CN101739824B

CN101739824B - 基于数据融合技术的交通状况估计方法

Info

Publication number: CN101739824B
Application number: CN2009101986924A
Authority: CN
Inventors: 陈林; 魏淑桃; 石林祥
Original assignee: Shanghai Polytechnic University
Current assignee: Shanghai Polytechnic University
Priority date: 2009-11-12
Filing date: 2009-11-12
Publication date: 2012-11-14
Anticipated expiration: 2029-11-12
Also published as: CN101739824A

Abstract

本发明公开了一种基于数据融合技术的交通状况估计方法。本发明根据“更多的信息有助于更准确的估计交通状况”这一原则，利用全球定位***(GPS)、环形车辆检测器等传感器获得当前的交通状况信息，经过预处理后，与天气、时间段、不同时刻的传感器数据一起采用贝叶斯网络进行融合处理，得出当前交通状况的准确信息。该方法除了当前传感器数据，还考虑了多个影响交通状况的其他因素，并进行融合处理，可以避免单个传感器信息带来的误判问题。该交通状况估计方法尤其适用于大城市的交通环境。

Description

基于数据融合技术的交通状况估计方法

技术领域

本发明涉及一种交通状况估计方法，特别是涉及克服单个数据源造成的状态估计不够准确，误差较大这些缺点的一种基于数据融合技术的交通状况估计方法。

背景技术

世界汽车产业的发展和家用轿车的日益普及，道路交通的拥堵问题成为了城市交通的重要问题；另一方面信息技术的飞速进步为综合解决交通问题带来了机遇。就是在这种背景下，先进的交通信息管理***先于智能交通***的其他***受到了广泛的关注，在世界各国都得到了飞速的发展，被应用于动态路径规划、动态导航、路网调协交通信号***、动态交通调度等各个方面。其中，实时路网交通状态的估计是交通信息管理***的关键组成部分。

对路网交通状态进行实时估计和所采用的交通信息相关，不同的交通信息决定了估计的方法和精度。目前，国际上已经有许多相关研究，其中，具有代表性的是Martin L.Hazclton(“Estimating Vehicle Speed from Count andOccupancy data，Journal of Data Science 2(2004)，231-244”)。MartinL.Hazclton有效地考虑并且建模处理了道路检测环数据错误率大，可靠性低的问题，并且结果喜人，但是他是在高速路上进行的研究，只适用于交通流是连续流的情况，而城市的交通流是间断流，不适用于城市路网的交通流状态估计。利用检测环数据对城市路网进行交通流估计对城市基础设施要求较高，在很多城市往往取不到足够的所需数据，并且错误率高的问题得不到有效地解决。

在专利文献“城市路网交通流状态估计方法，申请号：200510026214.7”中，申请人提出了一种基于GPS数据和自适应交通控制***(SCATS)的交通控制信息的状态估计方法。但是单纯使用GPS数据，会有很多出错情况，容易造成误判。比如，GPS数据显示车辆行驶速度为0，***一般判断为交通拥堵，但是当前车辆也可能是因为上下客，或者因为红灯而造成的车辆GPS数据而显示车辆行驶速度为0，并不是真正的交通拥堵，这样容易造成的交通状态的估计错误。而且交通控制***的信息并不方便取得。

发明内容

针对上述问题，本发明的主要目的在于针对现有技术的不足，提出一种新的基于数据融合的用于城市路网的交通流状态估计方法，克服单个数据源造成的状态估计不够准确，误差较大的缺点。

本发明是通过下述技术方案来解决上述技术问题的：为了实现这样的目的，本发明的技术方案的数据源来自于，一类来自与传感器数据，包括环形车辆检测器和车辆上装载的GPS接收机。环形车辆检测器可以获得当前道路车辆行驶的平均速度信息；车辆上装载的GPS接收机也可以获得当前道路上行驶的车辆速度信息，如果同时接收到同一路段上的多辆车发送过来的GPS信息，就可以求出该路段上车辆的平均速度信息。

另一类信息是与交通状况密切相关的非传感器信息，包括当前天气状况，当前的时间信息。这些信息也对一条道路是否拥堵有非常重要的影响。

最后一类信息是传感器历史信息，包括离现在短时间内的过去GPS接收机获得的车辆平均速度信息和环形车辆检测器获取的道路车辆平均速度信息。

本方法主要包括以下几个步骤：

(1).通过传感器采集路面的交通状况信息；

(2).对步骤(1)中传感器采集的传感器数据进行预处理；

(3).将采集的传感器数据和当前天气、时间采用贝叶斯网络方法，对数据进行融合处理；

(4).通过融合处理后得到的数据估计交通状况。

下面分别进行描述：

1.对GPS数据进行预处理：

把能够提供包括距离、时间、速度信息的车载GPS接收机传递过来的当前实时GPS数据视为各个有向路段上车流的采样点。GPS数据的预处理，主要包括首先根据GPS数据中的经纬度信息，进行道路匹配，确定GPS数据来自于那条路段上的车辆；然后将根据该路段上的所有GPS数据中的车辆速度信息，求得该路段车辆的平均速度。

2.对环形车辆检测器数据进行预处理：

因为环形车辆检测器可以直接提供路段上的车辆行驶的平均速度，所以不再需要另外的处理。

3.由平均速度划定道路拥堵状态：

以t₀时刻城市路网中各个有向路段道路方向的平均速度为指标进行道路拥堵状态的划定。将城市路网中路段的平均速度分为五个速度等级，分别对应畅通、较畅通、不通畅、拥堵、严重拥堵五种道路拥堵状态。根据各个有向路段对应的平均速度所处的速度等级来判断各个有向路段的拥堵状态。

4.用于数据融合的贝叶斯网络构建：

根据数据之间的因果关系，构建贝叶斯网络。贝叶斯网络中的每一个节点代表一个随机变量，箭头由原因指向结果。每个节点所代表的随机变量的概率分布表则经过观察统计和实验得到。

5.基于变量消元法的数据融合

变量消元发是一种常用的贝叶斯网络推理方法。逐步消去不属于查询变量，也就是交通状况变量的其他变量，最终得到在已知证据变量的基础之上的，查询变量也就是交通状况的概率分布情况。估计得到融合之后的交通状况。

本发明的积极进步效果在于：本发明提供的基于数据融合技术的交通状况估计方法有以下优点：

1.该方法除了当前传感器数据，还考虑了多个影响交通状况的其他因素，并进行融合处理，克服了单个数据源造成的状态估计不够准确，误差较大的缺点。

附图说明

图1为城市路网交通状况估计方法的流程框图；

图2为用于数据融合的贝叶斯网络示意图。

具体实施方式

下面结合附图给出本发明较佳实施例，以详细说明本发明的技术方案。图1城市路网交通状况估计方法的流程框图，如图1所示，本发明提供的基于数据融合技术的交通状况估计方法包括如下几步：

(1).通过传感器采集路面的交通状况信息；

(2).对步骤(1)中传感器采集的传感器数据进行预处理；

(4).通过融合处理后得到的数据估计交通状况。

下面分别进行描述：

1.数据预处理

本发明所要求的输入数据如图2所示，包括GPS测量当前平均速度、上一个时刻GPS测量的平均速度、环形车辆检测器测量车辆平均速度和上一个时刻环形车辆检测器测量车辆平均速度，以及天气和时间段数据。平均速度v根据实际交通状态可分为5个速度等级，交通状态严重拥堵对应于v≤10公里/小时，拥堵对应于10＜v≤20，不畅通对应于20＜v≤30，较畅通对应于30＜v≤50，通畅对应于v＞50。天气数据根据对交通的影响程度，分成恶劣、较差、一般和较好。时间段根据对交通影响程度，分成高峰时段、拥挤时段、一般时段和畅通时段。

2.贝叶斯网络构建

构建的贝叶斯网络结构如图2所示，箭头表示两者之间有因果关系如果要提高数据融合精度，可以增加更多的数据，比如增加更多的历史传感器数据，或者增加更多的传感器数据类型，例如，视频数据等等。对于贝叶斯网络中每个节点的概率分布的确定，采用实际测量和专家审定的方法。通过对某一路段长期的观察，可以确定，在不同的天气状况下，交通状况的情况，从而可以确定从天气到交通状况的条件概率分布。

3.基于变量消元法的数据融合

输入融合过程如下：

①初始化

构造一个初始的中间函数队列，将贝叶斯网络中的所有节点相对应的函数放入其中；然后对初始的函数队列根据得到的传感器数据、天气等变量，设定其初始值；然后构造一个待消元变量序列，该序列不包括已知的预设值变量和待求的交通状况变量。

②如果待消元变量序列中还有待消元变量则重复执行这一步骤

构造一个新的函数队列，将原有的函数队列中的和待消元变量相关的函数全部移入新的函数队列；构造一个新的函数，该函数为新的函数队列的计算结果；对新的函数队列中所涉及到的所有变量依次赋值，即从(0，0，…，0)一直赋值到(m，n，…，z)(其中m，n，….，z等是各个变量的最大取值分类号)，对每次赋值计算新函数队列的连乘值，将该连乘值按待消元变量的取值进行累加后所得的值就是新函数在当前赋值条件下的函数值；将计算完毕的新函数加入到原有的函数队列中；

③将目前的函数队列中的所有函数合并为一个函数并进行归一化处理，最后所得到的函数就是在当前已知条件下待求交通状况的概率分布，即得到当前的最大概率的交通状况估计。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内，本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims

1.一种基于数据融合技术的交通状况估计方法，其特征在于：所述方法包括如下步骤：

(1).通过传感器采集路面的交通状况信息；

(2).对步骤(1)中传感器采集的传感器数据进行预处理；

a.对GPS数据进行预处理：

首先根据GPS数据中的经纬度信息，进行道路匹配，确定GPS数据来自于哪条路段上的车辆；然后将根据该路段上的所有GPS数据中的车辆速度信息，求得该路段车辆的平均速度；

b.对环形车辆检测器数据进行预处理：

因为环形车辆检测器可以直接提供路段上的车辆行驶的平均速度，所以不再需要另外的处理；

c.由平均速度划定道路拥堵状态：

以t₀时刻城市路网中各个有向路段道路方向的平均速度为指标进行道路拥堵状态的划定，将城市路网中路段的平均速度分为五个速度等级，分别对应畅通、较畅通、不通畅、拥堵、严重拥堵五种道路拥堵状态，根据各个有向路段对应的平均速度所处的速度等级来判断各个有向路段的拥堵状态；

根据数据之间的因果关系，构建贝叶斯网络，贝叶斯网络中的每一个节点代表一个随机变量，箭头由原因指向结果，每个节点所代表的随机变量的概率分布表则经过观察统计和实验得到；

(4).通过融合处理后得到的数据估计交通状况；

①初始化

构造一个初始的中间函数队列，将贝叶斯网络中的所有节点相对应的函数放入其中；然后对初始的函数队列根据得到的传感器数据、天气变量，设定其初始值；然后构造一个待消元变量序列，该序列不包括已知的预设值变量和待求的交通状况变量；

构造一个新的函数队列，将原有的函数队列中的和待消元变量相关的函数全部移入新的函数队列；构造一个新的函数，该函数为新的函数队列的计算结果；对新的函数队列中所涉及到的所有变量依次赋值，即从0，0，…，0一直赋值到m，n，…，z，其中m，n，…，z是各个变量的最大取值分类号，对每次赋值计算新函数队列的连乘值，将该连乘值按待消元变量的取值进行累加后所得的值就是新函数在当前赋值条件下的函数值；将计算完毕的新函数加入到原有的函数队列中；

2.根据权利要求1所述的基于数据融合技术的交通状况估计方法，其特征在于：所述传感器包括两类：一类是汽车上所安装的全球定位***接收机，另一类是埋在道路地下的环形车辆检测器。

3.根据权利要求1所述的基于数据融合技术的交通状况估计方法，其特征在于：所述传感器数据，既包括当前时刻的传感器数据，也包括传感器历史数据。

4.根据权利要求2所述的基于数据融合技术的交通状况估计方法，其特征在于：所述进行融合处理的数据包括全球定位***测量当前平均速度、上一个时刻全球定位***测量的平均速度、环形车辆检测器测量车辆平均速度和上一个时刻环形车辆检测器测量车辆平均速度，以及天气和时间段数据。