基于固定式与移动式车辆检测数据的信息融合优化方法

技术领域

本发明涉及交通工程领域，特别是基于固定式与移动式车辆检测数据的数据与信息融合优化方法。

背景技术

对车辆交通信息的获取，主要依靠固定式检测器和移动式检测器。固定式检测器虽然能够采集较 大规模的车辆数据，但只能定点记录，所获得的数据在空间上离散且存在一定程度的误差(如某些车 辆通过检测器但未能被检测到)；移动式检测器能够连续记录车辆较为详细的信息，但只针对配备该 设备的车辆，不能体现路段的整体交通情况，并且相关数据可能涉及用户隐私，使对其的使用受到一 定限制。因此，这两类车辆检测器数据各自存在一定不足。

近年来，通过采用考虑固定检测数据和移动检测数据的多源数据融合的方法，可以使得两类检测 数据互补，从而提高获取信息的准确性。但目前较多的多源数据融合方法获取的都是宏观的、集计的 交通参数，例如平均行程时间、平均速度等，只有少部分多源数据融合方法可以获得较为微观的交通 状态，例如个体行程时间等。但这部分多源数据融合方法多采用穷举法或启发式算法(例如禁忌搜索 算法)对多源数据进行融合，且信息集成时缺乏对车辆自身特征信息的考虑，并且对长路段和短路段 的多源数据融合需要分开假设是否需要增加先进先出(FIFO)条件限制。

其一，利用穷举法融合移动数据和固定数据可使结果全局最优，但计算时间太长；而利用启发式 算法计算时间虽短，但只能使结果局部最优。其二，因车辆本身的特征信息没有被考虑到，造成集成 的交通信息不完整，无法很好地对应真实的交通流状态，因此使用不完整的交通集成信息会增加结果 误差。其三，对长路段不考虑先进先出条件，短路段考虑先进先出条件，这是基于常态的交通流来决 定的，而对于非常态的交通流(例如短路段上激进驾驶的车辆过多导致频繁换道)并不适用，这样人 为设置先进先出的条件反而会增加结果误差，导致对交通流状态的描述更加失真。

专利CN107886192B给出的基于固定式与移动式车辆检测数据的数据与信息融合方法仍存在上 述指出的部分技术问题。

因此，目前缺乏一个能短时融合移动数据和固定数据、考虑了车辆自身的特征信息、不需要假设 先进先出(FIFO)条件的、能用解析式求解使得结果达到全局最优的数据融合与信息集成方法。

发明内容

本发明的目的：提供一种基于固定式与移动式车辆检测数据的信息融合优化方法，该方法能够短 时融合移动检测数据和固定检测数据，并通过集成车辆自身的检测车长信息和用能使结果达到全局最 优的解析式方法求解，大幅提高数据融合与信息集成的结果精度，使用该方法能够更精确地描述微观 交通流状态。

本发明实现其发明目的所采取的技术方案：一种基于固定式与移动式车辆检测数据的信息融合优 化方法，所述方法包括步骤：

S1、将交通运输系统(路网)分解成若干个输入(路段)与输出(交叉口)子系统，获取各个子 系统的多源检测数据；所述多源检测数据包括固定检测数据和移动检测数据；所述固定检测数据包含 车辆通过子系统上、下游固定检测器的时间戳、车道信息和检测车长信息；所述移动检测数据包含车 辆ID与以固定频率记录的时间戳和车辆位置信息，用于验证和标定固定检测数据；

S2、从历史交通数据集中提取交通信息，包括每一个可能的车道选择或汇流选择的概率，每一个 可能的车道选择或汇流选择下对应的行程时间分布概率，以及车辆检测车长的误差分布概率；

S3、建立组合优化模型，包括：移动检测数据和固定检测数据的联合匹配概率模型，上、下游固 定检测数据的联合匹配概率模型；组合优化模型的目标函数和约束条件；

S4、用动态规划求解移动检测数据和固定检测数据的联合匹配概率模型，实现上游移动检测数据 和上游固定检测数据的融合，以及下游移动检测数据和下游固定检测数据的融合；通过数据融合，将 被同一条移动检测数据标记的上、下游固定检测数据直接匹配起来；

