道路多源交通流信息融合分析技术研究与应用.docx

道路多源交通流信息融合分析技术研究与应用.docx

《道路多源交通流信息融合分析技术研究与应用.docx》由会员分享，可在线阅读，更多相关《道路多源交通流信息融合分析技术研究与应用.docx（11页珍藏版）》请在冰豆网上搜索。

道路多源交通流信息融合分析技术研究与应用

道路多源交通流信息融合分析技术研究与应用

张雷元树爱兵

（公安部交通管理科学研究所江苏无锡214151）

摘要：

多源交通流信息融合是多源信息融合在交通领域的应用，其可以获得准确的交通状态和参数估计。

本文简单介绍了多源交通流信息融合的原理和基本模型，并着重讲述了其关键技术和应用。

关键词：

交通流；多源信息融合；交通信息预测；交通状态识别

基金工程：

国家高技术研究发展计划（863计划）现代交通技术领域综合交通运输系统与安全技术专题，课题“新一代智能化交通控制系统技术”（编号2006AA11Z229）

中图分类号：

U491文献标识码：

A

一、概述

随着信息技术的发展和普及，特别是信息网络和信息高速公路的建设和应用，信息获取、综合分析和处理以及信息应用已经深入各行各业和社会的各个方面，为人们提供决策支持。

由于信息化在各个方面展开，为了综合应用各种信息，需要对各方面的信息技术进行围绕因特网或信息高速公路的融合，以便产生新的增长点和开拓新的领域，不断地进行知识创新

。

在交通领域，交通信息往往来自于不同的数据源，如交通流信息，可能来自环形线圈检测器、视频检测器、FCD等多种检测技术或采集手段，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

。

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。

二、道路多源交通信息融合模型

多源交通流信息融合模型

分为三级（如图1所示），最基础级是数据级融合，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。

图1交通信息融合模型

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。

图2交通信息融合过程

三、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

，其中相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两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。

3.1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、红外线检测器等等

，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有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、神经网络法、不确定推理法、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。

●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，每种决策方案具有三个属性，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，该方案对应的值就是融合输出值。

●算法的基本步骤

1）定义决策方案

假设

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，而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

，

为检测器的检测值，

为对应的检测精度，则方案A的检测精度属性值为：

（1）

历史偏差属性值为：

（2）

总体平均偏差属性值为：

（3）

其中

表示历史平均值，

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

矩阵，m为方案数，n为属性数，其中元素

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：

（4）

方案关于属性j的熵为：

（5）

这里的k表示一个常量，

。

信息偏差度定义为：

定义第j个属性权重系数为：

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：

（6）

取具有最小权重的方案作为最优方案：

融合输出值为最优方案中各个元素的平均值。

3.2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，如果将两种数据进行融合，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、排队长度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。

（7）

其中，

为融合数据，

为检测器数据，

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，

为行程时间，

为加权系数。

四、交通流信息预测技术

采用一般检测手段检测的交通流信息往往具有滞后性，实现城市交通控制和诱导的关键是道路交通状况的预测，也就是采用相应的技术，以有效地利用实时交通数据信息滚动预测未来几分钟内的交通状况。

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。

交通流预测方法主要有三种，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。

五、交通状态识别技术

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。

5.1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

：

●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；

●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公里/小时），则可认为发生拥堵。

●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大于某一阈值，则可以认为发生拥堵；

●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；

●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。

5.2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：

（1）基于状态估计的方法，如1980年Willsky等提出的多重模型法（MM法），它根据观测向量{yl，y2，．．．，yk}以及一组假设模型，在滤波估计的基础上，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；

（2）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；（3）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，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；（4）基于突变理论的方法，如美国FL．HallDY．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分为四个区域，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；（5）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。

六、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，其主要应用于以下方面：

（1）交通控制中的应用。

通过信息融合获得交通流量、平均速度，然后根据这些信息调整信号显示。

（2）交通诱导中的应用。

通过信息融合获得行程时间和拥挤状况，然后将这些信息发送到诱导屏或其它显示终端，为出行者提供路径诱导。

（3）ITS指挥中心的应用。

通过信息融合将各种数据进行分类处理，然后统一存储和共享，为各个ITS子系统提供数据服务。

多源交通信息融合给交通信息加工和处理提供了一种很好的方法，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。

对于多源交通信息融合技术的应用才刚刚起步，还有更多更大的应用空间和潜力尚待去挖掘。

参考文献

[1]．韩崇昭，信息融合理论与应用，中国基础科学-科学前沿，2000.7。

[2]．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，上海公路，2001.3。

[3]．吴志周，杨晓光，高佳发，ATIS数据融合模型的研究，交通与计算机，2005.2。

[4]．杨露菁，余华，《多源信息融合理论及应用》，北京邮电大学出版社，2006.2

[5]．杨兆升，王爽，马道松，基础交通信息融合方法综述，公路交通科技，2006.3。

[6]．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，中国公路学报，2006.5。

[7]．陈祥光，裴旭东，《人工神经网络技术及应用》，中国电力出版社，2003.9。

RoadMulti-sourceTrafficFlowInformationFusionTechniqueResearchAndApplication

ZhangLei-Yuan,ShuAi-Bing

（TrafficManagementResearchInstituteOfPublicSecurityMinistry,China）

Abstract:

Multi-sourcetrafficflowinformationfusionismulti-sourceinformationfusionapplicationsinthefieldoftraffic,whichcouldacquireaccuratetrafficstateandparameterestimation.Thispaperbrieflyintroducedtheprincipleandbasicmodelofthemulti-sourcetrafficflowinformationfusion,andfocusedonitskeytechnologiesandapplications.

Keywords:

trafficflow。

multi-sourceinformationfusion。

trafficinformationprediction。

trafficstateidentification

作者简介：

张雷元（1978—），男，江西宜春，助理研究员，智能交通技术研究，（无锡）公安部交通管理科学研究所，214151，Email：

zhangleiyuan@联系电话：

树爱兵（1980—），男，江苏泰州，助理研究员，智能交通技术研究，（无锡）公安部交通管理科学研究所，214151，Email：

spily365@联系电话：