異類交通信息實時融合方法

2023-09-20 10:37:55

專利名稱：異類交通信息實時融合方法
技術領域：
本發明涉及一種交通運輸技術領域中信息處理的方法，具體是一種異類交通信息實時融合方法。
背景技術：
隨著智能交通技術的發展，城市交通流的動態估計受到了越發廣泛的關注。而交通狀態估計離不開準確可靠的交通信息，因此檢測信息方法的精度決定了交通狀態估計的準確性。城市路網交通流檢測信息方法有多種，主要有磁頻感應線圈檢測法，GPS探測車檢測法，視頻檢測法等。這些方法在某些方面取得了成功並具有其實用價值，但在城市路網交通狀態的估計方面存在各自的局限性。感應線圈檢測器可得到多種交通流參數，但是其高故障率導致檢測數據大量缺失，狀態表徵量(平均速度、行駛時間)換算公式不準確也大大影響了估計的效果；應用GPS(全球衛星定位系統)探測車的信息檢測方法，通過對移動車輛進行實時監控，動態獲取時間、位置、速度等車輛定位信息，具有精度高，城市範圍內分布廣泛，受天氣影響小等優點，但是其採樣率低，地圖匹配算法誤差大等缺點也造成估計結果不準確；視頻檢測對硬體設備要求較高，受天氣影響大，也無法做到對交通路網狀態進行全面準確的估計。基於這種情況，有提出引入信息融合的方法來提高交通狀態估計的準確性，也就是說，把用感應線圈檢測器、GPS探測車檢測器等多種異類檢測器檢測到的交通信息進行融合，藉助多種檢測器之間的互補信息對交通狀態進行更準確全面的估計。
經對現有技術文獻的檢索發現，R.L.Cheu等人於2001年在《IEEE IntelligentTransportation Systems Conference Proceedings》(IEEE智能運輸系統會議案卷)上發表的論文「An arterial speed estimation model fusing data from stationary and mobilesensors」，(用於融合靜態和動態傳感器數據的一個主幹道速度估計模型)論文中用基於神經網絡的模型實現了檢測環數據和GPS探測車數據的融合，並通過仿真平臺用仿真數據驗證了模型的效果，然而，神經網絡需要大量的數據真值進行訓練，這在實際應用中是很難實現的；K.Choi等人於2002年在Intelligent TransportationSystems(智能運輸系統)上發表的論文「A data fusion algorithm for estimating linktravel time」，(路段行駛時間估計的數據融合算法)其中，提出了基於模糊理論的算法來融合這兩種數據，得到了比較好的效果，但是該算法具有很高的複雜性，而且可移植性差很難適應交通信息的實時融合環境；E.Faouzi等人在他們2006年發表在《Multisensor，Multisource Information FusionArchitecture，Algorithm，Application，Processing of SPIE》(SPIE會議——多傳感器，多源信息融合架構，算法和應用)上的論文「Classifiers and distance-based evidential fusion for road travel timeestimation」(用於估計路段行駛時間的基於分類器和基於距離的證據融合)中提出了一種基於證據理論的分類器融合方法，為交通狀態估計提供了一條新的思路，然而，上述方法由於很難實現實時融合估計，需要大量先驗數據、可移植性差等問題，所以大大限制了其工程應用。

發明內容
本發明的目的在於克服現有技術中的不足，提供一種異類交通信息實時融合方法，使其針對交通工程的實際需要，在特徵級上進行實時的交通狀態融合估計，最終為整個城市交通的控制和誘導提供實時、全面、準確的檢測信息資料。
