數(shù)據(jù)融合技術(shù)在交通狀態(tài)評(píng)價(jià)中的應(yīng)用研究

辛華輝　費(fèi)銀軍　王海光　尤貝貝

摘要：本文基于浮動(dòng)車和固定檢測(cè)器技術(shù)采集數(shù)據(jù)的特點(diǎn)，研究了兩種數(shù)據(jù)源的融合問(wèn)題，利用動(dòng)量法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了基于道路交通狀態(tài)指數(shù)的數(shù)據(jù)融合模型。通過(guò)仿真實(shí)驗(yàn)，驗(yàn)證了融合模型的有效性。

Abstract： In this paper， fusion problems of two data sources were investigated based on characteristics of collection data of floating car and fixed detector technology. computation model of traffic state index was established and data fusion model based on index of road traffic state by BP NN improved by momentum method. Also， the model was validated by simulation experiment.

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);交通狀態(tài)指數(shù);數(shù)據(jù)融合

Key words： BP network;traffic state index;data fusion

中圖分類號(hào)：U491 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號(hào)：1006-4311（2019）23-0276-02

0 ?引言

實(shí)時(shí)而準(zhǔn)確的道路交通信息是實(shí)行現(xiàn)代交通管理與控制、誘導(dǎo)、規(guī)劃的重要保障，也是智能交通系統(tǒng)建設(shè)的重要內(nèi)容。單一的檢測(cè)技術(shù)獲取的數(shù)據(jù)源對(duì)道路交通進(jìn)行的評(píng)價(jià)往往不能正確反映交通的運(yùn)行狀態(tài)，存在很大誤差。而采用數(shù)據(jù)融合技術(shù)對(duì)多源交通數(shù)據(jù)進(jìn)行融合，可以彌補(bǔ)單一數(shù)據(jù)源的諸多不足，達(dá)到優(yōu)勢(shì)互補(bǔ)，獲得更加準(zhǔn)確的交通信息，提高估計(jì)的精度。

數(shù)據(jù)融合技術(shù)應(yīng)用于數(shù)據(jù)處理上，可以得到更加全面、準(zhǔn)確的信息。近年來(lái)，城市智能交通的快速發(fā)展，對(duì)信息提出了更高的要求，國(guó)內(nèi)外研究者對(duì)數(shù)據(jù)融合技術(shù)在交通領(lǐng)域的應(yīng)用進(jìn)行了廣泛的研究，主要集中在以下幾個(gè)方面：2006年，Zou和Zhu[1]根據(jù)動(dòng)、靜態(tài)檢測(cè)器數(shù)據(jù)建立了基于BP神經(jīng)網(wǎng)絡(luò)的行程時(shí)間估計(jì)融合模型。2013年，Bachmann[2]等把浮動(dòng)車和固定線圈檢測(cè)器數(shù)據(jù)結(jié)合起來(lái)，用七種算法把多傳感器的速度進(jìn)行了融合估計(jì)計(jì)算。2011年，張赫、王緯等[3]分析數(shù)據(jù)融合技術(shù)在交通控制系統(tǒng)中的應(yīng)用，構(gòu)建了一種基于信息融合思想的神經(jīng)網(wǎng)絡(luò)模型。2014年，李嘉、劉春華[4]基于微波檢測(cè)數(shù)據(jù)、線圈數(shù)據(jù)和視頻檢測(cè)數(shù)據(jù)，構(gòu)建了遺傳算法優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合模型。

本文在前人研究的基礎(chǔ)之上，將數(shù)據(jù)融合技術(shù)應(yīng)用于交通狀態(tài)量化評(píng)價(jià)的應(yīng)用中，用動(dòng)量法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，構(gòu)建了交通狀態(tài)指數(shù)的數(shù)據(jù)融合模型，并對(duì)模型的有效性進(jìn)行驗(yàn)證，彌補(bǔ)了單一交通數(shù)據(jù)源用于評(píng)價(jià)的局限性，提高了交通狀態(tài)評(píng)價(jià)的精度。

