CN102779410B - 一种多源异类海量交通数据融合的并行实现方法 - Google Patents

Abstract

本发明涉及一种多源异类海量交通数据融合的并行实现方法，基于D-S证据融合理论，对交通系统中地感线圈（SCATS）和车载导航（GPS）采集到的交通数据进行并行融合，包括：(1)收集SCATS和GPS采集到的数据；(2)利用二维四叉树法将交通区域划分成子区域；(3)将SCATS数据利用算法级并行，粗糙转换成车辆平均速度；(4)将GPS数据利用数据级并行，转换成车辆平均速度；(5)把来源于SCATS和GPS的车辆平均速度进行证据并行融合，评估交通状态。本发明具有运行时间短、准确性高、覆盖区域大等优点，可以高效评估实时交通状态，为出行者和交通管理者提供更准确的交通信息。

Description

一种多源异类海量交通数据融合的并行实现方法

技术领域

本发明属于智能交通技术领域，尤其涉及一种多源异类海量交通数据融合的并行实现方法，具体涉及一种将地感线圈（SCATS）和车载导航（GPS）采集到的交通数据进行并行转化和融合的方法。

背景技术

交通系统是国家和社会发展的必要基础。但是现有的交通基础设施不能满足日益增长的车辆数量，这会给国家经济、人民健康、社会治安带来严重隐患。人们迫切需要一种低能耗、占地少、成本低的交通拥堵解决方案。智能交通系统（ITS）应运而生。智能交通系统是指将信息通信技术运用于交通基础设施和交通工具，缓解交通拥堵，提高交通效率和安全性，减少能耗和废气排放，增加经济效益。先进的出行者信息系统（ATIS）是智能交通系统的重要组成部分，它收集加工处理交通信息，并将结果发送给出行者和交通管理者，帮助他们规划路径，做出更合理的管理决策。ATIS的首要目标是提供实时准确的大规模城区路段网络中的交通状况评估。城市路段网络中存在大量的传感器，如地感线圈（SCATS）、车载导航（GPS）、摄像机、手机等，可收集到海量交通数据。目前交通系统中主要的两种传感器，SCATS和GPS，都存在一定的缺陷。SCATS数据转换成交通状态特征（车辆速度）的准确率低；GPS收集的数据没有统计学意义，并且由于坐标系的不同，与地图匹配的过程中经常出现错误。当各种交通传感器采集的数据量增加时，数据处理的实时性受到极大的影响。因此，如何快速融合由不同类型的传感器收集的海量交通数据，实现对交通状态的实时准确的评估，成为智能交通领域亟待解决的问题。

经文献检索发现，Cheu等人于2001年在智能交通系统大会上发表论文《Anarterial speed estimation model fusing data from stationary and mobile sensors》（《一种融合固定式和移动式传感器数据的动态速度估计模型》），提出了一个基于神经网络的融合模型，并进行了仿真试验。但是神经网络需要大量的数据真值进行训练，在实际应用中难以实现。Choi等人于2002年在《Intelligent TransportationSystem》（《智能交通系统》）上发表论文《A data fusion algorithm for estimating linktravel time》（《一种评估路段行程时间的融合算法》）采用模糊推理算法来融合路段行程时间数据，但是该算法具有很强的针对性，可移植性差。也有人提出了自动事件检测算法和先进的驾驶辅助系统，但是这些技术都不能实时处理海量交通数据。

发明内容

本发明要克服现有技术中的不足，提供一种多源异类海量交通数据融合的并行实现方法，能高效处理地感线圈（SCATS）和车载导航（GPS）收集到的交通数据，得到实时准确的交通信息，为出行者和交通管理者提供便利。

为实现上述目的，本发明首先收集SCATS和GPS采集到的交通数据，并将交通区域划分成子区域，分别采用算法级并行和数据级并行将SCATS和GPS采集的数据转换为路段平均速度，最后通过数据级并行计算将两种平均速度进行证据融合，输出评估之后的交通状态。

本发明的方法通过以下具体步骤实现：

(1)收集SCATS和GPS采集到的数据：

SCATS采集到包含数据采集时间、周期、线圈编号、线圈饱和度、时间占用率的交通数据。GPS采集到包含采集时间、车辆编号、车辆速度、车辆位置坐标、车辆行驶方向的交通数据。

