论文部分内容阅读
摘要：本文基于智能交通系统中信息的特征，探讨了数据压缩和数据融合技术涉及的关键技术及要求，分析了技术应用及现实突破。
关键词：ITS集成；数据处理； 信息融合；
1. ITS信息及特征分析
1.1 基础交通信息的属性特征
基础交通信息是一种在大范围内、全方位发挥作用的，实时、准确、高效的综合运输和管理系统，其应具有以下一些基本属性特征：1）准确性；2）及时性；3）共享性；4）信息的采集具有实时性和动态性；5）具有海量信息特征；6）增值性。
1.2 智能交通信息（ITS）
交通系统由包括4个基本要素：人（交通出行者、驾驶员和管理者）、物（货物）、各类交通工具和相应的交通设施构成。交通信息是指所有与交通系统的四大要素相关联的信息，是ATMS的关键基础。面向ATMS的基础交通信息主要是指与交通运行状态和交通管理有关的交通信息，是交通信息中最直接、最基础的信息。基础交通信息包括基础交通地理信息、交通实时状态信息、交通控制和管理信息、交通政策法规信息、公共交通信息。
2 数据压缩处理技术
交通信息一方面时采集到的信息烦杂多样，要想利用这些不同类别的信息，需采用不同的处理方法；另一方面，交通信息的一个显著特征是它的空间性和随机性，因此对它的研究分析需要建立在广泛统计的基础上，应用各类信息处理技术和统计分析方法来探索它的规律性。
数据压缩主要依靠信源编码技术。一般的，图像压缩技术可分为两大类：无损压缩和有损压缩技术。在多媒体应用中常用的压缩方法有PCM（脉冲编码调制）、预测编码、变换编码、插值和外推法、统计编码、矢量量化和子带编码等；混合编码是近年来广泛采用的方法。新一代的数据压缩方法，如基于模型的压缩方法、分形压缩和小波变换方法等也已经接近实用化水平。
所谓多媒体技术就是能对多种载体（媒体）上的信息和多种存储（媒质）上的信息进行处理的技术，特点主要表现在它的综合性和交互性。交通信息是属于多媒体信息范畴。若要实时的综合处理声音、图像、视频、文字等多媒体信息，其数据量是非常大的。要传输或存储这样大的数据量是非常困难的，必须对其进行压缩编码，在满足实际需要的前提下，尽量减少要传输或存储的数据量。
3 融合技术
信息融合技术在单纯数据采集融合（即一次融合）阶段称为数据融合，是研究多种信息的获取、传输与处理的基本方法、技术、手段以及信息的表示、内在联系和运动规律的一门技术。融合是指采集并集成各种信息源、多媒体和多格式信息，从而生成完整、准确、及时和有效的综合信息，它比直接从各信息源得到的信息更简洁、更少冗余、更有用途。
在信息融合领域使用的主要数学工具或方法有概率论、推理网络、模糊理论和神经网络等，其中使用较多的是概率论、模糊理论、推理网络。当然，除了这几种常用的方法之外，还有其他很多解决途径。
先进的交通管理系统（ATMS）是一个典型的多传感器系统，信息融合技术给交通信息加工和处理提供了一种很好的方法，信息融合技术的最大优势在于它能合理协调多源数据，充分综合有用信息，提高在多变环境中正确决策的能力。
3.1 模糊理论
模糊集理论是基于分类的局部理论，因此，从产生起就有许多模糊分类技术得以发展。隶属函数可以表达词语的意思，这在数字表达和符号表达之间建立了一个便利的交互接口。在信息融合的应用中主要是通过与特征相连的规则对专家知识进行建模。另外，可以采用模糊理论来对数字化信息进行严格地、折衷或是宽松地建模。模糊理论的另一个方面是可以处理非精确描述问题，还能够自适应地归并信息。对估计过程的模糊拓展可以解决信息或决策冲突问题，应用于传感器融合、专家意见综合以及数据库融合，特别是在信息很少，又只是定性信息的情况下效果较好。
3.2 概率论
在融合技术中最早应用的就是概率论。在一个公共空间根据概率或似然函数对输入数据建模，在一定的先验概率情况下，根据贝叶斯规则合并这些概率以获得每个输出假设的概率，这样可以处理不确定性问题。贝叶斯方法的主要难点在于对概率分布的描述，特别是当数据是由低档传感器给出时，就显得更为困难。另外，在进行计算的时候，常常简单地假定信息源是独立的，这个假设在大多数情况下非常受限制。卡尔曼滤波方法则根据早先估计和最新观测，递推地提供对观测特性的估计。另外，概率论和模糊集理论的综合应用给解决多源数据的融合问题提供了工具。
3.3 推理网络
推理网络的构建和应用有着很长的历史，可以追溯到1913年由一位名叫John H W ig-more的美国学者所做的研究工作。近来，许多对于分析复杂推理网络的理论往往基于贝叶斯规则的推论，并且都被归类于贝叶斯网络。目前，大多数贝叶斯网络的研究都包括了对于概率有效传播的算法拓展，同时它在整个网络中也充当了新证据的角色。同时贝叶斯网络在许多A1任务里都己作为对于不确定推理的标准化有效方法。贝叶斯网络的优点是简洁、易于处理相关事件。缺点是不能区分不知道和不确定事件，并且要求处理的对象具有相关性。在实际运用中一般不知道先验概率，当假定的先验概率与实际相矛盾时，推理结果很差，特别是在处理多假设和多条件问题时显得相当复杂。
