文摘

高速公路交通状态信息来自多个源的交通监控提供了足够的支持,也带来了挑战。本文调查了新数据组合的融合细胞传递和微波传感器探测系统。和融合方法的基础上,提出了神经网络技术。识别的准确性影响因素融合的结果,我们分析了这些因素的敏感性,通过改变神经元网络融合模型的输入。结果表明,切换链路长度和样本容量被确认为最具影响力的参数融合的精度。然后,提出融合方法的效果和功能在不同交通状况进行评估。该方法之间的比较分析和其他融合方法。仿真测试和评估的结果表明,该融合方法可以补充每个集合方法的缺点,提高整体估计精度,适应变量交通条件(自由流动或事故状态),适合手机探测数据的融合和固定传感器,和比其他融合方法。

1。介绍

准确估计的交通速度是经营管理的重要信息高速公路交通。这也是必不可少的高速公路交通流理论的研究,也就是说,交通流动态的建模1,2]。种专用传感基础设施可以收集实时交通信息,但他们仍有全尺寸范围的限制。实现的完整描述高速公路交通状态,交通状态估计技术的发展。一般来说,大多数的估计方法(3,4)是基于单一来源的数据。由于广泛的多源数据变得可用,数据融合技术是必不可少的集成和所有可用的流量测量转化为动态交通状态的一致的图片(5]。各种以前作品导致了数据融合,提出了各种算法,即凸组合算法,卡尔曼滤波技术,模糊积分方法,人工智能技术,和Dempster-Shafer理论。比较研究表明,大多数的数据融合方法进行合理和减小估计误差(6]。然而,它仍然是很难做出判断的最佳融合技术。此外,新开发的收集交通数据融合方法带来了新的挑战。

以下原因促使本研究做进一步调查数据融合技术。首先,细胞传递探测器系统(热电厂)是越来越受欢迎,实现在江苏高速公路(中国)收集数据,而研究这些测量和其他传感器的集成是罕见的(7]。尽管热电厂利用大型空间覆盖率和低成本的实现和维护,它仍然遭受低精度与gps探测方法和固定探测器。另一方面,固定传感器如微波传感器空间覆盖范围有限。因此,尽管这些传感器提供了一个独家的交通流监测数据,每个传感器的固有缺点影响全面交通监控(8]。这两个集合方法以来江苏高速公路上实现的,它是实际集成两个数据源提供更多准确的交通信息。

第二,从热电厂和微波传感器直接测量不同语义和可能相互矛盾。例如,微波传感器的测量包括车辆的计数和速度,而热电厂能抽到旅行时间的手机通讯记录,交接记录。切换记录序列的信息记录在电话移动电话之间的两个相邻塔地区[9,10]。因此,有一辆车载电话随叫随到,可以视为一个探测车辆被记录。通过跟踪调查车辆,相应的旅行时间的调查可以计算。显然,这两个传感器的测量的语义意义是不同的。一个更糟糕的情况是,来自不同传感器的测量相互冲突时应该表示相同的交通状态。

另一个重要的动机是,还有其他的因素除了交通从热电厂或微波传感器测量,可能会影响融合精度。,重要的是找出影响的因素是,它将如何影响融合的结果。固定探测器,失败比率高,不准确的交通状态转换算法两种类型的主要问题(11]。此外,交通方差(即的无知。,shockwave) due to the limited coverage of fixed detectors is also an issue. The factors affecting the precision of CHPS include sample size, handoff accuracy, handoff consistency, and handoff link length.

主要基于这些动机,本研究试图融合手机切换探测系统,微波传感器。剩下的部分提供了详细研究和调查的组织结构如下:第二部分文献综述是关于交通数据融合技术。第三部分提供了详细说明所提出的基于神经网络的数据融合方法。第四部分是简要介绍仿真模型生成测试数据。然后,这些数据被应用于调查影响因素,找出数据融合的最优神经网络模型。和评估的数据融合方法。最后,本文总结了主要结论。

2。文献综述

2.1。数据融合技术的简要概述

交通工程领域涉及品种数据融合技术(12]。本研究关注的应用数据融合技术在动态交通状态估计。我们总结了这些技术为四类(1)statistical-based, (2) probabilistic-based, (3) artificial-intelligence-based, (4) estimation-based [13]。

