基于数据融合的高速公路交通状况检测-崔艳玲.pdf

《基于数据融合的高速公路交通状况检测-崔艳玲.pdf》由会员分享，可在线阅读，更多相关《基于数据融合的高速公路交通状况检测-崔艳玲.pdf（15页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、第40卷第8期 计 算 机 学 报 v0140 No82017年8月 CHINESE JOURNAL oF CoMPUTERS Aug2017基于数据融合的高速公路交通状况检测崔艳玲 金蓓弘 张扶桑(中国科学院软件研究所计算机科学国家重点实验室北京 100t90)(中国科学院大学北京 100190)摘 要物联网的普及使得数据感知和共享变得迅速、便捷，充分挖掘和利用这些数据成为当前物联网研究的热点就高速公路交通状况检测而言，有效使用收集到的数据需要应对两个挑战：一是单一感知数据内在的稀疏性；二是检测需求的多El标性为了高精度、低成本、全路段、准实时地检测高速公路交通状况，该文依托移动通信网的信令

2、数据，结合车辆检测器数据，提出了一种数据融合方法即Megrez方法Megrez方法不仅挖掘了感知数据的内在特性以重构缺失数据，而且在对重构数据进行纠偏时融人了交通流的特征由于该方法以非介入方式判定交通状况，因此，能以极低成本实现高速公路全路段的路况检测，同时，在并行线性代数库支持下实现的Megrez方法能在指定时间片内完成对车速的估计该文基于大量真实数据从不同角度对Megrez方法进行了评估，实验结果表明Megrez方法估计的车速具有较高的准确性，能准确检测高速公路的交通状况关键词 物联网；数据融合；交通状况检测；手机信令；压缩感知；信息物理融合系统中图法分类号TP311 DOI号101189

3、7SPJ1016201701798Highway Traffic Condition Detection with Data FusionCUI YenLing JIN Bei-Hong ZHANG FuSang(StateKey Laboratory of Computer Sciences，Institute ofSoftware，ChineseAcademy of Sciences，Beijing 100190)(University of Chinese Academy of Sciences，Beijing 100190)Abstract With the pop ularity o

4、f Internet of Things(10T)，sensing and sharing various databecome rapid and easy，which promotes the shift of the research hot spot to data mining andexploitingFor effectively utilizing the collected data to detect highway traffic flows，two challengesmust be dealt withOne is the sparsity inherent in t

5、he sensory data of a single kind，and theother is the multiple goals expected by the detecting requirementsIn order to detect trafficconditions of entire highways in a highprecision，lowcost and quasi realtime way，this paperpresents a data fusion approach named Megrez，which takes advantage of the sign

6、aling data in amobile communication network and the data from vehicle detectorsThe Megrez approach notonly mines the inherent features of the sensory data to reconstruct the missing data，but alsoincorporates with the characteristics of traffic flows while rectifying the reconstructed data Sincethe M

7、egrez approach works in a nonintrusive way，it can carry out the traffic monitoring withfull road segment coverage at a very low costMeanwhile，with the support from the parallellinear algebra library，the implemented Megrez approach can estimate the vehicle speeds in adesignated intervalUsing the larg

8、escale realworld data as input，this paper evaluates the收稿日期：20160525；在线出版日期：20160907本课题得到国家自然科学基金(61472408)、交通运输部项目(2015315Q16080)资助崔艳玲，女，1990年生，博士研究生，中国计算机学会(CCF)会员，主要研究方向为分布式计算、普适计算Email：cuiyanlin913otcaixiscasaecn金蓓弘(通信作者)，女，1967年生，博士，教授，博士生导师，中国计算机学会(CCF)高级会员，主要研究领域为分布式计算、移动与普适计算中间件和分布式系统，Email：

9、beihongiscasaecn张扶桑，男，1987年生，博士研究生，中国计算机学会(CCF)会员，主要研究方向为分布式计算、普适计算万方数据8期 崔艳玲等：基于数据融合的高速公路交通状况检测Megrez approach from different perspectivesThe experimental results show that the vehiclespeeds estimated by the Megrez approach have high precision and the Megrez approach canaccurately detect the traffi

