史 巖, 董宏輝, 張 瑜, 單慶超, 劉 鍇

(1.北京交通大學(xué)交通運輸學(xué)院，100044 北京; 2.北京市城市交通信息智能感知與服務(wù)工程技術(shù)研究中心， 100044 北京)

?

多源檢測器的交通數(shù)據(jù)融合研究

史 巖1,2, 董宏輝1,2, 張 瑜1, 單慶超1,2, 劉 鍇1,2

(1.北京交通大學(xué)交通運輸學(xué)院，100044 北京; 2.北京市城市交通信息智能感知與服務(wù)工程技術(shù)研究中心， 100044 北京)

為緩解城市交通擁堵、實時反映城市的交通狀況，需要通過獲取路網(wǎng)交通流參數(shù)來獲取交通狀態(tài). 隨著對交通流速度數(shù)據(jù)需求的全面性、有效性、準(zhǔn)確性要求的提高，由某一種檢測器獲取的速度數(shù)據(jù)已經(jīng)滿足不了實際需求. 利用信息融合技術(shù)將多源檢測器采集到的交通流數(shù)據(jù)進行處理，應(yīng)用數(shù)據(jù)神經(jīng)網(wǎng)絡(luò)法、回歸分析法對數(shù)據(jù)進行融合，得到更加豐富且質(zhì)量更高的交通信息，從而在交通運營管理中為決策者提供有效的數(shù)據(jù)支持. 通過對本文提出的交通流參數(shù)獲取技術(shù)及數(shù)據(jù)融合方法進行驗證，本文的方法可行，結(jié)果可信.

數(shù)據(jù)融合； 神經(jīng)網(wǎng)絡(luò)法； 回歸分析； 多源數(shù)據(jù)

0 引言

隨著汽車保有量的提升，城市交通擁堵狀況也日益嚴(yán)重[1]. 通過獲取交通狀態(tài)，能夠反映城市交通的實時狀況. 交通流速度是最能反映交通流特性且較容易獲得的一個交通流參數(shù). 通過使用檢測器獲取交通流速度能很好地反映交通狀態(tài)，從而為交通管理者提供可靠的參考數(shù)據(jù)[2]. 多源檢測器的交通信息經(jīng)過數(shù)據(jù)融合以后能得到更加真實可靠的交通信息，為交通運營管理提供有力的支持.

為了更好地服務(wù)于交通管理、控制和誘導(dǎo)，多檢測器對交通流速度進行檢測已成為必然. 利用信息融合技術(shù)將多源檢測器采集到的交通流速度數(shù)據(jù)用數(shù)據(jù)融合的方法得到更加豐富且高質(zhì)量的交通信息，提高交通的機動性、安全性和有序化.

數(shù)據(jù)融合的加工對象是不同來源的速度數(shù)據(jù)，而數(shù)據(jù)融合的核心則是數(shù)據(jù)的協(xié)調(diào)優(yōu)化和綜合處理. 在交通流速度采集中進行融合是十分必要的，這是數(shù)據(jù)融合的優(yōu)點，是智能交通系統(tǒng)的關(guān)鍵技術(shù)和交通流速度的特點共同決定的. 數(shù)據(jù)融合技術(shù)通過對不同來源交通數(shù)據(jù)的綜合處理可以獲得更加準(zhǔn)確的交通信息.

作為中心城市范圍內(nèi)道路網(wǎng)主骨架，北京城市快速路網(wǎng)系統(tǒng)無紅綠燈，盡管其長度在城市路網(wǎng)總長度所占比例僅為8%，但未來承擔(dān)的日機動車交通量至少可占城市總交通量的50%[3]. 在北京市，快速路的發(fā)展，在城市交通運行中承擔(dān)了重要的功能，其運行質(zhì)量，也將直接影響北京市總體路網(wǎng)的運行狀態(tài)，快速路的供給能力是由快速路交通流特性所反映，不管在交通規(guī)劃中抑或日常交通管理控制當(dāng)中，如何正確分析判斷快速路的交通流特性，將決定城市交通網(wǎng)絡(luò)運行狀態(tài).

1 數(shù)據(jù)融合模型

1.1 B- P模型

B- P算法的優(yōu)點：研究理論成熟、具有嚴(yán)謹(jǐn)?shù)耐茖?dǎo)過程、容錯能力強、通用性好，目前為止是前向網(wǎng)絡(luò)學(xué)習(xí)的主要算法. B- P算法的缺點：1)學(xué)習(xí)效率低，訓(xùn)練次數(shù)多，收斂速度慢，樣本維數(shù)的增加會使得網(wǎng)絡(luò)性能變差；2)屬于貪婪算法，特別容易形成局部最小，致使得不到全局最優(yōu)；3)網(wǎng)絡(luò)中隱節(jié)點的選取缺乏理論支持；4)在訓(xùn)練過程中，學(xué)習(xí)新加入的樣本有遺忘以前學(xué)習(xí)過的樣本的趨勢[4-5].

