逐步扩展卡尔曼滤波方法,高速公路交通状态估计融合多源数据

文摘

可变技术已经用于收集交通数据和估计交通条件。在大多数情况下,一个以上的技术可用。需要一个合法的研究和应用是如何使用异构来自多个数据源的数据,并提供可靠的和一致的结果。本文旨在整合交通特征提取的无线通讯记录和测量微波传感器的状态估计。和进步的状态空间模型扩展卡尔曼滤波器(PEKF)方法。展览现场试验的结果,该方法有效地融合异构多源数据和自适应轨道交通状况的变化。该方法令人满意,并承诺未来的开发和实现。

1。介绍

各种交通检测方法已被用于高速公路交通监控及其应用,如回路探测器、微波传感器,摄像头,蓝牙传感器、探头,手机和GPS探测。在大多数情况下,不止一个技术是高速公路段上可用。因此,它是一个挑战完全单元化的多源数据的建设交通状态。包括以下关键问题:(我)多源异构性的测量(2)在空间或时间分辨率的区别(3)测量的不一致时,应表示相同的交通状态

尽管多源数据提供丰富的交通信息,他们仍有限制在整个空间或时间的报道。传统方法构建全网的流量状态有限的测量是基于模型的估计1- - - - - -3]。估计的一个广泛应用的技术,被称为在线贝叶斯方法,卡尔曼滤波及其扩展的版本,比如扩展卡尔曼滤波器(EKF)。卡尔曼滤波器(4)实施解决交通问题和线性关系(5]。扩展卡尔曼滤波器估计符合非线性交通流模型(3,6- - - - - -9]。一系列的作品基于EKF算法由小王和Papageorgiou [3,6- - - - - -8,10)已应用于高速公路网络与固定检测器的数据。EKF算法还具有高效性能的评估使用数据探测车辆,如gps探测技术(9),以及手机活动基于数据探测技术(1使用无线通讯记录。然而,这些作品来源单一的数据。

已经证明,整合多源数据可以提高精度,减少歧义,提高健壮(11]。巴赫曼等。12)提供了一个比较不同的数据融合技术的评估交通速度估计,包括分布融合技术,卡尔曼滤波技术,有序加权平均,模糊积分,和人工神经网络。大多数的近期作品在交通数据融合是数据驱动的方法11,13- - - - - -17),要求一组训练数据的校准方法。因此,数据驱动的方法可能会失败在没有足够的数据进行训练和测试。Mannini等人做了进一步的融合结果的应用程序通过使用卡尔曼滤波器来估计交通速度(18]。另一方面,基于模型的一些作品使用的宏观交通流模型是融合多源数据。Heilmann等人应用线性卡尔曼滤波器结合数据从本地检测器和电子收费系统(等)(19]。邓et al。20.克拉克)应用的近似法和纽厄尔的方法从三个探测器,融合数据及其估计也卡尔曼基于过滤器的线性测量方程。最近,南特et al。2)致力于发展增量卡尔曼滤波器估计融合的三种异构数据源收集从干道,假设所有测量是独立的。比较,基于模型的方法优于数据驱动方法通过考虑交通变量之间的关系。

在应用程序的基于模型的方法,重要的是定义测量之间的关系和交通状态变量。新开发的数据收集技术通常需要一个更新或调整这种关系模型。源数据应用于本研究交通特性提取从无线通信记录和流量测量微波传感器。交通特性从无线通信记录并不直接交通状态变量,这是一个挑战为应用程序的交通状态估计。无线通信记录也被称为细胞通讯记录,包括记录切换,正常位置更新和数据转换。交通特性提取这些无线通信记录从handoff-based不同于交通信息收集方法(21]。我们的最近的研究表明,这些交通特性的应用在交通评估是可行的1]。本研究旨在解决这些交通特性的集成与数据从传统固定传感器的交通状态估计。因此,上述三个关键问题的交通数据融合将在本研究调查。

在本文中,我们开发一个渐进扩展卡尔曼滤波器,基于(PEKF)的估计量。有一些明显区别南特等的工作。2和我们的工作。首先,我们使用不同的数据源,从而导致不同的状态空间模型测量方程。也导致不同的语义、空间和时间同步的数据。此外,假设他们的方法是每个数据源的依赖,而我们提出的方法是基于精确的预知多个集合的方法。此外,我们的研究集中在高速公路上的应用程序时专注于城市主干道。