(2)区域划分：将交通区域划分成子区域，将GPS采集到的数据拟合到对应的子区域的路段上。具体步骤如下：

①设定一个阈值，阈值=GPS点的数量×路段数量÷集群中的从节点数；

②根据交通区域中的计算量（GPS点的数量×路段数量），利用二维四叉树法在平面地图上将交通区域划分成子区域，如果子区域中的计算量大于阈值，则继续划分，直到子区域计算量小于阈值；

③设定一个大于交通区域中95%的路段长度的临界值A；

④将子区域的长和宽分别扩展A形成扩展之后的区域；

⑤根据计算量最大-最小配对规则，将子区域进行搭配，为每个子区域分配一个对应的集群从节点，保证各个从节点的计算量均衡；

(3)SCATS数据并行粗糙转换：

基于消息传递接口（MPI）编码程序，并行计算各个属性重要度，然后根据粗糙集理论提取交通状态评估规则。具体步骤如下：

①初始化MPI环境；

②通过MPI将整个交通区域交通特征数据集发送给各个从节点；

③每个从节点判断对应子区域的数据集是否与整个交通区域的其他数据集冲突；

④将非冲突数据集归到从节点，计算非冲突记录的条数；

⑤各个从节点将非冲突记录的条数发送到主节点，形成变量在主节点上计算得出各属性重要度，并行逻辑；

⑥主节点利用粗糙集算法根据整个交通区域历史交通数据提取评估规则；

⑦将评估规则和整个交通区域的实时数据发送至各个从节点；

⑧集群中的各从节点根据⑥中的规则评估对应子区域的实时交通数据，得出路段平均速度；

(4)GPS数据并行转换：将GPS点拟合到路段上，根据GPS数据计算出各条路段的平均速度。具体步骤如下：

①将各个子区域的GPS数据发送到集群中对应的从节点；

②在从节点上将GPS点的坐标进行转换；

③将GPS点的坐标与地图中的路段进行匹配；

④各从节点采用最小距离法，将GPS点拟合到对应子区域扩展之后的区域内离该点距离最近的一条路段上；

⑤根据GPS数据分别计算各条路段的平均速度。

(5)证据并行融合：将各个子区域SCATS数据经过并行粗糙转换之后得到的路段平均速度和GPS数据经过并行转换后得到的路段平均速度进行并行融合，得出整个交通区域的路段平均速度。具体步骤如下：

①各个从节点同时将对应子区域来源于同一条路段上的由SCATS和GPS数据转换得到的车辆平均速度利用D-S证据理论进行融合；

②将融合的结果作为整个交通区域每条路上的车辆平均速度输出，同时将结果添加到整个交通区域的交通状态特征数据库中，更新里面的数据。基于更新之后的数据提取新的评估规则，循环评估子区域SCATS收集的实时数据。

本发明针对快速准确地融合由不同类型的传感器收集的海量交通数据的需要，利用并行计算技术，实时处理海量交通信息，具有处理简单、运行时间短、精确度高、适用性强等优点。特别是不需要对数据进行删减，完整地处理所有数据，克服了以往技术方法都难以克服的难点，也消除了实现真正工程应用的主要障碍。本发明基于D-S证据融合技术和并行计算方法，实现了多源异类海量交通数据快速准确地融合，最终为高效评估实时交通状态提供了一种新的方法。

本发明的优点是：可以快速准确地转换融合多源异类海量交通数据，不需要对数据进行删减，也不需要进行模拟试验，而且适用性强，可以应用于各种交通区域。由于克服了这些现有技术在实际工程应用方面难以解决的困难，因此真正实现了实时准确评估交通状态。

附图说明

图1本发明方法流程图。

图2算法级并行逻辑示意图。

具体实施方式

以下结合附图和实施例对本发明的技术方案作进一步详细说明。以下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。