S5、用K-M算法(即Kuhn-Munkres算法)求解上、下游固定检测数据的联合匹配概率模型，实 现上、下游未被移动检测数据标记的固定检测数据之间的联合匹配，以找到上、下游固定检测数据之 间概率最大化的匹配结果。

进一步地，所述步骤S2具体包括从历史交通数据集中提取以下四项概率信息：

S2-1、车道选择概率

S2-2、车辆汇流概率

上述车道选择概率和车辆汇流概率具有相同的数学表达形式，前者应用于输入子系统(路段)， 后者应用于输出子系统(交叉口)；在后文叙述中，车道选择概率和车辆汇流概率均采用p

S2-3、行程时间分布概率

S2-4、车辆检测车长的误差分布概率

进一步地，所述步骤S3具体包括：

S3-1、建立移动检测数据和固定检测数据的联合匹配概率模型；

利用P(M＝m)和P(M′＝m′)分别表示下、上游固定检测数据集和移动检测数据集之间的联合匹 配概率，其数学表达式分别如式(4)和式(5)所示：

式(4)和(5)中，对于下游移动检测数据集中的车辆j在其下游固定检测数据集中对应的序号， 定义为{M

式(6)表示下游第j条移动检测记录和下游第m

S3-2、建立上、下游固定检测数据的联合匹配概率模型；

利用P(S＝s)表示下游和上游未被移动检测数据标记的固定检测数据之间的联合匹配概率，其数 学表达式如式(8)所示：

在式(8)中，随机变量{S

式(9)是车道选择概率或车辆汇流概率

S3-3、建立组合优化模型的目标函数和约束条件，由式(10.1)至式(10.5)表示：

式(10.1)为目标函数，优化结果要求整体匹配概率最大化；式(10.2)和式(10.3)为约束条件， 对于两条移动检测记录，确保其在移动检测数据集和固定检测数据集中的相对序号是一致的；式(10.4) 为约束条件，确保上游固定检测数据和下游固定检测数据之间的匹配仅针对未被移动检测数据标记的 固定检测数据进行；式(10.5)为约束条件，确保固定检测数据之间的一对一匹配。

进一步地，所述步骤S4具体包括：

S4-1、用动态规划求解上游移动检测数据和上游固定检测数据的联合匹配概率模型，实现上游移 动检测数据和上游固定检测数据的融合；上游动态规划求解公式如下：

m′

k≤m′

式(11.1)为目标函数，其中V

S4-2、用动态规划求解下游移动检测数据和下游固定检测数据的联合匹配概率模型，实现下游移 动检测数据和下游固定检测数据的融合；下游动态规划求解公式如下：

m

j≤m

式(12.1)为目标函数，其中V

进一步地，所述步骤S5具体包括：

S5-1、将上、下游固定检测数据的联合匹配概率模型转换成线性数学形式，以便用K-M算法进 行求解；

上、下游固定检测数据的联合匹配概率模型转换成线性数学形式如下：

s.t.w

S

式(13.1)为上、下游固定检测数据的联合匹配概率P(S＝s)的求和形式，其通过对P(S＝s)取 对数得到，其中的w

S5-2、用K-M算法求解上、下游固定检测数据的联合匹配概率模型，包括：

S5-2-1、将下游未被移动检测数据标记的固定检测数据集合标记为X集合，其中的记录被称为X记 录；将上游未被移动检测数据标记的固定检测数据集合标记为Y集合，其中的记录被称为Y记录；将X集 合和Y集合记录之间的匹配权重w

S5-2-2、为了找到有最大权重的匹配，基于所有记录的标号，生成标号可行边的集合LES；在标 号可行边的集合LES中，每条边e

S5-2-3、在标号可行边的集合LES中，用于匹配X记录和Y记录的边被称为活跃边，其余边被称为 不活跃边；基于标号可行边的集合LES，选取一条未被匹配的X记录，从这个X记录出发，交替经过活 跃边和不活跃边，形成一个交替树；

S5-2-4、在交替树中，寻找一条起始于该未被匹配的X记录，结束于一条未被匹配的Y记录的路径， 该条路径被称为成功路径；若交替树中存在至少一条成功路径，则转到步骤S5-2-5；若交替树中不存 在成功路径，则转到步骤S5-2-6；

