CN115440029A - 一种考虑检测设备分布的车检器数据修复方法 - Google Patents

Abstract

本发明公开了一种考虑检测设备分布的车检器数据修复方法，属于电力电子技术领域。该方法包括：采集高速公路沿线布设的多源检测设备监测获得的交通流数据，进行完整性分析；基于Kendall相关系数，对多源检测设备监测获得的交通流数据进行一致性检验；根据完整性分析和一致性检验结果，确定不同检测设备分布下的车检器数据修复模型的输入输出关系，从而构建车检器数据修复模型的训练集和测试集；基于支持向量回归算法构建车检器数据修复模型，然后在训练集中，完成车检器数据修复模型的训练与模型参数的求解，之后在测试集中完成车检器数据修复模型的测试。本发明方法适应性强，能充分利用高速公路的多源数据，有效修复车检器中缺失数据或异常数据。

Description

一种考虑检测设备分布的车检器数据修复方法

技术领域

本发明属于智能交通信息技术领域，涉及一种考虑检测设备分布的车检器数据修复方法，可适用于已部署了ETC检测设备、智能高清监控摄像机和微波车检器设备的高速公路之中，融合多源数据，在不同检测设备分布条件下，针对车检器数据中的缺失数据或异常数据进行有效修复。

背景技术

车检器作为高速公路上最为常见、且应用最为广泛的路测设备，大量布设于高速公路主线路段上用于交通流参数的采集与监测。对于车检器数据中缺失数据或异常数据的有效修复不仅有利于提高采集获得的交通流数据可靠性，还能进一步提升高速公路的交通感知能力，为后续进行道路交通状态表征创造良好的数据条件等。

现有的车检器数据修复方法大多基于机器学习的的方法，在检测设备分布相对固定的前提条件下往往能够表现出较为优秀的修复性能。但是在面对实际高速公路中存在不同检测设备分布时，往往难以在不同分布类型下表现出较好的适应性。另一方面，如何有效修复同一车检器在多个连续检测周期内出现的缺失数据或异常数据以及如何在多个车检器在同一检测周期内同时出现数据缺失或异常的情况下完成数据修复等技术难点问题仍然未能得到较好的解决。伴随着ETC技术的普及和视频图像技术的不断发展，可为车检器数据修复带来了新的机遇。但如何在不同的检测设备分布下，合理利用现有高速公路多源数据，实现车检器数据中缺失数据或异常数据的有效修复对于广大研究者而言仍是一个不小的挑战。

专利文献CN108492560A公开了一种道路固定检测器缺失数据修复方法及装置，该方法利用道路检测器检测得到的交通数据，以交通流理论为依据，应用多元函数拟合对因设备等问题造成的缺失数据进行补全。但是该方法过度依赖交通流数据自身的时间相关性，在多个检测设备同时出现数据缺失情况时补全效果难以得到保证，且该方法暂未考虑检测设备分布对数据修复产生的影响，这将导致模型的鲁棒性和泛化能力欠佳。

发明内容

有鉴于此，本发明的目的在于提供一种考虑检测设备分布的车检器数据修复方法。此发明旨在解决现有的修复方法，未考虑检测设备的分布情况，适应性差，修复补全的数据难以得到保证的问题。本发明提出的车检器数据修复方法，能够有效修复不同检测设备分布下车检器数据中的缺失数据或异常数据。

为达到上述目的，本发明提供了一种考虑检测设备分布的车检器数据修复方法，所述方法包括以下步骤：

步骤1：采集高速公路沿线布设的多源检测设备监测获得的交通流数据，并对采集获得的交通流数据进行完整性分析；

步骤2：基于Kendall相关系数，对步骤1采集获得的交通流数据进行一致性检验；

步骤3：根据步骤1得到的完整性分析结果以及步骤2得到的一致性检验结果，确定不同检测设备分布下的车检器数据修复模型的输入输出关系，进一步构建车检器数据修复模型的训练集和测试集；

步骤4：基于支持向量回归(SVR,SupportVectorRegression)算法构建车检器数据修复模型，然后根据步骤3构建的训练集，完成车检器数据修复模型的训练与模型参数的求解，并在测试集中完成车检器数据修复模型的测试。

