论文部分内容阅读
为解决因城市化进程的加快所带来的一系列交通问题,很多城市开始发展智能交通系统,但智能交通系统若想有效发挥作用,必须有办法能够及时准确地获取动态交通信息。近年来,除传统固定检测设备之外,基于车辆的浮动车系统也越来越多地被应用于数据采集中。但由于固定检测技术与浮动车检测技术之间有诸多差异,采集到的信息有着各种问题,例如不精确、不一致、缺失等,导致目前智能交通系统中的信息在精度、完整性和可靠性等方面存在局限性。本文旨在通过城市快速路区间车速的融合实现微波检测器和浮动车系统检测数据的相互补充校验,得到更加精确、全面、可靠的城市快速路交通信息。首先,基于在北京市快速路上收集到的多源检测器交通流数据,对交通流三参数的时空特性和参数间关系模型进行了分析,介绍了几种常用的多源数据融合方法,结合它们的优缺点提出本文的融合模型。其次,针对所采集到的数据中存在的噪声干扰、异常数据等问题,使用卡尔曼滤波算法降低噪声干扰,采用阈值理论和交通流机理相结合的方法识别错误数据,对浮动车异常数据采用简单实用的修复方法,对微波异常数据的修复提出径向基(RBF)神经网络曲面重构的方法。最后,建立较为完整、有效的数据融合方案,采用自适应神经网络模糊推理系统(ANFIS)和遗传算法优化的BP神经网络两种模型应用于多源检测器区间速度数据的融合,并与单纯的BP神经网络融合模型进行比对。将浮动车速度和微波检测速度作为融合的输入数据,因车牌识别视频检测数据能反映实际道路交通情况,将其作为速度真实值用于对融合模型的检验。采用平均相对误差(MRE)和最小误差平方和(LSE)这两个指标来评价模型的融合效果。检验结果表明:ANFIS和遗传算法优化的BP神经网络两种模型都取得了比较满意的融合效果,融合模型精度相差不大,均在90%以上:融合后的速度值均比融合之前的任何单源检测器速度数据更接近真实值,融合模型的精度和有效性得到了很好的验证,且两种组合模型的融合效果优于单一BP神经网络的融合结果。