CN111709378A - 一种基于js散度和模糊证据理论的路况状态评估新方法 - Google Patents

Abstract

本发明属于多传感器高冲突数据融合领域，涉及一种基于JS散度和模糊证据理论的路况状态评估新方法，针对各传感器采集的原始冲突数据，首先把概率中不确定部分的多子集焦元的概率赋值合理分配到单子集上去，JS散度用来度量证据内相同焦元在不同概率分配下的距离和，而相似系数有效测量不同证据主体之间的冲突，再合理地嵌入模糊推理机制客观的度量证据的冲突程度，最后利用支持度得到权重并加权证据得到平均证据,利用数据融合的DS融合规则融合平均证据多次得到可靠的融合结果。有益效果在于合理刻画道路状况，利用模型中综合联系值和全体联系分量的线性关联，采用综合值来具体定量刻画交通道路的拥堵状况及变化趋势，辅助驾驶员的驾驶。

Description

一种基于JS散度和模糊证据理论的路况状态评估新方法

技术领域

本发明涉及一种高冲突数据融合算法，属于多传感器高冲突证据融合领域。特别是 一种基于JS散度和模糊证据理论的路况状态评估新方法。

背景技术

随着科学技术的发展，信息物理系(Cyber-Physical Systems,CPS)的相关研究引起 了研究人员的高度关注，CPS是一个在物理环境中嵌入计算和网络的复杂多维系统，实现了 三者的一体化，3C(Computation、Communication、Control)的配合使用可以满足大型复 杂系统对于通信与控制的较高要求。汽车信息物理系统(VCPS)就是这之下的产物。VCPS, 简而言之就是在汽车上运用CPS技术以便于实现更安全更方便的驾驶，汽车VCPS下的道 路状态评估方法成了一个热点研究方向。目前的研究包括欧洲广泛运用的基于速度的拥堵性 INRIX Index研究，美国的基于交通密度的交通拥堵系数RCI以及日本提出的交通量的拥堵 度指标DC。

然而，单一的道路特征指标(比如路程,交通容量，饱和度等)在准确，客观的描述交通路网状态方面往往有所欠缺，于是诞生了多传感器的路网评估方法，在后交通时代，交通装备的复杂多样以及不可抗力的设备的日常磨损，导致多传感器采集的信息往往是海量的 高冲突的复杂数据，融合处理这些不确定的冲突证据导致最终结果产生反直觉问题。同时， 道路状态和道路特征之间映射关系复杂而难以描述。

发明内容

本发明主要解决的多传感器高冲突证据的融合的问题，并在此基础上提出了一种新 的基于JS散度和模糊证据理论的路况状态评估方法。

本发明首先采集多传感器采集的原始数据并经过专家构造产生基本概率赋值，利用 似然函数和信任函数，合理分配概率中多子集的概率值到它所包含的单点集上；结合JS散度 和相似系数CoC构建模糊推理机制(FIM)来有效测量证据的冲突，在此基础上计算出证据的 支持度，归一化后得到权重系数,对每一条对每一条证据加权平均得到有效的平均证据，最 后对平均证据多次利用DS融合规则进行融合即可得到融合的最终证据。

本发明的有益效果在于，为了合理刻画道路状态和道路特征之间复杂的映射，本发 明引入多元集对的数学分析，利用模型中综合联系值和全体联系分量的线性关联，采用综合 值来具体定量刻画交通道路的拥堵状况，从而辅助驾驶员的驾驶。

附图说明

图1为本发明路况状态评估流程图。

图2为VCPS路况模型示意图。

具体实施方式

本发明方法流程如图1所示，主要包括：

S1：Θ＝{θ₁，θ₂，...，θ_i，...θ_n}为所有答案构成的识别框架，在本实施例里对应所有道路拥堵状 况的具体情况。2^Θ包含识别框架中所有可能性构成的集合。假设任意传感器得到测量信息 并经过专家经验构造出,A是Θ的子集，映射关系m满足：