S5-2-5、将成功路径中的不活跃边变成活跃边，相反将成功路径中的活跃边变成不活跃边，以分 解成功路径，形成新的匹配状态，判断新的匹配状态中是否所有X记录都被匹配；若是，则转到步骤 S5-2-7；若不是，则返回步骤S5-2-3；

S5-2-6、修改在交替树上的X记录和Y记录的标号，增加新的标号可行边，以拓展交替树，具体包 括：首先，找到拓展交替树的最小成本；其次，将交替树中的X记录的标号减去最小成本，将交替树 中的Y记录的标号加上最小成本；最后，根据新的标号生成新标号可行边的集合LES，返回步骤S5-2-3；

S5-2-7、输出具有最大权重的匹配。

与现有技术相比，本发明的有益效果：

(1)该发明方法考虑了车辆自身的检测车长信息，将该信息与车道选择/车辆汇流、行程时间信 息集成，使得提取的交通信息更加完整，能够更加准确地反映交通状态。

(2)该发明方法不需要考虑先进先出(FIFO)条件，即避免了人为假设带来的误差。

(3)该发明方法通过动态规划融合移动检测数据和固定检测数据，为解析式求解模型，计算复 杂度为低阶多项式，可以在极短时间内将移动检测数据和固定检测数据一对一匹配起来，大幅降低数 据融合的计算时间。

(4)该发明方法通过K-M算法匹配上、下游固定检测数据，为解析式求解模型，计算复杂度为 低阶多项式，可以在较短时间使匹配结果达到全局最优，即最高准确度。

(5)采用该发明方法所得到的匹配准确度受数据不准确和数据缺失的影响很小，即使移动检测 数据有较大的不准确性或固定检测数据有一定的缺失，匹配准确度仍然维持在较高水平。由于目前交 通流中配备移动检测设备的车辆数还不多，即移动检测器渗透率还不高，因此本发明在低移动检测器 渗透率时更具有优越性，这一点具有非常大的实际意义。

(6)运用本发明方法对上、下游采集的车辆数据进行配对，匹配准确度明显优于采用现有技术 (专利CN107886192B基于固定式与移动式车辆检测数据的数据与信息融合方法，下同)的准确度， 数值实验表明，在低移动检测器渗透率下，使用本发明得到的准确度在交叉口提高了2.42％～5.35％， 在路段提高了7.40％～37.71％。同时，本发明方法能够更好地描述单车干道出行状况(单车经过干道 的轨迹和行程时间)，实验表明该方法得到的干道匹配准确度与采用现有技术的干道匹配准确度相比， 提高了3.60％～9.63％。

下面通过具体实施方式及附图对本发明作进一步详细说明，但并不意味着对本发明保护范围的限 制。

附图说明

图1为本发明实施例基于固定式与移动式车辆检测数据的信息融合优化方法的流程图。

图2为本发明实施例中由大型开放的交通系统分解得到的子系统示意图，用方框表示固定交通检 测器的位置；其中，图2(A)中的子系统描述的是路段中的交通流，图2(B)中的子系统描述的是 交叉口内的交通流。

图3为本发明实施例中利用动态规划匹配移动检测数据和固定检测数据的示意图。

图4为本发明实施例中路段子系统基于车道的行程时间概率分布示意图；其中，图4(A)为经 过上游车道1到下游车道1的车辆的行程时间概率分布；图4(B)为经过上游车道1到下游车道2 的车辆的行程时间概率分布；图4(C)为经过上游车道1到下游车道3的车辆的行程时间概率分布； 图4(D)为经过上游车道2到下游车道1的车辆的行程时间概率分布；图4(E)为经过上游车道2 到下游车道2的车辆的行程时间概率分布；图4(F)为经过上游车道2到下游车道3的车辆的行程 时间概率分布。

图5为本发明实施例中利用K-M算法匹配未被移动检测数据标记的上、下游固定检测数据的示 意图；其中，图5(A)为利用邻接权重矩阵为下游固定检测数据(X记录)和上游固定检测数据(Y记 录)标号的示意图；图5(B)为初始的标号可行边的集合LES；图5(C

