CN111859287A - 一种多源交通信息融合方法及装置 - Google Patents
一种多源交通信息融合方法及装置 Download PDFInfo
- Publication number
- CN111859287A CN111859287A CN202010538011.0A CN202010538011A CN111859287A CN 111859287 A CN111859287 A CN 111859287A CN 202010538011 A CN202010538011 A CN 202010538011A CN 111859287 A CN111859287 A CN 111859287A
- Authority
- CN
- China
- Prior art keywords
- probability distribution
- basic probability
- traffic information
- source
- source traffic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 21
- 230000003068 static effect Effects 0.000 claims abstract description 53
- 238000005457 optimization Methods 0.000 claims abstract description 37
- 230000004927 fusion Effects 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 48
- 238000012545 processing Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 8
- 230000001131 transforming effect Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 238000007499 fusion processing Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种多源交通信息融合方法及装置,融合方法包括:获取多源交通信息,根据卡尔曼滤波器对多源交通信息进行预处理得到标准数据源;根据标准数据源中信息源之间的证据距离,计算得到标准数据源的基本概率分配;根据D‑S证据理论对基本概率分配分别进行静态可靠性优化和动态可靠性优化,得到静态基本概率分配和动态基本概率分配。本发明提供一种多源交通信息融合方法及装置,结合卡尔曼滤波算法以及D‑S理论方法对多源交通信息进行融合,提高多源交通信息融合的准确性和稳定性。
Description
技术领域
本发明涉及信息融合技术领域,尤其是涉及一种多源交通信息融合方法及装置。
背景技术
智能交通系统的研发是缓解城市交通拥堵的重要举措,其中综合利用多种来源的交通信息数据,通过信息融合分析技术,得到更准确的道路路况、更丰富的交通出行信息,以全面地掌控城市交通出行态势及出行特征,显得越来越重要。
本发明的发明人发现,现有的交通信息融合方法是通过使用统计法、模糊理论和Bayes推理法等经典算法实现信息融合的,但是现有的交通信息融合方法在信息融合的过程中由于容易出现数据冲突现象,导致信息融合的精准度较低。
发明内容
本发明提供一种多源交通信息融合方法及装置,以解决现有技术在信息融合的过程中由于容易出现数据冲突现象,导致信息融合的精准度较低的技术问题,实现提高多源交通信息融合的准确性和可靠性。
本发明的第一实施例提供一种多源交通信息融合方法,包括:
获取多源交通信息,根据卡尔曼滤波器对所述多源交通信息进行预处理得到标准数据源;
根据所述标准数据源中信息源之间的证据距离,计算得到所述标准数据源的基本概率分配;
根据D-S证据理论对所述基本概率分配分别进行静态可靠性优化和动态可靠性优化,得到静态基本概率分配和动态基本概率分配。
在本发明的其中一种实施例中,所述获取多源交通信息,根据卡尔曼滤波器对所述多源交通信息进行预处理得到标准数据源,具体包括:
获取多源交通信息,对所述多源交通信息进行降维处理以及归一化处理后,使用卡尔曼滤波器对处理后的所述多源交通信息进行滤波计算,得到标准数据源。
在本发明的其中一种实施例中,所述根据所述标准数据源中信息源之间的证据距离,计算得到所述标准数据源的基本概率分配,具体包括:
根据所述标准数据源中信息源对应的命题,计算所述信息源之间的证据距离,根据所述证据距离和焦元计算基本概率分配。
在本发明的其中一种实施例中,所述根据D-S证据理论对所述基本概率分配分别进行静态可靠性优化和动态可靠性优化,得到静态基本概率分配和动态基本概率分配,具体包括:
