王曉全，邵春福，尹超英，袁 媛

(北京交通大學(xué)城市交通復(fù)雜系統(tǒng)理論與技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，北京 100044)

目前，交通信息挖掘已經(jīng)成為智能交通系統(tǒng)(ITS)中進(jìn)行科學(xué)交通預(yù)測(cè)、交通誘導(dǎo)以及交通組織的基礎(chǔ)[1].多源異構(gòu)交通數(shù)據(jù)的融合是交通數(shù)據(jù)挖掘和交通決策的依據(jù)[2-4].

常見(jiàn)的交通數(shù)據(jù)融合方法有神經(jīng)網(wǎng)絡(luò)模型、卡爾曼濾波、貝葉斯方法、模糊算法及D-S證據(jù)理論等[5]；然而，交通流狀態(tài)的隨機(jī)變化往往使得融合結(jié)果難以令人滿意.數(shù)據(jù)融合技術(shù)在交通領(lǐng)域的可行性已經(jīng)被實(shí)驗(yàn)證明，而有效的融合模型有待進(jìn)一步的開(kāi)發(fā)[6].道路交通傳感器種類繁多，系統(tǒng)之間具有標(biāo)準(zhǔn)不一、交互性差的特點(diǎn).徐濤[7]設(shè)計(jì)了一套融合體系對(duì)多源傳感器信息進(jìn)行融合，從而獲得實(shí)用性更強(qiáng)的融合信息.融合框架及融合結(jié)構(gòu)已被廣泛研究[8-10]，通過(guò)對(duì)融合模型以及融合算法的改進(jìn)，實(shí)現(xiàn)融合精度及容錯(cuò)能力的提高.

本文構(gòu)建改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型，通過(guò)對(duì)某主干路的線圈傳感器和地磁傳感器實(shí)測(cè)數(shù)據(jù)進(jìn)行融合，充分發(fā)揮線圈和地磁傳感器的優(yōu)點(diǎn)，彌補(bǔ)單一檢測(cè)方式獲取交通數(shù)據(jù)的不足，得到更精確、更可靠的交通信息，進(jìn)一步可以簡(jiǎn)化冗余交通信息[11-14].利用改進(jìn)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行融合，可提高融合模型精度，并對(duì)模型的容錯(cuò)能力進(jìn)行檢驗(yàn).

1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是基于逆向傳播算法的數(shù)學(xué)模型，網(wǎng)絡(luò)信息正向傳播而誤差逆向傳播，解決了神經(jīng)網(wǎng)絡(luò)權(quán)值系數(shù)優(yōu)化問(wèn)題，使其擁有更好的學(xué)習(xí)效果及更快的學(xué)習(xí)效率[15]，因此被廣泛利用.

交通流基本參數(shù)之間存在相互變化關(guān)系，由交通流基本關(guān)系式q=ku表示，因此交通流3個(gè)基本參數(shù)只有2個(gè)獨(dú)立變量[16].本文中考慮到交通流基本參數(shù)之間的相互關(guān)系，數(shù)據(jù)融合的輸入包含線圈傳感器和地磁傳感器檢測(cè)的交通流基本參數(shù)數(shù)據(jù).

圖1 基于BP神經(jīng)網(wǎng)絡(luò)的融合模型

一個(gè)簡(jiǎn)單的基于BP神經(jīng)網(wǎng)絡(luò)的融合模型如圖1所示，其中vg,t、Qg,t、Og,t分別為地磁傳感器檢測(cè)的路段斷面s上t時(shí)刻的交通流速度、流量、占有率數(shù)據(jù)，vw,t、Qw,t、Ow,t分別為線圈傳感器檢測(cè)的路段斷面s上t時(shí)刻的交通流速度、流量、占有率數(shù)據(jù).本文模型是一個(gè)以線圈傳感器數(shù)據(jù)和地磁傳感器數(shù)據(jù)為自變量、校驗(yàn)值為因變量尋找函數(shù)關(guān)系的過(guò)程，通過(guò)前期數(shù)據(jù)的預(yù)處理，每一條校驗(yàn)值都對(duì)應(yīng)著一條線圈傳感器數(shù)據(jù)和一條地磁傳感器數(shù)據(jù).訓(xùn)練的過(guò)程就是輸入值在不斷正向傳播，誤差反饋后對(duì)神經(jīng)元的權(quán)值進(jìn)行調(diào)整的過(guò)程，經(jīng)過(guò)不斷的訓(xùn)練學(xué)習(xí)，最終達(dá)到精度要求停止訓(xùn)練.