图6为在移动检测数据和固定检测数据完全准确的理想情况下，利用本发明实施例的方法(记为 DFII方法)和现有技术得到的各子系统的数据匹配准确度对比图；其中，图6(A)(C)和(E)分 别表示在交叉口1、交叉口2、交叉口3的数据匹配准确度，横坐标表示移动检测器渗透率，纵坐标 表示上、下游固定检测数据的匹配准确度；图6(B)(D)和(F)分别表示在路段1、路段2、路段 3的数据匹配准确度，横坐标表示移动检测器渗透率，纵坐标表示上、下游固定检测数据的匹配准确 度。

图7为在不同程度的数据不准确情况下(用σ表示数据不准确的程度)，利用本发明实施例的方 法(记为DFII)和现有技术得到的各子系统的数据匹配准确度对比图；其中，图7(A)(C)和(E) 分别表示在交叉口1、交叉口2、交叉口3的数据匹配准确度，横坐标表示移动检测器渗透率，纵坐 标表示上、下游固定检测数据的匹配准确度；图7(B)(D)和(F)分别表示在路段1、路段2、路 段3的数据匹配准确度，横坐标表示移动检测器渗透率，纵坐标表示上下游固定数据的匹配准确度。

图8为在不同程度的数据不准确情况下(σ表示数据不准确的程度)，利用本发明实施例的方法 (记为DFII)和现有技术得到的干道匹配准确度对比图；其中，横坐标表示移动检测器渗透率，纵坐 标表示数据的匹配准确度。

图9为在不同程度的数据缺失情况下(0％、5％和10％的数据缺失)，利用本发明实施例的方法 (记为DFII)和现有技术得到的缺失数据的子系统的匹配准确度、干道匹配准确度对比图；其中，图 9(A)表示缺失数据的子系统的数据匹配准确度，横坐标表示移动检测器渗透率，纵坐标表示数据的 匹配准确度；图9(B)表示干道的数据匹配准确度，横坐标表示移动检测器渗透率，纵坐标表示数 据的匹配准确度。

具体实施方式

下面结合附图，通过对实施例的描述，对本发明的具体实施方式作进一步的说明。

实施例

本例基于固定式与移动式车辆检测数据的信息融合优化方法如图1所示，该方法包括步骤：

S1、将交通运输系统(路网)分解成若干个输入(路段)与输出(交叉口)子系统，获取各个子 系统的多源检测数据；多源检测数据包括固定检测数据和移动检测数据；固定检测数据包含车辆通过 子系统上、下游固定检测器的时间戳、车道信息和检测车长信息；移动检测数据包含车辆ID与以固 定频率(0.1s的时间间隔)记录的时间戳和车辆位置信息，用于验证和标定固定检测数据。

图2给出了本例由大型开放的交通系统分解得到的子系统示意图，其中用方框表示固定检测器的 位置。图2(A)中的子系统描述的是路段中的交通流，图2(B)中的子系统描述的是交叉口内的交 通流。每当车辆通过一个车道上的固定检测器时，其相应的时间、车道信息和检测车长信息均会被记 录。移动检测数据主要记录车辆的GPS轨迹(以0.1s记录的时间戳及对应的车辆位置信息)和车辆 独有的ID。

本例假设每个子系统有5条移动检测数据和11条固定检测数据。

S2、从历史交通数据集中提取交通信息，包括每一个可能的车道选择或汇流选择的概率，每一个 可能的车道选择或汇流选择下对应的行程时间分布概率，以及车辆检测车长的误差分布概率。

本例步骤S2具体包括从历史交通数据集中提取以下四项概率信息：

S2-1、车道选择概率

S2-2、车辆汇流概率

上述车道选择概率和车辆汇流概率具有相同的数学表达形式，前者应用于输入子系统(路段)， 后者应用于输出子系统(交叉口)；在后文叙述中，车道选择概率和车辆汇流概率均采用p