进一步，所述步骤1中，交通流数据的完整性通过完整性评价指标TD_c表示；

1.1)利用车检器和摄像机获得的交通流数据，分别计算出代表车检器和摄像机数据的完整性评价指标TD_c，计算表达式如下：

式中，N_expected为评价时间段内理论上的总数据量；N_data为评价时间段内实际上的总数据量；N_redundancy为评价时间段内的冗余数据量；N_missing为评价时间段内的缺失数据量；N_abnormal为评价时间段内的异常数据量；

1.2)利用ETC检测设备获得的单车数据，计算出代表ETC数据的完整性评价指标TD_c，计算表达式如下：

式中，α为评价时间段内的数据缺失率；β为评价时间段内的数据冗余率；γ为评价时间段内的数据异常率；n为相邻两个ETC门架构成的子路段条数；N_{i_matching}为评价时间段内第i个子路段完成时空匹配的数据量；N_{i_upstream}为评价时间段内第i个子路段上游的ETC数据量；N_{i_downstream}为评价时间段内第i个子路段下游的ETC数据量；N_data为评价时间段内ETC总数据量；N_redundancy为评价时间段内ETC冗余数据量；N_abnormal为评价时间段内ETC异常数据量。

进一步，所述步骤2的过程如下：

2.1)对步骤1采集的交通数据流进行预处理，将车检器和摄像机采集获得的数据归并为断面交通流参数数据，计算表达式如下：

式中，V为归并后的断面速度；Q为归并后的断面流量；O为归并后的断面占有率参数；v_i为第i条车道的速度；q_i为第i条车道的流量；o_i为第i条车道的占有率参数；n代表车道数目；

2.2)对步骤1采集的交通数据流进行预处理，将ETC检测设备采集获得的数据转换为路段交通流参数数据，计算表达式如下：

式中，q_up为上游ETC检测设备获得的断面流量；q_down为下游ETC检测设备获得的断面流量；q_road为由上下游ETC检测设备间的路段流量；

为上下游ETC检测设备间的平均行程速度；l为上下游ETC检测设备之间的距离；

为第i辆车经过下游ETC检测设备所在断面的时刻；

为第i辆车经过上游ETC检测设备所在断面的时刻；

2.3)基于步骤2.1得到的断面交通流参数数据，步骤2.2得到的路段交通流参数数据，利用Kendall相关系数，检验高速公路沿线布设的多源检测设备采集获得的交通流数据的一致性，Kendall相关系数的计算公式如下：

式中，τ为Kendall相关系数；A为两种检测方法对同一检测对象的若干组检测结果中，具备一致性的组数；B代表两种检测方法对同一检测对象的若干组检测结果中，不具备一致性的组数；N代表检测结果组数；s和t分别代表两种检测方法对应产生的若干组检测结果中拥有的小集合数目；U_i和V_i分别代表两种检测方法对应产生的若干集合中第i个小集合内的元素个数。

进一步，所述步骤3中，训练集和测试集的构建策略为：

3.1)选用一致性检验结果较好的检测设备去获取特定的交通流参数数据，获取的结果与对应交通流参数的车检器检测结果构成输入输出关系；

3.2)当多种检测设备具有近似一致性强度时，优先选用具有较高完整性评价的数据源对应的检测设备去获取特定的交通流参数数据，获取的结果与对应交通流参数的车检器检测结果构成输入输出关系。

进一步，所述步骤4的过程如下：

4.1)通过训练集中的所有元素构建一个支持向量回归模型：

f(x)＝ω^Tx+b

式中，ω和b是待求解的模型参数；

4.2)求解模型参数ω和b，得到车检器数据修复模型；

4.3)利用步骤3构建的测试集，测试车检器数据修复模型。

本发明的有益效果在于：

本发明提出一种考虑检测设备分布的车检器数据修复方法，该方法针对现有车检器数据修复方法在检测设备分布相对固定的前提条件下往往能够表现出较为优秀的修复性能，但是在面对实际高速公路中存在不同多源检测设备分布类型时，往往难以在不同分布类型下表现出较好的适应性等问题，充分利用高速公路多源数据，可实现在不同检测设备分布下车检器数据中缺失数据或异常数据的有效修复。本发明提出的一种考虑检测设备分布的车检器数据修复方法，能进一步提升高速公路交通数据可靠性和交通感知能力。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究，对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

