CN101064061A - 异类交通信息实时融合方法 - Google Patents

Abstract

本发明公开了一种交通运输技术领域中信息处理的方法，具体是一种利用异类交通信息进行实时交通状态融合估计的方法，包括：(1)传感器检测信息的特征提取；(2)可靠性矩阵W的确定；(3)信度的建立；(4)特征级融合模型；(5)最终特征的决策。本发明具有易于实现、可靠性高、实时性强、参数少等优点，可以为整个城市交通的控制与诱导提供实时可靠的信息资料。

Description

异类交通信息实时融合方法

技术领域

本发明涉及一种交通运输技术领域中信息处理的方法，具体是一种异类交通信息实时融合方法。

背景技术

随着智能交通技术的发展，城市交通流的动态估计受到了越发广泛的关注。而交通状态估计离不开准确可靠的交通信息，因此检测信息方法的精度决定了交通状态估计的准确性。城市路网交通流检测信息方法有多种，主要有磁频感应线圈检测法，GPS探测车检测法，视频检测法等。这些方法在某些方面取得了成功并具有其实用价值，但在城市路网交通状态的估计方面存在各自的局限性。感应线圈检测器可得到多种交通流参数，但是其高故障率导致检测数据大量缺失，状态表征量(平均速度、行驶时间)换算公式不准确也大大影响了估计的效果；应用GPS(全球卫星定位系统)探测车的信息检测方法，通过对移动车辆进行实时监控，动态获取时间、位置、速度等车辆定位信息，具有精度高，城市范围内分布广泛，受天气影响小等优点，但是其采样率低，地图匹配算法误差大等缺点也造成估计结果不准确；视频检测对硬件设备要求较高，受天气影响大，也无法做到对交通路网状态进行全面准确的估计。基于这种情况，有提出引入信息融合的方法来提高交通状态估计的准确性，也就是说，把用感应线圈检测器、GPS探测车检测器等多种异类检测器检测到的交通信息进行融合，借助多种检测器之间的互补信息对交通状态进行更准确全面的估计。

经对现有技术文献的检索发现，R.L.Cheu等人于2001年在《IEEE IntelligentTransportation Systems Conference Proceedings》(IEEE智能运输系统会议案卷)上发表的论文“An arterial speed estimation model fusing data from stationary and mobilesensors”，(用于融合静态和动态传感器数据的一个主干道速度估计模型)论文中用基于神经网络的模型实现了检测环数据和GPS探测车数据的融合，并通过仿真平台用仿真数据验证了模型的效果，然而，神经网络需要大量的数据真值进行训练，这在实际应用中是很难实现的；K.Choi等人于2002年在Intelligent TransportationSystems(智能运输系统)上发表的论文“A data fusion algorithm for estimating linktravel time”，(路段行驶时间估计的数据融合算法)其中，提出了基于模糊理论的算法来融合这两种数据，得到了比较好的效果，但是该算法具有很高的复杂性，而且可移植性差很难适应交通信息的实时融合环境；E.Faouzi等人在他们2006年发表在《Multisensor，Multisource Information Fusion：Architecture，Algorithm，Application，Processing of SPIE》(SPIE会议——多传感器，多源信息融合：架构，算法和应用)上的论文“Classifiers and distance-based evidential fusion for road travel timeestimation”(用于估计路段行驶时间的基于分类器和基于距离的证据融合)中提出了一种基于证据理论的分类器融合方法，为交通状态估计提供了一条新的思路，然而，上述方法由于很难实现实时融合估计，需要大量先验数据、可移植性差等问题，所以大大限制了其工程应用。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种异类交通信息实时融合方法，使其针对交通工程的实际需要，在特征级上进行实时的交通状态融合估计，最终为整个城市交通的控制和诱导提供实时、全面、准确的检测信息资料。

本发明是通过以下技术方案实现的，本发明具体包括以下步骤：

(1)传感器检测信息的特征提取；

(2)可靠性矩阵W的确定；

(3)信度的建立；

(4)特征级融合模型；

(5)最终特征的决策。

所述的传感器检测信息的特征提取，是指：感应线圈数据通过交通波理论，转化为路段平均速度或行程时间；GPS探测车检测信息的特征提取经过坐标变换、地图匹配、建模拟合把GPS探测车数据转化成路段平均速度，目的是获得与交通状态成单调对应关系的特征量，作为融合系统的输入。