剩下的纸是组织如下。部分2这两个源异构数据提供了一个简要分析。以下部分3描述了高速公路交通性质的模型。我们建立了PEKF估计部分4。部分5应用现场数据来评估该方法的性能。最后,得出了几个关键的结论部分6。

2。分析多源数据的特点

2.1。多源数据

正如上面提到的,多源数据源于无线通讯记录和微波传感器。类似于其他固定传感器(即。,inductive loop detectors), the microwave sensors collect the value of traffic flow and speed at the spot. However, the sparse placement of sensors on the freeway in China makes this technique only achieve the traffic information from a small part of the road network. To some extent, the probe-based techniques have the larger spatial coverage. The wireless communication records of cellphones provide a source to extract traffic state information. In some studies, they used parts of these records; for instance, some used the handoff records to obtain the traffic speeds [22- - - - - -24]。实现更多的样本和更好的我的这些无线通讯记录的潜在价值,本研究应用无线通信的所有记录活动的手机网络来提取交通信息。主要包括两种类型的活动记录:系统信号,比如位置区更新、传递和计费记录,用户活动,如电话、短信,和数据服务,如浏览网页,发送,和检查电子邮件1]。

提取过程命名为手机活动(CA)基于数据的方法(1]。这种方法含糊不清地定位车载手机在高速公路上根据附近基站的地理信息。两个交通特性提取提名为独特的手机数量(UCC)和伪速度(PS)。简洁,该方法包括以下步骤。首先,找出信号的基站覆盖高速公路。其次,项目这些发射塔在高速公路上的虚拟传感器的网站。第三,确定一个车载手机的移动方向在高速公路上通过跟踪网站虚拟传感器的变化,也就是说,发射塔,连续记录的活动这手机。第四,高速公路的UCC计算通过计算方向相同的手机发射塔和记录的相同的高速公路链接。第五,手机隐约的PS =虚拟传感器两个相邻站点的距离除以两个序列之间的时间记录。由于车载手机的模糊定位,UCC和PS不能直接等于交通状态变量。 It was found that these traffic features had a link-based characteristic, which meant that some freeway links could generate good data that closely related to the traffic state variables [1]。除此之外,它是证明,UCC变化的物理意义依赖于交通状态。因此,关系模型建立如下(1]。

PS和交通速度的关系模型如下: 在哪里(公里/小时)表示交通速度联系在时间间隔 , (公里/小时)表示测量PS的链接在时间间隔 ,和表示相应的PS噪音。

UUC和交通状态变量的关系模型(密度或流)如下:

以来的关系取决于交通状态,有条件的功能开发(1]: 在哪里(在阿明费/ h)表示交通流的链接在时间间隔 。

(在阿明费/ km / h)表示链接的平均交通密度在时间间隔 , 表示UCC的测量时间间隔 , 和表示相应的UCC噪音,是一个线性系数是一个依赖于时间的变量,是一个线性系数是常数,然后呢(公里/小时)的临界转速确定交通状态。

后面的六个参数将节中讨论5。

2.2。异构数据的特性

在这项研究中,有必要确定之间的差异指导异构多源数据融合的研究。显然,在这项研究中不同语义的多源数据,时间和空间覆盖率。微波传感器提供现场测量时的交通特性CA link-average值基于数据的方法。此外,它们表现出不同的精度。探索不同的精度,我们使用从江苏高速公路现场收集的数据。对比这两个集合的速度测量方法如图1。可以从图推断畅通的状态下(超过50公里/小时的速度),无线通信的PSs记录不稳定波动在一个大范围。图1(一)表明PSs都低于50公里/小时从11点到放送链接1和发表在链接19日放送,但是现场的速度从微波传感器显示,交通畅通的状态和低速状态之间的切换。高速公路运营中心的事件/事故报告表明,在那个时期交通速度非常缓慢。它证明了PSs低速状态下更准确而微波传感器的速度。可能导致不稳定的微波测量的速度收集当场不反映一个链接的平均速度。会有走走停停的现象尤其在低速或拥挤的状态。

