专利名称：一种多源交通信息融合的处理方法和装置的制作方法
技术领域：
本发明涉及信息融合技术，尤其涉及一种多源交通信息融合的处理方法和装置。
背景技术：
快速路作为城市路网的主要组成，对城市交通起着极其重要的作用，因此，实时把握全面而准确的路况交通信息是对路网进行有效控制的前提，也是缓解城市交通拥堵、减少交通事故的关键。现有交通系统中，不同检测设备在诸多方面存在差异，如检测参数、覆盖范围、数据精度、采集成本等。在现实数据采集过程中，由于各种检测器的异常带来的数据误差、数据间的不一致以及缺失现象，导致了目前智能交通系统中输出的信息的局限性，各个交通子系统信息的共享难度大。针对以上问题，可以通过数据融合技术实现多源交通信息的互相补充校验，从而使得路网的交通状态信息更为准确。多源交通信息指多个交通检测设备获得的检测数据，多个检测设备一般包括:浮动车检测系统、微波检测器、牌照检测器等。浮动车检测系统获得的检测数据是以链路区间为单位的浮动车数据，包括:浮动车样本量、路程、时间；微波检测器获得的检测数据是以微波区间为单位的微波数据，包括:流量、速度、时间占有率；牌照检测器获得的检测数据是以牌照区间为单位的牌照数据，包括:路程、时间。通常情况下，牌照区间包含多个微波检测区间，每个微波区间包含多个链路区间。牌照检测器获得的牌照数据能够准确的反映路况，但是，牌照检测器是固定检测器中的一种，其在快速路上的分布有限，不能获得全部快速路网的路况信息。当牌照数据缺失时，可以通过数据融合技术，对浮动车数据和微波数据进行融合，获得更为准确的路况。现有技术中，仅针对多源数据在牌照区间或链路区间进行数据融合。当针对牌照区间进行数据融合时，采用的融合模型对于链路区间不一定准确，导致融合值的不准确，进而导致提供的路径导航不准确；当针对链路区间进行数据融合时，采用的融合模型对于牌照区间不一定准确，导致提供的路况信息不准确。并且，现有技术中，对牌照区间或链路区间进行数据融合时，都仅采用一种融合模型，得到的融合值不够准确。
发明内容
本发明的实施例提供一种多源交通信息融合的处理方法和装置，使得链路区间和牌照区间都能获得更为准确的融合值，进而使得牌照区间的融合值能够准确的反映长路段的路况，提供准确的路况信息，链路区间的融合值能够准确的反映短链路的路况，提供准确的路径诱导。为达到上述目的，本发明的实施例采用如下技术方案:第一方面，本发明提供一种多源交通信息融合的处理方法，该方法包括:获取多源数据，所述多源数据包括浮动车数据、微波数据；对所述多源数据进行预处理，所述预处理包括转换统一、错误数据剔除、数据补缺和时间匹配；将所述预处理的多源数据分别匹配到牌照区间和链路区间；根据所述多源数据的数据缺失情况，以及所述多源数据采用的补缺方法，分别为所述牌照区间和链路区间的多源数据选取融合模型；根据所述选取的融合模型，分别对所述牌照区间和链路区间的多源数据进行数据融合，获得所述牌照区间和链路区间的融合值。第二方面，本发明实施例提供一种多源交通信息融合的处理装置，所述装置包括:获取单元、预处理单元、匹配单元、选取单元、融合单元；所述获取单元，用于获取多源数据，所述多源数据包括浮动车数据、微波数据；所述预处理单元，用于对所述获取单元获取的多源数据进行预处理，所述预处理包括转换统一、错误数据剔除、数据补缺和时间匹配；所述匹配单元，用于将所述预处理单元预处理的多源数据分别匹配到牌照区间和链路区间；所述选取单元，用于根据所述多源数据的数据缺失情况，以及所述多源数据采用的补缺方法，分别为所述牌照区间和链路区间的多源数据选取融合模型；所述融合单元，用于根据所述选取单元选取的融合模型，分别对所述牌照区间和链路区间的多源数据进行数据融合，获得所述牌照区间和链路区间的融合值。本发明实施例提供一种多源交通信息融合的处理方法和装置，获取多源数据，对所述多源数据进行预处理，将所述预处理的多源数据分别匹配到牌照区间和链路区间；根据所述多源数据的数据缺失情况，以及所述多源数据采用的补缺方法，分别为所述牌照区间和链路区间的多源数据选取融合模型；根据所述选取的融合模型，分别对所述牌照区间和链路区间的多源数据进行数据融合，获得所述牌照区间和链路区间的融合值。