CN107886192B - 基于固定式与移动式车辆检测数据的数据与信息融合方法 - Google Patents

Abstract

本发明公开了一种基于固定式与移动式车辆检测数据的数据与信息融合方法，包括将交通运输系统系统分解成若干个输入与输出子系统，获取各个子系统的多源检测器数据；使用历史交通数据集对所获取的数据进行校准；建立组合优化模型；据组合优化模型寻求上下游固定检测数据的最可能的匹配，将被标定的固定检测数据直接逐一匹配；利用基于人工智能的启发式禁忌搜索算法，对未被标定的固定检测数据进行逐一匹配。本发明的有益效果在于，匹配精度明显优于基于单一数据源的匹配精度，数值实验表明精度提高15％‑20％。同时，能够更好的描述个体出行状况(如通行时间)，实验表明该方法得到的个体通行时间均方根差和基于平均通行时间的估算结果相比提高15％‑21％。

Description

基于固定式与移动式车辆检测数据的数据与信息融合方法

技术领域

本发明涉及交通工程领域，特别是一种基于固定式与移动式车辆检测数据的数据与信息融合方法。

背景技术

对车辆交通信息的获取，主要依靠固定式检测器和移动式检测器来获取。固定式检测器虽然能够较为全面地检测车辆信息，但只能定点记录，覆盖范围小，所获得的数据离散且存在一定程度的误差(如某些车辆通过检测器但未能检测到)；移动式检测器能够连续记录车辆较为详细的信息，但只针对配备该设备的车辆，不能体现整体路段的交通情况，并且相关数据可能涉及用户隐私。这两类车辆检测器数据各自存在一定不足。

传统的交通信息处理往往只针对单一的数据源，一般为固定式检测器数据，采用人工神经网络算法可以对不同固定式传感器的数据进行融合来提高交通参数的检测效果，该种方法是从宏观的角度来预测相关交通参数，由于移动式检测器数据的缺失，对微观交通流状态参数的估计会存在较大误差。

而采用考虑固定检测数据和移动检测数据的多源信息融合的办法可以使得两类检测数据互补，提高信息提取的准确性。而目前较多的交通信息融合算法主要是卡尔曼滤波算法，基于卡尔曼滤波算法所建立的模型都是从宏观的角度，估计区间平均行程时间。卡尔曼滤波算法较为简单，但计算结果不精细，所涉及的交通信息处理方法缺乏对微观状态(如个体通行时间)的考虑。

发明内容

本发明的目的是提供一种基于固定式与移动式车辆检测数据的数据与信息融合方法，进行城市交通精细化建模，用于精确描述交通流与交通状态。主要根据各种检测器位置处的上游和下游交通数据之间进行连接来实现交通数据的匹配。将历史交通信息，如旅行时间，车道选择和混合车流等都融入到匹配算法中。根据移动检测数据验证固定检测数据，可以直接匹配一些上游和下游固定检测数据，从而可以显著提高匹配结果。通过计算对比，数据与信息融合模型的匹配精度明显优于只根据固定检测数据或移动检测数据达到的匹配精度。

实现本发明目的的技术方案如下：

基于固定式与移动式车辆检测数据的数据与信息融合方法，包括

步骤1：将交通运输系统分解成若干个输入与输出子系统，获取各个子系统的多源检测器数据；其中，固定检测数据为车辆通过检测器的时间戳与相应车道信息，移动检测数据包括时间信息，用于验证和标定固定检测数据；

