專利名稱：異類交通信息實時融合方法
技術領域：
本發(fā)明涉及一種交通運輸技術領域中信息處理的方法，具體是一種異類交通信息實時融合方法。
背景技術：
隨著智能交通技術的發(fā)展，城市交通流的動態(tài)估計受到了越發(fā)廣泛的關注。而交通狀態(tài)估計離不開準確可靠的交通信息，因此檢測信息方法的精度決定了交通狀態(tài)估計的準確性。城市路網(wǎng)交通流檢測信息方法有多種，主要有磁頻感應線圈檢測法，GPS探測車檢測法，視頻檢測法等。這些方法在某些方面取得了成功并具有其實用價值，但在城市路網(wǎng)交通狀態(tài)的估計方面存在各自的局限性。感應線圈檢測器可得到多種交通流參數(shù)，但是其高故障率導致檢測數(shù)據(jù)大量缺失，狀態(tài)表征量(平均速度、行駛時間)換算公式不準確也大大影響了估計的效果；應用GPS(全球衛(wèi)星定位系統(tǒng))探測車的信息檢測方法，通過對移動車輛進行實時監(jiān)控，動態(tài)獲取時間、位置、速度等車輛定位信息，具有精度高，城市范圍內分布廣泛，受天氣影響小等優(yōu)點，但是其采樣率低，地圖匹配算法誤差大等缺點也造成估計結果不準確；視頻檢測對硬件設備要求較高，受天氣影響大，也無法做到對交通路網(wǎng)狀態(tài)進行全面準確的估計。基于這種情況，有提出引入信息融合的方法來提高交通狀態(tài)估計的準確性，也就是說，把用感應線圈檢測器、GPS探測車檢測器等多種異類檢測器檢測到的交通信息進行融合，借助多種檢測器之間的互補信息對交通狀態(tài)進行更準確全面的估計。
經(jīng)對現(xiàn)有技術文獻的檢索發(fā)現(xiàn)，R.L.Cheu等人于2001年在《IEEE IntelligentTransportation Systems Conference Proceedings》(IEEE智能運輸系統(tǒng)會議案卷)上發(fā)表的論文“An arterial speed estimation model fusing data from stationary and mobilesensors”，(用于融合靜態(tài)和動態(tài)傳感器數(shù)據(jù)的一個主干道速度估計模型)論文中用基于神經(jīng)網(wǎng)絡的模型實現(xiàn)了檢測環(huán)數(shù)據(jù)和GPS探測車數(shù)據(jù)的融合，并通過仿真平臺用仿真數(shù)據(jù)驗證了模型的效果，然而，神經(jīng)網(wǎng)絡需要大量的數(shù)據(jù)真值進行訓練，這在實際應用中是很難實現(xiàn)的；K.Choi等人于2002年在Intelligent TransportationSystems(智能運輸系統(tǒng))上發(fā)表的論文“A data fusion algorithm for estimating linktravel time”，(路段行駛時間估計的數(shù)據(jù)融合算法)其中，提出了基于模糊理論的算法來融合這兩種數(shù)據(jù)，得到了比較好的效果，但是該算法具有很高的復雜性，而且可移植性差很難適應交通信息的實時融合環(huán)境；E.Faouzi等人在他們2006年發(fā)表在《Multisensor，Multisource Information FusionArchitecture，Algorithm，Application，Processing of SPIE》(SPIE會議——多傳感器，多源信息融合架構，算法和應用)上的論文“Classifiers and distance-based evidential fusion for road travel timeestimation”(用于估計路段行駛時間的基于分類器和基于距離的證據(jù)融合)中提出了一種基于證據(jù)理論的分類器融合方法，為交通狀態(tài)估計提供了一條新的思路，然而，上述方法由于很難實現(xiàn)實時融合估計，需要大量先驗數(shù)據(jù)、可移植性差等問題，所以大大限制了其工程應用。

