专利名称：：一种基于信息融合的高速公路交通状态识别方法
技术领域：
：本发明属于交通信息融合
技术领域：
，尤其涉及一种基于信息融合的高速公路交通状态识别方法。
背景技术：
：近年来，我国在智能交通系统领域已开展了大量的研究工作，交通管理系统已获取了丰富的交通基础数据，但是这些基础数据并没有发挥应有的效用，利用率较低。随着交通量的不断增加，一些城市的高速公路或者城市之间的高速公路，如京津塘高速、广深高速、沪宁高速等，交通量基本达到饱和，每天有相当长一段时间的交通速度已经低于设计的最低速度，并在收费口等地形成排队，高速公路路段拥堵严重。因此需要研究出一种能够充分利用现有高速公路监测数据的方法，实现对交通状态的准确识别，以实现及时发现、及时诱导、及时指挥的目标，减少拥堵带来的损失。
发明内容本发明的目的在于，提出一种基于信息融合的高速公路交通状态识别方法，用以准确识别交通状态。技术方案是，一种基于信息融合的高速公路交通状态识别方法，其特征是所述方法包括下列步骤步骤1:选择交通参数，建立状态识别的评价指标体系，确定各个指标值的取值范围对交通状态的影响；依据决策树算法，建立交通状态识别的二叉树结构；确定所述二叉树结构的融合层次K，K>2，令i=1;根据第i层样本格式要求，对第i层数据进行预处理；确定第i层的输入样本；利用支持向量机机器学习方法，对第i层的输入样本进行训练，获得支持对支持向量机进行数据融合，获得融合结果并根据融合结果判断下一级融合时的支持向量机；步骤8:i=i+l;判断i《K是否成立，如果成立，则返回步骤4，执行下一层的数据融合；否则，结束流程。所述交通参数包括平均运行速度、平均密度、负荷度、平均时间占有率、平均延误。所述步骤6包括下列步骤步骤601:根据指标体系，确定第i层输入数据样本=,>V),(x2'，力'),...,(<，;其中，x:eiT，y)e{-U}，7=1,2"."/，i为训练样本个数；步骤2:步骤3:步骤4:步骤5:步骤6:向量机；步骤7:步骤602:选定核函数和损失函数；步骤603:设定核函数的参数和损失函数的参数；步骤604:训练输入数据样本，并通过支持向量机评价指标来确定训练效果；步骤605:判断是否达到最终的训练效果，如果达到，则执行步骤607;否则，执行步骤606;步骤606;修正核函数的参数和损失函数的参数，返回步骤603;步骤607:测试训练好的支持向量机。所述核函数为高斯函数:《(x,x,)=exp(—iix:x;ii)2o"。所述损失函数为不敏感损失函数^^)^max(kl-e，0^其中，e为泛化参数，l为松弛变量。所述支持向量机评价指标采用评价交通状态识别方法效率的指标，包括识别率和平均识别时间。所述识别率的计算公式为"=:^xl(K)%.其中，IN是正确识别状态次数，AN是总检测状态次数。所述平均识别时间的计算公式为^7=^^77(0其中，T1(i)为算法识别第iW,二l个状态所用的时间，n为算法识别的状态数。所述判断是否达到最终的训练效果的方法是，当所述识别率大于预先设定的第一阈值并且所述平均识别时间小于预先设定的第二阈值时，达到最终的训练效果；否则，未达到最终训练效果。本发明的有益效果在于，继承了传统SVM(支持向量机)信息融合方法的优势，解决了高速公路交通状态识别准确率低的问题，从而使得高速公路交通控制、交通指挥、交通规划有了更可靠地决策支持，提高了管理效率，为更好的提供高速公路交通服务打下了基础。图1是基于信息融合的高速公路交通状态识别方法模型示意图；图2是交通状态识别的二叉树结构示意图；图3是一种基于信息融合的高速公路交通状态识别方法流程图；图4是利用支持向量机机器学习方法对输入样本进行训练的流程图。具体实施例方式下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。本发明提出的基于信息融合的高速公路交通状态识别方法，应用交通信息融合技术，充分利用了高速公路交通监测信息，对交通状态进行识别、估计，为交通控制、交通指挥、交通规划提供决策支持。该方法是继承了支持向量机机器学习方法(SupportVectorMachines,SVM)的计算思想，同时分析了将传统的SVM方法应用于解决高速公路交通状态识别时存在的局限性，针对该应用不足之处，提出了改进方案，得到决策树-支持向量机(DTM-SVM)模型。图1是基于信息融合的高速公路交通状态识别方法模型示意图。图1中，该模型具有如下特点(1)具有层次结构，根据所研究问题要求的分类精度，确定融合层次K。每一级融合计算对应于二叉树中的一层。