步骤2：使用历史交通数据集对所获取的数据进行校准，得到每一个可能的车道选择下对应的旅行时间概率密度分布；

步骤3：建立组合优化模型；

步骤4：根据组合优化模型寻求上下游固定检测数据的最可能的匹配，检查各对固定检测数据是否被相同的移动检测数据标定，将被标定的固定检测数据直接逐一匹配；

步骤5：利用基于人工智能的启发式禁忌搜索算法，对未被标定的固定检测数据进行逐一匹配，搜索符合整体匹配概率最大化的匹配结果；

所述步骤2，校准时采用以下三项概率：

车道选择概率

即通过下游车道l的车辆也通过上游车道l′的概率，其中：大写符号表示随机变量，小写符号表示随机变量的值；

是通过下游车道l和上游车道l′的历史数据样本的数量；

是通过下游车道l的历史数据样本总数；

旅行时间概率

即上游车道l′到下游车道l的行驶时间τ的概率；其中：τ＝t-t′，t表示车辆经过下游固定检测器的时间戳，t'表示车辆经过上游固定检测器的时间戳；

表示历史数据中依次通过上游车道l′和下游的车道l车辆的旅行时间；n为历史数据量，每个历史时间记录为τ_n；h表示带宽；对于给定的一对固定检测数据，可以在行驶时间τ＝t-t′处找到相应的概率密度；

车辆汇流概率

即通过下游流向u的车辆其上游流向为u′的概率，其中：大写符号表示随机变量，小写符号表示随机变量的值；

是通过下游流向u和上游流向u′的历史数据样本的数量；

是通过下游流向u的历史数据样本总数；

所述步骤3，组合优化模型包括目标函数

优化结果要求整体匹配概率最大化；

目标函数(8.1)中，固定检测数据集和移动检测数据集之间的联合匹配概率，即

和

式(3)、(4)中，对于下游移动数据中某一车辆对应其上游固定检测数据集中的序号，定义为{M_j∈M|j＝1，2，...N_m}和{M′_k∈M′|k＝1，2，...N_m}，上游的移动检测数据量等于下游的数量N_m，对于相同的车辆，其对应上游和下游移动检测数据集中的位置可能不相同，使用不同的下标j和k来表示下游和上游移动检测数据集中的车辆的序号；p_M(m_j)和p_M′(m′_k)分别表示在下游和上游位置处的固定检测记录和移动检测记录之间的离散匹配概率，这两种概率根据历史数据计算；

式(3)、(4)中，

表示旅行时差的概率密度函数，其遵循正态分布；同理得到

目标函数(8.1)中，下游和上游的固定检测数据之间的匹配概率，即

其中，

式(6)中，随机变量{S_i∈S|i＝1，2，...N_s}表示下游固定检测数据集中的第i车在上游固定检测数据集中的序号，其中：N_s表示下游固定检测数据集的总数；p_S(s_i)表示下游固定检测数据(l_i，t_i)和上游固定检测数据

这两个数据间的匹配概率；

所述组合优化模型，还包括：建立约束，对于两个匹配的移动检测记录，确保其在移动检测数据集和固定检测数据集中的相对序列是一致的，即

和

所述组合优化模型，还包括：建立约束，确保上游固定检测数据和下游固定检测数据之间的匹配仅针对未被移动检测数据标记的记录进行，即

所述组合优化模型，还包括：在不考虑先进先出的情况时，建立约束，确保固定检测数据之间的一对一匹配，即

所述步骤5，包括

步骤5a：基于上游和下游位置的固定位置记录的索引，给定初始匹配方案；

步骤5c：计算当前方案下一组上游与下游的固定检测数据的匹配概率，将匹配概率按照升序排序；

步骤5d：对于匹配概率最低的一对组合，搜索与之相邻的匹配概率低于50％的另一对组合，交换这两对组合匹配结果的序号，生成新的匹配方案，并计算交换组合后的整体匹配概率；

步骤5e：依据对应的匹配概率判断交换匹配结果索引后的匹配方案是否当前最优，若是，则进入步骤5f，若否，则进入步骤5i；步骤5f：检验该方案是否满足禁忌限制，若是，则进入步骤5g，若否，则进入步骤5h；所述禁忌限制为，如果固定位置记录已经在先前N次迭代中的任何一个被交换，那么该记录在后续迭代就不能再进行交换；步骤5g：检验该方案是否满足特赦准则，若是，则进入步骤5h，若否，则进入步骤5i；所述特赦准则为，当一个被禁忌限制的匹配方案能够提高整体匹配概率超过1％时，禁忌限制可以被推翻；

