城市交通流數據優化感知及其技術探究

李成德

摘 要：交通流理論是將交通的特性通過物理和數學的定律來進行描述的一門邊緣學科，對于現代交通問題的解決以及交通規劃管理上都有著良好的指導意義。本文通過對交通流感知技術的研究進展以及優化感知進行了分析和研究。

關鍵詞：交通流 數據優化 感知技術

引 言

隨著目前城市交通擁堵等問題日益嚴重，因此就必須要對城市交通進行良好的規劃。在利用交通流理論規劃城市交通時，對交通信息的感知是最基礎的環節之一，而傳統的感應線圈等技術只能對固定點數據進行檢測，在路網監控上存在著較多的“真空”地帶。所以，如何優化城市交通流感知技術，為城市交通擁堵問題的解決提供有效信息就成為了一個重要的課題。

1.交通感知技術硏究進展

交通技術感知技術是所有智能交通系統的應用基礎，其中對交通流數據的采集和處理是最基本的一個環節。通過提高所采集的交通流數據的時空精度，并通過微觀信號控制系統對交通流進行控制和誘導，使交通流在路網的時空上均衡分布，從而實現對城市交通擁堵問題的有效解決。

隨著交通信息感知領域經歷了多次的技術變革，感應線圈、攝像頭、紅外線、壓電管、GPS等都是當前得到了廣泛應用的檢測技術。交通信息感知技術已經實現了從人工、單點、靜態的采集向自動化、數據融合、動態采集的發展，采集方式的發展呈現出了多樣性的特點。在交通信息感知技術可以采集的數據主要有：車輛計數、交通流量、車輛速度、車輛分類、行程時間等。

城市是大數據最活躍、最豐富的地區之一，特別是對于城市交通運輸行業來說，路面的交通流組成了交通大數據中對重要的部分。目前，道路上部署的交通感知設備采集了大量的結構化以及非結構化的數據，主要以感應線圈數據、視頻圖像數據為主。在交通較為繁忙的城市，僅僅感應線圈每天產生的數據量就可以達到數十GB，并且隨著傳感器、網絡等技術的發展，使城市路網的數據量上升到了PB甚至EB的規模。

2.城市交通流數據優化感知技術分析

城市交通大數據具有數據容量大、數據類型多、價值密度低、局部有效性以及處理快速性等特點。也正是因為這些特點，導致了交通大數據的分析、挖掘和使用有著一定的困難。因此，如何優化交通流數據采集，從大量數據中找到最優數據集來分析交通流參數成為了一個重要的課題。

2.1基于傳感器網絡的路段交通流數據采集。為了對傳統交通信息采集系統只能獲取單點數據，不能全面感知交通流動態變化的問題進行解決，交通流數據采集未來會向著獲取連續、網絡化數據的拉格朗日感知進行發展。根據交通擁堵狀況靈活部署感應器節點，通過無線傳感器網絡節點，運用自適應閾值算法對車輛存在、車輛速度、車輛類別等交通流的離散數據進行采集，并將采集到的信息上傳到智能交通控制中心，對相鄰傳感器所采集的數據相關性進行分析，然后利用交通方程的近似數值解來擬合數據，從而獲得該路段連續的、高時空精度的交通流參數。以交通流參數為基礎進行建模，找出堵塞因子，然后在信號配時優化模型中進行應用，從而獲得更好的信號控制效果，解決交通擁堵。

2.2網絡參與式感知。由于根據傳感器位置、采集時間點的不同，其采集的數據的價值也有著較大的差異。因此，對數據的價值進行定義，并使交通控制系統選擇最佳的數據集就成了的一個非常重要的技術問題。傳感器數據集優化選擇是傳感器位置優化的拓展，隨著物聯網、車聯網的發展，未來車聯網邊緣會連接大量的傳感器節點，根據相關研究顯示，只需要在2～5%的路面移動車輛上進行傳感器的部署，就可以為交通控制提供有效的數據，這種群體參與式的交通數據感知雖然能夠提供大量的數據，但是由于其不確定性較大，因此數據的價值密度較低。所以就需要根據交通流模型以及參數對傳感器的部署以及傳感器節點數據集的選擇進行優化。

2.3基于蟻群算法的數據集選擇優化。由于交通流存在著較高的動態性和不確定性，因此可以通過將移動傳感器網絡建模為時變動態隨機網絡，并以此模型對傳感器網絡的動態拓撲以及數據價值的時變定義時變價值網絡，把數據價值作為網絡的權值，從而將數據集選擇優化問題轉化為K期望最段路徑問題。

蟻群算法是一種仿生優化的隨機搜索辦法，是K期望最短路徑問題的一種較好的算法。該種算法的特點是能夠進行全局搜索，分布式計算以及魯棒性好，對于組合優化方面有著較好的性能，但同時也存在著收斂慢、容易停滯等問題。為了對基本蟻群算法無法對動態隨機網絡的時變隨機參數進行處理，可以使用時間依賴的蟻群算法來完成交通流數據集的選擇優化。通過將交通流信息的不確定性與路徑選擇概率、信息素以及啟發式信息相關聯，在啟發式信息中加入全局的路段選擇信息，并對更新信息素的策略和局部搜索策略進行改進，使搜索的收斂速度的得到加快。具體過程如下：以V表示虛擬檢測區域的節點數量，M為搜索者螞蟻群體的數量，t0為搜索開始時間，在任意傳感器節點Vi選擇相鄰節點Vj的概率pij（t）按照輪盤賭的方式選擇，當所有螞蟻都到達目標節點后完成一輪搜索，并對路段的信息素進行更新。螞蟻在搜索的過程匯總會在節點上釋放信息素，信息素的釋放由螞蟻到達目標節點的最短路徑的期望信息熵決定，而期望信息熵來源于動態的條件信息熵，信息熵越大，信息素釋放越對多，最終根據路段信息素的累積來確定K最短路徑。

結 語

智能交通系統是當前解決交通擁堵問題的最有效方案，而交通信息感知則是智能交通的重要基礎。在物聯網、大數據、云計算迅速發展的背景下，通過對傳感器網絡、感知模型以及數據集選擇等方面進行優化，使交通流數據感知獲得了較好的發展。

參考文獻：

[1] 溫美玲. 基于磁阻傳感器的交通信息感知算法研究[D]. 長安大學， 2016.

[2] 趙靜. 基于物聯網的智能交通流探測技術研究[J]. 科技創新與應用， 2016（34）.