CN104794895A - 一种面向高速公路的多源交通信息融合方法 - Google Patents

Abstract

本发明公开了一种面向高速公路的多源交通信息融合方法，通过有检测器路段交通信息的融合，获取更加全面准确的交通信息；通过有检测器路段数据和历史数据相融合，预测无检测器路段的交通信息，从而获得整个路段的交通信息；包括以下步骤：高速公路路段单元划分、交通信息数据预处理、单元内多源交通信息融合、单元间的交通信息融合；将多种方式采集的交通信息进行有效融合，不但可以增加信息的种类、扩大数据采集范围，而且还能够有效提高信息获取的性价比、准确度和可靠度，避免单个信息源失效而导致的判断和决策错误。

Description

一种面向高速公路的多源交通信息融合方法

技术领域

本发明涉及智能交通领域，特别涉及一种面向高速公路的多源交通信息融合方法。

背景技术

实时、准确和全面的交通信息是智能交通的基础。目前，在交通信息获取方面存在采集方式单一，检测器数量不足，布设不合理等问题。信息融合是指多源信息在一定准则下加以自动分析、综合来完成决策评估而进行的信息处理过程。将多种方式采集的交通信息进行有效融合，不但可以增加信息的种类、扩大数据采集范围，而且还能够有效提高信息获取的性价比、准确度和可靠度，避免单个信息源失效而导致的判断和决策错误。通过合适的融合方法，可以从有检测器路段或断面得到无检测器路段或断面的交通信息；通过同一路段或断面多种检测器的信息进行融合，可以更加全面准确得到该路段或断面的交通信息。因此，合理的融合方法称为当前研究热点和难点。

交通信息自动检测设备分为固定检测器和移动检测器两大类。固定型检测器包括：环形感应线圈、视频检测器、微波检测器及红外线检测器等；移动型检测器主要指基于GPS/GLONASS/北斗定位和手机无线通讯定位的浮动车交通信息采集系统。高速公路的交通信息采集以视频采集为主，配合收费站卡口检测、浮动车检测以及关键位置布设的微波等检测器。已经提出的交通信息融合方法往往针对城市道路网，有关高速公路的研究甚少。高速公路 具有很多不同于城市道路的特点,如车速快、全封闭、无信号控制、路线长、检测器分布少和浮动车比例小等，这使得高速公路的交通信息获取更加困难，需要更加合理的交通信息融合方案和方法。

发明内容

本发明的目的是为了增加高速公路交通信息获取的全面性和准确性，提出了一种面向高速公路的多源交通信息融合方法，通过有检测器路段交通信息的融合，获取更加全面准确的交通信息；通过有检测器路段数据和历史数据相融合，预测无检测器路段的交通信息，从而获得整个路段的交通信息。

本发明包括以下步骤：

步骤一、高速公路路段单元划分：

路段的合理划分不仅能够高速公路交通信息主要来源于视频检测器，而且为了交通管理监控的需要，视频检测器在整个高速公路分布范围广，基本达到每公里路段就有一个视频检测器。因此，将每个视频检测器作为一个单元的开始，同时也作为前面一个单元的结束。

因为路段单元过大将使得交通信息不够全面，路段单元过小则使得交通信息获得难度大，对信息传输、处理和存储设备的要求很高。在此规定路段最大单元长度为5千米，最小单元长度为1千米。

步骤二、交通信息数据预处理：

目的是识别故障数据并修正，补全缺失数据。交通信息采集设备正常工作情况下，此步骤可省略。

步骤三、单元内多源交通信息融合

路段单元内交通信息融合采用的是自适应加权平均法，以求取是信号的误 差最小的权值为目的，通过一种自适应算法，来实现检测数据融合的，并且这种算法不是以存储大量的历史数据为代价来追求融合的精度的。融合的交通参数为路段单元内的平均行程速度。

设在j时刻，使用移动采集方法和固定采集方法检测到信号分别为x₁(j),x₂(j)，其中x_i(j)＝d_i(j)+b_i(j)表示j时刻信号的测量值，当i＝1时为移动采集方法采集到的信号，当i＝2时为固定采集方法采集到的信号，d_i(j)表示信号的真实值，b_i(j)表示j时刻第i个信号的高斯噪声，方差为

两种交通信息采集方法得到的信息加权平均结果为：

$s\left(j\right)=\underset{i=1}{\overset{1}{\mathrm{\Σ}}}{w}_i{x}_i\left(j\right)=W^{T}X\left(j\right)$

