復(fù)雜環(huán)境下多模態(tài)交通警示信息推薦算法仿真

焦萍萍,周顯春,高華玲,楊 真

(1. 三亞學(xué)院信息與智能工程學(xué)院,海南 三亞 572022;2. 華東交通大學(xué)網(wǎng)絡(luò)信息中心,江西 南昌 330013)

1 引言

汽車持有量的不斷增加,給城市交通帶來了巨大的壓力與挑戰(zhàn)。駕駛員無法實時、準(zhǔn)確地獲取交通警示信息是造成擁堵的主要原因,尤其當(dāng)某地發(fā)生交通事故時,由于信息滯后,駕駛員在不知情的情況下依然沿著事故路線行駛,導(dǎo)致嚴(yán)重?fù)矶隆２粌H引起能源浪費,還會造成空氣污染,如何避免交通擁堵成為世界性難題。我國主要從兩方面解決道路擁堵問題,一方面從供給側(cè)角度出發(fā),通過大力建設(shè)基礎(chǔ)設(shè)施,對道路做出合理規(guī)劃,滿足發(fā)展需求;另一方面從消費端著手,充分利用已有的基礎(chǔ)設(shè)施,改善運行效率。但是僅僅依靠上述措施進(jìn)行交通管理很難滿足城市發(fā)展需求。為此,智能交通系統(tǒng)被廣泛應(yīng)用。該系統(tǒng)是一種融合傳感、通信、數(shù)據(jù)傳輸、地理信息等技術(shù)的智能交通管理系統(tǒng),對交通優(yōu)化起到關(guān)鍵作用。動態(tài)路徑誘導(dǎo)系統(tǒng)是此系統(tǒng)的重要組成部分,能夠根據(jù)采集到的實時數(shù)據(jù)向用戶推薦預(yù)警信息,為駕駛員的路線規(guī)劃提供依據(jù)。

在此過程中,推薦算法起到?jīng)Q定性作用,如果駕駛員能夠獲得精準(zhǔn)的推薦結(jié)果,則可避開事故路段,減少交通擁堵。為提高推薦算法性能,一些學(xué)者展開大量研究。例如,葉光輝[1]等人基于地名實體形成有向加權(quán)網(wǎng)絡(luò),考慮用戶查詢需求,采用模糊檢索算法實現(xiàn)用戶查詢與交通路線的精確匹配,實現(xiàn)交通信息推薦。孫世超[2]等人研究一種基于魯棒優(yōu)化的最優(yōu)路徑推薦方法。綜合天氣、交通事故等因素構(gòu)建隨機時變模型,以此作為假設(shè)條件,為用戶推薦交通信息與最優(yōu)路徑。上述推薦算法僅結(jié)合單一的環(huán)境數(shù)據(jù),會導(dǎo)致推薦結(jié)果不夠準(zhǔn)確[3]。為此,本文提出多模態(tài)交通警示信息個性化推薦算法。多模態(tài)就是指利用兩種或多種識別技術(shù),通過數(shù)據(jù)融合,確保識別結(jié)果更加精準(zhǔn)[4]。將攝像頭與毫米波雷達(dá)兩種傳感技術(shù)相結(jié)合,確保數(shù)據(jù)采集結(jié)果的精準(zhǔn)性,再通過融合算法實現(xiàn)特征融合;構(gòu)建交通狀態(tài)傳播模型,結(jié)合傳播特征實現(xiàn)預(yù)警信息實時推薦。

2 多模態(tài)交通環(huán)境信息采集與融合

2.1 多模態(tài)傳感器數(shù)據(jù)采集架構(gòu)

多傳感器數(shù)據(jù)采集架構(gòu)主要分為數(shù)據(jù)采集、信息推理、服務(wù)和查詢四大模塊[5]。因用戶導(dǎo)航的計算能力有限,多模態(tài)傳感器在推薦警示信息時需要計算海量實時數(shù)據(jù),另外環(huán)境信息也是不斷變化的,因此需要提高處理器的處理性能[6]。本文設(shè)計的多模態(tài)傳感器采集架構(gòu)如圖1所示。