在應(yīng)用B- P模型解決實際問題中，可以通過較好的數(shù)據(jù)歸一化方法來盡量避免出現(xiàn)不收斂或收斂慢的情況，也能在很大程度上改善網(wǎng)絡(luò)的性能.

1.2 基于線性回歸的速度融合方法

回歸分析是確定一個或幾個變量的變化對另一個特定變量的影響程度或相互依賴的定量關(guān)系的一種統(tǒng)計分析方法. 在本文中即是研究來自同一截面的浮動車速度數(shù)據(jù)和微波速度數(shù)據(jù)(自變量)與旅行時間速度數(shù)據(jù)(因變量)之間的數(shù)量關(guān)系，并用回歸方法表述出這種關(guān)系.

1.3 二元回歸模型與回歸方程

設(shè)2個自變量分別為x1、x2，因變量為y，描述因變量與自變量和誤差項ε之間關(guān)系的方程稱為二元回歸模型[6]. 其一般形式為

y=β0+β1x1+β2x2+ε

(1)

式中，β0、β1、β2是模型的參數(shù)；ε為誤差項.

式(1)表明：y為x1、x2的線性函數(shù)與誤差項ε的和. 誤差項ε反映了除自變量之外的隨機因素對y的影響，是不能由自變量與因變量之間的線性關(guān)系所解釋的變異性.

(2)

1.4 參數(shù)的最小二乘估計

(3)

2 北京網(wǎng)絡(luò)數(shù)據(jù)獲取與預(yù)處理

本文主要是以快速路的1個牌照識別檢測器路段1個方向“光輝南里小區(qū)—三塊板村”數(shù)據(jù)進行研究和分析的.

北京市快速路交通流檢測器主要是指微波檢測器和牌照識別檢測器，根據(jù)統(tǒng)計得知，快速路中共有微波檢測器829個，牌照識別檢測器231個.

2.1 融合和預(yù)測時段的選擇

本文通過3個時段早高峰、平峰和晚高峰對全天的交通流速度數(shù)據(jù)進行融合和預(yù)測.

要研究3種檢測器速度的融合，對于某一天的數(shù)據(jù)，3種檢測器的數(shù)據(jù)必須都得存在，按照這種原則對從北京市交管局調(diào)取的數(shù)據(jù)進行篩選，找到符合條件的只有2011年6月20日、21日、22日的數(shù)據(jù)比較適合. 因為牌照識別檢測器存在大量數(shù)據(jù)的缺失，以其為選擇依據(jù)得到可用于融合和預(yù)測的早高峰、平峰和晚高峰的數(shù)據(jù). 這3個時段的數(shù)據(jù)分別為早高峰模型預(yù)測利用2011年6月22日5:00—10:00的數(shù)據(jù)，模型驗證用10:00—11:00的數(shù)據(jù)；平峰的模型預(yù)測用2011年6月20日12:00—17:00的數(shù)據(jù)，模型驗證用17:00—18:00的數(shù)據(jù)；晚高峰的模型預(yù)測用2011年6月22日15:00—20:00的數(shù)據(jù)進行訓(xùn)練，模型驗證利用20:00—21:00的數(shù)據(jù).

2.2 原始數(shù)據(jù)的獲取

本文主要對牌照識別檢測器路段光輝南里小區(qū)—三塊板村的數(shù)據(jù)進行融合.

所用到的數(shù)據(jù)包括浮動車檢測器數(shù)據(jù)、微波檢測器數(shù)據(jù)和牌照識別法檢測器數(shù)據(jù)，均來自北京市交通管理局?jǐn)?shù)據(jù)庫. 在選擇數(shù)據(jù)方面，本文在力求數(shù)據(jù)完整性的基礎(chǔ)上，以牌照識別檢測器數(shù)據(jù)量足夠大為依據(jù)，進行數(shù)據(jù)的篩選. 在數(shù)據(jù)時間選擇方面分別單獨地進行高峰期和平峰期的數(shù)據(jù)融合.

本文所研究的路段是通惠河北路高速公路在光輝南里小區(qū)和三塊板村之間的一段，在該路段內(nèi)，通惠河北路高速公路與東三環(huán)快速路進行立體交叉. 選擇研究該路段的主要原因是，一方面該路段固定檢測器的覆蓋長度能得到保證，另一方面，該路段上的浮動車樣本量也能得到滿足. 因為經(jīng)過快速路原始數(shù)據(jù)比選之后認(rèn)為該路段牌照識別檢測器數(shù)據(jù)量相對比較充分，以保證下面的融合能順利地進行. 數(shù)據(jù)的屬性如表1所示.

