CN108399747A - 基于卡尔曼滤波融合的交通流车辆密度参数估计方法 - Google Patents

Abstract

本发明提供了一种基于卡尔曼滤波融合的交通流车辆密度参数估计方法，包括以下步骤：S1、离线预测，基于离线预测车辆密度参数估计分析，针对车流量密度的离线预测，采取SARIMA模型连同GARCH模型进行模拟；S2、在线观测，基于在线观测车辆密度参数估计分析，针对车流量密度的在线观测，提取遥感卫星图像中车辆以及非车辆的HOG特征，并将遥感卫星图像中的数据进行SVM分类，进而对车辆目标进行提取；S3、数据融合分析，基于卡尔曼滤波数据融合分析。本发明的有益效果是：将两种不同的交通流车辆密度估计的方法融合为一个新的方法，不同方法间的互补优势大大提高了交通流车辆密度参数估计的精度。

Description

基于卡尔曼滤波融合的交通流车辆密度参数估计方法

技术领域

本发明涉及交通流车辆密度参数估计方法，尤其涉及一种基于卡尔曼滤波融合的交通流车辆密度参数估计方法。

背景技术

在现代化的城市中，交通时时刻刻面临着很多问题，比如常见的交通拥堵、交通事故、道路损坏等。交通事故发生的原因是多方面的。目前采用的加强道路基础设施建设，或者加强交通安全教育等传统方法来减少交通事故发生的空间已经十分有限。

交通拥堵是引发交通事故的重要原因之一。发生交通拥堵的原因主要是因为道路的服务需求超过了目前道路所能容纳的最大量，从而导致剩余的车辆滞留在道路上，道路拥挤且车速缓慢。引发交通拥堵的原因有很多，主要原因是汽车的使用率增加。其次，道路容量不足也是一方面，但通过修建高架桥或者拓宽道路所能带来的改善无法跟上车辆增长的速度。为了解决交通运输安全、效率和拥挤问题，智能交通系统(ITS)应运而生。其中交通流参数的采集是智能交通系统实施好坏与否的关键。交通流采集的方法一般包括以下两种：(1)根据历史数据预测；(2)实时道路观测。随着近几年技术水平的不断提高，实时道路的预测方法也在不断改进。传统的实时道路预测(如电感线圈、视频检测器等)由于位置固定、易损坏、不易维修等问题，目前只应用在监控主干道的交通信息，并不适合对所有的城市道路进行数据采集。随之发展起来且应用较多的实时预测是浮动车采集技术，方法为将GPS安装在部分车辆上，但这种方式并不能保证路网的完整性，所得到的数据只能反映一部分的实际情况，精度较低。

发明内容

为了解决现有技术中的问题，本发明提供了一种精度较高的基于卡尔曼滤波融合的交通流车辆密度参数估计方法。

本发明提供了一种基于卡尔曼滤波融合的交通流车辆密度参数估计方法，包括以下步骤：

S1、离线预测，基于离线预测车辆密度参数估计分析，针对车流量密度的离线预测，采取SARIMA模型连同GARCH模型进行模拟；

S2、在线观测，基于在线观测车辆密度参数估计分析，针对车流量密度的在线观测，提取遥感卫星图像中车辆以及非车辆的HOG特征，并将遥感卫星图像中的数据进行SVM分类，进而对车辆目标进行提取；

S3、数据融合分析，基于卡尔曼滤波数据融合分析，根据上一时刻对当前时刻的离线预测和当前时刻的在线观测来得到当前时刻的交通流车辆密度参数的估计值。

在步骤S1中，分别在SARIMA模型和GARCH模型的基础上，对车流量密度进行以下建模过程：

S11、时间序列；

S12、进行平稳性检验，如果是，进入下一步骤，如果否，则进行差分运算并返回步骤S12；

S13、进行白噪声检验，如果是，进入下一步骤，如果否，则计算样本ACF和PACF，先进行模型识别，再进行参数估计，然后进行模型检验，如果是，则进行序列预测，如果否，则返回模型识别；