圖1 多模態(tài)傳感器數(shù)據(jù)采集架構(gòu)圖

2.2 多模態(tài)信息融合

1)融合模型

建立的多模態(tài)數(shù)據(jù)融合模型架構(gòu)如圖2所示。

圖2 多模態(tài)數(shù)據(jù)融合模型結(jié)構(gòu)示意圖

根據(jù)數(shù)據(jù)融合模型的層次劃分情況,將數(shù)據(jù)融合過程分為數(shù)據(jù)、特征和決策融合三個階段[7]。其中,數(shù)據(jù)融合處于最底層,根據(jù)融合結(jié)果實現(xiàn)特征提取與決策[8];特征融合處于中間層,結(jié)合目標(biāo)位置、方向等相關(guān)信息,提取特征向量,再通過融合中心進(jìn)行處理;決策融合是最高級別的融合,也是三級融合的結(jié)果,融合效果直接決定決策質(zhì)量[9]。

2)融合算法

如果將傳感器跟蹤某個車輛行駛的過程看作一個以t0作為起點的時間序列Tm=[tm,tm+1),m=0,1,2,…。則在所有時間域Tm=[tm,tm+1)內(nèi),傳感器i采集的目標(biāo)信息zi(m)利用圖2所示的融合過程完成數(shù)據(jù)融合,進(jìn)而獲取該目標(biāo)在Tm時的融合結(jié)果。

將Tm時域分割成有界時域序列qk=[τk,τk+1),k=0,1,2…。在任意時域qk內(nèi),都會產(chǎn)生目標(biāo)信息更新。此時不考慮延時、噪聲等不確定性因素[10]。

基于此,傳感器i更新信息的融合函數(shù)表示為:

xi(k+1)=fi(xi(k),xi1(k),…,xil(k))

(1)

式中,xi(k)代表傳感器i的第k次信息更新,且xi(0)=zi(m)。在實際應(yīng)用中,變量zi(m)與xi(k)都有可能屬于多維向量,包括目標(biāo)位姿、角度等。為方便分析,將zi(m)和xi(k)視作一維向量。

通過式(1)可知,所有傳感器都會獲得一個融合后的一維目標(biāo)信息zi(m),并將其當(dāng)做原始值,若傳感器在時域Tm范圍內(nèi)處于盲傳感狀態(tài),則xi(0)=∞。融合算法建立在合理的融合函數(shù)之上,如果函數(shù)合理,在拓?fù)錀l件一定的情況下,即便出現(xiàn)盲傳感現(xiàn)象[11],各傳感器的原始融合狀態(tài)xi(0)都會有:

(2)

式中,E代表傳感器集合。

事實上,傳感器也會結(jié)合鄰居傳感器發(fā)送的消息來進(jìn)行數(shù)據(jù)更新,但是否采納鄰居傳感器的消息還要進(jìn)行信任度分析[12]。傳感器i對j的信任度表示為:

(3)

則融合函數(shù)可以改寫為

(4)

x(k+1)=Cx(k),k=0,1,2,…

(5)

式中,x(k)=(x1(k),x2(k),..,xn(k)),C代表信任度矩陣,具有一定隨機性。

通過上述多模態(tài)數(shù)據(jù)采集和融合,能夠收集到更加準(zhǔn)確、實時的交通事故信息,為警示信息推薦提供依據(jù)[13]。

3 一種警示信息個性化推薦算法設(shè)計

3.1 交通狀態(tài)傳播模型構(gòu)建

將整個交通網(wǎng)絡(luò)看做有向加權(quán)圖,利用節(jié)點代表交叉口,邊表示路段。如果a點發(fā)生交通事故,會向上游傳播,造成周圍節(jié)點擁堵。根據(jù)流量理論,要想準(zhǔn)確判斷出哪些節(jié)點會擁堵,需要獲取節(jié)點a所有方向的流量,同時分析節(jié)點a與鄰近節(jié)點的距離,以此判斷所有擁堵的時間與位置。