则m(A)为该传感器对应的基本概率赋值，对应每一条采集到的初始证据。m(φ)＝0表示空 集的这种命题概率值为0，

表示所有可能命题的总的概率值之和为1。

S2：DS证据理论中2^Θ的组成为2ⁿ个命题，但考虑到其在道路状态评估中的具体应用场景，需要对其做进一步处理。现实中当前道路拥堵有且仅可能处于一种状态，也就是说2^Θ这个集合里中不存在空集φ以及两两并发或多发子集所表示的道路状态。需要对传感器采 集的初始证据做下一步处理：

每个传感器得到的基本概率多子集焦元部分为概率中不确定部分，考虑利用已知的信任函数 Bel和似然函数Pl来合理分配。分配的关键是关注所有单子集焦元的信任函数累加和 ∑Bel(m_i),若它的值比较大，则说明基本概率大部分是确定的，在分配不确定部分时，信任 函数应该对分配起主导作用。反之如1-∑Bel(m_i)的值比较大，则说明概率主体是不确定 的，则似然函数在分配不确定部分时应该比信任函数起更大的作用。分配公式如下：

经过分配后道路交通状态的幂集表示为

2^Θ＝{{θ₁}，{θ₂}，…，{θ_i)，…{θ_n}} (3)

S3：KL散度又被称为相对熵，是信息论里面度量差异的指标，它可以用来表示两个概率分布之间的差异程度，假设一个离散变量X的两个概率分布P，Q，则它们之间的KL散度为：

其中，x是离散变量的所有取值情况。

KL散度不是对称的，不满足作为距离测量指标的要求。故提出它的变体JS散度：

经过证明JS散度满足证据理论要求的数学性质，既

i.JS(P||Q)是对称的 ii.JS(P||Q)是有界的，0≤JS(P||Q)≤1

iii.平方根

满足三角不等式定义

JS散度在满足证据理论三大准则前提下，本身就是信息论中用来表示两个概率之间差异的距 离变量。显然的是，证据理论是概率论的一般化。因此我们可以把JS散度推广到证据理论， 可以引入JS散度用来证据理论用来度量证据之间的差异。P，Q对应分配好的基本概率 P(m_i),X对应识别框架，则P(m_i)的两条证据m₁和m₂之间的JS距离为：

经过试验验证，JS散度可以比较好的表示证据之间的差异程度且相对其他的方法计算比较简 单。

S4:证据之间的JS散度计算的是不同证据同一焦元的距离累加和，反映的是证据内 结构的差异程度。同时，证据最大支持的假设也在某一程度上反映了这条证据的性质，这两 者共同决定了证据的冲突程度。在衡量两证据的冲突之前，先考虑它们的关系。用证据最大 支持的假设是否一致来度量关系，用概率差之和来衡量冲突，这是之前研究者没有考虑的问 题。如果两个证据最大支持的那个假设相同，则两个证据是一致的，那么这两条证据的冲突 较小。反之如果最大支持的不同，则他们是不一致的，它们之间的冲突程度较大。定义一个 表示两条证据最大支持假设是否一致的相似系数CoC,

设识别框架Θ＝{θ₁，θ₂，...，θ_i，...θ_n}上的n条证据经过S2分配后得到的n个概率向量P(m_i)(i＝1，2，...，n)，相似系数CoC定义为：

其中

指的是概率向量P(m_i)最大和最小支持的假设。如果两条证据最大支持的是 同一假设，说明这两条证据在很大程度上具有一致性。此时相似系数的计算就是两条证据所 支持的同一命题概率和

