網(wǎng)聯(lián)車(chē)混行條件下交通流量融合方法

李瀟 汪濤 張毅 李朝陽(yáng)

(上海交通大學(xué) 船舶海洋與建筑工程學(xué)院，上海 200240)

智能網(wǎng)聯(lián)汽車(chē)可以通過(guò)專(zhuān)用短程通信(Dedicated Short Range Communication，DSRC)[1]、第五代移動(dòng)通信技術(shù)(簡(jiǎn)稱(chēng)5G)等通信技術(shù)實(shí)時(shí)與道路上的其他車(chē)輛和智能路側(cè)設(shè)備進(jìn)行通信，通過(guò)將交通數(shù)據(jù)上傳至云端數(shù)據(jù)中心以進(jìn)一步實(shí)現(xiàn)對(duì)交通狀態(tài)的精確掌握；但是，即使網(wǎng)聯(lián)車(chē)在道路上實(shí)現(xiàn)完全普及，采集到的交通數(shù)據(jù)也需要其他檢測(cè)手段加以修正，傳統(tǒng)交通數(shù)據(jù)檢測(cè)仍是保證道路交通數(shù)據(jù)準(zhǔn)確性的重要方式。現(xiàn)有研究表明，至2050年，道路上智能網(wǎng)聯(lián)車(chē)所占比例僅為75%左右[2]，因此在智能網(wǎng)聯(lián)車(chē)與人工駕駛車(chē)輛長(zhǎng)期混行的條件下，如何利用有效的方法對(duì)由網(wǎng)聯(lián)車(chē)實(shí)時(shí)回傳的數(shù)據(jù)和其他利用傳統(tǒng)交通信息檢測(cè)方式獲取的數(shù)據(jù)所組成的多源交通數(shù)據(jù)進(jìn)行融合，對(duì)實(shí)時(shí)掌握交通運(yùn)行狀況具有重要意義。

關(guān)于智能網(wǎng)聯(lián)車(chē)與多源交通數(shù)據(jù)的融合，國(guó)內(nèi)外學(xué)者已做了大量研究。在網(wǎng)聯(lián)車(chē)數(shù)據(jù)采集與應(yīng)用方面，Du等[3]為了獲取網(wǎng)聯(lián)車(chē)和周?chē)?chē)輛換道行為的相關(guān)數(shù)據(jù)，基于V2X技術(shù)設(shè)計(jì)了一套高精度的車(chē)輛位置信息收集系統(tǒng)，實(shí)驗(yàn)表明該系統(tǒng)能準(zhǔn)確描述車(chē)輛換道軌跡；Sahin等[4]針對(duì)網(wǎng)聯(lián)車(chē)集群中的數(shù)據(jù)自主收集問(wèn)題構(gòu)建了一個(gè)測(cè)試反饋式數(shù)據(jù)動(dòng)態(tài)收集方法的框架，并建立了一個(gè)可以模擬數(shù)據(jù)動(dòng)態(tài)收集過(guò)程和對(duì)這一過(guò)程中的決策進(jìn)行評(píng)估的仿真平臺(tái)；Hu等[5]將網(wǎng)聯(lián)車(chē)在行駛過(guò)程中所提供的豐富信息結(jié)合深度學(xué)習(xí)對(duì)密歇根州某地的公路交叉口進(jìn)行了事故風(fēng)險(xiǎn)水平預(yù)測(cè)。在徑向基神經(jīng)網(wǎng)絡(luò)(Radial Basis Function Neural Network，RBFNN)的應(yīng)用方面，Ullah等[6]為降低因無(wú)線(xiàn)傳感器網(wǎng)絡(luò)傳輸無(wú)效數(shù)據(jù)而產(chǎn)生的額外功耗，提出了一種基于改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)聚合方法，該方法能夠?qū)鞲衅鞑杉降臄?shù)據(jù)進(jìn)行分類(lèi)并有效減少冗余數(shù)據(jù)和異常值；Hou等[7]提出了一種結(jié)合堆棧自動(dòng)編碼器(Stacked Autoencoder，SAE)和RNF神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)模型，該模型能夠有效地?cái)M合交通流的周期性變化，同時(shí)降低天氣等因素對(duì)預(yù)測(cè)結(jié)果的干擾；羅玉濤等[8]提出了一種降低車(chē)輪控制系統(tǒng)干擾的自適應(yīng)神經(jīng)網(wǎng)絡(luò)滑膜控制方法，該方法采用RBF神經(jīng)網(wǎng)絡(luò)對(duì)系統(tǒng)的不確定性和電機(jī)力矩的擾動(dòng)進(jìn)行實(shí)時(shí)估計(jì)，以此作為車(chē)輪轉(zhuǎn)角控制器設(shè)計(jì)的基礎(chǔ)，有效提高了車(chē)輪轉(zhuǎn)角控制的自適應(yīng)性和穩(wěn)定性。由上述相關(guān)研究可以看出，RBF神經(jīng)網(wǎng)絡(luò)已得到了廣泛應(yīng)用。

道路交通流量是表征交通運(yùn)行狀態(tài)的重要參數(shù)，數(shù)據(jù)的非線(xiàn)性程度較高。RBF神經(jīng)網(wǎng)絡(luò)可以逼近任意精度的非線(xiàn)性函數(shù)，具有收斂速度快的特點(diǎn)，用于多源交通流量融合具有明顯的優(yōu)勢(shì)[9]；而利用粒子群算法(Particle Swarm Optimization，PSO)的尋優(yōu)能力確定RBF神經(jīng)網(wǎng)絡(luò)中神經(jīng)元核函數(shù)的中心坐標(biāo)、寬度與權(quán)重，可以使其發(fā)揮更出色的函數(shù)逼近能力。因此，本研究提出使用粒子群算法結(jié)合RBF神經(jīng)網(wǎng)絡(luò)對(duì)多源交通流量進(jìn)行融合。

1 多源交通數(shù)據(jù)融合框架

1.1 多源交通數(shù)據(jù)的特點(diǎn)

智能網(wǎng)聯(lián)車(chē)在行駛的過(guò)程中通過(guò)DSRC或者5G通信技術(shù)與其他網(wǎng)聯(lián)車(chē)和智能路側(cè)設(shè)施進(jìn)行信息實(shí)時(shí)交互。以此為基礎(chǔ)，交通主管部門(mén)可以實(shí)現(xiàn)對(duì)車(chē)輛信息的全方位采集，主要體現(xiàn)在對(duì)車(chē)輛速度、車(chē)輛位置、路段車(chē)輛密度、車(chē)輛OD點(diǎn)對(duì)、延誤等數(shù)據(jù)的獲取上。以交通流量為例，通過(guò)道路上網(wǎng)聯(lián)車(chē)來(lái)推算交通流量，在線(xiàn)圈檢測(cè)、微波檢測(cè)等傳統(tǒng)交通流量檢測(cè)方式以外，為道路交通流量的準(zhǔn)確判斷提供了一個(gè)新的途徑；與此類(lèi)似，眾多研究表明，多源交通大數(shù)據(jù)從不同維度對(duì)城市交通信息進(jìn)行描繪[10]。混行條件下多源交通數(shù)據(jù)具有規(guī)模性、多樣性、實(shí)效性、價(jià)值性4個(gè)基本特點(diǎn)。

1.2 多源交通數(shù)據(jù)融合框架

交通信息采集與存儲(chǔ)一般存在多個(gè)數(shù)據(jù)源系統(tǒng)，導(dǎo)致交通數(shù)據(jù)本身具有豐富的多樣性。各種交通調(diào)度平臺(tái)、交通監(jiān)測(cè)系統(tǒng)中的各種數(shù)據(jù)相互獨(dú)立、結(jié)構(gòu)各異、數(shù)據(jù)量大且分散，使得交通信息不能充分利用。因此在進(jìn)行多源交通數(shù)據(jù)融合的同時(shí)，還需要對(duì)交通大數(shù)據(jù)進(jìn)行充分分析、挖掘與提取，從不同數(shù)據(jù)層面對(duì)交通數(shù)據(jù)進(jìn)行高效處理，降低數(shù)據(jù)噪音和冗余度并提高數(shù)據(jù)的準(zhǔn)確性。如圖1所示，以網(wǎng)聯(lián)汽車(chē)、路側(cè)交通設(shè)施、交通監(jiān)測(cè)系統(tǒng)等數(shù)據(jù)源提供的數(shù)據(jù)作為交通數(shù)據(jù)融合的原始數(shù)據(jù)，提取數(shù)據(jù)特征后形成具有指向性的特征數(shù)據(jù)輸入到特征層，特征數(shù)據(jù)經(jīng)過(guò)特征層的深度融合后經(jīng)過(guò)處理輸入到?jīng)Q策層，最終得到交通運(yùn)行決策數(shù)據(jù)，以達(dá)到利用少量的數(shù)據(jù)獲得盡可能多的交通特征的目的。

圖1 網(wǎng)聯(lián)環(huán)境下交通大數(shù)據(jù)融合框架

2 多源交通流量融合方法

2.1 道路交通流量獲取

2.1.1 傳統(tǒng)交通數(shù)據(jù)采集方法

在傳統(tǒng)交通數(shù)據(jù)采集領(lǐng)域，針對(duì)道路交通量、平均車(chē)速等交通參數(shù)的獲取主要有人工計(jì)數(shù)法、浮動(dòng)車(chē)法、機(jī)械計(jì)數(shù)法與錄像法等方式。但受限于人力成本與檢測(cè)器的精度，傳統(tǒng)交通數(shù)據(jù)的調(diào)查方法難以做到面面俱到。

2.1.2 網(wǎng)聯(lián)環(huán)境下交通數(shù)據(jù)獲取

若道路中車(chē)輛全部為網(wǎng)聯(lián)車(chē)，可以把道路中的全部車(chē)輛視為“特殊傳感器”。而在網(wǎng)聯(lián)車(chē)與非網(wǎng)聯(lián)車(chē)混行的條件下，在對(duì)道路交通流量進(jìn)行估計(jì)時(shí)，可以把混行車(chē)流中的網(wǎng)聯(lián)車(chē)看作浮動(dòng)車(chē)，利用車(chē)載激光雷達(dá)或攝像頭，結(jié)合目標(biāo)檢測(cè)技術(shù)識(shí)別單位時(shí)間內(nèi)超越網(wǎng)聯(lián)車(chē)或被網(wǎng)聯(lián)車(chē)超越的車(chē)輛數(shù)，采用“浮動(dòng)車(chē)法”進(jìn)行交通流量檢測(cè)，將車(chē)輛在行駛過(guò)程中采集到的數(shù)據(jù)計(jì)算生成交通流量并回傳至數(shù)據(jù)中心，檢測(cè)計(jì)算方法如式(1)所示：

(1)

其中，qc為目標(biāo)路段選定方向(如某路段下行方向)上的交通量，Xa為網(wǎng)聯(lián)車(chē)逆選定方向(上行方向)行駛時(shí)迎面駛來(lái)的車(chē)數(shù)，Yc為網(wǎng)聯(lián)車(chē)順選定方向(下行方向)行駛時(shí)超越網(wǎng)聯(lián)車(chē)的車(chē)數(shù)減去被網(wǎng)聯(lián)車(chē)超越的車(chē)數(shù)，ta為網(wǎng)聯(lián)車(chē)逆選定方向(上行方向)的行駛時(shí)間，tc為網(wǎng)聯(lián)車(chē)順選定方向(下行方向)的行駛時(shí)間。

針對(duì)道路上同一時(shí)刻有多輛網(wǎng)聯(lián)車(chē)行駛的情況，測(cè)量交通量取多輛網(wǎng)聯(lián)車(chē)返回?cái)?shù)據(jù)的算術(shù)平均值。

2.2 粒子群優(yōu)化徑向基神經(jīng)網(wǎng)絡(luò)

2.2.1 徑向基神經(jīng)網(wǎng)絡(luò)

RBFNN于1988年由耶魯大學(xué)的Moody等[11]提出，該神經(jīng)網(wǎng)絡(luò)只有一個(gè)中間層，神經(jīng)元以徑向基函數(shù)作為核函數(shù)，徑向基函數(shù)圖像如圖2所示。中間層每個(gè)神經(jīng)元只對(duì)特定范圍的輸入做出響應(yīng)，對(duì)這些響應(yīng)賦予權(quán)重W得到輸出值。由于中間層數(shù)量少，所以RBFNN的學(xué)習(xí)速度極快，同時(shí)由于每個(gè)神經(jīng)元與輸出值的關(guān)系相對(duì)獨(dú)立，神經(jīng)元之間的相互干擾小，適合進(jìn)行大范圍的數(shù)據(jù)融合以及高速數(shù)據(jù)處理。

圖2 徑向基函數(shù)圖像

2.2.2 粒子群算法

雖然RBFNN結(jié)構(gòu)簡(jiǎn)單，但是中間層神經(jīng)元核函數(shù)y(x，w，b)=e-(b(x-w))中w和b的確定對(duì)減小輸出誤差和降低隱藏層的維度非常重要[12]，實(shí)際應(yīng)用中大多采用窮舉、試湊和經(jīng)驗(yàn)的方法來(lái)確定，具有盲目性且效率較低。PSO算法計(jì)算過(guò)程簡(jiǎn)單且需要調(diào)整的參數(shù)少，適用于復(fù)雜問(wèn)題求最優(yōu)解，算法由Kennedy等[13]于1995年提出，每個(gè)粒子在時(shí)刻t具有位置xi(t)和速度vi(t)兩個(gè)參數(shù)，首先需要確定整個(gè)系統(tǒng)的目標(biāo)函數(shù)以判斷粒子優(yōu)劣，再根據(jù)每一輪粒子返回的目標(biāo)函數(shù)值尋找粒子個(gè)體最優(yōu)位置pi和全局最優(yōu)位置pg，最終得到全局最優(yōu)位置pg即為系統(tǒng)最優(yōu)解。

vi(t+1)=k·vi(t)+c1·rand()·(pb，i(t)-xi(t))+

c2·rand()·(gb(t)-xi(t))

(2)

xi(t+1)=xi(t)+vi(t+1)

(3)

其中：vi表示某一個(gè)時(shí)刻粒子i的速度；k為慣性權(quán)重；c1、c2為自身學(xué)習(xí)因子和社會(huì)學(xué)習(xí)因子；rand()表示0到1之間的隨機(jī)數(shù)。

2.2.3 算法設(shè)計(jì)

RBFNN在訓(xùn)練過(guò)程中需要確定4個(gè)關(guān)鍵性參數(shù)：中間層神經(jīng)元個(gè)數(shù)、每個(gè)核函數(shù)中心坐標(biāo)w和寬度b、各神經(jīng)元的輸出權(quán)重W。不同類(lèi)型的數(shù)據(jù)樣本，中間層神經(jīng)元的個(gè)數(shù)不同，因此首先選定輸入數(shù)據(jù)組成數(shù)據(jù)集，后續(xù)神經(jīng)網(wǎng)絡(luò)中間層核函數(shù)維度需與輸入數(shù)據(jù)集維度一致；利用Elbow Method方法和K均值聚類(lèi)算法對(duì)訓(xùn)練集中的數(shù)據(jù)進(jìn)行聚類(lèi)，取聚類(lèi)中心個(gè)數(shù)作為神經(jīng)元的個(gè)數(shù)，同時(shí)聚類(lèi)中心的坐標(biāo)還可以作為粒子運(yùn)動(dòng)時(shí)的范圍參考；然后設(shè)計(jì)對(duì)應(yīng)數(shù)量級(jí)的神經(jīng)網(wǎng)絡(luò)，在求神經(jīng)網(wǎng)絡(luò)中的關(guān)鍵參數(shù)w、b、W的過(guò)程中，引入具有優(yōu)良尋優(yōu)性能的粒子群算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，以融合數(shù)據(jù)與對(duì)照數(shù)據(jù)的差值作為優(yōu)化的目標(biāo)函數(shù)進(jìn)行迭代；最后通過(guò)粒子迭代以及運(yùn)算過(guò)程中RBFNN自身參數(shù)的更新共同得到幾個(gè)關(guān)鍵參數(shù)，計(jì)算過(guò)程如圖3。

2.3 卡爾曼濾波交通流量融合方法

在多源傳感器數(shù)據(jù)融合方面，卡爾曼濾波(Kalman Filter，KF)是一種最優(yōu)的系統(tǒng)參數(shù)估計(jì)方法[14]。傳統(tǒng)卡爾曼濾波算法的核心是預(yù)先將非線(xiàn)性系統(tǒng)中的非線(xiàn)性函數(shù)變換為線(xiàn)性函數(shù)，使用反饋控制來(lái)不斷迭代估計(jì)整個(gè)系統(tǒng)的狀態(tài)，在數(shù)學(xué)上是一種線(xiàn)性最小方差統(tǒng)計(jì)估算方法[15]。車(chē)輛的到達(dá)在某種程度上具有隨機(jī)性，這種隨機(jī)性反映在空間和時(shí)間兩個(gè)維度上呈現(xiàn)線(xiàn)性或非線(xiàn)性分布，因此本研究使用PSO-RBFNN和KF兩種方法對(duì)多源交通流量進(jìn)行融合，并對(duì)這兩種方法的融合效果進(jìn)行了對(duì)比。

3 算法驗(yàn)證與分析

3.1 數(shù)據(jù)來(lái)源

對(duì)來(lái)源于不同交通檢測(cè)設(shè)備的數(shù)據(jù)進(jìn)行融合，在某市實(shí)驗(yàn)路網(wǎng)中選取一段東西雙向六車(chē)道路段，在目標(biāo)路段距離交叉口停車(chē)線(xiàn)25 m處安裝微波與視頻檢測(cè)裝置，在距離交叉口停車(chē)線(xiàn)5 m處安裝線(xiàn)圈檢測(cè)器，浮動(dòng)車(chē)數(shù)據(jù)由測(cè)試網(wǎng)聯(lián)車(chē)回傳。選擇其中3種檢測(cè)方式測(cè)得的道路交通流量：線(xiàn)圈檢測(cè)獲取的交通流量qc，“浮動(dòng)車(chē)法”獲取的交通流量qf，微波檢測(cè)設(shè)備獲取的交通流量qm，由于網(wǎng)聯(lián)車(chē)混行條件下可以將網(wǎng)聯(lián)車(chē)視為浮動(dòng)車(chē)，將qf作為混行條件下網(wǎng)聯(lián)車(chē)計(jì)算的交通流量，剔除明顯錯(cuò)誤數(shù)據(jù)后整理得到3組Excel數(shù)據(jù)，交通流量取每天07：00-09：00以及17：00-20：00的高峰流量，以15 min為時(shí)間間隔進(jìn)行劃分。設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)中以qc和qf兩種數(shù)據(jù)作為輸入進(jìn)行融合，并以微波檢測(cè)設(shè)備獲取的交通流量qm表征實(shí)際道路交通流量，作為對(duì)照組對(duì)融合后的數(shù)據(jù)進(jìn)行對(duì)比。為訓(xùn)練本段道路交通流量對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)，將上文采集到的交通流量數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集兩部分，同時(shí)取前70%的數(shù)據(jù)作為訓(xùn)練集、后30%的數(shù)據(jù)作為測(cè)試集。

圖3 粒子群優(yōu)化的徑向基神經(jīng)網(wǎng)絡(luò)示意圖

3.2 PSO-RBFNN算法數(shù)據(jù)融合

3.2.1 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

使用Matlab編寫(xiě)算法程序，首先利用“Elbow Method”對(duì)訓(xùn)練集中的數(shù)據(jù)進(jìn)行聚類(lèi)中心分析[16]，以確定中間層神經(jīng)元的個(gè)數(shù)進(jìn)行判斷，將線(xiàn)圈檢測(cè)裝置和“浮動(dòng)車(chē)法”獲取的交通流量進(jìn)行組合，形成二維數(shù)據(jù)點(diǎn)對(duì)，形式為“(線(xiàn)圈檢測(cè)數(shù)據(jù)，浮動(dòng)車(chē)獲取的數(shù)據(jù))”，將數(shù)據(jù)對(duì)看作二維平面上的點(diǎn)，利用K-Means算法將數(shù)據(jù)分為3類(lèi)(基于K聚類(lèi)的交通流量分類(lèi)結(jié)果如圖4所示)，中心點(diǎn)分別為(217.344 6，210.588 1)、(214.678 2，238.514 9)、(240.261 2，226.765 6)，并以聚類(lèi)中心為參考設(shè)置本輪RBF神經(jīng)網(wǎng)絡(luò)中間層神經(jīng)元中心位置的移動(dòng)范圍。

圖4 基于K均值聚類(lèi)的交通流量分類(lèi)

然后用PSO算法生成20個(gè)粒子，結(jié)合3個(gè)聚類(lèi)中心坐標(biāo)對(duì)粒子初始坐標(biāo)范圍和運(yùn)動(dòng)范圍進(jìn)行框定。由于RBFNN共有3個(gè)神經(jīng)元，每個(gè)神經(jīng)元有2個(gè)中心點(diǎn)參數(shù)：1個(gè)寬度參數(shù)和1個(gè)權(quán)重參數(shù)，因此粒子的維度設(shè)12。

最后建立PSO-RBFNN目標(biāo)函數(shù)，將3種方式獲取的交通流量輸入神經(jīng)網(wǎng)絡(luò)，利用qc和qf進(jìn)行融合，將融合結(jié)果與qm的差值作為PSO算法中粒子優(yōu)劣的目標(biāo)函數(shù)，通過(guò)迭代最終得到最優(yōu)粒子，PSO-RBFNN迭代曲線(xiàn)如圖5所示。

從圖5可以看出，將融合的交通流量與微波檢測(cè)的交通流量進(jìn)行比較，隨著訓(xùn)練次數(shù)的增加，差值逐漸縮小。經(jīng)過(guò)1 400輪迭代，最終輸出粒子的12個(gè)維度坐標(biāo)即為RBFNN中的參數(shù)，其中，第1、2；5、6；9、10個(gè)參數(shù)為神經(jīng)網(wǎng)絡(luò)神經(jīng)元中心坐標(biāo)，分別為(227.988 3，223.000 0)、(229.332 0，230.785 9)、(207.000 0，220.000 0)，第3、7、11個(gè)參數(shù)為神經(jīng)元核函數(shù)的寬度；第4、8、12個(gè)參數(shù)為神經(jīng)元權(quán)重。這一RBF神經(jīng)網(wǎng)絡(luò)可作為本次實(shí)驗(yàn)路段最終交通流量融合的神經(jīng)網(wǎng)絡(luò)。

圖5 PSO-RBFNN迭代曲線(xiàn)

3.2.2 交通流量融合

選取路段交通流量中的測(cè)試集，利用3.2.1節(jié)中訓(xùn)練得到的RBF神經(jīng)網(wǎng)絡(luò)，將線(xiàn)圈獲取的交通流量qc與浮動(dòng)車(chē)獲取的交通流量qf作為輸入進(jìn)行融合，再將融合后的結(jié)果與微波檢測(cè)器獲取的交通流量進(jìn)行對(duì)比，結(jié)果如圖6、圖7所示。

從圖6中可以看出，經(jīng)過(guò)PSO-RBFNN融合得到的數(shù)據(jù)圍繞兩組參與融合的基礎(chǔ)數(shù)據(jù)qc和qf波動(dòng)，但在圖7中，將表征實(shí)際情況的數(shù)據(jù)qm添加到圖中后，可以明顯地看出融合后得到的數(shù)據(jù)曲線(xiàn)與qm的曲線(xiàn)更加貼合，即PSO-RNFNN融合結(jié)果與實(shí)際情況更相近。這是因?yàn)樵谏窠?jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中，目標(biāo)函數(shù)值的確定依賴(lài)于qm。

圖6 PSO-RBFNN交通流量融合結(jié)果

圖7 PSO-RBFNN交通流量融合結(jié)果與對(duì)照組對(duì)比

3.3 卡爾曼濾波算法數(shù)據(jù)融合

同樣，將3.1節(jié)中測(cè)試集數(shù)據(jù)中線(xiàn)圈檢測(cè)獲取的交通流量qc與浮動(dòng)車(chē)檢測(cè)獲取的交通流量qf輸入到KF中，得到兩者融合的數(shù)據(jù)，再將經(jīng)過(guò)融合的數(shù)據(jù)與微波檢測(cè)器獲取的交通流量進(jìn)行對(duì)比，結(jié)果如圖8、圖9所示。

圖8 KF交通流量融合結(jié)果

圖9 KF交通流量融合結(jié)果與對(duì)照組對(duì)比

從圖8中可以看出，經(jīng)過(guò)KF融合后得到的數(shù)據(jù)始終處于兩組參與融合的基礎(chǔ)數(shù)據(jù)qc和qf之間，在圖9中加入表征實(shí)際情況的數(shù)據(jù)qm后，融合后的數(shù)據(jù)曲線(xiàn)與真實(shí)數(shù)據(jù)曲線(xiàn)關(guān)聯(lián)性不明顯，因?yàn)榻?jīng)過(guò)KF融合后獲得的數(shù)據(jù)僅與qc和qf有關(guān)。

3.4 誤差分析

不同分布特征的數(shù)據(jù)可以采用不同的融合方式，數(shù)據(jù)融合方式?jīng)]有優(yōu)劣之分，只有適用情況不同。本節(jié)采用PSO-RBFNN神經(jīng)網(wǎng)絡(luò)和KF兩種方法分別對(duì)不同檢測(cè)方式獲取的交通流量進(jìn)行融合。對(duì)兩種方式的融合結(jié)果分別采用平均絕對(duì)誤差(MAE)、平均絕對(duì)百分誤差(MAPE)和均方根誤差(RMSE)3個(gè)指標(biāo)評(píng)價(jià)兩種方式的數(shù)據(jù)融合效果，結(jié)果如圖10、表1所示。

圖10 KF與PSO-RBFNN融合效果曲線(xiàn)

表1 PSO-RBFNN與KF融合效果對(duì)比

通過(guò)圖10和表1可以看出，PSO-RBFNN的融合結(jié)果曲線(xiàn)與對(duì)照數(shù)據(jù)曲線(xiàn)更加貼合，各項(xiàng)誤差值也顯著降低。因此，利用PSO-RBFNN融合兩種來(lái)源的交通流量更加貼近對(duì)照組的結(jié)果，這是由于PSO-RBFNN融合的數(shù)據(jù)在訓(xùn)練過(guò)程中以對(duì)照組數(shù)據(jù)為參考，融合效果更好，即：PSO-RBFNN能憑借粒子不斷迭代更好地提取所擬合目標(biāo)的現(xiàn)實(shí)特性，在數(shù)據(jù)融合與預(yù)測(cè)中具有更高的精度。

4 結(jié)論

網(wǎng)聯(lián)車(chē)與非網(wǎng)聯(lián)車(chē)混行產(chǎn)生的交通大數(shù)據(jù)具有規(guī)模性、多樣性、實(shí)效性、價(jià)值性等特點(diǎn)，通過(guò)粒子群算法尋優(yōu)和利用不同來(lái)源的道路交通流量對(duì)徑向基神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，可以看出，利用K均值聚類(lèi)法對(duì)初始多源交通數(shù)據(jù)進(jìn)行分類(lèi)可以有效確定神經(jīng)網(wǎng)絡(luò)中間層個(gè)數(shù)，減少?gòu)较蚧窠?jīng)網(wǎng)絡(luò)的空間復(fù)雜度；在多輪粒子迭代過(guò)程中隨著神經(jīng)網(wǎng)絡(luò)中參數(shù)的不斷調(diào)整，融合交通流量與實(shí)際交通流量的差值逐漸縮小并趨于穩(wěn)定，神經(jīng)網(wǎng)絡(luò)逐漸擬合該段道路交通流量的分布特征；同時(shí)此方法融合后的數(shù)據(jù)與卡爾曼濾波算法融合后的數(shù)據(jù)相比誤差相對(duì)更小，對(duì)非線(xiàn)性數(shù)據(jù)的融合過(guò)程更具有針對(duì)性，明顯提高了交通狀態(tài)的擬合度。