1)時間傳播

2)空間傳播

在描述交通狀態(tài)的空間傳播過程時,需要考慮交通需求的變化情況,即需求增加或減少的情況。本文利用空間注意力圖Ms描述輸入特征圖,則空間傳播過程表示為:

M″=Ms(M)?M

(6)

式中,M代表輸入特征。

綜合分析交通狀態(tài)在時間和空間上的傳播過程,能夠預(yù)測出事故區(qū)域附近的其它擁堵路段,為警示信息推薦提供更加精準(zhǔn)的參考依據(jù)。

3.2 基于粗糙集規(guī)則提取的個性化推薦

使用粗糙集理論獲取相關(guān)規(guī)則,對沒有評分的警示信息評分,建立評分矩陣,根據(jù)該矩陣計算不同信息之間的相似程度[15],最終通過加權(quán)求和方式完成預(yù)測評分,同時向用戶推薦他們感興趣的交通警示信息。具體推薦步驟如下。

步驟一:填充警示信息評分表,構(gòu)建決策表S=(U,A)。其中,A是信息評分?jǐn)?shù)據(jù),U是規(guī)則。結(jié)合構(gòu)建的決策表,將屬性條件相同的集合去除,獲得新的決策表S1=(U1,A)。在S1內(nèi)發(fā)現(xiàn)等價關(guān)系,假設(shè)C和D屬于等價關(guān)系族,R描述無法辨別的關(guān)系,如果有pos(C-|R|)(D)=pos(C)(D),則R被刪除,獲得決策表S2=(U1,A1),對任意一條U1,去除一個屬性值,如果沒有和U1不一樣的規(guī)則,則完全刪除該屬性;計算出所有規(guī)則的核值,建立核值表,獲得最終的決策規(guī)則,完成警示信息評分表填充。

步驟二:計算所有警示信息的相似度。計算信息相似度的基本思想是分離出與信息相關(guān)的用戶,并利用相似度計算方法獲取信息的相似性。本文利用矢量間夾角余弦值來完成相似度計算,具體公式如下:

(7)

式中,I和J代表兩個信息矢量,“·”代表矢量間點積,分子與分母分別代表信息評分矢量內(nèi)積和模的乘積。

步驟三:預(yù)測評分。排列警示信息間存在的相似程度,確定信息I的鄰居集合,結(jié)合用戶u對信息I的鄰居評分完成加權(quán)求和,獲得推薦信息預(yù)測結(jié)果

(8)

步驟四:產(chǎn)生推薦。結(jié)合預(yù)測評分結(jié)果,將用戶對信息的偏好程度做綜合排序,則將排名靠前的警示信息推薦給用戶。

4 實驗過程與結(jié)果分析

為測試多模態(tài)交通警示信息推薦算法的應(yīng)用性能,設(shè)置如下仿真:利用毫米波雷達(dá)和攝像頭兩種傳感器實現(xiàn)多模態(tài)識別,其中,前者屬于有源傳感器,能夠精準(zhǔn)識別出前方障礙物的具體位置和車速信息,且受天氣影響較小,在各類智能交通系統(tǒng)中被廣泛應(yīng)用。本次實驗所選的傳感器型號是Delphi ESR,詳細(xì)參數(shù)如表1所示。

表1 毫米波雷達(dá)性能參數(shù)表

除上述參數(shù)外,雷達(dá)的傾角范圍是±2°,為減少角度損失,提高測量的精準(zhǔn)性,在安裝時需使用測量設(shè)備實時調(diào)整角度。

本次所用的攝像頭屬于無源被動傳感器,具體參數(shù)如下:攝像頭型號:大恒GV400UM;分辨率:785×520;幀率60fps@785×520;圖像格式:黑白8bit;采集方式:包括連續(xù)、觸發(fā)等多種方式;接口方式:USB2.0接口。其芯片與鏡頭能夠起到對物體的感光作用,再通過圖像的方式描述色彩、紋理等場景信息。利用攝像頭實時采集道路上的警示信息,為信息推薦提供主要依據(jù)。

