CN109272746B - 一种基于bp神经网络数据融合的mfd估测方法 - Google Patents

Abstract

本发明涉及神经网络技术方法领域，更具体地，涉及一种基于BP神经网络数据融合的MFD估测方法，将LDD估测法和FCD估测法所得的交通数据结合起来考虑，以车联网下100%联网车数据（Network Car Data，NCD）估测的交通参数为检验数据，分别建立路网加权交通流量和路网加权交通密度的BP神经网络数据融合模型，以便可获得更加准确的路网加权交通流量和路网加权交通密度，从而更加准确地估测路网MFD。在有固定检测器的路段，对固定检测器和浮动车所采集的交通数据进行BP神经网络数据融合，得到路段加权交通流量和加权交通密度；在没有固定检测器的路段，用浮动车采集的交通数据提取路段加权交通流量和加权交通密度。最后依据数据融合的路网加权交通流量和加权交通密度，估测路网MFD。

Description

一种基于BP神经网络数据融合的MFD估测方法

技术领域

本发明涉及神经网络技术方法领域，更具体地，涉及一种基于BP神经网络 数据融合的MFD估测方法。

背景技术

城市交通拥堵给城市交通带来了巨大的挑战。如何缓解城市交通拥堵问题已 成为了众多学者的重点研究方向，学者们提出了各种交通控制策略，在一定程度 上有效缓解了城市交通拥堵，但随着车流的不断增大，交通拥堵愈演愈烈，各种 交通控制策略将不适用。近期，Daganzo和Geroliminis两位学者揭示了宏观基本 图(Macroscopic FundamentalDiagrams，MFD)的客观存在性，他们认为MFD 不仅可以对城市路网从宏观层面进行描述，而且可以监视和预测路网交通运行状 态，为从宏观层面对过饱和路网实施交通控制策略提供了新思路，然而如何得到 城市路网的MFD又成为一大难点。目前路网MFD可通过固定检测器(如环形 感应线圈、微波、视频检测器等)或GPS浮动车采集的交通数据来估测。固定 检测器数据估测方法(Loop Detector Data，LDD估测法)是通过安装在路段的 固定检测器实时采集交通数据，然后利用MFD相关理论，估测路网MFD。浮动 车数据估测法(Floating CarData，FCD估测法)是通过安装有GPS车载终端 的车辆(如出租车、公交)，实时采集路网浮动车交通数据，采用Edie(1963) 提出的行车轨迹估测法，得到路网加权交通流量和加权交通密度，从而估测路网 MFD。部分学者对两种估测方法进行了研究，如(Courbon等人，2011)对理论 分析法、LDD估测法、FCD估测法等三种路网MFD估测方法进行比较分析， 研究固定检测器位置和浮动车覆盖均衡性对MFD估测的影响。(Nagle等人，2013) 提出浮动车覆盖率至少15％时，采用FCD估测法，可获得较为准确的路网MFD， 但采用这种方法的前提是必须知道浮动车覆盖率，且浮动车在路网的分布是均匀 的。(Lu等人，2013)利用实际交叉口视频检测数据和出租车浮动数据，估测路 网MFD，并发现数据处理时间间隔会影响路网MFD的估测结果。(Leclercq等 人，2014)利用实际路网获取的交通数据，比较了LDD估测法和FCD估测法等 两种路网MFD估测方法差异，并探讨了两种方法的适用范围。(Du等人，2016) 针对浮动车覆盖率在路网中不均匀的实际情况，假定某个特定起点到终点中的浮 动车比例是已知的，估测路网交通流量所需的等价浮动车比例，并利用少数浮动 车数据估算路网交通流量和交通密度，从而估测路网MFD。但实际上固定检测 器只能采集到部分路段的交通数据，未安装固定检测器的路段则无法获取交通数 据，而GPS浮动车的覆盖率低，交通数据量不足，所估测的路网MFD存在较大 的误差。(Ambühl L等人，2016)针对大多数文献都仅采用上述其中一种方法估 测路网MFD，很少将两者结合起来的情况，提出了将上述两种方法进行数据融 合，从而估测更加准确的路网MFD，但其数据融合算法是经过大量经验实验得 到的，并不具有普遍适用性。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于BP神经网络数据融 合的MFD估测方法，将LDD估测法和FCD估测法所得的交通数据结合起来考虑， 以车联网下100％联网车数据(Network CarData，NCD)估测的交通参数为检验 数据，分别建立路网加权交通流量和路网加权交通密度的BP神经网络数据融合 模型，以便可获得更加准确的路网加权交通流量和路网加权交通密度，从而更 加准确地估测路网MFD。在有固定检测器的路段，对固定检测器和浮动车所采 集的交通数据进行BP神经网络数据融合，得到路段加权交通流量和加权交通密 度；在没有固定检测器的路段，用浮动车采集的交通数据提取路段加权交通流量 和加权交通密度。最后依据数据融合的路网加权交通流量和加权交通密度，估测路网MFD。

为解决上述技术问题，本发明采用的技术方案是：

提供一种基于BP神经网络数据融合的MFD估测方法，具体步骤如下：

(1)首先选定实验区，依据上述基础数据，利用Vissim交通仿真软件建立 交通仿真模型，将5％车辆设定为浮动车，在各路段中间位置设置检测器，将100％ 车辆设定为联网车(特殊的浮动车)，构建车联网环境交通模型，用于获得神经 网络模型的校验数据；为了模拟路网从低峰-高峰-拥堵的整个过程，在该路网仿 真模型中，模拟交通流从低峰开始，路网边界各路段驶入交通量每隔900s增加100pcu/h，直至至高峰的过饱和状态，共仿真30000s，每隔300s采集1次数据， 共采集100次数据；

(2)在步骤(1)之后，设定浮动车和联网车每隔5秒上传车辆数、行驶时 间、行驶距离等数据，依据FCD估测法，计算每隔300秒的浮动车路网加权交 通流量q_FCD、浮动车路网加权交通密度k_FCD、联网车路网加权交通流量q_NCD、联 网车路网加权交通密度k_NCD；同样每隔300秒采集各路段检测器的路段交通密度、 路段交通流量，依据LDD估测法，计算每隔300秒的路网加权交通流量q_LDD、 和路网加权交通密度k_LDD。

(3)在步骤(2)之后，将前50个周期的q_FCD、q_LDD、n_FCD作为路网加权交 通流量融合模型的训练样本，前50个周期的q_NCD作为检验样本，对路网加权交 通流量融合模型进行训练；将前50个周期的k_FCD、k_LDD、n_FCD作为路网加权交 通密度融合模型的训练样本，前50个周期的k_NCD作为检验样本，对路网加权交 通密度融合模型进行训练；最后用训练好的神经网络模型对100个周期的数据进 行数据融合；

(4)在步骤(3)之后，分别生成基于FCD估测的路网MFD_F，基于LDD 估测的路网MFD_L，基于BP神经网络数据融合估测的MFD_BP，基于联网车轨迹 的路网标准MFD_N，对比测定的路网MFD与路网标准MFD的平均相对误差。

本发明提供一种基于BP神经网络数据融合的MFD估测方法，将LDD估测法 和FCD估测法所得的交通数据结合起来考虑，以车联网下100％联网车数据 (Network Car Data，NCD)估测的交通参数为检验数据，分别建立路网加权交 通流量和路网加权交通密度的BP神经网络数据融合模型，以便可获得更加准确 的路网加权交通流量和路网加权交通密度，从而更加准确地估测路网MFD。在 有固定检测器的路段，对固定检测器和浮动车所采集的交通数据进行BP神经网 络数据融合，得到路段加权交通流量和加权交通密度；在没有固定检测器的路段， 用浮动车采集的交通数据提取路段加权交通流量和加权交通密度。最后依据数据 融合的路网加权交通流量和加权交通密度，估测路网MFD。

优选地，在步骤(2)中，LDD估测法的具体步骤如下：

(1)首先在路网中各路段均安装有固定检测器(如环形线圈检测器、视频采 集检测器等)，则可直接通过固定检测器采集的路段交通流量和交通密度估测路 网MFD，

(2)在步骤(1)之后，依据(Geroliminis and Daganzo,2008)所提出的MFD 相关理论^[1～6]，可知：

式中：N——路网移动车辆数(veh)；

q^w、k^w、o^w——路网加权交通流量(veh/h)、路网加权交通密度(veh/km)、 路网加权时间占有率；

i、l_i——路段i和该路段的长度(km)；

q_i、k_i、o_i——路段i的流量(veh/h)、密度(vehk/km)和时间占有率；

s——车辆的平均车长。

优选地，在步骤(2)中，FCD估测法的具体步骤如下：

当路网所有车的轨迹可知时，根据车轨迹可计算出路网的交通流量和交通密 度，公式如下：

式中：k——路网交通密度，veh/km；

q——路网交通流量，veh/h；

m——采集周期T内记录的车辆数；

n——路网中路段总数

t_j——采集周期T内第j辆车的行驶时间，s；

l_i——第i路段的长度，m；

T——采集周期，s；

dj——采集周期T内第j辆车的行驶距离，m；

T_m——采集周期T内路网所有车的行驶时间之和，s。

D_m——采集周期T内路网所有车的行驶距离之和，s。

若实际很难获取所有车辆的行驶状态(行驶距离和行驶时间)，就获取部分 浮动车的行驶状态；Nagle(2014)提出假定浮动车在路网中的比例ρ已知的，且 在路网各区域均匀分布，那么依据上述公式，可估算路网的交通流量和交通密度， 公式如下：

式中：

——利用浮动车数据估算的路网交通密度，veh/km；

——利用浮动车数据估算的路网交通流量，veh/h；

m′——采集周期T内记录的浮动车数；

n——路网中路段总数

t_j′——采集周期T内第j’浮动车的行驶时间，s；

l_i——第i路段的长度，m；

T——采集周期，s；

d_j′——采集周期T内第j’辆车的行驶距离，m；。

优选地，所述BP神经网络由输入层、隐含层、输出层三层所组成，其学习 算法为全局逼近方法；利用BP神经网络模型，对LDD估测法和FCD估测法计算 所得的路网加权交通流量和路网加权交通密度进行数据融合，获得路网加权交通 流量和路网加权交通密度，从而估测路网MFD。

优选地，路网MFD估测的两个关键参数为路网加权交通流量和路网加权交通 密度，分别要设计基于BP神经网络的路网加权交通流量融合模型和路网加权交 通密度融合模型；具体步骤如下：

(1)首先，输入数据与输出数据；

对于路网加权交通流量融合模型，输入数据主要包括LDD估测法所得的路网 加权交通流量qLDD，FCD估测法所得的路网加权交通流量qFCD，路网浮动车样 本数量nFCD，即神经网络输入层有3个参数，输出层为融合后的路网加权交通 流量

对于路网加权交通密度融合模型，输入数据主要包括LDD估测法所得的路网 加权交通密度kLDD，FCD估测法所得的路网加权交通密度kFCD，路网浮动车样 本数量nFCD，即神经网络输入层有3个参数，输出层为融合后的路网加权交通 密度

(2)在步骤(1)之后，进行网络层数确定；

BP神经网络的层数至少包含3层(输入层、隐含层、输出层)，隐含层可以1层 以上，但隐含层数越多，网络越复杂，训练时间也越长。通常情况下，包含1个 隐含层的三层网络可满足大多数应用要求，设定两个模型的网络层数均为3层；

(3)在步骤(2)之后，神经元数量的确定；

依据下列经验公式计算可隐含层的神经元数量：

式中，N_BP——隐含层神经元数量；

n_BP——输入层神经元数量；

m_BP——输出层神经元数量；

c——经验常数，取值0-10。

与现有技术相比，本发明的有益效果是：

本发明提供一种基于BP神经网络数据融合的MFD估测方法，将LDD估测法 和FCD估测法所得的交通数据结合起来考虑，以车联网下100％联网车数据 (Network Car Data，NCD)估测的交通参数为检验数据，分别建立路网加权交 通流量和路网加权交通密度的BP神经网络数据融合模型，以便可获得更加准确 的路网加权交通流量和路网加权交通密度，从而更加准确地估测路网MFD。在 有固定检测器的路段，对固定检测器和浮动车所采集的交通数据进行BP神经网 络数据融合，得到路段加权交通流量和加权交通密度；在没有固定检测器的路段， 用浮动车采集的交通数据提取路段加权交通流量和加权交通密度。最后依据数据 融合的路网加权交通流量和加权交通密度，估测路网MFD。

附图说明

图1为实施例路网加权交通流量融合模型的网络结构的示意图。

图2为路网加权交通密度融合模型的网络结构的示意图。

图3为天河区核心路网布局图的示意图。

图4为各种估测方法的路网加权交通流量对比图。

图5为各种估测方法的路网加权交通密度对比图。

图6为相对于qNCD的相位误差绝对值的平均值的表格图。

图7为相对于kBP的相位误差绝对值的平均值的表格图。

图8为各种估测方法的路网二维MFD的示意图。

图9为各种估测方法的所得路网三维MFD的示意图。

图10为各MFD的拟合函数的示意图。

具体实施方式

下面结合具体实施方式对本发明作进一步的说明。其中，附图仅用于示例性 说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好 地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产 品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可 以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明 的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或 位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描 述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构 造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本 专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语 的具体含义。

实施例

如图1至10所示为本发明一种基于BP神经网络数据融合的MFD估测方法 的实施例，具体步骤如下：

(1)首先选定实验区，依据上述基础数据，利用Vissim交通仿真软件建立 交通仿真模型，将5％车辆设定为浮动车，在各路段中间位置设置检测器，将100％ 车辆设定为联网车(特殊的浮动车)，构建车联网环境交通模型，用于获得神经 网络模型的校验数据；为了模拟路网从低峰-高峰-拥堵的整个过程，在该路网仿 真模型中，模拟交通流从低峰开始，路网边界各路段驶入交通量每隔900s增加 100pcu/h，直至至高峰的过饱和状态，共仿真30000s，每隔300s采集1次数据， 共采集100次数据；

(2)在步骤(1)之后，设定浮动车和联网车每隔5秒上传车辆数、行驶时 间、行驶距离等数据，依据FCD估测法，计算每隔300秒的浮动车路网加权交 通流量q_FCD、浮动车路网加权交通密度k_FCD、联网车路网加权交通流量q_NCD、联 网车路网加权交通密度k_NCD；同样每隔300秒采集各路段检测器的路段交通密度、 路段交通流量，依据LDD估测法，计算每隔300秒的路网加权交通流量q_LDD、 和路网加权交通密度k_LDD。

(3)在步骤(2)之后，将前50个周期的q_FCD、q_LDD、n_FCD作为路网加权交 通流量融合模型的训练样本，前50个周期的q_NCD作为检验样本，对路网加权交 通流量融合模型进行训练；将前50个周期的k_FCD、k_LDD、n_FCD作为路网加权交 通密度融合模型的训练样本，前50个周期的k_NCD作为检验样本，对路网加权交 通密度融合模型进行训练；最后用训练好的神经网络模型对100个周期的数据进 行数据融合；

(4)在步骤(3)之后，分别生成基于FCD估测的路网MFD_F，基于LDD 估测的路网MFD_L，基于BP神经网络数据融合估测的MFD_BP，基于联网车轨迹 的路网标准MFD_N，对比测定的路网MFD与路网标准MFD的平均相对误差。

其中，在步骤(2)中，LDD估测法的具体步骤如下：

(1)首先在路网中各路段均安装有固定检测器(如环形线圈检测器、视频采 集检测器等)，则可直接通过固定检测器采集的路段交通流量和交通密度估测路 网MFD，

(2)在步骤(1)之后，依据(Geroliminis and Daganzo,2008)所提出的MFD 相关理论^[1～6]，可知：

式中：N——路网移动车辆数(veh)；

q^w、k^w、o^w——路网加权交通流量(veh/h)、路网加权交通密度(veh/km)、 路网加权时间占有率；

i、l_i——路段i和该路段的长度(km)；

q_i、k_i、o_i——路段i的流量(veh/h)、密度(vehk/km)和时间占有率；

s——车辆的平均车长。

另外，在步骤(2)中，FCD估测法的具体步骤如下：

当路网所有车的轨迹可知时，根据车轨迹可计算出路网的交通流量和交通密 度，公式如下：

式中：k——路网交通密度，veh/km；

q——路网交通流量，veh/h；

m——采集周期T内记录的车辆数；

n——路网中路段总数

t_j——采集周期T内第j辆车的行驶时间，s；

l_i——第i路段的长度，m；

T——采集周期，s；

dj——采集周期T内第j辆车的行驶距离，m；

T_m——采集周期T内路网所有车的行驶时间之和，s。

D_m——采集周期T内路网所有车的行驶距离之和，s。

若实际很难获取所有车辆的行驶状态(行驶距离和行驶时间)，就获取部分 浮动车的行驶状态；Nagle(2014)提出假定浮动车在路网中的比例ρ已知的，且 在路网各区域均匀分布，那么依据上述公式，可估算路网的交通流量和交通密度， 公式如下：

式中：

——利用浮动车数据估算的路网交通密度，veh/km；

——利用浮动车数据估算的路网交通流量，veh/h；

m'——采集周期T内记录的浮动车数；

n——路网中路段总数

t_j'——采集周期T内第j’浮动车的行驶时间，s；

l_i——第i路段的长度，m；

T——采集周期，s；

d_j'——采集周期T内第j’辆车的行驶距离，m；。

其中，所述BP神经网络由输入层、隐含层、输出层三层所组成，其学习算 法为全局逼近方法；利用BP神经网络模型，对LDD估测法和FCD估测法计算所 得的路网加权交通流量和路网加权交通密度进行数据融合，获得路网加权交通流 量和路网加权交通密度，从而估测路网MFD。

其中，路网MFD估测的两个关键参数为路网加权交通流量和路网加权交通密 度，分别要设计基于BP神经网络的路网加权交通流量融合模型和路网加权交通 密度融合模型；具体步骤如下：

(1)首先，输入数据与输出数据；

对于路网加权交通流量融合模型，输入数据主要包括LDD估测法所得的路网 加权交通流量qLDD，FCD估测法所得的路网加权交通流量qFCD，路网浮动车样 本数量nFCD，即神经网络输入层有3个参数，输出层为融合后的路网加权交通 流量

对于路网加权交通密度融合模型，输入数据主要包括LDD估测法所得的路网 加权交通密度kLDD，FCD估测法所得的路网加权交通密度kFCD，路网浮动车样 本数量nFCD，即神经网络输入层有3个参数，输出层为融合后的路网加权交通 密度

(2)在步骤(1)之后，进行网络层数确定；

BP神经网络的层数至少包含3层(输入层、隐含层、输出层)，隐含层可以1层 以上，但隐含层数越多，网络越复杂，训练时间也越长。通常情况下，包含1个 隐含层的三层网络可满足大多数应用要求，设定两个模型的网络层数均为3层；

(3)在步骤(2)之后，神经元数量的确定；

依据下列经验公式计算可隐含层的神经元数量：

式中，N_BP——隐含层神经元数量；

n_BP——输入层神经元数量；

m_BP——输出层神经元数量；

c——经验常数，取值0-10。

上述两个模型的n_BP＝3，m_BP＝1，C取7，因此上述两个模型的隐含层神经元数量均为9。上述两个模型的BP神经网络结构图如图1、图2。

本实施例选取广州市天河区核心路网交叉口群作为研究对象，该路网由天河 路、天河东路、天河北路、体育西路、体育东路等主干路及部分支路组成，包括 7余个平面交叉口，20余个出入口，如图3所示。交通流量数据以SCATS交通信 号控制***在2017年8月6日高峰小时(18:00－19:00)所检测数据为基 础，如图3所示。

对100个周期的q_BP、q_FCD、q_LDD、q_NCD进行数据对比，如图4所示，对100 个周期的k_BP、k_FCD、k_LDD、k_NCD进行数据对比，如图5所示：

从图4-5可知，FCD估测法所得的路网加权交通流量和路网加权交通密度变化幅度较大，这是因为浮动车数量较少；LDD估测法和车联网估测所得的路网加权 交通流量和路网加权交通密度变化较为稳定，且变化趋势较为一致，随着仿真时 间的推移，路网加权交通流量和路网加权交通密度逐渐增大，然后在一段时间内 维持较稳定的值，接下来又急剧下降，但LDD估测法所得的路网加权交通流量 和路网加权交通密度均小于车联网估测的路网加权交通流量和路网加权交通密 度，这是因为当到达数据采集间隔时，少部分车辆尚未到达固定检测器。

分析仿真数据，得到q_LDD、q_FCD、q_BP与q_NCD的相对误差绝对值的平均值和 k_LDD、k_FCD、k_BP与k_NCD的相对误差绝对值的平均值，如图6、7所示。

从图6、7所示可知，q_FCD和k_FCD的相位误差绝对值的平均值最大，分别为 11.52％和12.26％；q_LDD和k_LDD的相位误差绝对值的平均值次之，分别为8.22％ 和11.54％；经BP神经网络数据融合后，q_BP和k_BP的相位误差绝对值的平均值 分别为6.2％和7.2％，最接近标准值q_NCD和k_NCD。

利用各种估测数据，生成基于FCD估测法的路网MFD_F，基于LDD估测法 的路网MFD_L，基于BP神经网络数据融合估测的MFD_BP，基于联网车轨迹的路 网标准MFD_N，如图8所示。

从图8可知，MFD_F的散点呈现较大的离散性，MFD_L、MFD_BP、MFD_N的散 点较为集中，而且随着仿真时间的推移，路网加权交通流量和路网加权交通密度 均逐渐增大，路网加权交通密度从70veh/km开始，路网维持在较高的加权交通 流量，随着路网加权交通密度增大，路网加权交通流量急剧下降，路网出现过饱 和状态。同时路网MFD还出现了“回滞现象”，符合路网MFD的特性。对各MFD 的散点进行数据拟合，得到拟合函数，计算各拟合公式的最佳加权交通密度k₀和最大加权交通流量q_max，并求解各MFD的k₀和q_max与标准值的k_0(NCD)和q_max(NCD)相位误差，如图9所示。

从图9可知，MFD_F的k₀和q_max相对误差最大，分别为18.43％和5.32％。 MFD_BP与MFD_L的k₀和q_max相对误差较小，但MFD_BP的k₀和q_max更接近标准 MFD_N的k_0(NCD)和q_max(NCD)，分别为0.86％和-4.05％。由此可见，BP神经网络 数据融合后的路网MFD更加准确。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非 是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明 的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施 方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进 等，均应包含在本发明权利要求的保护范围之内。

Claims (5)

1.一种基于BP神经网络数据融合的MFD估测方法，其特征在于，具体步骤如下：

(1)首先选定实验区，利用Vissim交通仿真软件建立交通仿真模型，将5％车辆设定为浮动车，在各路段中间位置设置检测器，将100％车辆设定为联网车，构建车联网环境交通模型，用于获得神经网络模型的校验数据；为了模拟路网从低峰-高峰-拥堵的整个过程，在该路网的交通仿真模型中，模拟交通流从低峰开始，路网边界各路段驶入交通量每隔900s增加100pcu/h，直至至高峰的过饱和状态，共仿真30000s，每隔300s采集1次数据，共采集100次数据；

(2)在步骤(1)之后，设定浮动车和联网车每隔5秒上传车辆数、行驶时间、行驶距离，依据FCD估测法，计算每隔300秒的浮动车路网加权交通流量q_FCD、浮动车路网加权交通密度k_FCD、联网车路网加权交通流量q_NCD、联网车路网加权交通密度k_NCD；同样每隔300秒采集各路段检测器的路段交通密度、路段交通流量，依据LDD估测法，计算每隔300秒的路网加权交通流量q_LDD、和路网加权交通密度k_LDD；

(3)在步骤(2)之后，将前50个周期的q_FCD、q_LDD、n_FCD作为路网加权交通流量融合模型的训练样本，n_FCD为路网浮动车样本数量， 前50个周期的q_NCD作为检验样本，对路网加权交通流量融合模型进行训练；将前50个周期的k_FCD、k_LDD、n_FCD作为路网加权交通密度融合模型的训练样本，前50个周期的k_NCD作为检验样本，对路网加权交通密度融合模型进行训练；最后用训练好的神经网络模型对100个周期的数据进行数据融合；

(4)在步骤(3)之后，分别生成基于FCD估测的路网MFD_F，基于LDD估测的路网MFD_L，基于BP神经网络数据融合估测的MFD_BP，基于联网车轨迹的路网标准MFD_N，对比测定的路网MFD与路网标准MFD的平均相对误差。

2.根据权利要求1所述的基于BP神经网络数据融合的MFD估测方法，其特征在于，在步骤(2)中，LDD估测法的具体步骤如下：

(1)首先在路网中各路段均安装有固定检测器，则可直接通过固定检测器采集的路段交通流量和交通密度估测路网MFD；

(2)在步骤(1)之后，依据MFD相关理论，可知：

式中：N——路网移动车辆数veh；

q^w、k^w、o^w——路网加权交通流量veh/h、路网加权交通密度veh/km、路网加权时间占有率；

i、l_i——路段i和该路段的长度km；

q_i、k_i、o_i——路段i的流量veh/h、密度vehk/km和时间占有率；

s——车辆的平均车长。

3.根据权利要求2所述的基于BP神经网络数据融合的MFD估测方法，其特征在于，在步骤(2)中，FCD估测法的具体步骤如下：

当路网所有车的轨迹可知时，根据车轨迹可计算出路网的交通流量和交通密度，公式如下：

式中：k——路网交通密度，veh/km；

q——路网交通流量，veh/h；

m——采集周期T内记录的车辆数；

n——路网中路段总数；

t_j——采集周期T内第j辆车的行驶时间，s；

l_i——第i路段的长度，m；

T——采集周期，s；

dj——采集周期T内第j辆车的行驶距离，m；

T_m——采集周期T内路网所有车的行驶时间之和，s；

D_m——采集周期T内路网所有车的行驶距离之和，s；

若实际很难获取所有车辆的行驶状态，就获取部分浮动车的行驶状态；假定浮动车在路网中的比例ρ已知的，且在路网各区域均匀分布，那么依据上述公式(2)和公式(3)，可估算路网的交通流量和交通密度，公式如下：

式中：

——利用浮动车数据估算的路网交通密度，veh/km；

——利用浮动车数据估算的路网交通流量，veh/h；

m'——采集周期T内记录的浮动车数；

n——路网中路段总数

t_j'——采集周期T内第j’浮动车的行驶时间，s；

l_i——第i路段的长度，m；

T——采集周期，s；

d_j'——采集周期T内第j’辆车的行驶距离，m。

4.根据权利要求1所述的基于BP神经网络数据融合的MFD估测方法，其特征在于，所述BP神经网络由输入层、隐含层、输出层三层所组成，其学习算法为全局逼近方法；利用BP神经网络模型，对LDD估测法和FCD估测法计算所得的路网加权交通流量和路网加权交通密度进行数据融合，获得路网加权交通流量和路网加权交通密度，从而估测路网MFD。

5.根据权利要求1所述的基于BP神经网络数据融合的MFD估测方法，其特征在于，路网MFD估测的两个关键参数为路网加权交通流量和路网加权交通密度，分别要设计基于BP神经网络的路网加权交通流量融合模型和路网加权交通密度融合模型；具体步骤如下：

(1)首先，输入数据与输出数据；

对于路网加权交通流量融合模型，输入数据主要包括LDD估测法所得的路网加权交通流量q_LDD，FCD估测法所得的路网加权交通流量q_FCD，路网浮动车样本数量n_FCD，即神经网络输入层有3个参数，输出层为融合后的路网加权交通流量

对于路网加权交通密度融合模型，输入数据主要包括LDD估测法所得的路网加权交通密度k_LDD，FCD估测法所得的路网加权交通密度k_FCD，路网浮动车样本数量n_FCD，即神经网络输入层有3个参数，输出层为融合后的路网加权交通密度

(2)在步骤(1)之后，进行网络层数确定；

BP神经网络的层数至少包含输入层、隐含层、输出层这3层，隐含层为一个或一个以上，隐含层数越多，网络越复杂，训练时间也越长；且包含1个隐含层的三层网络可满足应用要求，初步设定两个模型的网络层数均为3层；

(3)在步骤(2)之后，神经元数量的确定；

依据下列经验公式计算可隐含层的神经元数量：

式中，N_BP——隐含层神经元数量；

n_BP——输入层神经元数量；

m_BP——输出层神经元数量；

c——经验常数，取值0-10。

Images