S14、分析结果。

在步骤S2中提取遥感卫星图像中目标样本的HOG特征的流程如下：

S21、检测窗口；

S22、归一化图像；

S23、计算梯度；

S24、对于每一个Cell单元格的梯度直方图进行规定权重投影；

S25、对于每一个重叠Block块内的Cell单元格进行对比度归一化；

S26、把所有Block块内的直方图向量一起组合成HOG物征向量。

步骤S3包括以下子步骤：

S31、建立系统模型；

S32、设定参数；

S33、根据上一时刻状态，预测当前时刻状态；

S34、根据上一时刻系统预测误差，预测当时时刻系统预测误差；

S35、预测方程；

S36、计算卡尔曼滤波增益；

S37、计算系统最优估算值；

S38、计算系统当前时刻系统预测误差，返回步骤S34。

本发明的有益效果是：将两种不同的交通流车辆密度估计的方法融合为一个新的方法，不同方法间的互补优势大大提高了交通流车辆密度参数估计的精度。

附图说明

图1是本发明一种基于卡尔曼滤波融合的交通流车辆密度参数估计方法的流程示意图。

图2是本发明一种基于卡尔曼滤波融合的交通流车辆密度参数估计方法的时间序列建模流程图。

图3是本发明一种基于卡尔曼滤波融合的交通流车辆密度参数估计方法的遥感卫星图像中提取车辆目标的流程示意图。

图4是本发明一种基于卡尔曼滤波融合的交通流车辆密度参数估计方法的遥感卫星图像中提取目标HOG特征的算法流程图。

图5是本发明一种基于卡尔曼滤波融合的交通流车辆密度参数估计方法的卡尔曼滤波数据融合算法流程图。

图6是本发明一种基于卡尔曼滤波融合的交通流车辆密度参数估计方法的时间序列分析预测结果示意图。

图7是本发明一种基于卡尔曼滤波融合的交通流车辆密度参数估计方法的卡尔曼滤波数据融合结果与真实值和观测结果的对比示意图。

图8是本发明一种基于卡尔曼滤波融合的交通流车辆密度参数估计方法的卡尔曼滤波结果与观测单一策略的参数估计的对比示意图。

图9是本发明一种基于卡尔曼滤波融合的交通流车辆密度参数估计方法的卡尔曼滤波结果与预测单一策略的参数估计的对比示意图。

具体实施方式

下面结合附图说明及具体实施方式对本发明作进一步说明。

如图1所示，本发明中车辆密度参数估计的获取操作分为预测、观测、数据融合三个步骤。本发明提供了一种基于卡尔曼滤波融合的交通流车辆密度参数估计方法，针对车流量密度的预测部分，采取了SARIMA模型连同GARCH模型进行模拟，针对车流量密度的观测部分，采取的方法为提取遥感卫星图像中车辆以及非车辆的HOG特征，并将遥感图像中的数据进行SVM分类，进而对车辆目标进行提取。同时，在本发明中，提出将两种数据结果进行融合的策略以提高车辆密度参数估计的准确性。采取的数据融合方法为卡尔曼滤波的方法，根据上一时刻对当前时刻的预测和当前时刻的观测来得到当前时刻的估计值。结果显示，该方法能够有效提升单一策略的参数估计精度，为后续多维交通信息的感知和融合提供了参考。

一种基于卡尔曼滤波融合的交通流车辆密度参数估计方法具体包括以下步骤：

1、基于离线预测车辆密度参数估计分析；

在现有研究中，一种交通流参数估计方式如下：在某一路段的终端放置车辆检测计数器，连续统计数天的该路段的车辆密度，并用统计好的数据进行分析处理，预测出未来几天的车流密度变化。在研究中发现，车辆密度在不同的时段有不同的特点，并呈现出接近周期性变化的性质，可以使用SARIMA模型来描述车流密度的变化。但由于SARIMA模型是完全线性的模型，和实际情况很难完全符合，因此连同建立非线性的GARCH模型来进行辅助，如图1左半部分所示。

图2是一个时间序列的建模过程，其主要过程包括平稳性检验、白噪声检验、模型识别和参数估计四个步骤。分别在SARIMA模型和GARCH模型的基础上，利用它们来对交通车流密度进行建模。

2、基于在线预测车辆密度参数估计分析；

本发明车辆密度参数估计的获取操作中的第二个步骤，即利用高分辨率卫星遥感技术进行交通监测的方法如图3所示。拍摄路段的遥感卫星照片，提取遥感卫星图像中车辆以及非车辆的HOG特征，并将得到的数据进行SVM分类。判读结果为，输出1为车辆目标，输出0为其他目标。其中，分类器在实验过程中的准确性问题是采用人工目视的方法进行实现。

提取遥感卫星图像中目标样本的HOG特征的流程图如图4所示。其中包括灰度化、标准化Gamma空间、计算图像的梯度(包括大小和方向)、将图像分割为小的Cell单元格、为每个单元格构建梯度方向直方图、把细胞单元组合成大的Block块并归一化梯度直方图。本发明在计算图像梯度时，利用一阶微分模板进行梯度的近似。首先用[-1,0,1]梯度算子对原图像做卷积运算，得到水平方向(以向右为正方向)的梯度分量，然后用[1,0,-1]T梯度算子对原图像做卷积运算，得到竖直方向(以向上为正方向)的梯度分量。实验过程中，HOG特征提取的参数设置情况如表1所示。

表1HOG特征提取的参数设置

3、基于卡尔曼滤波数据融合分析；

本发明车辆密度参数估计的获取操作中的第三个步骤，即利用卡尔曼滤波进行数据融合，其中卡尔曼滤波的流程示意图如图5所示。

本发明中，卡尔曼滤波的进行数据间的融合方法为根据上一时刻对当前时刻的预测和当前时刻的观测来得到当前时刻的估计值。

得到的效果是该方法能够有效提升单一策略的参数估计精度，为后续多维交通信息的感知和融合提供了参考。4、仿真结果与讨论；

为了证明本发明所提出的方法可以更好地估计交通流车辆密度参数，以下通过仿真进行验证。

图6显示的是基于离线预测车辆密度参数估计的仿真结果图。基于离线预测车辆密度参数的估计采取的是历史数据基础上使用时间序列分析的方法。实验过程中，利用SARIMA(1,0,1)(0,1,0)₁₄₄+GARCH(1,1)对时间序列建模之后，可以得到如图6所示的拟合后的序列和真实序列。可以看出，拟合后的序列虽然在起始部分偏离真实序列，但之后和原始序列较为吻合。

