數據關聯視角下高速公路多源機電狀態管理

摘 要：隨著交通網絡的不斷擴展和智能化技術的快速發展，在高速公路系統中會產生大量的機電狀態數據，包括車流量、車速、車道占有率等。這些數據來自不同的傳感器和監測設備，具有異構性和多樣性。為了更好地管理和維護高速公路系統，本研究提出了一種基于數據關聯視角的高速公路多源機電狀態融合管理方法。該方法建立數據關聯模型，將不同源的機電狀態數據進行融合，以提高數據的準確性和可靠性。試驗結果表明，該方法在高速公路系統的機電狀態管理方面取得了顯著的效果。

關鍵詞：高速公路；機電設備；多源數據融合

中圖分類號：U 412" 文獻標志碼：A

高速公路系統是現代交通網絡的重要組成部分，其安全和高效運行對社會經濟發展至關重要[1]。隨著交通流量的不斷增加和用戶需求的多樣化，高速公路系統中產生的機電狀態數據也越來越豐富。然而，這些數據來自不同的傳感器和監測設備，存在異構性和多樣性，給數據管理和維護帶來了一定的挑戰。因此，開發一種能夠融合多源機電狀態數據的管理方法，提高數據的準確性和可靠性，對高速公路系統運行和維護至關重要。

1 數據預處理

1.1 噪聲清洗

采用聚類方式對遠離期望值的數據點的數據進行清洗，可以將數據點分為不同的簇群，然后針對每個簇群進行分析和處理，可以使用聚類算法，例如K-means算法，將數據點聚類成多個簇群[2]。將遠離期望值的數據點劃分為離群點，并進行相應處理，例如移除或進行修正。通過計算其他正常數據的平均值，將該平均值應用于缺失數據點，可以盡量保持數據的一致性和完整性。對存在時間差的數據，可以采用正則匹配對數據進行過濾。正則匹配是一種基于規則的文本匹配方法，可以根據預設的模式匹配數據中的特定部分。通過設定匹配規則，可以篩選符合要求的數據，剔除不符合要求的數據，從而保留符合時間差要求的數據。這樣可以保證數據的準確性和一致性，同時提高數據分析的可靠性。

1.2 數據壓縮

主成分分析是一種常用的降維技術，通過線性變換將原始數據轉換為一組新的變量，這些新的變量被稱為主成分。主成分是原始數據中的線性組合，它們捕捉了原始數據中最大的方差，盡量保留了原始數據的信息。通過主成分分析，可以保留最重要的主成分，而舍棄次要的主成分[3]。這樣可以降低數據的維度，從而對數據進行壓縮。可以根據方差解釋率來確定保留的主成分數量，方差解釋率表示每個主成分所占總方差的比例。選擇解釋總方差較大的主成分，可以保留較多的信息，同時降低數據的維度。

1.3 數據轉換

歸一化是將數據映射到指定范圍內的常用方法，可以使用公式（1）進行歸一化處理。

歸一化后的值=（xi-xmin）/（xmax-xmin）×（Ml-Mr）+Mr

（1）

反歸一化是將歸一化后的數據恢復到原始范圍內的方法，可以使用公式（2）進行反歸一化處理。

反歸一化后的值=（歸一化后的值-Mr）/（Ml-Mr）×（xmax-xmin）+xmin （2）

式中：歸一化后的值為經過歸一化處理后的值；Mr為映射的最左端；Ml為映射的最右端；xmin為數據的最小值；xmax為數據的最大值。

以50min內某收費站出站口車輛加速度為例，進行歸一化試驗分析。在歸一化試驗中，需要對采集的車輛加速度數據進行處理，使其具有相同的量綱和范圍。常用的歸一化方法有最小-最大歸一化和Z-score歸一化。最小-最大歸一化是將原始數據線性轉換到[0，1]。對每個數據點來說，將其減去數據集中的最小值，再除以最大值和最小值之間的差，這樣可以將數據映射到0～1，保留了原始數據的相對大小和順序。對每個數據點來說，將其減去數據集的均值，再除以數據集的標準差。這樣可以使數據的均值為0，方差為1，使數據分布更加符合正態分布。當進行歸一化試驗分析時，比較歸一化前后的加速度仿真結果。通過對比兩者的變化情況，評估歸一化對數據的影響。如果歸一化后的仿真結果更加穩定和可靠，且能夠更好地反映車輛加速度的特征，那么歸一化是有效的。相反，如果歸一化后的結果出現明顯異常或失真，就需要重新評估歸一化的方法或數據處理的步驟。歸一化前后某收費站出站口車輛加速度仿真結果如圖1所示，能夠明顯看出歸一化后的車輛加速度明顯下降。