10、c conditions on highwaysKeywords Internet of Things；data fusion；traffic condition detection；mobile signaling；compressive sensing；CyberPhysical System1 引 言随着物联网的普及，信息的获取和共享变得迅速和便捷口，充分利用这些信息，将推动物联网应用向深度和广度发展例如，在交通领域，借助于物联网提供的感知设备和网络，可以感知并收集到道路上与人、车、路、环境等相关的多种动静态数据充分挖掘和利用这些数据，可以为大众提供出行服务，为交通行业提供车辆、物流等监

11、控服务，为城市管理提供辅助决策本文关注如何利用物联网提供的数据实现高精度、低成本、全路段和准实时的高速公路交通状况检测就道路交通状况检测而言，最常用的方式是安装固定的检测设备(如环形感应线圈、雷达、摄像头等)2-3，利用这些设备可以获得较高准确度的交通状况，但是它们都属于截面数据，同时，设备的使用寿命有限，出于对设备投资成本和运维成本的考虑，这些设备通常不能全覆盖高速公路，因此，不能通过这种方式直接获得全面的交通状况基于浮动车的交通信息采集技术4。5也能获得高精度的车辆定位信息和车速信息，但是浮动车本身的特性限制了其行驶范围，例如，公交车只能按照固定的线路行驶，而出租车的行驶范围取决于乘客的出

12、行需求，较少情况会行驶在高速公路上因此，这种技术并不适用于检测高速公路的交通状况另一方面，随着智能手机被作为一种新型的感知设备，手机用户可以主动参与到交通信息感知活动中来例如，手机用户在被征召为参与感知(Participatory Sensing)el活动的参与者后，可以通过文字、声音、图片或视频主动报告交通状况此外，道路的交通状况可以根据手机用户自愿提供的地理位置或信号强度等推算出来7。8遗憾的是，目前并没有有效的方法能保证在高速公路上可以找到覆盖面足够广、数量足够多的愿意提供信息的手机用户除了上述直接的获取方式之外，道路的交通状况可以通过移动通信网络中的手机信令间接地获得手机用户移动时，从

13、移动通信网中特定的信令过程嘲(包括呼叫、短信、移动性管理等)可以得到该手机用户的位置变化信息这样，当用户携带手机与车辆一起移动时，可以根据该手机沿公路基站产生的信令来估算出对应路段上车辆的行驶速度，进而获得道路的交通状况这种方法不需要额外的设备和车辆，可以在不影响移动运营商正常运作的情况下对道路交通状况进行检测不过，仅用手机信令判断道路交通状况准确性不高，这是由于手机信令用基站覆盖区域描述位置，定位精度比较低，而且信令报告的频率并不固定而是依赖于移动用户的行为概括而言，上述方法均不能满足高速公路交通状况检测的需求考虑到上述方法中用于直接或间接感知道路交通信息的数据都存在稀疏性问题，本文采用数据

14、融合方法以非介入方式检测高速公路的交通状况具体而言，本文的贡献包含以下几个方面(1)依托移动通信网的信令系统以及高速公路上部署的感应线圈型车辆检测器(下文简称车检器)，对真实的信令数据和车检器数据进行了统计分析，揭示了这些数据在时空上的稀疏性；(2)把手机当作移动的交通探测器，把车检器当作静态的传感器，提出了融合信令数据和车检器数据的Megrez方法，实现对高速公路路况的高精度、低成本、全路段和准实时检测(3)基于对真实感知数据的特性分析，建立了将压缩感知技术用于感知数据还原的具体途径，从而使得通过挖掘感知数据的内在特性重构高速公路的整体路况成为可行上述步骤和融合交通流特征的滤波步骤共同构成了

15、高精度路况检测的保障(4)采用真实的数据进行了大量的实验，实验结果表明，与其它多种方法相比，Megrez方法具有较高的车速准确率，能更准确检测高速公路的交通状况本文第2节介绍相关工作；第3节对真实的信令数据和车检器数据进行一些统计分析；第4节描述融合信令和车检器数据的Megrez方法；第5节给出详细的实验评估；最后是全文总结万方数据计 算 机 学 报 2017年2 相关工作物联网环境可以帮助获取多种不同的数据根据所获取数据的不同，已有的研究工作采用了不同的数据分析和处理技术，包括图像处理瞳、数据挖掘口J、统计方法41等，来检测交通状况例如，在文献3中，作者在道路两侧部署了ZigBee设备，接着