表1 調(diào)查路段時間及路段組成表

獲取數(shù)據(jù)及整理數(shù)據(jù)的方法：

1) 要求是浮動車的數(shù)據(jù)量比較大、牌照識別檢測器數(shù)據(jù)缺失比較少的路段，按照此要求找尋路段.

2) 為了使路段的速度更加接近真實值，反映實時路況狀態(tài)，對不同類型檢測器基本時間間隔內(nèi)的數(shù)據(jù)進行不同的處理：把同一方向不同浮動車路段的速度以流量的倒數(shù)為權(quán)進行加權(quán)平均等效到牌照識別檢測器路段上；把線圈檢測器檢測到的不同車道的速度以流量的倒數(shù)為權(quán)值加權(quán)到檢測器所檢測的所有車道的平均速度獲得檢測器處的平均速度，然后把同一方向不同檢測器處的平均速度以其對應(yīng)的流量的倒數(shù)為權(quán)值進行加權(quán)平均到牌照識別檢測器路段上；把以基本時間間隔2 min內(nèi)的旅行時間速度剔除壞值之后進行平均. 圖1是所要研究快速路段在百度地圖上的截圖. 圖2為研究路段的檢測器分布情況.

圖1 快速路路段(光輝南里小區(qū)—三塊板村)

圖2 路段檢測器分布

2.3 數(shù)據(jù)預(yù)處理

本論文所進行的數(shù)據(jù)融合以及分析均以2 min為基本數(shù)據(jù)時間間隔.

2.3.1 微波數(shù)據(jù)預(yù)處理

微波檢測器獲得的原始數(shù)據(jù)主要包括：流量、車道編號、時間占有率、速度等. 本論文所研究的路段“光輝南里小區(qū)—虹景大廈—三塊板村”，是以牌照識別法為基本單位的路段. 它包括以車道分類的編號為23005和23006的微波檢測器. 微波數(shù)據(jù)的預(yù)處理需要按2步進行。

第1步：獲得以2 min為時間間隔的分檢測器的各車道速度的加權(quán)平均速度數(shù)據(jù).

l=23 005, 23 006

(4)

第2步：獲取以2 min為時間間隔的等效到牌照識別法路段的加權(quán)平均速度.

以微波檢測器處的流量的倒數(shù)為權(quán)值對2個檢測器處的平均速度進行加權(quán)等效到路段(光輝南里小區(qū)—三塊板村). 處理方法如下：

i=1,2,…,nl(i=11,…,nl)；l=23 005, 23 006

(5)

2.3.2 浮動車數(shù)據(jù)預(yù)處理

平均流量、平均速度、平均占有率為本文獲取的浮動車原始數(shù)據(jù). 其數(shù)據(jù)特征是已經(jīng)經(jīng)過標(biāo)準(zhǔn)化處理為間隔為2 min的數(shù)據(jù).

本論文所研究的路段“光輝南里小區(qū)—三塊板村”，是以牌照識別法為基本單位的路段. 它按車流方向分為3個浮動車路段，其中“光輝南里小區(qū)—三塊板村”方向的3個浮動車路段編號分別為8656、9662和9663.

(6)

2.3.3 牌照識別檢測器數(shù)據(jù)預(yù)處理

牌照識別檢測器獲得的原始數(shù)據(jù)主要包括：車輛入口時間和出口時間，結(jié)合路段長度可求得路段平均速度. 其數(shù)據(jù)特征是未經(jīng)過標(biāo)準(zhǔn)化處理為2 min時間間隔的數(shù)據(jù).

本論文所研究的路段“光輝南里小區(qū)—三塊板村”，即是以牌照識別法為基本單位的路段.

其數(shù)據(jù)預(yù)處理方法為以α=0.05的置信度對1個單位時間間隔(2 min)內(nèi)的數(shù)據(jù)進行大偏差值剔除，然后對剩下的數(shù)據(jù)進行平均得到2 min時間間隔內(nèi)的旅行時間數(shù)據(jù).

因為獲得的2 min之內(nèi)的數(shù)據(jù)一般少于20個，是小樣本，可以認(rèn)為服從自由度為nk-1(nk為第k個時間間隔內(nèi)旅行時間數(shù)據(jù)的樣本量)的t分布，即Vki～t(nk-1). 在顯著性水平為α=0.05的條件下可以求得旅行時間速度的置信區(qū)間.