根据D-S证据理论得到所述基本概率分配的可靠性矩阵,将所述可靠性矩阵进行变换得到权值矩阵;
根据所述权值矩阵、所述可靠性矩阵和所述基本概率分配,计算得到静态基本概率分配。
在本发明的其中一种实施例中,所述根据D-S证据理论对所述基本概率分配分别进行静态可靠性优化和动态可靠性优化,得到静态基本概率分配和动态基本概率分配,具体包括:
根据动态可靠性权值以及所述标准数据源中信息源的估计方差,计算所述基本概率分配的动态可靠性;
结合所述动态可靠性和所述基本概率分配,得到动态基本概率分配。
本发明第二实施例提供了一种多源交通信息融合装置,包括:
预处理模块,用于获取多源交通信息,根据卡尔曼滤波器对所述多源交通信息进行预处理得到标准数据源;
计算模块,用于根据所述标准数据源中信息源之间的证据距离,计算得到所述标准数据源的基本概率分配;
优化模块,用于根据D-S证据理论对所述基本概率分配分别进行静态可靠性优化和动态可靠性优化,得到静态基本概率分配和动态基本概率分配。
在本发明的其中一种实施例中,所述预处理模块,包括用于:
获取多源交通信息,对所述多源交通信息进行降维处理以及归一化处理后,使用卡尔曼滤波器对处理后的所述多源交通信息进行滤波计算,得到标准数据源。
在本发明的其中一种实施例中,所述计算模块包括用于:
根据所述标准数据源中信息源对应的命题,计算所述信息源之间的证据距离,根据所述证据距离和焦元计算基本概率分配。
在本发明的其中一种实施例中,所述优化模块包括用于:
根据D-S证据理论得到所述基本概率分配的可靠性矩阵,将所述可靠性矩阵进行变换得到权值矩阵;
根据所述权值矩阵、所述可靠性矩阵和所述基本概率分配,计算得到静态基本概率分配。
在本发明的其中一种实施例中,所述优化模块还用于:
根据动态可靠性权值以及所述标准数据源中信息源的估计方差,计算所述基本概率分配的;
结合所述动态可靠性和所述基本概率分配,得到动态基本概率分配。
本发明提供一种多源交通信息融合方法及装置,结合卡尔曼滤波算法以及 D-S理论方法对多源交通信息进行融合,实现提高多源交通信息融合的准确性和稳定性。
附图说明
图1是本发明实施例提供的一种多源交通信息融合方法的流程示意图:
图2是本发明实施例提供的一种多源交通信息融合装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本申请的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
请参阅图1,图1示出了本发明第一实施例提供的一种多源交通信息融合方法,包括:
S1、获取多源交通信息,根据卡尔曼滤波器对多源交通信息进行预处理得到标准数据源;
作为本发明实施例的一种具体实施方式,可以通过采集多种检测设备的数据以获得多源交通信息,其中,所采集的检测设备包括:视频检测仪、电子标签、地磁检测设备、浮动车采集系统和交通信号控制机等。本发明实施例可利用动态数据采集接口层与各子系统连接并进行多源交通信息采集,并根据预设的标准数据格式将采集的信息采用数据仓库的形式进行存储。为了提高多源交通信息融合的准确性,减少信息在融合处理过程中滤波受到干扰,在获取到多源交通信息后,对多源交通信息进行预处理。具体地,对多源交通信息进行降维处理以及归一化处理,并在处理后利用卡尔曼滤波器进行滤波处理,避免数据受到噪声影响失真以及存在数据冲突现象,提高多源交通信息融合的准确性和稳定性。
S2、根据标准数据源中信息源之间的证据距离,计算得到标准数据源的基本概率分配;
S3、根据D-S证据理论对基本概率分配分别进行静态可靠性优化和动态可靠性优化,得到静态基本概率分配和动态基本概率分配。
本发明实施例根据预处理后的多源交通信息进行计算得到基本概率分配,并根据D-S证据理论对基本概率分配进行修正和优化得到静态基本概率分配和动态基本概率分配,实现准确地对多源交通信息融合。本发明实施例基于静态概率分配和动态概率分配能够实现对道路交通状态的实时判别以及实现将交通流量合理分配至多条道路中,有利于提高对道路交通的管理效率。
本发明实施例在获取到多源交通信息后,利用卡尔曼滤波器对多源交通信息进行预处理,减少滤波对信息的影响,且利用D-S证据理论方法对基本概率分配进行优化得到静态基本概率分配和动态基本概率分配,能够有效解决数据冲突导致信息融合精确度不高的问题,提高多源交通信息融合的精准性和稳定性。
作为本发明实施例的一种具体实施方式,获取多源交通信息,根据卡尔曼滤波器对多源交通信息进行预处理得到标准数据源,具体包括:
获取多源交通信息,对多源交通信息进行降维处理以及归一化处理后,使用卡尔曼滤波器对处理后的多源交通信息进行滤波计算,得到标准数据源。
在本发明实施例中,为了去除采集的原始数据中的噪声,还原真实数据,使用卡尔曼滤波器对处理后的多源交通信息进行滤波计算,滤波公式为:
其中,Qi(t-1)表示系统噪声的方差,Ki(t)表示增益矩阵,Ri(t)表示测量噪声方差,Pi 1(t)表示系统方差的估计;xi(t)表示平滑估计的输出,Ci表示平滑增益, Pi(t)表示方差矩阵,yi(t)表示第i个传感器的估计输出。
本发明实施例利用卡尔曼滤波器对多源交通信息进行滤波处理,去除多源交通信息中的噪声影响,有利于减少数据的误差,从而提高多源交通信息融合的准确性。
作为本发明实施例的一种具体实施方式,根据标准数据源中信息源之间的证据距离,计算得到标准数据源的基本概率分配,具体包括:
根据标准数据源中信息源对应的命题,计算信息源之间的证据距离,根据证据距离和焦元计算基本概率分配。
在本发明实施例中,具体的,基本概率分配公式为:
其中,mi({wn})为信息源mi与对焦元wn的基本概率分配(BPA),wn代表焦元,mi为信息源,di为mi与mj间的证据距离,其计算公式为:
Ai,Aj分别表示m1,m2中的命题,公式(2)进行归一化后计算并得到基本概率分配信息融合模型(见公式4)。
其中,k表示自然数,ωk表示焦元,mi({ωk})表示信息源mi对焦元ωk的基本概率分配,表示怀疑ωk的程度,kmax[]表示信度中第k个最大值,Θ表示识别框架中总元素个数n。根据公式(4)计算得到可靠性索引矩阵
作为本发明实施例的一种具体实施方式,根据D-S证据理论对基本概率分配分别进行静态可靠性优化和动态可靠性优化,得到静态基本概率分配和动态基本概率分配,具体包括:
根据D-S证据理论得到基本概率分配的可靠性矩阵,将可靠性矩阵进行变换得到权值矩阵;
在本发明实施例中,D-S证据理论根据引入带权值的静态可靠性矩阵W用于计算得到可靠性矩阵,静态可靠性矩阵W为:
其中,Ei为第i种独立的证据;Sj表示第j种独立的要被识别的状态; wi,j∈[0,1]表示证据E对目标状态S的可靠性。
选择Θ集合中的所有子集,根据公式(5)计算得到可靠性矩阵W*:
根据概率求和公式(7)以及权值vi,j将公式(6)变换得到权值矩阵V:
其中,vi,j∈[0,1],(i=1,2,...,m;j=1,2,...,2n-1)。
根据权值矩阵、可靠性矩阵和基本概率分配,计算得到静态基本概率分配。
根据权值矩阵、可靠性矩阵和基本概率分配,计算得到静态基本概率分配,具体为:结合公式(2)、(6)和(8)得到静态基本概率分配公式:
其中,m'i()为静态基本概率分配。
本发明实施例通过D-S证据理论对多源交通信息进行融合处理,得到静态基本概率分配,根据静态基本概率分配可实现将交通流量合理分配至不同的路径中,有利于准确、合理的进行交通管理。
作为本发明实施例的一种具体实施方式,根据D-S证据理论对基本概率分配分别进行静态可靠性优化和动态可靠性优化,得到静态基本概率分配和动态基本概率分配,具体包括:
根据动态可靠性权值以及标准数据源中信息源的估计方差,计算基本概率分配的动态可靠性;
在本发明实施例中,根据D-S证据理论得到证据的动态可靠性权值,基本概率分配的动态可靠性为:
结合动态可靠性和基本概率分配,得到动态基本概率分配。
为了获得准确的动态基本概率分配,将动态可靠性公式与基本概率分配公式进行结合,计算得到动态基本概率分配为:
本发明实施例通过D-S证据理论对多源交通信息进行融合处理,得到动态基本概率分配,根据动态基本概率分配可实现将交通流量合理分配至不同的路径中,有利于准确、合理的进行交通管理。
实施本发明实施例,具有以下有益效果:
本发明实施例在获取到多源交通信息后,利用卡尔曼滤波器对多源交通信息进行预处理,减少滤波对信息的影响,且利用D-S证据理论方法对基本概率分配进行优化得到静态基本概率分配和动态基本概率分配,能够有效解决数据冲突导致信息融合精确度不高的问题,提高多源交通信息融合的精准性。
请参阅图2,图2示出了本发明实施例提供的一种多源交通信息融合装置,包括:
预处理模块10,用于获取多源交通信息,根据卡尔曼滤波器对多源交通信息进行预处理得到标准数据源;
作为本发明实施例的一种具体实施方式,可以通过采集多种检测设备的数据以获得多源交通信息,其中,所采集的检测设备包括:视频检测仪、电子标签、地磁检测设备、浮动车采集系统和交通信号控制机等。本发明实施例可利用动态数据采集接口层与各子系统连接并进行多源交通信息采集,并根据预设的标准数据格式将采集的信息采用数据仓库的形式进行存储。为了提高多源交通信息融合的准确性,减少信息在融合处理过程中滤波受到干扰,在获取到多源交通信息后,对多源交通信息进行预处理。具体地,对多源交通信息进行降维处理以及归一化处理,并在处理后利用卡尔曼滤波器进行滤波处理,避免数据受到噪声影响失真以及存在数据冲突现象,提高多源交通信息融合的准确性和稳定性。
计算模块20,用于根据标准数据源中信息源之间的证据距离,计算得到标准数据源的基本概率分配;
优化模块30,用于根据D-S证据理论对基本概率分配分别进行静态可靠性优化和动态可靠性优化,得到静态基本概率分配和动态基本概率分配。