16、，分析了拥堵和畅通的交通流对ZigBee设备产生的信号强度(RSSI)值的影响，然后，利用Kmeans分类算法，给出了刻画交通状况和RSSI值之间对应关系的模型，进而判断出道路上车流排队长度的变化又例如，文献7首先根据公交站点将道路分段，以公交站点所能收到的基站的信号强度列表作为公交站点的特征标记，其次收集用户手机感应到的周围基站的信号强度列表，对其进行聚类，分辨出用户在哪个公交车站，然后利用最大似然估计判断用户在哪一条公交线路上，并计算用户通过两个站点的速度，最后根据公交车速度与道路交通状况的对应关系，估算出道路上的车辆速度在用手机信令数据检测路况方面，已有工作各有不同的侧重点文献10给出了

17、利用UMTS信令估计车速的方法考虑到UMTS系统存在小区震荡现象，作者首先根据两个基站小区之间发生乒乓切换的频次，对小区进行聚类，这使得手机用户的信令序列可以转换成聚类序列，接着基于频繁项挖掘算法找出该路段上的切换模式这样，在收到用户的信令序列时，将之与已有的切换模式进行匹配，即可推测出该用户的轨迹，估算出该用户行驶过的路长，从而进行速度计算文献11根据两类数据(两个小区的切换数量、话音数据流量)，应用利特尔法则(Littles Law)计算车辆在小区内的驻留时间，进而根据已知的被小区覆盖的道路长度，获得车辆在单向道路上的速度接着，作者根据4类数据(两个电话之间的间隔时间、通话时间、两个小区的

18、切换数量及话音数据流量)计算在道路的一个方向上车辆的到达率，并通过模拟平台获取车辆到达率与车辆密度的关系，进而根据道路两个方向上的车辆到达率与车辆密度获得车辆在双向道路上的速度然而，文献11提出的方法是针对一个稳定系统的，这是应用利特尔法则的前提，但是在现实场景中，车辆可以超车，这并不满足稳定系统的按顺序得到服务的条件，并且，在双向车道速度预测模型中，通过模拟平台获取的车辆到达率与车辆密度之间的依赖关系并不一定与现实场景相符为了检测高速公路路况，文献12利用了包括数据连接在内的信令数据特别地，文献12给出了若干提高路况检测精度的策略，包括消除非代表性行程样本、采用自适应的指数平滑机制求解路段行

19、程时间的期望值等但在文献12所提出的整个检测过程中，选择小区对、将小区合并成聚簇、验证发生在非LA(Location Area)边界的小区对之间的拥堵，这些步骤仍是半自动的，这说明文献12所提的方法在自适应性、实时性等方面还有待提升。信令除了被用于估算道路车速外，还被用于估算道路上的车流量或相对容量文献13提出了两种信令切换序列与道路的匹配算法在第1种方法中，对于给定的用户信令切换序列，基于EMD(Earth MoverS Distance)的距离计算方法，采用最近邻分类算法判断用户的行驶线路，进而得到行驶线路上的相对容量在第2种方法中，基于手机获得的线路上基站的信噪比(SNR)之和，匹配用户

20、的行驶线路，进而得到行驶线路上的相对容量作者所提的方法都需要大量的路测，以路测数据作为训练集获取道路的切换模式，所以实现代价较高文献14建立了6种模型用于刻画一个小时内通话的数量与车辆数的关系，其中，物理模型在真实场景中可以最为准确地反映两者关系，但是其假设较强，例如：用户在两个小区内是否产生通话是相互独立的；用户在一个小区内的行驶距离和时间是已知且稳定的这些假设在现实生活中通常不成立文献15期望能够通过描述驾驶员对交通流的贡献，建立道路的使用模式作者根据手机用户的通话记录，计算由每个驾驶源(driver source)生成的交通流负载，并基于二部图判断道路上的车辆来自哪里，从而区分道路的使用