由于分别对牌照区间和链路区间根据多源数据的缺失情况和利用的补缺方法选取融合模型，并根据选取的融合模型进行数据融合，使得链路区间和牌照区间都能获得更为准确的融合值，进而使得牌照区间的融合值能够准确的反映长路段的路况，提供准确的路况信息，链路区间的融合值能够准确的反映短路段的路况，提供准确的路径诱导。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本发明实施例提供的一种多源交通信息融合的处理方法的流程示意图；图2为本发明实施例提供的另一种多源交通信息融合的处理方法的流程示意图；图3为本发明实施例提供的一种多源交通信息融合的处理装置的结构示意图。
具体实施例方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。实施例一、本发明实施例提供一种多源交通信息融合的处理方法，如图1所示，该方法包括:101、获取多源数据，所述多源数据包括浮动车数据、微波数据。城市快速路上的固定检测器包括微波检测器和牌照检测器。城市快速路上还存在移动的浮动车用于检测交通数据。其中，牌照检测器获得的交通数据精度高，但是牌照检测器的数量较少，获得的数据量较少，能反映的交通信息有限。但是对于没有牌照检测器的路段，若仅利用单一的检测器，如微波检测或浮动车检测器检测，检测的数据不能准确的反映路况信息。因此，进行多源交通信息的融合，获得更为准确的交通信息很有必要。其中，浮动车检测系统检测的浮动车数据的数据量较多，能够反映较大范围的交通信息。因此，本发明实施例中，采用浮动车数据和微波检测器检测的微波数据作为多源数据，进行多源交通信息的融合，获得覆盖范围广，并且精度更高的交通数据。其中，浮动车检测系统获得的数据包括:浮动车平均旅行速度和浮动车样本量。其中，浮动车平均旅行速度表示对应的链路区间的平均行驶速度；浮动车样本量表示对应的链路上行驶的浮动车的数量。微波检测器获得的数据包括:流量、速度和时间占有率。其中，流量表示单位时间内通过某一微波区间的车辆数；速度表示通过检测器的车辆瞬时速度平均值；时间占有率表示特定的观测时间内微波检测器被车辆占用的时间与观测时间的比值。时间占有率较小时，单位时间内通过微波检测器的车辆较少，而且行驶速度较高，导致时间占有率较低；时间占有率较大时，单位时间内通过微波检测器的车辆较多，行驶的速度较低，导致时间占有率较高。本发明实施例的多源交通信息融合的处理方法中，所述多源数据具体可以是浮动车数据、微波数据。具体的，浮动车数据可以通过浮动车系统采集获得，微波数据可以通过微波检测器采集获得。102、对所述多源数据进行预处理，所述预处理包括转换统一、错误数据剔除、数据补缺和时间匹配。在获得所述多源数据之后，需要对所述多源数据进行转换统一，使得所述多源数据能够表示为统一参数的数据，所述统一参数的数据可以是:速度、时间占有率等能够反映路况的参数。本发明实施例将浮动车数据、微波数据及牌照数据都统一以流量、速度、时间占有率等相同参数进行表征。错误数据，是指在某个单独的采样间隔中发生了不符合常理突变的交通参数数据，通常是由于检测器、传输线路故障和车辆未按交通管制行驶等原因导致。当交通检测器或者传输线路出现故障的时候，采集到的数据通常是错误的，不能反映真实的交通状况。本发明实施例对错误数据的处理采用阈值法及交通流理论进行判断后，予以剔除。采用阈值法和交通流理论对错误数据进行剔除，是本领域技术人员熟知的技术，本发明实施例在此不再具体描述。
