是特征級融合,就是根據(jù)現(xiàn)有數(shù)據(jù)的特征 預(yù)測交通參數(shù);第三級是狀態(tài)級融合,根據(jù)當前交通流 信息判斷交通狀態(tài)。如圖 2所示,交通流信息融合的基本過程包括多源 信息提取、信息預(yù)處理、融合處理以及目標參數(shù)獲取和 狀態(tài)估計。信 息 技 術(shù)圖 1 交通信息融合模型Road Multi-source Traffic Flow Information Fusion Technique &TR 2008.56 2 道路多源交通流信息數(shù)據(jù)級融合技術(shù)多源交通流數(shù)據(jù)級融合技術(shù)包括相同數(shù)據(jù)來源的交 通流數(shù)據(jù)融合技術(shù),以及不同數(shù)據(jù)來源的交通流數(shù)據(jù)融 合技術(shù) 3。其中,相

3、同數(shù)據(jù)來源的數(shù)據(jù)是指來自同一種 檢測手段獲取的數(shù)據(jù),而不同數(shù)據(jù)來源的數(shù)據(jù)是指采用 2種或以上的檢測手段獲得的數(shù)據(jù)。一般情況下同種數(shù)據(jù) 來源的數(shù)據(jù)信息通常在數(shù)據(jù)格式和信息內(nèi)容上都完全相 同,因而處理方法非常簡單,只需簡單進行時間和空間 上的關(guān)聯(lián)就可以完成信息的融合;不同數(shù)據(jù)來源的數(shù)據(jù) 信息由于格式和內(nèi)容不一致,融合起來就比較困難,涉 及的技術(shù)比較多。因此,下面主要討論不同來源的數(shù)據(jù) 融合。不同來源的數(shù)據(jù)融合包括多種檢測器數(shù)據(jù)的融合, 以及固定檢測器數(shù)據(jù)和浮動車數(shù)據(jù)的融合。 2.1 多種檢測器數(shù)據(jù)融合目前,交通檢測器的種類越來越多,各種交通檢測 器包括環(huán)行線圈檢測器、超聲波檢測器、視頻檢測器和 紅

4、外線檢測器等 4,對不同交通參數(shù)的檢測性能各不相 同。一般檢測器都存在交叉靈敏度,表現(xiàn)在檢測器的輸 出值不只決定于一個參量,當其他參量變化時輸出值也 要發(fā)生變化。交通檢測器也不例外,如環(huán)行線圈檢測車 輛存在時由于磁場變化,其檢測結(jié)果也發(fā)生改變。那么 環(huán)行線圈就存在對磁場強度的交叉靈敏度;視頻檢測器 存在對環(huán)境濕度的交叉敏感度。由于各種交通檢測器存 在交叉靈敏度,使其性能不穩(wěn)定,測量精度不高。多種 檢測器數(shù)據(jù)融合就是通過多種檢測器對多個交通參數(shù)的 監(jiān)測,并采用一定的信息處理方法達到提高每一個參數(shù) 測量精度的目的。多種檢測器數(shù)據(jù)融合方法種類繁多,使用得比較頻 繁的方法如簡單加權(quán)法、濾波法、神經(jīng)網(wǎng)絡(luò)

5、法、不確定 推理法及聚類分析等方法。其中,應(yīng)用最普遍的還是簡 單加權(quán)法,即根據(jù)一定的權(quán)重將各種檢測器數(shù)據(jù)相加, 從而得到融合數(shù)據(jù)。這種融合方法的缺點是無法準確定義每種檢測器數(shù)據(jù)的權(quán)重,最終的融 合數(shù)據(jù)和實際數(shù)據(jù)相差較大。下面介 紹一種基于多屬性決策的數(shù)據(jù)融合算 法,該算法不需要給定權(quán)重就可獲得 融合數(shù)據(jù), 其準確性比簡單加權(quán)法高。 2.1.1 基于多屬性決策的數(shù)據(jù)融 合算法原理將各種可能的融合輸出值組成決 策方案, 每種決策方案具有 3個屬性, 即檢測精度、與歷史值偏差、與總體 平均值偏差。將屬性和方案組成決策矩陣,使用信息熵方法計算每種方案的屬性權(quán)重,然后使用簡單加權(quán)法進行決策找出最優(yōu)方 案