的1/2。反之，如果最大支持的假设是两个不相 同的命题，则证明两个证据在这层意义上是相互冲突的，那么相似系数的定义就是他们各自 最小支持的概率和

的1/2。

S5：本发明首先需要测量证据之间的冲突度。证据之间的JS散度和相似系数CoC都可以在不同的维度上一定程度的反映证据之间的冲突程度。它们作用的是不同的侧面，散度 主要反映证据里每一个元素的差异，而相似系数主要关注的是最大支持的假设，反映的是证 据主体之间的差异。它们并不重复，而是相辅相成，互为补充，彼此解决单一不能解决的问 题。然而两者的关系是非线性的，复杂的，不是简单的组合关系，模糊推理可较好的组合它 们。在模糊集合基础上发展的模糊推理机制可以像对常规集合进行逻辑推理一样对模糊集合 进行推理，这种对不确定信息进行推理的方式被称为模糊推理，而进行推理的机制就是模糊 推理机制。本发明在此处引入模糊推理机制(FIM)来表示JS散度，相似系数CoC和冲突度Diff 之间的复杂关系,其中Diff是表示模糊推理输出的冲突度，输入的模糊变量为JS和1-CoC。 模糊推理过程主要包括输入输出模糊化，模糊规则制定与推理以及最后的解模糊化三个部 分，具体步骤内容如下:

S5.1：模糊化

S5.1.1：模糊集合是以隶属函数来描述的，隶属度的概念是模糊集合理论的基石。模糊化则 是将输入与输出变量范围内的值映射到相应的隶属度函数的模糊子集。JS，1-CoC，Diff这 几个变量数学意义上的范围都在[0，1]之间，在模糊控制中，需要把它们用人类思维中的模糊 量如“大”、“很大”、“小”、“很大”等来描述。根据实际情况，JS和1-CoC设置为5个模糊子 集，实验结果较好。模糊子集分别为很小(VS)、小(S)、中(M)、大(L)、很大(VL)。

S5.1.2：JS散度用高斯隶属度函数模糊化，公式如下：

其中，c表示用来确定曲线的中心，σ表示标准差，一般为正数。为了使曲线更好的趋于1， 很大(VL)模糊集采用三角形隶属度函数。

三角形的形状由a，b，c确定，其中参数b确定三角形的顶点对应y坐标轴的取值，而a，b确定 三角形的底边的两个点对应的x坐标轴的取值。

经过大量的实验验证与专家经验总结，JS散度的各个隶属度函数的参数如表1：

表1 JS散度距离的隶属函数参数

模糊集合	隶属度函数的参数
		VS	c＝0.164；σ＝0.0506；
S	c＝0.3373；σ＝0.0764；
		M	c＝0.5274；σ＝0.0902；
L	c＝0.8335；σ＝0.0665；
		VL	a＝0.9998；b＝1；c＝1；

S5.1.3：相关系数用高斯隶属度函数模糊化，公式如同公式(8)

各个隶属度函数的参数如表2：

表2相关系数的隶属函数参数

S5.1.4:输出的模糊变量Diff用高斯隶属度函数模糊化，公式如同公式(8)：

各个隶属度函数的参数如表3：

表3：Diff的隶属函数参数

模糊集合	隶属度函数的参数
		VS	c＝0.0991；σ＝0.04952；
S	c＝0.2737；σ＝0.0518；
		M	c＝0.5263；σ＝0.0709；
L	c＝0.829；σ＝0.0604；
		VL	c＝1；σ＝0.00112；

S5.2：模糊规则制定以及推理

将输入与输出模糊变量JS和1-CoC以及Diff模糊化以后，根据专家经验制定模糊推理规 则。模糊则以模糊推句的形式表述，常用的有两种模糊条件推理语句： ″If A then Belse C″；″If A AND B then C″。本发明以第二种″If A AND B then C″为基础，例如 制定模糊规则表如下：

表4：模糊推理规则表

JS--Diff--1-CoC	VL	L	M	S	VS
						VL	VL	VL	L	M	S
L	VL	L	M	S	S
						M	L	L	VL	S	VS
S	M	M	S	VS	VS
						VS	S	S	S	VS	VS

常用的模糊推理方法有两种：Zadeh法和Mamdani法。本发明采用Mamdani方法对JS和1-CoC进行模糊推理，它本质是一种合成推理方法。Mamdani推理方法为：

