一种面向高速公路的多源交通信息融合方法

摘要

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。

主权项

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：$s\left(j\right)=\underset{i=1}{\overset{1}{\Sigma }}{w}_i{x}_i\left(j\right)=W^{T}X\left(j\right)$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：$s\left(j\right)=\underset{i=1}{\overset{2}{\Sigma }}{\omega }_i{x}_i\left(j\right)=W^{T}X\left(j\right)$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:${\sigma }^2=E\left[\underset{i=1}{\overset{2}{\Sigma }}{{\omega }_i}^2{(x-x_i)}^2\right]=\underset{i=1}{\overset{2}{\Sigma }}{{\omega }_i}^2{{\sigma }_i}^2$利用柯西不等式及权的定义：$\left(\underset{i=1}{\overset{n}{\Sigma }}{{\omega }_i}^2{{\sigma }_i}^2\right)\left(\underset{i=1}{\overset{2}{\Sigma }}\frac{1}{{{\sigma }_i}^2}\right)\ge {\left(\underset{i=1}{\overset{2}{\Sigma }}{\omega }_i\right)}^2=1$当且仅当时等号成立，总的均方差取最小值。这时：ω₁²σ₁²＝ω₂²σ₂²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：$w_1=\frac{1}{{\sigma }_1^2(\frac{1}{{\sigma }_1^2}+\frac{1}{{\sigma }_2^2})},w_2=1-w_1$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：$\begin{array}{cc}{x}_{\mathrm{ij}}^{\prime }=\frac{x_{\mathrm{ij}}-{\bar{x}}_j}{S_j}& \left(\begin{array}{c}i=\mathrm{1,2},...,n\\ j=\mathrm{1,2},...,m\end{array}\right)\end{array}$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：${\bar{x}}_j=\frac{1}{n}\underset{i=1}{\overset{n}{\Sigma }}{x}_{\mathrm{ij}}$$S_j={\left[\frac{1}{n-1}\underset{i=1}{\overset{n}{\Sigma }}{(x_{\mathrm{ij}}-{\bar{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}{\Sigma }}(x_{\mathrm{ia}}-{\bar{x}}_i)(x_{\mathrm{ja}}-{\bar{x}}_j)}{\sqrt{\underset{a=1}{\overset{p}{\Sigma }}{(x_{\mathrm{ia}}-{\bar{x}}_i)}^2\underset{a=1}{\overset{p}{\Sigma }}{(x_{\mathrm{ja}}-{\bar{x}}_j)}^2}},-1\le r_{\mathrm{ij}}\le 1$其中：$\begin{array}{cc}{\bar{x}}_i=\frac{1}{p}\underset{a=1}{\overset{p}{\Sigma }}{x}_{\mathrm{ia}}& {\bar{x}}_j=\frac{1}{p}\underset{a=1}{\overset{p}{\Sigma }}{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\in G_p}{\max }\underset{{,q}_j\in 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\in G_k}{\underset{q_s\in G_s}{\max }{r}_{\mathrm{sj}}}=\max \{\underset{q_j\in G_k}{\underset{q_i\in G_p}{\max }{r}_{\mathrm{ij}}},\underset{q_j\in G_k}{\underset{q_i\in 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。