Application Research of Data Fusion Technology in Traffic Status Evaluation
辛华辉 XIN Hua-hui；费银军 FEI Yin-jun；王海光 WANG Hai-guang；尤贝贝 YOU Bei-bei
（盘州市交通运输局（盘州市县乡公路管理所），盘州 553537）
（Panzhou Municipal Transportation Bureau，Panzhou 553537，China）
摘要：本文基于浮动车和固定检测器技术采集数据的特点，研究了两种数据源的融合问题，利用动量法改进的BP神经网络构建了基于道路交通状态指数的数据融合模型。通过仿真实验，验证了融合模型的有效性。
Abstract: In this paper, fusion problems of two data sources were investigated based on characteristics of collection data of floating car and fixed detector technology. computation model of traffic state index was established and data fusion model based on index of road traffic state by BP NN improved by momentum method. Also, the model was validated by simulation experiment.
关键词：BP神经网络；交通状态指数；数据融合
Key words: BP network；traffic state index；data fusion
中图分类号：U491 文献标识码：A 文章编号：1006-4311（2019）23-0276-02
0 引言
实时而准确的道路交通信息是实行现代交通管理与控制、诱导、规划的重要保障，也是智能交通系统建设的重要内容。单一的检测技术获取的数据源对道路交通进行的评价往往不能正确反映交通的运行状态，存在很大误差。而采用数据融合技术对多源交通数据进行融合，可以弥补单一数据源的诸多不足，达到优势互补，获得更加准确的交通信息，提高估计的精度。
数据融合技术应用于数据处理上，可以得到更加全面、准确的信息。近年来，城市智能交通的快速发展，对信息提出了更高的要求，国内外研究者对数据融合技术在交通领域的应用进行了广泛的研究，主要集中在以下几个方面：2006年，Zou和Zhu[1]根据动、静态检测器数据建立了基于BP神经网络的行程时间估计融合模型。2013年，Bachmann[2]等把浮动车和固定线圈检测器数据结合起来，用七种算法把多传感器的速度进行了融合估计计算。2011年，张赫、王纬等[3]分析数据融合技术在交通控制系统中的应用，构建了一种基于信息融合思想的神经网络模型。2014年，李嘉、刘春华[4]基于微波检测数据、线圈数据和视频检测数据，构建了遗传算法优化的小波神经网络数据融合模型。
本文在前人研究的基础之上，将数据融合技术应用于交通状态量化评价的应用中，用动量法对ＢＰ神经网络进行优化，构建了交通状态指数的数据融合模型，并对模型的有效性进行验证，弥补了单一交通数据源用于评价的局限性，提高了交通状态评价的精度。
1 动量法改进的BP网络模型
标准的BP算法是利用梯度下降法对权值和偏值进行修正，其迭代过程可用如下公式表示
■
式中，x （k）是全部权值和偏值构成的向量；?浊是学习速率；■是目标函数；■是目标函数的梯度。
BP算法可以使权值收敛到一个解，但是它不能保证所求是误差超平面的全局最小解，由于学习速率?浊是一个较小的常数，求得的解很可能是一个局部极小值。为了避免出现局部极小值问题，本文将采用动量法对BP神经网络进行改进，在此基础上完成模型的构建。
动量法在网络进行权值修正时，综合分析了误差在梯度上的作用和在曲面上走势的变化，它就像低通过滤器一样，使网络忽略其上的细微变化。在没有附加动量时，网络可能陷入局部极小值，利用动量法可以使网络滑过这些极小值，求得最优解。
动量法改进的BP网络权值修正的迭代过程可用如下公式表示
■
采用动量法进行网络设计中，当修正权值在误差中有很大的增长时，应取消新的权值，使动量作用停止下来，保证网络不进入较大误差曲面；与先前误差相比，新的误差变化率大于事先设定的变化值时，应取消相应的权值变化。其最大误差变化率理论上可取任何不小于1的值，实际中一般取1.04。故在进行动量法的网络设计时，要做条件判断，保证权值修正的正确性。
训练过程中，采用动量法进行条件判断可表示为
■
式中，SSE是网络的输出误差平方和。
实际研究发现，训练参数的选择对动量法的网络训练结果有很大的影响。若学习速率过大，将会使误差值往返震荡；学习速率过小，会使动能太小，只能跳出很小的“坑”，对于较大的“坑”和“谷”无法跳过。而误差相对于权值的曲线（面）形状与凹凸性是由问题本身决定的，一般情况下只能采用不同的学习速率进行对比（典型值取0.05）。因此，应给予该类型网络足够多的训练，使其训练结果为最后稳定到最小值时获得的结果。
