道路多源交通流信息融合分析技术研究与应用_图文

1、 SPORTATION2008.580 引言交通信息融合是研究如何加工、联合来自众多信息 源的信息,并使不同形式的信息相互补 充,为各种交通模型方法服务,使其信 息得到最大限度地发挥 1。可以将交 通信息融合定义为:一个处理探测、互 联、相关、估计以及组合多源信息和数 据的多层次多方面的过程,以便获得准 确的交通状态和参数估计,并将相关信 息用于交通管理的决策支持。多源交通信息融合的目的是通过对 不同来源的交通流数据进行融合处理,以得到比任何从单个数据源获得的数据更全面、准确的 交通流状况信息。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分为三级 (如图 1所示 :最基础级是数据级融

2、合,它只完成数据的预处理和简单 关联;第二级是特征级融合,就是根据现有数据的特征 预测交通参数;第三级是状态级融合,根据当前交通流 信息判断交通状态。如图 2所示,交通流信息融合的基本过程包括多源 信息提取、信息预处理、融合处理以及目标参数获取和 状态估计。信 息 技 术图 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数据级融合技术多源交通流数据级融合技术包括相同数据来源的交 通流数据融合技术,以及不同数据来源的交通流数据融 合技术 3。其中,相

3、同数据来源的数据是指来自同一种 检测手段获取的数据,而不同数据来源的数据是指采用 2种或以上的检测手段获得的数据。一般情况下同种数据 来源的数据信息通常在数据格式和信息内容上都完全相 同,因而处理方法非常简单,只需简单进行时间和空间 上的关联就可以完成信息的融合;不同数据来源的数据 信息由于格式和内容不一致,融合起来就比较困难,涉 及的技术比较多。因此,下面主要讨论不同来源的数据 融合。不同来源的数据融合包括多种检测器数据的融合, 以及固定检测器数据和浮动车数据的融合。 2.1 多种检测器数据融合目前,交通检测器的种类越来越多,各种交通检测 器包括环行线圈检测器、超声波检测器、视频检测器和 红

4、外线检测器等 4,对不同交通参数的检测性能各不相 同。一般检测器都存在交叉灵敏度,表现在检测器的输 出值不只决定于一个参量,当其他参量变化时输出值也 要发生变化。交通检测器也不例外,如环行线圈检测车 辆存在时由于磁场变化,其检测结果也发生改变。那么 环行线圈就存在对磁场强度的交叉灵敏度;视频检测器 存在对环境湿度的交叉敏感度。由于各种交通检测器存 在交叉灵敏度,使其性能不稳定,测量精度不高。多种 检测器数据融合就是通过多种检测器对多个交通参数的 监测,并采用一定的信息处理方法达到提高每一个参数 测量精度的目的。多种检测器数据融合方法种类繁多,使用得比较频 繁的方法如简单加权法、滤波法、神经网络

5、法、不确定 推理法及聚类分析等方法。其中,应用最普遍的还是简 单加权法,即根据一定的权重将各种检测器数据相加, 从而得到融合数据。这种融合方法的缺点是无法准确定义每种检测器数据的权重,最终的融 合数据和实际数据相差较大。下面介 绍一种基于多属性决策的数据融合算 法,该算法不需要给定权重就可获得 融合数据, 其准确性比简单加权法高。 2.1.1 基于多属性决策的数据融 合算法原理将各种可能的融合输出值组成决 策方案, 每种决策方案具有 3个属性, 即检测精度、与历史值偏差、与总体 平均值偏差。将属性和方案组成决策矩阵,使用信息熵方法计算每种方案的属性权重,然后使用简单加权法进行决策找出最优方 案

6、,该方案对应的值就是融合输出值。 2.1.2 算法的基本步骤(1定义决策方案。假设 x 1, x 2, ···, x n 为检测器的检 测值,取其中任意个检测值组成集合,每个集合就是一 个融合决策方案。(2定义方案属性。影响检测准确度的主要因素是 检测精度和误差,因此判断一个融合值是否准确,主要 考虑检测精度和误差。检测精度是固定的并且只与检测 器种类有关,误差主要考虑历史偏差和总体平均值偏差。对于任意一个方案 A=x 1, x 2, ···, x m , x 1, x 2, ···, x m 为检 测器