数据缺失可以分为两类:一类是固有数据缺失，这是由于检测器扫描频率不固定、设备出现故障、车辆过度密集造成检测器无法正常检测车辆等原因，使采集到的动态数据无法严格按照指定时间间隔上传，造成的数据缺失；另一类是错误数据剔除后造成的数据缺失。在数据缺失时，可以对多源数据进行补缺，具体的补缺方法包括:时间序列补缺法、历史数据库补缺法和空间位置数据补缺法。由于各个检测设备是独立工作的，各个检测设备检测的数据的间隔也不一定相同，因此，需要对所述多源数据进行时间匹配。多源数据的时间匹配是指将采集到的多源交通流数据进行匹配，使数据反映同一时间段内的交通信息。对多源数据进行时间匹配，是本领域技术人员熟知的技术，本发明实施例在此不作具体描述。103、将所述预处理的多源数据分别匹配到牌照区间和链路区间。牌照区间是牌照检测器检测的数据的基本空间单位，是按照一定规则对道路划分后形成的具有方向性的路段。链路区间是浮动车检测系统检测的数据的基本空间单位，是按照一定规则对道路划分后形成的具有方向性的路段。微波区间微波检测器检测的数据的基本空间单位，是按照一定规则对道路划分后形成的具有方向性的路段。需要说明的是，一般情况下，牌照区间包括多个微波区间，而每个微波区间又包括多个链路区间。由于牌照区间的数据能够准确反映长路段的路况信息，因此，在多源交通信息融合技术中，将获得的多源数据匹配到牌照区间，使得多源数据能够准确的反映长路段的路况很有必要。由于链路区间的数据能够准确的反映短路段的路况信息，因此，在多源交通信息融合技术中，将获得的多源数据匹配到链路区间，使得多源数据能够准确的反映短路段的路况，可以进一步提供准确的路径诱导。本实施例中，多源交通信息的融合处理方法中，将进行预处理的多源数据分别匹配到牌照区间和链路区间。104、根据所述多源数据的数据缺失情况，以及所述多源数据采用的补缺方法，分别为所述牌照区间和链路区间的多源数据选取融合模型。根据所述多源数据的缺失情况和数据补缺时采用的补缺方法，为牌照区间的多源数据选取牌照区间融合模型。根据所述多源数据的缺失情况和数据补缺时采用的补缺方法，为链路区间的多源数据选取链路区间融合模型。105、根据所述选取的融合模型，分别对所述牌照区间和链路区间的多源数据进行数据融合，获得所述牌照区间和链路区间的融合值。根据牌照区间选取的融合模型，对所述牌照区间和链路区间的多源数据中的浮动车平均旅行速度和微波检测数据中的流量、速度、时间占有率作为融合模型的输入，进行数据融合，获得牌照区间和链路区间的融合值。
本发明实施例提供一种多源交通信息融合的处理方法，获取多源数据，对所述多源数据进行预处理，将所述预处理的多源数据分别匹配到牌照区间和链路区间；根据所述多源数据的数据缺失情况，以及所述多源数据采用的补缺方法，分别为所述牌照区间和链路区间的多源数据选取融合模型；根据所述选取的融合模型，分别对所述牌照区间和链路区间的多源数据进行数据融合，获得所述牌照区间和链路区间的融合值。由于分别对牌照区间和链路区间根据多源数据的缺失情况和利用的补缺方法选取融合模型，并根据选取的融合模型进行数据融合，使得链路区间和牌照区间都能获得更为准确的融合值，进而使得牌照区间的融合值能够准确的反映长路段的路况，提供准确的路况信息，链路区间的融合值能够准确的反映短路段的路况，提供准确的路径诱导。实施例二、本发明实施例提供一种多源交通信息融合的处理方法，如图2所示，该方法包括:201、根据第一多源数据的缺失情况和相应的补缺方法，分别为牌照区间和链路区间确定相应的第一融合模型。在进行多源数据融合前，首先需要根据多源数据可能出现的数据缺失情况和所用的补缺方法，获得每种多源数据缺失情况和对应的补缺方法的多组第一多源数据，并根据所述多组第一多源数据，为每种多源数据的缺失情况和对应采用的补缺方法训练融合模型。所述第一多源数据包括:第一浮动车数据和第一微波数据。所述第一多源数据的缺失情况为缺失或者不缺失。所述补缺方法包括:时间序列补缺法、历史数据库补缺法和空间位置数据补缺法。针对每种多源数据的缺失情况和对应的补缺方法，根据第一多源数据的缺失情况和相应的补缺方法，分别为牌照区间和链路区间确定相应的第一融合模型。