数据融合技术在交通状态评价中的应用研究

 　　摘要：本文基于浮动车和固定检测器技术采集数据的特点，研究了两种数据源的融合问题，利用动量法改进的BP神经网络构建了基于道路交通状态指数的数据融合模型。通过仿真实验，验证了融合模型的有效性。

　　关键词：BP神经网络;交通状态指数;数据融合

　　中图分类号：U491 文献标识码：A 文章编号：1006-4311(2019)23-0276-02

　　《广东交通》由广东省交通运输协会主管，主办的内部发行刊物，信息的可读性、实用性、指导性、资料性均受到省内外有关部门和各会员单位的重视和好评，是广东省交通通信行业唯一的综合性期刊。

　　0 引言

　　实时而准确的道路交通信息是实行现代交通管理与控制、诱导、规划的重要保障，也是智能交通系统建设的重要内容。单一的检测技术获取的数据源对道路交通进行的评价往往不能正确反映交通的运行状态，存在很大误差。而采用数据融合技术对多源交通数据进行融合，可以弥补单一数据源的诸多不足，达到优势互补，获得更加准确的交通信息，提高估计的精度。

　　数据融合技术应用于数据处理上，可以得到更加全面、准确的信息。近年来，城市智能交通的快速发展，对信息提出了更高的要求，国内外研究者对数据融合技术在交通领域的应用进行了广泛的研究，主要集中在以下几个方面：2006年，Zou和Zhu[1]根据动、静态检测器数据建立了基于BP神经网络的行程时间估计融合模型。2013年，Bachmann[2]等把浮动车和固定线圈检测器数据结合起来，用七种算法把多传感器的速度进行了融合估计计算。2011年，张赫、王纬等[3]分析数据融合技术在交通控制系统中的应用，构建了一种基于信息融合思想的神经网络模型。2014年，李嘉、刘春华[4]基于微波检测数据、线圈数据和视频检测数据，构建了遗传算法优化的小波神经网络数据融合模型。

　　本文在前人研究的基础之上，将数据融合技术应用于交通状态量化评价的应用中，用动量法对BP神经网络进行优化，构建了交通状态指数的数据融合模型，并对模型的有效性进行验证，弥补了单一交通数据源用于评价的局限性，提高了交通状态评价的精度。

　　1 动量法改进的BP网络模型

　　标准的BP算法是利用梯度下降法对权值和偏值进行修正，其迭代过程可用如下公式表示

　　式中，x (k)是全部权值和偏值构成的向量;?浊是学习速率;是目标函数;是目标函数的梯度。

　　BP算法可以使权值收敛到一个解，但是它不能保证所求是误差超平面的全局最小解，由于学习速率?浊是一个较小的常数，求得的解很可能是一个局部极小值。为了避免出现局部极小值问题，本文将采用动量法对BP神经网络进行改进，在此基础上完成模型的构建。

　　动量法在网络进行权值修正时，综合分析了误差在梯度上的作用和在曲面上走势的变化，它就像低通过滤器一样，使网络忽略其上的细微变化。在没有附加动量时，网络可能陷入局部极小值，利用动量法可以使网络滑过这些极小值，求得最优解。

　　动量法改进的BP网络权值修正的迭代过程可用如下公式表示

　　采用动量法进行网络设计中，当修正权值在误差中有很大的增长时，应取消新的权值，使动量作用停止下来，保证网络不进入较大误差曲面;与先前误差相比，新的误差变化率大于事先设定的变化值时，应取消相应的权值变化。其最大误差变化率理论上可取任何不小于1的值，实际中一般取1.04。故在进行动量法的网络设计时，要做条件判断，保证权值修正的正确性。

　　训练过程中，采用动量法进行条件判断可表示为

　　式中，SSE是网络的输出误差平方和。

　　实际研究发现，训练参数的选择对动量法的网络训练结果有很大的影响。若学习速率过大，将会使误差值往返震荡;学习速率过小，会使动能太小，只能跳出很小的“坑”，对于较大的“坑”和“谷”无法跳过。而误差相对于权值的曲线(面)形状与凹凸性是由问题本身决定的，一般情况下只能采用不同的学习速率进行对比(典型值取0.05)。因此，应给予该类型网络足够多的训练，使其训练结果为最后稳定到最小值时获得的结果。

　　2 交通状态指数融合模型设计

　　本文通过实地调查，利用交通仿真软件模拟得到道路交通数据，经过数据的预处理分析后，将其作为模型的输入，建立了基于行程时间比的交通状态指数融合模型，下面对网络设计方案进行具体介绍。

《数据融合技术在交通状态评价中的应用研究》

本文由职称驿站首发，您身边的高端学术顾问

文章名称： 数据融合技术在交通状态评价中的应用研究

文章地址： https://m.zhichengyz.com/p-39952