CN103093625A - 一种基于可信度验证的城市道路交通状态实时估计方法 - Google Patents

Abstract

一种基于可信度验证的城市道路交通状态实时估计方法，包括：（1）在融合模型参数训练中，对通过不同采集方式得到的历史交通数据分别估计道路交通状态，与真实道路交通状态统计成各数据源的交通状态信息表，并计算各源交通状态与真实道路交通状态的状态概率分布表；（2）在多源交通数据融合中，对训练好的各数据源的状态概率分布表通过计算融合成验证表。（3）将实时的多源交通数据分别估计成交通状态，根据最大似然法则及公式，从融合成的验证表中得出验证结果；计算实时验证结果的可信度，用可信度进行互为验证，获得最终的实时交通状态的估计结果。本发明可提高城市道路交通状态实时估计系统的准确性和鲁棒性。

Description

一种基于可信度验证的城市道路交通状态实时估计方法

技术领域

本发明涉及的是一种基于可信度验证的城市道路交通状态实时估计方法，属于智能交通研究领域。

背景技术

智能交通系统正日益成为提高运输效率、改善交通拥堵、减少空气污染的重要途径，交通状态实时估计是其中一项重要的技术。该技术通过对交通数据的有效处理和分析，实现对交通状态的实时估计，主要应用于交通疏导验证和出行路线规划。

其中，数据采集是提高交通状态估计方法准确率的重要保证，但是传统交通状态估计系统常使用单一类型的采集技术来采集数据，不仅采集得到的交通信息数据类别较少，而且各采集器存在各自固有的缺陷，例如感应线圈的主要问题是高故障率和不准确的交通状态计算方法，而GPS探测车的缺陷是低采样率和地图匹配误差大，导致准确度较低。每种采集技术也有其自身优势，可适用于不同应用要求的场合。将通过多种采集技术得到的数据进行互补融合，可以提高交通状态估计的准确性和鲁棒性。例如：基于GPS定位的采集技术相对于其他采集技术，它的优势是能够方便、实时、准确地得到车辆的位置和速度等信息；它的不足在于：对车辆的形状信息无能为力、车辆必须安装相应的GPS车载设备、GPS卫星信号受楼群等建筑物的影响导致定位精度降低等，而这些不足之处却分别是视频检测、感应线圈检测和基于蜂窝网络的采集技术的优势。

已有一些研究者在基于多源交通数据融合的交通状态估计方面进行了研究，以下是现有的用多源交通数据融合来估计交通状态的方法。公开号为CN101064061的中国专利公开了一种异类交通信息实时融合方法：通过对多个传感器检测到的信息进行特征提取，在特征级上进行实时的交通状态融合估计，步骤包括局部融合和全局融合，最后得出融合结果。公开号为CN101937616的中国专利公开了一种实时交通流数据融合方法：用多个实时交通流数据计算相应的路况状态和运行速度，并确定每一种实时交通流数据的信任度，根据信任度最高的路况状态的信任度与信任度次高的路况状态的信任度的差值和预设阈值的比较，计算得出道路当前运行速度，从而判断当前路况状态。

发明内容

为了克服现有的城市道路交通状态检测方法的准确性较差、鲁棒性较差的不足，本发明利用不同交通数据采集技术的互补作用，充分发挥各种采集方式的优势，提供一种可信度验证的融合估计方法，提高城市道路交通状态实时估计系统的准确性和鲁棒性。

为了解决上述技术问题提供的技术方案为：

一种基于可信度验证的城市道路交通状态实时估计方法，所述估计方法包括以下步骤：

(1)融合模型参数训练：

把估计得到的各源历史交通状态与相应的真实道路交通状态统计成各源交通状态信息表，将各源历史交通状态与相应的真实道路交通状态信息通过基本概率计算公式得到各数据源的状态概率分布表，基本概率计算公式定义为

m(C_k)_x,y=P(B_x|A_y)

式中：x,y为交通道路状态；k为数据源的编号；C_k表示不同的数据源；B_x是某数据源历史的真实交通道路状态为x的信息；A_y是某数据源历史交通状态为y的信息；

(2)多源交通数据融合：

对通过上一步训练好的各数据源的状态概率分布表用下述算法融合成验证表，具体如下：

设Ω={ω₁,ω₂,...,ω_N}是一个识别框架，Ω的幂集为基本概率分配函数定义为2^Ω→[0,1]的映射，并且满足

其中，当A为空集时,

多个源的验证结果用下式进行结合：

式中：m_x(A),m_y(B)为基本概率。

当

时，m(C)=0；

(3)可信度验证的实时交通状态估计：

先将实时的多源交通数据估计成交通状态，然后根据最大似然法则，即从融合得到的验证表这个模型中，利用下面公式得到概率最大的交通状态作为验证结果，该公式定义为:

$z=\arg \max \left(m{\left(C\right)}_{g_1,g_2...g_n}\right)$

式中：g₁,g₂...g_n为n个数据源估计得到的实时交通状态；

是以n个数据源的交通状态为g₁,g₂...g_n时融合后的各状态概率；Z是以n个数据源的交通状态为g₁,g₂...g_n时融合后最大概率所对应的交通状态值，作为验证结果。

通过可信度公式计算得到该实时验证结果的可信度，利用可信度对其进行验证：若可信度高于预设阈值，通常预设阈值可以为0.4，则用验证结果作为最终实时交通状态估计结果；否则进行人工干预；可信度公式定义为：

$S=\frac{m{\left(C_1\right)}_{Z,y_1}+m{\left(C_2\right)}_{Z,y_2}+...+m{\left(C_k\right)}_{Z,y_k}}{k}$

式中：Z为多源实时数据的验证结果；k为数据源的编号；C_k表示不同的数据源,；y_k为根据数据源C_k的实时数据估计出的交通状态；

为数据源C_k的数据估计出交通状态为y_k且对应真实道路交通状态为Z的基本概率；S为可信度。

本发明的技术构思为：所提方法包括融合模型参数训练，多源交通数据融合和可信度验证的实时交通状态估计三个部分。在融合模型参数训练中，对通过不同采集方式（如微波、地感线圈、浮动车GPS等）得到的历史交通数据分别估计道路交通状态，与真实道路交通状态（可通过视频等方式观察）统计成各数据源的交通状态信息表，并计算各源交通状态与真实道路交通状态的状态概率分布表。在多源交通数据融合中，对训练好的各数据源的状态概率分布表通过计算融合成验证表。在可信度验证的实时交通状态估计中，将实时的多源交通数据分别估计成交通状态，根据最大似然法则及公式，从融合成的验证表中得出验证结果；计算实时验证结果的可信度，用可信度进行验证，获得最终实时交通状态的估计结果。

本发明的有益效果为：解决了采集到交通信息数据类别少的问题，减少了各传感器固有缺陷的影响，有效地结合了各采集技术的优点，并引入可信度对融合后的结果进行进一步的验证，能显著地提高城市道路交通状态实时估计的准确性和鲁棒性。

附图说明

图1是融合模型参数训练流程图。

图2是多源交通数据融合流程图。

图3是可信度验证的实时交通状态估计流程图。

具体实施方式

以下结合附图和实例对本发明的方法作进一步详细说明。以下实例在以本发明方法为前提下进行实施，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例。

为了更好地理解本实施例提出的方法，本实例的交通数据采集方式选取为浮动车和微波检测，通过人工标注视频来获得真实道路交通状态。因为本发明是基于状态级的验证融合，所以本实例中的交通状态用1表示通畅，2表示一股，3表示拥堵。

参照图1~图3，一种基于可信度验证的城市道路交通状态实时估计方法，所述估计方法包括以下步骤：

(1)融合模型参数训练：

首先，对浮动车和微波这两种采集方式得到的历史交通数据分别估计道路交通状态。然后，将估计得到的浮动车和微波交通状态与相应的真实道路交通状态统计成交通状态信息统计表，再采用基本概率计算公式，计算得到浮动车和微波的状态概率分布表。基本概率公式定义为m(C_k)_x,y=P(B_x|A_y)。其中，x，y为浮动车或微波估计的交通状态；k为数据源的编号；C_k表示不同的数据源；A_y是浮动车或微波的历史交通状态为y的状态信息；B_x是浮动车或微波的历史的真实道路交通状态为x的状态信息。如：m(C₁)_1,2=P(B₁|A₂)为浮动车状态为2(一般)，真实的交通道路状态为1的概率。

己知：浮动车状态分别为1(A1)、2(A2)、3(A3)时，所对应的真实的交通道路状态信息1(B1)、2(B2)、3(B3)统计数，如表1。

N(Bx|Ay)

B1

B2

B3

A1	70	20	10
				A2	30	50	20
A3	10	10	80

表1

可知，当浮动车状态为1(A1)，真实的交通道路状态信息为1(B1)有70(A1,B1)条，总数为100(70+20+10)条，则70/100=0.7为所求情况的基本概率。

即：

m(C₁)_1,1=N(B₁|A₁)/(N(B₁|A₁)+N(B₂|A₁)+N(B₃|A₁))

m(C₁)_1,2=N(B₁|A₂)/(N(B₁|A₂)+N(B₂|A₂)+N(B₃|A₂))

m(C₁)_3,2=N(B₃|A₂)/(N(B₁|A₂)+N(B₂|A₂)+N(B₃|A₂))

......

即可计算得到浮动车数据状态概率分布表，计算结果如表2。

m(C1)x,y	1	2	3
				1	0.7	0.2	0.1
2	0.3	0.5	0.2
				3	0.1	0.1	0.8

表2

同理，由微波数据能得到一张微波数据状态概率分布表，结果如表3。

m(C2)x,y	1	2	3
				1	0.6	0.2	0.2
2	0.3	0.6	0.1
				3	0.1	0.2	0.7

表3

（2）多源交通数据融合：

将上一步训练好的浮动车和微波状态概率分布表通过下述算法融合成验证表，结果如表4。

表4

设Ω={ω₁,ω₂,...,ω_N}是一个识别框架，Ω的幂集为

基本概率分配函数定义为2^Ω→[0,1]的映射，并且满足

其中，当A为空集时,

多个源的验证结果可以用下式进行结合：

其中：

m_x(A),m_y(B)为基本概率分配来源于实际数据。

当

时，m(C)=0；

（3）可信度验证的实时交通状态估计：

把实时的浮动车和微波交通数据分别估计成交通状态，根据最大似然法则，即从融合得到的验证表这个模型中，如表4，利用公式

从表中选取概率最大的交通状态作为验证结果。例如：当浮动车和微波的实时状态全为1时，即g₁=1，g₂=1，以此交通状态融合后是1（通畅）状态的概率有87.5%，是2（一般）状态的概率有8.3%，是3（拥堵）状态的概率有4.2%。其中最大的概率为87.5%，对应的交通状态为1（通畅），以此作为验证结果。

通过可信度公式计算得到该实时验证结果的可信度，利用可信度进行验证。例如：由上步得，当浮动车和微波的实时状态全为1时，验证结果为1。本例只有两个数据源，则k=2。查浮动车和微波数据状态概率分布表，得当浮动车数据估计出交通状态为1且对应真实道路交通状态为1的基本概率是0.7，即m(C₁)_1,1=0.7；当微波数据估计出交通状态为1且对应真实道路交通状态为1的基本概率是0.6，即m(C₂)_1,1=0.6。代入可信度公式S=(m(C₁)_1,1+m(C₂)_1,1)/2计算得可信度S为0.65，大于0.4，即该可信度够高，则该验证结果1可作为最终实时交通状态的估计结果。用可信度对验证结果进一步验证，可提高估计的准确率，且整个估计过程只需100毫秒，所以用本方法来进行城市道路交通状态估计准确率高、实时性强。

Claims (1)

1.一种基于可信度验证的城市道路交通状态实时估计方法，其特征在于：所述估计方法包括以下步骤：

(1)融合模型参数训练：

把估计得到的各源历史交通状态与相应的真实道路交通状态统计成各源交通状态信息表，将各源历史交通状态与相应的真实道路交通状态信息通过基本概率计算公式得到各数据源的状态概率分布表，基本概率计算公式定义为

m(C_k)_x,y=P(B_x|A_y)

式中：x,y为交通道路状态；k为数据源的编号；C_k表示不同的数据源；B_x是某数据源历史的真实交通道路状态为x的信息；A_y是某数据源历史交通状态为y的信息；

(2)多源交通数据融合：

对通过上一步训练好的各数据源的状态概率分布表用下述算法融合成验证表，具体如下：

设Ω={ω₁,ω₂,...,ω_N}是一个识别框架，Ω的幂集为

基本概率分配函数定义为2^Ω→[0,1]的映射，并且满足

其中，当A为空集时,

多个源的验证结果用下式进行结合：

式中：

m_x(A),m_y(B)为基本概率。

当

时，m(C)=0；

(3)可信度验证的实时交通状态估计：

先将实时的多源交通数据估计成交通状态，然后根据最大似然法则，即从融合得到的验证表这个模型中，利用下面公式得到概率最大的交通状态作为验证结果，该公式定义为:

$z=\arg \max \left(m{\left(C\right)}_{g_1,g_2...g_n}\right)$

式中：g₁,g₂...g_n为n个数据源估计得到的实时交通状态；

是以n个数据源的交通状态为g₁,g₂...g_n时融合后的各状态概率；Z是以n个数据源的交通状态为g₁,g₂...g_n时融合后最大概率所对应的交通状态值，作为验证结果；

通过可信度公式计算得到该实时验证结果的可信度，利用可信度对其进行验证：若可信度高于预设阈值，则用验证结果作为最终实时交通状态估计结果；否则进行人工干预，可信度公式定义为：

$S=\frac{m{\left(C_1\right)}_{Z,y_1}+m{\left(C_2\right)}_{Z,y_2}+...+m{\left(C_k\right)}_{Z,y_k}}{k}$

式中：Z为多源实时数据的验证结果；k为数据源的编号；C_k表示不同的数据源,；y_k为根据数据源C_k的实时数据估计出的交通状态；

为数据源C_k的数据估计出交通状态为y_k且对应真实道路交通状态为Z的基本概率；S为可信度。

Images