举例来说，当第一多源数据中的浮动车数据和微波数据都不缺失时，分别为牌照区间和链路区间确定第一融合模型。202、为所述第一融合模型选取多组第一多源数据。选取多组与所述第一融合模型对应的多组第一多源数据。例如，当所述第一融合模型对应的第一多源数据中的浮动车数据和微波数据都不缺失时，为所述第一融合模型选取多组浮动车和微波数据补缺时的第一多源数据。203、对所述多组第一多源数据进行预处理。所述预处理包括转换统一、错误数据剔除、数据补缺和时间匹配。对所述多组第一多源数据进行预处理的方法与本实施例中描述的对多源数据进行预处理的方法相同，本发明实施例在此不再赘述。204、将所述预处理的多组第一多源数据分别匹配到牌照区间或链路区间。将所述预处理的多组第一多源数据分别匹配到牌照区间或链路区间的方法与本实施例中描述的将预处理的多源数据分别匹配到牌照区间或链路区间的方法相同，本发明实施例在此不再赘述。205、根据所述多组第一多源数据对所述第一融合模型进行模型训练，得到所述牌照区间和链路区间的多个第二融合模型和对应的融合值。利用所述多组第一多源数据对所述第一融合模型进行模型训练，可以得到牌照区间和链路区间的多个第二融合模型和对应的融合值。在进行模型训练之前，需要利用数据融合算法进行融合模型的构建。本发明中采用的数据融合算法是遗传算法和反向传播BP (Back Propagation)神经网络算法结合的算法。其中，遗传算法的搜索过程是从空间中的一个点集到另外一个点集的搜索，实际上是一种并行搜索，适合大规模并行计算。遗传算法适用于全局搜索，不受搜索空间的约束，不要求连续性，能以很大的概率从离散的、多极值的、含有噪声的高维问题中找到全局最优解。BP神经网络是是一种按误差逆传播算法训练的多层前馈网络，是目前应用最为广泛的神经网络算法之一。BP神经网络模型在处理多源交通数据融合方面应用最为广泛，具有很强的非线性处理能力，并具有自学习、自组织、并行性和容错性等优点，然而，BP神经网络算法在寻找全局最优解时较为困难，在求解过程中往往会陷入局部最优解。本发明采用的遗传算法和BP神经网络算法结合的算法是通过遗传算法能够搜索全局最优解的特性，对神经网络的权值和阈值进行优化，得到最优的网络权重及阈值的初始值，能够有效地避免了神经网络陷入局部最优解的问题。遗传算法和BP神经网络算法结合的算法构建融合模型时，主要包括遗传算法设计、模型输入输出参数设计、神经网络层数设计、传递函数选取及隐含层神经元数量设计。206、获得所述牌照区间或链路区间的与作为真值的牌照数据的平均相对误差和最小误差平方和差值最小的融合值，将所述牌照区间或链路区间的所述差值最小的融合值对应的第二融合模型确定为所述牌照区间或链路区间的多源数据的融合模型。计算所述真值和所述多个第二融合模型对应的多个融合值的平均相对误差，获得所述多个第二融合模型对应的融合值与所述真值的差异，确定所述多个第二融合模型的精度。计算所述真值和所述多个第二融合模型对应的多个融合值的最小误差平方和，获得所述多个第二融合模型对应的融合值与所述真值的差异，确定所述多个第二融合模型的有效性。计算所述真值和所述多个第二融合模型对应的多个融合值的最小误差平方和，获得所述多个第二融合模型对应的融合值与所述真值的差异，确定所述多个第二融合模型的有效性具体包括:计算不经过数据融合的第一多源数据与所述真值之间的最小误差平方和；若所述融合值与所述真值之间的最小误差平方和小于所述第一多源数据中的浮动车数据或微波数据与所述真值之间的最小误差平方，则所述第二融合模型有效。确定多个第二融合模型中有效的第二模型，确定多个第二融合模型精度最高的第二融合模型为所述牌照区间或链路区间的融合模型。以上是为针对第一多源数据的一种缺失情况和利用的补缺方法获得融合模型的过程，对第一多源数据的其他缺失情况和相应利用的补缺方法获得融合模型的过程，与上述过程一致，本发明实施例在此不再赘述。通过上述方法，可以为牌照区间和链路区间的多源数据的缺失情况和可以利用的补缺方法的所有情况获得对应的融合模型。207、获取多源数据，所述多源数据包括浮动车数据、微波数据。
