《基于精确传感网络的智能交通系统交通流模型.doc》由会员分享，可在线阅读，更多相关《基于精确传感网络的智能交通系统交通流模型.doc（19页珍藏版）》请在三一文库上搜索。
1、 基于精确传感网络的智能交通系统交通流模型摘要:首先介绍了基于精确传感网络的智能交通系统(its)相对于传统交通流传感器网络的优势；然后基于组合预测理论对这类网络的基本交通流模型进行了研究，在模型中引入了更加精确的交通流物理量，包括旅行时间、路段上游及下游的分类交通流量等变量，使所建立模型的可解释信息量更加丰富和易懂，该模型算法为动态算法。交通实测数据实验证明模型的拟合精度较高，拟合值与真值的平均绝对误差值控制在9s以内，平均相对误差值控制在5%以内，综合各个时段来看，预测的准确度都在90%以上。最后总结了基于精确传感器网络的智能交通系统在实际交通应用中的重大价值。关键词:精确传感网络; 智能
2、交通系统；旅行时间; 分类交通流量; 交通流模型wang tao*, li zhishuschool of computer science, sichuan university， chengdu sichuan 610064, china;2.school of information science and technology, chengdu university, chengdu sichuan 610106，chinaabstract:in the present paper, the advantage of precise sensor network compared to
3、 the traditional sensor network is introduced firstly. then the traffic flow model of precise sensor network is built, to improve the interpretability of the model, the precise license plate identification data are used, variables such as the space travel time and the classified traffic flow are int
4、roduced. the established model is dynamic in essence. the experimental results show that the fitting accuracy is higher and the mean absolute error between fitted and standard value is less than 9 seconds, the mean relative error is less than 5%, the model has a high degree of accuracy above 90%. fi
5、nally, the applications of precise sensor network in real traffic environment are concluded.the advantage of precise sensor network compared to the traditional sensor network was introduced firstly. then the traffic flow model of precise sensor network was built. to improve the interpretability of t
6、he model, the precise license plate identification data were used, and the variables such as the space travel time and the classified traffic flow were introduced. the established model was dynamic in essence. the experimental results show that the fitting accuracy is higher and the mean absolute er
7、ror between fitted and standard value is less than 9 seconds, and the mean relative error is less than 5%. the model has a high degree of accuracy above 90%. finally, the great value of precise sensor network in real traffic environment was summarized.key words:precise sensor network; intellignet tr
