神經網絡在交通流信息融合中的應用＊

張 赫 王 煒 劉瑩瑩

（大連海事大學交通運輸管理學院1） 大連 116026） （東南大學交通學院2） 南京 210096）

0 引 言

交通數據融合是整個交通數據傳輸過程中的一個核心組件.所謂交通數據融合就是通過對不同傳感器數據的綜合處理，以得到比任何從單個數據源數全面、準確的交通流狀況的信息.一個監控中心的實時交通數據往往來自分布在各線路上的檢測器數據.由于各種誤差的存在，首先必須對各個數據源的數據進行必要的校驗，另外，為了整體把握一個路段的交通流參數，有必要對多個數據源聯合分析處理，以避免單個信息源失效而導致的判斷失誤.

數據融合的目的是將傳感器所接收到的量測數據或者同一傳感器在不同時段所接收到的量測數據，進行多層次的、多方面的處理過程，這個過程中，對多源數據進行檢測、結合、相關、估計和組合以達到精確的狀態估計和身份估計，以及完整、及時的態勢評估和威脅評估.數據融合作為消除系統不確定因素，提供準確觀測結果與新的觀測的智能化處理技術，可以作為智能檢測系統，智能控制系統的一個組成部分［1－4］.

數據融合運用到交通控制當中可以采用很多交通融合的方法，為此本文將集中討論一種提高速度檢測性能的信息融合方法即基于神經網絡的數據融合方法并根據長春市路網的28個流量檢測器數據進行融合處理.

1 數據融合算法簡介

數據融合算法可分為兩大類：隨機類方法及人工智能方法.而近幾年人工神經網絡方法在多傳感器信息融合研究中受到高度重視，特別是基于神經網絡的目標自動識別和分類、態勢評估和估計等［5－8］.本論文選擇目前較常用且證明各方面性能比較穩定的按誤差逆傳播算法訓練的多層反饋神經網絡，即BP神經網絡.

BP神經網絡的工作過程通常是由2個階段組成［9－11］.一個階段是工作期，在這一階段，網絡各節點的連接權值以及閾值固定不變，網絡的計算從輸入層開始，逐層逐個節點地計算每個節點的輸出，直到輸出層中的各節點計算完畢.另一階段是學習期，在這一階段，各節點的輸出保持不變，網絡學習則是從輸出層開始，反向逐層逐個節點計算各連接權值及閾值的修改值，以修改各連接權值及閾值，直到輸入層為止.這2個階段又稱為正向傳播和反向傳播過程.在正向傳播中，如果輸入層的網絡輸出與所期望的輸出相差較大，則開始反向傳播過程，根據網絡輸出與所期望輸出的信號誤差，對網絡節點間的各連接權值及節點的閾值進行修改，以此來減小網絡輸出信號與所期望輸出的誤差.

BP神經網絡的拓撲結構如圖1所示.

圖1 BP神經網絡的拓撲結構

2 實例驗證

本例中確定以長春市路網的28個流量檢測器測得速度值為基礎，通過模擬的方法，按照已知傳感器的精度和可靠度，生成28種傳感器的檢測值.將生成的數據作為訓練集.傳感器按照感應線圈的性能指標生成，精度為90%，可靠度為98%.傳感器模擬數據生成的程序流程圖如圖2所示.

用Visual Basic6.0編制程序，程序應用界面見圖3a），b）c）.

圖2 數據融合程序框圖

圖3 程序應用界面圖

通過模擬的方法生成98組輸入輸出數據，將其作為訓練集，利用MATLAB6.1進行程序編制，訓練得到神經網絡.在反復訓練中，收斂速度較快，在較短時間達到目標.訓練的收斂過程如圖4所示，得到的結果比較令人滿意.

圖4 訓練的收斂過程

進行訓練后，運用數據的輸入，經過仿真得到仿真數據輸出，傳感器2006和傳感器3001與輸出數據對比如圖5所示.從圖中可以看出，由于模擬輸出數據是一個均值，選取的傳感器均為某一路段的流量，傳感器2008數據值較大，而傳感器3001數據值相對較小，故傳感器2008數據曲線位于模擬輸出數據曲線上方，而傳感器3001則相反.傳感器2008的平均相對誤差為0.18%，而傳感器3001的平均相對誤差為－1.1%，這幾個數據對比圖可以證明，基于神經網絡的信息融合方法可以通過多傳感器輸入得到更為準確的速度值.

3 結束語

數據融合是信息科學不斷發展的必然結果.本文基于多傳感器信息融合技術在交通控制系統中的應用，運用神經網絡技術構造一種數據融合方法，并結合模擬數據對方法進行了有效的驗證，該方法對于提高速度的檢測是有效的.所構造的系統相對于傳統的單一傳感器信號控制系統而言，更具備信息的完整性、統一性和容錯性.

圖5 傳感器的數據對比

［1］管德永.先進的城市交通信號控制理論模型和實施技術研究［D］.長春：吉林大學交通學院，2003.

［2］張 赫.基于實時交通流信息的單點混合交通自適應信號控制技術研究［D］.南京：東南大學交通學院博士后出站報告，2005.

［3］James A，Bonneson，Joel W F.Traffic data collection using video－based systems［J］.Transportation Research Record，Washington，D.C.TRB.1995.

［4］Ivan J N.Real－time data f usion for arterial street inci－dent detection using neural networ ks［J］，TRR 1497，TRB，1995.

［5］徐立群.動態交通數據采集研究［C］／／1999年第三屆交通領域青年學術會議論文集.北京：人民交通出版社，1999.

［6］王建海.多傳感器數據融合淺析［J］.上海大學學報：自然科學版，1997，3（4）：454－460.

［7］王憶鋒.多傳感器數據融合技術［J］.紅外技術，1997（3）：34－36.

［8］羅森林，王 越，周思永.多源信息處理技術——數據融合［J］.系統工程于電子技術，1998（6）：61－66.

［9］丁承民，張傳生，劉 輝.遺傳算法縱橫談［J］.信息與控制，1997，26（1）：40－47.

［10］姜紫峰，荊便順.人工神經網絡在交通領域中的應用［J］.公路交通科技，1997，14（4）：55－59.

［11］尹宏賓.基于模糊神經網絡的信號交叉口交通量預測［J］.華南理工大學學報：自然科學版，1999，28（6）：11－16.