城市快速路上的固定检测器包括微波检测器和牌照检测器。城市快速路上还存在移动的浮动车用于检测交通数据。其中，牌照检测器获得的交通数据精度高，但是牌照检测器的数量较少，获得的数据量较少，能反映的交通信息有限。但是对于没有牌照检测器的路段，若仅利用单一的检测器，如微波检测或浮动车检测器检测，检测的数据不能准确的反映路况信息。因此，进行多源交通信息的融合，获得更为准确的交通信息很有必要。其中，浮动车检测系统检测的浮动车数据的数据量较多，能够反映较大范围的交通信息。因此，本发明实施例中，采用浮动车数据和微波检测器检测的微波数据作为多源数据，进行多源交通信息的融合，获得覆盖范围广，并且精度更高的交通数据。其中，浮动车检测系统获得的数据包括:浮动车平均旅行速度和浮动车样本量。其中，浮动车平均旅行速度表示对应的链路区间的平均行驶速度；浮动车样本量表示对应的链路上行驶的浮动车的数量。微波检测器获得的数据包括:流量、速度和时间占有率。其中，流量表示单位时间内通过某一微波区间的车辆数；速度表 示通过检测器的车辆瞬时速度平均值；时间占有率表示特定的观测时间内微波检测器被车辆占用的时间与观测时间的比值。时间占有率较小时，单位时间内通过微波检测器的车辆较少，而且行驶速度较高，导致时间占有率较低；时间占有率较大时，单位时间内通过微波检测器的车辆较多，行驶的速度较低，导致时间占有率较高。具体的，浮动车数据可以通过浮动车系统采集获得，微波数据可以通过微波检测器采集获得。208、对所述多源数据进行预处理，所述预处理包括转换统一、错误数据剔除、数据补缺和时间匹配。在获得所述多源数据之后，需要对所述多源数据进行转换统一，使得所述多源数据能够表示为统一参数的数据，所述统一参数的数据可以是:速度、时间占有率等能够反映路况的参数。本发明实施例将浮动车数据、微波数据及牌照数据都统一以流量、速度、时间占有率等相同参数进行表征。进行转换统一后，所述浮动车数据包括:链路编号、日期、时间戳、区间旅行速度。如表I所示，为浮动车数据的数据格式表。其中，链路编号是指浮动车当前所经过的链路的编号；时间戳是指将00:00 — 24:00划分为720个2min时间段，编号从I — 720 ;区间旅行速度是指在每个2min内所有经过当前链路的浮动车的链路平均速度的平均值，单位是km/h0表1浮动车数据的数据格式表
权利要求
1.一种多源交通信息融合的处理方法，其特征在于， 获取多源数据，所述多源数据包括浮动车数据、微波数据、牌照数据； 对所述多源数据进行预处理，所述预处理包括转换统一、错误数据剔除、数据补缺和时间匹配； 将所述预处理的多源数据分别匹配到牌照区间和链路区间； 根据所述多源数据的数据缺失情况，以及所述多源数据采用的补缺方法，分别为所述牌照区间和链路区间的多源数据选取融合模型； 根据所述选取的融合模型，分别对所述牌照区间和链路区间的多源数据进行数据融合，获得所述牌照区间和链路区间的融合值。
2.根据权利要求1所述的方法，其特征在于，所述数据补缺为: 当所述浮动车数据缺失时，根据缺失数据对应的链路类型、以及所述链路的相邻链路的类型，确定缺失数据的补缺方法； 当微波数据缺失时，根据缺失数据对应的微波检测器分别与上下游相邻的两个微波检测器的相关性Pl和P2，确定缺失数据的补缺方法；
3.根据权利要求1或2所述的方法，其特征在于，根据所述选取的融合模型，分别对所述牌照区间和链路区间的多源数据进行数据融合具体为: 根据所述选取的融合模型，分别对所述牌照区间和链路区间的多源数据中的速度，以及浮动车数据的样本量、微波数据的时间占有率、微波数据的流量进行数据融合。