步骤5h：该交换组合后的匹配方案为当前容许的最优匹配方案；

步骤5i：检验是否存在其他的匹配方案，若是，则返回步骤5e，若否，则进入步骤5j；步骤5j：判断是否满足禁忌搜索停止标准，若是，则找到最优匹配方案，停止搜索，若否，则返回步骤5c。

进一步地，所述组合优化模型中，在不考虑先进先出的情况时，建立约束，确保固定检测数据之间的一对一匹配，替换为：考虑先进先出的情况，建立约束，禁止具有相同车道选择/移动方向的车辆超车，在相同的上游车道和相同的下游车道上的两辆车，它们在上游固定检测数据集和下游固定检测数据集中的相对序号需要一致，即

所述步骤5a和步骤5c之间还包括步骤5b：检验是否满足先进先出条件，若否，则交换一对非先进先出记录的索引直到满足先进先出条件。

上述方法中，所述禁忌限制中，N次迭代的次数为3。

本发明的有益效果在于：

本发明是一种将数据信息集成进而估算交通状态的方法，

(1)该方法将固定检测数据与移动检测数据进行集成，并将上游的车辆记录与下游检测器位置处收集的记录进行匹配，从而更精确地描述交通流。

(2)为了使该概率模型更加现实，考虑并利用历史交通信息校准交通流，如车道选择决策，混合车流和旅行时间信息，集成到模型中。用组合优化模型描述该问题，并使用人工智能启发式方法进行求解。

(3)该发明可直接应用于个体路径通行时间测算，还能够用于其它的精细化交通模型与应用，如估算排队长度，车辆轨迹重建，估算车辆尾气排放与油耗等。

运用本发明方法对上下游车辆信息进行配对，匹配精度明显优于基于单一数据源的匹配精度，数值实验表明精度提高15％-20％。同时，该方法能够更好的描述个体出行状况(如通行时间)，实验表明该方法得到的个体通行时间均方根差和基于平均通行时间的估算结果相比提高15％-21％。

附图说明

图1为本发明方法的流程图。

图2为本发明方法中步骤5的流程图。

图3为交叉路口子系统示意图。将大型开放的交通系统分解成子系统来研究，图3(A)中子系统描述交通流驶入交叉口，图3(B)中子系统描述交通流驶出交叉口。用方框表示固定交通检测器的位置。每当车辆通过一个车道上的固定检测器时，记录相应的时间和车道信息。移动检测数据主要记录相同车辆的GPS轨迹或出发时间

图4利用开源NGSIM数据进行试验，考虑理想场景下车辆的匹配。比较有无先进先出(禁止超车)限制的两种匹配情况。图4(A)表示限制超车一个较短长度通道，与没有先进先出约束的解决方案相比，具有先进先出约束的解决方案产生更好的匹配精度，约为2-5％。这是因为子系统不够长，不能频繁超车。图4(B)中表示限制超车的一个相对较长的通道，曲线表明，对于这个较长的段，没有先进先出约束的解决方案优于具有先进先出限制的解决方案。

图5为各个子系统上下游的匹配结果图。图5(A)，(C)和(E)表示输出子系统的匹配结果，图5(B)，(D)和(F)表示输入子系统的匹配结果。其中各个子系统的初始匹配结果与使用禁忌搜索所得出的匹配结果做比较。输出子系统的初始匹配结果通常在90％左右，这主要是因为交通量排放过程受交叉路口的交通信号管制，尽管在输出子系统中初始匹配解决方案较优，但使用禁忌搜索解决方案比初始匹配解决方案更精确。而在进入的子系统中，可以观察到使用禁忌搜索算法获得的解决方案比初始匹配方法显着更好(提高约15％-20％)。