本發明是通過以下技術方案實現的，本發明具體包括以下步驟(1)傳感器檢測信息的特徵提取；(2)可靠性矩陣W的確定；(3)信度的建立；(4)特徵級融合模型；(5)最終特徵的決策。
所述的傳感器檢測信息的特徵提取，是指感應線圈數據通過交通波理論，轉化為路段平均速度或行程時間；GPS探測車檢測信息的特徵提取經過坐標變換、地圖匹配、建模擬合把GPS探測車數據轉化成路段平均速度，目的是獲得與交通狀態成單調對應關係的特徵量，作為融合系統的輸入。
對異類傳感器信息進行特徵提取可以根據不同種類傳感器的具體特點，採用適合此類傳感器的任何提取方法，例如感應線圈數據可以轉化為路段平均速度或行程時間。
所述的可靠性矩陣W的確定，通過以下步驟實現(1)根據歷史數據確定每種傳感器的可靠性矩陣即基於判斷正確率的方法，或基於歐式距離的方法，或基於證據距離的方法；(2)可靠性矩陣W表示為 其中，wi，j∈
，(i＝1，2，...，M；j＝1，2，...，N)；Sj表示第j種獨立的待識別狀態；Ei表示第i種獨立的證據。
由於不同的傳感器對於不同交通狀態的檢測有著不同的可靠性，因此，在融合過程開始之前，應首先根據歷史數據確定每種傳感器的可靠性矩陣。
所述的信度的建立，通過以下步驟實現(1)確定待識別交通狀態的類別數N；(2)確定每一種傳感器特徵數據中的每一種狀態類別的重心，組成重心向量G＝[g1，g2，...，gN]，可以用歷史數據進行聚類計算和人工設定兩種方法；(3)以一個路段為討論對象，當檢測器i檢測到數據後，經過特徵提取獲得特徵量；(4)計算與所有重心的距離di＝[d1，d2，...，dN]；(5)根據下式，建立每一檢測數據的基本概率分配
mi(A)＝esp(-γidiβ)其中，參數β和γi根據實際應用進行調整，它們決定著基本概率分配的區分度，之後，需要進行歸一化處理，使所有狀態被分配的概率之和等於1。
所述的特徵級融合模型包括(1)M個如下的子融合系統mi(Bt)=m(Ct-1)mi(Ai,t)]]>=Ct-1Ai,t=Btg(m(Ct-1))mi(Ai,t)1-Ct-1Ai,t=g(m(Ct-1))mi(Ai,t)]]>g(m(Ct-1))=m(Ct-1)g(m)=1-Ct-1m(Ct-1)]]>其中mi(Ai，t)，i＝1，2，...，M表示在t時刻對第i個傳感器抽取的基本概率分配；m(Ct-1)表示主融合系統在時刻t-1的融合結果；λ是一個定義在0和1之間的變量，表徵m(Ct-1)被削弱的程度，稱為削弱參數，根據實際應用進行調整；(2)一個帶有反饋結構的主融合系統如下m(Ct)=m1(B1)m2(Bt)mM(Bt)]]>=i=1MBt=Ct(i=1Mmi(Bt))1-i=1MBt=(i=1Mmi(Bt))]]>其中m(Ct)主融合系統在時刻t的融合結果，也是t時刻的最終融合結果；mi(Bt)，i＝1，2，...，M表示子系統i在t時刻的融合結果。
這種帶有反饋的融合結構可以有效克服難以正確處理衝突證據的缺點，使其更加適合實時的融合環境。
所述的最終特徵的決策，使用最大信度法則在每一時刻融合結束之後，對得到的基本概率分配融合結果進行決策判斷，找出概率數最大的狀態作為這一時刻的狀態融合結果，即融合系統在這一時刻的輸出。
本發明與現有技術相比的顯著效果在於不需要大量的先驗交通數據信息和交通狀態真值信息，可以實時融合異類檢測源信息，有效克服交通檢測信息不完備、不準確、噪音汙染嚴重、受具體檢測器特性影響等缺點，為整個城市的交通控制和誘導系統提供更加實時、全面、準確的交通信息狀態估計，而且還具有算法參數少，計算時間短等優點。在用真實交通檢測數據進行的連續2小時的估計效果驗證試驗中，該方法的準確率達到了95％以上，而且，對整個上海市內環路網每5分鐘的數據融合估計處理的時間小於10秒鐘，完全能夠滿足實時融合報告交通狀態信息的要求。