2 交通流數(shù)據(jù)融合

2.1 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

交通檢測(cè)技術(shù)的應(yīng)用為數(shù)據(jù)融合提供了實(shí)測(cè)數(shù)據(jù)，對(duì)歷史實(shí)測(cè)數(shù)據(jù)進(jìn)行預(yù)處理，獲得輸入向量的序列.利用某主干路1d傳感器數(shù)據(jù)參與訓(xùn)練，根據(jù)檢測(cè)器位置，將某主干路分為10個(gè)斷面，每個(gè)斷面獲取如圖1所示6維輸入向量，根據(jù)檢測(cè)器5 min的采樣間隔，剔除凌晨3個(gè)參數(shù)均為0的時(shí)段，1維輸入向量為包含204組數(shù)據(jù)的時(shí)間序列.根據(jù)實(shí)際實(shí)驗(yàn)對(duì)比，選取3層網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)為6-15-1的BP神經(jīng)網(wǎng)絡(luò)，傳遞函數(shù)確定為收斂性較好的s型對(duì)數(shù)函數(shù)[17].

2.2 改進(jìn)神經(jīng)網(wǎng)絡(luò)算法校驗(yàn)

BP神經(jīng)網(wǎng)絡(luò)是從輸入數(shù)據(jù)中提取未知的、新的特征[14].改進(jìn)BP神經(jīng)網(wǎng)絡(luò)使用一組傳感器數(shù)據(jù)作為訓(xùn)練網(wǎng)絡(luò)的輸入向量和輸出變量，訓(xùn)練網(wǎng)絡(luò)提取輸入向量的模式特征，利用另一組傳感器實(shí)測(cè)數(shù)據(jù)作為輸入，輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，對(duì)輸出的響應(yīng)進(jìn)行誤差分析及LSE指標(biāo)驗(yàn)證.傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)輸入輸出都是使用訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)的數(shù)據(jù)，輸入向量會(huì)根據(jù)設(shè)定的誤差限逼近輸出向量，此時(shí)獲得的誤差較小，使用時(shí)容易引起精度虛報(bào)的情況[18-20].改進(jìn)神經(jīng)網(wǎng)絡(luò)校驗(yàn)算法的設(shè)計(jì)流程如圖2所示.

圖2 改進(jìn)神經(jīng)網(wǎng)絡(luò)算法

為了定量研究算法的性能，根據(jù)實(shí)驗(yàn)獲得的數(shù)據(jù)基礎(chǔ)，再進(jìn)一步計(jì)算，并在有效性判斷時(shí)采用LSE(Least Square Error Method)方法進(jìn)行模型的有效性驗(yàn)證.

其中,k為樣本，k=1,2…；n為樣本量；ARk為第k條檢驗(yàn)數(shù)據(jù)樣本，可為線圈檢測(cè)速度，地磁檢測(cè)速度和融合值；AMk為第k條樣本對(duì)應(yīng)的車牌檢測(cè)速度即校驗(yàn)值.

本文選取9個(gè)斷面的數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，1個(gè)斷面的數(shù)據(jù)輸入到訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)，對(duì)神經(jīng)網(wǎng)絡(luò)的響應(yīng)進(jìn)行誤差分析及LSE，通過(guò)對(duì)比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)獲得的誤差和改進(jìn)后的校驗(yàn)方法的獲得的誤差值，來(lái)判定改進(jìn)后的誤差校驗(yàn)算法的有效性.

3 實(shí)例計(jì)算應(yīng)用

3.1 融合結(jié)果

通過(guò)MATLAB進(jìn)行數(shù)據(jù)融合，得到融合后的速度信息.以改進(jìn)算法驗(yàn)證斷面5#的融合速度和校驗(yàn)值，斷面5#的融合速度和校驗(yàn)值之間的關(guān)系如圖3和圖4所示.

圖3 融合值與校驗(yàn)值關(guān)系

圖4 融合值與校驗(yàn)值對(duì)比

通過(guò)模型進(jìn)行融合后的速度和校驗(yàn)值的對(duì)比，可以說(shuō)明利用BP神經(jīng)網(wǎng)絡(luò)獲得的輸入和輸出關(guān)系.由于融合值和檢驗(yàn)值均為定距數(shù)據(jù)，通過(guò)計(jì)算Pearson相關(guān)系數(shù)分析兩者之間線性相關(guān)性的強(qiáng)弱，得到兩者的簡(jiǎn)單相關(guān)系數(shù)為0.996，相關(guān)系數(shù)的檢驗(yàn)概率p近似為0，因此兩者之間的具有較強(qiáng)的線性關(guān)系.

3.2 計(jì)算結(jié)果分析

通過(guò)對(duì)誤差進(jìn)行分析，根據(jù)改進(jìn)BP神經(jīng)網(wǎng)絡(luò)校驗(yàn)算法進(jìn)行驗(yàn)證，獲得如圖5所示的相對(duì)誤差圖.

由融合結(jié)果知，利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行路段平均速度的融合結(jié)果相對(duì)誤差都小于6%，即融合精度>94%，因此利用BP神經(jīng)網(wǎng)絡(luò)對(duì)地磁傳感器和線圈傳感器所檢測(cè)路段平均速度的融合計(jì)算可以較為準(zhǔn)確地反映路段平均速度的變化，很好地滿足道路使用者對(duì)精度的要求.

各檢測(cè)方式LSE結(jié)果，如表1所示，對(duì)比各檢測(cè)方式LSE值得圖6所示結(jié)果.

表1 各方式LSE值

圖6 各斷面LSE值圖

由此可知，利用BP神經(jīng)網(wǎng)絡(luò)的交通流數(shù)據(jù)融合算法具有較高的融合精度，而且具有較好的容錯(cuò)能力.實(shí)驗(yàn)結(jié)果表明，融合誤差可以很好地滿足交通使用者的出行要求，同時(shí)對(duì)傳統(tǒng)及改進(jìn)驗(yàn)證算法的斷面數(shù)據(jù)的融合結(jié)果證明了模型的有效性.

4 結(jié)束語(yǔ)

本文提出了一種改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的交通流數(shù)據(jù)融合模型，利用布設(shè)在某主干路的3種類型傳感器數(shù)據(jù)驗(yàn)證了本文模型的融合能力.本文構(gòu)建模型主要利用改進(jìn)BP神經(jīng)網(wǎng)絡(luò)來(lái)獲得輸入和輸出關(guān)系，以線圈和地磁傳感器采集的交通流3個(gè)基本參數(shù)為輸入，并以車牌識(shí)別數(shù)據(jù)作為校驗(yàn)值建立融合模型，融合結(jié)果表明，所有的融合結(jié)果的精度均高于94%，并可以通過(guò)LSE值驗(yàn)證，證明了本文構(gòu)建模型的融合能力.

[1] Eunjeong Ko,Jinyoung Ahn and Eun Yi Kim.3D markov process for traffic flow prediction in real-time[J].Sensors,2016,16(2): 147-166.

[2] Wanli Min,Laura Wynter.Real-time road traffic prediction with spatio-temporal correlations[J].Transportation Research Part C,2011,19(4): 606-616.

[3] 王茹,翁劍成,喬國(guó)梁.不同道路條件對(duì)城市路段交通流特征的影響研究[J].道路交通與安全,2015,1: 8-14.

[4] 袁騰飛,史同廣,李美玲.基于GPS數(shù)據(jù)的公交運(yùn)行狀態(tài)判別算法研究[J].道路交通與安全,2015,2: 23-27.

[5] 趙建東,徐菲菲,張琨.融合多源數(shù)據(jù)預(yù)測(cè)高速公路站間旅行時(shí)間[J].交通運(yùn)輸系統(tǒng)工程與信息,2016,16(1): 52-57.

[6] 楊兆升,王爽,馬道松.基礎(chǔ)交通信息融合方法綜述

[J].公路交通科技,2006,23(3).

[7] 徐濤,楊曉光,徐愛(ài)功，等.面向城市道路交通狀態(tài)估計(jì)的數(shù)據(jù)融合研究[J].計(jì)算機(jī)工程與應(yīng)用,2011,47(7): 218-221.

[8] 張旭.面向交通運(yùn)行狀態(tài)評(píng)價(jià)的多源異質(zhì)交通流數(shù)據(jù)融合技術(shù)方法研究[D].北京: 北京交通大學(xué),2008.

[9] 夏玫.BP神經(jīng)網(wǎng)絡(luò)泛化能力改進(jìn)研究[D].太原: 太原科技大學(xué),2009.

[10] 張文溥.道路交通檢測(cè)技術(shù)與應(yīng)用[M].北京: 人民交通出版社,2009.

[11] Yin H,Wong S C,Xu J,et al.Urban traffic flow prediction using a fuzzy-neural approach[J].Transportation Research Part C Emerging Technologies,2002,10(2): 85-98.

[12] Yan G,Sujian L I.Fusion framework of urban traffic control and route guidance based on CPS theory[J].Journal of Highway & Transportation Research & Development,2012,7(1): 82-89.

[13] Chen N.Data-Fusion approach based on evidence theory combining with fuzzy rough sets for urban traffic flow[J].Research Journal of Applied Sciences Engineering & Technology,2013,6(11): 1993-1997.

[14] Yu H.The research of hierarchical data fusion based on three-tiers wireless sensor networks for urban real time traffic information monitoring[C].International Conference on Genetic & Evolutionary Computing.IEEE,2010: 802-805.

[15] 王修勇,溫青,楊琪,等.基于新奇檢測(cè)技術(shù)的斜拉索狀態(tài)評(píng)估[J].公路交通科技,2011,28(9): 53-59.

[16] 邵春福,魏麗英,賈斌.交通流理論[M].北京: 電子工業(yè)出版社,2012.

[17] Xiao Z,Ye S J,Zhong B,et al.BP neural network with rough set for short term load forecasting[J].Expert Systems with Applications,2009,36(1): 273-279.

[18] Zhang Y,Wu L.Stock market prediction of S&P 500 via combination of improved BCO approach and BP neural network[J].Expert Systems with Applications,2009,36(5): 8849-8854.

[19] Sadeghi B H M.A BP-neural network predictor model for plastic injection molding process[J].Journal of Materials Processing Technology,2000,103(3): 411-416.

[20] Yu F,Xu X.A short-term load forecasting model of natural gas based on optimized genetic algorithm and improved BP neural network[J].Applied Energy,2014,134(134): 102-113.