21、模式在实际的移动通信系统中，信令的质量会受到多种因素的干扰，信令噪声大，不稳定性高特别地，无线通信中路径衰减、多径效应、非直线传播、阴影效应等无线电传播特性以及基站分布、半径设置和实际的工作负载都会给越区切换带来不确定性另一方面，手机的越区切换信令仅在手机跨越基站时产生，并不能以固定间隔生成所以，手机信令报告的时间和位置分布都是非均匀的信令的这些内在特性极大地影响了用信令判断交通路况的准确性当前，融合物联网环境中的多源数据成为了检测交通状况的重要途径在文献16中，作者从意大利电信公司中采样了部分上下行指标(例如：手机周万方数据8期 崔艳玲等：基于数据融合的高速公路交通状况检测 1801围最多7

22、个邻居基站的信号强度，基站度量的平均信号质量和实际的时间提前量)，并用这些数据识别用户的轨迹，进而基于通信网中的音频数据流量、出租车和公交车的GPS数据在地图上提供交通路况的可视化展示然而，我们注意到，虽然文献16采用了多种数据，但数据融合仍是低水平的，而且按文中所述粒度采样数据会给原有的通信系统增加不少负载，所以，这类数据并不适用于长时间运行的监控任务文献E17根据出租车的GPS数据和车辆检测器数据推断交通流量作者收集了新加坡1000个装有感应线圈的路段上的车流量数据，并根据出租车GPS数据得到该路段上的出租车流量，然后，用逻辑斯谛回归(109istic regression)建立刻画两种交

23、通流量分布之间关系的模型，从而推算出没有感应线圈路段的交通流量文献18在预测道路状况时考虑了天气因素作者构建了路况的自回归函数，并用不同的薄板样条函数表示不同外部变量的影响接着采用广义相加模型来集成天气(包括雨、雾、温度和风速)、特殊日期及时段等的影响DynaMIT201钉使用了更多的数据，包括地感线圈数据、视频数据、浮动车数据、交通事故信息以及其他一些相关数据(如天气预报、社交网络数据等)DynaMIT20使用了SPEKF(同时扰动的扩展Kalman滤波)方法来校准交通参数，并用微观交通模拟器MITSIMLab在新加坡快速路上进行闭环实验以验证所提方法与已有工作不同的是，本文将车检器报告的车

24、速数据和手机信令估计的车速数据进行了融合，以非介入方式获取数据，不需要改造原有的系统，成本低(与获取浮动车数据、视频数据相比)，实时性好(与交通事故信息、社交网络数据相比)，语义清晰(与天气预报、社交网络数据相比)，在路况检测方法上，充分挖掘了两类数据的内在特性以及交通流特性，从而在高速公路上得到了较为准确的车速估计3信令数据和车检器数据分析我们收集了来自福建省高速公路上的真实数据，并对它们进行了量化分析31车检器数据分析目前，福建省有9条高速公路，总长为2620938公里在这些高速公路上，总共部署了1293个线圈传感器，分别隶属于433个车检器以2015年11月为例，每天产生的线圈记录至少2

25、69 056项，最多291035项，平均278 305项图1(a)和图1(b)分别给出了按天和按小时统计的线圈记录项我们还统计了2015年最后3个月每1天未报告任何数据的线圈传感器(静默的线圈传感器)的数量，统计结果如图1(c)所示我们发现在这3个月里每天至少有340个、最多有470个、平均有406个线圈传感器是静默的，而且，有302个线圈传感器(占总数的234)和对应的125个车检器(占总数的291)在这3个月里没有报告任何数据这些数据表明车检器未能正常工作的概率很高这也是一个例证，可以用来说明专用设备的局限性，即专用设备分布稀11月的每天(a)线圈数据项(按天计)每个小时(b)线圈数据项(

26、按小时计)当月的每天(c)静默的线圈传感器(按天计)图1车检器数据万方数据计 算 机 学 报疏且不能一直保持正常的工作状态，所以它们仅能报告部分路段的路况32信令记录分析我们收集到的福建省高速公路上的信令记录来自中国最大的移动通信运营商即中国移动一条信令记录包含：用户标识(加密)、日期时间、位置区码(Location Area Code，LAc)、小区号(Cell ID)、信令类型(01语音、02短信、03数据业务、04切入小区、05切出小区、06周期性位置更新、07开关机等)表1给出了信令记录的一个实例表1信令记录实例记录项 取值用户标识(加密)日期时间位置区码(LAC)小区号(Cell I