S2-3、行程时间分布概率

S2-4、车辆检测车长的误差分布概率

S3、建立组合优化模型，包括：移动检测数据和固定检测数据的联合匹配概率模型，上、下游固 定检测数据的联合匹配概率模型；组合优化模型的目标函数和约束条件。

本例步骤S3具体包括：

S3-1、建立移动检测数据和固定检测数据的联合匹配概率模型。

利用P(M＝m)和P(M′＝m′)分别表示下、上游固定检测数据集和移动检测数据集之间的联合匹 配概率，其数学表达式分别如式(4)和式(5)所示：

式(4)和(5)中，对于下游移动检测数据集中的车辆j在其下游固定检测数据集中对应的序号， 定义为{M

式(6)表示下游第j条移动检测记录和下游第m

S3-2、建立上、下游固定检测数据的联合匹配概率模型。

利用P(S＝s)表示下游和上游未被移动检测数据标记的固定检测数据之间的联合匹配概率，其数 学表达式如式(8)所示：

在式(8)中，随机变量{S

式(9)是车道选择概率或车辆汇流概率

S3-3、建立组合优化模型的目标函数和约束条件，由式(10.1)至式(10.5)表示：

/>

式(10.1)为目标函数，优化结果要求整体匹配概率最大化。式(10.2)和式(10.3)为约束条件， 对于两条移动检测记录，确保其在移动检测数据集和固定检测数据集中的相对序号是一致的。式(10.4) 为约束条件，确保上游固定检测数据和下游固定检测数据之间的匹配仅针对未被移动检测数据标记的 固定检测数据进行。式(10.5)为约束条件，确保固定检测数据之间的一对一匹配。

S4、用动态规划求解移动检测数据和固定检测数据的联合匹配概率模型，实现上游移动检测数据 和上游固定检测数据的融合，以及下游移动检测数据和下游固定检测数据的融合，通过数据融合，将 被同一条移动检测数据标记的上、下游固定检测数据直接匹配起来。

本例步骤S4具体包括：

S4-1、用动态规划求解上游移动检测数据和上游固定检测数据的联合匹配概率模型，实现上游移 动检测数据和上游固定检测数据的融合；将上游动态规划的阶段定义为上游移动检测数据的序号k， 上游动态规划的状态定义为其在上游固定检测数据集中的序号m′

s.t.V

m′

k≤m′

式(11.1)为目标函数，其中V

S4-2、用动态规划求解下游移动检测数据和下游固定检测数据的联合匹配概率模型，实现下游移 动检测数据和下游固定检测数据的融合；将下游动态规划的阶段定义为下游移动检测数据的序号j， 下游动态规划的状态定义为其在下游固定检测数据集中的序号m

s.t.V

m

j≤m

式(12.1)为目标函数，其中V

S5、用K-M算法求解上、下游固定检测数据的联合匹配概率模型，实现上、下游未被移动检测 数据标记的固定检测数据之间的联合匹配，以找到上、下游固定检测数据之间概率最大化的匹配结果。

本例步骤S5具体包括：

S5-1、将上、下游固定检测数据的联合匹配概率模型转换成线性数学形式，以便用K-M算法进 行求解；

上、下游固定检测数据的联合匹配概率模型转换成线性数学形式如下：

s.t.w

S

式(13.1)为上、下游固定检测数据的联合匹配概率P(S＝s)的求和形式，其通过对P(S＝s)取 对数得到，其中的w

S5-2、用K-M算法求解上、下游固定检测数据的联合匹配概率模型。通过步骤S4，融合5条移 动检测数据后，上、下游有5条固定检测数据可以直接匹配起来，上、下游剩余未被移动检测数据标 记的固定检测数据还剩6条，利用K-M算法匹配这6条上、下游固定检测数据，步骤包括：

S5-2-1、将下游未被移动检测数据标记的固定检测数据集合标记为X集合，其中的记录被称为X记 录；将上游未被移动检测数据标记的固定检测数据集合标记为Y集合，其中的记录被称为Y记录；将X集 合和Y集合记录之间的匹配权重w

S5-2-2、为了找到有最大权重的匹配，基于所有记录的标号，生成标号可行边的集合LES，如图 5(B)所示；在标号可行边的集合LES中，每条边e

S5-2-3、在标号可行边的集合LES中，用于匹配X记录和Y记录的边被称为活跃边(在图5(C

例如，图5(C

S5-2-4、在交替树中，寻找一条起始于该未被匹配的X记录，结束于一条未被匹配的Y记录的路径， 该条路径被称为成功路径；若交替树中存在至少一条成功路径，则转到步骤S5-2-5；若交替树中不存 在成功路径，则转到步骤S5-2-6。

