交通运输融合.pdf

交通运输信息融合报告交通运输信息融合报告 姓 名：陈巍 学 号：12071108 指导教师：刘澜（教授）交通拥挤管理信息融合的关键问题与实用算法交通拥挤管理信息融合的关键问题与实用算法 摘要：摘要：分析了判断交通拥挤事件的两个交通参数，道路占有率和车辆即时速度，以及如何来确定当前道路所处的拥挤水平。并介绍了基于神经网络算法的多种预测算法的融合预测模型，最后介绍了在多源信息下，模糊算法在预测拥挤状态中的应用。关键词：交通拥挤 道路占有率、即时速度、神经网络算法、模糊算法 引言：引言：交通拥挤和阻塞是城市化、现代化、机动化进程中不可避免的现象。从社会发展趋势看，发展经济一般都会导致车路发展矛盾、出行需求与管理服务矛盾的激化，这种矛盾突出地表现在大中型城市对私家车运用的管控上。综合我国公安部网站消息和有关分析1，到 2011 年 6 月末我国私家车数量约有 4000 万，而全国机动车总保有量更是高达 2.17 亿辆，其中汽车 9846 万辆，摩托车 1.02 亿辆。并且，这些数量还在快速增长，1998 年我国每 90 人拥有 1 辆私人汽车，相当于美国 1910 年前后的水平，到 2000 年我国的这一比例已达到每 70 人拥有一辆私人车辆2。这样的交通需求态势给道路交通、尤其是城市交通形成巨大的压力。对拥挤的改善，首先是需要多修道路从而扩大路网规模来满足不断增长的交通需求，但是交通设施的建设滞后于交通需求，并且受地域的现状，基础设施不能保持大规模的增长，故用高新技术改造现有交通运输系统及管理体系，从而大幅度提高路网通行能力和服务质量成为一种重要的方法。拥挤管理是在对道路交通状态进行准确判断和预测的基础上选择合理的管理策略，它是一种决策行为，它包括监视、检测、诊断、评价和对策等一套系统性的方法。随着信息产业的巨大变革，对道路交通参数的预测可以依据更多的数据源，来自不同的环境、不同的层次及不同的分辨率的数据可用来观察同一个对象。随着数据源的增加，需要一种信息融合方法，通过对多传感器数据进行综合处理，去除冗余、克服歧义，进而得到更全面、更准确、更可靠的信息。最后在判断交通拥挤状态的基础上，设计融合交通管理者的经验和知识的交通拥挤管理决策生成模型。1.拥挤事件的检测拥挤事件的检测 1.1 占有率的检测占有率的检测 由于道路上交通流的复杂性，在道路上行进的车流运行状态随着时间的变化而时刻改变。经过大量实验数据得出，道路占有率可以很直观地反应出道路上车辆分布的情况，而占有率对于道路出现高饱和现象反应比较敏感。实验结果表明3：道路占用率和占有率方差存在两种对应关系，同一个占有率方差可能对应正常情况下的低占有率，也可能对应于拥挤状态下的高占有率，两者的关系近似为抛物线关系。在抛物线极小点的右边，占有率方差随占有率的增加而增加，此时共同使用两者能很好地反映道路上拥挤程度的大小。考虑到交通拥挤发生时，道路会连续长时间处于高占有率，为了反映道路交通状态是否出现变化，可用占有率变化量的绝对值来反映交通状态的变化。通过大量数据统计发现，当出现拥挤事件时，占有率量的变化是非常缓慢、非常小的。通过分析可知，当占有率和占有率方差都处于一个高数值的同时，其占有率的变化量绝对值在一段时间内保持在一个较小值的时候，道路发生交通拥挤。在对交通拥挤事件的监测时，首先需要对交通状态进行划分，在用占有率判断道路拥挤情况时，可利用模糊 C均值算法将交通状态粗划分为畅通、缓行、拥挤报警三个中间状态，依据此方法可得到三类状态的聚类中心。模糊 C均值算法基本步骤为：a）随机选择一个初始划分矩阵0U，矩阵有两个变量，分别表示占有率和占有率方差。b）由0U和211(,)cnmmijijjiJU Vxv计算聚类中心。n 为采集的交通信息集，即样本个数；c 为聚类中心数ij为矩阵第 i 行第 j 列，代表第 i 个样本对第 j 个聚类中心的隶属程度 V 为聚类中心矩阵；ijxv表示第 j 组数据对于第 i 类聚类中心的欧式聚类；m 为模糊指数，目的是加强ix属于哪一类从属程度的对比度。