基于比较,我们做出以下推断,促进建设的估计量。首先,从微波传感器是测量比交通特性更加稳定和准确畅通的状态下从无线通信记录。第二,在低速或拥挤的条件下,PS被认为是准确的速度测量。显然,重要的是要确定交通条件当数据源是可用的,但冲突。根据推断,PS更可靠的低速或拥挤的条件下。为了避免偏见的影响PS畅通的状态下,我们设置以下规则来识别速度从两个源冲突时的交通状况。

低速或拥挤的条件是否满足下列条件之一:(我) 。(2) 。(3) 。

否则,它是畅通的状态,(公里/小时)表示速度测量(时间平均速度)微波传感器的链接在时间间隔 。

3所示。高速公路交通流建模与多源数据

模型包括宏观交通流模型和测量模型。宏观交通流模型描述交通变量之间的关系包括速度、密度、流量。和测量模型显示了异构测量和流量变量之间的关系。

3.1。高速公路交通流宏观模型

本研究利用验证的宏观交通流模型,即METANET模型(3]。在空间和时间离散的宏观模型。如图2,高速公路延伸方向分为旅行与长度 , 。在同等时间是离散时间步 。

多源空间同步的测量,高速公路段的划分遵循一些规则。首先,如果有一个微波传感器在一个链接,最好是找到中间的链接(或链接)中,这不同于一些作品把固定检测器的边界链接(3,6]。第二,作为CA基于数据的方法的优势,可以使用任何长度,只要一个或多个基站垂直投射到一个链接,这个或这些基站的信号可以覆盖这个链接。其他规则包括几何差异(例如,莱恩下降,上/下)可以应用,最多是最佳一-或关闭斜坡内的链接(3]。在这项研究中,我们应用一个统一的长度1公里的链接显示在以下测试区。

基于划分高速公路链接和时间步长,应用二阶宏观交通流模型的链接(是链接的数量)包括以下四个方程。

守恒方程是

动态速度方程

固定速度方程

流动方程是 在哪里(小时)是离散的时间步长,的长度(公里)的链接 , (veh /公里/ lane)的交通密度是链接在时间间隔 , (在阿明费/ h)是交通流的链接在时间间隔 , (在阿明费/ h)的斜坡流入链接在时间间隔 , (veh / h)是链接的坡道流出在时间间隔 , (公里/小时)的空间平均速度是链接在时间间隔 , , , ,和模型参数,所有链接共享相同的这些参数的值,是零均值高斯白噪声在速度方程,(公里/小时)根据密度相对应的平均速度,(公里/小时)是免费的低速度,veh / km / h)(在临界密度,和表示零均值高斯白噪声在流动方程。

3.2。度量模型和日期同步

根据多源的特点,测量,测量一组方程建立如下。

3.2.1之上。手机密度测量方程

条件函数(2)显示了UCC和交通状态变量之间的关系在不同交通条件下(流量和密度)。基于流之间的关系、密度和速度,这种关系模型可以转换如下: 在哪里(在阿明费/ km / h)表示转移密度从UCC链接在时间间隔k。

后来,手机设置为密度测量模型 在哪里是UCC的测量误差。

3.2.2。手机速度测量方程

速度测量方程可以直接应用(1节)2。

3.2.3。微波传感器的速度测量方程

速度测量微波传感器的平均速度,也就是说,时间平均速度。众所周知,有时间平均速度之间的差异和空间平均速度。在基于模型的估计,所需的空间平均速度。Rakha和张25)制定这两种之间的转换速度。这个配方工作时间平均速度的方差。然而,有时很难实现这一目标的变化。根据分析部分2的速度测量,发现微波传感器比PS更稳定可靠畅通的状态下,由于PS振荡在低速条件下。因此,本研究提出以下条件使用两个源的速度函数如下。

如果冲突在低速或拥挤的条件下

否则, 在哪里速度测量的噪声从微波传感器。

3.2.4。微波传感器的流量测量方程

考虑一个微波传感器安装在中间环节 ,如图2。流量测量的 TI (min)的时间间隔收集流量测量。

veh / (TI)的流量测量微波传感器位于链接在时间间隔 。

表示相应的流量测量噪声。

考虑流动方程的关系(6),交通密度可以计算测量的流量和速度。因此,(11)可以转让如下,除了测量 。

4所示。设计PEKF-Based估计量

4.1。状态空间模型

基于上面提到的交通流模型和测量模型,建立了状态空间模型的状态向量x,u, ,和 , 定义如下: 表示density-speed状态向量。 表示边界状态向量。 表示向量的过程噪声。 从CA数据表示的向量测量噪声。 表示矢量的测量噪声微波传感器。