8、ansport system (its); travel time; classified traffic flow; traffic flow model0引言随着传感器、嵌入式技术和短距离无线通信技术的进展，人类能够实现物理世界更深入的感知。2005年国际电信联盟(international telecommunication union, itu)提出了“the internet of things”(iot)的概念1，描述了新形势下“人”、“机”和“物”全面互联和可能全面实现“普适计算”(pervasive computing)理念的前景。2008年，ibm进一步提出了“智慧地球”(s
9、mart planet)的理念，预示了未来在现代科技的支撑下在人类社会实现“更深入的感知、更广泛的互联互通和更深入的智能化处理”带来的全球新面貌2。“智慧地球”概念的延伸，也派生出了智慧城市、智慧电力、智慧医疗、智慧城市交通和智慧轨道交通等新概念。随着我国国民经济的发展，大、中城市的汽车(特别是私车)的数量有了数量级的增长。以成都为例，2010年汽车数量已经突破240万辆，其中私车已超过82万辆，目前仍然保持着迅速增长的势头，每天新增牌照的汽车为1500辆。尽管各城市随着面积扩大，一方面新建了若干外部环路，对城区街道进行大量的扩建和改造；另一方面，又通过不断改善地面公共交通系统，新建或新增地下
10、交通系统来缓解对地面交通的压力。但是，城市道路交通拥塞现象并未得到根本的解决。借鉴国外利用现代科技改善城市交通管理的经验，国内许多城市也开始探讨“智慧城市交通”问题。智慧城市交通的基本理念是通过对车辆位置和运动规律的感知，通过合理的疏导提高道路的流通量，利用城市红绿灯系统充分发挥道路的利用率，尽可能缩短在城区任一位置到达目的地的时间。传统的改进交通方法是通过经验和统计数据，通过单行道或禁止某方向转弯的方式来实现的。这种方式由于统计数据的严重滞后和人工调度的方式实时性差，很难达到理想的效果，必须利用现代科技，及时掌握道路车辆位置、运动规律和拥塞状况，对疏导交通提供预测，进行预报，并将相关信息反馈
11、给驾驶员和反映到红绿灯的控制控制策略上。传统的车辆检测手段包括地感线圈、微波雷达、摄像机、红外以及激光检测技术，也有人采用射频识别（radio frequency identification,rfid）或地理位置定位系统(global positioning system,gps)。最常用的基于摄像机或地感线圈的 “计数型”技术，误差较大，且较难分别车辆类型，更不能将对车辆的识别与车辆个体直接挂钩，而难以提供对相关部门和个人的服务，因此需要“更精确感知技术”。rfid技术和gps系统能够做到精确定位与识别，但必须要求每台车辆安置相应的设备，实现起来难度较大。四川大学开发的以车牌识别为基础的传
12、感技术，却不需要在车辆上增加任何设备而做到对车辆的精确定位，从而能够为城市交通调度控制管理、为用户提供交通状况服务、为跟踪盗车和套牌车等提供理想的服务。尽管在通过精确车辆感知、定位的前提下，能够及时地获得城市道路车辆数量、分布规律和运动轨迹，但是，如何配合红绿灯系统如何对车辆进行合理、高效的调度管理，则必须研究车辆交流通模型。本文以笔者的研究工作为背景探讨智能交通系统（intellignet transport system，its）的交通流模型，以达到实现智能化控制管理的目的。1精确传感网络its的交通流模型交通流模型研究的对象是特定时间和空间条件下交通流的变化规律，其研究的主题是交通的三个
13、主要参数：流量、速度、密度的调查方法，分布特性及三参数之间的关系模型。在传统的交通流理论模型3中，如greenshields线性模型、greenberg阻塞流对数模型、underwood自由流指数模型、drake模型及drew模型等，在二维平面基础上建立流量、速度、密度三参数关系模型，但是由于这类模型所依赖的参数数量有限，也就导致其扩展能力有限。传统交通流模型的基本关系图如图1所示，在图1(a)中将“流量q速度v密度k”曲面图分别向三个平面投影就可以得到基本的“流量q速度v”、“流量q密度k”以及“速度v密度k”关系图；而图1(b)则是基于ngsim的交通流实测数据对传统交通流模型的拟合验证。