第k個時間間隔內(nèi)的平均速度

(7)

第k個時間間隔內(nèi)速度的置信區(qū)間

(8)

處于置信區(qū)間范圍內(nèi)的速度數(shù)據(jù)應(yīng)予以保留，處于置信區(qū)間外的速度數(shù)據(jù)應(yīng)予以剔除.

3 實例分析

3.1 用B- P神經(jīng)網(wǎng)絡(luò)法進行融合

本文的模型訓(xùn)練根據(jù)研究時段的不同分為2部分：高峰期和平峰期. 其中高峰期又分為早高峰和晚高峰. 共進行3次模型訓(xùn)練以及3次的有效性判斷. 考慮到路段平均速度可能與流量的早高峰和晚高峰一定程度地錯開，模型的求解均在流量早高峰和晚高峰的基礎(chǔ)上向前推進1 h，往后推進2 h. 也就是說進行模型訓(xùn)練的數(shù)據(jù)時間為5 h，進行驗證的數(shù)據(jù)時間為1 h.

考慮到速度和流量高峰時期的非重合性，早高峰利用2011年6月22日5:00—10:00的數(shù)據(jù)進行訓(xùn)練，10:00—11:00的數(shù)據(jù)進行驗證；平峰利用2011年6月20日12:00—17:00的數(shù)據(jù)進行訓(xùn)練，17:00—18:00的數(shù)據(jù)進行驗證，晚高峰利用2011年6月22日15:00—20:00的數(shù)據(jù)進行訓(xùn)練，20:00—21:00的數(shù)據(jù)進行驗證.

早高峰時段融合和預(yù)測結(jié)果分別如圖3、圖4所示.

圖3 早高峰訓(xùn)練結(jié)果

圖4 早高峰預(yù)測結(jié)果

同時，通過對早高峰、平峰以及晚高峰數(shù)據(jù)進行訓(xùn)練及預(yù)測，并將預(yù)測融合值與準(zhǔn)確值進行比較，如表2所示. 表2是融合值與浮動車數(shù)據(jù)、微波檢測數(shù)據(jù)的比較. 通過表2能夠得出：

1) 融合值LSE均小于浮動車LSE與微波檢測器LSE，因此能判定模型有效.

2) 浮動車LSE與融合值LSE的差值小于微波檢測器LSE與融合值LSE的差值，這說明浮動車檢測器較微波檢測器在速度檢測方面較精確. 其原因可能是對于整個路段，微波檢測器只是檢測了2個點的平均速度，對整個路段平均速度的代表性不強；而浮動車檢測器檢測的浮動車基本均勻分布在路段上，檢測獲得的是沿著路段方向多個點的平均速度，對路段平均速度的代表性更強.

3) 對早高峰、平峰期與晚高峰3個時段LSE進行比較，得出在平峰期檢測數(shù)據(jù)較高峰時期檢測數(shù)據(jù)準(zhǔn)確度更高.

4) 從融合的效果上分析，平峰時期比高峰時期的融合效果更好.

3.2 回歸分析法進行數(shù)據(jù)融合

以牌照識別檢測器速度為因變量，浮動車速度和微波檢測器速度為自變量建立回歸方程.

1) 早高峰利用2011年6月22日5:00—10:00的數(shù)據(jù)進行回歸，得到的回歸方程

y=15.823 89+0.552 847x1-0.005 97x2

由于significanceF=1.39×10-16<α=0.05，說明線性關(guān)系顯著.

2)平峰利用2011年6月20日12:00—17:00的數(shù)據(jù)進行回歸，回歸方程

y=60.134 48-0.131 27x1-0.016 01x2

由于significanceF=0.022 544<α=0.05，說明線性關(guān)系顯著.

3)晚高峰利用2011年6月22日15:00—20:00的數(shù)據(jù)進行回歸，回歸分析方程

y=44.127 53-0.088 128x1-0.009 443x2.

由于significanceF=0.017 131<α=0.05，說明線性關(guān)系顯著.

通過對早高峰、平峰以及晚高峰數(shù)據(jù)進行訓(xùn)練以及預(yù)測，并將預(yù)測融合值與準(zhǔn)確值進行比較，比較結(jié)果如表3所示.

表3 快速路兩檢測器及融合值的LSE比較

1) 融合值LSE均小于浮動車LSE與微波檢測器LSE，因此能判定模型有效.

2) 浮動車LSE與融合值LSE的差值小于微波檢測器LSE與融合值LSE的差值，這說明浮動車檢測器較微波檢測器在速度檢測方面較精確.