然后重写宏观流模型和度量模型状态空间形式包括一个过程功能紧凑(13)和两个测量功能(14)和(15)如下: 函数与过程(3),(4),(5)和(6)。测量功能与(8),(1),(10)和(12)。 , ,和是非线性微分向量函数。向量从CA数据和包含所有可用的测量包含微波传感器的测量。在应用程序中,将通过测量函数(7)和(10)。的随机变量 , ,和分别代表了过程和测量噪声。是时间的数量的步骤。

4.2。多源数据的PEKF估计量

包含非线性状态空间模型方程,因此,本研究建立了基于扩展卡尔曼滤波(EKF)估计技术。随着勘探在前面的部分中,源测量和流量之间的关系状态变量高度依赖于交通状况的判断。因此,我们做一些调整传统的卡尔曼滤波器估计量,更新估计量是提名为进步EKF (PEKF)估计量。PEKF估计量的操作图如图3。所示的调整主要是测量更新步骤。这些调整的目的是整合多源数据无线通信记录和微波传感器在这项研究。如图3包括下列内容,调整。第一,速度从微波传感器(命名为m-speed在以下描述)和PSs是用来识别交通条件如部分所示2。其次,根据所确定的交通状况,UCC转换到相应的交通状态变量通过(7)。因此,速度可以决定通过测量模型(10)。类似传统的卡尔曼滤波器估计,这个过程函数的偏导数和测量功能,使用雅可比矩阵转换,用于线性化模型(23,26]。该估计量包括以下步骤。

一步0(初始化)。设置时间间隔 ,让 , ,初始状态和协方差是由历史数据。

一步1(时间更新)。状态估计推断如下:

误差协方差的推断 在哪里误差协方差的时间步 。

一步2(测量更新)

一步2.1。确定交通状态基于规则部分2.2。

一步2.2。变换UCC交通密度根据交通状态使用条件(7)。

一步2.3。决定速度微波传感器测量模型按照国家交通条件(10)。

一步2.4。更新输入测量矩阵 。

一步2.5。测量更新使用(14)和(15)如下。

卡尔曼增益计算

状态估计更新如下: ,在那里可能是或和可能是或这取决于源数据使用。

误差协方差更新如下: 。

一步3所示。让 回到步骤1,直到预定时间段结束,是单位矩阵。

和偏导数的雅可比矩阵吗关于和 ,分别为:

和偏导数的雅可比矩阵吗关于x和 。 是更新后的测量矩阵的多种渠道。是相应的噪声矩阵复合和 :

5。测试和结果

5.1。一个测试高速公路段和数据收集

5.1.1。高速公路测试床

试验台是19公里,四车道北行的段Ning-Hu高速公路连接无锡和苏州,中国,这是中国最繁忙的高速公路的一部分,如图4。两个微波传感器(M1和M19)附近的结束部分。根据freeway-division规则,段分为19与统一长度的1公里。标签链接链接1链接19从北到南旅游方向相反。微波传感器内部链接1和链接19日分别。段几乎是几何均匀没有任何巷滴。

5.1.2中。数据收集

的多源数据提供的现场试验是江苏高速公路运营中心,并收集了9月30日,2014年。收集方法(即。,the microwave sensors and the CA data-based method) integrated their measurements by a time interval of ten minutes starting from 00:00, September 30, 2014. The spatial coverage of the microwave sensor is limited to Link 1 and Link 19, while the cellular signal covers all links.