S5.3：解模糊化：

对模糊输出结果Diff的模糊集合进行反模糊化，得到冲突度的精确值，通过重心法也就是加 权平均法完成解模糊化过程，取模糊隶属度函数曲线和横坐标围成面积算的重心的值作为模 糊推理最终输出值，公式如下：

S6：假设有k条证据m_i(i＝1，2...k)，则两条证据m_a和m_b间的冲突度Diff通过步骤S5的模糊推理可以得到，则它们之间的相似度被定义为：

Sim(m_a，m_b)＝1-Diff(m_a，m_b) (12)

由此构建相似度矩阵SM，

S7：分别计算证据m_a与剩余其他k-1条证据的相似度的累加和，这是证据m_a被 整个证据体支持的程度Sup，公式如下：

S8：分别计算k条证据的支持度Sup(m_i)，(i＝1，2...k)，累加它们。证据m_a的权重公式W(m_a)如下：

它表示的是一条证据在最终融合中所占的比例取决于它的冲突程度，与其他证据冲突度越大 的证据，支持度就越小，相应归一化处理后得到的权重也就越小，在融合中发挥的作用也就 越小，反之亦成立。

S8：根据公式(15)得到的权值对证据源证据进行加权平均，得到平均证据，公式如下：

S9：k条证据，需要DS融合规则对平均证据WAE(m)融合k-1次，既可以得到所 有冲突证据最终的融合结果M。

M＝aθ₁+bθ₂+…+cθ_i+…+dθ_k (17)

其中θ_i表示第i个交通状态,总共n个交通状态。

S9：得到的最终的融合证据是一个有n个表示交通状态的联系分量，无法线性定量的得出一个确定的表示道路交通状态的最终量，引入集对分析的分析方法来最终刻画道路交 通状态。X，Y两个集合分别表示完全畅通的和目前描述的这两种道路状态指标集合，并成集 队H＝(X，Y),在刻画交通状态这个问题W背景下，两个集合的联系度表示为：

u(W)＝a+bi+cj (18)

a，b，c表示在集对u中两个集合的同一度，差异度，对立度。其中a，b，c都是非负数，它们之和为1。i和j分别为差异度和对立度的系数，i的取值在[-1，1]之间根据现实情况波动，j通常情况下一般取值为-1；i的取值在[-1，1]之间根据现实情况波动，j通常情况下一般取值为-1。

S10：在公式(18)的基础上，为了进一步更加细致刻画道路交通状态，将刻画交通状态这个问题W背景下，两个集合的联系度模型进一步拓展为：

u(W)＝a+b₁i₁+b₂i₂+…+b_ni_n+cj (19)

b_x(1≤x≤n)是两个集合的差异度，n的取值根据对问题规模的划分决定，i的取值有几种方 法，这里为了不影响最终对交通状态的评定采用顺势取值，按照原有a，b，c的比例分解。 假设集对中有m个态势，则i的取值为：

S11：把公式(19)等式左边的联系度也称为综合联系值，它的唯一取值取决于等式右边的全部联系分量以及彼此的参数。综合联系值的取值范围从正到负，包括零。基于证据理论的道路状态评估方法背景下，我们用联系度也就是综合联系值来评估当前道路交通状态，在公式(19)中代入i_n，j的值以及公式(17)得到的每一种交通状态的取值，即可得到最终的u值，在此前提下：

u的取值为+1时，表示集队H＝(X，Y),在刻画交通状态这个问题W背景下，目前描述的道路 交通状态和完全畅通同一，既当前道路交通状态是完全畅通。u的取值为-1时，说明目前描 述的道路交通状态和完全畅通完全对立，当前道路状态是完全拥堵。当-1＜u＜1时，说明 当前道路属于完全畅通和完全拥堵之间，根据现实情况需要的准确性和实用性，往往需要将 此状态更加详细的划分为几个区间。