3) 對早高峰、平峰期與晚高峰3個時段LSE進行比較，得出在平峰期檢測數(shù)據(jù)較高峰時期檢測數(shù)據(jù)準(zhǔn)確度更高.

4) 從融合的效果上分析，平峰時期比高峰時期的融合效果更好.

由以上分析可得，神經(jīng)網(wǎng)絡(luò)方法和線性回歸方法得到同樣的結(jié)果，2種模型均通過有效性檢驗，取得良好的效果.

5 結(jié)束語

本文對神經(jīng)網(wǎng)絡(luò)融合模型和二元回歸模型進行了深入的研究，基于這2種模型對北京市快速路段交通流的早高峰、平峰和晚高峰3個時段進行了驗證. 在模型的有效性判斷中，融合值LSE均小于浮動車LSE與微波檢測器LSE，平峰時期的速度融合值較真實值更加接近. 同時，浮動車LSE與融合值LSE的差值小于微波檢測器LSE與融合值LSE的差值，說明浮動車檢測器較微波檢測器在速度檢測方面較精確. 設(shè)計2種模型對路段速度值進行預(yù)測，均取得較好的效果，無論高峰期還是平峰期，融合值與準(zhǔn)確值之間的LSE均小于單元檢測器與準(zhǔn)確值之間的LSE值.

[1] 范斐斐. GPS中頻信號處理及其FPGA實現(xiàn)[D]. 上海: 上海交通大學(xué), 2007.

[2] 于厚鋼. 高動態(tài)GPS衛(wèi)星信號模擬器的基帶數(shù)字信號處理實現(xiàn)[D]. 北京: 北京郵電大學(xué), 2009.

[3] 郭利, 張錫恩, 馬彥恒. 模糊數(shù)據(jù)融合算法在設(shè)備狀態(tài)監(jiān)測中的應(yīng)用[J]. 傳感器技術(shù), 2004, 23(6): 73-75, 80.

[4] 胡郁蔥, 徐建閩. 基于BP神經(jīng)網(wǎng)絡(luò)的車輛定位融合模型[J]. 華南理工大學(xué)學(xué)報, 2004, 32(2): 46-49.

[5] Keechoo Choi, Youn-Shik Chung. Travel time estimation algorithm using GPS probe and loop detector data fusion[CD]. Washington D. C: 80th Transportation Research Board Annual Meeting, 2001.

[6] Klein L A, Yi P’, Teng H L. Decision support system for advanced traffic management through data fusion[C]. Transportation Research Record, 2002: 173-178.

[7] 賈俊平, 何曉群, 金勇進. 統(tǒng)計學(xué)[M]. 4版. 北京: 中國人民大學(xué)出版社, 2009.

[8] 劉智勇, 李水友. 基于信息融合技術(shù)的交通量檢測方法[J]. 公路交通科技, 2003, 20(2): 81-84.

[9] 劉亮平. 基于多源檢測器的交通信息融合方法研究[D]. 北京: 北京交通大學(xué), 2010.

[10] John N. Neural network representations for arterial Street incident detection data fusion[J]. Transportation Research Part C: Emerging Teehnologies, 1997, 5(2-3): 245-254.

[11] 曲曉慧, 安鋼. 數(shù)據(jù)融合方法綜述及展望[J]. 艦船電子工程, 2003(2): 2- 4, 9.

Multi-source Traffic Detector Data Fusion Research

SHI Yan1,2, DONG Hong-hui1,2, ZHANG Yu1, SHAN Qing-chao1,2, LIU Kai1,2

(1.School of Traffic and Transportation, Beijing Jiaotong University, Beijing 100044, China;2.Beijing Engineering Research Center of Urban Traffic Information Intelligent Sensing and Service Technologies, Beijing 100044, China)

In order to alleviate urban traffic congestion, it is necessary to obtain roadway network traffic flow parameters to estimate the traffic conditions. Single-detector data may not be sufficient to obtain a comprehensive, effective, accurate and high quality traffic flow data. The neural network and regression analysis data fusion methods are employed to expand data sources as well as improve data quality. The multi-source detector data can provide foundamental support for traffic management. An empirical analysis is conducted using Beijing urban expressway traffic flow parameters acquisition technology. The results show that the proposed data fusion method is feasible and can provide reliable data sources.

data fusion; neural network method; regression analysis; multi-source data

10.13986/j.cnki.jote.2015.03.008

2015- 03- 27.

國家科技支撐計劃課題(2014BAG01B02).

史 巖(1980—)， 女， 工學(xué)學(xué)士， 助理工程師， 研究方向為交通管理， E-mail:buchidou@163.com.

X 951

B

1008-2522(2015)03-35-06