27、d)信令类型FB8BCD8F89315C798ECD59828844F7lA20150207 23：58：14245763537304我们统计了2015年11月每天的信令记录数量以及每天不同小时内产生的信令记录数量从图2所示的统计结果中，我们发现信令数量(包括有效的信令记录，即经过第4节“信令筛选和清洗”步骤得到的信令记录)在白天相对比较多，到了晚上出现大HN甘卜o。2=譬譬=昌=兰2呙高胬器葛器罱瓮篙霜昌11月的每天(a)信令记录数(按天计)每个小时(b)信令记录数(按小时计)图2信令记录幅度的下降每公里1小时的平均信令记录至多为1029个，至少为186个，平均为631个总体而言，11月有1

28、190 935 240个信令记录，其中318是有效记录接着，我们计算一天里在9条高速公路上信令数据的时空覆盖率，即，可用信令记录的时间占比和空间占比，进而给出可用信令记录时间覆盖率和空间覆盖率的CDF(Cumulative Density Function)(如图3(a)和3(b)所示)从图3(a)可以看到在70的时问里信令记录的覆盖率是小于62，从图3(b)可以看到在50的路段上，信令记录的覆盖率小于4 7图4给出了2 0 1 5年1 1月3日G3京台10O9O8O-7O6卧sO4O3O2O1O1009O盘0706乜o 05rJ040302010数据覆盖率(a)时间覆盖率的CDF数据覆盖率(

29、b)空间覆盖率的CDF图3信令记录的时空覆盖率。“”。”。“。2=譬罄=昌=箸2品高胬鬣高时间h图4 信令记录的时空图(1I032015 G3(北京到台北方向)福建段)|耄印如加og随掣万方数据8期 崔艳玲等：基于数据融合的高速公路交通状况检测 1803高速(北京到台北方向)上信令记录的时空图，其中z轴表示一天的时间，Y轴表示到G3福建段起点的距离，空白处表示在那个时间那个地点没有信令记录可以用来计算车辆速度从上述数据分析可以看到，车检器数据和信令数据在时空上是稀疏分布的4 Megrez方法Megrez方法是把车检器车速(即车检器报告的车速)与信令车速(即根据信令记录估算的车速)进行融合图5给

30、出了Megrez方法的主要步骤矢量地图数据基站数据信令数据基站导向的l厂i路路段划分r、一基于信令的IJ 刀车速估算I信令筛选和y 一清洗 高速公路路况瓣纠翳黼暮H黼馨H鞠鎏糕刻图5 Megrez方法概要完成信令车速的估算，需要3步首先，在“基站导向的道路路段划分”步骤中，根据道路沿线基站的位置把道路划分为多个切换路段；然后，在“信令筛选和清洗”步骤中对信令进行预处理，包括：从移动运营商提供的信令接口中提取高速公路沿线的信令记录，去除未在道路上发生的信令记录，并进行降噪处理，去除运动特征异常(例如：瞬间移动)的信令样本，识别并剔除乒乓切换及回路切换信令最后，在“基于信令的车速估算”步骤中，以信

31、令序列方式记录这些处于运动状态的用户的移动轨迹，识别手机用户是否正随着车辆在公路上移动，进而计算每个路段在指定时间片f(例如：5 min)内车辆的速度Megrez方法的核心步骤也是3步，即，“车检器数据驱动的融合”，得到初步融合车速，“基于压缩感知的数据补全”，得到补全的车速，“交通流特性制导的数据滤波”，通过对车速进行滤波纠偏，形成最终的融合结果41车检器数据驱动的融合考虑到车检器车速的准确性较信令车速高，且车检器所在位置的路况应与其附近一定范围内的路况一致，我们用式(1)计算路段e上的初步融合车速让f仇， 车检路h位于路段e上或73，一jf。一Mm。m，砖饼)其中：l|文。忆：一 zi(文