本发明实施例根据计算模块20对预处理后的多源交通信息进行计算得到基本概率分配,并根据优化模块30使用D-S证据理论对基本概率分配进行修正和优化得到静态基本概率分配和动态基本概率分配,实现准确地对多源交通信息融合。本发明实施例基于静态概率分配和动态概率分配能够实现对道路交通状态的实时判别以及实现将交通流量合理分配至多条道路中,有利于提高对道路交通的管理效率。
本发明实施例在获取到多源交通信息后,利用卡尔曼滤波器对多源交通信息进行预处理,减少滤波对信息的影响,且利用D-S证据理论方法对基本概率分配进行优化得到静态基本概率分配和动态基本概率分配,能够有效解决数据冲突导致信息融合精确度不高的问题,提高多源交通信息融合的精准性。
作为本发明实施例的一种具体实施方式,预处理模块10,包括用于:
获取多源交通信息,对多源交通信息进行降维处理以及归一化处理后,使用卡尔曼滤波器对处理后的多源交通信息进行滤波计算,得到标准数据源。
在本发明实施例中,为了去除采集的原始数据中的噪声,还原真实数据,使用卡尔曼滤波器对处理后的多源交通信息进行滤波计算,滤波公式为:
其中,Qi(t-1)表示系统噪声的方差,Ki(t)表示增益矩阵,Ri(t)表示测量噪声方差,Pi 1(t)表示系统方差的估计;xi(t)表示平滑估计的输出,Ci表示平滑增益, Pi(t)表示方差矩阵,yi(t)表示第i个传感器的估计输出。
本发明实施例利用卡尔曼滤波器对多源交通信息进行滤波处理,去除多源交通信息中的噪声影响,有利于减少数据的误差,从而提高多源交通信息融合的准确性。
作为本发明实施例的一种具体实施方式,计算模块20包括用于:
根据标准数据源中信息源对应的命题,计算信息源之间的证据距离,根据证据距离和焦元计算基本概率分配。
在本发明实施例中,具体的,基本概率分配公式为:
其中,mi({wn})为信息源mi与对焦元wn的基本概率分配(BPA),wn代表焦元,mi为信息源,di为mi与mj间的证据距离,其计算公式为:
Ai,Aj分别表示m1,m2中的命题,公式(2)进行归一化后计算并得到基本概率分配信息融合模型(见公式4)。
其中,k表示自然数,ωk表示焦元,mi({ωk})表示信息源mi对焦元ωk的基本概率分配,表示怀疑ωk的程度,kmax[]表示信度中第k个最大值,Θ表示识别框架中总元素个数n。根据公式(4)计算得到可靠性索引矩阵
作为本发明实施例的一种具体实施方式,优化模块30包括用于:
根据D-S证据理论得到基本概率分配的可靠性矩阵,将可靠性矩阵进行变换得到权值矩阵;
在本发明实施例中,D-S证据理论根据引入带权值的静态可靠性矩阵W用于计算得到可靠性矩阵,静态可靠性矩阵W为:
其中,Ei为第i种独立的证据;Sj表示第j种独立的要被识别的状态; wi,j∈[0,1]表示证据E对目标状态S的可靠性。
选择Θ集合中的所有子集,根据公式(5)计算得到可靠性矩阵W*:
根据证据E对目标状态S的可靠性进行概率求和:
根据概率求和公式(7)以及权值vi,j将公式(6)变换得到权值矩阵V:
其中,vi,j∈[0,1],(i=1,2,...,m;j=1,2,...,2n-1)。
根据权值矩阵、可靠性矩阵和基本概率分配,计算得到静态基本概率分配,具体为:结合公式(2)、(6)和(8)得到静态基本概率分配公式:
其中,m'i()为静态基本概率分配。
本发明实施例通过D-S证据理论对多源交通信息进行融合处理,得到静态基本概率分配,根据静态基本概率分配可实现将交通流量合理分配至不同的路径中,有利于准确、合理的进行交通管理。
作为本发明实施例的一种具体实施方式,优化模块30还用于:
根据动态可靠性权值以及标准数据源中信息源的估计方差,计算基本概率分配的;
结合动态可靠性和基本概率分配,得到动态基本概率分配。
在本发明实施例中,根据D-S证据理论得到证据的动态可靠性权值,基本概率分配的动态可靠性为:
结合动态可靠性和基本概率分配,得到动态基本概率分配。
为了获得准确的动态基本概率分配,将动态可靠性公式与基本概率分配公式进行结合,计算得到动态基本概率分配为:
本发明实施例通过D-S证据理论对多源交通信息进行融合处理,得到动态基本概率分配,根据动态基本概率分配可实现将交通流量合理分配至不同的路径中,有利于准确、合理的进行交通管理。
实施本发明实施例,具有以下有益效果:
本发明实施例在预处理模块10在获取到多源交通信息后,利用卡尔曼滤波器对多源交通信息进行预处理,减少滤波对信息的影响,且优化模块30利用D-S 证据理论方法对基本概率分配进行优化得到静态基本概率分配和动态基本概率分配,能够有效解决数据冲突导致信息融合精确度不高以及不稳定的问题,提高多源交通信息融合的精准性和稳定性。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种多源交通信息融合方法,其特征在于,包括:
获取多源交通信息,根据卡尔曼滤波器对所述多源交通信息进行预处理得到标准数据源;
根据所述标准数据源中信息源之间的证据距离,计算得到所述标准数据源的基本概率分配;
根据D-S证据理论对所述基本概率分配分别进行静态可靠性优化和动态可靠性优化,得到静态基本概率分配和动态基本概率分配。
2.如权利要求1所述的多源交通信息融合方法,其特征在于,所述获取多源交通信息,根据卡尔曼滤波器对所述多源交通信息进行预处理得到标准数据源,具体包括:
获取多源交通信息,对所述多源交通信息进行降维处理以及归一化处理后,使用卡尔曼滤波器对处理后的所述多源交通信息进行滤波计算,得到标准数据源。
3.如权利要去1所述的多源交通信息融合方法,其特征在于,所述根据所述标准数据源中信息源之间的证据距离,计算得到所述标准数据源的基本概率分配,具体包括:
根据所述标准数据源中信息源对应的命题,计算所述信息源之间的证据距离,根据所述证据距离和焦元计算基本概率分配。
4.如权利要求1所述的多源交通信息融合方法,其特征在于,所述根据D-S证据理论对所述基本概率分配分别进行静态可靠性优化和动态可靠性优化,得到静态基本概率分配和动态基本概率分配,具体包括:
根据D-S证据理论得到所述基本概率分配的可靠性矩阵,将所述可靠性矩阵进行变换得到权值矩阵;
根据所述权值矩阵、所述可靠性矩阵和所述基本概率分配,计算得到静态基本概率分配。
5.如权利要求1所述的多源交通信息融合方法,其特征在于,所述根据D-S证据理论对所述基本概率分配分别进行静态可靠性优化和动态可靠性优化,得到静态基本概率分配和动态基本概率分配,具体包括:
根据动态可靠性权值以及所述标准数据源中信息源的估计方差,计算所述基本概率分配的动态可靠性;
结合所述动态可靠性和所述基本概率分配,得到动态基本概率分配。
6.一种多源交通信息融合装置,其特征在于,包括:
预处理模块,用于获取多源交通信息,根据卡尔曼滤波器对所述多源交通信息进行预处理得到标准数据源;
计算模块,用于根据所述标准数据源中信息源之间的证据距离,计算得到所述标准数据源的基本概率分配;
优化模块,用于根据D-S证据理论对所述基本概率分配分别进行静态可靠性优化和动态可靠性优化,得到静态基本概率分配和动态基本概率分配。
7.如权利要求6所述的多源交通信息融合装置,其特征在于,所述预处理模块,包括用于:
获取多源交通信息,对所述多源交通信息进行降维处理以及归一化处理后,使用卡尔曼滤波器对处理后的所述多源交通信息进行滤波计算,得到标准数据源。
8.如权利要去6所述的多源交通信息融合方法,其特征在于,所述计算模块包括用于:
根据所述标准数据源中信息源对应的命题,计算所述信息源之间的证据距离,根据所述证据距离和焦元计算基本概率分配。
9.如权利要求6所述的多源交通信息融合方法,其特征在于,所述优化模块包括用于:
根据D-S证据理论得到所述基本概率分配的可靠性矩阵,将所述可靠性矩阵进行变换得到权值矩阵;
根据所述权值矩阵、所述可靠性矩阵和所述基本概率分配,计算得到静态基本概率分配。
10.如权利要求6所述的多源交通信息融合方法,其特征在于,所述优化模块还用于:
根据动态可靠性权值以及所述标准数据源中信息源的估计方差,计算所述基本概率分配的;
结合所述动态可靠性和所述基本概率分配,得到动态基本概率分配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010538011.0A CN111859287A (zh) | 2020-06-12 | 2020-06-12 | 一种多源交通信息融合方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010538011.0A CN111859287A (zh) | 2020-06-12 | 2020-06-12 | 一种多源交通信息融合方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111859287A true CN111859287A (zh) | 2020-10-30 |
Family
ID=72986845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010538011.0A Pending CN111859287A (zh) | 2020-06-12 | 2020-06-12 | 一种多源交通信息融合方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111859287A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016096226A1 (en) * | 2014-12-18 | 2016-06-23 | Be-Mobile Nv | A traffic data fusion system and the related method for providing a traffic state for a network of roads |
