《城市道路智能交通管理平台关键技术研究》由会员分享，可在线阅读，更多相关《城市道路智能交通管理平台关键技术研究（10页珍藏版）》请在金锄头文库上搜索。
1、城市道路智能交通管理平台关键技术研究顶一下:0踩一下:0 2014-08-25 16:03:14 来源：ITS智能交通杂志7月刊 评论：0 点击：166 摘要：城市道路交通管理平台是智能交通领域建设过程中对信息共享、应用系统互联互通、多源数据整合、以及交通信息预测、系统管理和应用的客观需求而提出的一个综合交通信息平台，是缓解交通拥堵、城市道路交通运行管理以及城市道路交通信息共享的迫切需要。第九届中国国际城市智能交通论坛期间，国内外专家围绕城市智能交通发展各抒己见。 文/赵怀明1 李一林2 刘晓波2城市道路交通管理平台是智能交通领域建设过程中对信息共享、应用系统互联互通、多源数据整合、以及交通信
2、息预测、系统管理和应用的客观需求而提出的一个综合交通信息平台，是缓解交通拥堵、城市道路交通运行管理以及城市道路交通信息共享的迫切需要。第九届中国国际城市智能交通论坛期间，国内外专家围绕城市智能交通发展各抒己见。道路交通系统是国民经济的命脉，它对城市及区域经济发展和人民生活水平的提高起着极其重要的意义。随着人口增长、国民经济发展及城市化进程的推进，交通需求量急剧增长，全国范围内的大中城市及沿海地区道路基本出现了严重的交通拥堵现象。如何解决道路交通拥堵问题已经成为交通运输系统可持续发展的一个重要课题。一般来说，要想解决道路交通拥堵问题主要是降低道路交通负荷，使道路交通通行能力适应交通流的要求，可通
3、过三条途径去实现：1、道路基础设施建设，提高道路交通网络容量。但基础设施建设投资巨大，建设周期长，且当道路交通网络基本完善以后，再修建道路能产生的运输效率已经很低，相反会刺激交通需求的产生；2、交通需求管理，降低道路交通负荷。通过对交通源一系列政策性管理措施，影响交通结构，削减交通需求总量，达到减少道路交通流量的目的；3、交通系统管理，提高道路交通网络的运输效率。通过对交通流的一系列技术性管理措施，对交通流的管制及合理引导，引起交通流在时间上、空间上的重分布，均匀交通负荷，提高道路交通网络的运输效率。智能交通技术（ITS），是指将先进的信息技术、数据通讯传输技术、电子控制技术、计算机处理技术等
4、应用于交通运输行业从而形成的一种信息化、智能化、社会化的新型运输系统。智能交通系统管理是交通系统管理的主要模式。一、城市道路交通管理平台建设的必要性1、缓解交通问题的迫切需要利用城市道路交通管理平台对交通状况进行全面评估与预测，进而通过信息发布和交通控制手段，来诱导和主动调节城市道路上交通需求的时间与空间均衡分布，进一步提高现有道路网络设施运营管理效率。2、城市道路交通运行管理的迫切需要 交通运行管理控制、调度未形成一定的规模，智慧化的辅助决策工具需要进一步加强； 交通运输系统分析评估管理缺乏有效的行业数据分析、融合处理和决策数据支撑； 综合交通信息服务需要进一步人性化、个性化，信息服务手段需
5、要进一步丰富。3、城市道路交通信息共享的迫切需要目前城市虽已建设多个智能交通系统，但各系统之间相互较为独立，缺乏一定的信息共享与交互。城市道路交通管理平台可以实现城市道路交通信息资源汇聚、统一管理、共享和交换，它的建设对于带动城市道路交通信息化具有非常重要的实践价值和指导意义。二、城市道路智能交通管理平台关键技术文献从军事应用方面介绍了美军智能交通技术，如自动识别监测技术、辅助驾驶技术、运输定位技术等在运输物资识别、运输车辆跟踪定位等方面的应用， 以及美军的全球运输信息网、全球运输可视网等运输智能化系统建设现状。文献阐述了目前智能交通的典型应用场景，并从物联网的网络分层架构对智能交通中涉及的关