發(fā)明內容
本發(fā)明的目的在于克服現(xiàn)有技術中的不足，提供一種異類交通信息實時融合方法，使其針對交通工程的實際需要，在特征級上進行實時的交通狀態(tài)融合估計，最終為整個城市交通的控制和誘導提供實時、全面、準確的檢測信息資料。
本發(fā)明是通過以下技術方案實現(xiàn)的，本發(fā)明具體包括以下步驟(1)傳感器檢測信息的特征提??；(2)可靠性矩陣W的確定；(3)信度的建立；(4)特征級融合模型；(5)最終特征的決策。
所述的傳感器檢測信息的特征提取，是指感應線圈數(shù)據(jù)通過交通波理論，轉化為路段平均速度或行程時間；GPS探測車檢測信息的特征提取經(jīng)過坐標變換、地圖匹配、建模擬合把GPS探測車數(shù)據(jù)轉化成路段平均速度，目的是獲得與交通狀態(tài)成單調對應關系的特征量，作為融合系統(tǒng)的輸入。
對異類傳感器信息進行特征提取可以根據(jù)不同種類傳感器的具體特點，采用適合此類傳感器的任何提取方法，例如感應線圈數(shù)據(jù)可以轉化為路段平均速度或行程時間。
所述的可靠性矩陣W的確定，通過以下步驟實現(xiàn)(1)根據(jù)歷史數(shù)據(jù)確定每種傳感器的可靠性矩陣即基于判斷正確率的方法，或基于歐式距離的方法，或基于證據(jù)距離的方法；(2)可靠性矩陣W表示為 其中，wi，j∈
，(i＝1，2，...，M；j＝1，2，...，N)；Sj表示第j種獨立的待識別狀態(tài)；Ei表示第i種獨立的證據(jù)。
由于不同的傳感器對于不同交通狀態(tài)的檢測有著不同的可靠性，因此，在融合過程開始之前，應首先根據(jù)歷史數(shù)據(jù)確定每種傳感器的可靠性矩陣。
所述的信度的建立，通過以下步驟實現(xiàn)(1)確定待識別交通狀態(tài)的類別數(shù)N；(2)確定每一種傳感器特征數(shù)據(jù)中的每一種狀態(tài)類別的重心，組成重心向量G＝[g1，g2，...，gN]，可以用歷史數(shù)據(jù)進行聚類計算和人工設定兩種方法；(3)以一個路段為討論對象，當檢測器i檢測到數(shù)據(jù)后，經(jīng)過特征提取獲得特征量；(4)計算與所有重心的距離di＝[d1，d2，...，dN]；(5)根據(jù)下式，建立每一檢測數(shù)據(jù)的基本概率分配
mi(A)＝esp(-γidiβ)其中，參數(shù)β和γi根據(jù)實際應用進行調整，它們決定著基本概率分配的區(qū)分度，之后，需要進行歸一化處理，使所有狀態(tài)被分配的概率之和等于1。