2 交通状态指数融合模型设计
本文通过实地调查，利用交通仿真软件模拟得到道路交通数据，经过数据的预处理分析后，将其作为模型的输入，建立了基于行程时间比的交通状态指数融合模型，下面对网络设计方案进行具体介绍。
2.1 神经网络的输入和输出参数
由于融合模型是基于行程时间比建立的，与行程时间比融合相关的交通参数有：浮动车的行程时间比、浮动车的数量、固定检测器得到的行程时间比、道路交通流量。所以，网络的输入参数由以上4个组成，输出参数为融合后的道路行程时间比。
2.2 网络层数
BP神经网络由输入层、输出层和若干隐含层组成，其中，隐含层的层数越多，网络结构越复杂，训练所需时间也就越长。实际应用表明，一个三层BP神经网络，经过训练学习能逐步适应各种因素的影响，最终可以完成任何映射过程[５]。故本文选用三层BP网络，输入层、隐含层和输出层均采用一层。
2.3 各层的节点数
根据网络的输入和输出参数，可确定输入层有4个节点，输出层有一个节点。隐含层节点数的选择对网络总体运行性能有较大影响，节点过少，就容易陷入局部极小值；节点过多，泛化能力变弱，隐含层节点数可按如下公式确定，通过计算后选取为5个。
■
式中，h—隐含层神经元节点数；
m—输入层神经元；
n—输出层神经元数；
a—常数，一般取值在[0，10]。
改进后的BP网络结构如图1所示。Ef、Ej、Qf、Qn、Er分别代表浮动车行程时间比、固定检测行程时间比、浮动车数量、道路交通量和融合后得到的道路行程时间比。
３ 实例应用
本文数据依托于云南省交通规划设计研究院与实验室的合作项目“昆明市道路交通状态指数研究及应用”，利用设计院的四台跟踪雷达数据采集装置对昆明市五华区的北京路、人民东路、白塔路、东风东路四条路段高峰时期的交通数据进行了采集，这些交通数据的参数包括交通量、平均速度、85%车速、车头时距、车头间距和占有率。由于数据是基于专业的交通采集装置获取的，规避了人工调查出错与信息少的缺点，保证了数据的真实可靠性。所以，基于这些数据通过Vissim交通仿真软件得到地研究所需的定点检测器数据和浮动车数据也是真实可靠的。
用动量法改进的BP网络模型对采集的数据进行融合，为了验证数据融合模型的有效性，采用平均相对误差、相对误差的标准差和最大相对误差三个指标来进行验算。在计算平均相对误差时，由于δ可能取正值也可取负值，通常情况下，正负值会相抵，出现相对误差很大平均相对误差很小的现象。为了起到在样本水平上反应模型精度的作用，在这里采用崔文顺[6]提出的平均相对误差正确计算公式，如下：
■
相对误差标准差计算公式：
■
最大相对误差计算公式为：
■
利用三个指标分别对浮动车、检测器和融合结果的误差情况进行验证，计算结果如表1所示。
基于数据融合的交通状态指数估计精度明显优于单纯的浮动车和固定检测器的估计，前者估计精度的稳定性也明显优于后者，估计值也更接近于真实值。
4 总结
本文根据建立的交通状态指数融合模型，以昆明市五华区的四条道路为研究对象，在实际调查的基础上进行交通仿真，获取研究数据。采用动量法改进的BP网络对路段的交通状态指数进行融合计算，并把它与浮动车、检测器计算的交通状态指数进行了对比分析。实验结果表明，相比浮动车和固定检测器而言，数据融合模型的交通状态指数估计在精度和稳定性上有了很大的提高，可见交通状态指数的数据融合模型是有效可靠的，在交通规划与管理方面有着广泛的实际应用价值。
参考文献：
[1]Zou L, Zhu LX. Link travel time estimation model fusing data from mobile and stationary detector based on BP neural network. International conference on communications circuits and systems proceedings, 2006: 2146-2149.
[2]Bachmann C, Abdulhai B, Roorda M J. A comparative assessment of multi一sensor data fusion techniques for freeway traffic speed estimation suing micro-simulation modeling[J]. Transportation Research Part C: Emerging Technologies, 2013, 26:33-48.
[3]张赫，王炜，等.神经网络在交通流信息融合中的应用[J].武汉理工大学学报，2011，35（4）：693-695.
[4]李嘉，刘春华，等.基于交通数据融合技术的行程时间预测模型[J].湖南大学学报（自然科学版），2014（1）：33-38.
[5]王楠，李成文，李岩.基于神经网络的数据融合方法.光机电信息，2010，27（3）：36-39.
[6]崔文顺，李建玲.就平均相对误差的算法与李庆振等商榷[J].河北林学院学报，1989（04）：74-75. |