2 多源數據融合處理

面向多源設備狀態數據的融合處理方案如圖2所示。該方案利用時空關聯的同構多源數據融合。同構數據指的是具有相似的數據結構和特征的數據，這些數據通常來自不同的傳感器或測量設備。通過分析這些同構數據之間的時空關系，可以將它們進行融合，得到更完整和一致的信息[4]。該方案采用基于神經網絡的異構多源數據融合。異構數據指的是具有不同數據結構和特征的數據，這些數據來自不同的領域或類型。神經網絡是一種強大的模型，可以學習和捕捉數據之間的復雜關系。通過利用神經網絡的能力，可以將異構數據進行融合，以獲得更全面的信息。通過將時空關聯的同構多源數據融合和基于神經網絡的異構多源數據融合相結合，該方案能夠充分利用不同數據源的優勢，并解決多源數據融合中的異構性和復雜性問題。

2.1 基于時空關聯的同構多源數據融合

同構數據加權結構如圖3所示。首先，利用時間關聯度分析，可以對同一時間段內的不同傳感器數據進行比較和評估。通過計算數據之間的相似性和相關性來確定它們之間的關聯程度。可以將較弱關聯度的數據剔除，以減少對數據融合結果的影響。其次，通過設定權值系數，可以對不同傳感器數據進行加權處理[5]。可以根據傳感器的可靠性、準確性和重要性設定權值系數。具有較高可靠性和準確性的傳感器可以被賦予較高的權值，以增加其在數據融合中的貢獻。這樣可以使融合結果更加準確和可靠，同時也考慮了不同傳感器的特點和優勢。最后，通過加權數據融合方式，將經過篩選和加權處理后的數據進行融合。加權數據融合可以根據設定的權值系數對不同傳感器數據進行加權平均或加權求和，得到最終的融合結果。

動態時間規整算法（DTW）是一種用來比較兩個時間序列相似性的方法。通過在時間軸上對齊兩個序列的數據點，找到使兩個序列之間距離最小的對應關系。

初始化一個二維矩陣，大小為（m+1）×（n+1），其中m為Vi（t）的長度，n為Uj（t）的長度。將矩陣的第一行和第一列初始化為無窮大的值，表示初始狀態下兩個序列之間的距離為無窮大。從矩陣的（1，1）位置開始，計算每個位置的值。對矩陣中的每個位置（i，j），計算距離d=||Vi（t）[i]-Uj（t）[j]||，其中||·||為歐氏距離。在（i，j）位置的值等于d加上（i-1，j）位置、（i，j-1）位置和（i-1，j-1）位置中的最小值，即矩陣中前一步的最小路徑和。最終得到的矩陣右下角的值即為兩個序列之間的最小距離。根據動態時間規整算法得到的矩陣，可以得到兩個序列之間的最小距離。EM表示極大似然估計值。設d為某一時刻傳感器間距，根據歐氏距離計算公式，可以得到公式（3）。

d= sqrt（EM）" （3）

利用動態時間規整算法和歐氏距離計算設備間距，從而對某收費站不同加速度傳感器設備數據序列進行分析和應用。

設d為某一時刻傳感器間距，指數函數量化時空關聯度是一種對設備間距進行標準化預處理的方法。通過使用指數函數來量化設備間距，使較大的間距得到較小的量化值，較小的間距得到較大的量化值。如公式（4）所示。

si，j = exp（-λ × di，j）" （4）

式中：si，j為量化后的設備間距；di，j為設備間距；λ為指數函數的參數，用于控制量化效果。通過公式（4），可以對設備間距進行標準化預處理，從而提取設備間距的時空關聯度信息。