6、键技术及其发展现状进行了分析。文献主要介绍了交通信息提取计算技术、车路协调技术（Vehicle Infrastructure Integration,简称VII）。而本文将智能交通系统构建分为数据采集阶段、数据传输阶段、数据库平台阶段。主要包括传感器技术、统计分析技术、数据融合技术、图像识别技术、卫星定位技术、地理信息技术、通信技术、互联网技术、数字化多媒体技术、数据库技术、交通仿真技术等。本文仅针对城市道路智能交通管理平台构建中的关键技术进行分析研究。1、数据采集技术动态交通数据采集技术主要通过设置于断面以及交叉口的各类交通数据采集设备实现。目前的自动车辆检测技术有环形线圈检测器、超声波检测
7、器、磁性检测器、红外线检测器、微波检测器、基于RFID的车辆检测器、橡胶气压管检测器和视频图像处理技术等。同时，交通环境检测技术也是动态交通数据采集技术重要的组成部分。交通环境检测器工作原理是将内置传感器获取检测区域内的气象、噪声、路面状况等环境信息传输至交通控制中心（一般交通环境检测器难以综合检测上述风速、风向、噪声等所有指标，常会根据检测区域需要安装对应的交通环境检测器）。2、数据预处理技术交通数据预处理主要包括动态交通流数据的有效性检验、缺失数据估计、数据的时间及空间汇集等。以动态交通流数据处理为例，由于固定式车辆检测器受自身工作状态、网络传输、道路交通状况及周围环境等不确定性因素影响，
8、采集数据往往存在错误、丢失、时间点漂移、噪声过大等问题。如果对原始数据不加以质量控制而进行直接利用，则会对数据的进一步分析处理造成潜在的准确性和可靠性风险，造成系统人为干预度大、可持续性不强、应用领域受限等不良影响。动态交通流数据质量控制技术主要解决了两方面的问题，分别为动态交通流数据的有效性检验和缺失数据的动态估计。其中，动态交通流数据的有效性检验采用阈值约束结合交通流理论的方法，可对实时采集数据的有效性进行判别。缺失数据的动态估计针对不同的数据缺失模式，通过合理利用历史数据，采用相对最优方法，可实现对缺失数据、错误数据和无效数据的动态估计。3、多源异构数据融合技术在数据融合处理方法层面，数
9、据处理中应结合具体的需求指标对指标估计方法等进行评估，不同的指标数据处理模型或算法可能不同。现阶段，比较常用的数据融合方法主要有：表决法、模糊衰退、贝叶斯汇集技术、BP神经网络、卡尔曼滤波法、D-S理论等方法。以基于视频卡口采集的车辆拍照数据及道路、道路断面采集的交通流量、速度、占有率数据为例，路段行程时间数据融合估计及预测流程如图1所示。图1 道路路段行程时间数据融合估计与预测流程就交通数据融合模型而言，交通数据融合模型构建拟重点应用D-S证据推理理论（Dempster首先提出、由Shafer进一步发展），辅之以卡尔曼滤波算法等。D-S证据推理理论的应用涉及三个重要的函数，包括基本概率分配函
10、数（Basic ProbabilityAssignment Function）（又称作证据函数）、信任函数（Belief Function）、以及似然函数（PlausibilityFunction）。证据函数是证据推理理论的基础，信任函数和似然函数可以看作一个概率区间，信任函数为下限函数，表示命题为真的信任程度；似然函数为上限函数，表示命题非假成立的不确定性度量。基于D-S证据推理理论，每个数据源均可以根据自己定义的证据函数，在同一识别框架下做出各自的判断。将多个数据源各自的判断，即证据函数，进行合理的合并方法称为合并法则（CombinationRule）。4、交通运行状况实时判别技术实时、准