7、的检测值, d 1, d 2, ···, d m 为对应的检测精度,则方案A 的检测精度属性值为:dA=1 di(1m 历史偏差属性值为:e h = 1 (x i - x h 2 (2 m总体平均偏差属性值为:e = 1 (x i - x 2 (3 m其中 x h 表示历史平均值, x 表示方案 A 所有检测值的平均值。(3采用信息熵方法确定基础权重系数。假设决策 矩阵 D 为 m · n 矩阵, m 为方案数, n 为属性数,其中元 素 x ij 表示第 i 个方案的第 j 个属性值,则方案关于属性 j 的评价定义为:p ij = xij (4 x i

8、j 方案关于属性 j 的熵为:E j = -k p ij 1n p ij (5 这里的 k 表示一个常量, k = 1/1nm 。 信息偏差度定义为:d j = 1-E j定义第 j 个属性权重系数为:w j = d j d j图 2 交通信息融合过程m i =1mi =1m i =1mi =1m i =1nj =1信 息 技 术 SPORTATION2008.58(4采用简单加权法进行决策。使用简单加权和方法计算每个方案的权重:W i = w j · x ij (6 取具有最小权重的方案作为最优方案: S = arg min(W (A A 2融合输出值为最优方案中各个元素的平均值。

9、 2.2 固定检测器数据与浮动车数据融合浮动车数据和固定检测器数据属于不同数据来源的数据。浮动车数据采集的范围广泛,数据量大,但是数 据的准确度不高;检测器数据采集的是固定地点的数据, 范围相对狭小,但是采集准确度高。这两种数据各有优 缺点,如果将 2种数据进行融合,可以既提高数据采集 的范围,还可以提高数据采集的准确度。浮动车数据和检测器数据都经过预处理之后,其数据格式已经基本一致,因此只需要进行同种数据的融合。 融合的规则为交通流量、交通密度、占有率及排队长度 等信息以检测器数据为准,因为检测器对这些数据的检 测准确度要高于浮动车数据;行程时间信息以浮动车数 据为准,因为检测器不能直接检测

10、行程时间,其行程时 间信息都源于估计,而浮动车采集的行程时间都是根据 实际 GPS 时间数据计算出来的,其准确度比较高;平均 速度信息以两者的加权平均获取。 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 为融合数据, x d (d , t 为检测器数据, x f (d , t 为浮动车数据, v 为速度, q 为交通流量, k 为交通密度, o 为占有率, N 为排队长度, T t 为行程时间,为加权系数。 3 交

11、通流信息预测技术交通流信息预测主要包括交通流量预测、行程时间 预测和行程车速预测等。交通流量是交通控制配时的重 要指标,根据历史交通流量或者上下游检测断面的交通 流量进行预测,可以获得未来时段内到达停车线的交通 流量,从而优化交通控制配时,预防出现交通拥堵。行 程车速是衡量道路通畅的重要指标,通过行程车速和占 有率等数据一起可以预测交通拥堵状况,通过预测行程 车速可以预测车流的未来行程时间。路段的平均行程时 间是进行交通流诱导的主要依据和描述交通状态的重要 指标,通过预测行程时间结合交通流量可以获得车流到 达停车线的情况,从而可以计算排队长度等信息,为交 通控制优化目标提供参数。交通流预测方法

12、主要有 3种:第一种是根据历史信息进行建模拟合,获得交通流数据与时间的关系模型, 从而推断未来时间内的交通流信息;第二种是根据历史 信息进行指数平滑预算,得出未来交通流数据与过去时 段的交通流数据之间的关系模型,从而推断未来时间内 的交通流信息;第三种是采用人工神经网络方法,这种 方法不需要建立模型,只需足够的数据和时间让神经网 络进行学习,从而通过神经网络的学习模型预测未来的 交通流参数。实践证明前两种方法预测的准确度不高, 原因是交通模型很难获得或者无法得到正确的交通模型。 很多文献中的研究表明,采用人工神经网络方法,不需要建立任何交通模型,其预测的交通流信息也比较准确。4 交通状态识别技

13、术交通状态识别是指通过交通流信息的融合,建立交 通流参数模型并结合交通专家知识进行交通拥堵状态判 别或交通事件识别的过程。 4.1 交通拥堵状态判别交通拥堵状态判别就是根据当前的交通流信息,结 合交通知识识别出是否发生交通拥堵的过程。交通拥堵 判别一般采用基于规则的判别法 5。(1基于交通流量的拥堵判别规则:如果交通流量 大于某一阈值(最大通行能力 ,则可认为发生拥堵。 (2基于速度的拥堵判别规则:用城市主干路上机 动车的平均行程车速来描述交通拥挤程度,如果平均行 程车速低于某一阈值(如 10 km/h ,则可认为发生拥堵。 (3基于上下游道路占有率的拥堵判别规则:如果 上下游道路占有率相对差

