基于交通數(shù)據(jù)融合技術(shù)的行程時(shí)間預(yù)測模型

李嘉　劉春華　胡賽陽　王芳

摘要：針對當(dāng)前城市道路行程時(shí)間的預(yù)測多限于單源數(shù)據(jù)且預(yù)測精度不高的問題，構(gòu)建了基于浮動車GPS數(shù)據(jù)、微波檢測器交通數(shù)據(jù)的行程時(shí)間預(yù)測融合模型.利用遺傳算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)，解決了小波神經(jīng)網(wǎng)絡(luò)初始參數(shù)選取時(shí)盲目與隨機(jī)性問題，大大提高了網(wǎng)絡(luò)搜索效率與訓(xùn)練速度.預(yù)測行程時(shí)間與視頻觀測數(shù)據(jù)吻合良好，表明該模型是有效的和可靠的.

關(guān)鍵詞：數(shù)據(jù)融合；行程時(shí)間；預(yù)測模型；小波神經(jīng)網(wǎng)絡(luò)；遺傳算法

中圖分類號：U121 文獻(xiàn)標(biāo)識碼：A

在交通運(yùn)營與管理中，高效的出行信息與路徑誘導(dǎo)系統(tǒng)將發(fā)揮越來越重要的作用[1].行程時(shí)間作為其中的關(guān)鍵參數(shù)，能夠?yàn)榻煌顟B(tài)估計(jì)和城市路網(wǎng)擁堵情況的發(fā)布提供數(shù)據(jù)參考[2].同時(shí)，行程時(shí)間是衡量路段通行效率和延誤的重要依據(jù)，是反映路段交通狀態(tài)的直接指標(biāo)，在智能交通系統(tǒng)中有著廣泛應(yīng)用[3].目前，行程時(shí)間的預(yù)測研究大都局限于單一交通數(shù)據(jù)源，由于單源交通數(shù)據(jù)受采集儀器的精度、采集方法、樣本量、人為誤差等影響，因而預(yù)測精度不穩(wěn)定.而多源交通數(shù)據(jù)的融合，可以彌補(bǔ)單源數(shù)據(jù)的諸多不足，提高預(yù)測精度.本文提出利用GPS浮動車數(shù)據(jù)與微波檢測器交通數(shù)據(jù)進(jìn)行融合，建立行程時(shí)間數(shù)據(jù)融合模型.

目前，數(shù)據(jù)融合方法主要有以下幾種[4]：加權(quán)平均法、卡爾曼濾波、Bayes方法、統(tǒng)計(jì)決策理論、選舉決策法、模糊集理論、神經(jīng)網(wǎng)絡(luò)等.其中，神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的學(xué)習(xí)能力，其內(nèi)部結(jié)構(gòu)本質(zhì)上是并行的，與數(shù)據(jù)融合的結(jié)構(gòu)一致，因此具有較大的優(yōu)勢.

本文擬采用小波神經(jīng)網(wǎng)絡(luò)建立數(shù)據(jù)融合預(yù)測模型，同BP神經(jīng)網(wǎng)絡(luò)相比，小波神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的信息提取、非線性逼近和容錯(cuò)能力[5]，但它存在初始參數(shù)隨機(jī)選取的盲目性、易形成局部極小值而得不到整體最優(yōu)值等問題[6].遺傳算法可以用來優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的初始網(wǎng)絡(luò)參數(shù)，彌補(bǔ)小波神經(jīng)網(wǎng)絡(luò)自身的不足.遺傳算法與神經(jīng)網(wǎng)絡(luò)的有機(jī)結(jié)合[7]，將其用于數(shù)據(jù)融合可以提高模型的收斂速度與泛化能力.

3）視頻數(shù)據(jù)

視頻數(shù)據(jù)調(diào)查時(shí)，將兩臺攝像機(jī)分別置于實(shí)驗(yàn)路段起迄點(diǎn)，同時(shí)開始拍攝.調(diào)查后同時(shí)在計(jì)算機(jī)上播放兩測點(diǎn)的錄像，從起點(diǎn)視頻中記下車型、車牌、外廓、顏色等特征及車輛通過起點(diǎn)斷面的時(shí)間，然后在終點(diǎn)視頻中尋找該車，并同時(shí)記錄車輛通過終點(diǎn)斷面的播放時(shí)間，前后時(shí)間差即為該車通過調(diào)查路段的行程時(shí)間.

1.2數(shù)據(jù)的時(shí)空匹配及方法

1）時(shí)間匹配

本文采集的出租車GPS數(shù)據(jù)、微波數(shù)據(jù)及視頻數(shù)據(jù)雖是同一天的交通流數(shù)據(jù)，但微波檢測與視頻數(shù)據(jù)采集的是早晚高峰時(shí)間段內(nèi)的數(shù)據(jù)，而出租車GPS數(shù)據(jù)都是全天候的交通流數(shù)據(jù)，所以有必要依據(jù)微波與視頻數(shù)據(jù)的調(diào)查時(shí)間挑選出對應(yīng)時(shí)段的出租車GPS數(shù)據(jù)，這樣多源數(shù)據(jù)反映的就是同一時(shí)間段的交通流信息.由于每條GPS數(shù)據(jù)記錄都有接收的時(shí)間，通過excel篩選可以很方便進(jìn)行時(shí)間匹配.

2）空間匹配

空間匹配是指多源交通流數(shù)據(jù)必須反映的是同一地點(diǎn)的交通流信息，這樣進(jìn)行融合才有意義.空間匹配原則是以視頻與微波數(shù)據(jù)的采集現(xiàn)場來篩選相應(yīng)道路的出租車GPS數(shù)據(jù).首先確定視頻與微波數(shù)據(jù)的采集路段的經(jīng)緯度范圍，如圖1所示，然后用excel篩選出與采集路段相匹配的出租車GPS數(shù)據(jù).

從圖5中可以看出，GPS出租車得到的行程時(shí)間與視頻觀測值相比偏低，誤差超過了目標(biāo)閾值15%的范圍.原因在于出租車頻繁超車，車速高于路段車流.而微波檢測器得到的行程時(shí)間大于視頻觀測值，誤差超過15%的范圍.究其原因在于實(shí)驗(yàn)路段大客車、大貨車較多，遮擋了車流中部分小汽車，造成小汽車數(shù)據(jù)漏檢.而融合后的行程時(shí)間與視頻觀測數(shù)據(jù)吻合性良好，誤差在8%以內(nèi)，滿足目標(biāo)閾值15%的要求.相比GPS出租車數(shù)據(jù)或微波檢測器數(shù)據(jù)，融合后的行程時(shí)間在準(zhǔn)確度和穩(wěn)定性方面都有了很大提高.

4結(jié)語

本文提出了基于交通數(shù)據(jù)融合技術(shù)的行程時(shí)間預(yù)測模型，彌補(bǔ)了單源交通數(shù)據(jù)預(yù)測行程時(shí)間精度不高的缺陷.利用遺傳算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的權(quán)值、平移因子、伸縮因子，解決了小波神經(jīng)網(wǎng)絡(luò)初始參數(shù)選取時(shí)盲目與隨機(jī)性問題，大大提高了小波神經(jīng)網(wǎng)絡(luò)搜索效率與訓(xùn)練速度.融合后的行程時(shí)間與視頻觀測數(shù)據(jù)吻合性良好，表明行程時(shí)間預(yù)測的數(shù)據(jù)融合模型是有效可靠的.

參考文獻(xiàn)

[1]鄒亮，徐建閩，朱玲湘，等.基于浮動車移動檢測與感應(yīng)線圈融合技術(shù)的行程時(shí)間估計(jì)模型[J].公路交通科技，2007，24（6）：114-117.

[2]聶慶慧，夏井新，張韋華.基于多源ITS數(shù)據(jù)的行程時(shí)間預(yù)測體系框架及核心技術(shù)[J].東南大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，41（1）：199-204.

[3]徐天東，孫立軍，郝媛.城市快速路實(shí)時(shí)交通狀態(tài)估計(jì)和行程時(shí)間預(yù)測[J].同濟(jì)大學(xué)學(xué)報(bào)：自然科學(xué)版，2008，36（10）：253-260.

[4]石章松.目標(biāo)跟蹤與數(shù)據(jù)融合理論及方法[M].北京：國防工業(yè)出版社，2010.

[5]張冬至，胡國清.基于遺傳優(yōu)化小波神經(jīng)網(wǎng)絡(luò)逆模型的油水測量[J].光學(xué)精密儀器，2011，19（7）：183-189.

[6]宋清昆，王建雙，王慕坤.基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)[J].電機(jī)與控制學(xué)報(bào)，2010，14（4）：102-108.

[7]周昌能，余雪麗.基于BP網(wǎng)絡(luò)的權(quán)值更新快速收斂算法[J].計(jì)算機(jī)應(yīng)用，2006，26（8）：1940-1942.

[8]王楠，李成文，李巖.基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合方法[J].光機(jī)電信息，2010，27（3）：36-39.

[9]宗剛，劉文芝，張超，等.基于家庭決策的出行方式選擇非集計(jì)模型[J].湖南大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，40（4）：100-103.

[10]鞏敦衛(wèi).交互式遺傳算法原理及其應(yīng)用[M]. 北京：國防工業(yè)出版社，2007.

[11]SRINIVAS M，PATNAIK L M. Adaptive probabilities of crossover and mutation in genetic algorithms[J]. IEEE，1994，24（4）：656-657.

[12]HOLM P， TOMICH D， SLOBODEN J， et al. Traffic analysis toolbox volum IV： guidelines for applying CORSIM， microsimulation modeling software[M]. Washington D C： Federal Highway Administration， 2007：117-216.

摘要：針對當(dāng)前城市道路行程時(shí)間的預(yù)測多限于單源數(shù)據(jù)且預(yù)測精度不高的問題，構(gòu)建了基于浮動車GPS數(shù)據(jù)、微波檢測器交通數(shù)據(jù)的行程時(shí)間預(yù)測融合模型.利用遺傳算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)，解決了小波神經(jīng)網(wǎng)絡(luò)初始參數(shù)選取時(shí)盲目與隨機(jī)性問題，大大提高了網(wǎng)絡(luò)搜索效率與訓(xùn)練速度.預(yù)測行程時(shí)間與視頻觀測數(shù)據(jù)吻合良好，表明該模型是有效的和可靠的.

關(guān)鍵詞：數(shù)據(jù)融合；行程時(shí)間；預(yù)測模型；小波神經(jīng)網(wǎng)絡(luò)；遺傳算法

中圖分類號：U121 文獻(xiàn)標(biāo)識碼：A

在交通運(yùn)營與管理中，高效的出行信息與路徑誘導(dǎo)系統(tǒng)將發(fā)揮越來越重要的作用[1].行程時(shí)間作為其中的關(guān)鍵參數(shù)，能夠?yàn)榻煌顟B(tài)估計(jì)和城市路網(wǎng)擁堵情況的發(fā)布提供數(shù)據(jù)參考[2].同時(shí)，行程時(shí)間是衡量路段通行效率和延誤的重要依據(jù)，是反映路段交通狀態(tài)的直接指標(biāo)，在智能交通系統(tǒng)中有著廣泛應(yīng)用[3].目前，行程時(shí)間的預(yù)測研究大都局限于單一交通數(shù)據(jù)源，由于單源交通數(shù)據(jù)受采集儀器的精度、采集方法、樣本量、人為誤差等影響，因而預(yù)測精度不穩(wěn)定.而多源交通數(shù)據(jù)的融合，可以彌補(bǔ)單源數(shù)據(jù)的諸多不足，提高預(yù)測精度.本文提出利用GPS浮動車數(shù)據(jù)與微波檢測器交通數(shù)據(jù)進(jìn)行融合，建立行程時(shí)間數(shù)據(jù)融合模型.

目前，數(shù)據(jù)融合方法主要有以下幾種[4]：加權(quán)平均法、卡爾曼濾波、Bayes方法、統(tǒng)計(jì)決策理論、選舉決策法、模糊集理論、神經(jīng)網(wǎng)絡(luò)等.其中，神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的學(xué)習(xí)能力，其內(nèi)部結(jié)構(gòu)本質(zhì)上是并行的，與數(shù)據(jù)融合的結(jié)構(gòu)一致，因此具有較大的優(yōu)勢.

本文擬采用小波神經(jīng)網(wǎng)絡(luò)建立數(shù)據(jù)融合預(yù)測模型，同BP神經(jīng)網(wǎng)絡(luò)相比，小波神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的信息提取、非線性逼近和容錯(cuò)能力[5]，但它存在初始參數(shù)隨機(jī)選取的盲目性、易形成局部極小值而得不到整體最優(yōu)值等問題[6].遺傳算法可以用來優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的初始網(wǎng)絡(luò)參數(shù)，彌補(bǔ)小波神經(jīng)網(wǎng)絡(luò)自身的不足.遺傳算法與神經(jīng)網(wǎng)絡(luò)的有機(jī)結(jié)合[7]，將其用于數(shù)據(jù)融合可以提高模型的收斂速度與泛化能力.

3）視頻數(shù)據(jù)

視頻數(shù)據(jù)調(diào)查時(shí)，將兩臺攝像機(jī)分別置于實(shí)驗(yàn)路段起迄點(diǎn)，同時(shí)開始拍攝.調(diào)查后同時(shí)在計(jì)算機(jī)上播放兩測點(diǎn)的錄像，從起點(diǎn)視頻中記下車型、車牌、外廓、顏色等特征及車輛通過起點(diǎn)斷面的時(shí)間，然后在終點(diǎn)視頻中尋找該車，并同時(shí)記錄車輛通過終點(diǎn)斷面的播放時(shí)間，前后時(shí)間差即為該車通過調(diào)查路段的行程時(shí)間.

1.2數(shù)據(jù)的時(shí)空匹配及方法

1）時(shí)間匹配

本文采集的出租車GPS數(shù)據(jù)、微波數(shù)據(jù)及視頻數(shù)據(jù)雖是同一天的交通流數(shù)據(jù)，但微波檢測與視頻數(shù)據(jù)采集的是早晚高峰時(shí)間段內(nèi)的數(shù)據(jù)，而出租車GPS數(shù)據(jù)都是全天候的交通流數(shù)據(jù)，所以有必要依據(jù)微波與視頻數(shù)據(jù)的調(diào)查時(shí)間挑選出對應(yīng)時(shí)段的出租車GPS數(shù)據(jù)，這樣多源數(shù)據(jù)反映的就是同一時(shí)間段的交通流信息.由于每條GPS數(shù)據(jù)記錄都有接收的時(shí)間，通過excel篩選可以很方便進(jìn)行時(shí)間匹配.

2）空間匹配

空間匹配是指多源交通流數(shù)據(jù)必須反映的是同一地點(diǎn)的交通流信息，這樣進(jìn)行融合才有意義.空間匹配原則是以視頻與微波數(shù)據(jù)的采集現(xiàn)場來篩選相應(yīng)道路的出租車GPS數(shù)據(jù).首先確定視頻與微波數(shù)據(jù)的采集路段的經(jīng)緯度范圍，如圖1所示，然后用excel篩選出與采集路段相匹配的出租車GPS數(shù)據(jù).

從圖5中可以看出，GPS出租車得到的行程時(shí)間與視頻觀測值相比偏低，誤差超過了目標(biāo)閾值15%的范圍.原因在于出租車頻繁超車，車速高于路段車流.而微波檢測器得到的行程時(shí)間大于視頻觀測值，誤差超過15%的范圍.究其原因在于實(shí)驗(yàn)路段大客車、大貨車較多，遮擋了車流中部分小汽車，造成小汽車數(shù)據(jù)漏檢.而融合后的行程時(shí)間與視頻觀測數(shù)據(jù)吻合性良好，誤差在8%以內(nèi)，滿足目標(biāo)閾值15%的要求.相比GPS出租車數(shù)據(jù)或微波檢測器數(shù)據(jù)，融合后的行程時(shí)間在準(zhǔn)確度和穩(wěn)定性方面都有了很大提高.

4結(jié)語

本文提出了基于交通數(shù)據(jù)融合技術(shù)的行程時(shí)間預(yù)測模型，彌補(bǔ)了單源交通數(shù)據(jù)預(yù)測行程時(shí)間精度不高的缺陷.利用遺傳算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的權(quán)值、平移因子、伸縮因子，解決了小波神經(jīng)網(wǎng)絡(luò)初始參數(shù)選取時(shí)盲目與隨機(jī)性問題，大大提高了小波神經(jīng)網(wǎng)絡(luò)搜索效率與訓(xùn)練速度.融合后的行程時(shí)間與視頻觀測數(shù)據(jù)吻合性良好，表明行程時(shí)間預(yù)測的數(shù)據(jù)融合模型是有效可靠的.

參考文獻(xiàn)

[1]鄒亮，徐建閩，朱玲湘，等.基于浮動車移動檢測與感應(yīng)線圈融合技術(shù)的行程時(shí)間估計(jì)模型[J].公路交通科技，2007，24（6）：114-117.

[2]聶慶慧，夏井新，張韋華.基于多源ITS數(shù)據(jù)的行程時(shí)間預(yù)測體系框架及核心技術(shù)[J].東南大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，41（1）：199-204.

[3]徐天東，孫立軍，郝媛.城市快速路實(shí)時(shí)交通狀態(tài)估計(jì)和行程時(shí)間預(yù)測[J].同濟(jì)大學(xué)學(xué)報(bào)：自然科學(xué)版，2008，36（10）：253-260.

[4]石章松.目標(biāo)跟蹤與數(shù)據(jù)融合理論及方法[M].北京：國防工業(yè)出版社，2010.

[5]張冬至，胡國清.基于遺傳優(yōu)化小波神經(jīng)網(wǎng)絡(luò)逆模型的油水測量[J].光學(xué)精密儀器，2011，19（7）：183-189.

[6]宋清昆，王建雙，王慕坤.基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)[J].電機(jī)與控制學(xué)報(bào)，2010，14（4）：102-108.

[7]周昌能，余雪麗.基于BP網(wǎng)絡(luò)的權(quán)值更新快速收斂算法[J].計(jì)算機(jī)應(yīng)用，2006，26（8）：1940-1942.

[8]王楠，李成文，李巖.基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合方法[J].光機(jī)電信息，2010，27（3）：36-39.

[9]宗剛，劉文芝，張超，等.基于家庭決策的出行方式選擇非集計(jì)模型[J].湖南大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，40（4）：100-103.

[10]鞏敦衛(wèi).交互式遺傳算法原理及其應(yīng)用[M]. 北京：國防工業(yè)出版社，2007.

[11]SRINIVAS M，PATNAIK L M. Adaptive probabilities of crossover and mutation in genetic algorithms[J]. IEEE，1994，24（4）：656-657.

[12]HOLM P， TOMICH D， SLOBODEN J， et al. Traffic analysis toolbox volum IV： guidelines for applying CORSIM， microsimulation modeling software[M]. Washington D C： Federal Highway Administration， 2007：117-216.

摘要：針對當(dāng)前城市道路行程時(shí)間的預(yù)測多限于單源數(shù)據(jù)且預(yù)測精度不高的問題，構(gòu)建了基于浮動車GPS數(shù)據(jù)、微波檢測器交通數(shù)據(jù)的行程時(shí)間預(yù)測融合模型.利用遺傳算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)，解決了小波神經(jīng)網(wǎng)絡(luò)初始參數(shù)選取時(shí)盲目與隨機(jī)性問題，大大提高了網(wǎng)絡(luò)搜索效率與訓(xùn)練速度.預(yù)測行程時(shí)間與視頻觀測數(shù)據(jù)吻合良好，表明該模型是有效的和可靠的.

關(guān)鍵詞：數(shù)據(jù)融合；行程時(shí)間；預(yù)測模型；小波神經(jīng)網(wǎng)絡(luò)；遺傳算法

中圖分類號：U121 文獻(xiàn)標(biāo)識碼：A

在交通運(yùn)營與管理中，高效的出行信息與路徑誘導(dǎo)系統(tǒng)將發(fā)揮越來越重要的作用[1].行程時(shí)間作為其中的關(guān)鍵參數(shù)，能夠?yàn)榻煌顟B(tài)估計(jì)和城市路網(wǎng)擁堵情況的發(fā)布提供數(shù)據(jù)參考[2].同時(shí)，行程時(shí)間是衡量路段通行效率和延誤的重要依據(jù)，是反映路段交通狀態(tài)的直接指標(biāo)，在智能交通系統(tǒng)中有著廣泛應(yīng)用[3].目前，行程時(shí)間的預(yù)測研究大都局限于單一交通數(shù)據(jù)源，由于單源交通數(shù)據(jù)受采集儀器的精度、采集方法、樣本量、人為誤差等影響，因而預(yù)測精度不穩(wěn)定.而多源交通數(shù)據(jù)的融合，可以彌補(bǔ)單源數(shù)據(jù)的諸多不足，提高預(yù)測精度.本文提出利用GPS浮動車數(shù)據(jù)與微波檢測器交通數(shù)據(jù)進(jìn)行融合，建立行程時(shí)間數(shù)據(jù)融合模型.

目前，數(shù)據(jù)融合方法主要有以下幾種[4]：加權(quán)平均法、卡爾曼濾波、Bayes方法、統(tǒng)計(jì)決策理論、選舉決策法、模糊集理論、神經(jīng)網(wǎng)絡(luò)等.其中，神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的學(xué)習(xí)能力，其內(nèi)部結(jié)構(gòu)本質(zhì)上是并行的，與數(shù)據(jù)融合的結(jié)構(gòu)一致，因此具有較大的優(yōu)勢.

本文擬采用小波神經(jīng)網(wǎng)絡(luò)建立數(shù)據(jù)融合預(yù)測模型，同BP神經(jīng)網(wǎng)絡(luò)相比，小波神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的信息提取、非線性逼近和容錯(cuò)能力[5]，但它存在初始參數(shù)隨機(jī)選取的盲目性、易形成局部極小值而得不到整體最優(yōu)值等問題[6].遺傳算法可以用來優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的初始網(wǎng)絡(luò)參數(shù)，彌補(bǔ)小波神經(jīng)網(wǎng)絡(luò)自身的不足.遺傳算法與神經(jīng)網(wǎng)絡(luò)的有機(jī)結(jié)合[7]，將其用于數(shù)據(jù)融合可以提高模型的收斂速度與泛化能力.

3）視頻數(shù)據(jù)

視頻數(shù)據(jù)調(diào)查時(shí)，將兩臺攝像機(jī)分別置于實(shí)驗(yàn)路段起迄點(diǎn)，同時(shí)開始拍攝.調(diào)查后同時(shí)在計(jì)算機(jī)上播放兩測點(diǎn)的錄像，從起點(diǎn)視頻中記下車型、車牌、外廓、顏色等特征及車輛通過起點(diǎn)斷面的時(shí)間，然后在終點(diǎn)視頻中尋找該車，并同時(shí)記錄車輛通過終點(diǎn)斷面的播放時(shí)間，前后時(shí)間差即為該車通過調(diào)查路段的行程時(shí)間.

1.2數(shù)據(jù)的時(shí)空匹配及方法

1）時(shí)間匹配

本文采集的出租車GPS數(shù)據(jù)、微波數(shù)據(jù)及視頻數(shù)據(jù)雖是同一天的交通流數(shù)據(jù)，但微波檢測與視頻數(shù)據(jù)采集的是早晚高峰時(shí)間段內(nèi)的數(shù)據(jù)，而出租車GPS數(shù)據(jù)都是全天候的交通流數(shù)據(jù)，所以有必要依據(jù)微波與視頻數(shù)據(jù)的調(diào)查時(shí)間挑選出對應(yīng)時(shí)段的出租車GPS數(shù)據(jù)，這樣多源數(shù)據(jù)反映的就是同一時(shí)間段的交通流信息.由于每條GPS數(shù)據(jù)記錄都有接收的時(shí)間，通過excel篩選可以很方便進(jìn)行時(shí)間匹配.

2）空間匹配

空間匹配是指多源交通流數(shù)據(jù)必須反映的是同一地點(diǎn)的交通流信息，這樣進(jìn)行融合才有意義.空間匹配原則是以視頻與微波數(shù)據(jù)的采集現(xiàn)場來篩選相應(yīng)道路的出租車GPS數(shù)據(jù).首先確定視頻與微波數(shù)據(jù)的采集路段的經(jīng)緯度范圍，如圖1所示，然后用excel篩選出與采集路段相匹配的出租車GPS數(shù)據(jù).

從圖5中可以看出，GPS出租車得到的行程時(shí)間與視頻觀測值相比偏低，誤差超過了目標(biāo)閾值15%的范圍.原因在于出租車頻繁超車，車速高于路段車流.而微波檢測器得到的行程時(shí)間大于視頻觀測值，誤差超過15%的范圍.究其原因在于實(shí)驗(yàn)路段大客車、大貨車較多，遮擋了車流中部分小汽車，造成小汽車數(shù)據(jù)漏檢.而融合后的行程時(shí)間與視頻觀測數(shù)據(jù)吻合性良好，誤差在8%以內(nèi)，滿足目標(biāo)閾值15%的要求.相比GPS出租車數(shù)據(jù)或微波檢測器數(shù)據(jù)，融合后的行程時(shí)間在準(zhǔn)確度和穩(wěn)定性方面都有了很大提高.

4結(jié)語

本文提出了基于交通數(shù)據(jù)融合技術(shù)的行程時(shí)間預(yù)測模型，彌補(bǔ)了單源交通數(shù)據(jù)預(yù)測行程時(shí)間精度不高的缺陷.利用遺傳算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的權(quán)值、平移因子、伸縮因子，解決了小波神經(jīng)網(wǎng)絡(luò)初始參數(shù)選取時(shí)盲目與隨機(jī)性問題，大大提高了小波神經(jīng)網(wǎng)絡(luò)搜索效率與訓(xùn)練速度.融合后的行程時(shí)間與視頻觀測數(shù)據(jù)吻合性良好，表明行程時(shí)間預(yù)測的數(shù)據(jù)融合模型是有效可靠的.

參考文獻(xiàn)

[1]鄒亮，徐建閩，朱玲湘，等.基于浮動車移動檢測與感應(yīng)線圈融合技術(shù)的行程時(shí)間估計(jì)模型[J].公路交通科技，2007，24（6）：114-117.

[2]聶慶慧，夏井新，張韋華.基于多源ITS數(shù)據(jù)的行程時(shí)間預(yù)測體系框架及核心技術(shù)[J].東南大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，41（1）：199-204.

[3]徐天東，孫立軍，郝媛.城市快速路實(shí)時(shí)交通狀態(tài)估計(jì)和行程時(shí)間預(yù)測[J].同濟(jì)大學(xué)學(xué)報(bào)：自然科學(xué)版，2008，36（10）：253-260.

[4]石章松.目標(biāo)跟蹤與數(shù)據(jù)融合理論及方法[M].北京：國防工業(yè)出版社，2010.

[5]張冬至，胡國清.基于遺傳優(yōu)化小波神經(jīng)網(wǎng)絡(luò)逆模型的油水測量[J].光學(xué)精密儀器，2011，19（7）：183-189.

[6]宋清昆，王建雙，王慕坤.基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)[J].電機(jī)與控制學(xué)報(bào)，2010，14（4）：102-108.

[7]周昌能，余雪麗.基于BP網(wǎng)絡(luò)的權(quán)值更新快速收斂算法[J].計(jì)算機(jī)應(yīng)用，2006，26（8）：1940-1942.

[8]王楠，李成文，李巖.基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合方法[J].光機(jī)電信息，2010，27（3）：36-39.

[9]宗剛，劉文芝，張超，等.基于家庭決策的出行方式選擇非集計(jì)模型[J].湖南大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，40（4）：100-103.

[10]鞏敦衛(wèi).交互式遺傳算法原理及其應(yīng)用[M]. 北京：國防工業(yè)出版社，2007.

[11]SRINIVAS M，PATNAIK L M. Adaptive probabilities of crossover and mutation in genetic algorithms[J]. IEEE，1994，24（4）：656-657.

[12]HOLM P， TOMICH D， SLOBODEN J， et al. Traffic analysis toolbox volum IV： guidelines for applying CORSIM， microsimulation modeling software[M]. Washington D C： Federal Highway Administration， 2007：117-216.