c）计算目标函数值。如果它小于某个确定的阈值，或者它相对上次目标函数值的改变量小于某个阈值，则算法停止。d）根据约束条件11;0,1,1cijijicjni和已计算出的聚类中心iv，计算出新的软化矩阵 U，同时也得到了新的分区；重复 b）d），直至目标函数值达到最小。经过模糊 C均值算法的多次迭代，得到三个聚类状态的聚类中心 w，它代表了畅通、缓行、拥挤报警三个状态的聚类中心，通过ijxw的值判断此刻属于哪一种状态。1.2 速度的检测速度的检测 采用车辆行驶即时速度作为交通拥挤水平的主要评价指标。不过，在车辆行驶中，会出现车辆行驶速度与交通拥挤状况不相匹配的现象，例如在通过弯道或者交通路口时车速会明显降低，而此时的道路通行状况可能良好。据调查4，当车速较低时，交通拥挤水平可能同时呈现出 1=Jam，2=Heavy 和 3=Light3 种状态。在繁忙的道路交通环境中，采集的车辆即时行驶速度数据具有波动大、且分布不均的特性，影响分类精度。用滑动平均法对数据进行预处理，设tMV为 t 时刻的移动平均速度，且 1tii ttVMV 在计算中取=3。一般意义上讲，通过对车辆移动模式变化的发掘和提取，可以揭示道路交通拥挤状态变化规律。通过一系列的 3 个连续的行驶速度来获取车辆移动模式，为此引入一个新的参数tAMV来表示每一个窗口下车辆平均速度，以此来反映车辆移动模式的变化。2.短时段短时段交通参数预测交通参数预测 交通拥堵的治理，在于预防，而不是在发生后来解决。故需要对拥堵状态参数的预测。2.1 预测方法预测方法 回归分析预测方法是一种通过分析事物之间的因果关系和影响程度进行预测的方法，常用于对多条路段交通参数之间的关系进行分析。它根据目标路段与相邻路段历史数据之间的相关关系，建立多路段交通参数之间的回归方程，然后对目标路段的交通参数进行预测。这种方法建立的通常是多变量之间的线性方程，而在实际的交通系统中，变量之间的关系复杂多变，并非线性，所以预测结果的准确性会受到一定程度的影响。时间序列分析方法是通过发现研究对象过去的变化规律来推断其未来取值的方法，该方法只利用被预测量本身的历史数据，没有考虑其它影响因素，所以当交通状态变化急剧时，预测结果与实际数据之间存在明显的时间延迟。卡尔曼滤波是一种在现代控制理论中广泛采用的数据处理方法，可以用于信号过滤和模型参数估计，也可以用于交通参数的预测。但该方法在每次计算时都需要调整权值，计算量过大，预测结果的输出有时要延迟几个时段。2.2 多方法融合多方法融合 2.2.1 神经网络预测算法神经网络预测算法 传统的信息预测方法有回归分析算法以及 Kalman 滤波算法。这些方法假定过程是平稳的,系统是线性的，系统的干扰是白噪声，因此在线性系统平稳的随机时间序列预测中能够获得满意的结果。然而，交通问题是有人参与的主动系统，具有非线性和扰动性强的特征。基于小波分析的 Kalman 滤波动态数据预测方法以小波变换后的数据进行 Kalman 预测，克服了传统预测方法不能消除奇异信息的缺点，能有效地预测动态的流量信息，但该方法只能对单个的数据序列进行处理5。而事实上，在城市路网中，路段的某些交通参数和多个方面的数据（如历史数据、当前数据已经其它路段的数据）有关，如何充分利用这些数据，对于提高预测精度有极大意义。随着神经网络的发展和应用，作为非线性动力学系统的神经网络以其具有的理论上无限逼近的能力以及表现出来的“智能”在各领域展现出美好的应用前景,尤其在非线性动力系统的状态估计、辨别、调节和跟踪等方面具有明显优点。为了获得可靠的动态信息预测，提出了一种基于神经网络的交通信息预测方法。预测对象可获得的数据非常丰富，而这些数据源的特征可采用不同的预测方法，所以单一的采用某种数据方法会造成数据的浪费以及预测的不准确。