高速公路異構數據融合方法研究

楊奎軍 李玉寶 陳翠嬌

摘 要：通過神經網絡模型對固定檢測器采集的地點車速數據、交通流量數據和手機切換技術提取的路段行程時間數據進行時間、空間和語義的一致化處理，最后用路段平均車速對道路交通狀態進行評估，以山東省濟樂高速南延段為例，采用該多源數據融合模型相較于固定檢測數據融合模型，得出的路段平均車速誤差值減小。

關鍵詞：交通狀態;神經網絡;異構數據

中圖分類號：U491 文獻標識碼：A

0 引言

行駛在高速公路的車輛受車輛速度、時間占有率、車流量以及天氣狀況等客觀條件的影響，極易造成高速公路的交通擁堵以及二次事故的引發，目前高速公路交通狀態預測所使用的微波檢測器雖然固定，但在路網分布上相對稀疏。史巖[1]采用神經網絡模型對微波檢測器、牌照識別檢測器采集的交通流速度數據和浮動車數據進行融合。姚午開選用收費站刷卡數據和浮動車數據進行數據融合，采用極限學習機算法對高度公路交通狀態進行評估。

出行者對于規劃路線的選擇比較注重行程時間，而行程時間的長短受多種因素的影響，手機活動數據覆蓋的時空范圍相對較廣，可以彌補固定檢測數據的不足，基于固定檢測器采集的數據和手機活動數據，提出基于神經網絡的高速公路異構數據融合方法。

1 數據獲取及預處理

1.1 原始數據獲取

以山東省濟樂高速南延段的固定檢測數據、手機活動數據作為研究對象。

1.2 微波檢測數據預處理

1.2.1 剔除錯誤數據

（1）閾值法。1）地點速度為一瞬時值，是指車輛通過道路某一個斷面的行駛速度，瞬時值不確定性較大，需要對速度區間加以彈性系數如式1所示：

式中：表示點速度;表示道路速度上限;視為彈性系數，一般取1.3～1.5之間。

濟樂高速南延段的最高設計速度為100 km/h，所以超過150 km/h的數據即可視為錯誤數據。

2）交通量是對所經過車輛進行統計的最終結果，統計時間將會影響統計結果，所以加入彈性系數為，如式2所示：

式中：表示交通量;視為彈性系數，一般取1.3～1.5之間;表示道路通行能力;表示數據采集時間。

濟樂高速南延段單車道道路通行能力2 400 h，彈性系數為1.5，統計時間間隔為5 min，那么在時間間隔內最大值為300輛。

（2）交通流邏輯判別法。閾值法剔除的錯誤數據是區間外的，但是不缺乏區間內的數據存在錯誤，這是由于數據傳輸等多方面原因造成的，這些數據也會影響道路交通狀態的判斷，所以需要將這些數據刪除。當地點車速和交通量出現兩者不同時為0，可視為錯誤數據，應將其剔除。

1.2.2 修補缺失數據

（1）時間序列插補法。本文選用三組歷史數據，利用時間序列法進行缺失數據的插補，方法如3所示：

（3）

式中：表示缺失數據值;表示第一組歷史數據值;表示第二組歷史數據值;表示第三組歷史數據值。

（2）空間位置插補法。空間位置插補法是依據檢測器數據在空間特征上具備關聯關系，具體如下：

式中，是在第個時間間隔內的時間平均車速;是第個時間間隔內的時間平均車速;是第個時間間隔內時間平均車速的方差。

1.3 手機活動數據

通行車輛載有的持卡手機，在行駛過程中經過的相鄰基站可視為道路的固定檢測區域，當行駛的車輛從一個切換小區行駛到下一個切換小區時，通信運營商后臺能夠顯示車輛經過兩個切換小區的時間及位置。通過標定好的切換路段長度L和時間差，對經過固定檢測區域的車輛進行路段平均速度的計算。

1.4 空間匹配

選取固定檢測器采集的數據與手機活動數據作為數據源，數據融合過程中數據需要對應于同一空間，數據要保證是同一路段的高速數據，否則融合達不到目的。選擇山東省濟樂南延高速路段的兩類數據進行空間匹配。

1.5 時間匹配

不同檢測器采集數據的時間間隔不同，需要將采集的數據變換成一致的時間周期，并將同一時刻的數據進行匹配。手機活動數據的傳輸間隔可自由設定，固定檢測器采集的數據上傳間隔為5 min。

2 基于神經網絡的數據融合

論文以建立異構數據為輸入和路段車速為輸出的三層前饋BP神經網絡融合模型。輸入層主要負責接收不同的輸入信息，隱藏層的神經元數目不固定，但數量與模型的強健性呈正相關，但同時也會增加模型訓練的迭代次數。輸出層是前兩層經過傳輸、分析后形成的輸出結果，即路段平均車速。

通常，輸入層至隱藏層的隱節點采用函數激活，隱藏層至輸出層選用線性函數激活。表達式如下：

3 模型結果對比

將周三下午15：40-16：00的行程時間作為預測對象，選用之前十周每周三的行程時間作為神經網絡的訓練數據，將訓練數據分為事故發生事故不發生兩類分別訓練，將周三下午15：40-16：00的實際數據作為驗證數據。選擇均方根誤差RMSE作為數據融合模型的評價指標，公式如下：

式中，是第k個時間間隔的融合平均速度;是第k個時間間隔的真實平均速度;N是總的時間間隔數量。

4 結論

基于神經網絡的固定檢測數據和手機活動數據的多源融合模型，相比較于單源數據，多源數據融合后選取的行程時間指數TTI增加了評估的穩定性以及準確性，評估結果更能反應目前的道路交通狀況。在以后的研究中，可考慮更多的影響因素，提高預判系統的整體性能。

參考文獻：

[1]史巖，董宏輝，張瑜，等.多源檢測器的交通數據融合研究[J].道路交通與安全，2015，15（03）：35-40.