CN110009251A (zh) * | 2019-04-15 | 2019-07-12 | 西安邮电大学 | 一种农田多源信息动态调节融合方法及系统 |
-
2020
- 2020-06-12 CN CN202010538011.0A patent/CN111859287A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016096226A1 (en) * | 2014-12-18 | 2016-06-23 | Be-Mobile Nv | A traffic data fusion system and the related method for providing a traffic state for a network of roads |
CN110009251A (zh) * | 2019-04-15 | 2019-07-12 | 西安邮电大学 | 一种农田多源信息动态调节融合方法及系统 |
Non-Patent Citations (1)
Title |
---|
孔庆杰;陈宜开;刘允才;: "基于证据融合的实时交通状态估计", 上海交通大学学报, no. 10, pages 1 - 3 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3690714A1 (en) | Method for acquiring sample images for inspecting label among auto-labeled images to be used for learning of neural network and sample image acquiring device using the same | |
CN102903122B (zh) | 基于特征光流与在线集成学习的视频目标跟踪方法 | |
CN102393881B (zh) | 一种实时多传感温度数据融合的高精度检测方法 | |
CN112287896A (zh) | 一种基于深度学习的无人机航拍图像目标检测方法及系统 | |
CN115013298B (zh) | 污水泵的实时性能在线监测系统及其监测方法 | |
CN110826402B (zh) | 一种基于多任务的人脸质量估计方法 | |
CN115131747A (zh) | 基于知识蒸馏的输电通道工程车辆目标检测方法及系统 | |
CN116363532A (zh) | 基于注意力机制和重参数化的无人机图像交通目标检测方法 | |
CN115908051A (zh) | 一种电力系统储能容量确定方法 | |
CN109993108B (zh) | 一种增强现实环境下的手势纠错方法、系统及装置 | |
CN112330675B (zh) | 基于AOD-Net的交通道路图像大气能见度检测方法 | |
CN111859287A (zh) | 一种多源交通信息融合方法及装置 | |
CN116994068A (zh) | 一种基于知识蒸馏的目标检测方法及装置 | |
CN115049996B (zh) | 基于证据推理规则的双传感器目标检测融合方法和系统 | |
CN115905997B (zh) | 基于预测偏差优化的风电机组气象灾害预警方法及系统 | |
CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
CN116594057A (zh) | 一种基于深度学习和边缘计算的地震预警方法与装置 | |
CN116012692A (zh) | 一种模型生成方法、装置、电子设备及存储介质 | |
CN115984646A (zh) | 面向遥感跨卫星观测的分布式目标检测方法、装置和卫星 | |
CN116012903A (zh) | 一种人脸表情自动标注的方法及系统 | |
CN112733959A (zh) | 肺部影像分类方法、分类网络确定方法及其装置 | |
CN108062861A (zh) | 一种智能交通监控系统 | |
CN111815944A (zh) | 数据有效性检测方法、装置、电子设备及计算机存储介质 | |
CN114973110B (zh) | 一种高速公路气象在线监测方法及系统 | |
CN117876362B (zh) | 一种基于深度学习的自然灾害损失评估方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |