基于信息融合的高速公路事件檢測(cè)建模與仿真.pdf

1、高速公路為人們的出行和貨物的運(yùn)輸開辟了一條安全、高效、舒適、方便的快速通道，并且產(chǎn)生了巨大的社會(huì)效益和經(jīng)濟(jì)效益。然而，隨著高速公路里程的增長(zhǎng)，汽車數(shù)量的增多，交通擁擠和各類交通事件的頻繁發(fā)生，不僅使高速公路效率降低，而且給人們的生命、財(cái)產(chǎn)以及社會(huì)和經(jīng)濟(jì)均造成了不同程度的損失。為了運(yùn)用先進(jìn)的事件檢測(cè)技術(shù)快速準(zhǔn)確地檢測(cè)、判斷并及時(shí)排除因交通事件而造成的交通擁擠和阻塞，盡可能將事件的影響和損失降低到最低限度，關(guān)鍵是盡早地發(fā)現(xiàn)事件、確認(rèn)事件的性

2、質(zhì)并及時(shí)采取救援措施和為其他駕駛員提供相關(guān)信息，這就要建立一個(gè)完善的事件管理系統(tǒng)，對(duì)事件實(shí)現(xiàn)快速、高效、恰當(dāng)?shù)靥幚?。事件檢測(cè)是事件管理的第一步，也是整個(gè)系統(tǒng)中最重要的組成。事件管理系統(tǒng)除了硬件檢測(cè)設(shè)施外，最重要的就是一套完善的事件檢測(cè)算法。40多年來，人們開發(fā)了各種各樣的自動(dòng)事件檢測(cè)(AID)算法，取得了很多成果。世界上一些發(fā)達(dá)國家交通管理中心的事件管理系統(tǒng)采用一些算法成果進(jìn)行真實(shí)交通事件檢測(cè)。由于每種算法適用的交通流狀況不相同，各種算

3、法都有其優(yōu)于和差于其它算法的一面，單個(gè)算法很難達(dá)到最佳的事件檢測(cè)效果，通過算法融合卻可以提高事件檢測(cè)效果決定了在事件檢測(cè)算法研究中考慮算法融合的必要性和迫切性。近年來，伴隨著電子、檢測(cè)、通信、計(jì)算機(jī)技術(shù)的飛速發(fā)展，交通檢測(cè)器技術(shù)也得到了快速發(fā)展，獲取的事件檢測(cè)技術(shù)提供的信息源呈現(xiàn)多樣化趨勢(shì)，高速公路事件檢測(cè)系統(tǒng)正面臨著事件檢測(cè)技術(shù)多信息源融合的現(xiàn)狀決定了在事件檢測(cè)研究中考慮事件檢測(cè)技術(shù)信息融合的必要性和迫切性。到目前為止，國內(nèi)高速公路事

4、件管理系統(tǒng)事件檢測(cè)問題的研究起步雖晚，但在理論和實(shí)踐方面也取得了一些成果，將信息融合技術(shù)應(yīng)用于高速公路事件檢測(cè)研究的仍然很少，許多不盡人意的地方有待于進(jìn)一步完善和改進(jìn)。加快對(duì)高速公路事件管理系統(tǒng)的事件檢測(cè)問題研究，一方面對(duì)促進(jìn)我國高速公路事件管理系統(tǒng)水平的提高具有深遠(yuǎn)的意義；另一方面對(duì)豐富和發(fā)展信息融合技術(shù)在交通工程領(lǐng)域的應(yīng)用研究具有重要的促進(jìn)作用。首先，將信息融合技術(shù)引入到高速公路事件檢測(cè)領(lǐng)域，從信息融合過程的輸入/輸出特性出發(fā)，以5

5、種信息融合過程為構(gòu)件，建立一種事件檢測(cè)信息融合的理論框架，并對(duì)AID算法重新分類。最后，定義事件檢測(cè)信息融合的“熵”、“條件熵”、“平均條件熵”和“互信息”的基本概念，通過論證事件檢測(cè)信息融合的3個(gè)有效性定理來說明事件檢測(cè)信息融合的有效性。在此基礎(chǔ)上，詳細(xì)分析了高速公路事件檢測(cè)ANN模型和SVM模型、高速公路事件檢測(cè)算法融合表決融合方法及高速公路事件檢測(cè)技術(shù)信息融合D-S方法3種事件檢測(cè)信息融合方法的建模與仿真問題。主要研究?jī)?nèi)容如下：

6、 1．詳細(xì)分析事件檢測(cè)交通流機(jī)理；應(yīng)用系統(tǒng)故障診斷方法分析基于特征輸入/決策輸出(FEI-DEO)信息融合過程的人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeural Network，簡(jiǎn)稱ANN)事件檢測(cè)機(jī)理；分析基于特征輸入/決策輸出(FEI-DEO)信息融合過程的支持向量機(jī)(Support Vector Machine, 簡(jiǎn)稱SVM)事件檢測(cè)機(jī)理。 2．分別建立用于識(shí)別2類事件模式(無事件模式和有事件模式)的事件檢測(cè)多層前向神

7、經(jīng)網(wǎng)絡(luò)模型(Multi-Layer Feed-Forward NeuralNetworks，簡(jiǎn)稱MLF)、事件檢測(cè)概率神經(jīng)網(wǎng)絡(luò)模型(Probabilistic NeuralNetwork，簡(jiǎn)稱PNN)和線性(Linear Function)、多項(xiàng)式(PolynomialFunction)和徑向基(Radial Basis Function)3種核函數(shù)的事件檢測(cè)支持向量機(jī)模型(Support Vector Machine，簡(jiǎn)稱SVM)。

8、 3．將事件檢測(cè)SVM模型與PNN模型和MLF模型分別進(jìn)行理論比較；采用經(jīng)過收集、整理和分析的I-880實(shí)地線圈數(shù)據(jù)集和事件數(shù)據(jù)集驗(yàn)證模型，并將結(jié)果進(jìn)行比較，得出了在I-880高速公路路段建立實(shí)地離線事件檢測(cè)MLF模型、PNN模型和SVM模型的有意義的結(jié)論。 4．為解決高速公路事件檢測(cè)算法融合問題，將表決融合方法引入到事件檢測(cè)領(lǐng)域，并建立一種高速公路事件檢測(cè)算法融合表決融合方法。嘗試采用表決融合方法布爾代數(shù)式的“與”和“或

9、”技術(shù)，定義事件檢測(cè)算法融合表決融合方法的基本概念，并給出事件檢測(cè)算法融合表決融合方法的具體步驟。 5．建立一種事件檢測(cè)效果Monte Carlo仿真模型。通過Monte Carlo仿真模型仿真產(chǎn)生每種事件檢測(cè)算法或每種事件檢測(cè)技術(shù)的事件檢測(cè)效果，從而有效克服了研究條件的限制，為定量分析方法的算例提供數(shù)據(jù)支持。 6．采用定量分析的方法，通過一個(gè)由事件檢測(cè)MLF模型、PNN模型和SVM模型3項(xiàng)算法組成算法融合系統(tǒng)的算例來說

10、明事件檢測(cè)算法融合表決融合方法的具體應(yīng)用過程，并分析方法的有效性。解決了算例應(yīng)用過程中算法融合系統(tǒng)的算法組成、信任級(jí)別的確定、算法融合系統(tǒng)檢測(cè)單元的組合模式、事件檢測(cè)報(bào)表的確定及算法融合系統(tǒng)檢測(cè)概率及誤報(bào)概率布爾代數(shù)表達(dá)式推導(dǎo)4個(gè)關(guān)鍵問題。 7．給出一種事件檢測(cè)算法融合表決融合系統(tǒng)邏輯的硬件實(shí)現(xiàn)方法。 8．在初步探討各種事件檢測(cè)技術(shù)的組合問題的基礎(chǔ)上，為解決高速公路事件檢測(cè)技術(shù)信息融合問題，將D-S證據(jù)理論引入到事件檢測(cè)

11、領(lǐng)域，并建立一種高速公路事件檢測(cè)技術(shù)信息融合D-S方法。解決了建立D-S方法過程中的D-S方法融合對(duì)象的確定、D-S方法的基本可信度賦值及基本信任函數(shù)的決策方法3個(gè)關(guān)鍵問題。 9．構(gòu)造5個(gè)命題，并通過對(duì)5個(gè)命題的證明來詳細(xì)分析事件檢測(cè)技術(shù)信息融合D-S方法的有效性。 10．采用定量分析的方法，通過一個(gè)由線圈檢測(cè)器(Inductive LoopDetectors，簡(jiǎn)稱ILD)、移動(dòng)電話報(bào)告(Cellular Phone，簡(jiǎn)