基于信息融合的交通流檢測方法的研究.pdf

1、交通流檢測是智能交通系統(tǒng)的重要組成部分，它是將各種傳感器檢測到的信息匯總得到實(shí)時(shí)準(zhǔn)確的交通流數(shù)據(jù)，送給智能交通控制中心，使其發(fā)出相應(yīng)的指令，從而實(shí)現(xiàn)智能控制的目標(biāo)。 交通流檢測技術(shù)已從單一傳感器處理系統(tǒng)發(fā)展成為多傳感器處理系統(tǒng)，將多種類型的傳感器進(jìn)行優(yōu)化配置，性能互補(bǔ)。如何提高數(shù)據(jù)處理的精度和可靠性正是當(dāng)今交通流數(shù)據(jù)處理技術(shù)研究的一個(gè)重點(diǎn)。近年來，人們應(yīng)用各種方法對交通流參數(shù)進(jìn)行檢測，如：神經(jīng)網(wǎng)絡(luò)算法、Bayes決策理論、專家系

2、統(tǒng)、遺傳算法、Kalman濾波等，并取得了一定的成果。本文提出了基于信息融合算法對交通流參數(shù)進(jìn)行檢測和預(yù)測。 該融合檢測和預(yù)測算法與傳統(tǒng)的檢測和預(yù)測方法相比，既不是單一的數(shù)據(jù)檢測、預(yù)測方法的運(yùn)用，也不是對單一檢測數(shù)據(jù)的使用，更不是對這些方法和數(shù)據(jù)的簡單組合，而是包括從拓展數(shù)據(jù)到選擇有效檢測方法，再到方法和數(shù)據(jù)的融合。該算法一方面提高了預(yù)測的準(zhǔn)確性，另一方面提高了預(yù)測的魯棒性。 本文以環(huán)形檢測線圈為例，對基于信息融合的交通

3、流檢測的方法進(jìn)行了研究，主要包括以下幾個(gè)方面： (1)在對車速進(jìn)行檢測的過程中，為了進(jìn)一步提高車速檢測的準(zhǔn)確性，在進(jìn)行數(shù)據(jù)融合之前采用分布圖法檢測法和基于相容矩陣的失效數(shù)據(jù)剔除方法兩種方法對數(shù)據(jù)的有效性進(jìn)行檢測。闡述了加權(quán)平均算法檢測車速的基本原理，分析了最小均方差加權(quán)平均算法和自適應(yīng)加權(quán)平均算法的優(yōu)缺點(diǎn)，通過對比仿真實(shí)驗(yàn)驗(yàn)證加權(quán)平均算法檢測車速的準(zhǔn)確性。 (2)根據(jù)貝葉斯理論估計(jì)交通流量的需要，建立交通流的數(shù)學(xué)模型，并

4、以此為基礎(chǔ)分別使用基于貝葉斯參數(shù)估計(jì)理論檢測交通流分布的算法和基于貝葉斯風(fēng)險(xiǎn)決策理論兩種算法對交通流分布情況進(jìn)行研究。對兩種算法做了對比分析，突出了在風(fēng)險(xiǎn)損失系數(shù)不同的情況下，貝葉斯風(fēng)險(xiǎn)決策理論在檢測車流量中表現(xiàn)的良好特性，說明了決策的合理性。 (3)為了消除數(shù)據(jù)檢測過程中野值的干擾，提高預(yù)測精度，在應(yīng)用卡爾曼濾波理論對車輛的排隊(duì)長度進(jìn)行預(yù)測的基礎(chǔ)上，提出了基于M估計(jì)理論的抗野值的卡爾曼濾波預(yù)測方法，通過仿真實(shí)驗(yàn)說明其具有較強(qiáng)的