在统计技术,测量的加权组合来自不同来源是最常见的方法。Tarko旅行时间和Rouphail提出了回归模型数据融合在早期年代(14]。李等人用加权组合融合数据探测车辆和回路探测器估计的队列长度,而权重从基于卡尔曼滤波的协方差15]。Hellinga非线性回归和Gudapati得出结论,似乎是一个适当的方法估计动脉与检测器数据链路延迟(8]。巴赫曼等人测试简单的凸组合和Bar-Shalom /坎波组合融合蓝牙系统和循环探测器(6,16,17]。因为简单的计算,这种方法在实践中被广泛使用。具有挑战性的问题是确定适当的权重从不同的收集方法测量。

贝叶斯方法和概率方法,比如Dempster-Shafer推论,被广泛使用。例如,El Faouzi等人研究了DS证据理论的应用解决旅行时间估计,使用数据从回路探测器和收费站(18]。基于证据理论,香港等人添加了一个动态可靠性评估过程,从而提出了一种改进的证据理论从循环提供实时交通状态估计数据检测器和出租车GPS (11]。Mengying等人提出了一个路口干道recursive-Bayesian推断数据融合模型,基于模拟回路探测器数据、调查数据和历史数据(19]。最关键的因素影响的有效性基于证据理论的融合技术是生成一个适当的责任来自不同来源的测量。

基于人工智能的方法包括专家系统、模糊推理引擎,和神经网络13]。崔的框架应用模糊算子逻辑集成数据源的固定交通检测器,闭路电视,和探测车辆(20.]。Cheu等人用神经网络融合估计的回路探测器和GPS探测在新加坡21]。范的棉絮等人神经网络用于预测缺口的旅行时间数据,获得令人满意的结果,尽管部分信息(22]。这种融合的方法,适当的训练数据可以生成一个更健壮的融合模型,从而提供准确的结果。另一方面,更多的培训数据增加了计算时间和记忆的成本。因此,平衡融合精度和耗时的问题应该做。

Estimation-based方法包括递归方法,如卡尔曼滤波和粒子滤波。卡尔曼滤波器几十年来一直使用的交通状态估计(3,4,23]。有一些有吸引力的卡尔曼滤波的数据融合发展。例如,基于交通流理论,线头,例如提出了一个扩展广义Treiber-Helbing过滤任何数据源的融合(13),结果显示该方法能够重建准确的交通状况。Byon等人结合多个数据源使用single-constraint-at-a-time估计当前交通状态(SCAAT)卡尔曼滤波24]。巴赫曼等人研究的融合方法SCAAT卡尔曼滤波器(6,16,17]。关键是基于卡尔曼滤波器的方法或其扩展的版本使用一个适当的交通流模型,即交通状态变量的关系模型。此外,困难存在于确定初始输入,边界变量,等等。

有其他有价值的作品进行比较和总结不同的数据融合技术。例如,崔和钟使用三种不同的技术融合和评估城市道路网络的链接旅行时间(25]。和他们的结果表明,所有这些融合方法验证优于简单的算术平均每个流量来源,利用现场试验数据GPS探测和探测器。Faouzi,写的一个全面的概述,描述了混合交通的问题来自不同数据源的数据在道路交通问题12]。高速公路交通速度的估计,巴赫曼等人进行了比较评价的多传感器数据融合技术,即分布融合技术(简单的凸组合和Bar-Shalom / Campo组合),卡尔曼滤波技术,有序加权平均,模糊积分,和人工神经网络(6]。可以推断,数据融合是有前途的,大多数的技术提高精度与单个传感器相比。然而,在任何广泛部署的数据融合领域,有一些挑战,如有效应用程序所需的精度,数据质量的动态方面(12),而新开发的传感器数据的融合。所以它仍然是一个有意义的任务,提高数据融合方法。

