高速公路異構(gòu)數(shù)據(jù)融合方法研究

楊奎軍 李玉寶 陳翠嬌

摘 要：通過神經(jīng)網(wǎng)絡(luò)模型對固定檢測器采集的地點車速數(shù)據(jù)、交通流量數(shù)據(jù)和手機切換技術(shù)提取的路段行程時間數(shù)據(jù)進行時間、空間和語義的一致化處理，最后用路段平均車速對道路交通狀態(tài)進行評估，以山東省濟樂高速南延段為例，采用該多源數(shù)據(jù)融合模型相較于固定檢測數(shù)據(jù)融合模型，得出的路段平均車速誤差值減小。

關(guān)鍵詞：交通狀態(tài);神經(jīng)網(wǎng)絡(luò);異構(gòu)數(shù)據(jù)

中圖分類號：U491 文獻標識碼：A

0 引言

行駛在高速公路的車輛受車輛速度、時間占有率、車流量以及天氣狀況等客觀條件的影響，極易造成高速公路的交通擁堵以及二次事故的引發(fā)，目前高速公路交通狀態(tài)預(yù)測所使用的微波檢測器雖然固定，但在路網(wǎng)分布上相對稀疏。史巖[1]采用神經(jīng)網(wǎng)絡(luò)模型對微波檢測器、牌照識別檢測器采集的交通流速度數(shù)據(jù)和浮動車數(shù)據(jù)進行融合。姚午開選用收費站刷卡數(shù)據(jù)和浮動車數(shù)據(jù)進行數(shù)據(jù)融合，采用極限學習機算法對高度公路交通狀態(tài)進行評估。

出行者對于規(guī)劃路線的選擇比較注重行程時間，而行程時間的長短受多種因素的影響，手機活動數(shù)據(jù)覆蓋的時空范圍相對較廣，可以彌補固定檢測數(shù)據(jù)的不足，基于固定檢測器采集的數(shù)據(jù)和手機活動數(shù)據(jù)，提出基于神經(jīng)網(wǎng)絡(luò)的高速公路異構(gòu)數(shù)據(jù)融合方法。

1 數(shù)據(jù)獲取及預(yù)處理

1.1 原始數(shù)據(jù)獲取

以山東省濟樂高速南延段的固定檢測數(shù)據(jù)、手機活動數(shù)據(jù)作為研究對象。

1.2 微波檢測數(shù)據(jù)預(yù)處理

1.2.1 剔除錯誤數(shù)據(jù)

（1）閾值法。1）地點速度為一瞬時值，是指車輛通過道路某一個斷面的行駛速度，瞬時值不確定性較大，需要對速度區(qū)間加以彈性系數(shù)如式1所示：

式中：表示點速度;表示道路速度上限;視為彈性系數(shù)，一般取1.3～1.5之間。

濟樂高速南延段的最高設(shè)計速度為100 km/h，所以超過150 km/h的數(shù)據(jù)即可視為錯誤數(shù)據(jù)。

2）交通量是對所經(jīng)過車輛進行統(tǒng)計的最終結(jié)果，統(tǒng)計時間將會影響統(tǒng)計結(jié)果，所以加入彈性系數(shù)為，如式2所示：

式中：表示交通量;視為彈性系數(shù)，一般取1.3～1.5之間;表示道路通行能力;表示數(shù)據(jù)采集時間。

濟樂高速南延段單車道道路通行能力2 400 h，彈性系數(shù)為1.5，統(tǒng)計時間間隔為5 min，那么在時間間隔內(nèi)最大值為300輛。

（2）交通流邏輯判別法。閾值法剔除的錯誤數(shù)據(jù)是區(qū)間外的，但是不缺乏區(qū)間內(nèi)的數(shù)據(jù)存在錯誤，這是由于數(shù)據(jù)傳輸?shù)榷喾矫嬖蛟斐傻?，這些數(shù)據(jù)也會影響道路交通狀態(tài)的判斷，所以需要將這些數(shù)據(jù)刪除。當?shù)攸c車速和交通量出現(xiàn)兩者不同時為0，可視為錯誤數(shù)據(jù)，應(yīng)將其剔除。

1.2.2 修補缺失數(shù)據(jù)

（1）時間序列插補法。本文選用三組歷史數(shù)據(jù)，利用時間序列法進行缺失數(shù)據(jù)的插補，方法如3所示：

（3）

式中：表示缺失數(shù)據(jù)值;表示第一組歷史數(shù)據(jù)值;表示第二組歷史數(shù)據(jù)值;表示第三組歷史數(shù)據(jù)值。

（2）空間位置插補法。空間位置插補法是依據(jù)檢測器數(shù)據(jù)在空間特征上具備關(guān)聯(lián)關(guān)系，具體如下：

式中，是在第個時間間隔內(nèi)的時間平均車速;是第個時間間隔內(nèi)的時間平均車速;是第個時間間隔內(nèi)時間平均車速的方差。

1.3 手機活動數(shù)據(jù)

通行車輛載有的持卡手機，在行駛過程中經(jīng)過的相鄰基站可視為道路的固定檢測區(qū)域，當行駛的車輛從一個切換小區(qū)行駛到下一個切換小區(qū)時，通信運營商后臺能夠顯示車輛經(jīng)過兩個切換小區(qū)的時間及位置。通過標定好的切換路段長度L和時間差，對經(jīng)過固定檢測區(qū)域的車輛進行路段平均速度的計算。

1.4 空間匹配

選取固定檢測器采集的數(shù)據(jù)與手機活動數(shù)據(jù)作為數(shù)據(jù)源，數(shù)據(jù)融合過程中數(shù)據(jù)需要對應(yīng)于同一空間，數(shù)據(jù)要保證是同一路段的高速數(shù)據(jù)，否則融合達不到目的。選擇山東省濟樂南延高速路段的兩類數(shù)據(jù)進行空間匹配。

1.5 時間匹配

不同檢測器采集數(shù)據(jù)的時間間隔不同，需要將采集的數(shù)據(jù)變換成一致的時間周期，并將同一時刻的數(shù)據(jù)進行匹配。手機活動數(shù)據(jù)的傳輸間隔可自由設(shè)定，固定檢測器采集的數(shù)據(jù)上傳間隔為5 min。

2 基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合

論文以建立異構(gòu)數(shù)據(jù)為輸入和路段車速為輸出的三層前饋BP神經(jīng)網(wǎng)絡(luò)融合模型。輸入層主要負責接收不同的輸入信息，隱藏層的神經(jīng)元數(shù)目不固定，但數(shù)量與模型的強健性呈正相關(guān)，但同時也會增加模型訓練的迭代次數(shù)。輸出層是前兩層經(jīng)過傳輸、分析后形成的輸出結(jié)果，即路段平均車速。

通常，輸入層至隱藏層的隱節(jié)點采用函數(shù)激活，隱藏層至輸出層選用線性函數(shù)激活。表達式如下：

3 模型結(jié)果對比

將周三下午15：40-16：00的行程時間作為預(yù)測對象，選用之前十周每周三的行程時間作為神經(jīng)網(wǎng)絡(luò)的訓練數(shù)據(jù)，將訓練數(shù)據(jù)分為事故發(fā)生事故不發(fā)生兩類分別訓練，將周三下午15：40-16：00的實際數(shù)據(jù)作為驗證數(shù)據(jù)。選擇均方根誤差RMSE作為數(shù)據(jù)融合模型的評價指標，公式如下：

式中，是第k個時間間隔的融合平均速度;是第k個時間間隔的真實平均速度;N是總的時間間隔數(shù)量。

4 結(jié)論

基于神經(jīng)網(wǎng)絡(luò)的固定檢測數(shù)據(jù)和手機活動數(shù)據(jù)的多源融合模型，相比較于單源數(shù)據(jù)，多源數(shù)據(jù)融合后選取的行程時間指數(shù)TTI增加了評估的穩(wěn)定性以及準確性，評估結(jié)果更能反應(yīng)目前的道路交通狀況。在以后的研究中，可考慮更多的影響因素，提高預(yù)判系統(tǒng)的整體性能。

參考文獻：

[1]史巖，董宏輝，張瑜，等.多源檢測器的交通數(shù)據(jù)融合研究[J].道路交通與安全，2015，15（03）：35-40.