数据融合技术在交通管理系统中的应用王娟娟

多传感器数据融合技术在交通管理系统中的应用Theapplicationofmulti-sensordatafusiontechnologyintrafficmanagementsystem姓名：王娟娟学号：201500357009导师：刘云学1摘要：随着科学技术的发展，在近十年的时间里，人们在不同的电子信息系统中利用大量的不同类型的传感器，在军事领域利用各类传感器所收集的大量信息和情报进行分析、处理、综合，因此多传感器数据融合技术迅速发展成为一个新的学科方向和研究领域。现代生活层次的不断提高，车辆交通方便，同时交通管理也变得越来越重要，想要更好的管理交通系统，对交通基础数据的预测不容忽略，而多传感器数据融合在交通管理系统中的作用不容小觑，在交通流大的情况下，多传感器数据融合技术的优点尤为突出，并逐渐成为交通管理系统的主要工具。一、引言：多传感器数据融合（MULTISENSORDATAFUSION）这一术语经常出现在大量的文献资料中，但迄今为止，对其尚未有一个普适的和明确的定义，出现这种情况的主要原因是这一研究领域覆盖范围的广泛性和多样性。美国国防部实验室联谊会数据融合专家组在其1991年出版的数据融合字典中对传感器和数据融合给出了如下定义：数据融合是把来自许多传感器和信息源的数据和信息加以联合、相关和组合，以获得精确的位置估计和身份估计，以完成对战场态势和威胁以及其重要程度进行实时的、完整的评价的处理过程。多传感器信息融合研究的对象是各类传感器提供的信息，它是一种针对单一传感器或多传感器数据或信息的处理技术,通过数据关联、相关和组合等方式以获得对被测环境或对象的更加精确的定位、身份识别以及对当前态势和威胁的全面而及时的评估。因此随着工业化进程的复杂性，其应用也不仅仅局限于军事领域，更多的应用于日常的生活中，交通管理系统就是多传感器数据融合技术应用中的一项重要应用。传感器网络为智能交通系统获取准确的交通参数如车速、交通流量及道路占有率等，这些参数是实施交通管理的基础。传统的监测传感器如感应线圈、摄像机等制约了现有系统的可扩展性并影响了网络的效率，而基于多传感器数据融合技术的多源交通信息数据的融合可获取比传统传感器更精确的交通信息，实现更加有效的交通监控和管理、节能减排等应用，包括电子收费、停车管理、路口交通诱导等等。交通信息的高效是建立在准确、丰富的动态道路信息基础上的，因此，单一的传感器检测难以满足要求，适当增加同类传感器只数可以消除单一传感器所带来的局限性，利用数据融合技术可以你减少数据处理过程中的错误率，利用多传感器数据融合技术能够更好的预测交通信息，引导人们出行，保证安全。二、多传感器数据融合方法1、多传感器数据融合原理基本原理：将被测对象的非电物理特征量通过传感器和变送器转换成为电信号，然后经过A/D转换将现场参数变为可由计算机处理的数字量。数字化后的电信号经过预处理，以滤除数据采集过程中现场环境下的干扰和噪声，经处理后的目标信号作特征提取，根据所提取的特征信号进行数据融合，输出最终结果。原理如图所示：22、数据融合的功能模型及结构模型数据融合系统的结构模型有多种形式。按对位置融合抽象的层次不同有:集中式(中心级):将量测数据送到融合中心；分布式(传感器级):将处理后的数据送到融合中心；混合(hybrid)结构:集中式/分布式的结合。按传感器网络拓扑结构的不同可分为:并联融合结构、串联融合结构、树型(tree)融合结构、网状(mesh)融合结构。以上分类是从不同的侧面对数据融合结构进行了描述;对于一个实际应用系统结构而言，可能是以上几类分法结构的综合。目前最具代表性和权威性的功能模型是JDL提出的:将数据融合处理分为四层，第一层为目标跟踪、第二层为态势评估、第三层为基于粗糙集多目标跟踪的数据融合算法研究威胁估计，第四层为数据融合过程的管理。我国数据融合专家何友将数据融合的功能模型分为五个层次:检测层融合、位置(跟踪)层融合、属性(目标识别)层融合、态势评估和威胁评估。3、数据融合算法分析多传感器是数据融合的硬件。多传感器的观测数据是数据融合的对象，融合的算法则是数据融合的核心。基于统计信号处理的方法包括Kalman滤波，概率密度互联滤波（PDAF），联合概率密度互联滤波（JPDAF），交互式多模型方法（JMM）等都与目标跟踪和状态估计密切相关，主要应用于军事及相关领域，其应用目的和信号特点在工业领域相差较远。我们关心的算法集中在与工业应用联系紧密的方法。这些主要针对决策融合。决策融合的算法基本上基于概率、统计以及其它不确定测度。融合算法的基本过程就是一个决策过程。而在不同的工业应用中这个决策过程可能是分类、诊断、识别、或者预测。它们都是把相关的信息用各种知识表示方法得到相应的测度，在这个测度的基础上用融合的方法计算出目标对象的测度值，从而实现决策问题的求解。一些主要的决策融合方法包括：Bayesian推断，Dempster-Shafer证据理论，模糊逻辑，可能性理论以及人工神经网络等。三、交通管理系统中的数据融合方法基础交通参数主要是指:交通流量、交通流密度、交通流速度、占有率、车辆排队长度等几个指标。这些交通参数是最主要的动态交通信息，它们实时地反映整个交通系统的运行状态，它们是各种交通检测器的主要采集对象。之所以把它们叫做基础交通信息，是因为它们是通过最直接的方式获得的最原始的交通数据。通过对这些基础交通参数做进一步的处理，我们可以判断路网上交通状态是顺畅还是拥挤，也可以判断出是否有事件发生，这些交通状态信息对交通管理者和对交通参与者来说都是更有意义、更有决策价值的。