張 赫 王 煒 劉瑩瑩

（大連海事大學(xué)交通運(yùn)輸管理學(xué)院1） 大連 116026） （東南大學(xué)交通學(xué)院2） 南京 210096）

0 引 言

交通數(shù)據(jù)融合是整個(gè)交通數(shù)據(jù)傳輸過程中的一個(gè)核心組件.所謂交通數(shù)據(jù)融合就是通過對(duì)不同傳感器數(shù)據(jù)的綜合處理，以得到比任何從單個(gè)數(shù)據(jù)源數(shù)全面、準(zhǔn)確的交通流狀況的信息.一個(gè)監(jiān)控中心的實(shí)時(shí)交通數(shù)據(jù)往往來自分布在各線路上的檢測(cè)器數(shù)據(jù).由于各種誤差的存在，首先必須對(duì)各個(gè)數(shù)據(jù)源的數(shù)據(jù)進(jìn)行必要的校驗(yàn)，另外，為了整體把握一個(gè)路段的交通流參數(shù)，有必要對(duì)多個(gè)數(shù)據(jù)源聯(lián)合分析處理，以避免單個(gè)信息源失效而導(dǎo)致的判斷失誤.

數(shù)據(jù)融合的目的是將傳感器所接收到的量測(cè)數(shù)據(jù)或者同一傳感器在不同時(shí)段所接收到的量測(cè)數(shù)據(jù)，進(jìn)行多層次的、多方面的處理過程，這個(gè)過程中，對(duì)多源數(shù)據(jù)進(jìn)行檢測(cè)、結(jié)合、相關(guān)、估計(jì)和組合以達(dá)到精確的狀態(tài)估計(jì)和身份估計(jì)，以及完整、及時(shí)的態(tài)勢(shì)評(píng)估和威脅評(píng)估.數(shù)據(jù)融合作為消除系統(tǒng)不確定因素，提供準(zhǔn)確觀測(cè)結(jié)果與新的觀測(cè)的智能化處理技術(shù)，可以作為智能檢測(cè)系統(tǒng)，智能控制系統(tǒng)的一個(gè)組成部分［1－4］.

數(shù)據(jù)融合運(yùn)用到交通控制當(dāng)中可以采用很多交通融合的方法，為此本文將集中討論一種提高速度檢測(cè)性能的信息融合方法即基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合方法并根據(jù)長(zhǎng)春市路網(wǎng)的28個(gè)流量檢測(cè)器數(shù)據(jù)進(jìn)行融合處理.

1 數(shù)據(jù)融合算法簡(jiǎn)介

數(shù)據(jù)融合算法可分為兩大類：隨機(jī)類方法及人工智能方法.而近幾年人工神經(jīng)網(wǎng)絡(luò)方法在多傳感器信息融合研究中受到高度重視，特別是基于神經(jīng)網(wǎng)絡(luò)的目標(biāo)自動(dòng)識(shí)別和分類、態(tài)勢(shì)評(píng)估和估計(jì)等［5－8］.本論文選擇目前較常用且證明各方面性能比較穩(wěn)定的按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層反饋神經(jīng)網(wǎng)絡(luò)，即BP神經(jīng)網(wǎng)絡(luò).

BP神經(jīng)網(wǎng)絡(luò)的工作過程通常是由2個(gè)階段組成［9－11］.一個(gè)階段是工作期，在這一階段，網(wǎng)絡(luò)各節(jié)點(diǎn)的連接權(quán)值以及閾值固定不變，網(wǎng)絡(luò)的計(jì)算從輸入層開始，逐層逐個(gè)節(jié)點(diǎn)地計(jì)算每個(gè)節(jié)點(diǎn)的輸出，直到輸出層中的各節(jié)點(diǎn)計(jì)算完畢.另一階段是學(xué)習(xí)期，在這一階段，各節(jié)點(diǎn)的輸出保持不變，網(wǎng)絡(luò)學(xué)習(xí)則是從輸出層開始，反向逐層逐個(gè)節(jié)點(diǎn)計(jì)算各連接權(quán)值及閾值的修改值，以修改各連接權(quán)值及閾值，直到輸入層為止.這2個(gè)階段又稱為正向傳播和反向傳播過程.在正向傳播中，如果輸入層的網(wǎng)絡(luò)輸出與所期望的輸出相差較大，則開始反向傳播過程，根據(jù)網(wǎng)絡(luò)輸出與所期望輸出的信號(hào)誤差，對(duì)網(wǎng)絡(luò)節(jié)點(diǎn)間的各連接權(quán)值及節(jié)點(diǎn)的閾值進(jìn)行修改，以此來減小網(wǎng)絡(luò)輸出信號(hào)與所期望輸出的誤差.

BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖1所示.

圖1 BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)

2 實(shí)例驗(yàn)證

本例中確定以長(zhǎng)春市路網(wǎng)的28個(gè)流量檢測(cè)器測(cè)得速度值為基礎(chǔ)，通過模擬的方法，按照已知傳感器的精度和可靠度，生成28種傳感器的檢測(cè)值.將生成的數(shù)據(jù)作為訓(xùn)練集.傳感器按照感應(yīng)線圈的性能指標(biāo)生成，精度為90%，可靠度為98%.傳感器模擬數(shù)據(jù)生成的程序流程圖如圖2所示.

用Visual Basic6.0編制程序，程序應(yīng)用界面見圖3a），b）c）.

圖2 數(shù)據(jù)融合程序框圖

圖3 程序應(yīng)用界面圖

通過模擬的方法生成98組輸入輸出數(shù)據(jù)，將其作為訓(xùn)練集，利用MATLAB6.1進(jìn)行程序編制，訓(xùn)練得到神經(jīng)網(wǎng)絡(luò).在反復(fù)訓(xùn)練中，收斂速度較快，在較短時(shí)間達(dá)到目標(biāo).訓(xùn)練的收斂過程如圖4所示，得到的結(jié)果比較令人滿意.

圖4 訓(xùn)練的收斂過程

進(jìn)行訓(xùn)練后，運(yùn)用數(shù)據(jù)的輸入，經(jīng)過仿真得到仿真數(shù)據(jù)輸出，傳感器2006和傳感器3001與輸出數(shù)據(jù)對(duì)比如圖5所示.從圖中可以看出，由于模擬輸出數(shù)據(jù)是一個(gè)均值，選取的傳感器均為某一路段的流量，傳感器2008數(shù)據(jù)值較大，而傳感器3001數(shù)據(jù)值相對(duì)較小，故傳感器2008數(shù)據(jù)曲線位于模擬輸出數(shù)據(jù)曲線上方，而傳感器3001則相反.傳感器2008的平均相對(duì)誤差為0.18%，而傳感器3001的平均相對(duì)誤差為－1.1%，這幾個(gè)數(shù)據(jù)對(duì)比圖可以證明，基于神經(jīng)網(wǎng)絡(luò)的信息融合方法可以通過多傳感器輸入得到更為準(zhǔn)確的速度值.

3 結(jié)束語(yǔ)

數(shù)據(jù)融合是信息科學(xué)不斷發(fā)展的必然結(jié)果.本文基于多傳感器信息融合技術(shù)在交通控制系統(tǒng)中的應(yīng)用，運(yùn)用神經(jīng)網(wǎng)絡(luò)技術(shù)構(gòu)造一種數(shù)據(jù)融合方法，并結(jié)合模擬數(shù)據(jù)對(duì)方法進(jìn)行了有效的驗(yàn)證，該方法對(duì)于提高速度的檢測(cè)是有效的.所構(gòu)造的系統(tǒng)相對(duì)于傳統(tǒng)的單一傳感器信號(hào)控制系統(tǒng)而言，更具備信息的完整性、統(tǒng)一性和容錯(cuò)性.

圖5 傳感器的數(shù)據(jù)對(duì)比

［1］管德永.先進(jìn)的城市交通信號(hào)控制理論模型和實(shí)施技術(shù)研究［D］.長(zhǎng)春：吉林大學(xué)交通學(xué)院，2003.

［2］張 赫.基于實(shí)時(shí)交通流信息的單點(diǎn)混合交通自適應(yīng)信號(hào)控制技術(shù)研究［D］.南京：東南大學(xué)交通學(xué)院博士后出站報(bào)告，2005.

［3］James A，Bonneson，Joel W F.Traffic data collection using video－based systems［J］.Transportation Research Record，Washington，D.C.TRB.1995.

［4］Ivan J N.Real－time data f usion for arterial street inci－dent detection using neural networ ks［J］，TRR 1497，TRB，1995.

［5］徐立群.動(dòng)態(tài)交通數(shù)據(jù)采集研究［C］／／1999年第三屆交通領(lǐng)域青年學(xué)術(shù)會(huì)議論文集.北京：人民交通出版社，1999.

［6］王建海.多傳感器數(shù)據(jù)融合淺析［J］.上海大學(xué)學(xué)報(bào)：自然科學(xué)版，1997，3（4）：454－460.

［7］王憶鋒.多傳感器數(shù)據(jù)融合技術(shù)［J］.紅外技術(shù)，1997（3）：34－36.

［8］羅森林，王 越，周思永.多源信息處理技術(shù)——數(shù)據(jù)融合［J］.系統(tǒng)工程于電子技術(shù)，1998（6）：61－66.

［9］丁承民，張傳生，劉 輝.遺傳算法縱橫談［J］.信息與控制，1997，26（1）：40－47.

［10］姜紫峰，荊便順.人工神經(jīng)網(wǎng)絡(luò)在交通領(lǐng)域中的應(yīng)用［J］.公路交通科技，1997，14（4）：55－59.

［11］尹宏賓.基于模糊神經(jīng)網(wǎng)絡(luò)的信號(hào)交叉口交通量預(yù)測(cè)［J］.華南理工大學(xué)學(xué)報(bào)：自然科學(xué)版，1999，28（6）：11－16.