為了證明多模態(tài)傳感器的數(shù)據(jù)融合效果,以某輛車的行駛速度為例,分別利用兩種傳感器采集車輛的速度信息,再利用所提方法進(jìn)行數(shù)據(jù)融合,融合前、后的結(jié)果分別如圖3和4所示。

圖3 融合前數(shù)據(jù)采集效果圖

圖4 數(shù)據(jù)融合結(jié)果圖

由圖3和4可知,由于傳感器性能或其它環(huán)境因素的影響,兩種傳感器采集到的速度信息均存在一定誤差,但是融合后的車速走勢與融合前基本一致,融合處理后的車速信息與實際車速更加相符。這是因為單一傳感器對復(fù)雜信息的采集效果較差,但多模態(tài)下,使用多個傳感器進(jìn)行信息采集,能夠相互彌補誤差,得到更加準(zhǔn)確的融合結(jié)果。

可決系數(shù)R2是評價推薦性能的重要指標(biāo),當(dāng)R2越接近1時,說明推薦效果越好;當(dāng)R2接近0時,表明效果較差。該指標(biāo)計算公式如下:

(9)

式中,m′代表推薦總次數(shù),yi′代表第i′次實際值,xi′代表第i′次推薦值。

為了使所提方法的測試結(jié)果具有可比性,將該方法的性能與城市地名實體雙向鏈接推薦方法、魯棒優(yōu)化推薦方法進(jìn)行對比,對比結(jié)果如圖5所示。

圖5 不同方法預(yù)測性能對比圖

分析圖5可以看出,所提方法在每次測試過程中,可決系數(shù)都接近1,而其它兩種方法的結(jié)果不夠穩(wěn)定,可決系數(shù)的起伏較大,說明傳統(tǒng)方法的穩(wěn)定性較差。這是因為多模態(tài)融合算法下采集到的環(huán)境信息更加準(zhǔn)確,因此提高了警示信息推薦精度,確保駕駛員獲得的推薦信息均為感興趣的信息。

為了證明所提方法的應(yīng)用價值,利用行駛時間節(jié)約率(STR)來評價上述三種推薦方法性能。該指標(biāo)計算公式如下:

(10)

式中,Tr代表車輛行駛軌跡,t(Tr)代表沿該軌跡行駛到達(dá)目的地的所需時間,t(Tr)′是結(jié)合推薦的警示信息到達(dá)目的地所需時間。測試結(jié)果見圖6。

圖6 不同方法行駛時間節(jié)約率對比圖

分析圖6可知,在本文推薦算法下,行駛時間基本會節(jié)約15%以上,大大提高行駛效率。這是因為駕駛員獲取警示信息后,綜合道路信息,重新規(guī)劃更加合理的路線,避開擁堵路段,節(jié)約到達(dá)目的地的時間。

5 結(jié)論

城市交通擁堵不僅會造成安全事故,還會造成環(huán)境污染等一系列問題。因此,本文提出多模態(tài)交通警示信息個性化推薦算法研究。通過多模態(tài)傳感器采集相關(guān)環(huán)境信息,利用信息融合的方式提高信息的準(zhǔn)確性,再利用推薦算法將事故信息推薦給駕駛員,為駕駛員路線規(guī)劃提供參考,避免擁堵現(xiàn)象發(fā)生。本文只針對警示信息進(jìn)行推薦,在今后研究中應(yīng)進(jìn)一步探究當(dāng)獲取預(yù)警信息后,車輛路線的重新規(guī)劃,提高智能交通信息系統(tǒng)的全面性,合理分配車流量,減少交通壓力。