其中，W＝{w₁,w₂}^T为待估计的未知权值矩阵；

X＝{x₁(j),x₂(j)}^T为j时刻不同采集方法采集到的数据。

并且，如果则可以得到信号的无偏估计。

设某一检测时间j内不同采集方法采集到的车辆速度向量为x₁(j),x₂(j)，X₁,X₂相互独立，X₁,X₂分别为x₁(j),x₂(j)的时间，方差分别为σ₁,σ₂；设加权因子向量(待估计的权值)W＝{w₁,w₂}，满足则2中采集方法的加权平均结果为：

$s\left(j\right)=\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{\mathrm{\ω}}_i{x}_i\left(j\right)=W^{T}X\left(j\right)$

因为X₁,X₂彼此独立，并且为X的无偏估计，所以E[(X-X₁)(X-X₂)]＝0，故σ²可写成:

${\mathrm{\σ}}^2=E\left[\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{{\mathrm{\ω}}_i}^2{(x-x_i)}^2\right]=\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{{\mathrm{\ω}}_i}^2{{\mathrm{\σ}}_i}^2$

利用柯西不等式及权的定义：

$\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ω}}_i^2{\mathrm{\σ}}_i^2\right)\left(\underset{i=1}{\overset{2}{\mathrm{\Σ}}}\frac{1}{{\mathrm{\σ}}_i^2}\right)\≥{\left(\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\right)}^2=1$

当且仅当时等号成立，总的均方差取最小值。这时：

ω₁ ²σ₁ ²＝ω₂ ²σ₂ ²

该最小值的求取是当加权因子满足约束条件时总的均方差极值求取。根据多元函数求极值理论，可求出总均方误差最小时所对应的加权因子为：

$w_1=\frac{1}{{\mathrm{\σ}}_1^2(\frac{1}{{\mathrm{\σ}}_1^2}+\frac{1}{{\mathrm{\σ}}_2^2})},w_2=1-w_1$

步骤四、单元间的交通信息融合

单元间交通信息融合的目的是利用有检测器路段的交通流量预测无检测器路段交通流量。在此采用的是聚类分析的方法，步骤如下：

1、在聚类分析处理过程中，首先应对历史数据进行变换处理。采用的是标准化变换：

$x_{\mathrm{ij}}^{\′}=\frac{x_{\mathrm{ij}}-{\stackrel{\‾}{x}}_j}{S_j},\left(\begin{array}{c}i=\mathrm{1,2},...,n\\ j=\mathrm{1,2},...,m\end{array}\right)$

这种变换方法主要是对变量的属性进行变换处理。首先对列进行中心化，然后用标准差进行标准化。其中：

${\stackrel{\‾}{x}}_j=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_{\mathrm{ij}}$

$S_j={\left[\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_{\mathrm{ij}}-{\stackrel{\‾}{x}}_j)}^2\right]}^{1/2}$

通过变换处理后，每列数据的平均值为0，方差为1，使用标准差标准化处理后，在抽样样本改变时，它仍保持相对稳定性。

2、相似系数的确定

相似系数有很多种，在此选择的相似系数是相关系数。x_i和x_j相关系数为：

$r_{\mathrm{ij}}=\frac{\underset{a=1}{\overset{p}{\mathrm{\Σ}}}(x_{\mathrm{ia}}-{\stackrel{\‾}{x}}_i)(x_{\mathrm{ja}}-{\stackrel{\‾}{x}}_j)}{\sqrt{\underset{a=1}{\overset{p}{\mathrm{\Σ}}}{(x_{\mathrm{ia}}-{\stackrel{\‾}{x}}_i)}^2\underset{a=1}{\overset{p}{\mathrm{\Σ}}}{(x_{\mathrm{ja}}-{\stackrel{\‾}{x}}_j)}^2}},-1\≤r_{\mathrm{ij}}\≤1$

其中：

${\stackrel{\‾}{x}}_i=\frac{1}{p}\underset{a=1}{\overset{p}{\mathrm{\Σ}}}{x}_{\mathrm{ia}},{\stackrel{\‾}{x}}_j=\frac{1}{p}\underset{a=1}{\overset{p}{\mathrm{\Σ}}}{x}_{\mathrm{ja}}$