2.2。动机

尽管交通状态估计的数据融合处理与各种技术,首选融合方法仍有一些关键的困难。这些现有的作品让我们优化数据融合方法在以下方面。首先,数据收集技术的新组合,也就是说,细胞传递探测系统和微波传感器,将在本研究调查。虽然从回路探测器数据、GPS探测系统,收费,或蓝牙探针系统已经广泛应用于数据融合研究中,不同的数据收集技术将提供杰出的数据质量和精度不同。因此,有趣的是调查热电厂和微波传感器的组合。其次,数据质量的动态方面将进行调查。不同因素的敏感性,给一个估计传感器的精度将会调查。例如,重要的是找出探测车辆样本大小的影响(21热电厂和切换链路长度和交通量从微波传感器融合的结果。第三,实现更准确的估计的动态交通状态,本文将专注于改善神经元网络数据融合模型。在巴克曼的比较结果总结et al .,神经网络有时比其他数据融合方法(6]。选择神经网络的另一个原因是它可以考虑其他影响因素融合输入除了交通状态测量,而这些因素表明传感器的精度和可能对融合的影响。因此,它是有意义的改进神经网络模型和评估的神经网络模型的准确性和适应性的新数据源。此外,热电厂正成为一个重要的数据源在江苏高速公路的实际应用,而固定传感器仍在使用。虽然该研究使用高速公路江苏段,该方法可以应用到其他地方。

3所示。方法

图1说明了融合的数据流在这个研究过程和融合的主要组件,包括数据转换模块、神经元网络评估模块,和神经元网络融合模块。原始的输入包括交通信息(例如,旅行时间从热电厂和点速度微波传感器)和其他潜在的有影响力的信息(即。传递链的长度,手机调查样本容量和交通计数从微波传感器)。首先,数据转换模块将直接从异构数据源的流量测量转换成一个一致的space-mean速度在相同的时间间隔。数据将被分离和转移到不同的融合模块基础上是否有一个或两个数据源的链接。神经元网络估计模块将估计的状态与信息和转换space-mean速度只从热电厂在神经元网络融合模块整合可用的数据来自两个来源。这两个模块的组合生成一个复合space-mean速度估计为每个链接。接下来的部分描述每个模块的详细方法。

3.1。数据转换模块

数据转换模块,提出了从多源数据同步流量测量。具体来说,现货速度从微波传感器转换为space-mean速度(SMS)的高速公路链接在一个时间间隔。同样,细胞传递探测器系统的位置和时间戳也处理提取space-mean速度。

3.1.1。从细胞传递探测器系统短信

当一个手机(即开启和使用。,for a call or text message), all the location-related records of this cellphone can be retrieved from real-time cellphone communication data from cell towers [9]。图2展示了一个示例使用切换系统跟踪车辆。每个六边形图2是一个细胞基本收发站(BTS)中心。当有一辆车载手机(移动设备,我在打电话,一个基站控制器(BSC)手中的电话从一个细胞到另一个新的细胞保持手机联系。执行切换太快,用户通常不会通知,和二元同步通信记录每切换一次这是手机通讯数据。记录的信息包括匿名手机号码,细胞ID、切换时间戳和事件ID。然后space-mean速度之间的道路段连续两个切换点可以从以下方程[获得7]: 在哪里的长度是切换链接吗这是一个高速公路之间的联系两个相邻的传递;space-mean细胞探测车辆的速度吗;和切换时间戳如图2。

有几个动态因素被证明对热电厂的精度有影响,也就是说,样本大小,传递链的长度,等等。显然,作为探针技术,热电厂的样本大小也是一个时变变量影响热电厂的准确性。传递链的长度是由塔的覆盖信号。然而,基站的信号变化根据位置、地形、和能力要求;因此切换链接的长度可以几百米甚至几公里。不幸的是,传递并不总是发生在同一地点与巷道部分。相反,有一个范围的高速公路部分切换可能发生的地方。切换位置的一致性的因素之一,可能会影响估计精度(10]。所以本研究需要进一步观察的影响space-varying切换链路长度和时变的样本量融合的准确性。

3.1.2。短信从微波传感器

一般来说,两个连续微波传感器站之间的距离对江苏高速公路1公里。因此,从两个相邻点的简单平均速度测量微波传感器站计算space-mean速度是不适合这种情况。另一个转换方法基于交通量和入住率也不合适,因为测量微波传感器只交通量和点速度。变换位置速度直接space-mean速度,我们应用提出的方法Rakha和张26]。他们派生关系修改配方如下: 在哪里是时间间隔的时间意味着速度;的时间间隔space-mean速度。时间意味着速度的方差的时间间隔。

基于转换模型,相邻的微波传感器之间的距离不会影响space-mean速度。另一方面,造成的错误转换或传感器故障是很难衡量的,尽管这些错误表明传感器的精度。因此,本研究并不需要之间的距离传感器,传感器错误,和转换误差考虑在内。这些影响因素,而是另一个流量测量,也就是说,交通量,被认为是一个有影响力的因素。和这些因素的敏感性研究在以下部分。

3.2。神经元网络融合模块

神经网络技术可以学习如何分类和关联输入/输出模式,这使得它们适合解决问题估计当前链接从几个不同来源包括交通速度测量和其他影响因素。本研究应用多层前馈反向传播神经网络。如图3,应用神经网络包括一个输入层、隐藏层和输出层。不同的输入组合见表1将测试来识别这是真正有影响力的因素,导致融合的精度。的输出层包括一个神经元是融合的结果。有一种普遍的结论后,几个测试:更多隐藏的神经元产生的估计误差,同时需要更多的迭代训练网络。保持一个平衡的融合精度和处理时间成本,隐藏的神经元的数量设置为10。

这项研究的神经网络实现的“feedforwardnet”2014年MATLAB函数。和网络的训练函数是“trainbr”更新重量和偏差值根据Levenberg-Marquardt优化和处理被称为贝叶斯正规化。隐层中的每个神经元乙状结肠传递函数,并使用线性传递函数为输出层。

3.3。神经元网络评估模块

由于有限的报道微波传感器站在实践中,很少有由两个传感器的链接。神经元网络融合模块设计的交通状态估计这些链接有两个数据源。当只有一个数据源(热电厂),本文提出了一个估计模块重构的动态状态。这个模块共享相同的神经网络结构的融合模块。估计模块和融合模块之间的主要区别是输入数据源。估计模块的输入神经元的输入层只是来自热电厂。详细的神经网络结构是决定灵敏度测试的影响因素。

4所示。仿真设置

神经网络模型的训练和验证都需要地面真理的速度。神经网络训练过程使执行某一特定功能通过调整输入之间的权重值,这样一个特定的输入会导致一个特定的输出(16]。在培训过程中,地面真值是目标输出,同时,在验证阶段,实现地面真理评估相比,融合模型的输出。然而,它仍然是在实践中很难获得地面实况数据。

微观交通研究允许强大的实验一般和特定的数据融合研究6]。在仿真中,“地面实况”速度可以通过计算来实现所有车辆的平均旅行时间链接对于一个给定的时间间隔。与此同时,一些特定类型的车辆设置为调查车辆。和旅行时间记录的车辆从细胞传递类似于数据探测系统。微波传感器的测量可以收集的“数据收集”的功能模拟。VISSIM仿真软件,用于构建微观交通模型。

4.1。高速公路几何和传感器布局

22公里,三车道在每个方向Xi-Cheng高速公路上,江苏,中国,是仿真试验床。在实践中,细胞传递探测系统和微波传感器已经实现收集Xi-Cheng高速公路上的交通信息。在仿真中,切换位置是决定通过最近的信号测试。六个微波传感器电台安装在高速公路上。传递和微波传感器站的具体位置如表所示2。图4提供了一个测试高速公路的延伸。显然,切换链接的长度是两个相邻的传递是变量之间的距离(从300米到1540米不等)。

4.2。交通条件设置

建设和校准的仿真模型是基于现场收集的数据从19点包括两座山峰07:00(从喂饲早晨高峰和晚高峰从15:00上午9点至17点)。创建一个动态交通状况,300速度降低区域内设置两个车道内切换链接15的南行Xi-Cheng高速公路,尤其是之间的切换点HO-15和微波传感器站MSS-4,如图4。和减少的速度持续2小时从12点到下午两点。

4.3。测量

微波传感器站上传流量测量每5分钟江苏高速公路运营中心,而细胞传递探测器系统收集手机通讯记录每1分钟。在这项研究中,测量数据来源都是聚合每15分钟从相同的开始时间。从江苏高速公路经营公司热电厂的统计结果显示,切换和交通流量调查样本之间的比率是可变的。在一般情况下,样本比例从1%到15%不等。模拟样本量的随机性,探测车辆的比例在每个间隔使用一个随机数在1%和15%之间。

在VISSIM“数据收集”的功能是能够录制现场的速度和计算每个过路车辆的数量在不同的车道。这些记录作为测量微波传感器和集成每15分钟。

每个链接的地面实况space-mean速度转换的平均旅行时间从每个链接。所有车辆的平均旅行时间是通过VISSIM的“旅行时间”的功能。所有这些信息将被处理测试,验证和评价神经元网络数据融合方法。

5。调查和评估

本节包括(1)一项调查的因素会影响融合精度灵敏度分析;(2)确定最终的融合模型基于前面的调查;(3)使用模拟数据和融合模型生成融合结果;(4)之间的比较提出了融合方法和其他方法。调查和评估的方法都是基于仿真数据。更具体地说,整个12小时的仿真结果分为两个数据子集,也就是说,一个子集模型训练和调查07:00 13:00及评价和比较的另一个子集从下午一点到下午。每个子集涵盖了高峰小时,一个小时事件(速度减速)的影响。因此,第一个子集可以训练融合方法适应动态交通状况,而第二个子集将测试该方法的适应性动态交通状况。作为一个测量的精度,本文利用均方根误差(RMSE)可以由以下公式计算: 在哪里是时间间隔的融合速度吗;代理地面实况速度在时间间隔;是时间间隔的数量。

5.1。影响因素的敏感性分析

大多数现有的交通数据融合工作关注的直接集成交通变量(例如,交通速度从两个来源)。本节的目的是调查交通变量以外的其他因素可能会影响融合结果的准确性。下面的理由说明为什么有些因素值得更深入的调查。

不干扰微波传感器是一种技术的流量检测。交通部门和研究人员(27,28)评估这个集合技术和表示,影响其精度的因素包括(1)传感器故障;(2)安装位置和密度;(3)交通条件,如交通量水平;(4)环境条件,如天气和照明。第一因素,在这项研究中,神经元网络融合模型的训练可以发现微波传感器的输入速度之间的关系和地面真理的速度。在某种程度上,培训过程考虑传感器失败时的情况。因为每个微波传感器的位置是固定的,第二个因素对传感器安装或位置优化问题不在本研究的范围。第三个因素(交通条件),考虑到影响微波传感器的准确性,本研究旨在调查这个因素是否会影响融合的结果。第四个因素(如天气)在高速公路上交通产生影响(29日,30.)以及流量传感器的性能。这将是更有意义的评估在融合环境条件的影响。虽然这项研究并没有考虑到环境条件由于有限的数据来源,提出了神经元网络模型有一个开放的结构。它为我们提供了一个机会来研究环境因素通过添加天气因素的影响(如程度的雨,雪,温度,和可见性)在未来到输入层。总之,交通方面除了微波传感器的交通速度纳入调查。

手机切换探测系统是一种probe-based交通检测技术。证明的因素会影响热电厂的准确性包括(1)调用持续时间;(2)切换链接长度;(3)切换位置的准确性;(4)传递的一致性;(5)手机探测的有效数字31日,32]。很难研究第一个因素因为现有热电厂并不提供关于调用持续时间的信息。一般来说,再调用持续时间能保证更有效的探测,因为有效的探测要求随叫随到的手机通过至少两个切换位置和长电话呼叫持续时间可以确保探测器产生至少两个交接记录。可以推断出,呼叫持续时间影响的第五个因素(样本)。第二个因素(切换链接)的长度,现有的工作(31日)表明,它有一个负面影响切换样本大小,这意味着切换与短长度产生更多的样本量。第三和第四个因素取决于无线操作公司,这意味着这两个因素是由基站的位置和天线的信号强度。热电厂不提供这些信息这两个因素有关,因此很难研究这些因素的影响。然而,一些研究[32)验证切换位置精度和一致性是充分估计有用的旅行时间。至于第五因子(样本),显然,这是一个关键因素影响热电厂精度作为一种probe-based收集技术。总之,切换链路长度和样本大小除了交通速度从热电厂选择研究对融合精度的影响。

不同的敏感性因素对测试的融合模型的准确性的各种组合神经网络模型的输入。图5说明了不同的神经网络的RMSE南行链接和北向的链接,分别。图5 (c)仅仅是一个放大版的底线在图吗5 (b)为区别。基于图5的平均RMSE测试期间所有链接都是0.456,0.404,1.193,0.673,0.399,神经网络有5个输入(两个速度值从源切换链接长度,热电厂的样本大小和交通量微波传感器),三个输入(两个速度值从源和热电厂的样本大小),两个输入(从源两个速度值),四个输入(从源两个速度值,样本容量的热电厂和交通量),和四个输入(两个速度值从源切换链接长度、热电厂、样本大小),分别。以下是一些关于调查的敏感性因素的结果。

首先,热电厂样本大小的因素,切换链接长度,或交通量都是影响因素,提高融合精度。虽然从热电厂和微波传感器是必不可少的输入速度,只有速度的融合两个来源最糟糕的表现。第二个发现是,每一个影响因素的重要性可以推断出融合精度。最小的平均RMSE(0.399),样本大小和切换链接长度的组合对融合精度影响最大的。当只考虑样本容量,RMSE平均(0.404)仍然相对较低。的平均RMSE样本量和交通量的增加。样本大小的结合,切换链路长度和交通量前组合误差可以减少错误。可以推断,样本大小和切换链接长度的组合使最具影响力的因素,更积极的对融合精度的影响。

第三个发现是相关的交通条件。它可以观察到,速度从微波传感器高精度自由流动条件下所能达到的水平。然而,微波传感器的误差是在事故条件下高。不准确的原因在事故条件下的速度减速发生在上游微波传感器。流量传感器是根据冲击波的传播中恢复过来。另一方面,热电厂的准确性在不同流量条件下相对稳定。因此,自由流动条件下,融合的结果减少了误差与测量只能从细胞传递探测器系统。在事故条件下,融合结果减少了错误引起的微波传感器。

5.2。确定神经网络融合模型结构

根据前面的调查,影响因素的样本大小和长度的切换链接清单对融合精度的影响,因此四个输入神经元的神经网络模型(速度、样本大小和切换链接长度从细胞传递探测器系统,从微波传感器)和速度训练为最优融合模型。神经网络模型有三个输入神经元(两个源速度和样本大小)是最理想的。相对,样本大小是一个重要的因素融合精度的提高。切换链接长度也在提高融合性能起着决定性的作用。它表明,速度、样本大小和切换链接长度也应该神经元网络的输入估计模块。除了样本大小和切换链接长度,另一个影响因素的影响(交通量)是不像其他两个关键因素。因此,神经网络模型有四个输入神经元(速度、样本大小和切换链接长度从细胞传递探测器系统,从微波传感器和速度)在融合模块,而三个输入神经元(速度、样本大小和切换链接长度)用于评估模块。

5.3。提出的数据融合方法的评估

仿真数据从下午一点到19点应用于评估在这一节中提出的数据融合方法。图6显示了输出的数据融合方法,地面真理速度,从细胞传递探测器系统和速度测量。数据6(一),6 (b),6 (c)速度在南行Xi-Cheng高速公路,而数据吗6 (d),6 (e),6 (f)速度在北上的高速公路。可以推断,产生的数据融合方法的交通状态变量更接近地面真理南行和向北高速公路。这种方法能够跟踪动态特性的交通速度,如图6。

详细评价提出的数据融合方法,RMSE测试期间计算不同的链接,如图7。尽管微波传感器可以提供更准确的估计自由流动条件下,他们的表现在拥挤的条件下是不稳定的。在这项研究中,微波传感器站位于下游的交通事故。和微波传感器没有监控速度减速上游的位置,可以用冲击波的传播来解释。因此,它在这拥挤的条件下会导致高的估计误差。除此之外,他们的空间分辨率是有限的安装和维护费用高。热电厂的误差相对是稳定在不同交通条件下略高于微波传感器的误差。集成两个探测器的价值(即。,the high accuracy of microwave sensors under free flow condition, the stability precision, and large spatial coverage of CHPS), the proposed data fusion method could produce a better overall traffic state estimation.

5.4。比较该方法与其他融合方法

现有的研究已经比较各种融合方法对交通状态估计(6]。作者做了几个结论六融合方法。(1)作者不建议订购重量平均(OWA)方法和数据融合·曲克模糊积分算法。这两种方法都需要传感器之间的内在关系。例如OWA方法需要知道从不同传感器测量的重要性顺序,这是难以实现的,如果传感器的精度是重新安排经常和其固有的属性是不同的。模糊积分患有类似的问题没有完全找出传感器之间的关系。(2)研究发现,简单的凸组合,Bar-Shalom /坎波组合,single-constraint-at-a-time卡尔曼滤波器有着相似的性能,显著提高融合精度。如果卡尔曼滤波不使用其他交通工具变量(流量和密度)建立状态空间模型更高级的,这两个组合为更简单的计算方法需要更多的优势。(3)神经网络执行以及其他融合方法,有时甚至更好。我们先前的调查和评价提供一个证明神经网络可以执行更好的输入,如切换调查样本量、切换链路长度和体积流量。 Although Kalman filter can also add more traffic variables by applying kinematic traffic dynamic model, it is difficult to add nontraffic variables (e.g., handoff link length) into the Kalman filter. Following the existing research findings, the neural-network-based method is an optimal choice for the fusion of data from CHPS and microwave sensors.

然而,现有的工作没有做个比较Dempster-Shafer (DS)基于证据理论的融合方法。原因可能是不同的输出形式的DS融合过程(18与其他融合方法相比。热电厂为例,当速度测量和微波传感器融合,DS融合过程的第一步是将测量到预定义的类。每个类反映了一种交通状况,如自由流动、拥挤,拥挤。然后,下面的过程包括生成概率质量函数,使用的法官的规则融合质量值矩阵,并选择类的最大概率作为输出DS融合的过程。因此,直接输出不是一个融合速度值。在某种意义上,DS融合方法更适合国家融合,而本研究旨在解决数据融合问题。此外,决定挑战的信念的程度和处理冲突证据仍DS融合方法的问题。

由于上述原因,本研究选择了凸组合作为一个表示数值与该方法进行比较。一个简单的凸组合来自不同传感器测量的线性组合。从传感器获取之间的协方差的线性系数和地面真理。相同的数据作为训练集神经网络方法应用于实现系数。和相同的测试数据集用于熔断器和计算RMSE。在该方法中,神经网络应用于融合多源数据和单一源数据,而凸组合时只适用两个来源是可用的。融合函数和协方差如下: 在哪里是融合速度;从热电厂space-mean速度;从微波space-mean速度传感器;热电厂之间的协方差速度测量和地面真理速度;从微波传感器之间的协方差速度测量和地面真理速度;的协方差融合速度。

图8显示了RMSE凸组合的方法。显然,该神经元网络融合方法优于凸组合。另一方面,训练数据集不是非常大,所以没有时间成本之间的显著差异训练神经网络模型,校正系数的凸组合功能。训练数据量增加,神经网络会更加强劲,但与此同时,培训将更费时。因此,需要寻求一个平衡精度和耗时的问题。

6。结论

本文描述了一种数据融合方法旨在提供高速公路速度估计通过细胞融合数据传递和微波传感器探测系统。它包括三个主要模块,数据转换模块,神经元网络评估模块,和神经元网络融合模块。神经元网络融合模块旨在融合交通信息来自两个来源。另一个神经元网络估计模块开发评估链接速度只有细胞传递探测器数据可用。该方法已经被开发出来,训练,测试,从仿真和验证数据。

本研究的主要贡献包括找出敏感因素影响融合精度,确定神经网络模型的最优结构,融合方法的验证和评估能力,比较该方法与其他融合方法。具体来说,灵敏度进行了调查使用几个因素包括来自两个来源的速度,样本大小和长度的切换链接热电厂和交通量微波传感器。这些因素影响单一技术集合,然后调查证明,他们也影响融合精度。结果表明,样本量切换,切换链接长度的组合是最有效和最具影响力的融合精度。并使用该神经网络架构(速度两个数据来源、调查样本大小和切换链接长度作为输入),该方法能够提高估计精度不同交通条件下(自由流动或拥挤的条件)。提出了融合方法的性能评价的更详细的分析和比较。第一,融合结果表明,结合两个数据源可以补充一个单个传感器的缺点,从而提高整体的估计精度。此外,该方法在不同流量条件下是有效的。最后,分析该方法和其他数据融合方法表明,神经元网络方法是最优的。一个有效的比较进一步证明该方法优于凸组合。 It is constructive and significant for the development of traffic data fusion theory and field engineering application.

在这项研究中,提出了融合方法的验证和评价是基于交通仿真模型。虽然仿真可以获得与现实高度的相似之处,探测车辆行为的复杂性,天气、事件等等来模拟是极其困难的。所以,数据融合方法的进一步评估是至关重要的验证才可以应用在实践中。例如,应该使用字段数据和测试数据融合方法也在其他的公路网络。更多类型的交通状况还需要探索。除此之外,与训练数据集的增加,有必要找到一个平衡在训练数据的大小,计算时间,融合精度。

相互竞争的利益

作者宣称没有利益冲突有关的出版这篇文章。

确认

这项工作得到了国家重点基础研究发展计划资助下的中国没有。2012年cb725405和中国国家自然科学基金批准号51308115。