本实施例具体实施步骤如下：

(1)收集SCATS和GPS采集到的数据：

①以上海2077条路段作为数据采集区域，8:00-17:00作为数据采集时间段，SCATS和GPS每隔20秒采集到的数据作为源数据；

②SCATS采集到包含数据采集时间、周期、线圈编号、线圈饱和度、时间占用率的交通数据。GPS采集到包含采集时间、车辆编号、车辆速度、车辆位置坐标、车辆行驶方向的交通数据；

③每10min的数据作为一个处理批次。

(2)区域划分：将交通区域划分成子区域，将GPS采集到的数据拟合到对应的子区域的路段上。具体步骤如下：

①设定一个阈值，阈值=1613849×2077÷32。1613849是采样区域8:00-17:00这一时间段的历史GPS点数量。本实施例中采用曙光TC4000L，此集群中含有32个从节点。

②根据交通区域中的计算量（GPS点数量×路段数量），利用二维四叉树法在平面地图上将交通区域划分成64个子区域；

③设定一个大于交通区域中95%的路段长度的临界值A=104,104为GIS单位；

④将子区域的长和宽分别扩展A形成扩展之后的区域。

(3)SCATS数据并行粗糙转换：

基于消息传递接口（MPI）编码程序，并行计算各个属性重要度，然后根据粗糙集理论提取交通状态评估规则。具体步骤如下：

①初始化MPI环境；

②通过MPI将整个交通区域的历史交通特征数据集发送给各个从节点；

③每个从节点判断对应子区域的数据集是否与整个交通区域的其他数据集冲突；

④将非冲突数据集归到从节点，计算非冲突记录的条数；

⑤各个从节点将非冲突记录的条数发送到主节点，形成变量在主节点上计算得出各属性重要度，并行逻辑如图2所示；

⑥主节点根据交通波理论，计算整个交通区域的历史路段平均速度（算法如下），并利用粗糙集算法根据整个交通区域历史交通数据提取评估规则；

t_i=(L-i·l_v)/u₁+(i·l_v+l_c)/u₂+t_r

t_i代表第i辆车通过一条路段的时间，L代表路段长度，l_v和l_c分别代表车辆和线圈的平均长度，u₁和u₂分别代表车辆进入线圈阵列前和离开阵列的平均速度。t_r代表等候红灯的时间。

${\stackrel{\‾}{v}}_1=q\·L/\underset{i=1}{\overset{q}{\mathrm{\Σ}}}{t}_i$

代表路段平均速度，q代表流量。

⑦将评估规则和实时数据发送至各个从节点；

⑧集群中的各从节点根据⑥中的规则评估对应子区域的实时交通数据，得出车辆平均速度；

(4)GPS数据并行转换：将GPS点拟合到路段上，根据GPS数据计算出各条路段上车辆的平均速度。具体步骤如下：

①将各个子区域的GPS数据发送到集群中对应的从节点；

②在从节点上将GPS点的经纬度坐标转换成城建坐标；

③将GPS点的坐标与地图进行匹配；

④各从节点采用最小距离法，将GPS点拟合到对应子区域扩展区域离该点距离最近的一条路段上；

⑤根据GPS数据分别计算各路段的平均速度：

${\stackrel{\‾}{v}}_2=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}_i\÷n$

公式中代表某路段的平均速度，n代表计算的时间段内该路段上的GPS点的数量。

(5)证据并行融合：将各个子区域SCATS数据经过粗糙转换之后的车辆平均速度和GPS数据转换后得到的路段平均速度进行融合，得出整个交通区域的各路段平均速度。具体步骤如下：

①从节点将来源于对应子区域同一条路段上的由GPS和SCATS数据转换得到的路段平均速度进行融合，算法如下：

$m\left(C_t\right)=m_1\left(A_{1,t}\right)\⊕m_2\left(A_{2,t}\right)\·\·\·\⊕m_X\left(A_{X,t}\right)=\frac{{\mathrm{\Σ}}_{\underset{i=1}{\overset{X}{\∩}}{A}_{i,t}=C_t}\left(\underset{i=1}{\overset{X}{\mathrm{\Π}}}{m}_i\left(A_{i,t}\right)\right)}{1-{\mathrm{\Σ}}_{\underset{i=1}{\overset{X}{\∩}}{A}_{i,t}=\mathrm{\Φ}}\left(\underset{i=1}{\overset{X}{\mathrm{\Π}}}{m}_i\left(A_{i,t}\right)\right)}$

m(C_t)代表t时刻系统融合得到的结果，m_i(A_i，t)，i＝1,2,...,X代表从t时刻第i个传感器收集数据中提取到的基本概率赋值（Basic Probability Assignment，BPA）。