6、,該方案對應(yīng)的值就是融合輸出值。 2.1.2 算法的基本步驟(1定義決策方案。假設(shè) x 1, x 2, ···, x n 為檢測器的檢 測值,取其中任意個檢測值組成集合,每個集合就是一 個融合決策方案。(2定義方案屬性。影響檢測準確度的主要因素是 檢測精度和誤差,因此判斷一個融合值是否準確,主要 考慮檢測精度和誤差。檢測精度是固定的并且只與檢測 器種類有關(guān),誤差主要考慮歷史偏差和總體平均值偏差。對于任意一個方案 A=x 1, x 2, ···, x m , x 1, x 2, ···, x m 為檢 測器

7、的檢測值, d 1, d 2, ···, d m 為對應(yīng)的檢測精度,則方案A 的檢測精度屬性值為:dA=1 di(1m 歷史偏差屬性值為:e h = 1 (x i - x h 2 (2 m總體平均偏差屬性值為:e = 1 (x i - x 2 (3 m其中 x h 表示歷史平均值, x 表示方案 A 所有檢測值的平均值。(3采用信息熵方法確定基礎(chǔ)權(quán)重系數(shù)。假設(shè)決策 矩陣 D 為 m · n 矩陣, m 為方案數(shù), n 為屬性數(shù),其中元 素 x ij 表示第 i 個方案的第 j 個屬性值,則方案關(guān)于屬性 j 的評價定義為:p ij = xij (4 x i

8、j 方案關(guān)于屬性 j 的熵為:E j = -k p ij 1n p ij (5 這里的 k 表示一個常量, k = 1/1nm 。 信息偏差度定義為:d j = 1-E j定義第 j 個屬性權(quán)重系數(shù)為:w j = d j d j圖 2 交通信息融合過程m i =1mi =1m i =1mi =1m i =1nj =1信 息 技 術(shù) SPORTATION2008.58(4采用簡單加權(quán)法進行決策。使用簡單加權(quán)和方法計算每個方案的權(quán)重:W i = w j · x ij (6 取具有最小權(quán)重的方案作為最優(yōu)方案: S = arg min(W (A A 2融合輸出值為最優(yōu)方案中各個元素的平均值。

9、 2.2 固定檢測器數(shù)據(jù)與浮動車數(shù)據(jù)融合浮動車數(shù)據(jù)和固定檢測器數(shù)據(jù)屬于不同數(shù)據(jù)來源的數(shù)據(jù)。浮動車數(shù)據(jù)采集的范圍廣泛,數(shù)據(jù)量大,但是數(shù) 據(jù)的準確度不高;檢測器數(shù)據(jù)采集的是固定地點的數(shù)據(jù), 范圍相對狹小,但是采集準確度高。這兩種數(shù)據(jù)各有優(yōu) 缺點,如果將 2種數(shù)據(jù)進行融合,可以既提高數(shù)據(jù)采集 的范圍,還可以提高數(shù)據(jù)采集的準確度。浮動車數(shù)據(jù)和檢測器數(shù)據(jù)都經(jīng)過預(yù)處理之后,其數(shù)據(jù)格式已經(jīng)基本一致,因此只需要進行同種數(shù)據(jù)的融合。 融合的規(guī)則為交通流量、交通密度、占有率及排隊長度 等信息以檢測器數(shù)據(jù)為準,因為檢測器對這些數(shù)據(jù)的檢 測準確度要高于浮動車數(shù)據(jù);行程時間信息以浮動車數(shù) 據(jù)為準,因為檢測器不能直接檢測

10、行程時間,其行程時 間信息都源于估計,而浮動車采集的行程時間都是根據(jù) 實際 GPS 時間數(shù)據(jù)計算出來的,其準確度比較高;平均 速度信息以兩者的加權(quán)平均獲取。 x d (d , t if x = q , k , o , N x (d , t = x f (d , t if x = T t (7xd (d , t + (1- x f (d , t if x = v其中,x (d , t 為融合數(shù)據(jù), x d (d , t 為檢測器數(shù)據(jù), x f (d , t 為浮動車數(shù)據(jù), v 為速度, q 為交通流量, k 為交通密度, o 為占有率, N 為排隊長度, T t 為行程時間,為加權(quán)系數(shù)。 3 交