具体实施方式

本发明的方法主流程如图1所示。

本发明提出的建模方法是找到上游和下游固定检测数据之间的“最可能”的匹配结果。为了使模型更真实，在获取路段多源检测数据后，使用历史交通数据集校准。

车道选择概率用等式(1)来表示，其表示为下游车道l的车辆，其上游车道为l′的概率，其中大写符号来表示随机变量，小写符号表示随机变量的值；

其中：

是通过下游通道l和上游通道l′的历史数据样本的数量；

是通过下游通道l的历史数据样本总数。

同样的，旅行时间信息也运用概率模型来解释，等式(2)表示上游车道l′到下游车道或车道组l的行驶时间τ(τ＝t-t′)的概率，其中：

表示对于在上游通过车道l′和下游的车道l的车辆的历史旅行时间(假设n个历史记录，每个记录为τ_n)；h表示带宽。

对于给定的一对固定检测数据，可以在行驶时间τ＝t-t′处找到相应的概率密度。

车辆汇流概率

即通过下游流向u的车辆其上游流向为u′的概率，其中：大写符号表示随机变量，小写符号表示随机变量的值；

是通过下游流向u和上游流向u′的历史数据样本的数量；

是通过下游流向u的历史数据样本总数。

建立的组合优化模型需要考虑固定检测数据集和移动检测数据集之间的匹配、上游与下游固定监测数据的匹配以及车辆先进先出约束。

固定检测数据集和移动检测数据集之间的联合匹配概率可以表示为方程(3)和方程(4)。

对于下游移动数据中某一车辆对应其上游固定检测数据集中的序号，将其定义为{M_j∈M|j＝1，2，...N_m}和{M′_k∈M′|k＝1，2，...N_m}。上游的移动检测数据量等于下游的数量N_m，对于相同的车辆，其对应上游和下游移动检测数据集中的位置可能不相同，因此使用不同的下标(即j和k)来表示下游和上游移动检测数据集中的车辆的序号。

p_M(m_j)和p_M′(m′_k)分别表示在下游和上游位置处的固定检测记录和移动检测记录之间的离散匹配概率。这两种概率可以根据历史数据计算。

假设移动检测数据和固定检测数据之间的独立匹配，等式(5)则表示旅行时差的概率密度函数(例如GPS误差)，其遵循正态分布。

其中：

表示第j个移动传感记录通过下游位置的时间；

表示下游固定检测数据集中的第m_j个记录的时间。

对于j≠j′和k≠k′，必须保证m_j≠m′_j′，m′_k≠m′_k′，以此确保每个移动检测数据仅匹配一次到固定检测数据。

对于下游和上游的固定检测数据之间的匹配概率，可以利用方程式(6)和(7)来描述：

在方程式(6)中：

随机变量{S_i∈S|i＝1，2，...N_s}来表示下游固定检测数据集中的第i车在上游固定检测数据集中的序号，其中：

N_s表示下游固定检测数据集的总数；

p_S(s_i)表示下游固定检测数据(l_i，t_i)和上游固定检测数据

这两个数据间的匹配概率。

假设固定检测数据之间的独立匹配，上游固定检测数据集和下游固定检测数据集之间的联合匹配概率可以在等式(7)中表示。类似地，对于任何i≠i′，则有s_i≠s_i′来确保每个下游固定检测数据仅匹配一次到上游固定检测数据。

整体匹配问题可以表示为(8.1)-(8.5)中的组合优化模型

在此优化模型中，目标函数(8.1)表示优化结果要求整体匹配概率最大化。约束(8.2)和(8.3)确保对于两个匹配的移动检测记录，其在移动检测数据集和固定检测数据集中的相对序列是一致的。约束(8.4)确保上游固定检测数据和下游固定检测数据之间的匹配仅针对未被移动检测数据标记的记录进行。对于由相同的移动检测数据标记的一对固定检测数据则可以直接匹配。约束(8.5a)是先进先出条件，其意义在于禁止具有相同车道选择/移动方向的车辆超车。如果两辆车在相同的上游车道和相同的下游车道上，则它们在上游固定检测数据集和下游固定检测数据集中的相对序号需要一致。在此模型中，先进先出条件并不是必须的。在不禁止超车(不存在先进先出约束)的情况下，则用约束(8.5b)，确保固定检测数据之间的一对一匹配。