②以最大可信度作为决策规则，将融合的结果作为整个交通区域每条路上的路段平均速度输出，同时将结果添加到整个交通区域的交通状态特征数据库中，更新里面的数据。基于更新之后的数据提取新的评估规则，循环评估子区域SCATS收集的实时数据。

与从人工拍摄的视频中提取的交通数据相比，根据以上方法融合得到的交通数据准确率达到95%以上，每批次整个过程运行的时间为289秒，而单个节点串行计算融合则需要5045秒。

Claims (1)

1.一种多源异类海量交通数据融合的并行实现方法，其特征在于包括以下步骤：

(1)收集SCATS和GPS采集到的数据：

SCATS采集到包含数据采集时间、周期、线圈编号、线圈饱和度、时间占用率的交通数据；GPS采集到包含采集时间、车辆编号、车辆速度、车辆位置坐标、车辆行驶方向的交通数据；

(2)区域划分：将交通区域划分成子区域，将GPS采集到的数据拟合到对应的子区域的路段上，具体步骤如下：

①设定一个阈值，阈值=GPS点的数量×路段数量÷集群中的从节点数；

②根据交通区域中的计算量，即GPS点的数量×路段数量，利用二维四叉树法在平面地图上将交通区域划分成子区域，如果子区域中的计算量大于阈值，则继续划分，直到子区域计算量小于阈值；

③设定一个大于交通区域中95%的路段长度的临界值A；

④将子区域的长和宽分别扩展A形成扩展之后的区域；

⑤根据计算量最大‐最小配对规则，将子区域进行搭配，为每个子区域分配一个对应的集群从节点，保证各个从节点的计算量均衡；

(3)SCATS数据并行粗糙转换：

基于消息传递接口（MPI）编码程序，并行计算各个属性重要度，然后根据粗糙集理论提取交通状态评估规则；具体步骤如下：

①初始化MPI环境；

②通过MPI将整个交通区域交通特征数据集发送给各个从节点；

③每个从节点判断对应子区域的数据集是否与整个交通区域的其他数据集冲突；

④将非冲突数据集归到从节点，计算非冲突记录的条数；

⑤各个从节点将非冲突记录的条数发送到主节点，形成变量在主节点上计算得出各属性重要度，并行逻辑；

⑥主节点利用粗糙集算法根据整个交通区域历史交通数据提取评估规则；

⑦将评估规则和整个交通区域的实时数据发送至各个从节点；

⑧集群中的各从节点根据⑥中的规则评估对应子区域的实时交通数据，得出路段平均速度；

(4)GPS数据并行转换：将GPS点拟合到路段上，根据GPS数据计算出各条路段的平均速度，具体步骤如下：

①将各个子区域的GPS数据发送到集群中对应的从节点；

②在从节点上将GPS点的坐标进行转换；

③将GPS点的坐标与地图中的路段进行匹配；

④各从节点采用最小距离法，将GPS点拟合到对应子区域扩展之后的区域内离该点距离最近的一条路段上；

⑤根据GPS数据分别计算各条路段的平均速度；

(5)证据并行融合：将各个子区域SCATS数据经过并行粗糙转换之后得到的路段平均速度和GPS数据经过并行转换后得到的路段平均速度进行并行融合，得出整个交通区域的路段平均速度，具体步骤如下：

①各个从节点同时将对应子区域来源于同一条路段上的由SCATS和GPS数据转换得到的车辆平均速度利用D‐S证据理论进行融合；

②将融合的结果作为整个交通区域每条路上的车辆平均速度输出，同时将结果添加到整个交通区域的交通状态特征数据库中，更新里面的数据；基于更新之后的数据提取新的评估规则，循环评估子区域SCATS收集的实时数据。