11、确的交通状态判别是实现城市道路交通状况综合监测功能和交通信息实时发布和诱导功能的关键技术之一，是辅助交通管理者制定拥堵疏导方案、评价道路交通性能的重要基础。同时，交通运行状况实时判别技术对提高道路运行效率，优化交通流在路网空间上的分布，减少出行时间，降低尾气排放有着重要的意义。目前国内外交通运行状况判别多以单参数阈值为主，经验成分较多，其中最为常用的是美国道路通行能力手册（HCM,Highway Capacity Manual），该手册中将道路服务水平分为A-F六级，并通过道路服务水平来描述交通流在道路中的运行状况。本文采用的交通运行状况实时判别技术主要分为四部分内容：（1）基于历史交通流基础
12、数据，采用两步聚类算法对不同类型道路的交通流基础数据进行分析，形成与相应路段交通运行特点相适应的最优交通状态分类；（2）综合考虑交通流运行参数（流量、速度、占有率）之间的关系，将交通流基础数据作为整体进行聚类分析；（3）采用时间窗口的储存结构，动态更新数据，获取当前时间间隔的交通流基础数据；（4）基于数据驱动的模式，更新两步聚类算法参数和聚类中心，重新确定交通状态的最优分类，并判别当前时间间隔的实时交通状态。时间窗口的实时交通状态判别方法基于历史和实时交通流数据，综合考虑交通流基础数据属性变量间的关系，根据不同类型道路交通流运行特点对交通状态进行合理分类，并能进行动态调整，准确判别道路交通流在
13、行人、非机动车、天气等干扰因素影响下的交通流状态，弥补了传统交通状态判别算法仅利用单类数据、交通状态分类固定、无法进行实时调整、误判率高的局限性，保证了交通状态判别的合理性和准确性。5、交通流参数短时预测技术交通预测是实现智能交通控制与管理的关键环节，目前的研究成果以交通参数的短时预测为主，如预测15分钟时间间隔以内的交通量、行驶速度以及行程时间等参数。预测模型的选择与构建是交通参数预测的关键，模型的合理性及可操作性对预测结果的准确性和实时性起决定作用。现有的交通参数预测模型主要可分为统计模型和人工智能模型两类。其中统计模型包括：支持向量机模型、历史平均模型、卡尔曼滤波模型、时间序列模型等；人
14、工智能模型主要指各类神经网络模型。本文将交通流参数短时预测技术分为两部分，其一是针对目前城市道路行程时间数据估计和预测以单一视频号牌识别数据为基础、行程时间数据覆盖范围较低这一缺点，提出了基于数据融合的城市道路行程时间估计与预测技术；其二是针对目前仅采用单变量进行交通状态预测以及对预测可靠性分析的不足，提出了城市道路交通状态多变量时间序列预测及可靠性预测技术。城市道路行程时间估计与预测技术主要包括四个方面：（1）交通流时空变化特征分析及运行状态时空演变模型构建；（2）采用数据融合技术的路段交通流状态参数估计；（3）行程时间短时预测；（4）行程时间可靠性指标预测模型构建。城市道路交通状态多变量时
15、间序列预测及可靠性预测技术是实现交通状况预测预报功能的支撑技术。该技术主要分为两部分：（1）构建基于流量和速度双变量的城市道路多变量时间序列模型，以实现城市道路交通状态短时预测；（2）构建多变量时间序列模型预测结果的异方差检验及多变量自回归条件异方差模型，以分析交通状态时间序列模型预测的可靠性。交通流时空变化特征分析是在实测交通流数据基础上对交通参数的时间连续性及离散型特性进行分析，并研究不同交通状态下的交通基本状态参数在路段空间上的分布特征。在交通流时空变化特征基础上，利用车辆排队机元胞传输等交通流基础理论构建不同状态（自由流状态、拥挤状态、堵塞状态、事故状态）下的交通流时空演变模型。基于该模型，估计路段交通流量、空间平均速度等参数，并利用Dampster-Shafer证据推理数据融合理论获得路段空间平均速度。行程时间短时预测是利用多变量时间序列模型构建路段空间速度实时预测模型，在该模型的基础上构建交通传播影响下的路线行程时间短时（5分钟）预测模型。最后，利用广义自回归条件异方差（GARCH）模型构建以方差为可靠性指标的预测模型构建方法。在城市道路交通状态多量时间序列方法研究方面，基于Johansen协整检验以及Granger因果检验，分析、验证流量