11、通流信息預(yù)測技術(shù)交通流信息預(yù)測主要包括交通流量預(yù)測、行程時間 預(yù)測和行程車速預(yù)測等。交通流量是交通控制配時的重 要指標,根據(jù)歷史交通流量或者上下游檢測斷面的交通 流量進行預(yù)測,可以獲得未來時段內(nèi)到達停車線的交通 流量,從而優(yōu)化交通控制配時,預(yù)防出現(xiàn)交通擁堵。行 程車速是衡量道路通暢的重要指標,通過行程車速和占 有率等數(shù)據(jù)一起可以預(yù)測交通擁堵狀況,通過預(yù)測行程 車速可以預(yù)測車流的未來行程時間。路段的平均行程時 間是進行交通流誘導(dǎo)的主要依據(jù)和描述交通狀態(tài)的重要 指標,通過預(yù)測行程時間結(jié)合交通流量可以獲得車流到 達停車線的情況,從而可以計算排隊長度等信息,為交 通控制優(yōu)化目標提供參數(shù)。交通流預(yù)測方法

12、主要有 3種:第一種是根據(jù)歷史信息進行建模擬合,獲得交通流數(shù)據(jù)與時間的關(guān)系模型, 從而推斷未來時間內(nèi)的交通流信息;第二種是根據(jù)歷史 信息進行指數(shù)平滑預(yù)算,得出未來交通流數(shù)據(jù)與過去時 段的交通流數(shù)據(jù)之間的關(guān)系模型,從而推斷未來時間內(nèi) 的交通流信息;第三種是采用人工神經(jīng)網(wǎng)絡(luò)方法,這種 方法不需要建立模型,只需足夠的數(shù)據(jù)和時間讓神經(jīng)網(wǎng) 絡(luò)進行學習,從而通過神經(jīng)網(wǎng)絡(luò)的學習模型預(yù)測未來的 交通流參數(shù)。實踐證明前兩種方法預(yù)測的準確度不高, 原因是交通模型很難獲得或者無法得到正確的交通模型。 很多文獻中的研究表明,采用人工神經(jīng)網(wǎng)絡(luò)方法,不需要建立任何交通模型,其預(yù)測的交通流信息也比較準確。4 交通狀態(tài)識別技

13、術(shù)交通狀態(tài)識別是指通過交通流信息的融合,建立交 通流參數(shù)模型并結(jié)合交通專家知識進行交通擁堵狀態(tài)判 別或交通事件識別的過程。 4.1 交通擁堵狀態(tài)判別交通擁堵狀態(tài)判別就是根據(jù)當前的交通流信息,結(jié) 合交通知識識別出是否發(fā)生交通擁堵的過程。交通擁堵 判別一般采用基于規(guī)則的判別法 5。(1基于交通流量的擁堵判別規(guī)則:如果交通流量 大于某一閾值(最大通行能力 ,則可認為發(fā)生擁堵。 (2基于速度的擁堵判別規(guī)則:用城市主干路上機 動車的平均行程車速來描述交通擁擠程度,如果平均行 程車速低于某一閾值(如 10 km/h ,則可認為發(fā)生擁堵。 (3基于上下游道路占有率的擁堵判別規(guī)則:如果 上下游道路占有率相對差

14、大于某一閾值,則可以認為發(fā)生擁堵。 (4基于排隊長度的擁堵判別規(guī)則:如果排隊長度 超過某一閾值,則可認為發(fā)生擁堵。 (5基于行程時間的擁堵判別規(guī)則:如果行程時間 大于某一閾值,則可以認為發(fā)生擁堵。另外,因為交通擁擠程度是一個模糊的概念,因此, 通常采用模糊推理的方式來評判交通擁堵等級。模糊推 理法原理是根據(jù)交通流量、占有率和交通擁擠程度之間 的關(guān)系組成模糊規(guī)則矩陣,然后利用交通流量、占有率 的實測數(shù)據(jù)作為輸入,通過一系列的模糊運算推斷出交 通擁堵等級。 4.2 交通事件識別交通事件識別就是利用交通事件發(fā)生時的特征和采 集到的交通流參數(shù),如車道占有率、平均速度、流量等 交通參數(shù),通過一定的檢測規(guī)

15、則和算法,推斷出是否發(fā) 生交通事件的過程。交通事件識別方法主要有:基于狀態(tài)估計的方法,信 息 技 術(shù)n j =1 &TR 2008.58計的基礎(chǔ)上,判斷哪個假設(shè)模型的狀態(tài)估計最接近當前 真實系統(tǒng),就可以判斷該假設(shè)模型的事件已經(jīng)發(fā)生。 基于模式識別的方法,如美國加利福尼亞州運輸部開發(fā) 的 California 算法。該算法分別比較上下游相鄰檢測器 獲得的占有率的差和相對差,以及下游前后時間段占有 率相對差值,與事先給定閾值相比較,超出閾值就發(fā)出 報告,該算法還有一系列改進的算法得到廣泛承認和應(yīng) 用?；诮y(tǒng)計預(yù)測或者濾波的方法。此算法在以往觀測數(shù)據(jù)的基礎(chǔ)上利用統(tǒng)計方法對當前交通狀態(tài)做出預(yù)測