所述的特征級融合模型包括(1)M個如下的子融合系統(tǒng)mi(Bt)=m(Ct-1)⊕mi(Ai,t)]]>=ΣCt-1∩Ai,t=Btg(m(Ct-1))×mi(Ai,t)1-ΣCt-1∩Ai,t=Φg(m(Ct-1))×mi(Ai,t)]]>g(m(Ct-1))=λm(Ct-1)g(m(Ω))=1-ΣCt-1⋐Ωλm(Ct-1)]]>其中mi(Ai，t)，i＝1，2，...，M表示在t時刻對第i個傳感器抽取的基本概率分配；m(Ct-1)表示主融合系統(tǒng)在時刻t-1的融合結果；λ是一個定義在0和1之間的變量，表征m(Ct-1)被削弱的程度，稱為削弱參數(shù)，根據(jù)實際應用進行調整；(2)一個帶有反饋結構的主融合系統(tǒng)如下m(Ct)=m1(B1)⊕m2(Bt)⊕···⊕mM(Bt)]]>=Σ∩i=1MBt=Ct(Πi=1Mmi(Bt))1-Σ∩i=1MBt=Φ(Πi=1Mmi(Bt))]]>其中m(Ct)主融合系統(tǒng)在時刻t的融合結果，也是t時刻的最終融合結果；mi(Bt)，i＝1，2，...，M表示子系統(tǒng)i在t時刻的融合結果。
這種帶有反饋的融合結構可以有效克服難以正確處理沖突證據(jù)的缺點，使其更加適合實時的融合環(huán)境。
所述的最終特征的決策，使用最大信度法則在每一時刻融合結束之后，對得到的基本概率分配融合結果進行決策判斷，找出概率數(shù)最大的狀態(tài)作為這一時刻的狀態(tài)融合結果，即融合系統(tǒng)在這一時刻的輸出。
本發(fā)明與現(xiàn)有技術相比的顯著效果在于不需要大量的先驗交通數(shù)據(jù)信息和交通狀態(tài)真值信息，可以實時融合異類檢測源信息，有效克服交通檢測信息不完備、不準確、噪音污染嚴重、受具體檢測器特性影響等缺點，為整個城市的交通控制和誘導系統(tǒng)提供更加實時、全面、準確的交通信息狀態(tài)估計，而且還具有算法參數(shù)少，計算時間短等優(yōu)點。在用真實交通檢測數(shù)據(jù)進行的連續(xù)2小時的估計效果驗證試驗中，該方法的準確率達到了95％以上，而且，對整個上海市內環(huán)路網(wǎng)每5分鐘的數(shù)據(jù)融合估計處理的時間小于10秒鐘，完全能夠滿足實時融合報告交通狀態(tài)信息的要求。
本發(fā)明針對交通工程的實際需要，在特征級上進行實時的交通狀態(tài)融合估計，具有運算簡便、可靠性高、實用性強等優(yōu)點，特別是能夠實現(xiàn)異類交通檢測器信息(感應線圈數(shù)據(jù)，探測車數(shù)據(jù)，視頻檢測數(shù)據(jù)等)的實時在線融合，這是以往技術方法都難以克服的難點，也是阻撓它們實現(xiàn)真正工程應用的主要障礙。本發(fā)明使用先進的智能方法，實現(xiàn)異類交通信息的有機融合，最終為整個城市交通的控制和誘導提供實時、全面、準確的檢測信息資料。


圖1本發(fā)明方法步驟方框示意2本實施例的交通檢測數(shù)據(jù)曲線中為上海市徐匯區(qū)某路段一天內的SCATS和GPS數(shù)據(jù)，實線表示SCATS數(shù)據(jù)，虛線表示GPS數(shù)據(jù)。
圖3本實施例對數(shù)據(jù)進行實時融合估計的實驗結果圖具體實施方式
下面結合附圖對本發(fā)明的實施例作詳細說明本實施例在以本發(fā)明技術方案為前提下進行實施，給出了詳細的實施方式和過程，但本發(fā)明的保護范圍不限于下述的實施例。
為了更好地理解本實施例提出的方法，選取上海市徐匯區(qū)某路段進行交通狀態(tài)融合分析實例，可以應用于不同城市不同路網(wǎng)、路段。本實施例要求提供一天內該路段SCATS感應線圈檢測器的檢測數(shù)據(jù)，包括交通流量、線圈空閑時間等信息；還有GPS探測車檢測器的檢測數(shù)據(jù)，包括坐標、車速、車頭方向、狀態(tài)、時間等信息；還有GIS-T數(shù)字地圖信息。