对序列的拟合准确程度可以用拟合优度来衡量，也即R²。R²越大，说明拟合的结果和原始的序列越接近，拟合程度越好；R²越小，说明拟合程度越差。

在采用SARIMA(1,0,1)(0,1,0)₁₄₄+GARCH(1,1)来对序列进行拟合时，拟合优度R²达到0.941，说明模型拟合的较为准确。

图7显示的是卡尔曼滤波数据融合结果与真实值和观测结果的仿真对比图。图中的红色点表示真实值，蓝色点表示遥感卫星图像中的观测值，绿色点表示卡尔曼滤波后的值，可以看出卡尔曼滤波后的序列依然存在着偏差，但是比观测的偏差相对来说有所减小，更接近真实值，说明了卡尔曼滤波数据融合方法具有降低观测误差的能力。

图8显示的是卡尔曼滤波结果与观测单一策略的参数估计的平均绝对误差对比示意图。其中蓝色的点表示测量结果和真实结果之间的偏差，红色的点表示卡尔曼滤波后的结果和真实结果之间的偏差。可以看出从总体上卡尔曼滤波后的结果会更加理想，比遥感卫星图像测量结果更加接近真实值。但在具体的操作过程中同样存在着某些时段，或者某些点上，卡尔曼滤波的结果接近甚至不如观测的结果，这主要是因为在这一段序列上预测的结果不准确，误差过大，从而导致滤波结果的不准确。

图9显示的是卡尔曼滤波结果与预测单一策略的参数估计的对比示意图。对比了利用时间序列分析预测模型和利用遥感卫星图像观测加时间序列分析预测模型的MAE值CDF曲线，可以看出利用卡尔曼滤波融合结果可以有效的提升利用SARIMA和GARCH混合模型获取的车辆密度精度。

在完成交通流车辆密度参数估计后，本发明在后续将进一步获取交通流的其他参数估计，如交通流密度，单个车辆行驶速度，交通流速度等。关于单个车辆行驶速度获取的初步想法是利用连续拍摄的遥感卫星图像对特定的车辆进行匹配，求取两幅图像中车辆的位置变化，进而估算出单个车辆的行驶速度。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (4)

1.一种基于卡尔曼滤波融合的交通流车辆密度参数估计方法，其特征在于，包括以下步骤：

S1、离线预测，基于离线预测车辆密度参数估计分析，针对车流量密度的离线预测，采取SARIMA模型连同GARCH模型进行模拟；

S2、在线观测，基于在线观测车辆密度参数估计分析，针对车流量密度的在线观测，提取遥感卫星图像中车辆以及非车辆的HOG特征，并将遥感卫星图像中的数据进行SVM分类，进而对车辆目标进行提取；

S3、数据融合分析，基于卡尔曼滤波数据融合分析，根据上一时刻对当前时刻的离线预测和当前时刻的在线观测来得到当前时刻的交通流车辆密度参数的估计值。

2.根据权利要求1所述的基于卡尔曼滤波融合的交通流车辆密度参数估计方法，其特征在于：在步骤S1中，分别在SARIMA模型和GARCH模型的基础上，对车流量密度进行以下建模过程：

S11、时间序列；

S12、进行平稳性检验，如果是，进入下一步骤，如果否，则进行差分运算并返回步骤S12；

S13、进行白噪声检验，如果是，进入下一步骤，如果否，则计算样本ACF和PACF，先进行模型识别，再进行参数估计，然后进行模型检验，如果是，则进行序列预测，如果否，则返回模型识别；

S14、分析结果。

3.根据权利要求1所述的基于卡尔曼滤波融合的交通流车辆密度参数估计方法，其特征在于：在步骤S2中提取遥感卫星图像中目标样本的HOG特征的流程如下：

S21、检测窗口；

S22、归一化图像；

S23、计算梯度；

S24、对于每一个Cell单元格的梯度直方图进行规定权重投影；

S25、对于每一个重叠Block块内的Cell单元格进行对比度归一化；

S26、把所有Block块内的直方图向量一起组合成HOG物征向量。

4.根据权利要求1所述的基于卡尔曼滤波融合的交通流车辆密度参数估计方法，其特征在于，步骤S3包括以下子步骤：

S31、建立系统模型；

S32、设定参数；

S33、根据上一时刻状态，预测当前时刻状态；

S34、根据上一时刻系统预测误差，预测当时时刻系统预测误差；

S35、预测方程；

S36、计算卡尔曼滤波增益；

S37、计算系统最优估算值；

S38、计算系统当前时刻系统预测误差，返回步骤S34。