(2)数据源中的数据数据l，数据2，......，数据p，来自多个系统或者多个传感器，是针对同一个问题提取出来的支持数据。(3)每一级融合中的数据预处理阶段是要根据融合级别要求、解决问题的评判指标以及样本要求格式等将数据进行处理。(4)不同融合层次上的支持向量机的训练样本不同，S卩在训练样本D={(Xl，y》，...，(Xl，y》}，XiGRn，yG{-1，1}中，不同层次上Xi对应的yi不同，根据评价指标体系中Xi，来确定yi，从而确定每一层SVM的输入数据样本。(5)经过一级融合后，输出结果yl，l=1，2，...，k，根据yl的值来判断下一级融合时的支持向量机，即图2的结构中，上一层SVM决定下一层调用左边的还是右边的SVM，直到得到需要的结果。图3是一种基于信息融合的高速公路交通状态识别方法流程图。图3中，本发明的实施步骤包括步骤1:选择交通参数，建立状态识别的评价指标体系，确定各个指标值的取值范围对交通状态的影响。现场采集的数据不一定能够完全对应于评价指标参数，因此需要通过检测到得参数进行转换计算，得到更能够反映交通状态的指标值。指标体系如下表所示<table>tableseeoriginaldocumentpage7</column></row><table>平均延误通过单位长度路段的所有车辆的延误值总和。》〖min/knDe—路段平均延误时间；^e—路段上每辆车的延误时间；观察路段长度。表1交通状况指标体系参考0046]如上表，交通参数包括平均运行速度、平均密度、负荷度、平均时间占有率、平均延误。平均运行速度是指行驶在某一特定长度路段内全部车辆的车速分布的平均值，即区间平均速度，单位是km/h。路段平均速度值的大小是出行者对交通运行状态的最直观的感受之一，直接反映了路段的拥堵状态。在表2给出了路段平均运行速度与其交通运行状态之间的关系，根据速度值的大小将其分为5个等级，不同取值对应不同等级，不同等级的平均速度代表了不同的交通运行状态。<table>tableseeoriginaldocumentpage8</column></row><table>表2高速公路平均运行速度评价等级参考标准平均密度是高速公路某路段单位车道上单位里程机动车的数量。单位辆/公里/车道。通常情况下，该参数与交通拥堵程度呈反比关系，当密度很大的时候，反映处于排队中的车辆数多，可以反映出道路拥堵程度。表3给出了高速公路路段平均交通密度评价指标参考值。<table>tableseeoriginaldocumentpage8</column></row><table>表3平均交通密度评价指标参考值负荷度是指路段实际交通量与路段通行能力的比值。负荷度是交通需求与交通供应关系的体现，反映了路段服务水平。负荷度越大，其服务水平越低，负荷度越小，其服务水平越高。为了方便对平均负荷度的理解，将其取值范围定义为(O，l]，并且分为五个等级，不同取值对应不同等级，不同等级的负荷度代表了不同的交通运行状态。表4给出了高速公路路段平均负荷度的评价指标参考标准。<table>tableseeoriginaldocumentpage9</column></row><table>图4是利用支持向量机机器学习方法对输入样本进行训练的流程图。图4中，利用支持向量机机器学习方法对输入样本进行训的过程包括下列步骤步骤601:根据指标体系，确定第i层输入数据样本D爿(x/,jV),(X2',3V),…,(x/，3V";其中，^ei"，X"-1,1〉，y'-l,U，1为训练样本个数。步骤602:选定核函数和损失函数。其中，核函数选定高斯函数^(;c,x,)=exp(-fc^L)2cr。损失函数选定不敏感损失函数c(l)=max(|《卜e，0);其中，e为泛化参数，l为松弛变量。步骤603:设定核函数的参数和损失函数的参数。步骤604:训练输入数据样本，并通过支持向量机评价指标来确定训练效果。支持向量机评价指标采用评价交通状态识别方法效率的指标，包括识别率和平均识别时间。其中，识别率的计算公式为/i=^xlOO%IN是正确识别状态次数，AN是总检爿iV。测状态次数。平均识别时间的计算公式为M77:^t77(0Tl(i)为算法识别第i个状态所用的时间，n为算法识别的状态数。步骤605:判断是否达到最终的训练效果，如果达到，则执行步骤607;否则，执行步骤606。判断是否达到最终的训练效果的具体方法是，当所述识别率大于预先设定的第一阈值并且所述平均识别时间小于预先设定的第二阈值时，达到最终的训练效果；否则，未达到最终训练效果。步骤606;修正核函数的参数和损失函数的参数，返回步骤603。步骤607:测试训练好的支持向量机。步骤7:对支持向量机进行数据融合，获得融合结果并根据融合结果判断下一级融合时的支持向量机。步骤8:i=i+l;判断i《K是否成立，如果成立，则返回步骤4，执行下一层的数据融合；否则，结束流程。以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本