3、聚类分析的计算

采用最大相似系数作为聚类标准，即把相似系数最大的两类聚为一类。具体做法是：定义类G_p和G_u之间的相似系数R_pu为：

$R_{\mathrm{pu}}=\underset{q_i\∈G_p,q_j\∈G_u}{\max r_{\mathrm{ij}}}$

计算各路段交通流量之间的相似系数，得到一个相似系数矩阵R₍₀₎，此时各路段交通流量自成一类，显然有R_pu＝r_pu。

寻找R₍₀₎的非主对角线上的最大元素，设为R_pu，则将G_p和G_u合并成一新类，记为G_s，即G_s＝{G_p,G_u}。

计算新类与其它类的相似系数

$R_{\mathrm{sk}}=\underset{\underset{q_j\∈G_k}{q_s\∈G_s}}{\max }{r}_{\mathrm{sj}}=\max \{\underset{\underset{q_j\∈G_k}{q_i\∈G_p}}{\max r_{\mathrm{ij}}},\underset{\underset{q_j\∈G_k}{q_i\∈G_u}}{\max r_{\mathrm{ij}}}\}=\max \{R_{\mathrm{pk}},R_{\mathrm{uk}}\}$

并将所得到的相似系数记为R₍₁₎。

对R₍₁₎重复实行对于R₍₀₎的步骤，得R₍₂₎，由R₍₂₎按同样的步骤计算得R₍₃₎，以此类推将所有的路段交通流量并为一类。

4、回归预测 

通过聚类计算得到与无检测器单元归为一类的有检测器单元，并给出他们的一元回归方程。其形式为：

Q_w＝AQ_y+B

其中，Q_w为无检测器单元交通流量，Q_y为有检测器单元交通流量，A和B为回归参数。

本发明的有益效果：路段单元内交通信息融合采用的是自适应加权平均法，以求取是信号的误差最小的权值为目的，通过一种自适应算法，来实现检测数据融合的，并且这种算法不是以存储大量的历史数据为代价来追求融合的精度；将多种方式采集的交通信息进行有效融合，不但可以增加信息的种类、扩大数据采集范围，而且还能够有效提高信息获取的性价比、准确度和可靠度，避免单个信息源失效而导致的判断和决策错误。

附图说明

图1为本发明实施例面向高速公路的多源交通信息融合方法流程图。

图2为本发明实施例基于自适应加权平均融合的路段区间平均速度计算流程。

图3为本发明实施例某高速公路路段单元交通流量聚类结果谱系图。

具体实施方式

请参阅图1、图2和图3所示，为本发明的实施例，步骤如下：

步骤一、高速公路路段单元划分：

将每个视频检测器作为一个单元的开始，同时也作为前面一个单元的结束。规定路段最大单元长度为5千米，最小单元长度为1千米。

某高速公路路段长20千米，起始点有视频检测器，沿前进方向，2千米处有视频检测器，则该地点作为第一个单元的终点和第二个单元的起点。继续沿高速公路前进方向，0.5千米处有视频检测设备，该地点距离第二单元起点不足1千米，则不能作为第二单元的终点；继续沿高速公路前进方向1千米，有视频检测设备，那么这点为第二单元的终点和第三单元的起点。如果演高速公路前进方向超过5千米仍然没有视频检测器，那么就以该点为单元终点，也就是说每个单元最大长度为5千米。以此类堆，将整个高速公路路段划分成多个单元。

步骤二、单元内交通信息预处理，包括了错误数据的识别与修正，缺失数据的补充。

步骤三、单元内的交通信息融合：

将固定检测和移动检测、或视频检测和浮动车检测的路段单元的区间平均速度相融合，提高结果的准确性。基于自适应加权平均融合的路段区间平均速度计算流程，具体步骤如下：

1、计算基于视频采集(固定采集)的区间平均速度；

由于视频采集到的是地点车速，因此需将其转换成行驶车速，如下式：

${\stackrel{\‾}{v}}_s={\stackrel{\‾}{v}}_t-\frac{{\mathrm{\σ}}_t^2}{{\stackrel{\‾}{v}}_t}$

式中：为路段行驶速度；为地点车速，为地点速度方差。

2、计算基于浮动车的区间平均速度

浮动车技术主要通过安装有车载GPS定位装置的车辆，采集行驶过程中位置坐标、瞬时车速等信息，根据这些信息能够利用平均速度估计法得出车辆在每个路段上的平均行驶速度。

在同一统计时间段内，若浮动车j在路段i返回n个数据点n≥1，则

${\stackrel{\‾}{v}}_{\mathrm{ij}}=\frac{v_{\mathrm{ij}1}+v_{\mathrm{ij}2}+...v_{\mathrm{ijk}}+...v_{\mathrm{ijn}}}{n}$

式中：为路段i上浮动车j在该统计时间段内的平均速度，v_ijk则表示在该统计时间段内，路段i上浮动车j返回的第k个速度值。

3、计算出融合后区间平均速度

最小方差平均加权法中，由于未知，需根据视频检测器采集到的地点速度计算得出。设利用视频检测器和浮动车得到的区间平均速度值分别为V₁和V₂，所对应的估计误差分别为n₁和n₂，则V_i＝V+n_i，i＝1,2