而这些间接信息的获得依赖于基础交通参数准确和及时的获得。因此，各种采集设备采集到的基础交通参数的准确性，对ATMS各子系统功能的实现，对ATMS的运行效率有着至关重要的影响。下面介绍一种速度融合算法：31、一种基于统计原理的路段平均速度组合融合算法相比较而言，交通系统的传感器信息采集系统，就像人的感觉是通过感觉器官来接收外界信息的。因此，交通信息采集系统的传感器达到一定的质量，而且还要达到一定的数量，才能满足实际的需要。当然这个数量并不是越多越好，一方面是成本上的考虑，另一方面是处理负荷上的考虑。我们设定一个路段的传感器布设方案如图下图所示：这里，路段AB是一段双向四车道路段。路段上布设的环形线圈检测器。在路段的两端及路段的中间分别安排四组，如图所示。对于环形线圈检测器，应该在每个断面的每车道下面埋设一个感应线圈，这样检测结果比较准确，而在两个车道中间埋设一个传感器的方案，在检测同时到达该断面的多个车辆时只输出一辆车的结果，检测误差较大。为了得到比较均衡的区间平均速度值，在路段中间，根据路段的长度，间隔200米左右再埋设几组传感器是比较合理的方案。本文下面讨论的速度融合算法均以此布设方案为基础。（1）分批估计融合算法原理设多个传感器（不妨设为m个）在剔除疏失误差后的测量数据为12,,......,nxxx多将传感器测量的数据分为k批，每一批测量数据可记12,,......,,1,2,...,pppjxxxpk。根据分批方法的不同，各批中的数据量可以相等也可以不等。然后分别计算各批测量数据的算术平均值，记为12,,......,kxxx，且11,1,2,...,jppiixxpkj（式1）相应地，标准差记为12,,...,k，且211(),1,2,...,.1jppipixxpkj由于各批测量数据之前没有任何有关测量的统计信息，因此，在此之前测量结果的方差可认为，即1()0。由分批估计理论知，分批估计后得到的数据融合结果111[][][]TTxxHRxHRx（式2）4式中为分批估计数据融合结果的方差；H为测量方程的系数矩阵；R为测量噪声的协方阵；x为上次数据融合结果，x为算术平均值矩阵，且有111[()],THRH（式3）11...1H12...kxxXx[]TRE=221121122212222212[][]...[]0...0[][]...[]0...0...............0......[][]...[]00...kkkkkkEEEEEEEEE于是，有2111121[()]kiTikiiHRH（式4）21112212212211212211()0...00()...0[11...1]......0......00...()kiikiikkkikqikqqiixxxxx（式5）上式5即为分批估计信息融合算法，在实际中可根据分批数ｋ的不同，对式5进行化简。（2）分批估计算法在时间平均速度融合中的应用融合算法式5在批数ｋ较小时,计算量不大,实时性较好。在ITS领域，由于成本和实际需要上的考虑，同一断面的检测器数量不会太多，因此，这种方法比较适合于交通流参数的实时处理。以前面的路段传感器布设方案为基础，我们讨论：在单向双车道的同一断面上的时间平均速度的融合问题。设在某一观测期（即一个采集周期）内，共有(1,2)jNj辆车通过检测点该断面的第j个车道，且通过第一个车道的每辆车的速度分别为：111121,,...,,N通过第二个车道的每辆车的速度分别为：5221222,,...,,N应用分批估计的算法，首先，我们把这些车辆速度数据按传感器不同分成两组，则两组的速度均值及标准差如下：11,1,2.jNjjiijjN（式6）211(),1,2.1jjjijijjN（式7）在k=2情况下，上述的多传感器信息融合算法式5可化简为1222111222122122222112222212120[11]0（式8）研究证明，分批估计算法得到的方差比简单平均算法得到的方差小。由此可以得出结论：分批估计融合算法可以用来进行时间平均速度的融合估计，并且它比简单平均算法融合效果更好。（3）自适应加权平均融合算法在路段交通流参数中，计算路段行程时间通常需要区间平均速度。因此，在得到断面时间平均速度之后，还要对它们作进一步处理。最简单的办法还是求简单平均值，但是简单平均不是最合理的处理办法，它的误差一般比较大。本文采用加权平均算法来进行区间平均速度的融合处理。而在应用加权平均算法时，影响融合结果的最关键因素是权值，为每个数据赋的权值不同，则融合值也不同。本文中以总方差最小为目标，为每一个时间平均速度值赋予相应的权数。我们继续使用上面的路段传感器布设方案来讨论区间平均速度的融合问题。由于路段上不同位置的车辆速度是不同的，如何处理这些数据才能反映真实的交通状况。简单平均的方法实质上是给每一个断面的值以相同的权值，这是不符合实际情况的。本文应用一种自适应加权平均信息融合算法，即根据实际情况，自动调整各个断面数据的权值，使数据融合的结果在总均方误差最小这一最优条件下，根据各个传感器所得的检测值以自适应的方式寻找其对应的权值，使融合后的X达到最优。我们引入加权因子W后，多传感器数据融合值应为：1iniiVWV（式9）其中n为路段上布设的传感器组数，并且11niiW（式10）则总均方误差为：62221niiiW（式11）上式中2是各加权因子iW的多元二次函数。根据多元函数求极值定理，可求出当加权因子为：22111iiiniW（式12）2是最小值，且2min211ini利用式5的分批估计信息融合算法，对路段上同一断面多传感器数据进行时间平均速度融合，则各断面的时间平均速度为：212211(),1,2,...