基于交通數據融合技術的行程時間預測模型

李嘉　劉春華　胡賽陽　王芳

摘要：針對當前城市道路行程時間的預測多限于單源數據且預測精度不高的問題，構建了基于浮動車GPS數據、微波檢測器交通數據的行程時間預測融合模型.利用遺傳算法優化小波神經網絡，解決了小波神經網絡初始參數選取時盲目與隨機性問題，大大提高了網絡搜索效率與訓練速度.預測行程時間與視頻觀測數據吻合良好，表明該模型是有效的和可靠的.

關鍵詞：數據融合；行程時間；預測模型；小波神經網絡；遺傳算法

中圖分類號：U121 文獻標識碼：A

在交通運營與管理中，高效的出行信息與路徑誘導系統將發揮越來越重要的作用[1].行程時間作為其中的關鍵參數，能夠為交通狀態估計和城市路網擁堵情況的發布提供數據參考[2].同時，行程時間是衡量路段通行效率和延誤的重要依據，是反映路段交通狀態的直接指標，在智能交通系統中有著廣泛應用[3].目前，行程時間的預測研究大都局限于單一交通數據源，由于單源交通數據受采集儀器的精度、采集方法、樣本量、人為誤差等影響，因而預測精度不穩定.而多源交通數據的融合，可以彌補單源數據的諸多不足，提高預測精度.本文提出利用GPS浮動車數據與微波檢測器交通數據進行融合，建立行程時間數據融合模型.

目前，數據融合方法主要有以下幾種[4]：加權平均法、卡爾曼濾波、Bayes方法、統計決策理論、選舉決策法、模糊集理論、神經網絡等.其中，神經網絡具有較強的學習能力，其內部結構本質上是并行的，與數據融合的結構一致，因此具有較大的優勢.

本文擬采用小波神經網絡建立數據融合預測模型，同BP神經網絡相比，小波神經網絡具有更強的信息提取、非線性逼近和容錯能力[5]，但它存在初始參數隨機選取的盲目性、易形成局部極小值而得不到整體最優值等問題[6].遺傳算法可以用來優化小波神經網絡的初始網絡參數，彌補小波神經網絡自身的不足.遺傳算法與神經網絡的有機結合[7]，將其用于數據融合可以提高模型的收斂速度與泛化能力.

3）視頻數據

視頻數據調查時，將兩臺攝像機分別置于實驗路段起迄點，同時開始拍攝.調查后同時在計算機上播放兩測點的錄像，從起點視頻中記下車型、車牌、外廓、顏色等特征及車輛通過起點斷面的時間，然后在終點視頻中尋找該車，并同時記錄車輛通過終點斷面的播放時間，前后時間差即為該車通過調查路段的行程時間.

1.2數據的時空匹配及方法

1）時間匹配

本文采集的出租車GPS數據、微波數據及視頻數據雖是同一天的交通流數據，但微波檢測與視頻數據采集的是早晚高峰時間段內的數據，而出租車GPS數據都是全天候的交通流數據，所以有必要依據微波與視頻數據的調查時間挑選出對應時段的出租車GPS數據，這樣多源數據反映的就是同一時間段的交通流信息.由于每條GPS數據記錄都有接收的時間，通過excel篩選可以很方便進行時間匹配.

2）空間匹配

空間匹配是指多源交通流數據必須反映的是同一地點的交通流信息，這樣進行融合才有意義.空間匹配原則是以視頻與微波數據的采集現場來篩選相應道路的出租車GPS數據.首先確定視頻與微波數據的采集路段的經緯度范圍，如圖1所示，然后用excel篩選出與采集路段相匹配的出租車GPS數據.

從圖5中可以看出，GPS出租車得到的行程時間與視頻觀測值相比偏低，誤差超過了目標閾值15%的范圍.原因在于出租車頻繁超車，車速高于路段車流.而微波檢測器得到的行程時間大于視頻觀測值，誤差超過15%的范圍.究其原因在于實驗路段大客車、大貨車較多，遮擋了車流中部分小汽車，造成小汽車數據漏檢.而融合后的行程時間與視頻觀測數據吻合性良好，誤差在8%以內，滿足目標閾值15%的要求.相比GPS出租車數據或微波檢測器數據，融合后的行程時間在準確度和穩定性方面都有了很大提高.