32、。，。)，x，(文。)是f=1支。的第i大的奇异值为了求解满足式(5)的支。，可以利用类似SVD分解，使得支。一UF,VT=LRl，其中L一呓V2是一个mr的矩阵，R一2万方数据8期 崔艳玲等：基于数据融合的高速公路交通状况检测是一个71Xr的矩阵面对戈。的多种分解结果，我们所需要的是找到能满足最小化Frobenius范数的L和R，即该L和R要满足式(6)minf圣+恻滢 StB。(职1)一M。同时，还要求满足rrank(X。)，这里，x。是式(4)的一个解如果这样，式(5)即与式(6)等价口引实际上，若L和R严格满足式(6)，可能导致求解结果不理想其原因有两个：一是测量矩阵中的数据时存在噪声

33、，严格满足约束可能导致过拟合；二是交通状况矩阵x。可能是一个近似低秩的矩阵考虑到这些因素，我们可以把式(6)转换为如式(7)所示的凸优化问题min|B。X(LRT)一Mm。忆+A(1IL慷+1IRII)(7)式(7)引入了正则化参数A，用于权衡估计矩阵与测量矩阵的相似约束和低秩约束两个目标针对式(7)的优化问题，我们参考文献E233提出了一个迭代算法求解L和R，如算法1所示首先随机初始化L，然后，固定L，利用正则化的最小二乘法求R，我们知道R的行之间在求解时是互不影响的，因此可以对R的每一行分别进行最小二乘法求最优解，以加快程序运行速度固定R求L时同理，如此迭代次直到算法收敛(即，两次相邻迭代

34、得到的L和R的值几乎不变)从算法1的输出，我们可以得到交通状况估计矩阵文。文。中当前时间那一行即为当前时刻的实时路况算法1 迭代的最小二乘法求解估计矩阵输入：地。，测量矩阵；B。，指示矩阵；r，估计矩阵秩的上界；A，权重因子；to，迭代次数输出：疋。：交通状况估计矩阵1LmX r的随机值矩阵2。FOR k一1 to彤DO3 R-,-getR(L，M，r，A)4L-getL(R，M。r，A)5 旷Il B(LRT)一M|；+A(|L 11+|R|)6 IF w0 THEN7 一L；袁+一Ro+一口；8 END 1F9END FOR10宕一XJt11RETURN宕function getR(L，M

35、，r，A)1R一2。FOR i一1 to n DO3 z一，y一4。 FOR i一1 to m DO5 IF M(J，z)null THEN6 z一；L(j；：)7 yFy；M(j，i)8 END IF9 END FOR10REi一(并7z+D 1，y11END FOR12RETURNR算法1的关键操作是计算最小二乘法，其复杂度为O(rmn)，算法需要迭代彤次，因此算法1的整体复杂度为O(rmnK)我们利用Java并行线性代数库jbias来加速矩阵运算针对大小为2883046的测量矩阵，在r一2，此一200时，采用jblas库执行算法1仅需31 S，能够满足高速公路路况检测的实时性要求43 交

36、通流特性制导的数据滤波大量实际发生的交通现象表明，某时某地的交通流并不是一个独立事件，它与之前若干时刻的交通流相关，也受相邻路段的交通流的影响特别是，道路交通状况的现状和发展趋势与其是处于自由流还是拥堵流紧密相关通常，在自由流下，畅通路况以80kmh的速度沿道路正向移动，而在拥堵流下，拥堵路况以15kmh的速度沿道路反向移动24经过压缩感知补全的车速并没有考虑交通流的特性为此，我们进一步对补全的车速进行滤波纠偏我们认为路段上的车速是一个时空序列，需要从时间、空间两个角度考虑历史数据对当前数据的影响，同时，要考虑自由流、拥堵流不同的路况传播方式对车速的影响我们首先给出自由流下的车速估计值和拥堵流

37、下的车速估计值。令z(，y)表示t时刻，Y位置的车速，yloc(Seg。)z(t，y)是待估计的车速，而已有车速序列为z(t，yi)，其中，t，f那么，令自由流下的车速估计值为z，(，了)，拥堵流下的车速估计值为磊(，y)，其计算如式(8)所示z。(t，y)一 熹z(t，y。)声。(乙-t，y：-y)M(，y)即她c怠例。，鼻。，一“”u 22，(，v)一 (8)志2(勺，y：)声心，枷：一y)N，(f，y)即抛(舞剧。，最二”以”。”以”Linear Algebra for Java(jblas)，http：jblasorg2015，5万方数据计 算 机 学 报其中：d为空间范围的最远距离；