4.根据权利要求1-3任一项所述的方法，其特征在于，在根据所述多源数据的数据缺失情况，以及所述多源数据采用的补缺方法，分别为所述牌照区间和链路区间的多源数据选取融合模型之前，还包括: 根据第一多源数据的缺失情况和相应的补缺方法，分别为所述牌照区间和链路区间确定相应的第一融合模型； 为所述第一融合模型选取多组第一多源数据； 对所述多组第一多源数据进行预处理； 将所述预处理的多组第一多源数据分别匹配到牌照区间或链路区间； 根据所述多组第一多源数据对所述第一融合模型进行模型训练，得到所述牌照区间和链路区间的多个第二融合模型和对应的融合值； 获得所述牌照区间或链路区间的与作为真值的牌照数据的平均相对误差和最小误差平方和差值最小的融合值，将所述牌照区间或链路区间的所述差值最小的融合值对应的第二融合模型确定为所述牌照区间或链路区间的多源数据的融合模型。
5.一种多源交通信息融合的处理装置，其特征在于，所述装置包括:获取单元、预处理单元、匹配单元、选取单元、融合单元；所述获取单元，用于获取多源数据，所述多源数据包括浮动车数据、微波数据； 所述预处理单元，用于对所述获取单元获取的多源数据进行预处理，所述预处理包括转换统一、错误数据剔除、数据补缺和时间匹配； 所述匹配单元，用于将所述预处理单元预处理的多源数据分别匹配到牌照区间和链路区间； 所述选取单元，用于根据所述多源数据的数据缺失情况，以及所述多源数据采用的补缺方法，分别为所述牌照区间和链路区间的多源数据选取融合模型； 所述融合单元，用于根据所述选取单元选取的融合模型，分别对所述牌照区间和链路区间的多源数据进行数据融合，获得所述牌照区间和链路区间的融合值。
6.根据权利要求5所述的装置，其特征在于，所述预处理单元，具体用于: 当所述浮动车数据缺失时，根据缺失数据对应的链路类型、以及所述链路的相邻链路的类型，确定缺失数据的补缺方法； 当微波数据缺失时，根据缺失数据对应的微波检测器分别与上下游相邻的两个微波检测器的相关性Pi和p2，确定缺失数据的补缺方法；
7.根据权利要求5或6所述的装置，其特征在于，所述融合单元，具体用于: 根据所述选取单元选取的融合模型，分别对所述牌照区间和链路区间的多源数据，以及浮动车数据的样本量、微波数据的时间占有率、微波数据的流量进行数据融合。
8.根据权利要求5-7任一项所述的装置，其特征在于，所述装置还包括:确定单元； 所述确定单元，用于根据第一多源数据的缺失情况和相应的补缺方法，分别为所述牌照区间和链路区间确定相应的第一融合模型； 所述获取单元，还用于为所述第一融合模型选取多组第一多源数据； 所述预处理单元，还用于对所述获取单元获取的多组第一多源数据进行预处理；所述匹配单元，还用于将所述预处理单元预处理的多组第一多源数据分别匹配到牌照区间或链路区间； 所述融合单元，还用于根据所述多组第一多源数据对所述第一融合模型进行模型训练，得到所述牌照区间和链路区间的多个第二融合模型和对应的融合值； 所述确定单元，还用于获得所述牌照区间或链路区间的与作为真值的牌照数据的平均相对误差和最小误差平方和差值最小的融合值，将所述牌照区间或链路区间的所述差值最小的融合值对应的第二融合模型确定为所述牌照区间或链路区间的多源数据的融合模型。
全文摘要
本发明实施例公开一种多源交通信息融合的处理方法和装置，使得链路区间和牌照区间都能获得更为准确的融合值，进而使得牌照区间的融合值能够准确的反映长路段的路况，提供准确的路况信息，链路区间的融合值能够准确的反映短路段的路况，提供准确的路径诱导。该方法包括获取多源数据；对所述多源数据进行预处理；将所述预处理的多源数据分别匹配到牌照区间和链路区间；根据所述多源数据的数据缺失情况，以及所述多源数据采用的补缺方法，分别为所述牌照区间和链路区间的多源数据选取融合模型；根据所述选取的融合模型，分别对所述牌照区间和链路区间的多源数据进行数据融合，获得所述牌照区间和链路区间的融合值。本发明适用于信息融合技术。
文档编号G08G1/01GK103093621SQ20131000506
公开日2013年5月8日 申请日期2013年1月7日 优先权日2013年1月7日
发明者邱奉翠, 胡健, 李建军 申请人:北京世纪高通科技有限公司