而神经网络算法可以对多种不同预测方法得到的预测值构建预测模型，从而达到提高预测准确性的目的。假设预测对象共有 n 个相关的数据源()(1,2,)if tin；()iF t表示以()if t为依据的预测值。预测模型可表示为 F（t）在()if t上的映射，即 12()(),(),()nF tF tF tF t 其中，()表示映射关系。预测算法的主要步骤描述如下：a）根据采集到的数据提取预测对象有关的信息，构造相关序列集。b）用已有数据确定各相关序列与预测对象在时刻 t 的映射关系()。c）按照各自适合的方法，在()if t基础上进行预测，得到相应的 t 时刻状态()iF t。d）通过映射关系求得最终的预测值 F（t）重复各步骤，直到各时刻预测完毕。2.2.2 模糊识别的预测模糊识别的预测 利用模糊算法可充分利用数据来进行拥挤状态的判断6。交通拥挤预测系统及相应的模糊推理模型结构如下图：输入值模糊化推理运算反模糊化输出值预测交通拥挤状态模糊规则模糊推理 根据前文的介绍，为了介绍简便，这儿的输入值采用道路占有率和速度。道路占有率的隶属函数，该变量取离散论域为-4，-3，-2，-1，0，1，2，3，4，该变量的模糊语言变量选取为负大（NB），负小（NS），零（Z），正小（PS）。分别表示当前道路占有率为：“低”、“一般”、“较高”、“高”。速度的隶属函数，该变量取离散论域为-4，-3，-2，-1，0，1，2，3，4，该变量的模糊语言变量选取为负大（NB），负小（NS），零（Z），正小（PS）。分别表示当前的车辆速度：“慢”、“一般”、“较快”、“快”。拥挤状态的隶属函数，该变量取离散论域为-5，-4，-3，-2，-1，0，1，2，3，4，5，该变量的模糊语言变量选取为负大（NB），负小（NS），零（Z），正小（PS）。分别表示当前交通状态为“畅通”、“轻度拥挤”、“拥挤”、“严重拥挤”。模糊规则的确定时结合专家知识和实践经验得到。将推论得到的模糊值转换为明确的输出，必须将模糊集合解模糊化。可采用重心 3 法反模糊化，其最终判决值为：()()isiimsiiSSSS 式中，mS为具体的交通拥挤状态；iS为第 i 个输出关系函数；()siS为第 i 个关系函数iS的隶属度。根据已经确定的输入变量及其隶属度函数、训练得到有效模糊规则，经过反模糊化处理，可以预测交通拥挤状态，最终得到的模糊识别交通拥挤预测模型。3.拥挤管理的决策拥挤管理的决策 在确定拥挤状态后，如何决策是交通管理中的一项关键问题。在此可以借助专家决策系统来达到有效管理的目的。决策过程中所需的知识会涉及到许多不同的专业领域，且其决策影响会涉及许多不同的利益阶层，因此在 DSS（决策支持系统）理论的基础上进一步发展出了群体决策支持系统（GDSS）的概念。根据现代决策理论，决策的实质就是抉择，即在多个备选方案中比较选择出一个最优方案7。所以需要构建一套数据库，里面包含了多种情况下的决策方案，从而帮助决策层如何抉择。参考文献：参考文献：1 张毅.我国私家车增长有点儿快R.2 Michael Greene.The Future of Personal Transport in China:Summary of a SymposiumR,National Academy Press,Washington,D.C.,2001.3 刘卫宁,曾恒,孙棣华,赵敏.基于视频检测技术的交通拥挤判别模型,计算机应用研究J.2010 4 彭栋栋,曹凯,陈峰.道路交通拥挤水平分类方法研究.山东理工大学学报J.2012 5 李存军.基于小波分析的交通流量预测方法J.计算机应用,2003.6 董敏娥.基于模糊识别的高速公路交通拥挤预测算法J.科学技术与工程.2012 7 张志强，张朋柱.面向复杂决策任务的综合集成决策研讨总体框架设计,系统工程理论与实践J.2006.