38、t。为距离当前时刻最远的时间间隔；N。(，y)和Nr(，y)为标准化系数，按式(9)计算f，卜 声。(，-t，YN i)c(叫)一Yii抛。毒例。，幺一L了JNs(t，y)一 4I(tj-t，Y；1)Yi。dist(y，Yi)df，一f一其中，庐，(At，Ay)，屯(At，Ay)分别是自由流和拥堵流下的权重函数上述权重函数要满足下列条件：(1)随车速序列在时空上由近到远变换，该车速的影响应逐步衰减；(2)能反映自由流或拥堵流的影响为此，设计(，Ay)为4(At，Ay)一exp(一且争一卫笋)，r为时间上的波动，盯为空间上的波动考虑到拥堵流下(丌。为拥堵流状态下的交通传播速度)，距离当前时刻f远

39、，距离当前位置Ay远的车速的影响等同于正常状态下距离当前时刻(At-拥堵流下的行驶时延)远，距离当前位置Ay远的车速的影响，所以，乒(At，Ay)设成。(At，Ay)一声(At一y珥，Ay)而自由流下(丌，为自由流状态下的交通传播速度)，距离当前时刻远，距离当前位置Ay远的车速的影响等同于正常状态下距离当前时刻(At-畅通流下的行驶时延)远，距离当前位置Ay远的车速的影响，所以，4(at，Ay)设成r(At，Ay)一庐(一Ayz，Ay)然后，我们引入权重函数，综合考量自由流下的车速估计值和拥堵流下的车速估计值，从而得到最终的车速估计融合后的车速z(t，y)为z(t，y)一1一w(t，y)z r

40、(，3，)+训(t，y)(t，y)，其中，拥堵交通流滤波算法的权重因子训(t，y)应满足在自由流状态下趋近于0，在拥堵流状态下趋近于1的条件当拥堵交通流和自由交通流在传播过程中相遇了，拥堵交通流可以覆盖自由交通流，在两种交通流滤波结果中如果有一个得出的速度值较小，那么当前的路况为拥堵的可能性较大，应加大拥堵交通流滤波结果的权重我们以sigmoid函数来刻画w(t，y)的大小标准化系数N。(t，y)和N，(t，Y)从一定程度上可以反映出拥堵交通流状态下的滤波结果和自由交通流状态下的滤波结果的可信程度因此锄(t，y)的大小也应该把标准化系数考虑进去所以，叫(，y)如式(10)所示1+e一(1一“)

41、其中，参数口为归一化系数，缺省的设置为085 实验评估我们按表2设置Megrez方法所需的参数表2 Megrez方法所需的参数其中，p值是用41节所述的计算方法计算我们根据经验设置penalty值为一1，设置0：006：00的7eToard值和6：0024：00的leTyJa?d值分别为3和05，并基于多组历史数据进行计算，最后取其平均值我们对Megrez方法进行了多层面的评估首先进行实例剖析先以路段为粒度，将Megrez方法估算的车速(简称FISSo)与车检器车速(简称DS)进行了比较，再以一条高速公路为粒度，比较了FISS和DS；接着进行统计对比，面向福建9条高速公路，用车速误差、车速状态

42、和路况等不同指标，比较了Megrez方法和其它6种方法；最后，评估了不同参数对Megrez方法的影响51实例剖析我们选取G70福银高速第94路段(福州到银川方向)和G1514宁上高速第58路段(上饶到宁德方向)，分别获取计算这两个路段在2015年11月27日和28日的DS和FISS考虑到DS本身可能有偏差，我们对DS进行了移动平均处理，并将平滑后的DS作为真实车速(ground truth)图7给出了这两种车速的比较从图7可以看出，夜晚的车速相对白天有较明显的降低，这是由于晚间视距较差，出于安全考虑，司机会降低行驶速度同时，我们看到，FISS整体较为平滑且能较好地拟合DS的轮廓线，也就是说，F