由于n₁、n₂、V之间互不相关，且n₁和n₂的均值为零，所以V₁、V₂的互相关系数R₁₂满足R₁₂＝E[V₁V₂]＝E[V²]。V₁的自相关系数R₁₁满足：  $R_{11}=E\left[V_1{V}_2\right]=E\left[V^2\right]+E\left[n_1^2\right],$ 则： ${\mathrm{\σ}}_1^2=E\left[n_1^2\right]=R_{11}-R_{12}$

引入时间域估计值进行R₁₂、R₁₁的计算。假设检测器当前路段区间平均速度估计结果个数为k，R₁₁的时间域估计值为R₁₁(k)，而R₁₂的时间域估计值为R₁₂(k)，则 $R_{11}\left(k\right)=\frac{1}{k}\underset{m=1}{\overset{k}{\mathrm{\Σ}}}{T}_1\left(m\right)T_1\left(m\right)=\frac{1}{k}[\underset{m=1}{\overset{k-1}{\mathrm{\Σ}}}{T}_1\left(m\right)T_1\left(m\right)+T_1\left(k\right)T_1\left(k\right)]=\frac{k-1}{k}{R}_{11}(k-1)+\frac{1}{k}{T}_1\left(k\right)T_1\left(k\right)$

同理， $R_{12}\left(k\right)=\frac{k-1}{k}{R}_{12}(k-1)+\frac{1}{k}{T}_1\left(k\right)T_2\left(k\right)$

步骤四、单元间的交通信息融合：将无检测器单元历史数据与相邻多个有检测单元历史数据聚类分析，利用有检测器单元交通流量实时数据预测无检测器单元的实时流量。

Claims (1)

1.一种面向高速公路的多源交通信息融合方法，包括以下步骤：

步骤一、高速公路路段单元划分：

将每个视频检测器作为一个单元的开始，同时也作为前面一个单元的结束，规定路段最大单元长度为5千米，最小单元长度为1千米。

步骤二、交通信息数据预处理：

识别故障数据并修正，补全缺失数据；

步骤三、单元内多源交通信息融合：

路段单元内交通信息融合采用的是自适应加权平均法，以求取是信号的误差最小的权值为目的，通过一种自适应算法，来实现检测数据融合的，并且这种算法不是以存储大量的历史数据为代价来追求融合的精度的，融合的交通参数为路段单元内的平均行程速度；

设在j时刻，使用移动采集方法和固定采集方法检测到信号分别为x₁(j),x₂(j)，其中x_i(j)＝d_i(j)+b_i(j)表示j时刻信号的测量值，当i＝1时为移动采集方法采集到的信号，当i＝2时为固定采集方法采集到的信号，d_i(j)表示信号的真实值，b_i(j)表示j时刻第i个信号的高斯噪声，方差为

两种交通信息采集方法得到的信息加权平均结果为：

$s\left(j\right)=\underset{i=1}{\overset{1}{\mathrm{\Σ}}}{w}_i{x}_i\left(j\right)=W^{T}X\left(j\right)$

其中，W＝{w₁,w₂}^T为待估计的未知权值矩阵；

X＝{x₁(j),x₂(j)}^T为j时刻不同采集方法采集到的数据。

并且，如果则可以得到信号的无偏估计。

设某一检测时间j内不同采集方法采集到的车辆速度向量为x₁(j),x₂(j)，X₁,X₂相互独立，X₁,X₂分别为x₁(j),x₂(j)的时间，方差分别为σ₁,σ₂；设加权因子向量(待估计的权值)W＝{w₁,w₂}，满足则2中采集方法的加权平均结果为：

$s\left(j\right)=\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{\mathrm{\ω}}_i{x}_i\left(j\right)=W^{T}X\left(j\right)$

因为X₁,X₂彼此独立，并且为X的无偏估计，所以E[(X-X₁)(X-X₂)]＝0，故σ²可写成:

${\mathrm{\σ}}^2=E\left[\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{{\mathrm{\ω}}_i}^2{(x-x_i)}^2\right]=\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{{\mathrm{\ω}}_i}^2{{\mathrm{\σ}}_i}^2$

利用柯西不等式及权的定义：

$\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{{\mathrm{\ω}}_i}^2{{\mathrm{\σ}}_i}^2\right)\left(\underset{i=1}{\overset{2}{\mathrm{\Σ}}}\frac{1}{{{\mathrm{\σ}}_i}^2}\right)\≥{\left(\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\right)}^2=1$