除了这两个数据来源,有一个交通事故/事故报告可用于以下估计结果的评价。这份报告表明,一个事件发生在链接4凌晨数。交通也很拥挤。这两个一起交通现象导致交通缓慢移动从一个链接跳到下一个1 10以及附近的链接的影响。报告还显示,交通慢慢地从10点到那一天的晚上由于交通拥挤。原因是中国国庆假期从10月1日开始免费和收费公路政策,在这个假期,和,因此,它吸引了巨大的流量。因此,爬得高交通流量时关闭测试一天的午夜。因此,高交通流量触发速度下降,密度大。

5.2。模型参数

5.2.1。参数的时候了

的时间步T估计量的10秒来满足要求 。测量更新的时间间隔为10分钟。测量时的估计量的作品是可用的。这意味着时间更新和测量更新将工作60步骤(10分钟/ 10秒)使用相同的测量。

5.2.2。参数对链接和边界

虽然有19个链接、微波传感器的测量只能在两个链接(链接1和链接19)。我们最近的研究发现,流量特性(UCC和PS)从无线通信中提取记录链接,链接,链接14,链接与交通变量[18有最亲密的关系1]。本研究使用UCC和PS从这些链接为了精度高。此外,PSs在链接1和链接19日也在低速或拥挤的条件下使用,因为这些PSs是更可靠的比微波速度条件下节讨论2。为了避免不准确的边界输入的影响,链接1和链接19被视为边界链接,和,因此,测量在这些链接是用作变量的边界。

5.2.3。宏观交通流模型参数

经验参数设置如表1。和模型的链接共享相同的值。本研究使用价值的建议在王等人的作品。6]随着过程的噪声。

5.2.4。参数测量模型

UCC的测量模型中的系数校准使用历史数据如下(1]。常数参数约等于8.5为所有链接(链接,链接,链接14日和链接18)。时变参数价值如下:从凌晨00:00,它大约等于0.3;从凌晨到07:30时,它逐渐从0.3增加到1.0;从07:30时的一天,它大约等于一个常数1.0畅通的状态下。另一个关键参数测量更新步骤是识别的临界速度的交通条件。有价值的经验为50公里/小时。

测量噪声应该从手机活动测量数据的标准偏差和微波传感器。然而,很难真实值噪声当没有足够的数据。现有的一些研究表明,扩展卡尔曼滤波器被发现有轻微的灵敏度标准deviation-based测量噪声,这保证了估计量的表现即使贫穷预知模型噪声(3,7]。因此,偏差是设置为一个较小的值;veh /密度偏差是1公里,速度偏差是1 km / h的来源。

5.3。估计结果

图5通过提出PEKF-based方法显示了估计的结果。逐渐变化的颜色代表了交通状态的变化。蓝色代表了低密度和高速条件下,而红色代表高密度和低速状态。如图5,畅通的估计速度和密度变化,密集,拥挤的条件。例如,整个高速公路段的速度在00:00至十点之间很少红色如图5 (b)。颜色变红,这意味着交通减慢。颜色是深红色,表明拥堵的交通速度很低。在图5(一个)veh /密度低于40公里从0到7点显示的蓝色。是合理的,几乎没有在高速公路上交通的午夜工作日当天和增加交通时间。

另一方面,这一事件/事故报告数据用于定性评价结果的准确性缺乏“真实”的速度和密度。图5 (b)显示速度下降首先链接1和链接2凌晨11点。因此,这种现象发生在快速链接3和链接4。5和链接6和速度联系也减少在那个时候。速度的变化表明,评估结果表现出交通事故的影响。然而,报告事故发生在链接4大约11点,但估计结果链接4有一个小的延迟。由于测量只能在链接1和链接6和两个链接之间的距离6公里长,这么小的延迟是可以理解的。在图5(一个),链接密度1,链接2,和链接3减少事件发生时。链接链接1日以来2,链接3下游链接链接4,这种下降现象反映了激波的传播。另一个事件记录是当天晚些时候对交通拥挤导致的低速度。从图5 (b),我们可以看到大面积的红色当天晚些时候,验证评估结果的正确性。和改变颜色在图5(一个)显示密度的变化反映了交通低速交通条件下的振动。大概,估计的结果有效地集成多个数据源的测量和展览动态和实时交通状态。

5.4。评价

评估提议的PEKF-based估计量是由比较结果从多源数据和单一数据。我们从以前的工作[应用评估结果1),使用无线通信数据和交通状态估计EKF-based数据同化方法。因为微波传感器之间的距离非常稀疏,这些传感器产生的数据是不能胜任的应用基于模型的方法。因此,从微波传感器直接测量用于比较。做一个精确的比较,绝对差(广告)被选为性能指标。它可以由以下公式计算: 在哪里时间间隔是绝对差吗 , 是状态估计(密度和速度)从单一数据源的时间间隔 , 是状态估计(密度或速度)来自多个源的时间间隔 。