14、基于突变理论4的交通流模型将分析扩展到了三维或者更高维度的空间5，燕尾突变理论交通流模型6通过引入时间变量更加完善了突变理论交通流模型的框架，但是随着维度的增加，对这类模型的解释相对复杂。近年来，基于统计理论、灰色系统、人工神经元网络以及混沌方法的交通流模型的研究得到了广泛的重视7-10，但是当样本变量，以及分析问题的角度发生了变化时，这类基于单一理论的交通流模型会出现不适应的情况。特别是随着交通流检测设备的发展，可以直接检测到的交通量已经超过了传统意义上的三参数的范围，例如基于精确号牌识别的道路交通流检测器，可以直接检测到的交通流参数包括旅行时间(travel time)、重型车流量(hea
15、vy vehicle flow)、小型车流量(passenger car flow)、车头时距等交通参数。那么在交通流参数增加的情况下，如何突破传统的三参数模型，并将交通流模型扩展到更高的维度；特别是如何建立旅行时间这种更加直观的交通参数与其他交通量之间的函数关系，这是值得研究的问题。基于组合预测的交通模型的算法流程如图2所示，总体来讲算法分为三大步骤:1)在所获取的原始数据的基础上，对数据进行预处理，消除错误数据和噪声数据，使用直方图法对交通态势进行直观分析;2)对时间片样本均值数据进行聚类分析，将交通规律相似的样本归纳到同一个簇中，簇用其所在的时段表示;3)按簇使用主成分分析法（princ
16、ipal component analysis，pca）剔除非关键变量，并建立道路服务水平关键影响变量的分时段多元线性回归方程。该算法是动态算法，一旦多元线性回归方程的预测精度下降，则要去掉过期数据，重新加载最新数据。1.1数据样本的符号化通过在一个道路路段的上游处和下游处设置号牌识别设备11-12可以采集到:1)路段上游的分类交通流量(包括重型车流量fob，小型车流量fos)、车头时距ho;2)路段下游的分类交通流量(包括重型车流量fdb，小型车流量fds)、车头时距hd；3)重型车辆比例hv；4)旅行时间则是对统计时间片内通过路段的车辆的行驶时间取样本均值，记为ts，则精确号牌识别数据的样
17、本结构可以表示为xu=(ts;fos,fob,ho,fds,fdb,hd,hv)，其中ts称为因变量，其取值代表了路段的服务水平。xv=(fos,fob,ho,fds,fdb,hd,hv)称为自变量集合。取m天历史数据，样本统计间隔为nsmin，全天可分的时间片总数为n:1.2基于层次聚类分析的时段划分为了提高多元线性回归方程的精度，按时变规律把交通数据划分为具有相近交通流特征的簇，在簇内建立多元线性回归模型，每一个簇对应了一个特定的时段。进行聚类分析时从u.j中选择变量os,ob,ho,ts，这四个分量都是区间标度变量，采用基于欧氏距离的离差平方和法进行层次聚类时，设gp与gq可并类为gr，
18、即gr=gp,gq，则gr与任一类gk的距离为:d2kr=pd2kp+qd2kq+d2pq+|d2kpd2kq|(5)其中:p=ni+npni+nr，q=ni+nqni+nr，=nini+nr，=0,ni表示其所在的类中的样本数。该聚类算法具有单调性，并具有空间扩张性质13。在每个时段内都具有相似的交通规律，对每个时段ti，其对应的簇表示为：xuij; i=1,2,m, jti(6)其中自变量集合表示为：xvij; i=1,2,m, jti(7)1.3主成分分析过程1.3.1构建交通变量的主分量对每一个时段ti对应的簇xvij(i=1,2,，m, jti)进行主成分分析14-16，设ti中的时
19、间片的数量为num(ti)，则样本数为n=mnum(ti)，那么主成分分析的原理就是要将样本向量进行正交变换，重新构造综合变量，通过考察各个综合变量的方差，以及构成综合变量的原始变量的权重来决定是否保留该原始变量。综合变量的构建方法如式(8)所示:3)将r的p个特征值按顺序从大到小排列为: 12p0，则特征值对应的特征向量组成的矩阵即为要求的正交阵，可以表示为c=c1,c2,cp，并且ci(i=1,2,p)为列向量。变量x1,x2,xp经过正交变换后，得到新的随机向量即为要求的主向量y，主向量中的变量y1,y2,yp互不相关，并且主分量yi的方差等于i(i=1,2,p)。1.3.2剔除非关键变
20、量在pca中，作为自变量的原始交通变量组成的集合为xv，但是这些自变量之间往往会存在着相关关系，即共线或近似共线的问题，这样建立起来的回归模型稳定性差，会给各个变量的回归系数估计值带来不稳定性，通过考察每一个主分量的方差占全部总方差的比例(称为贡献度)，找出贡献度最小的主分量中权重最大的原始变量。如果某个主分量的贡献度非常小，而构成该主分量的原始变量中，某个交通量的权重又很大，则要考虑将这个交通变量剔除掉。主分量yi的贡献度按式(13)计算，即：=i/(pi=1i); i=1,2,p(13)剩余的变量与旅行时间构建回归方程，首先采用方差分析，即f检验法对所建立的回归方程进行显著性检验，然后考察