4結語

本文提出了基于交通數據融合技術的行程時間預測模型，彌補了單源交通數據預測行程時間精度不高的缺陷.利用遺傳算法優化小波神經網絡的權值、平移因子、伸縮因子，解決了小波神經網絡初始參數選取時盲目與隨機性問題，大大提高了小波神經網絡搜索效率與訓練速度.融合后的行程時間與視頻觀測數據吻合性良好，表明行程時間預測的數據融合模型是有效可靠的.

參考文獻

[1]鄒亮，徐建閩，朱玲湘，等.基于浮動車移動檢測與感應線圈融合技術的行程時間估計模型[J].公路交通科技，2007，24（6）：114-117.

[2]聶慶慧，夏井新，張韋華.基于多源ITS數據的行程時間預測體系框架及核心技術[J].東南大學學報：自然科學版，2011，41（1）：199-204.

[3]徐天東，孫立軍，郝媛.城市快速路實時交通狀態估計和行程時間預測[J].同濟大學學報：自然科學版，2008，36（10）：253-260.

[4]石章松.目標跟蹤與數據融合理論及方法[M].北京：國防工業出版社，2010.

[5]張冬至，胡國清.基于遺傳優化小波神經網絡逆模型的油水測量[J].光學精密儀器，2011，19（7）：183-189.

[6]宋清昆，王建雙，王慕坤.基于遺傳算法的小波神經網絡控制器設計[J].電機與控制學報，2010，14（4）：102-108.

[7]周昌能，余雪麗.基于BP網絡的權值更新快速收斂算法[J].計算機應用，2006，26（8）：1940-1942.

[8]王楠，李成文，李巖.基于神經網絡的數據融合方法[J].光機電信息，2010，27（3）：36-39.

[9]宗剛，劉文芝，張超，等.基于家庭決策的出行方式選擇非集計模型[J].湖南大學學報：自然科學版，2013，40（4）：100-103.

[10]鞏敦衛.交互式遺傳算法原理及其應用[M]. 北京：國防工業出版社，2007.

[11]SRINIVAS M，PATNAIK L M. Adaptive probabilities of crossover and mutation in genetic algorithms[J]. IEEE，1994，24（4）：656-657.

[12]HOLM P， TOMICH D， SLOBODEN J， et al. Traffic analysis toolbox volum IV： guidelines for applying CORSIM， microsimulation modeling software[M]. Washington D C： Federal Highway Administration， 2007：117-216.

摘要：針對當前城市道路行程時間的預測多限于單源數據且預測精度不高的問題，構建了基于浮動車GPS數據、微波檢測器交通數據的行程時間預測融合模型.利用遺傳算法優化小波神經網絡，解決了小波神經網絡初始參數選取時盲目與隨機性問題，大大提高了網絡搜索效率與訓練速度.預測行程時間與視頻觀測數據吻合良好，表明該模型是有效的和可靠的.

關鍵詞：數據融合；行程時間；預測模型；小波神經網絡；遺傳算法

中圖分類號：U121 文獻標識碼：A

在交通運營與管理中，高效的出行信息與路徑誘導系統將發揮越來越重要的作用[1].行程時間作為其中的關鍵參數，能夠為交通狀態估計和城市路網擁堵情況的發布提供數據參考[2].同時，行程時間是衡量路段通行效率和延誤的重要依據，是反映路段交通狀態的直接指標，在智能交通系統中有著廣泛應用[3].目前，行程時間的預測研究大都局限于單一交通數據源，由于單源交通數據受采集儀器的精度、采集方法、樣本量、人為誤差等影響，因而預測精度不穩定.而多源交通數據的融合，可以彌補單源數據的諸多不足，提高預測精度.本文提出利用GPS浮動車數據與微波檢測器交通數據進行融合，建立行程時間數據融合模型.

