一种自适应的交通状态估计方法

摘要

一种自适应的交通状态估计方法，具体步骤包括：(1)在融合参数训练中，根据各数据源的交通信息计算各源的基本概率分配表。(2)在多源融合的交通状态估计中，把训练好的各源概率分配表融合成决策表；根据各源实时的交通信息从决策表中获得交通状态估计结果。(3)在自适应调整中，对各源概率分配表周期性地进行自适应调整；将自适应调整后的各源概率分配表融合成新的决策表并用于下一周期的实时交通状态估计。本发明中的各数据源的概率分配表可周期性地自适应调整，不仅减少了前期融合参数训练的数据量和工作量，而且自适应调整后的概率分配表能适应实时的城市道路交通状态变化模式，可提高交通状态估计的准确性。

主权项

一种自适应的交通状态估计方法，其特征在于：所述估计方法包括以下步骤：(1)融合参数训练：把估计得到的各源历史交通状态与相应的人工视频标注结果统计成各源的交通状态信息表，将各源历史交通状态与相应的人工视频标注结果的信息通过基本概率公式计算得到各数据源的基本概率分配表。(2)多源融合的交通状态估计：对训练好的各数据源的概率分配表用D‑S证据理论融合成决策表；将各数据源实时的交通数据估计成道路交通状态，并从融合成的决策表中用最大似然法则，即选取概率最大对应的状态作为交通状态估计结果。(3)自适应调整：对各数据源的概率分配表周期性地进行自适应调整，自适应调整包括初步调整和均和调整。每隔一个自适应周期T，根据该周期T内采集到的所有各源数据的状态信息，包括各源数据估计出的交通状态，根据各源数据估计出的交通状态从决策表中得到的估计结果和相应的人工视频标注结果，依次对各源的概率分配表进行调整。当从决策表中得到的估计结果与相应的人工视频标注结果一致时，即交通状态估计准确，不调整其概率分配，否则依次对各源的概率分配表进行如下的初步调整：$\left\{\begin{array}{c}m{{\left(C_k\right)}_{u,r}}^{\prime }=m{\left(C_k\right)}_{u,r}+\alpha ·m{\left(C_k\right)}_{s,r}\\ m{{\left(C_k\right)}_{s,r}}^{\prime }=\beta ·m{\left(C_k\right)}_{s,r}\end{array}\right.$式中：k为数据源的编号；C_k表示不同的数据源；α和β是调整系数，且α＝0.1，β＝0.9；r为某数据源数据估计出的交通状态；s为根据各源数据估计出的交通状态从决策表中得到的估计结果；u为相应的人工视频标注结果；m(C_k)_u，r则表示在C_k数据源的概率分配表中，该数据源数据估计的交通状态为r且人工视频标注结果为u的概率；m(C_k)_s，r则表示在C_k数据源的概率分配表中，该数据源数据估计的交通状态为r且人工视频标注结果为s的概率。将该周期初步调整完的各源概率分配表与前几个周期的各源概率分配表用均和算法进行均和调整，从而得到自适应调整后的各源概率分配表。均和算法的公式如下：$\left\{\begin{array}{c}m{{\left(C_k\right)}_{x,y}}^{\prime }=\underset{i=0}{\overset{p-1}{\Sigma }}{\sigma }_i·m{\left(C_k\right)}_{x,y,i}\\ {\sigma }_i=(p-i)/\underset{j=0}{\overset{p}{\Sigma }}j\end{array}\right.$式中：p表示参与调整的自适应周期个数，一般最大为4；当i＝0时，m(C_k)_x，y，0表示在当前周期初步调整完的各源概率分配表中，C_k数据源数据估计出的交通状态为y且相应的人工视频标注结果为x的概率；当i＞0时，m(C_k)_x，y，i表示在前i个周期的各源概率分配表中，C_k数据源数据估计出的交通状态为y且相应的人工视频标注结果为x的概率；σ_i表示各个自适应周期中各源概率分配表的权重。每一周期后，把自适应调整好的各数据源的概率分配表作为训练好的概率分配表，再通过步骤(2)融合得到新的决策表并用于下一周期的实时交通状态估计。