以某收費站出站口為例，感應線圈可以實時獲取車輛通過的信息，這些數據對交通管理和規劃具有重要意義。為了對這些數據進行融合處理，將采用兩種常用的方法進行對比試驗。首先，使用平均值法進行數據融合。平均值法是一種簡單直接的融合方法，將所有采樣的車流量數據的平均值作為最終結果。對60min內每隔5min采樣得到的25個車流量數據進行平均計算，得到平均值融合結果。其次，采用自適應加權法進行數據融合。自適應加權法考慮到不同時間段或不同車流量數據的重要性和權重，最后，對數據進行加權處理，得到融合結果。在試驗中，將根據車流量數據的大小和變化情況，設定不同的權重系數進行加權計算，得到自適應加權融合結果。融合處理方法結果對比情況如圖4所示。

從圖4可以看出，與平均值方法相比，基于時空關聯的融合方法能夠更好地捕捉數據的變化趨勢和時序特征。采用平均值方法對多個數據進行平均處理，忽略了數據之間的時序關系，導致數據喪失平滑化和信息。而基于時空關聯的方法考慮到數據在時間和空間上的關聯性，能夠更好地反映實際數據的變化規律，從而更接近真實數據。與自適應加權方法相比，基于時空關聯的融合方法能夠更好地處理數據之間的相關性和權重分配。自適應加權方法通過設定權重系數，對不同數據進行加權處理，確定權重系數存在主觀性和固定性的問題。而基于時空關聯的方法通過分析數據之間的關聯程度和相似性，動態地調整權重，更合理地進行數據融合，從而縮小了誤差。

2.2 基于神經網絡的異構多源數據

預處理流量觀測值：若fi為距離t時刻最近一個時刻的流量觀測值；f為數據平均值，則計算預處理流量觀測值如公式（5）所示。

fi' = fi/f" （5）

式中：fi'為預處理后的流量觀測值。

基于神經網絡的多源異構數據融合方法能夠充分利用各個源數據的信息，提取數據的全局特征和局部特征，同時通過注意力機制網絡對數據進行加權處理和特征提取。

試驗收集了某收費站出口的車流量、車輛速度和車道占有率3個指標的數據。這些數據是通過傳感器、監控設備和車輛識別系統等收集而來的，具有一定的真實性和可靠性。真實數據與模型預測數據仿真結果如圖5所示。

通過多次迭代和優化，得到了最佳的BP神經網絡模型。預測結果可以與真實數據進行對比，評估預測的準確性和誤差。為了更加直觀地評估預測結果的準確性，利用Matlab軟件進行仿真。將真實數據、BP神經網絡預測數據和本文預測數據進行可視化比較，可以觀察它們之間的差異和相似性。在對比分析中，發現基于BP神經網絡的實際值與預測值在后期存在較大的誤差，誤差明顯大于本文提出的多源異構數據融合方法，進一步驗證了本文方法的有效性和優越性。

3 結語

本研究基于數據關聯視角，提出了一種高速公路多源機電狀態融合管理方法，旨在提高數據的準確性和可靠性。通過建立數據關聯模型，將來自不同源的機電狀態數據進行融合，本方法能夠更好地理解和分析高速公路系統的機電狀態。試驗結果表明，本方法在高速公路系統的機電狀態管理方面取得了顯著的效果。

參考文獻

[1] 李斌，鄭鳳飛，劉春芽.高速公路多源機電運維數據統一接入方法探究[J].中國交通信息化，2022（10）：130-133.

[2] 王賽賽，高鵬.融合降雨數據的高速公路行駛速度預測[J].物聯網技術，2021，11（3）：43-50.

[3] 何剛，尹紫紅，廖知勇，等.高速公路BIM+GIS多源數據集成與融合探析[J].科學技術創新，2021（15）：4.

[4] 黃海政.高速公路隧道機電設備安裝工程施工技術研究[J]. 工程機械與維修，2024 （4）： 86-88.

[5] 吳志峰.探討高速公路機電設備智能化管理策略[J].中國設備工程，2022（6）：2.