图1为本发明一种检考虑测设备分布的车检器数据修复方法的流程图；

图2为本实施例中高速公路多源检测设备布设情况的示意图。

具体实施方式

为使本发明的技术方案、优点和目的更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本申请的保护范围。

本实施例中，高速公路沿线安装的多源检测设备的分布情况，参阅图2。

如图1所示，一种检考虑测设备分布的车检器数据修复方法，该方法包括以下步骤：

步骤1：在不同信息采集技术下，采集高速公路沿线布设的多源检测设备监测获得的交通流数据，并对采集获得的交通流数据进行完整性分析。具体包括以下几个子步骤：

步骤1.1)：利用高速公路沿线布设的微波车检器和智能摄像机获得相应的交通流数据，通过如下公式分别计算代表车检器数据和摄像机检测数据的完整性评价指标TD_c：

式中，

N_expected代表理论上评价时间段内总数据量；

N_data代表实际上评价时间段内总数据量；

N_redundancy代表评价时间段内冗余数据量；

N_missing代表评价时间段内缺失数据量；

N_abnormal代表评价时间段内异常数据量。

本实施例中，车检器数据和摄像机检测数据的完整性评价指标TD_c计算结果可分别参阅表1和表2。

表1车检器数据的完整性评价指标TD_c

表2摄像机检测数据的完整性评价指标TD_c

步骤1.2)：利用高速公路沿线布设的ETC检测设备获得的单车数据，通过如下公式计算代表ETC数据的完整性评价指标TD_c：

式中，

α代表评价时间段内的数据缺失率；

β代表评价时间段内的数据冗余率；

γ代表评价时间段内的数据异常率；

n代表相邻两个ETC门架构成的子路段条数；

N_{i_matching}代表评价时间段内第i个子路段完成时空匹配的数据量；

N_{i_upstream}代表评价时间段内第i个子路段上游ETC数据量；

N_{i_downstream}代表评价时间段内第i个子路段下游ETC数据量；

N_data代表评价时间段内ETC总数据量；

N_redundancy代表评价时间段内ETC冗余数据量；

N_abnormal代表评价时间段内ETC异常数据量。

在本实施例中，ETC数据的完整性评价指标TD_c计算结果可分别参阅表3。

表3 ETC数据的完整性评价指标TD_c计算结果

步骤2：在不同检测设备分布下，基于Kendall相关系数对高速公路沿线布设的多源检测设备采集获得的交通流数据进行一致性检验；具体包括以下几个子步骤：

步骤2.1)：由于车检器数据和摄像机检测采集获得的原始数据均为车道级交通流参数数据，需通过如下公式将其归并为断面交通流参数数据：

式中，

V为归并后的断面速度；

Q为归并后的断面流量；

O为归并后的断面占有率参数；

v_i为第i条车道的速度；

q_i为第i条车道的流量；

o_i为第i条车道的占有率参数；

n代表车道数目。

步骤2.2)：由于ETC检测设备采集获得的原始数据为单车时间序列数据，需通过如下公式将其转换为路段交通流参数数据：

式中，

q_up代表上游ETC检测设备获得的断面流量；

q_down代表下游ETC检测设备获得的断面流量；

q_road代表由上下游ETC检测设备间的路段流量；

代表上下游ETC检测设备间的平均行程速度；

l代表上下游ETC检测设备之间的距离；

和

分别代表第i辆车经过上游和下游ETC检测设备所在断面的时刻。

步骤2.3)：利用Kendall相关系数实现在不同检测设备分布下，对高速公路沿线布设的多源检测设备采集获得的交通流数据进行一致性检验，换言之，即比较不同检测方法下针对同一检测对象获得的检测结果是否具有一致性并将其量化。检测方法一共有三种：车检器检测、摄像机检测和ETC检测设备检测，比较时，选取其中的两种方法进行比较。检测对象可为流量、速度或占有率。Kendall相关系数的计算公式如下：