进步EKF-based估计量的迭代过程表明,微波传感器的测量通常是作为更精确的值与交通特性的无线通讯记录。广告之间估计源和无线通信数据和广告之间的估计从源和测量微波传感器在不同的链接出现在图6。显然,进步EKF-based方法生成的估计更接近更准确测量微波传感器。一般来说,它将提高总精度的估计融合多源数据。

6。结论

提出了一种渐进扩展卡尔曼滤波器(PEKF)方法来估计高速公路交通状态和集成异构数据无线通信数据和微波传感器。应用程序的挑战这两个数据源的异构性问题空间覆盖率和测量数据的语义。通过多源数据的特征分析,我们建立了测量和交通状态变量之间的关系并提出一些规则来解决两个数据源之间的冲突。相应的构造状态空间模型。EFK技术应用于建立估计量,这是改善以适应多源数据和提名PEKF估计量。字段数据的测试表明,该方法成功地集成异构数据,尤其是新组合测量的无线通讯记录和微波传感器。此外,估计结果表明,PEKF能够跟踪动态交通状况。估计和交通事件报告之间的定性分析验证该方法的准确性。最后比较表明提出的方法的优势;,它有更大的覆盖范围与微波传感器相比,它比从无线通信数据估计更准确。

本研究旨在利用有限的,异构的、交通状态估计和多源数据,但仍然有大量的工作在现场应用。最紧迫的任务是验证方法与真实数据。第二,测试在其他高速公路链接是必要的,因为空间的特点从无线通信数据的流量特性。

的利益冲突

作者宣称没有利益冲突有关这篇文章的出版。

确认

作者欣然承认的数据支持江苏高速公路运营中心和交通运营和安全实验室(顶部),威斯康星大学麦迪逊分校。

引用

1. f·s .他y Cheng叮,j . Zhang和b跑,“扩展卡尔曼滤波基于过滤器使用手机活动数据高速公路交通状态估计,“在交通研究委员会第95届会议,2016年。视图:谷歌学术搜索
2. 南特,d . Ngoduy a . Bhaskar m . Miska大肠涌,“实时交通状态估计在城市走廊来自异构数据,”交通研究部分C:新兴技术卷,66年,第118 - 99页,2016年。视图:出版商的网站|谷歌学术搜索
3. 王y和m . Papageorgiou实时高速公路交通状态估计基于扩展卡尔曼滤波器:一般方法,”交通研究B部分:方法论,39卷,不。2、141 - 167年,2005页。视图:出版商的网站|谷歌学术搜索
4. r·e·卡尔曼“线性滤波和预测问题的新方法,”流体工程,卷82,不。1、35 - 45,1960页。视图:出版商的网站|谷歌学术搜索
5. z, w . Rao Y.-J。吴郭l . j .夏,“卡尔曼滤波方法的动态OD流估算城市道路网络使用多传感器数据,”《先进的交通工具卷,49号2、210 - 227年,2015页。视图:出版商的网站|谷歌学术搜索
6. 王y、m . Papageorgiou和a·梅斯默”统一的宏观模型实时高速公路网络流量监测方法,”交通研究部分C:新兴技术,14卷,不。3、190 - 212年,2006页。视图:出版商的网站|谷歌学术搜索
7. 王y、m . Papageorgiou和A·梅斯默“实时高速公路交通状态估计基于扩展卡尔曼滤波器:一个案例研究中,“交通科学第41卷。。2、167 - 181年,2007页。视图:出版商的网站|谷歌学术搜索
8. 王y、m . Papageorgiou和a·梅斯默“实时高速公路交通状态估计基于扩展卡尔曼滤波器:适应能力和实际数据测试,”交通研究部分:政策和实践,42卷,不。10日,1340 - 1358年,2008页。视图:出版商的网站|谷歌学术搜索
9. y元,h . Van线头,f . Van Wageningen-Kessels,例如,“网络范围的交通状态估计使用回路探测器和浮动车数据,”《智能交通系统:技术、计划和行动,18卷,不。1,每周,2014页。视图:出版商的网站|谷歌学术搜索
10. m . y . Wang Papageorgiou, a·梅斯默·科波拉a . Tzimitsi和a . Nuzzolo“自适应高速公路交通状态估计量,”自动化,45卷,不。1,10 - 24,2009页。视图:出版商的网站|谷歌学术搜索
11. 他,j .张x, y Cheng和b跑,“基于神经网络的高速公路交通状态数据融合系统使用细胞传递探测器系统和微波传感器,”在交通研究委员会第94届会议,2015年。视图:谷歌学术搜索
12. c·巴赫曼,b . Abdulhai m . j . Roorda和b . Moshiri”比较评估的多传感器数据融合技术的高速公路交通速度估计利用微观仿真建模,”交通研究部分C:新兴技术卷26日33-48,2013页。视图:出版商的网站|谷歌学术搜索
13. c·安东尼奥由于h . n . Koutsopoulos, g . Yannis“动态数据驱动的当地的交通状态估计和预测,”交通研究部分C:新兴技术34卷,第107 - 89页,2013年。视图:出版商的网站|谷歌学术搜索
14. N.-E。El Faouzi“数据驱动的多源综合方案评估融合:道路旅行时间的应用程序,”程序的多传感器多源信息融合:2004体系结构、算法和应用程序,页351 - 359,美国,2004年4月。视图:出版商的网站|谷歌学术搜索
15. m . Treiber a . *和r·e·威尔逊“重建异构数据融合的交通状态,”计算机辅助土木与基础设施工程,26卷,不。6,408 - 419年,2011页。视图:出版商的网站|谷歌学术搜索
16. k . Choi和y涌”,旅行时间估计的数据融合算法联系,“《智能交通系统:技术、计划和行动,7卷,不。3 - 4、235 - 260年,2002页。视图:出版商的网站|谷歌学术搜索
17. j . w . c . v .线头和s . p .例如,”一个强大的和有效的方法,融合异构数据流量传感器在高速公路上,“计算机辅助土木与基础设施工程,25卷,不。8,596 - 612年,2010页。视图:出版商的网站|谷歌学术搜索
18. l . Mannini s Carrese、大肠Cipriani Crisalli,”的短期预测交通状态:应用程序在罗马城市高速公路上,“176 - 185页。视图:出版商的网站|谷歌学术搜索
19. b . Heilmann N.-E。El Faouzi o . de看et al .,“预测高速公路交通数据融合性能的局部传感器数据和电子收费数据,”计算机辅助土木与基础设施工程,26卷,不。6,451 - 463年,2011页。视图:出版商的网站|谷歌学术搜索
20. w·邓h . Lei, x周”的交通状态估计和不确定性量化基于异构数据源:三个检测器的方法,”交通研究B部分:方法论57卷,第157 - 132页,2013年。视图:出版商的网站|谷歌学术搜索
21. g . s .他y Cheng钟,跑,“数据驱动的研究样本大小的细胞传递探测器系统,”机械工程的发展,9卷,不。4、1 - 9,2017页。视图:出版商的网站|谷歌学术搜索
22. s . l .他j .张x, y Cheng和b跑,“高速公路多传感器数据融合方法集成来自手机探针和固定传感器的数据,”杂志上的传感器卷,2016篇文章ID 7269382, 2016。视图:出版商的网站|谷歌学术搜索
23. z . t .秋宏观交通状态估计大规模高速公路网络使用无线网络数据哲学博士,威斯康星大学麦迪逊分校,麦迪逊,2007。
24. j .张他,w . Wang和f·詹,“高速公路交通速度估计精度分析的基础上,整合移动探测器探测系统和循环,”《智能交通系统:技术、计划和行动,19卷,不。4、411 - 426年,2015页。视图:出版商的网站|谷歌学术搜索
25. h . Rakha w·张,“估计交通流space-mean速度和可靠性的双重和单回路探测器,“交通研究记录:《交通研究委员会卷。1925年,38-47,2005页。视图:谷歌学术搜索
26. 韦尔奇和g .主教介绍了卡尔曼滤波北卡罗莱纳大学教堂山分校,1995年。

版权

版权©2018 Yingshun刘et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。