对异类传感器信息进行特征提取可以根据不同种类传感器的具体特点，采用适合此类传感器的任何提取方法，例如：感应线圈数据可以转化为路段平均速度或行程时间。

所述的可靠性矩阵W的确定，通过以下步骤实现：

(1)根据历史数据确定每种传感器的可靠性矩阵：即基于判断正确率的方法，或基于欧式距离的方法，或基于证据距离的方法；

(2)可靠性矩阵W表示为：

其中，w_i，j∈[0，1]，(i＝1，2，...，M；j＝1，2，...，N)；S_j表示第j种独立的待识别状态；E_i表示第i种独立的证据。

由于不同的传感器对于不同交通状态的检测有着不同的可靠性，因此，在融合过程开始之前，应首先根据历史数据确定每种传感器的可靠性矩阵。

所述的信度的建立，通过以下步骤实现：

(1)确定待识别交通状态的类别数N；

(2)确定每一种传感器特征数据中的每一种状态类别的重心，组成重心向量G＝[g₁，g₂，...，g_N]，可以用历史数据进行聚类计算和人工设定两种方法；

(3)以一个路段为讨论对象，当检测器i检测到数据后，经过特征提取获得特征量；

(4)计算与所有重心的距离d_i＝[d₁，d₂，...，d_N]；

(5)根据下式，建立每一检测数据的基本概率分配：

                    m_i(A)＝esp(-γ_id_i ^β)

其中，参数β和γ_i根据实际应用进行调整，它们决定着基本概率分配的区分度，之后，需要进行归一化处理，使所有状态被分配的概率之和等于1。

所述的特征级融合模型包括：

(1)M个如下的子融合系统：

$m_i\left(B_t\right)=m\left(C_{t-1}\right)\⊕m_i\left(A_{i,t}\right)$

$=\frac{{\mathrm{\Σ}}_{C_{t-1}\∩A_{i,t}=B_t}g\left(m\left(C_{t-1}\right)\right)\×m_i\left(A_{i,t}\right)}{1-{\mathrm{\Σ}}_{C_{t-1}\∩A_{i,t}=\mathrm{\Φ}}g\left(m\left(C_{t-1}\right)\right)\×m_i\left(A_{i,t}\right)}$

$\left\{\begin{array}{c}g\left(m\left(C_{t-1}\right)\right)=\mathrm{\λm}\left(C_{t-1}\right)\\ g\left(m\left(\mathrm{\Ω}\right)\right)=1-{\mathrm{\Σ}}_{C_{t-1}\⋐\mathrm{\Ω}}\mathrm{\λm}\left(C_{t-1}\right)\end{array}\right.$

其中：m_i(A_i，t)，i＝1，2，...，M表示在t时刻对第i个传感器抽取的基本概率分配；m(C_t-1)表示主融合系统在时刻t-1的融合结果；λ是一个定义在0和1之间的变量，表征m(C_t-1)被削弱的程度，称为削弱参数，根据实际应用进行调整；

(2)一个带有反馈结构的主融合系统如下：

$m\left(C_t\right)=m_1\left(B_1\right)\⊕m_2\left(B_t\right)\⊕\·\·\·\⊕m_M\left(B_t\right)$

$=\frac{{\mathrm{\Σ}}_{\underset{i=1}{\overset{M}{\∩}}{B}_t=C_t}\left(\underset{i=1}{\overset{M}{\mathrm{\Π}}}{m}_i\left(B_t\right)\right)}{1-{\mathrm{\Σ}}_{\underset{i=1}{\overset{M}{\∩}}{B}_t=\mathrm{\Φ}}\left(\underset{i=1}{\overset{M}{\mathrm{\Π}}}{m}_i\left(B_t\right)\right)}$

其中：m(C_t)主融合系统在时刻t的融合结果，也是t时刻的最终融合结果；m_i(B_t)，i＝1，2，...，M表示子系统i在t时刻的融合结果。

这种带有反馈的融合结构可以有效克服难以正确处理冲突证据的缺点，使其更加适合实时的融合环境。

所述的最终特征的决策，使用最大信度法则：在每一时刻融合结束之后，对得到的基本概率分配融合结果进行决策判断，找出概率数最大的状态作为这一时刻的状态融合结果，即融合系统在这一时刻的输出。

本发明与现有技术相比的显著效果在于：不需要大量的先验交通数据信息和交通状态真值信息，可以实时融合异类检测源信息，有效克服交通检测信息不完备、不准确、噪音污染严重、受具体检测器特性影响等缺点，为整个城市的交通控制和诱导系统提供更加实时、全面、准确的交通信息状态估计，而且还具有算法参数少，计算时间短等优点。在用真实交通检测数据进行的连续2小时的估计效果验证试验中，该方法的准确率达到了95％以上，而且，对整个上海市内环路网每5分钟的数据融合估计处理的时间小于10秒钟，完全能够满足实时融合报告交通状态信息的要求。