如圖1所示，本實施例具體實施步驟如下(1)對SCATS數(shù)據(jù)和GPS數(shù)據(jù)進行特征提取一方面，利用宏觀交通波理論建模，把感應線圈檢測器數(shù)據(jù)轉換為路段平均速度作為融合系統(tǒng)的輸入，其中路段平均速度滿足與交通狀態(tài)是單調對應的；另一方面，經(jīng)過坐標變換、地圖匹配、建模擬合三個步驟把GPS探測車數(shù)據(jù)轉化成路段平均速度，作為融合系統(tǒng)的輸入，這里路段平均速度滿足與交通狀態(tài)是單調對應的。
(2)可靠性矩陣W的確定在真實數(shù)據(jù)訓練集中利用證據(jù)距離計算這兩種檢測信息的可靠性矩陣，計算結果為 式中，{S1}～{S5}表示把交通狀態(tài)分為5種獨立的狀態(tài)，在圖3中分別用1～5的數(shù)字表示。E1和E2分別表示SCATS數(shù)據(jù)提供的證據(jù)和GPS數(shù)據(jù)提供的證據(jù)。此可靠性矩陣表示的是靜態(tài)可靠性，只與檢測器本身的特性有關，與環(huán)境變化無關。傳感器確定了，它的可靠性向量就確定了，所以，這個過程在融合之前進行，可以把可靠性矩陣W作為系統(tǒng)的一個參數(shù)。
(3)信度的建立首先根據(jù)平均速度特征劃分5種交通狀態(tài)S10～10，S210～20，S320～30，S430～45，S545～60，單位是千米/小時。然后，計算它們的重心，這里的重心認為是它們的中心，即S15，S215，S325，S437.5，S552.5。以一個路段為討論對象，當兩種檢測器數(shù)據(jù)經(jīng)過特征提取獲得各自的平均速度特征量后，計算與所有狀態(tài)重心的距離di＝[d1，d2，...，dN]，然后，根據(jù)下式建立每一檢測數(shù)據(jù)的基本概率分配。
mi(A)＝esp(-γidiβ)其中，參數(shù)分別設置為β＝2，γi＝20。之后，還要進行歸一化處理，使所有狀態(tài)被分配的概率之和等于1。
(4)實時融合計算現(xiàn)在可以用本融合模型對兩種實驗數(shù)據(jù)進行融合計算，算法參數(shù)設置為λ＝0.8，時間間隔為5分鐘，融合算法用Visual C++語言編程。
(5)最終特征的決策對每一時刻的融合結果——交通狀態(tài)的基本概率分配，用最大信度法則進行決策判定，作為這一時刻的交通狀態(tài)輸出，同時把這個基本概率分配反饋到系統(tǒng)的輸入端，作為下一時刻的輸入之一參與融合處理。
實驗結果如圖3所示。通過與圖2相比較，可以看出此算法能夠在特征級上有效地融合估計、跟蹤交通狀態(tài)。同時，采用當天下午2:00～4:00時間段內對該條路段拍攝的錄像數(shù)據(jù)，驗證了融合結果的準確性。結果顯示，對該路段2小時內每5分鐘做出一次狀態(tài)判斷，正確率達到95％以上。
權利要求
1.一種異類交通信息實時融合的方法，其特征在于，具體包括以下步驟(1)傳感器檢測信息的特征提?。?2)可靠性矩陣W的確定；(3)信度的建立；(4)特征級融合模型；(5)最終特征的決策。
2.根據(jù)權利要求1所述的異類交通信息實時融合的方法，其特征是，所述的傳感器檢測信息的特征提取，是指感應線圈數(shù)據(jù)通過交通波理論，轉化為路段平均速度或行程時間；GPS探測車檢測信息的特征提取經(jīng)過坐標變換、地圖匹配、建模擬合把GPS探測車數(shù)據(jù)轉化成路段平均速度，作為融合系統(tǒng)的輸入。