16、, 再與實際觀測結(jié)果相比較,如果差別大于預(yù)先給定閾值, 就發(fā)出事件報告?；谕蛔兝碚摰姆椒?如美國 F L. Hall DY.Shi 等人于 1993年提出的 McMaster 法。該算 法從被檢測路段實際交通特性曲線 q=q(o(即流量與占有 率的函數(shù)關(guān)系 基礎(chǔ)上, 把 q -o 分為 4個區(qū)域, 分別對應(yīng) 不同的交通狀態(tài)。當實測 q 、 o 落入代表擁擠狀態(tài)的區(qū)域 而且速度值低于某一下限值,才確認擁擠存在;如果發(fā) 生擁擠,通過檢查下游檢測器的交通狀態(tài),直到發(fā)現(xiàn)一 個檢測站處于非擁擠狀態(tài),則確認那個檢測站發(fā)生事件。 基于神經(jīng)網(wǎng)絡(luò)的方法。該算法根據(jù)發(fā)生和不發(fā)生交通 事件情況下的交通參數(shù)特征,選

17、定學習樣本數(shù)據(jù)和學習 時的參數(shù)對人工神經(jīng)元網(wǎng)絡(luò)進行訓練,再輸入被檢測路 段的觀測數(shù)據(jù),利用訓練好的神經(jīng)網(wǎng)絡(luò)得到輸出結(jié)果, 從而判斷是否發(fā)生事件。5 多源交通信息融合技術(shù)應(yīng)用多源交通信息融合可以克服單個交通信息源獲取信 息的局限性,能夠全面掌握整個路網(wǎng)的交通信息,其主要應(yīng)用于交通控制、交通誘導(dǎo)及 ITS 指揮中心的應(yīng)用。 信息融合技術(shù)的最大優(yōu)勢在于它能合理協(xié)調(diào)多源數(shù)據(jù), 充分綜合有用信息,提高在多變環(huán)境中正確決策的能力, 而這種優(yōu)勢恰恰在智能交通領(lǐng)域能夠得到充分發(fā)揮。參考文獻:1 汪海淵,朱彥東,楊東援 . 數(shù)據(jù)融合技術(shù)及其在交通領(lǐng)域 中的應(yīng)用 J.上海公路,2001(3.2 吳志周, 楊曉光,

18、 高佳發(fā) .ATIS 數(shù)據(jù)融合模型的研究 J.交 通與計算機,2005(2.3 楊露菁,余華 . 多源信息融合理論及應(yīng)用 M.北京:北京 郵電大學出版社,2006. 4 楊兆升, 王爽, 馬道松 . 基礎(chǔ)交通信息融合方法綜述 J.公 路交通科技,2006(3.5 莊斌,楊曉光,李克平 . 道路交通擁擠事件判別準則與檢測算法 J.中國公路學報,2006(5.6 陳祥光,裴旭東 . 人工神經(jīng)網(wǎng)絡(luò)技術(shù)及應(yīng)用 M.北京:中國電力出版社,2003.軌 道 交 通 0 引言在經(jīng)濟發(fā)展日新月異的今天,現(xiàn)代城市人口大量增 加,地域不斷擴大,地面交通已無法適應(yīng)由經(jīng)濟活動和 人民生活產(chǎn)生的日益增長的運量需求,城市交通亟需一 種快捷、安全、舒適、大運量、低能耗、少污染的交通 工具,城市軌道交通就是這樣一種理想的現(xiàn)代化的城市 交通工具。根據(jù)相關(guān)城市軌道交通建設(shè)規(guī)劃統(tǒng)計,到2010年,上海、北京、天津、廣州、深圳等 15個城市 規(guī)劃建設(shè)近 60條線路,總長 1500多公里,總投資超過 5 000億元。城市軌道交通以大容量、快速而著稱,對解 決城市交通問題具有重要作用。越來越多的旅客在出行 時選擇城市軌道交通,所以,如何改善城市軌道交通客 運市場營銷顯得更為重要。1 城市軌道