1 ?動(dòng)量法改進(jìn)的BP網(wǎng)絡(luò)模型

標(biāo)準(zhǔn)的BP算法是利用梯度下降法對(duì)權(quán)值和偏值進(jìn)行修正，其迭代過(guò)程可用如下公式表示

式中，x （k）是全部權(quán)值和偏值構(gòu)成的向量;？濁是學(xué)習(xí)速率;是目標(biāo)函數(shù);是目標(biāo)函數(shù)的梯度。

BP算法可以使權(quán)值收斂到一個(gè)解，但是它不能保證所求是誤差超平面的全局最小解，由于學(xué)習(xí)速率？濁是一個(gè)較小的常數(shù)，求得的解很可能是一個(gè)局部極小值。為了避免出現(xiàn)局部極小值問(wèn)題，本文將采用動(dòng)量法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，在此基礎(chǔ)上完成模型的構(gòu)建。

動(dòng)量法在網(wǎng)絡(luò)進(jìn)行權(quán)值修正時(shí)，綜合分析了誤差在梯度上的作用和在曲面上走勢(shì)的變化，它就像低通過(guò)濾器一樣，使網(wǎng)絡(luò)忽略其上的細(xì)微變化。在沒(méi)有附加動(dòng)量時(shí)，網(wǎng)絡(luò)可能陷入局部極小值，利用動(dòng)量法可以使網(wǎng)絡(luò)滑過(guò)這些極小值，求得最優(yōu)解。

動(dòng)量法改進(jìn)的BP網(wǎng)絡(luò)權(quán)值修正的迭代過(guò)程可用如下公式表示

采用動(dòng)量法進(jìn)行網(wǎng)絡(luò)設(shè)計(jì)中，當(dāng)修正權(quán)值在誤差中有很大的增長(zhǎng)時(shí)，應(yīng)取消新的權(quán)值，使動(dòng)量作用停止下來(lái)，保證網(wǎng)絡(luò)不進(jìn)入較大誤差曲面;與先前誤差相比，新的誤差變化率大于事先設(shè)定的變化值時(shí)，應(yīng)取消相應(yīng)的權(quán)值變化。其最大誤差變化率理論上可取任何不小于1的值，實(shí)際中一般取1.04。故在進(jìn)行動(dòng)量法的網(wǎng)絡(luò)設(shè)計(jì)時(shí)，要做條件判斷，保證權(quán)值修正的正確性。

訓(xùn)練過(guò)程中，采用動(dòng)量法進(jìn)行條件判斷可表示為

式中，SSE是網(wǎng)絡(luò)的輸出誤差平方和。

實(shí)際研究發(fā)現(xiàn)，訓(xùn)練參數(shù)的選擇對(duì)動(dòng)量法的網(wǎng)絡(luò)訓(xùn)練結(jié)果有很大的影響。若學(xué)習(xí)速率過(guò)大，將會(huì)使誤差值往返震蕩;學(xué)習(xí)速率過(guò)小，會(huì)使動(dòng)能太小，只能跳出很小的“坑”，對(duì)于較大的“坑”和“谷”無(wú)法跳過(guò)。而誤差相對(duì)于權(quán)值的曲線（面）形狀與凹凸性是由問(wèn)題本身決定的，一般情況下只能采用不同的學(xué)習(xí)速率進(jìn)行對(duì)比（典型值取0.05）。因此，應(yīng)給予該類型網(wǎng)絡(luò)足夠多的訓(xùn)練，使其訓(xùn)練結(jié)果為最后穩(wěn)定到最小值時(shí)獲得的結(jié)果。

2 ?交通狀態(tài)指數(shù)融合模型設(shè)計(jì)

本文通過(guò)實(shí)地調(diào)查，利用交通仿真軟件模擬得到道路交通數(shù)據(jù)，經(jīng)過(guò)數(shù)據(jù)的預(yù)處理分析后，將其作為模型的輸入，建立了基于行程時(shí)間比的交通狀態(tài)指數(shù)融合模型，下面對(duì)網(wǎng)絡(luò)設(shè)計(jì)方案進(jìn)行具體介紹。