43、ISS能准确捕获车速的变化除此之外，我们分别根据2015年11月27日G72(南宁往泉州方向)的FISS和DS绘制了路况时空图，如图8所示，图上37轴表示一天里的时间，Y 为了保证实验的有效性，FISS是仅用信令数据作为输入的Megrez方法估算的车速(没有进行41节的车检器数据融合)万方数据8期 崔艳玲等：基于数据融合的高速公路交通状况检测 1807(a)11月27日G70(福卅I至银川方向)第94段路(b)11月27日G1514(上饶至宁德方向)第58段路(c)11月28日G70(福州至银川方向)第94段路；一；1量；掣1(d)11月28日G1514(上饶至宁德方向)第58段路图7 DS和

44、FISS的比较时间h(a)DS(b)FISS图8 2015年11月27日G72(南宁往泉卅I方向)的路况时空图轴给出了距离G72起点泉州的距离，图上灰色代表畅通，深灰色代表缓行，黑色代表拥堵从图8(a)可以看到DS给出的路况是稀疏的，有大量路段未报告任何路况，而且路况会在缓行和通畅之间跳变而图8(b)上由FISS给出的路况是时空全覆盖的，图8(b)表明在0点到7点距离泉州120km的地方发生了缓行，这与同一时空的DS结果是一致的52车速准确性评估我们比较了7种方法的车速准确性除了Megrez方法，其它6种方法分别是：原始方法、历史平均方法、插值方法、Kalman滤波方法、滤波方法和压缩感知方法

45、原始方法指根据信令记录估算车速(SS)的方法，滤波方法指在SS上施加交通流特性制导的数据融合，得到的车速简称为FSS压缩感知方法是指在SS上施加基于压缩感知的数据融合，得到的车速简称为ISS历史平均方法的流程如下首先计算SS，然后如果发现某路段上没有速度值，则基于该路段前N个时间片的速度值，取其平均值作为当前路段的速度值这里N一48，即采用该路段前4h内的平均速度作为此路段的当前速度若t，时刻Y。位置速度值z(，Yi)缺失，历史平均方法按照式(11)计算该值，并记为z(t，Y。)，得到的车速简称为HSSZ2其中z(t，一，Yi)一JJYiY，)Yi)2(t一，Y。)存在否则f(t。m)一f1，

46、z(一，yf)存在 (11)“挑)=io， 否面。“ qD插值方法的流程如下：首先计算SS，然后，如果发现t，时刻Yi位置没有速度值2(，Y。)，那么，首先按照式(12)求得空间维度的速度估计值，并记为(t，Y。)(t，Y：)一i一1幻yn)+舞；z(tj,Yb)，1iMiM(12)其中：M是路段个数；Y。是Y，下游第1个有有效速度值的路段所在位置；Y。是Y，上游第1个有有效速N可一啡，Z0儿弘一弘弘二一如文弘一儿“，、万方数据1808 计 算 机 学 报 2017年度值的路段所在位置然后，根据式(11)求得时间维度的速度估计值，记为(t，Y。)最后，采用这两个维度上的平均值作为缺失的速度值z

47、(t，y。)一(z5(，Y。)+(，Y。)2得到的车速简称为TSSKalman滤波方法2明的流程如下：首先计算SS，该车速被当做在第n个时间片内的观察值z(咒)，那么，第n个时间片被估计的车速即互(咒)用式(13)通过迭代获得fz 7(咒)一z(咒一1)prediction P加卯髂iP，(咒)一P(咒一1)+QfK(咒)一P7(n)(Rq-P7(咒”correction processz(，2)一z 7(咒)q-K(n)l z(，z)一z7(咒)I【P(咒)一I-K(n)P(7z)(13)其中：z7(咒)表示当前时间片内的预测值；P7(咒)是估计误差的一个先验协方差矩阵；K(咒)是Kalman增益矩阵；P(孢)是估计误差的后验协方差矩阵；Q是系统噪声的协方差矩阵；R是度量噪声的协方差矩阵Kalman滤波方法得到的车速简称为KSS我们采用了平均绝对误差(Mean AbsoluteError，MAE)、平均绝对百分误差(Mean AbsolutePercentage Error，MAPE)、均方根误差(RootMean Square Error，RMSE)、归一化的平均绝对误差(Normalized Mean Absolute Error，NMAE)为评价指标来评估车速的准确性我们以2015年11月