该优化模型主要使用基于人工智能的启发式算法进行求解，在给定一个初始匹配方案的基础上，利用禁忌搜索来进一步查找最优解。图2给出了禁忌搜索流程。

Step1：给定一个初始匹配解决方案。(例如，下游固定位置数据集中的第一辆车辆与上游固定位置数据集中的第一辆车匹配。)

Step2：判断初始匹配方案是否满足先进先出条件，若不满足，则不断通过交换一对非先进先出记录的索引，直到取得满足先进先出条件的解。对于没有先进先出条件约束的情况可跳过此步骤。

Step3:找到最大化整体匹配概率的解决方案。通过确定候选方案来完成(即，每个候选方案表示一对匹配结果的索引的交换)，并且找出对应于最佳匹配概率的最佳候选方案。候选方案需要满足可行性要求，即约束(8.4)和(8.5)。为了防止落入局部最优解，采用禁忌限制来禁止重复交换，即如果固定位置记录已经在先前N次迭代中的任何一个被交换(N被设置为3)，将不能再次交换。但当一个被禁忌限制的交换组合产生一个足够大的改进(提高了整体匹配概率超过1％)，禁忌限制可以被覆盖

Step4：重复Step3，直到满足停止标准，算法结束。

使用开源NGSIM数据来验证模型的正确性与适用性(图4、图5)。在理想状态下，即固定检测数据和移动检测数据是完善的并且很好地同步，验证使用禁忌搜索算法所得匹配方案结果要明显优于给出的初始匹配方案。

Claims (3)

1.基于固定式与移动式车辆检测数据的数据与信息融合方法，其特征在于，包括

步骤1：将交通运输系统分解成若干个输入与输出子系统，获取各个子系统的多源检测器数据；其中，固定检测数据为车辆通过检测器的时间戳与相应车道信息，移动检测数据包括时间信息，用于验证和标定固定检测数据；

步骤2：使用历史交通数据集对所获取的数据进行校准，得到每一个可能的车道选择下对应的旅行时间概率密度分布；

步骤3：建立组合优化模型；

步骤4：根据组合优化模型寻求上下游固定检测数据的最可能的匹配，检查各对固定检测数据是否被相同的移动检测数据标定，将被标定的固定检测数据直接逐一匹配；

步骤5：利用基于人工智能的启发式禁忌搜索算法，对未被标定的固定检测数据进行逐一匹配，搜索符合整体匹配概率最大化的匹配结果；

所述步骤2，校准时采用以下三项概率：

车道选择概率

即通过下游车道l的车辆也通过上游车道l′的概率，其中：大写符号表示随机变量，小写符号表示随机变量的值；

是通过下游车道l和上游车道l′的历史数据样本的数量；

是通过下游车道l的历史数据样本总数；

旅行时间概率

即上游车道l′到下游车道l的行驶时间τ的概率；其中：τ＝t-t′，t表示车辆经过下游固定检测器的时间戳，t′表示车辆经过上游固定检测器的时间戳；

表示历史数据中依次通过上游车道l′和下游的车道l车辆的旅行时间；n为历史数据量，每个历史时间记录为τ_n；h表示带宽；对于给定的一对固定检测数据，可以在行驶时间τ＝t-t′处找到相应的概率密度；