式中，

τ代表Kendall相关系数；

A代表两种检测方法对同一检测对象的若干组检测结果中，具备一致性的组数；

B代表两种检测方法对同一检测对象的若干组检测结果中，不具备一致性的组数；

N代表检测结果组数；

s和t分别代表两种检测方法对应产生的若干组检测结果中拥有的小集合数目；

U_i和V_i分别代表两种检测方法对应产生的若干集合中第i个小集合内的元素个数。

在本实施例中，基于Kendall相关系数的高速公路多源数据一致性检验结果可参阅表4。

表4基于Kendall相关系数的高速公路多源数据一致性检验结果

步骤3：联合考虑高速公路多源数据完整性分析和一致性检验结果，确定出不同检测设备分布下的车检器数据修复模型输入输出关系，进一步构建模型训练集和测试集；具体包括以下几个子步骤：

步骤3.1)：联合考虑步骤1得到的完整性分析结果以及步骤2得到的一致性检验结果，确定不同检测设备分布下的车检器数据修复模型的输入输出关系，进一步构建车检器数据修复模型的训练集和测试集。

车检器数据修复模型的训练数据集和测试数据集的构建策略如下：

①首先选用一致性检验结果较好的检测设备完成特定交通流参数数据的获取，获取的结果与对应交通流参数的车检器检测结果构成输入输出关系；

②当多种检测设备具有近似一致性强度时，优先选用具有较高完整性评价的数据源对应的检测设备完成特定交通流参数数据的获取，获取的结果与对应交通流参数的车检器检测结果构成输入输出关系。

基于上述训练数据集和测试数据集的构建策略，得到不同检测设备分布下车检器数据修复模型的输入输出关系。在本实施例中，不同高速公路多源检测设备分布类型下的模型输入输出关系确定结果可参阅表5。

表5不同高速公路多源检测设备分布类型下的模型输入输出关系确定结果

3.2)：根据步骤3.1确定的不同检测设备分布下的车检器数据修复模型输入输出关系，可完成车检器数据修复模型训练数据集和测试数据集的构建。

步骤4：基于支持向量回归(SVR,SupportVectorRegression)算法构建车检器数据修复模型，在训练集中完成车检器数据修复模型的训练与模型参数的求解，并在测试集中完成车检器数据修复模型的测试。具体包括以下几个子步骤：

步骤4.1)：基于支持向量回归算法，利用步骤3.2构建的训练数据集建立支持向量回归模型。

具体来说，即通过学习训练数据集中的所有元素以得到一个回归模型，使得f(x)＝ω^Tx+b与y尽可能接近，其中，f(x)代表回归模型输出的回归值，y代表车检器数据的实际值，ω和b是待求解的模型参数，T表示矩阵的转置，是矩阵的一种运算法则；且仅当f(x)与y的误差绝对值大于ε时才计算损失。

支持向量回归模型参数求解的数学模型可描述为：

式中，C为正则化常数；l_ε(z)为ε-不敏感损失(εinsensitive loss)函数。

步骤4.2)：求解模型参数，可得：

式中，α_k，

为拉格朗日乘子，且要求

步骤4.3)：利用步骤3.2构建的测试数据集完成模型的测试。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。

Claims (5)

1.一种考虑检测设备分布的车检器数据修复方法，其特征在于，所述方法包括以下步骤：

步骤1：采集高速公路沿线布设的多源检测设备监测获得的交通流数据，并对采集获得的交通流数据进行完整性分析；

步骤2：基于Kendall相关系数，对步骤1采集获得的交通流数据进行一致性检验；

步骤3：根据步骤1得到的完整性分析结果以及步骤2得到的一致性检验结果，确定不同检测设备分布下的车检器数据修复模型的输入输出关系，进一步构建车检器数据修复模型的训练集和测试集；

步骤4：基于支持向量回归(SVR,Support Vector Regression)算法构建车检器数据修复模型，然后根据步骤3构建的训练集，完成车检器数据修复模型的训练与模型参数的求解，并在测试集中完成车检器数据修复模型的测试。