本發明針對交通工程的實際需要，在特徵級上進行實時的交通狀態融合估計，具有運算簡便、可靠性高、實用性強等優點，特別是能夠實現異類交通檢測器信息(感應線圈數據，探測車數據，視頻檢測數據等)的實時在線融合，這是以往技術方法都難以克服的難點，也是阻撓它們實現真正工程應用的主要障礙。本發明使用先進的智能方法，實現異類交通信息的有機融合，最終為整個城市交通的控制和誘導提供實時、全面、準確的檢測信息資料。


圖1本發明方法步驟方框示意2本實施例的交通檢測數據曲線中為上海市徐匯區某路段一天內的SCATS和GPS數據，實線表示SCATS數據，虛線表示GPS數據。
圖3本實施例對數據進行實時融合估計的實驗結果圖具體實施方式
下面結合附圖對本發明的實施例作詳細說明本實施例在以本發明技術方案為前提下進行實施，給出了詳細的實施方式和過程，但本發明的保護範圍不限於下述的實施例。
為了更好地理解本實施例提出的方法，選取上海市徐匯區某路段進行交通狀態融合分析實例，可以應用於不同城市不同路網、路段。本實施例要求提供一天內該路段SCATS感應線圈檢測器的檢測數據，包括交通流量、線圈空閒時間等信息；還有GPS探測車檢測器的檢測數據，包括坐標、車速、車頭方向、狀態、時間等信息；還有GIS-T數字地圖信息。
如圖1所示，本實施例具體實施步驟如下(1)對SCATS數據和GPS數據進行特徵提取一方面，利用宏觀交通波理論建模，把感應線圈檢測器數據轉換為路段平均速度作為融合系統的輸入，其中路段平均速度滿足與交通狀態是單調對應的；另一方面，經過坐標變換、地圖匹配、建模擬合三個步驟把GPS探測車數據轉化成路段平均速度，作為融合系統的輸入，這裡路段平均速度滿足與交通狀態是單調對應的。
(2)可靠性矩陣W的確定在真實數據訓練集中利用證據距離計算這兩種檢測信息的可靠性矩陣，計算結果為 式中，{S1}～{S5}表示把交通狀態分為5種獨立的狀態，在圖3中分別用1～5的數字表示。E1和E2分別表示SCATS數據提供的證據和GPS數據提供的證據。此可靠性矩陣表示的是靜態可靠性，只與檢測器本身的特性有關，與環境變化無關。傳感器確定了，它的可靠性向量就確定了，所以，這個過程在融合之前進行，可以把可靠性矩陣W作為系統的一個參數。
(3)信度的建立首先根據平均速度特徵劃分5種交通狀態S10～10，S210～20，S320～30，S430～45，S545～60，單位是千米/小時。然後，計算它們的重心，這裡的重心認為是它們的中心，即S15，S215，S325，S437.5，S552.5。以一個路段為討論對象，當兩種檢測器數據經過特徵提取獲得各自的平均速度特徵量後，計算與所有狀態重心的距離di＝[d1，d2，...，dN]，然後，根據下式建立每一檢測數據的基本概率分配。
mi(A)＝esp(-γidiβ)其中，參數分別設置為β＝2，γi＝20。之後，還要進行歸一化處理，使所有狀態被分配的概率之和等於1。
(4)實時融合計算現在可以用本融合模型對兩種實驗數據進行融合計算，算法參數設置為λ＝0.8，時間間隔為5分鐘，融合算法用Visual C++語言編程。
(5)最終特徵的決策對每一時刻的融合結果——交通狀態的基本概率分配，用最大信度法則進行決策判定，作為這一時刻的交通狀態輸出，同時把這個基本概率分配反饋到系統的輸入端，作為下一時刻的輸入之一參與融合處理。
實驗結果如圖3所示。通過與圖2相比較，可以看出此算法能夠在特徵級上有效地融合估計、跟蹤交通狀態。同時，採用當天下午2:00～4:00時間段內對該條路段拍攝的錄像數據，驗證了融合結果的準確性。結果顯示，對該路段2小時內每5分鐘做出一次狀態判斷，正確率達到95％以上。
權利要求
1.一種異類交通信息實時融合的方法，其特徵在於，具體包括以下步驟(1)傳感器檢測信息的特徵提取；(2)可靠性矩陣W的確定；(3)信度的建立；(4)特徵級融合模型；(5)最終特徵的決策。
2.根據權利要求1所述的異類交通信息實時融合的方法，其特徵是，所述的傳感器檢測信息的特徵提取，是指感應線圈數據通過交通波理論，轉化為路段平均速度或行程時間；GPS探測車檢測信息的特徵提取經過坐標變換、地圖匹配、建模擬合把GPS探測車數據轉化成路段平均速度，作為融合系統的輸入。
3.根據權利要求1所述的異類交通信息實時融合的方法，其特徵是，所述的可靠性矩陣W的確定，通過以下步驟實現(1)根據歷史數據確定每種傳感器的可靠性矩陣，基於判斷正確率的方法，或基於歐式距離的方法，或基於證據距離的方法；(2)可靠性矩陣W表示為 其中，wi，j∈
，(i＝1，2，...，M；j＝1，2，...，N)；Sj表示第j種獨立的待識別狀態；Ei表示第i種獨立的證據。
4.根據權利要求1所述的異類交通信息實時融合的方法，其特徵是，所述的信度的建立，通過以下步驟實現(1)確定待識別交通狀態的類別數N；(2)確定每一種傳感器特徵數據中的每一種狀態類別的重心，組成重心向量G＝[g1，g2，...，gN]，用歷史數據進行聚類計算和人工設定兩種方法；(3)以一個路段為討論對象，當檢測器i檢測到數據後，經過特徵提取獲得特徵量；(4)計算與所有重心的距離di＝[d1，d2，...，dN]；(5)根據下式，建立每一檢測數據的基本概率分配mi(A)＝esp(-γidiβ)其中，參數β和γi根據實際應用進行調整，它們決定著基本概率分配的區分度，之後，需要進行歸一化處理，使所有狀態被分配的概率之和等於1。
5.根據權利要求1所述的異類交通信息實時融合的方法，其特徵是，所述的特徵級融合模型，包括(1)M個如下的子融合系統mi(Bt)=m(Ct-1)mi(Ai,t)]]>=Ct-1Ai,t=Btg(m(Ct-1))mi(Ai,t)1-Ct-1Ai,t=g(m(Ct-1))mi(Ai,t)]]>g(m(Ct-1))=m(Ct-1)g(m)=1-Ct-1m(Ct-1)]]>其中mi(Ai，t)，i＝1，2，...，M表示在t時刻對第i個傳感器抽取的基本概率分配；m(Ct-1)表示主融合系統在時刻t-1的融合結果；λ是一個定義在0和1之間的變量，表徵m(Ct-1)被削弱的程度，稱為削弱參數，根據實際應用進行調整；(2)一個帶有反饋結構的主融合系統如下m(Ct)=m1(Bt)m2(Bt)mM(Bt)]]>=i=1MBt=Ct(i=1Mmi(Bt))1-i=1MBt=(i=1Mmi(Bt))]]>其中m(Ct)主融合系統在時刻t的融合結果，也是t時刻的最終融合結果；mi(Bt)，i＝1，2，...，M表示子系統i在t時刻的融合結果。
6.根據權利要求1所述的異類交通信息實時融合的方法，其特徵是，所述的最終特徵的決策，使用最大信度法則在每一時刻融合結束之後，對得到的基本概率分配融合結果進行決策判斷，找出概率數最大的狀態作為這一時刻的狀態融合結果，即融合系統在這一時刻的輸出。
全文摘要
本發明公開了一種交通運輸技術領域中信息處理的方法，具體是一種利用異類交通信息進行實時交通狀態融合估計的方法，包括(1)傳感器檢測信息的特徵提取；(2)可靠性矩陣W的確定；(3)信度的建立；(4)特徵級融合模型；(5)最終特徵的決策。本發明具有易於實現、可靠性高、實時性強、參數少等優點，可以為整個城市交通的控制與誘導提供實時可靠的信息資料。
文檔編號G01S1/02GK101064061SQ200710037309
公開日2007年10月31日 申請日期2007年2月8日 優先權日2007年2月8日
發明者孔慶傑, 劉允才 申請人:上海交通大學