技术领域：
的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。权利要求一种基于信息融合的高速公路交通状态识别方法，其特征是所述方法包括下列步骤步骤1选择交通参数，建立状态识别的评价指标体系，确定各个指标值的取值范围对交通状态的影响；步骤2依据决策树算法，建立交通状态识别的二叉树结构；步骤3确定所述二叉树结构的融合层次K，K≥2，令i＝1；步骤4根据第i层样本格式要求，对第i层数据进行预处理；步骤5确定第i层的输入样本；步骤6利用支持向量机机器学习方法，对第i层的输入样本进行训练，获得支持向量机；步骤7对支持向量机进行数据融合，获得融合结果并根据融合结果判断下一级融合时的支持向量机；步骤8i＝i+1；判断i≤K是否成立，如果成立，则返回步骤4，执行下一层的数据融合；否则，结束流程。2.根据权利要求1所述的一种基于信息融合的高速公路交通状态识别方法，其特征是所述交通参数包括平均运行速度、平均密度、负荷度、平均时间占有率、平均延误。3.根据权利要求1所述的一种基于信息融合的高速公路交通状态识别方法，其特征是所述步骤6包括下列步骤步骤601:根据指标体系，确定第i层输入数据样本D={(x/，y/)，(x/,y。，...，(x二y。};其中，<e"，乂e{-1,1}，j=1，2，，1，1为训练样本个数；步骤602:选定核函数和损失函数；步骤603:设定核函数的参数和损失函数的参数；步骤604:训练输入数据样本，并通过支持向量机评价指标来确定训练效果；步骤605:判断是否达到最终的训练效果，如果达到，则执行步骤607;否则，执行步骤606;步骤606;修正核函数的参数和损失函数的参数，返回步骤603;步骤607:测试训练好的支持向量机。4.根据权利要求3所述的一种基于信息融合的高速公路交通状态识别方法，其特征是所述核函数为高斯函数^(x,x,)=eXp(-t^i)2cr。5.根据权利要求3所述的一种基于信息融合的高速公路交通状态识别方法，其特征是所述损失函数为不敏感损失函数c(l)=max(|《卜e，0);其中，e为泛化参数，《为松弛变量。6.根据权利要求3所述的一种基于信息融合的高速公路交通状态识别方法，其特征是所述支持向量机评价指标采用评价交通状态识别方法效率的指标，包括识别率和平均识别时间。7.根据权利要求6所述的一种基于信息融合的高速公路交通状态识别方法，其特征是所述识别率的计算公式为^zi"M7。.其中，IN是正确识别状态次数，AN是总检测状态次数。8.根据权利要求6所述的一种基于信息融合的高速公路交通状态识别方法，其特征是所述平均识别时间的计算公式为^^^^"t77(0其中，Tl(i)为算法识别第i个状态所用的时间，n为算法识别的状态数。9.根据权利要求3所述的一种基于信息融合的高速公路交通状态识别方法，其特征是所述判断是否达到最终的训练效果的方法是，当所述识别率大于预先设定的第一阈值并且所述平均识别时间小于预先设定的第二阈值时，达到最终的训练效果；否则，未达到最终训练效果。全文摘要本发明公开了交通信息融合
技术领域：
中的一种基于信息融合的高速公路交通状态识别方法。包括选择交通参数，建立状态识别的评价指标体系；依据决策树算法，建立交通状态识别的二叉树结构；确定所述二叉树结构的融合层次K，K≥2，令i＝1；根据第i层样本格式要求，对第i层数据进行预处理；确定第i层的输入样本；利用支持向量机机器学习方法，对第i层的输入样本进行训练，获得支持向量机；对支持向量机进行数据融合，获得融合结果并根据融合结果判断下一级融合时的支持向量机；i＝i+1；判断i≤K是否成立，如果成立，则返回步骤4，执行下一层的数据融合；否则，结束流程。本发明继承了传统支持向量机信息融合方法的优势，解决了高速公路交通状态识别准确率低的问题。文档编号G08G1/01GK101706996SQ20091023728公开日2010年5月12日申请日期2009年11月12日优先权日2009年11月12日发明者孙倩,张晨琛,王艳辉,罗俊,肖雪梅,郭晓妮申请人:北京交通大学