[发明专利]基于模糊粗糙集的证据理论城市交通流信息融合方法

摘要

一种基于模糊粗糙集的证据理论城市交通流信息融合方法，包括以下步骤：1)利用粗糙集的属性约简和核理论对交通数据进行预处理，消除其中冗余的交通流参数以及数据；2)将预处理后的各个交通流参数作为单独的证据，利用模糊隶属度法求解各组证据的基本概率函数；3)基于改进的D－S证据理论合成公式对各组证据的基本概率函数进行融合，以及产生冲突的证据进行冲突的消解，评判相关检测器的可信度，依据可信度高低选择相关的检测参数作为融合结果。本发明提供一种在多源的交通流数据时利用率高和信息可信度高、融和结果准确性高的基于模糊粗糙集的证据理论城市交通流信息融合方法。

主权项

1.一种基于模糊粗糙集的证据理论城市交通流信息融合方法，其特征在于：所述城市交通流信息融合方法包括以下步骤：1)、利用粗糙集的属性约简和核理论对交通数据进行预处理，所述预处理包括以下步骤：(1.1)、按历史数据和传感器特性生成各个交通流参数的转换函数，构成函数向量f=(fAflu,fBocp,fCspe,fDseq,fEtim,fFdur,E);]]>向量分量表示从采集到的交通量到有限等级量的映射；(1.2)、将设定时间段采集到的交通流数据集合X={xi|xi=(Aflui,Bocpi,Cspei,Dseqi,Etimi,FduriKi),i∈[0,n]}]]>做映射f(X)＝Y；Y={yi|yi=(Aflui^,Bocpi^,Cspei^,Dseqi^,Etimi^,Fduri^,Ki^),i∈[0,n]},]]>其中y_i的各个分量均取有限整数；取条件属性C＝(A_flu，B_ocp，C_spe，D_seq，E_tim，F_dur)，决策属性为D＝K，构成决策表：P=y1...yi...yn=1Aflu1^Bocp1^Cspe1^Dseq1^Etim1^Fdur1^K1^........................iAflui^Bocpi^Cspei^Dseqi^Etimi^Fduri^Ki^........................nAflun^Bocpn^Cspen^Dseqn^Etimn^Fdurn^Kn^;]]>(1.3)、在条件属性集C中任取某一属性作为属性约简集合R的初始元素，设为R＝{A_flu}；(1.4)、对条件属性C中任取一个属性a∈C∧aR，计算重要性程度SGF(a，R，D)，若a′∈C，s.t.SGF(a′，R，D)＝max({SGF(a，R，D)|a∈C})，则a′为所要求的集合，记R＝R∪{a′}；(1.5)、对刚入选的属性a′，计算其与R中已有元素的属性依赖度k，即b∈R，k=r(a′,b)=card(POSIND(a′)IND(b))card(U)=|POSIND(a′)IND(b)||U|,]]>把和属性a′具有最大依赖度的属性b从约简集合R中暂时删除，记为R′，重新计算b的重要性程度SGF(b，R′，D)，若与SGF(a，R，D)差别小于事先给定的阈值δ，则不剔除属性b；(1.6)、计算γ_R(D)，如果γ_R(D)＝γ_C(D)，则R为满足条件的约简属性，否则返回(1.4)；2)、将预处理后的各个交通流参数作为单独的证据，利用模糊隶属度法求解各组证据的基本概率函数，包括以下步骤：(2.1)、X代表感应线圈所检测的交通流参数，Y代表视频所检测的交通流参数，Z代表OD分析所获取的交通流参数；取辨识框架Θ＝{X，Y，Z}和经过属性约简的传感器检测数据集合，记为Q=t11···ti1t12···ti2t13···ti3(i∈[1,6]),]]>t_ij表示标记由感应线圈(j＝1)，视频检测(j＝2)，OD分析(j＝3)所采集的第i个交通流参数所对应的模糊隶属度函数；历史数据所获得的基准交通流数据，记为S=(t1‾,t2‾,···,ti‾)(i∈[1,6]);]]>其中都为标记为相应属性的模糊隶属度函数；(2.2)、做矩阵运算Q·S，矩阵乘定义为两个模糊隶属度函数之间的模糊似然运算，即M=Q·S=ρ(t11,t1‾)···ρ(ti1,ti‾)ρ(t12,t1‾)···ρ(ti2,ti‾)ρ(t13,t1‾)···ρ(ti3,ti‾)3×i(i∈[1,6]);]]>(2.3)、对M中的元素按列求出每组证据的基本概率函数，即对每组相似度进行归一化处理；记为M‾={(mi1,mi2,mi3,mi4)|i∈[1,6]},]]>其中mij=ρ(tij,ti‾)(ρ(ti1,ti‾)+ρ(ti2,ti‾)+ρ(ti3,ti‾)+ρi(Θ)),]]>mi4=ρi(Θ)(ρ(ti1,ti‾)+ρ(ti2,ti‾)+ρ(ti3,ti‾)+ρi(Θ)),]]>ρi(Θ)=1-max(ρ(ti1,ti‾),ρ(ti2,ti‾),ρ(ti3,ti‾)),]]>i∈[1，6]，j∈[1，3]，分别表示第i组证据的关于感应线圈、视频检测、OD分析以及不确定性的基本概率函数；3)、基于改进的D-S证据理论合成公式对各组证据的基本概率函数进行融合，所述融合步骤包括：(3.1)、建立D-S证据合成公式如下：证据m_i与m_j之间可信度ϵij=e-kij,]]>表征两证据间冲突的大小，ε_ij是其减函数；证据m_i与其它证据的平均可信度为α_i：αi=1n-1Σj=1j≠inϵij;]]>其归一化权值βi=αiα1+α2+···+αn.]]>D-S证据合成公式为：①m()＝0；②m(A)＝p(A)+k*q(A)，A≠，X③m(X)=p(X)+k*q(X)+k*Πi=1j≤in(1-ϵij)]]>上式中，p(A)=ΣAi∈Fi∩i=1nAi=Am1(A1)m2(A2)···mn(An),]]>q(A)=Σi=1nβi*mi(A);]]>所述合成公式m(A)满足条件：1)m()＝0  2)0≤m(A)≤1  3)ΣA⋐Xm(A)=1]]>m(A)为基本概率函数；(3.2)、将感应线圈、视频检测、OD分析以及不确定性的基本概率函数分别代入D-S证据合成公式进行融合运算，得到交通流的融合数据包括车流量、车道占有率、平均车速、排队长度、等待时间、路段平均行驶时间以及采集的传感器类型，记为向量x＝(A_flu，B_ocp，C_spe，D_seq，E_tim，F_dur，K)。