本发明针对交通工程的实际需要，在特征级上进行实时的交通状态融合估计，具有运算简便、可靠性高、实用性强等优点，特别是能够实现异类交通检测器信息(感应线圈数据，探测车数据，视频检测数据等)的实时在线融合，这是以往技术方法都难以克服的难点，也是阻挠它们实现真正工程应用的主要障碍。本发明使用先进的智能方法，实现异类交通信息的有机融合，最终为整个城市交通的控制和诱导提供实时、全面、准确的检测信息资料。

附图说明

图1本发明方法步骤方框示意图

图2本实施例的交通检测数据曲线图

图中为上海市徐汇区某路段一天内的SCATS和GPS数据，实线表示SCATS数据，虚线表示GPS数据。

图3本实施例对数据进行实时融合估计的实验结果图

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和过程，但本发明的保护范围不限于下述的实施例。

为了更好地理解本实施例提出的方法，选取上海市徐汇区某路段进行交通状态融合分析实例，可以应用于不同城市不同路网、路段。本实施例要求提供一天内该路段SCATS感应线圈检测器的检测数据，包括交通流量、线圈空闲时间等信息；还有GPS探测车检测器的检测数据，包括坐标、车速、车头方向、状态、时间等信息；还有GIS-T数字地图信息。

如图1所示，本实施例具体实施步骤如下：

(1)对SCATS数据和GPS数据进行特征提取

一方面，利用宏观交通波理论建模，把感应线圈检测器数据转换为路段平均速度作为融合系统的输入，其中路段平均速度满足与交通状态是单调对应的；另一方面，经过坐标变换、地图匹配、建模拟合三个步骤把GPS探测车数据转化成路段平均速度，作为融合系统的输入，这里路段平均速度满足与交通状态是单调对应的。

(2)可靠性矩阵W的确定

在真实数据训练集中利用证据距离计算这两种检测信息的可靠性矩阵，计算结果为：

式中，{S₁}～{S₅}表示把交通状态分为5种独立的状态，在图3中分别用1～5的数字表示。E₁和E₂分别表示SCATS数据提供的证据和GPS数据提供的证据。此可靠性矩阵表示的是静态可靠性，只与检测器本身的特性有关，与环境变化无关。传感器确定了，它的可靠性向量就确定了，所以，这个过程在融合之前进行，可以把可靠性矩阵W作为系统的一个参数。

(3)信度的建立

首先根据平均速度特征划分5种交通状态S₁：0～10，S₂：10～20，S₃：20～30，S₄：30～45，S₅：45～60，单位是千米/小时。然后，计算它们的重心，这里的重心认为是它们的中心，即S₁：5，S₂：15，S₃：25，S₄：37.5，S₅：52.5。以一个路段为讨论对象，当两种检测器数据经过特征提取获得各自的平均速度特征量后，计算与所有状态重心的距离d_i＝[d₁，d₂，...，d_N]，然后，根据下式建立每一检测数据的基本概率分配。

                       m_i(A)＝esp(-γ_id_i ^β)

其中，参数分别设置为：β＝2，γ_i＝20。之后，还要进行归一化处理，使所有状态被分配的概率之和等于1。

(4)实时融合计算

现在可以用本融合模型对两种实验数据进行融合计算，算法参数设置为：λ＝0.8，时间间隔为5分钟，融合算法用Visual C++语言编程。

(5)最终特征的决策

对每一时刻的融合结果——交通状态的基本概率分配，用最大信度法则进行决策判定，作为这一时刻的交通状态输出，同时把这个基本概率分配反馈到系统的输入端，作为下一时刻的输入之一参与融合处理。

实验结果如图3所示。通过与图2相比较，可以看出此算法能够在特征级上有效地融合估计、跟踪交通状态。同时，采用当天下午2:00～4:00时间段内对该条路段拍摄的录像数据，验证了融合结果的准确性。结果显示，对该路段2小时内每5分钟做出一次状态判断，正确率达到95％以上。

Claims (6)