例如，图5(C

S5-2-5、将成功路径中的不活跃边变成活跃边，相反将成功路径中的活跃边变成不活跃边，以分 解成功路径，形成新的匹配状态，判断新的匹配状态中是否所有X记录都被匹配；若是，则转到步骤 S5-2-7；若不是，则返回步骤S5-2-3。

例如，图5(C

S5-2-6、修改在交替树上的X记录和Y记录的标号，增加新的标号可行边，以拓展交替树，具体包 括：首先，找到拓展交替树的最小成本；其次，将交替树中的X记录的标号减去最小成本，将交替树 中的Y记录的标号加上最小成本；最后，根据新的标号生成新的标号可行边的集合LES，返回步骤S5-2-3。

例如，图5(D

S5-2-7、输出具有最大权重的匹配。

使用开源NGSIM数据来验证本例方法相对于现有技术的有效性和优越性，这里的现有技术是指： 专利CN107886192B基于固定式与移动式车辆检测数据的数据与信息融合方法。实验数据包含3个交 叉口子系统，3个路段子系统，每个子系统包含100～200辆车的数据，移动检测数据间隔10％从0％ 到100％抽样。实验分别在理想情况(移动检测数据和固定检测数据完全准确且没有缺失)下、数据 不准确情况下、数据缺失情况下进行，得到的结果如下：

图6给出了在移动检测数据和固定检测数据完全准确的理想情况下，利用本例方法(记为DFII 方法)和现有技术得到的各子系统的数据匹配准确度对比情况。很明显，本例方法完全优于现有技术， 采用本例方法能够正确匹配路段子系统上、下游超过60％的固定检测数据，以及正确匹配交叉口子系 统上、下游超过90％的固定检测数据。与采用现有技术得到的结果相比，在低移动检测器渗透率时， 采用本例方法在交叉口的数据匹配准确度可提升2.42％～5.35％，路段的数据匹配准确度可提升 7.40％～37.71％。由于目前交通流中配备移动检测设备的车辆数还不多，即移动检测器渗透率还不高， 因此本发明在低移动检测器渗透率时更具有优越性，这一点具有非常大的实际意义。

图7给出了在不同程度的数据不准确情况下(用σ表示数据不准确的程度)，利用本例方法(记 为DFII)和现有技术得到的各子系统的数据匹配准确度对比情况。由图7可以看到，在使用本例方法 下，即使移动检测数据的不准确性较高，得到的匹配结果也仍比使用现有技术在移动检测数据完全准 确的情况下好，尤其是在路段子系统。另外，采用本例方法得到的结果受移动检测数据不准确的影响 小，即使移动检测数据受较大的干扰，匹配准确度仍随着移动检测器渗透率的增加而增加；而现有技 术融合了不准确性较大的移动检测数据后，其匹配准确度有下降趋势。

图8给出了在不同程度的数据不准确情况下(σ表示数据不准确的程度)，利用本例方法(记为 DFII)和现有技术得到的干道匹配准确度对比情况。从结果中可以发现，相比于现有技术，使用本发 例方法得到的干道匹配准确度受移动检测数据不准确性的影响更小。

图9给出了在不同程度的数据缺失情况下(0％、5％和10％的数据缺失)，利用本例方法(记为 DFII)和现有技术得到的缺失数据的子系统的匹配准确度、干道匹配准确度对比情况。对于缺失数据 的子系统的匹配准确度。通过分析对比结果得到：采用本例方法对数据缺失的敏感性不高，即使有10％ 的数据缺失，仅融合20％的移动检测数据就能使匹配准确度达到60％以上；而现有技术受数据缺失的 影响很大，仅5％的数据缺失就会造成匹配准确度的大幅下降。对于干道匹配准确度，呈同样的趋势， 采用本例方法受数据缺失的影响很小，10％的数据缺失仅造成干道匹配准确度的轻微下降；而现有技 术受数据缺失的影响较大，仅5％的数据缺失就会造成其干道匹配准确度的大幅下降。

上述结合附图对本发明进行了示例性描述，显然本发明的具体实现并不受本文所示的实施例限制。