[发明专利]基于数据融合的交通状态估计装置和方法

说明书

技术领域

本发明涉及智能交通系统领域，具体涉及基于数据融合的交通状态估计装置和方法。

背景技术

随着近年来我国城市智能交通系统的发展，很多重要城市都兴建了各种交通检测手段来实现对城市交通系统的实时监测。这些检测手段包括固定检测设备(例如微波检测器、线圈检测器)和移动检测设备(例如浮动车)。这些检测设备分别提供了不同的交通运行信息内容，但由于交通检测手段的不同，不同数据反映的交通信息在信息形态、完整性、精确性、一致性等方面存在着一定的差异。仅靠传统的单一交通检测数据源很难获得覆盖面大且精度较高的交通信息，难以满足智能交通对交通信息依赖的要求。如何利用多源数据来获取更加全面可靠的交通信息越来越被交通研究人员所重视。

数据融合技术作为一种新的数据处理方法，其已经引起了相关技术领域的重视，已经作为一个重要的研究方向引入到交通工程中，并成为智能交通系统一个重要的发展领域。

目前，数据融合比较常用的方法还是当前数据和历史数据融合，对于多种交通数据(如固定检测器数据和浮动车数据)的融合往往是停留在数学模型的层次，没有完全考虑交通流特性对融合的影响。此外，多数研究停留在理论层面，对交通流数据的实际情况(数据质量等)考虑较少。

专利文献1(CN200910198692)公开了一种基于数据融合技术的交通状况估计方法，其中根据浮动车GPS数据和固定检测器获取的交通状况以及与天气、时间段、不同时刻有关的检测器数据，采用贝叶斯网络进行融合处理，估计当前交通状况。

专利文献1提及的方法虽然可以融合多种交通数据并获取到更加准确的路况，但其存在以下几个缺点：一是专利文献1的方法仅仅构建单一模型来进行融合，无法反映不同数据源的交通数据在信息形态、完整性、精确性、一致性等方面存在的差异，以及无法有区分地考虑交通数据和交通状况影响因素的不同组合；二是贝叶斯网络的构建是需要根据数据之间的因果关系，而对于贝叶斯网络中每个节点的概率分布的确定，专利文献1采用实际测量和专家审定的办法，因而需要对某一路段长期的观察才能确定从天气到交通状况的条件概率分布，导致方法比较复杂，工作量较大；三是在贝叶斯网络融合中只使用了固定检测器检测到的点速度，忽略了交通流量和道路占有率，点速度是车辆经过固定检测器那一刻的瞬时速度，有别于道路的区间平均速度，而交通流量和道路占有率在一定程度上也能反映交通状况，不应该弃用这两种数据；四是在贝叶斯网络的融合最终结果是道路的拥堵程度，而不是具体的速度数值，不能提供更深层次的应用。

因此，需要一种适合实际应用的基于数据融合的交通状况估计方法，其能够综合考虑不同种类或来源的交通数据的差异、以及多种交通状况影响因素的，采用多模式数据输入、多模式融合方法，有区分地考虑交通数据和交通状况影响因素的不同组合，对数据进行多种模式的融合，给出更精确的融合结果。

发明内容

根据本发明实施例，提供了一种交通状况估计装置，包括：

模式归类单元，用于将路网中一条或多条道路的交通数据、或者所述交通数据与至少一个交通状况影响因素归类到多个预定模式之一；

模型选择单元，用于根据模式归类单元所归类的模式，从多个神经网络模型中选择对应的神经网络模型；以及

数据融合单元，用于将交通数据、或者交通数据和至少一个交通状况影响因素输入选择的神经网络模型，进行数据融合并估计所述一条或多条道路的交通状况。

根据本发明实施例，交通状况估计装置还包括：模型构建单元，用于预先构建所述多个神经网络模型，其中在预先构建所述多个神经网络模型时，模式归类单元针对路网中每一条道路，将关于该道路的多种交通数据、或者所述多种交通数据与至少一个交通状况影响因素归类到多个预定模式，以及模型构建单元利用模式归类单元归类的交通数据或者交通数据和交通状况影响因素，针对多个预定模式，利用神经网络方法构建多个对应的神经网络模型。

根据本发明实施例，提供了一种交通状况估计方法，包括：

模式归类步骤，用于将路网中一条或多条道路的交通数据、或者交通数据与至少一个交通状况影响因素归类到多个预定模式之一；

模型选择步骤，根据所归类的模式，从多个神经网络模型中选择对应的神经网络模型；以及

数据融合步骤，将交通数据、或者交通数据和至少一个交通状况影响因素输入选择的神经网络模型，进行数据融合，并估计所述道路的交通状况。