21、所建的回归方程的复相关系数rm。如果复相关系数较高，并且f检验非常显著时，就认为所选择的变量集合是最佳变量集合。1.4分时段建立回归方程旅行时间数据可以反映出车辆在整个路段上行驶时的特征，代表了所选路段的服务水平，以旅行时间作为因变量与影响路段服务水平的关键交通变量构建多元线性回归方程，最终的回归方程可以理解为一个分段函数，在不同的时段(簇)分别调用该时段对应的回归方程进行交通控制和预测。分时回归模型如式(14)所示:则某一个具体时段的回归方程fi(xc)(i=1,2,m)的一般形式可以用ts=xc+表示，其中:xc表示在该时段影响旅行时间的关键向量，ts为旅行时间， 表示待估参数的集合，为随
22、机项。2交通流模型实验2.1交通样本数据获取为了获取满足样本格式xu的交通变量，在北京的远通桥西到四惠桥东的快速路上取得进城方向30d的完整交通实测数据，经过数据预处理后，得到按15min等间隔采样的多元样本数据。则由式(1)、(2)可得到原始样本数据集合，并表示为:xuij; i=1,2,30, j=1,2,96(15)将30d样本数据按相同的采样时间片对每一个变量都计算其均值，由式(4)可得:u.j=13030i=1xuij; j=1,2,96(16)2.2直方图分析对u.j(j=1,2,96)进行时间序列分析，横轴为15min等间隔取样时所在的时间片。直方图分析中可以看到比较明显的多个高
23、峰和平峰时段，高峰时段的平均车头时距较短。图5为旅行时间的按时间序列的分布图，旅行时间骤增的时间片则表示道路处于交通拥挤状态(同步流或宽运动堵塞17-19,21-22。路段上游和路段下游处的分类交通流量态势如图3，交通密度态势如图4。由于交通现象的随机性和复杂性，从全天的时段分布上来看，旅行时间、流量和交通密度在时间序列上的分布特征并不完全对应。2.3时段划分采用聚类分析算法，并结合直方图对聚类结果进行了校正，将出现的孤立点划分到离它最近的时段中去，将全天的交通划分为如式(17)所示的各个时段。分时段进行主成分分析时，t1时段得到了与其他时段不同的关键变量。2.4t1时段的关键变量在t1时段将
24、特征值排序后其贡献率及其累积率如表1所示。从表1中可以看出主分量y7所对应的特征值最小，由pca的分析原理可知主分量y7的贡献率是最低的，该主分量的方差对应的特征向量如c7所示，则y7=c7xv，c7=(01389, 08022, 00002, 00625, 05731, 00400, 02032)。从方差最小的主分量y7中删除权重最大的一个原始变量，即删除在路段上游测量得到的大车流量fob，对应的权重系数为0.8022。删除变量fob后，对剩余的变量再进行主成分分析，再次删除方差最小的主分量中权重最大的原始变量，即路段下游的大车流量fdb。按此方式对剩余的原始变量进行有限步的主成分分析，将按
25、顺序依次删除如下的原始变量，分别为fob、fdb、hd、 hv。最后只保留了原始自变量fos、fds以及ho，根据主成分分析的原理，在畅行时段，剩余的这三个变量基本保留了7个变量的信息。从表3的分析结果可以看出在t1时段考虑路段上下游的小型车流量和路段上游的平均车头时距的情况下建立的回归方程非常显著，xv,1=(fos,fds,ho)即为t1时段得到的关键变量集合。从实际的交通意义来看，在t1时段，当车辆之间的平均车头时距较大(交通密度相对较小)时，车辆之间的相互作用很小，驾驶员可以按其期望的速度行驶，旅行时间的取得依赖于驾驶人员的驾驶习惯，一般来讲激进型的驾驶员的车速相对较快，保守型驾驶员的
26、车速相对较慢。通过考察路段上游处平均车头时距ho和路段下游处平均车头时距hd在主变量y1中的权重系数，分别为03197和03028，如果用平均车头时距来表示交通密度，则说明在交通密度较大时旅行时间会延长。将理论分析结果与基本图(从图3到图5)分析结果相比较，可以看出理论分析的结果和基本图分析的结果非常吻合。在构成主分量y1的原始自变量中，权重系数最大的两个值分别是路段上游处小型车流量fos，路段上游处的重型车流量fob，分别为04200和04013。这就说明了，路段上游处的车流量对路段旅行时间的影响是最明显的。使用pca方法以下变量将按顺序从原始变量的集合x中删除，即fds、fdb以及hd。剩
27、余的原始变量的集合表示为向量xr,cong=(fos,fob,ho,hv)。从表3的分析结果可以看出，从t2到t5时段，变量fos,fob,ho,hv就代表了大部分的信息量，向量xr,cong中的变量与旅行时间ts建立回归方程非常显著，可以作为关键变量集合。从实际的交通意义来看，在拥挤交通状态下，可以通过控制路段上游的车流量和重型车的数量来得到期望的旅行时间，从而得到期望的道路服务水平。2.6分时段建立回归方程将各时段的关键变量与旅行时间建立多元线性回归方程，并将建立的回归方程的各项指标总结为如表3所示的结果。可以看出，分时段使用关键变量建立的多元线性回归方程的复相关系数的平均值大于90%，f