S12：在得到一个u(W)的值，这代表一条道路此刻的交通状态。现实中一片区域中往往道路有多条彼此错综复杂交织在一起，道路交通状态往往是一个平面的指标而非线性的 指标。把单条道路交通状态公式进一步拓展到区域中，以长度为权重加权再平均化，既可以 得到衡量区域中路网的交通状态指标U(W),从而辅助驾驶,公式为：

M表示计算的区域中道路的总数，v_i表示第i条道路的长度。

为验证本发明，如图2所示，建立一个VCPS路况模型，通过感知层一个个汽车节 点自身以及周围交通设备提供的各类传感器，比如摄像头，测速仪，罗盘，GPS等等采集汽 车在行驶过程中的各类信息，来判断当前道路状态，对于某些原因导致的部分数据缺失，可调取视频画面人工分析并补全缺失部分，初步处理过的传感器数据经过专家经验构造，便可 形成对于当前道路状态的判据E_i。假设某一个时间点，有三类传感器检测了各自的数据，此 时辨识框架Θ＝{θ₁，θ₂，θ₃，θ₄，θ₅}，分别表示道路状态为：

表1：当前道路交通状态

传感器形成了3条对前路况的拥堵状态的判决证据E_i(i＝1，2，3)，由于受物理环境和网络环 境影响导致传感器采集信息有不确定信息，所以形成了表3中的基本信任函数分配(BBAs)。 VCPS通过网络将证据上传到融合中心，并由融合中心进行融合得到最终的判据，最后通过 网络传回车载智能终端，供用户使用。

表2：3条表示当前道路交通状态的BBAs

当道路交通状态为5个态势时，则此路段的交通状态刻画模型为：

u(W)＝a+b₁i₁+b₂i₂+b₃i₃+cj

利用公式(2)～(22),最终融合的证据为：

E＝0.0212θ₁+0.836θ₂+0.124θ₃+0.0094θ₄+0.0094θ₅，

采用顺势分析法，可求出i₁＝0.5，j＝-1，i₂＝-0.3，i₃＝-0.5,

将a＝0.0212，b₁＝0.836，b₂＝0.124，b₃＝0.0094，c＝0.00094代入模型中求得u＝0.41。

因为0≤0.41≤0.5，且0.5-0.41≤0.41-0，可以得出结论：当前道路交通状况处于基本畅通和因为拥堵之间，且更加偏向于基本畅通状态。若在计算当前区域中其他所有道 路的u值并根据道路长度加权平均便可得出整个路网区域此时的道路交通状况，从而为驾驶 员提供指导建议。

Claims (1)

1.一种基于JS散度和模糊证据理论的路况状态评估新方法，其特征在于包括以下步骤：

步骤1，设Θ＝{θ₁，θ₂，...，θ_i，...θ_n}为所有道路拥堵状况的情况构成的识别框架，则2^Θ包含识别框架中所有可能性构成的集合；

假设任意传感器得到测量信息并经过专家经验构造出，A是Θ的子集，映射关系m满足：

其中m(A)为该传感器对应的基本概率赋值，对应每一条采集到的初始证据；m(φ)＝0表示空集的这种命题概率值为0，

表示所有可能命题的总的概率值之和为1；

步骤2，在DS证据理论中2^Θ的组成为2ⁿ个可能的命题，当前道路拥堵有且仅可能处于一种状态，因此对传感器采集的初始证据做进一步处理：

由于每个传感器得到的基本概率多子集焦元部分为概率中不确定部分，考虑利用已知的信任函数Bel和似然函数Pl来合理分配，分配的关键是关注所有单子集焦元的信任函数累加和∑Bel(m_i)，若它的值比较大，则说明基本概率大部分是确定的，，在分配不确定部分时，信任函数对分配起主导作用；反之如1-∑Bel(m_i)的值比较大，则说明概率主体是不确定的，则似然函数在分配不确定部分时对分配起主导作用；