3.根據(jù)權利要求1所述的異類交通信息實時融合的方法，其特征是，所述的可靠性矩陣W的確定，通過以下步驟實現(xiàn)(1)根據(jù)歷史數(shù)據(jù)確定每種傳感器的可靠性矩陣，基于判斷正確率的方法，或基于歐式距離的方法，或基于證據(jù)距離的方法；(2)可靠性矩陣W表示為 其中，wi，j∈
，(i＝1，2，...，M；j＝1，2，...，N)；Sj表示第j種獨立的待識別狀態(tài)；Ei表示第i種獨立的證據(jù)。
4.根據(jù)權利要求1所述的異類交通信息實時融合的方法，其特征是，所述的信度的建立，通過以下步驟實現(xiàn)(1)確定待識別交通狀態(tài)的類別數(shù)N；(2)確定每一種傳感器特征數(shù)據(jù)中的每一種狀態(tài)類別的重心，組成重心向量G＝[g1，g2，...，gN]，用歷史數(shù)據(jù)進行聚類計算和人工設定兩種方法；(3)以一個路段為討論對象，當檢測器i檢測到數(shù)據(jù)后，經(jīng)過特征提取獲得特征量；(4)計算與所有重心的距離di＝[d1，d2，...，dN]；(5)根據(jù)下式，建立每一檢測數(shù)據(jù)的基本概率分配mi(A)＝esp(-γidiβ)其中，參數(shù)β和γi根據(jù)實際應用進行調整，它們決定著基本概率分配的區(qū)分度，之后，需要進行歸一化處理，使所有狀態(tài)被分配的概率之和等于1。
5.根據(jù)權利要求1所述的異類交通信息實時融合的方法，其特征是，所述的特征級融合模型，包括(1)M個如下的子融合系統(tǒng)mi(Bt)=m(Ct-1)⊕mi(Ai,t)]]>=ΣCt-1∩Ai,t=Btg(m(Ct-1))×mi(Ai,t)1-ΣCt-1∩Ai,t=Φg(m(Ct-1))×mi(Ai,t)]]>g(m(Ct-1))=λm(Ct-1)g(m(Ω))=1-ΣCt-1⋐Ωλm(Ct-1)]]>其中mi(Ai，t)，i＝1，2，...，M表示在t時刻對第i個傳感器抽取的基本概率分配；m(Ct-1)表示主融合系統(tǒng)在時刻t-1的融合結果；λ是一個定義在0和1之間的變量，表征m(Ct-1)被削弱的程度，稱為削弱參數(shù)，根據(jù)實際應用進行調整；(2)一個帶有反饋結構的主融合系統(tǒng)如下m(Ct)=m1(Bt)⊕m2(Bt)⊕···⊕mM(Bt)]]>=Σ∩i=1MBt=Ct(Πi=1Mmi(Bt))1-Σ∩i=1MBt=Φ(Πi=1Mmi(Bt))]]>其中m(Ct)主融合系統(tǒng)在時刻t的融合結果，也是t時刻的最終融合結果；mi(Bt)，i＝1，2，...，M表示子系統(tǒng)i在t時刻的融合結果。
6.根據(jù)權利要求1所述的異類交通信息實時融合的方法，其特征是，所述的最終特征的決策，使用最大信度法則在每一時刻融合結束之后，對得到的基本概率分配融合結果進行決策判斷，找出概率數(shù)最大的狀態(tài)作為這一時刻的狀態(tài)融合結果，即融合系統(tǒng)在這一時刻的輸出。
全文摘要
本發(fā)明公開了一種交通運輸技術領域中信息處理的方法，具體是一種利用異類交通信息進行實時交通狀態(tài)融合估計的方法，包括(1)傳感器檢測信息的特征提??；(2)可靠性矩陣W的確定；(3)信度的建立；(4)特征級融合模型；(5)最終特征的決策。本發(fā)明具有易于實現(xiàn)、可靠性高、實時性強、參數(shù)少等優(yōu)點，可以為整個城市交通的控制與誘導提供實時可靠的信息資料。
文檔編號G01S1/02GK101064061SQ200710037309
公開日2007年10月31日 申請日期2007年2月8日 優(yōu)先權日2007年2月8日
發(fā)明者孔慶杰, 劉允才 申請人:上海交通大學