28、检验值的平均值大于30，均得到了非常显著的效果，并且所建立的回归方程具有结构简单、稳定和易于控制的优点。2.7回归拟合验证为了验证所建立的回归方程，在相同的路段重新取得第31d的旅行时间的真值ts与旅行时间的估计值t进行对比分析，估计值的获取是分时段分别进行，再组合成全天的旅行时间预测值的曲线，如图6所示。3结语本文阐述了基于精确传感网络its的概念，并建立了这类网络的基本交通流模型，该网络与传统的交通流检测网络相比，其特点如下。1)可以精确地识别每一个具体的车辆，从而使信息量更加丰富完备，可以为交通的建设者、监管者、组织实施者和出行者提供实时的精准服务。2)可以建立更加精确的并符合中国交通特
29、征的交通流模型，并在模型中引入了旅行时间、分类交通量、车头时距等交通量，从而扩展了传统的交通流模型，并可以提供更加精确的信息用于交通指挥调度。例如在对拥挤时段第1主分量的分析过程中可以看到，重型车辆占交通总量的9.5%，但是其对交通的影响与占绝大多数的小型车的影响权重是相近的，从而为重型车辆对交通流的影响找到了其理论依据。3)由于可以得到路段旅行时间这一比流量更直观方便的重要的实时交通动态信息，出行者可以方便地累加达到目的地所经过的路段的平均旅行时间而得到实际到达所需时间的最佳估计4)可以检测到车辆的牌照号码、颜色以及车标，上述信息在上传至指挥中心以后又可以提供其他的服务，如通过查对同一时间出
30、现在不同检测点的汽车号牌，查处套牌车辆；通过分析对比车辆的行驶轨迹，查处非法运营车辆等等。总之，从“智慧地球”到“感知中国”，作为新兴产业和科技创新的代表，物联网已经成为新形势下国际竞争的制高点，在“物联网”技术发展和推动下，基于精确传感网络的its将会更好地提升交通指挥和调度的效能，并给出行者带来更加精确的交通诱导和导航信息，并使交通系统更加“智能、安全、和谐以及节能”。参考文献:1itu internet report, the internet of things eb/ol. 2010-10-01. http:/www.itu.int/osg/spu/publications/inte
31、rnetofthings/.2ibm商业价值研究院. 智慧地球赢在中国eb/ol. 2011-06-12. http:/ 张青喜. 现代道路交通工程学m. 北京：清华大学出版社，2008: 47-55.4王英平，王殿海，杨少辉，等.突变理论在交通流分析理论中应用综述j.交通运输系统工程与信息，2005，5(6):68-71.5张亚平，张起森.尖点突变理论在交通流预测中的应用j.系统工程学报，2000，16(3):272-276.6唐铁桥，黄海军.用燕尾突变理论来讨论交通流预测j.数学研究，2005，38(1):112-116.7许伦辉,傅惠.交通信息智能预测理论与方法m.北京:科学出版社,20
32、09:1-11.8李存军，杨儒贵，邓红霞.基于小波和kalman滤波的交叉口流量组合预测j.西南交通大学学报，2004，16(5):577-580.9张晓利，贺国光.考虑交通吸纳点的非参数回归组合型短时交通流预测方法j.系统工程， 2006，24(12):21-25.10wu c h, ho j m, lee d t. travel time predication with support vector regressionj.ieee transactions on intelligent transportation systems, 2004, 5(4): 276-281.11宋加涛，
33、刘济林.车辆牌照上英文和数字字符的结构特征分析及提取j.中国图象图形学报:a辑,2002,7(9):945-949.12许海波， 罗以宁，米兰.基于线圈与车辆号牌识别技术的治安卡口系统j.四川大学学报：自然科学版，2006，43(4):935-938.13罗积玉.经济统计分析方法及预测m. 北京：清华大学出版社，1987:175-176.14董箐，张毅，张佐， 等. 基于主成分分析法的城市交通路口相关性分析j.西南交通大学学报，2003，38(6):619-622.15jackson j e. a users guide to principal components m. new york:
34、 john wiley and sons，1991.16jollitte i. principal component analysis m. berlin: springerverlag， 1986.17贾斌，高自友,李克平,等.基于元胞自动机的交通系统建模与模拟m. 北京:科学出版社，2007:72-73.18kerner b s, klenov s l, wolf d e. cellular automata approach to threephase traffic theoryj. journal of physics a: mathematical and general, 2002，35(47):9971-10013.