分配公式如下：

经过分配后道路交通状态的幂集表示为

2^Θ＝{{θ₁}，{θ₂}，...，{θ_i}，...{θ_n}}；

步骤3，KL散度又被称为相对熵，是信息论里面度量差异的指标，用来表示两个概率分布之间的差异程度，假设一个离散变量X的两个概率分布P，Q，则它们之间的KL散度为：

其中，x是离散变量的所有取值情况；

KL散度是不对称的，不满足作为距离测量指标的要求，故提出它的变体JS散度：

经过证明JS散度满足证据理论要求的数学性质，既

i.JS(P||Q)是对称的，

ii.JS(P||Q)是有界的，0≤JS(P||Q)≤1，

iii.平方根

满足三角不等式定义；

JS散度在满足证据理论三大准则前提下，本身就是信息论中用来表示两个概率之间差异的距离变量，因此把JS散度推广到证据理论，引入JS散度用来证据理论用来度量证据之间的差异，P，Q对应步骤2中分配好的基本概率P(m_i)，X对应识别框架，则P(m_i)的两条证据m₁和m₂之间的JS距离为：

步骤4，证据之间的JS散度计算的是不同证据同一焦元的距离累加和，反映的是证据内结构的差异程度，同时，证据最大支持的假设也在某一程度上反映了这条证据的性质，这两者共同决定了证据的冲突程度；如果两个证据最大支持的那个假设相同，则两个证据是一致的，那么这两条证据的冲突较小；反之如果最大支持的不同，则他们是不一致的，它们之间的冲突程度较大；定义一个表示两条证据最大支持假设是否一致的相似系数CoC，设识别框架Θ＝{θ₁，θ₂，...，θ_i，...θ_n}上的n条证据经过步骤2分配后得到的n个概率向量P(m_i)(i＝1，2，...，n)，相似系数CoC定义为：

其中

指的是概率向量P(m_i)最大和最小支持的假设：如果两条证据最大支持的是同一假设，说明这两条证据在很大程度上具有一致性，此时相似系数的计算就是两条证据所支持的同一命题概率和

的1/2；反之，如果最大支持的假设是两个不相同的命题，则证明两个证据在这层意义上是相互冲突的，那么相似系数的定义就是他们各自最小支持的概率和

的1/2；

步骤5，测量证据之间的冲突度，证据之间的JS散度和相似系数CoC均在不同的维度、不同的侧面反映证据之间的冲突程度；散度主要反映证据里每一个元素的差异，而相似系数主要反映的是证据主体之间的差异；

由于两者的关系是非线性的，复杂的，因此通过模糊推理组合二者，引入模糊推理机制(FIM)来表示JS散度，相似系数CoC和冲突度Diff之间的复杂关系，其中Diff是表示模糊推理输出的冲突度，输入的模糊变量为JS和1-CoC；模糊推理过程主要包括输入输出模糊化，模糊规则制定与推理以及最后的解模糊化三个部分，具体步骤内容如下：

步骤5.1，模糊化：

(1)模糊集合以隶属函数来描述，隶属度的概念是模糊集合理论的基石；模糊化则是将输入与输出变量范围内的值映射到相应的隶属度函数的模糊子集；

JS，1-CoC的变量数学意义上的范围都在[0，1]之间，将JS和1-CoC设置为5个模糊子集，模糊子集分别设为很小(VS)、小(S)、中(M)、大(L)、很大(VL)；

(2)：JS散度用高斯隶属度函数模糊化，公式如下：

其中，c表示用来确定曲线的中心，σ表示标准差，一般为正数；为了使曲线更好的趋于1，很大(VL)模糊集采用三角形隶属度函数；

三角形的形状由a，b，c确定，其中参数b确定三角形的顶点对应y坐标轴的取值，而a，b确定三角形的底边的两个点对应的x坐标轴的取值；

步骤5.2，模糊规则制定以及推理：

将输入与输出模糊变量JS和1-CoC，以及Diff模糊化以后，

以″IfA AND B then C″为模糊推句的形式表述，采用Mamdani方法对JS和1-CoC进行合成模糊推理，推理方法为：

步骤5.3，解模糊化：

对模糊输出结果Diff的模糊集合进行反模糊化，得到冲突度的精确值，通过重心法也就是加权平均法完成解模糊化过程，取模糊隶属度函数曲线和横坐标围成面积算的重心的值作为模糊推理最终输出值，公式如下：