1、一种异类交通信息实时融合的方法，其特征在于，具体包括以下步骤：

(1)传感器检测信息的特征提取；

(2)可靠性矩阵W的确定；

(3)信度的建立；

(4)特征级融合模型；

(5)最终特征的决策。

2、根据权利要求1所述的异类交通信息实时融合的方法，其特征是，所述的传感器检测信息的特征提取，是指：感应线圈数据通过交通波理论，转化为路段平均速度或行程时间；GPS探测车检测信息的特征提取经过坐标变换、地图匹配、建模拟合把GPS探测车数据转化成路段平均速度，作为融合系统的输入。

3、根据权利要求1所述的异类交通信息实时融合的方法，其特征是，所述的可靠性矩阵W的确定，通过以下步骤实现：

(1)根据历史数据确定每种传感器的可靠性矩阵，基于判断正确率的方法，或基于欧式距离的方法，或基于证据距离的方法；

(2)可靠性矩阵W表示为：

其中，w_i，j∈[0，1]，(i＝1，2，...，M；j＝1，2，...，N)；S_j表示第j种独立的待识别状态；E_i表示第i种独立的证据。

4、根据权利要求1所述的异类交通信息实时融合的方法，其特征是，所述的信度的建立，通过以下步骤实现：

(1)确定待识别交通状态的类别数N；

(2)确定每一种传感器特征数据中的每一种状态类别的重心，组成重心向量G＝[g₁，g₂，...，g_N]，用历史数据进行聚类计算和人工设定两种方法；

(3)以一个路段为讨论对象，当检测器i检测到数据后，经过特征提取获得特征量；

(4)计算与所有重心的距离d_i＝[d₁，d₂，...，d_N]；

(5)根据下式，建立每一检测数据的基本概率分配：

                        m_i(A)＝esp(-γ_id_i ^β)

其中，参数β和γ_i根据实际应用进行调整，它们决定着基本概率分配的区分度，之后，需要进行归一化处理，使所有状态被分配的概率之和等于1。

5、根据权利要求1所述的异类交通信息实时融合的方法，其特征是，所述的特征级融合模型，包括：

(1)M个如下的子融合系统：

$m_i\left(B_t\right)=m\left(C_{t-1}\right)\⊕m_i\left(A_{i,t}\right)$

$=\frac{{\mathrm{\Σ}}_{C_{t-1}\∩A_{i,t}=B_t}g\left(m\left(C_{t-1}\right)\right)\×m_i\left(A_{i,t}\right)}{1-{\mathrm{\Σ}}_{C_{t-1}\∩A_{i,t}=\mathrm{\Φ}}g\left(m\left(C_{t-1}\right)\right)\×m_i\left(A_{i,t}\right)}$

$\left\{\begin{array}{c}g\left(m\left(C_{t-1}\right)\right)=\mathrm{\λm}\left(C_{t-1}\right)\\ g\left(m\left(\mathrm{\Ω}\right)\right)=1-{\mathrm{\Σ}}_{C_{t-1}\⋐\mathrm{\Ω}}\mathrm{\λm}\left(C_{t-1}\right)\end{array}\right.$

其中：m_i(A_i，t)，i＝1，2，...，M表示在t时刻对第i个传感器抽取的基本概率分配；m(C_t-1)表示主融合系统在时刻t-1的融合结果；λ是一个定义在0和1之间的变量，表征m(C_t-1)被削弱的程度，称为削弱参数，根据实际应用进行调整；

(2)一个带有反馈结构的主融合系统如下：

$m\left(C_t\right)=m_1\left(B_t\right)\⊕m_2\left(B_t\right)\⊕\·\·\·\⊕m_M\left(B_t\right)$

$=\frac{{\mathrm{\Σ}}_{\underset{i=1}{\overset{M}{\∩}}{B}_t=C_t}\left(\underset{i=1}{\overset{M}{\mathrm{\Π}}}{m}_i\left(B_t\right)\right)}{1-{\mathrm{\Σ}}_{\underset{i=1}{\overset{M}{\∩}}{B}_t=\mathrm{\Φ}}\left(\underset{i=1}{\overset{M}{\mathrm{\Π}}}{m}_i\left(B_t\right)\right)}$

其中：m(C_t)主融合系统在时刻t的融合结果，也是t时刻的最终融合结果；m_i(B_t)，i＝1，2，...，M表示子系统i在t时刻的融合结果。

6、根据权利要求1所述的异类交通信息实时融合的方法，其特征是，所述的最终特征的决策，使用最大信度法则：在每一时刻融合结束之后，对得到的基本概率分配融合结果进行决策判断，找出概率数最大的状态作为这一时刻的状态融合结果，即融合系统在这一时刻的输出。

Images