目前，數據融合方法主要有以下幾種[4]：加權平均法、卡爾曼濾波、Bayes方法、統計決策理論、選舉決策法、模糊集理論、神經網絡等.其中，神經網絡具有較強的學習能力，其內部結構本質上是并行的，與數據融合的結構一致，因此具有較大的優勢.

本文擬采用小波神經網絡建立數據融合預測模型，同BP神經網絡相比，小波神經網絡具有更強的信息提取、非線性逼近和容錯能力[5]，但它存在初始參數隨機選取的盲目性、易形成局部極小值而得不到整體最優值等問題[6].遺傳算法可以用來優化小波神經網絡的初始網絡參數，彌補小波神經網絡自身的不足.遺傳算法與神經網絡的有機結合[7]，將其用于數據融合可以提高模型的收斂速度與泛化能力.

3）視頻數據

視頻數據調查時，將兩臺攝像機分別置于實驗路段起迄點，同時開始拍攝.調查后同時在計算機上播放兩測點的錄像，從起點視頻中記下車型、車牌、外廓、顏色等特征及車輛通過起點斷面的時間，然后在終點視頻中尋找該車，并同時記錄車輛通過終點斷面的播放時間，前后時間差即為該車通過調查路段的行程時間.

1.2數據的時空匹配及方法

1）時間匹配

本文采集的出租車GPS數據、微波數據及視頻數據雖是同一天的交通流數據，但微波檢測與視頻數據采集的是早晚高峰時間段內的數據，而出租車GPS數據都是全天候的交通流數據，所以有必要依據微波與視頻數據的調查時間挑選出對應時段的出租車GPS數據，這樣多源數據反映的就是同一時間段的交通流信息.由于每條GPS數據記錄都有接收的時間，通過excel篩選可以很方便進行時間匹配.

2）空間匹配

空間匹配是指多源交通流數據必須反映的是同一地點的交通流信息，這樣進行融合才有意義.空間匹配原則是以視頻與微波數據的采集現場來篩選相應道路的出租車GPS數據.首先確定視頻與微波數據的采集路段的經緯度范圍，如圖1所示，然后用excel篩選出與采集路段相匹配的出租車GPS數據.

從圖5中可以看出，GPS出租車得到的行程時間與視頻觀測值相比偏低，誤差超過了目標閾值15%的范圍.原因在于出租車頻繁超車，車速高于路段車流.而微波檢測器得到的行程時間大于視頻觀測值，誤差超過15%的范圍.究其原因在于實驗路段大客車、大貨車較多，遮擋了車流中部分小汽車，造成小汽車數據漏檢.而融合后的行程時間與視頻觀測數據吻合性良好，誤差在8%以內，滿足目標閾值15%的要求.相比GPS出租車數據或微波檢測器數據，融合后的行程時間在準確度和穩定性方面都有了很大提高.

4結語

本文提出了基于交通數據融合技術的行程時間預測模型，彌補了單源交通數據預測行程時間精度不高的缺陷.利用遺傳算法優化小波神經網絡的權值、平移因子、伸縮因子，解決了小波神經網絡初始參數選取時盲目與隨機性問題，大大提高了小波神經網絡搜索效率與訓練速度.融合后的行程時間與視頻觀測數據吻合性良好，表明行程時間預測的數據融合模型是有效可靠的.

參考文獻

[1]鄒亮，徐建閩，朱玲湘，等.基于浮動車移動檢測與感應線圈融合技術的行程時間估計模型[J].公路交通科技，2007，24（6）：114-117.

[2]聶慶慧，夏井新，張韋華.基于多源ITS數據的行程時間預測體系框架及核心技術[J].東南大學學報：自然科學版，2011，41（1）：199-204.

[3]徐天東，孫立軍，郝媛.城市快速路實時交通狀態估計和行程時間預測[J].同濟大學學報：自然科學版，2008，36（10）：253-260.

[4]石章松.目標跟蹤與數據融合理論及方法[M].北京：國防工業出版社，2010.

[5]張冬至，胡國清.基于遺傳優化小波神經網絡逆模型的油水測量[J].光學精密儀器，2011，19（7）：183-189.

[6]宋清昆，王建雙，王慕坤.基于遺傳算法的小波神經網絡控制器設計[J].電機與控制學報，2010，14（4）：102-108.

[7]周昌能，余雪麗.基于BP網絡的權值更新快速收斂算法[J].計算機應用，2006，26（8）：1940-1942.

[8]王楠，李成文，李巖.基于神經網絡的數據融合方法[J].光機電信息，2010，27（3）：36-39.

[9]宗剛，劉文芝，張超，等.基于家庭決策的出行方式選擇非集計模型[J].湖南大學學報：自然科學版，2013，40（4）：100-103.

[10]鞏敦衛.交互式遺傳算法原理及其應用[M]. 北京：國防工業出版社，2007.

[11]SRINIVAS M，PATNAIK L M. Adaptive probabilities of crossover and mutation in genetic algorithms[J]. IEEE，1994，24（4）：656-657.

[12]HOLM P， TOMICH D， SLOBODEN J， et al. Traffic analysis toolbox volum IV： guidelines for applying CORSIM， microsimulation modeling software[M]. Washington D C： Federal Highway Administration， 2007：117-216.

摘要：針對當前城市道路行程時間的預測多限于單源數據且預測精度不高的問題，構建了基于浮動車GPS數據、微波檢測器交通數據的行程時間預測融合模型.利用遺傳算法優化小波神經網絡，解決了小波神經網絡初始參數選取時盲目與隨機性問題，大大提高了網絡搜索效率與訓練速度.預測行程時間與視頻觀測數據吻合良好，表明該模型是有效的和可靠的.

關鍵詞：數據融合；行程時間；預測模型；小波神經網絡；遺傳算法

中圖分類號：U121 文獻標識碼：A

在交通運營與管理中，高效的出行信息與路徑誘導系統將發揮越來越重要的作用[1].行程時間作為其中的關鍵參數，能夠為交通狀態估計和城市路網擁堵情況的發布提供數據參考[2].同時，行程時間是衡量路段通行效率和延誤的重要依據，是反映路段交通狀態的直接指標，在智能交通系統中有著廣泛應用[3].目前，行程時間的預測研究大都局限于單一交通數據源，由于單源交通數據受采集儀器的精度、采集方法、樣本量、人為誤差等影響，因而預測精度不穩定.而多源交通數據的融合，可以彌補單源數據的諸多不足，提高預測精度.本文提出利用GPS浮動車數據與微波檢測器交通數據進行融合，建立行程時間數據融合模型.

目前，數據融合方法主要有以下幾種[4]：加權平均法、卡爾曼濾波、Bayes方法、統計決策理論、選舉決策法、模糊集理論、神經網絡等.其中，神經網絡具有較強的學習能力，其內部結構本質上是并行的，與數據融合的結構一致，因此具有較大的優勢.

本文擬采用小波神經網絡建立數據融合預測模型，同BP神經網絡相比，小波神經網絡具有更強的信息提取、非線性逼近和容錯能力[5]，但它存在初始參數隨機選取的盲目性、易形成局部極小值而得不到整體最優值等問題[6].遺傳算法可以用來優化小波神經網絡的初始網絡參數，彌補小波神經網絡自身的不足.遺傳算法與神經網絡的有機結合[7]，將其用于數據融合可以提高模型的收斂速度與泛化能力.

3）視頻數據

視頻數據調查時，將兩臺攝像機分別置于實驗路段起迄點，同時開始拍攝.調查后同時在計算機上播放兩測點的錄像，從起點視頻中記下車型、車牌、外廓、顏色等特征及車輛通過起點斷面的時間，然后在終點視頻中尋找該車，并同時記錄車輛通過終點斷面的播放時間，前后時間差即為該車通過調查路段的行程時間.

1.2數據的時空匹配及方法

1）時間匹配

本文采集的出租車GPS數據、微波數據及視頻數據雖是同一天的交通流數據，但微波檢測與視頻數據采集的是早晚高峰時間段內的數據，而出租車GPS數據都是全天候的交通流數據，所以有必要依據微波與視頻數據的調查時間挑選出對應時段的出租車GPS數據，這樣多源數據反映的就是同一時間段的交通流信息.由于每條GPS數據記錄都有接收的時間，通過excel篩選可以很方便進行時間匹配.

2）空間匹配

空間匹配是指多源交通流數據必須反映的是同一地點的交通流信息，這樣進行融合才有意義.空間匹配原則是以視頻與微波數據的采集現場來篩選相應道路的出租車GPS數據.首先確定視頻與微波數據的采集路段的經緯度范圍，如圖1所示，然后用excel篩選出與采集路段相匹配的出租車GPS數據.

從圖5中可以看出，GPS出租車得到的行程時間與視頻觀測值相比偏低，誤差超過了目標閾值15%的范圍.原因在于出租車頻繁超車，車速高于路段車流.而微波檢測器得到的行程時間大于視頻觀測值，誤差超過15%的范圍.究其原因在于實驗路段大客車、大貨車較多，遮擋了車流中部分小汽車，造成小汽車數據漏檢.而融合后的行程時間與視頻觀測數據吻合性良好，誤差在8%以內，滿足目標閾值15%的要求.相比GPS出租車數據或微波檢測器數據，融合后的行程時間在準確度和穩定性方面都有了很大提高.

4結語

本文提出了基于交通數據融合技術的行程時間預測模型，彌補了單源交通數據預測行程時間精度不高的缺陷.利用遺傳算法優化小波神經網絡的權值、平移因子、伸縮因子，解決了小波神經網絡初始參數選取時盲目與隨機性問題，大大提高了小波神經網絡搜索效率與訓練速度.融合后的行程時間與視頻觀測數據吻合性良好，表明行程時間預測的數據融合模型是有效可靠的.

參考文獻

[1]鄒亮，徐建閩，朱玲湘，等.基于浮動車移動檢測與感應線圈融合技術的行程時間估計模型[J].公路交通科技，2007，24（6）：114-117.

[2]聶慶慧，夏井新，張韋華.基于多源ITS數據的行程時間預測體系框架及核心技術[J].東南大學學報：自然科學版，2011，41（1）：199-204.

[3]徐天東，孫立軍，郝媛.城市快速路實時交通狀態估計和行程時間預測[J].同濟大學學報：自然科學版，2008，36（10）：253-260.

[4]石章松.目標跟蹤與數據融合理論及方法[M].北京：國防工業出版社，2010.

[5]張冬至，胡國清.基于遺傳優化小波神經網絡逆模型的油水測量[J].光學精密儀器，2011，19（7）：183-189.

[6]宋清昆，王建雙，王慕坤.基于遺傳算法的小波神經網絡控制器設計[J].電機與控制學報，2010，14（4）：102-108.

[7]周昌能，余雪麗.基于BP網絡的權值更新快速收斂算法[J].計算機應用，2006，26（8）：1940-1942.

[8]王楠，李成文，李巖.基于神經網絡的數據融合方法[J].光機電信息，2010，27（3）：36-39.

[9]宗剛，劉文芝，張超，等.基于家庭決策的出行方式選擇非集計模型[J].湖南大學學報：自然科學版，2013，40（4）：100-103.

[10]鞏敦衛.交互式遺傳算法原理及其應用[M]. 北京：國防工業出版社，2007.

[11]SRINIVAS M，PATNAIK L M. Adaptive probabilities of crossover and mutation in genetic algorithms[J]. IEEE，1994，24（4）：656-657.

[12]HOLM P， TOMICH D， SLOBODEN J， et al. Traffic analysis toolbox volum IV： guidelines for applying CORSIM， microsimulation modeling software[M]. Washington D C： Federal Highway Administration， 2007：117-216.