步骤6，假设有k条证据m_i(i＝1，2...k)，则两条证据m_a和m_b间的冲突度Diff通过步骤5的模糊推理可以得到，则它们之间的相似度被定义为：

Sim(m_a，m_b)＝1-Diff(m_a，m_b)；

由此构建相似度矩阵SM，

步骤7，分别计算证据m_a与剩余其他k-1条证据的相似度的累加和，这是证据m_a被整个证据体支持的程度Sup，公式如下：

步骤8，分别计算k条证据的支持度Sup(m_i)，(i＝1，2...k)，证据m_a的权重公式W(m_a)如下：

表示的是一条证据在最终融合中所占的比例取决于它的冲突程度，与其他证据冲突度越大的证据，支持度就越小，相应归一化处理后得到的权重也就越小，在融合中发挥的作用也就越小，反之亦成立；

根据上式得到的权值对证据源证据进行加权平均，得到平均证据，公式如下：

步骤9，设k条证据，需要DS融合规则对平均证据WAE(m)融合k-1次，得到所有冲突证据最终的融合结果M：

M＝aθ₁+bθ₂+…+cθ_i+…+dθ_n

其中θ_i表示第i个交通状态，总共n个交通状态；

得到的最终的融合证据是一个有n个交通状态的联系分量，无法线性定量的得出一个确定的表示道路交通状态的最终量，引入集对分析的分析方法来最终刻画道路交通状态；X，Y两个集合分别表示完全畅通的和目前描述的这两种道路状态指标集合，二者并成集队H＝(X，Y)，在刻画交通状态这个问题W背景下，两个集合的联系度表示为：

u(W)＝a+bi+cj；

a，b，c表示在集对u中两个集合的同一度，差异度，对立度；其中a，b，c都是非负数，它们之和为1；i和j分别为差异度和对立度的系数，i的取值在[-1，1]之间根据现实情况波动，j通常情况下一般取值为-1；

步骤10，在上式基础上，为了进一步更加细致刻画道路交通状态，在刻画交通状态这个问题W背景下，两个集合的联系度模型进一步拓展为：

u(W)＝a+b₁i₁+b₂i₂+…+b_ni_n+cj；

b_x(1≤x≤n)是两个集合的差异度，n的取值根据对问题规模的划分决定，i的取值有几种方法，这里为了不影响最终对交通状态的评定采用顺势取值，按照原有a，b，c的比例分解；假设集对中有m个态势，则i的取值为：

步骤11，步骤10的u(W)等式左边的联系度也称为综合联系值，它的唯一取值取决于等式右边的全部联系分量以及彼此的参数；综合联系值的取值范围从正到负，包括零；

基于证据理论的道路状态评估方法背景下，我们用联系度也就是综合联系值来评估当前道路交通状态，在步骤10的u(W)等式中代入i_n，j的值以及得到的每一种交通状态的取值，即可得到最终的u值：

u的取值为+1时，表示集队H＝(X，Y)，在刻画交通状态这个问题W背景下，目前描述的道路交通状态和完全畅通同一，既当前道路交通状态是完全畅通；u的取值为-1时，说明目前描述的道路交通状态和完全畅通完全对立，当前道路状态是完全拥堵；当-1＜u＜1时，说明当前道路属于完全畅通和完全拥堵之间，根据现实情况需要的准确性和实用性，往往需要将此状态更加详细的划分为几个区间；

步骤12，在得到一个u(W)的值，这代表一条道路此刻的交通状态，将单条道路交通状态公式进一步拓展到区域中，以长度为权重加权再平均化，既可以得到衡量区域中路网的交通状态指标U(W)，从而辅助驾驶，公式为：

M表示计算的区域中道路的总数，v_i表示第i条道路的长度。

Images