关键词：ITS集成；数据处理； 信息融合；
1. ITS信息及特征分析
1.1 基础交通信息的属性特征
基础交通信息是一种在大范围内、全方位发挥作用的，实时、准确、高效的综合运输和管理系统，其应具有以下一些基本属性特征：1）准确性；2）及时性；3）共享性；4）信息的采集具有实时性和动态性；5）具有海量信息特征；6）增值性。
1.2 智能交通信息（ITS）
交通系统由包括4个基本要素：人（交通出行者、驾驶员和管理者）、物（货物）、各类交通工具和相应的交通设施构成。交通信息是指所有与交通系统的四大要素相关联的信息，是ATMS的关键基础。面向ATMS的基础交通信息主要是指与交通运行状态和交通管理有关的交通信息，是交通信息中最直接、最基础的信息。基础交通信息包括基础交通地理信息、交通实时状态信息、交通控制和管理信息、交通政策法规信息、公共交通信息。
2 数据压缩处理技术
交通信息一方面时采集到的信息烦杂多样，要想利用这些不同类别的信息，需采用不同的处理方法；另一方面，交通信息的一个显著特征是它的空间性和随机性，因此对它的研究分析需要建立在广泛统计的基础上，应用各类信息处理技术和统计分析方法来探索它的规律性。
数据压缩主要依靠信源编码技术。一般的，图像压缩技术可分为两大类：无损压缩和有损压缩技术。在多媒体应用中常用的压缩方法有PCM（脉冲编码调制）、预测编码、变换编码、插值和外推法、统计编码、矢量量化和子带编码等；混合编码是近年来广泛采用的方法。新一代的数据压缩方法，如基于模型的压缩方法、分形压缩和小波变换方法等也已经接近实用化水平。
所谓多媒体技术就是能对多种载体（媒体）上的信息和多种存储（媒质）上的信息进行处理的技术，特点主要表现在它的综合性和交互性。交通信息是属于多媒体信息范畴。若要实时的综合处理声音、图像、视频、文字等多媒体信息，其数据量是非常大的。要传输或存储这样大的数据量是非常困难的，必须对其进行压缩编码，在满足实际需要的前提下，尽量减少要传输或存储的数据量。
3 融合技术
信息融合技术在单纯数据采集融合（即一次融合）阶段称为数据融合，是研究多种信息的获取、传输与处理的基本方法、技术、手段以及信息的表示、内在联系和运动规律的一门技术。融合是指采集并集成各种信息源、多媒体和多格式信息，从而生成完整、准确、及时和有效的综合信息，它比直接从各信息源得到的信息更简洁、更少冗余、更有用途。
在信息融合领域使用的主要数学工具或方法有概率论、推理网络、模糊理论和神经网络等，其中使用较多的是概率论、模糊理论、推理网络。当然，除了这几种常用的方法之外，还有其他很多解决途径。
先进的交通管理系统（ATMS）是一个典型的多传感器系统，信息融合技术给交通信息加工和处理提供了一种很好的方法，信息融合技术的最大优势在于它能合理协调多源数据，充分综合有用信息，提高在多变环境中正确决策的能力。
3.1 模糊理论
模糊集理论是基于分类的局部理论，因此，从产生起就有许多模糊分类技术得以发展。隶属函数可以表达词语的意思，这在数字表达和符号表达之间建立了一个便利的交互接口。在信息融合的应用中主要是通过与特征相连的规则对专家知识进行建模。另外，可以采用模糊理论来对数字化信息进行严格地、折衷或是宽松地建模。模糊理论的另一个方面是可以处理非精确描述问题，还能够自适应地归并信息。对估计过程的模糊拓展可以解决信息或决策冲突问题，应用于传感器融合、专家意见综合以及数据库融合，特别是在信息很少，又只是定性信息的情况下效果较好。
3.2 概率论
在融合技术中最早应用的就是概率论。在一个公共空间根据概率或似然函数对输入数据建模，在一定的先验概率情况下，根据贝叶斯规则合并这些概率以获得每个输出假设的概率，这样可以处理不确定性问题。贝叶斯方法的主要难点在于对概率分布的描述，特别是当数据是由低档传感器给出时，就显得更为困难。另外，在进行计算的时候，常常简单地假定信息源是独立的，这个假设在大多数情况下非常受限制。卡尔曼滤波方法则根据早先估计和最新观测，递推地提供对观测特性的估计。另外，概率论和模糊集理论的综合应用给解决多源数据的融合问题提供了工具。
3.3 推理网络
推理网络的构建和应用有着很长的历史，可以追溯到1913年由一位名叫John H W ig-more的美国学者所做的研究工作。近来，许多对于分析复杂推理网络的理论往往基于贝叶斯规则的推论，并且都被归类于贝叶斯网络。目前，大多数贝叶斯网络的研究都包括了对于概率有效传播的算法拓展，同时它在整个网络中也充当了新证据的角色。同时贝叶斯网络在许多A1任务里都己作为对于不确定推理的标准化有效方法。贝叶斯网络的优点是简洁、易于处理相关事件。缺点是不能区分不知道和不确定事件，并且要求处理的对象具有相关性。在实际运用中一般不知道先验概率，当假定的先验概率与实际相矛盾时，推理结果很差，特别是在处理多假设和多条件问题时显得相当复杂。