14、大于某一阈值,则可以认为发生拥堵。 (4基于排队长度的拥堵判别规则:如果排队长度 超过某一阈值,则可认为发生拥堵。 (5基于行程时间的拥堵判别规则:如果行程时间 大于某一阈值,则可以认为发生拥堵。另外,因为交通拥挤程度是一个模糊的概念,因此, 通常采用模糊推理的方式来评判交通拥堵等级。模糊推 理法原理是根据交通流量、占有率和交通拥挤程度之间 的关系组成模糊规则矩阵,然后利用交通流量、占有率 的实测数据作为输入,通过一系列的模糊运算推断出交 通拥堵等级。 4.2 交通事件识别交通事件识别就是利用交通事件发生时的特征和采 集到的交通流参数,如车道占有率、平均速度、流量等 交通参数,通过一定的检测规

15、则和算法,推断出是否发 生交通事件的过程。交通事件识别方法主要有:基于状态估计的方法,信 息 技 术n j =1 &TR 2008.58计的基础上,判断哪个假设模型的状态估计最接近当前 真实系统,就可以判断该假设模型的事件已经发生。 基于模式识别的方法,如美国加利福尼亚州运输部开发 的 California 算法。该算法分别比较上下游相邻检测器 获得的占有率的差和相对差,以及下游前后时间段占有 率相对差值,与事先给定阈值相比较,超出阈值就发出 报告,该算法还有一系列改进的算法得到广泛承认和应 用。基于统计预测或者滤波的方法。此算法在以往观测数据的基础上利用统计方法对当前交通状态做出预测

16、, 再与实际观测结果相比较,如果差别大于预先给定阈值, 就发出事件报告。基于突变理论的方法,如美国 F L. Hall DY.Shi 等人于 1993年提出的 McMaster 法。该算 法从被检测路段实际交通特性曲线 q=q(o(即流量与占有 率的函数关系 基础上, 把 q -o 分为 4个区域, 分别对应 不同的交通状态。当实测 q 、 o 落入代表拥挤状态的区域 而且速度值低于某一下限值,才确认拥挤存在;如果发 生拥挤,通过检查下游检测器的交通状态,直到发现一 个检测站处于非拥挤状态,则确认那个检测站发生事件。 基于神经网络的方法。该算法根据发生和不发生交通 事件情况下的交通参数特征,选

17、定学习样本数据和学习 时的参数对人工神经元网络进行训练,再输入被检测路 段的观测数据,利用训练好的神经网络得到输出结果, 从而判断是否发生事件。5 多源交通信息融合技术应用多源交通信息融合可以克服单个交通信息源获取信 息的局限性,能够全面掌握整个路网的交通信息,其主要应用于交通控制、交通诱导及 ITS 指挥中心的应用。 信息融合技术的最大优势在于它能合理协调多源数据, 充分综合有用信息,提高在多变环境中正确决策的能力, 而这种优势恰恰在智能交通领域能够得到充分发挥。参考文献:1 汪海渊,朱彦东,杨东援 . 数据融合技术及其在交通领域 中的应用 J.上海公路,2001(3.2 吴志周, 杨晓光,

18、 高佳发 .ATIS 数据融合模型的研究 J.交 通与计算机,2005(2.3 杨露菁,余华 . 多源信息融合理论及应用 M.北京:北京 邮电大学出版社,2006. 4 杨兆升, 王爽, 马道松 . 基础交通信息融合方法综述 J.公 路交通科技,2006(3.5 庄斌,杨晓光,李克平 . 道路交通拥挤事件判别准则与检测算法 J.中国公路学报,2006(5.6 陈祥光,裴旭东 . 人工神经网络技术及应用 M.北京:中国电力出版社,2003.轨 道 交 通 0 引言在经济发展日新月异的今天,现代城市人口大量增 加,地域不断扩大,地面交通已无法适应由经济活动和 人民生活产生的日益增长的运量需求,城市交通亟需一 种快捷、安全、舒适、大运量、低能耗、少污染的交通 工具,城市轨道交通就是这样一种理想的现代化的城市 交通工具。根据相关城市轨道交通建设规划统计,到2010年,上海、北京、天津、广州、深圳等 15个城市 规划建设近 60条线路,总长 1500多公里,总投资超过 5 000亿元。城市轨道交通以大容量、快速而著称,对解 决城市交通问题具有重要作用。越来越多的旅客在出行 时选择城市轨道交通,所以,如何改善城市轨道交通客 运市场营销显得更为重要。1 城市轨道