车辆汇流概率

即通过下游流向u的车辆其上游流向为u′的概率，其中：大写符号表示随机变量，小写符号表示随机变量的值；

是通过下游流向u和上游流向u′的历史数据样本的数量；

是通过下游流向u的历史数据样本总数；

所述步骤3，组合优化模型包括目标函数

优化结果要求整体匹配概率最大化；目标函数(8.1)中，固定检测数据集和移动检测数据集之间的联合匹配概率，即

和

式(3)、(4)中，对于下游移动数据中某一车辆对应其上游固定检测数据集中的序号，定义为{M_j∈M|j＝1,2,…N_m}和{M′_k∈M′|k＝1,2,…N_m}，上游的移动检测数据量等于下游的数量N_m，对于相同的车辆，其对应上游和下游移动检测数据集中的位置可能不相同，使用不同的下标j和k来表示下游和上游移动检测数据集中的车辆的序号；p_M(m_j)和p_M′(m′_k)分别表示在下游和上游位置处的固定检测记录和移动检测记录之间的离散匹配概率，这两种概率根据历史数据计算；

式(3)、(4)中，

表示旅行时差的概率密度函数，其遵循正态分布；同理得到

目标函数(8.1)中，下游和上游的固定检测数据之间的匹配概率，即

其中，

式(6)中，随机变量{S_i∈S|i＝1,2,…N_s}表示下游固定检测数据集中的第i车在上游固定检测数据集中的序号，其中：N_s表示下游固定检测数据集的总数；p_S(s_i)表示下游固定检测数据(l_i,t_i)和上游固定检测数据

这两个数据间的匹配概率；

所述组合优化模型，还包括：建立约束，对于两个匹配的移动检测记录，确保其在移动检测数据集和固定检测数据集中的相对序列是一致的，即

和

所述组合优化模型，还包括：建立约束，确保上游固定检测数据和下游固定检测数据之间的匹配仅针对未被移动检测数据标记的记录进行，即

所述组合优化模型，还包括：在不考虑先进先出的情况时，建立约束，确保固定检测数据之间的一对一匹配，即

所述步骤5，包括

步骤5a：基于上游和下游位置的固定位置记录的索引，给定初始匹配方案；

步骤5c：计算当前方案下一组上游与下游的固定检测数据的匹配概率，将匹配概率按照升序排序；

步骤5d：对于匹配概率最低的一对组合，搜索与之相邻的匹配概率低于50％的另一对组合，交换这两对组合匹配结果的序号，生成新的匹配方案，并计算交换组合后的整体匹配概率；

步骤5e：依据对应的匹配概率判断交换匹配结果索引后的匹配方案是否当前最优，若是，则进入步骤5f，若否，则进入步骤5i；

步骤5f：检验该方案是否满足禁忌限制，若是，则进入步骤5g，若否，则进入步骤5h；所述禁忌限制为，如果固定位置记录已经在先前N次迭代中的任何一个被交换，那么该记录在后续迭代就不能再进行交换；

步骤5g：检验该方案是否满足特赦准则，若是，则进入步骤5h，若否，则进入步骤5i；所述特赦准则为，当一个被禁忌限制的匹配方案能够提高整体匹配概率超过1％时，禁忌限制可以被推翻；

步骤5h：该交换组合后的匹配方案为当前容许的最优匹配方案；

步骤5i：检验是否存在其他的匹配方案，若是，则返回步骤5e，若否，则进入步骤5j；

步骤5j：判断是否满足禁忌搜索停止标准，若是，则找到最优匹配方案，停止搜索，若否，则返回步骤5c。

2.如权利要求1所述的基于固定式与移动式车辆检测数据的数据与信息融合方法，其特征在于，所述组合优化模型中，在不考虑先进先出的情况时，建立约束，确保固定检测数据之间的一对一匹配，替换为：考虑先进先出的情况，建立约束，禁止具有相同车道选择/移动方向的车辆超车，在相同的上游车道和相同的下游车道上的两辆车，它们在上游固定检测数据集和下游固定检测数据集中的相对序号需要一致，即

所述步骤5a和步骤5c之间还包括步骤5b：检验是否满足先进先出条件，若否，则交换一对非先进先出记录的索引直到满足先进先出条件。

3.如权利要求1或2所述的基于固定式与移动式车辆检测数据的数据与信息融合方法，其特征在于，所述禁忌限制中，N次迭代的次数为3。

Images