2.根据权利要求1所述的一种考虑检测设备分布的车检器数据修复方法，其特征在于，所述步骤1中，交通流数据的完整性通过完整性评价指标TD_c表示；

1.1)利用车检器和摄像机获得的交通流数据，分别计算出代表车检器和摄像机数据的完整性评价指标TD_c，计算表达式如下：

式中，N_expected为评价时间段内理论上的总数据量；N_data为评价时间段内实际上的总数据量；N_redundancy为评价时间段内的冗余数据量；N_missing为评价时间段内的缺失数据量；N_abnormal为评价时间段内的异常数据量；

1.2)利用ETC检测设备获得的单车数据，计算出代表ETC数据的完整性评价指标TD_c，计算表达式如下：

式中，α为评价时间段内的数据缺失率；β为评价时间段内的数据冗余率；γ为评价时间段内的数据异常率；n为相邻两个ETC门架构成的子路段条数；N_{i_matching}为评价时间段内第i个子路段完成时空匹配的数据量；N_{i_upstream}为评价时间段内第i个子路段上游的ETC数据量；N_{i_downstream}为评价时间段内第i个子路段下游的ETC数据量；N_data为评价时间段内ETC总数据量；N_redundancy为评价时间段内ETC冗余数据量；N_abnormal为评价时间段内ETC异常数据量。

3.根据权利要求1所述的一种考虑检测设备分布的车检器数据修复方法，其特征在于，所述步骤2的过程如下：

2.1)对步骤1采集的交通数据流进行预处理，将车检器和摄像机采集获得的数据归并为断面交通流参数数据，计算表达式如下：

式中，V为归并后的断面速度；Q为归并后的断面流量；O为归并后的断面占有率参数；v_i为第i条车道的速度；q_i为第i条车道的流量；o_i为第i条车道的占有率参数；n代表车道数目；

2.2)对步骤1采集的交通数据流进行预处理，将ETC检测设备采集获得的数据转换为路段交通流参数数据，计算表达式如下：

式中，q_up为上游ETC检测设备获得的断面流量；q_down为下游ETC检测设备获得的断面流量；q_road为由上下游ETC检测设备间的路段流量；

为上下游ETC检测设备间的平均行程速度；l为上下游ETC检测设备之间的距离；

为第i辆车经过下游ETC检测设备所在断面的时刻；

为第i辆车经过上游ETC检测设备所在断面的时刻；

2.3)基于步骤2.1得到的断面交通流参数数据，步骤2.2得到的路段交通流参数数据，利用Kendall相关系数，检验高速公路沿线布设的多源检测设备采集获得的交通流数据的一致性，Kendall相关系数的计算公式如下：

式中，τ为Kendall相关系数；A为两种检测方法对同一检测对象的若干组检测结果中，具备一致性的组数；B代表两种检测方法对同一检测对象的若干组检测结果中，不具备一致性的组数；N代表检测结果组数；s和t分别代表两种检测方法对应产生的若干组检测结果中拥有的小集合数目；U_i和V_i分别代表两种检测方法对应产生的若干集合中第i个小集合内的元素个数。

4.根据权利要求1所述的一种考虑检测设备分布的车检器数据修复方法，其特征在于，所述步骤3中，训练集和测试集的构建策略为：

3.1)选用一致性检验结果较好的检测设备去获取特定的交通流参数数据，获取的结果与对应交通流参数的车检器检测结果构成输入输出关系；

3.2)当多种检测设备具有近似一致性强度时，优先选用具有较高完整性评价的数据源对应的检测设备去获取特定的交通流参数数据，获取的结果与对应交通流参数的车检器检测结果构成输入输出关系。

5.根据权利要求1所述的一种考虑检测设备分布的车检器数据修复方法，其特征在于，所述步骤4的过程如下：

4.1)通过训练集中的所有元素构建一个支持向量回归模型：

f(x)＝ω^Tx+b

式中，f(x)代表回归模型输出的回归值，ω和b是待求解的模型参数；

4.2)求解模型参数ω和b，得到车检器数据修复模型；

4.3)利用步骤3构建的测试集，测试车检器数据修复模型。

Images