神经网络在交通流信息融合中的应用＊

张 赫 王 炜 刘莹莹

（大连海事大学交通运输管理学院1） 大连 116026） （东南大学交通学院2） 南京 210096）

0 引 言

交通数据融合是整个交通数据传输过程中的一个核心组件.所谓交通数据融合就是通过对不同传感器数据的综合处理，以得到比任何从单个数据源数全面、准确的交通流状况的信息.一个监控中心的实时交通数据往往来自分布在各线路上的检测器数据.由于各种误差的存在，首先必须对各个数据源的数据进行必要的校验，另外，为了整体把握一个路段的交通流参数，有必要对多个数据源联合分析处理，以避免单个信息源失效而导致的判断失误.

数据融合的目的是将传感器所接收到的量测数据或者同一传感器在不同时段所接收到的量测数据，进行多层次的、多方面的处理过程，这个过程中，对多源数据进行检测、结合、相关、估计和组合以达到精确的状态估计和身份估计，以及完整、及时的态势评估和威胁评估.数据融合作为消除系统不确定因素，提供准确观测结果与新的观测的智能化处理技术，可以作为智能检测系统，智能控制系统的一个组成部分［1－4］.

数据融合运用到交通控制当中可以采用很多交通融合的方法，为此本文将集中讨论一种提高速度检测性能的信息融合方法即基于神经网络的数据融合方法并根据长春市路网的28个流量检测器数据进行融合处理.

1 数据融合算法简介

数据融合算法可分为两大类：随机类方法及人工智能方法.而近几年人工神经网络方法在多传感器信息融合研究中受到高度重视，特别是基于神经网络的目标自动识别和分类、态势评估和估计等［5－8］.本论文选择目前较常用且证明各方面性能比较稳定的按误差逆传播算法训练的多层反馈神经网络，即BP神经网络.

BP神经网络的工作过程通常是由2个阶段组成［9－11］.一个阶段是工作期，在这一阶段，网络各节点的连接权值以及阈值固定不变，网络的计算从输入层开始，逐层逐个节点地计算每个节点的输出，直到输出层中的各节点计算完毕.另一阶段是学习期，在这一阶段，各节点的输出保持不变，网络学习则是从输出层开始，反向逐层逐个节点计算各连接权值及阈值的修改值，以修改各连接权值及阈值，直到输入层为止.这2个阶段又称为正向传播和反向传播过程.在正向传播中，如果输入层的网络输出与所期望的输出相差较大，则开始反向传播过程，根据网络输出与所期望输出的信号误差，对网络节点间的各连接权值及节点的阈值进行修改，以此来减小网络输出信号与所期望输出的误差.

BP神经网络的拓扑结构如图1所示.

图1 BP神经网络的拓扑结构

2 实例验证

本例中确定以长春市路网的28个流量检测器测得速度值为基础，通过模拟的方法，按照已知传感器的精度和可靠度，生成28种传感器的检测值.将生成的数据作为训练集.传感器按照感应线圈的性能指标生成，精度为90%，可靠度为98%.传感器模拟数据生成的程序流程图如图2所示.

用Visual Basic6.0编制程序，程序应用界面见图3a），b）c）.

图2 数据融合程序框图

图3 程序应用界面图

通过模拟的方法生成98组输入输出数据，将其作为训练集，利用MATLAB6.1进行程序编制，训练得到神经网络.在反复训练中，收敛速度较快，在较短时间达到目标.训练的收敛过程如图4所示，得到的结果比较令人满意.

图4 训练的收敛过程

进行训练后，运用数据的输入，经过仿真得到仿真数据输出，传感器2006和传感器3001与输出数据对比如图5所示.从图中可以看出，由于模拟输出数据是一个均值，选取的传感器均为某一路段的流量，传感器2008数据值较大，而传感器3001数据值相对较小，故传感器2008数据曲线位于模拟输出数据曲线上方，而传感器3001则相反.传感器2008的平均相对误差为0.18%，而传感器3001的平均相对误差为－1.1%，这几个数据对比图可以证明，基于神经网络的信息融合方法可以通过多传感器输入得到更为准确的速度值.

3 结束语

数据融合是信息科学不断发展的必然结果.本文基于多传感器信息融合技术在交通控制系统中的应用，运用神经网络技术构造一种数据融合方法，并结合模拟数据对方法进行了有效的验证，该方法对于提高速度的检测是有效的.所构造的系统相对于传统的单一传感器信号控制系统而言，更具备信息的完整性、统一性和容错性.

图5 传感器的数据对比

［1］管德永.先进的城市交通信号控制理论模型和实施技术研究［D］.长春：吉林大学交通学院，2003.

［2］张 赫.基于实时交通流信息的单点混合交通自适应信号控制技术研究［D］.南京：东南大学交通学院博士后出站报告，2005.

［3］James A，Bonneson，Joel W F.Traffic data collection using video－based systems［J］.Transportation Research Record，Washington，D.C.TRB.1995.

［4］Ivan J N.Real－time data f usion for arterial street inci－dent detection using neural networ ks［J］，TRR 1497，TRB，1995.

［5］徐立群.动态交通数据采集研究［C］／／1999年第三届交通领域青年学术会议论文集.北京：人民交通出版社，1999.

［6］王建海.多传感器数据融合浅析［J］.上海大学学报：自然科学版，1997，3（4）：454－460.

［7］王忆锋.多传感器数据融合技术［J］.红外技术，1997（3）：34－36.

［8］罗森林，王 越，周思永.多源信息处理技术——数据融合［J］.系统工程于电子技术，1998（6）：61－66.

［9］丁承民，张传生，刘 辉.遗传算法纵横谈［J］.信息与控制，1997，26（1）：40－47.

［10］姜紫峰，荆便顺.人工神经网络在交通领域中的应用［J］.公路交通科技，1997，14（4）：55－59.

［11］尹宏宾.基于模糊神经网络的信号交叉口交通量预测［J］.华南理工大学学报：自然科学版，1999，28（6）：11－16.