当且仅当时等号成立，总的均方差取最小值。这时：

ω₁ ²σ₁ ²＝ω₂ ²σ₂ ²

该最小值的求取是当加权因子满足约束条件时总的均方差极值求取。根据多元函数求极值理论，可求出总均方误差最小时所对应的加权因子为：

$w_1=\frac{1}{{\mathrm{\σ}}_1^2(\frac{1}{{\mathrm{\σ}}_1^2}+\frac{1}{{\mathrm{\σ}}_2^2})},w_2=1-w_1$

步骤四、单元间的交通信息融合

单元间交通信息融合的目的是利用有检测器路段的交通流量预测无检测器路段交通流量，在此采用的是聚类分析的方法，步骤如下：

(1)、在聚类分析处理过程中，首先应对历史数据进行变换处理。采用的是标准化变换：

$\begin{array}{cc}{x}_{\mathrm{ij}}^{\′}=\frac{x_{\mathrm{ij}}-{\stackrel{\‾}{x}}_j}{S_j}& \left(\begin{array}{c}i=\mathrm{1,2},...,n\\ j=\mathrm{1,2},...,m\end{array}\right)\end{array}$

这种变换方法主要是对变量的属性进行变换处理，首先对列进行中心化，然后用标准差进行标准化，其中：

${\stackrel{\‾}{x}}_j=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_{\mathrm{ij}}$

$S_j={\left[\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_{\mathrm{ij}}-{\stackrel{\‾}{x}}_j)}^2\right]}^{1/2}$

通过变换处理后，每列数据的平均值为0，方差为1，使用标准差标准化处理后，在抽样样本改变时，它仍保持相对稳定性；

(2)、相似系数的确定

相似系数有很多种，在此选择的相似系数是相关系数。x_i和x_j相关系数为：

$r_{\mathrm{ij}}=\frac{\underset{a=1}{\overset{p}{\mathrm{\Σ}}}(x_{\mathrm{ia}}-{\stackrel{\‾}{x}}_i)(x_{\mathrm{ja}}-{\stackrel{\‾}{x}}_j)}{\sqrt{\underset{a=1}{\overset{p}{\mathrm{\Σ}}}{(x_{\mathrm{ia}}-{\stackrel{\‾}{x}}_i)}^2\underset{a=1}{\overset{p}{\mathrm{\Σ}}}{(x_{\mathrm{ja}}-{\stackrel{\‾}{x}}_j)}^2}},-1\≤r_{\mathrm{ij}}\≤1$

其中：

$\begin{array}{cc}{\stackrel{\‾}{x}}_i=\frac{1}{p}\underset{a=1}{\overset{p}{\mathrm{\Σ}}}{x}_{\mathrm{ia}}& {\stackrel{\‾}{x}}_j=\frac{1}{p}\underset{a=1}{\overset{p}{\mathrm{\Σ}}}{x}_{\mathrm{ja}}\end{array}$

(3)、聚类分析的计算

采用最大相似系数作为聚类标准，即把相似系数最大的两类聚为一类，具体做法是：定义类G_p和G_u之间的相似系数R_pu为：

$R_{\mathrm{pu}}=\underset{q_i\∈G_p}{\max }\underset{{,q}_j\∈G_u}{r_{\mathrm{ij}}}$

计算各路段交通流量之间的相似系数，得到一个相似系数矩阵R₍₀₎，此时各路段交通流量自成一类，显然有R_pu＝r_pu；

寻找R₍₀₎的非主对角线上的最大元素，设为R_pu，则将G_p和G_u合并成一新类，记为G_s，即G_s＝{G_p,G_u}。

计算新类与其它类的相似系数

$R_{\mathrm{sk}}=\underset{q_j\∈G_k}{\underset{q_s\∈G_s}{\max }{r}_{\mathrm{sj}}}=\max \{\underset{q_j\∈G_k}{\underset{q_i\∈G_p}{\max }{r}_{\mathrm{ij}}},\underset{q_j\∈G_k}{\underset{q_i\∈G_u}{\max }{r}_{\mathrm{ij}}}\}\max \{R_{\mathrm{pk}},R_{\mathrm{uk}}\}$

并将所得到的相似系数记为R₍₁₎；

对R₍₁₎重复实行对于R₍₀₎的步骤，得R₍₂₎，由R₍₂₎按同样的步骤计算得R₍₃₎，以此类推将所有的路段交通流量并为一类；

(4)、回归预测

通过聚类计算得到与无检测器单元归为一类的有检测器单元，并给出他们

的一元回归方程，其形式为：

Q_w＝AQ_y+B

其中，Q_w为无检测器单元交通流量，Q_y为有检测器单元交通流量，A和B为回归参数。