向懷坤，袁 媛，曾 松

（1. 深圳職業(yè)技術(shù)學院 汽車與交通學院，廣東 深圳 518055；2. 深圳前海云創(chuàng)交通科技服務(wù)有限公司，廣東 深圳518058）

基于LSSVM的交通運行狀態(tài)特征級數(shù)據(jù)融合研究*

向懷坤1，袁 媛1，曾 松2

（1. 深圳職業(yè)技術(shù)學院 汽車與交通學院，廣東 深圳 518055；2. 深圳前海云創(chuàng)交通科技服務(wù)有限公司，廣東 深圳518058）

目前國內(nèi)城市道路交通運行指數(shù)的計算數(shù)據(jù)普遍依賴單一的浮動車車速數(shù)據(jù)，為了進一步探討多源交通傳感器條件下如何有效提高用于指數(shù)計算數(shù)據(jù)的準確性和可靠性，本文以深圳市某快速路的地磁檢測器和浮動車兩種交通傳感器作為實驗對象，在基于云模型云相似度數(shù)據(jù)修復(fù)預(yù)處理基礎(chǔ)上，提出一種基于最小二乘回歸支持向量機（LSSVM）的地磁檢測器和浮動車的多源數(shù)據(jù)融合方法．通過采集該路段的地磁車輛檢測器、自動車牌識別系統(tǒng)和浮動車數(shù)據(jù)，以自動車牌識別系統(tǒng)的采集數(shù)據(jù)作為交通運行狀態(tài)的真值，對地磁檢測器數(shù)據(jù)和浮動車數(shù)據(jù)的融合結(jié)果進行校核．實驗結(jié)果表明，與地磁檢測器和浮動車的單源數(shù)據(jù)得到的特征參數(shù)相比，LSSVM 多源數(shù)據(jù)融合方法得到的交通運行特征參數(shù)更接近真實值．另外，本文還將該方法與傳統(tǒng)的多傳感器加權(quán)數(shù)據(jù)融合方法、BP神經(jīng)網(wǎng)絡(luò)融合方法進行了對比，結(jié)果表明LSSVM多源數(shù)據(jù)融合方法具有更好的數(shù)據(jù)融合精度和可靠性．

城市交通；數(shù)據(jù)融合；運行狀態(tài)估計；最小二乘回歸支持向量機；車牌照數(shù)據(jù)；浮動車數(shù)據(jù)；地磁檢測器數(shù)據(jù)

城市道路交通運行指數(shù)是對城市路網(wǎng)交通總體運行狀況進行定量評估的綜合指數(shù)[1]．目前，國內(nèi)絕大多數(shù)城市的道路交通運行指數(shù)計算的數(shù)據(jù)來源是單一的浮動車平均車速數(shù)據(jù)[1-3]．該數(shù)據(jù)由安裝有定位和無線通信裝置的車輛在行駛過程中采集自身速度和位置信息，并經(jīng)由通信網(wǎng)絡(luò)實時上傳到城市交通管理中心后，通過浮動車數(shù)據(jù)處理軟件實時處理后得到．

調(diào)查表明，目前國內(nèi)一線城市的路況交通運行指數(shù)計算的浮動車數(shù)據(jù)大部分來源于出租車，而出租車在表征城市道路交通運行狀態(tài)時，存在明顯的數(shù)量不足和分布不均衡問題．以深圳市為例，目前上線運營的出租車約1.6萬輛，而城市道路里程約 6900km，其出租車交通密度平均值為2.3輛/km．由此可見，僅僅依靠出租車數(shù)據(jù)來進行城市道路交通運行指數(shù)的建模計算，存在較大的誤差，且可靠性較低．為此，有必要研究面向城市道路交通運行指數(shù)的多源交通數(shù)據(jù)融合方法，將城市道路上現(xiàn)有的多種道路交通傳感器所采集的數(shù)據(jù)進行融合處理，進而提高道路交通運行指數(shù)計算結(jié)果的精度及可靠性．多源交通數(shù)據(jù)融合在交通運行狀態(tài)估計方面的應(yīng)用證明其為行之有效的方法．在主題方面有區(qū)間速度估計[4-7]、路段行程時間估計[8]等；在數(shù)據(jù)來源方面，有線圈數(shù)據(jù)和車聯(lián)網(wǎng)檢測數(shù)據(jù)相結(jié)合[9]、浮動車數(shù)據(jù)和微波檢測器數(shù)據(jù)相結(jié)合等；在融合方法方面，有BP神經(jīng)網(wǎng)絡(luò)[10]、D-S證據(jù)理論[10]、支持向量機[11-14]等．

本文提出一種基于最小二乘回歸支持向量機（Least Squares Support Vector Machine, LSSVM）的多源數(shù)據(jù)融合方法．以深圳市某快速路的地磁檢測器和浮動車兩種交通傳感器采集的車速數(shù)據(jù)作為實驗對象，在基于云模型云相似度數(shù)據(jù)清洗預(yù)處理基礎(chǔ)上[15]，利用所提方法對其進行數(shù)據(jù)融合，以車牌識別系統(tǒng)采集的平均車速作為數(shù)據(jù)融合的真值對實驗結(jié)果進行評價．另外，本文還將所提LSSVM多源數(shù)據(jù)融合法與傳統(tǒng)的多傳感器加權(quán)數(shù)據(jù)融合方法、BP神經(jīng)網(wǎng)絡(luò)融合方法進行了對比，對方法的精度和可靠性進行了驗證．

1 多源交通數(shù)據(jù)融合框架設(shè)計

面向道路交通運行指數(shù)的數(shù)據(jù)融合屬于特征級數(shù)據(jù)融合．交通數(shù)據(jù)特征級融合是將來自各傳感器的原始記錄信息進行交通運行狀態(tài)特征提取，對特征信息進行綜合分析和處理．交通流特征一般采用區(qū)間平均車速、區(qū)間行程車速、道路綜合阻抗、道路服務(wù)水平來表征．數(shù)據(jù)融合的關(guān)鍵是建立一套規(guī)則和處理方法，能夠自動識別輸入的多源交通傳感器數(shù)據(jù)．

結(jié)合數(shù)據(jù)采集現(xiàn)狀，特征級數(shù)據(jù)融合重點針對區(qū)間平均車速進行融合，通過采集試點路段地磁斷面的點車速，獲取試點路段的區(qū)間平均車速；并將其與浮動車區(qū)間車速進行融合，從而獲取更為準確的區(qū)間平均車速．多源特征級交通數(shù)據(jù)融合方法可分為以下4個步驟：

（1）確定融合數(shù)據(jù)：重點對既有的多源傳感器進行分析，明確融合數(shù)據(jù)源；

（2）融合方法選取：依據(jù)數(shù)據(jù)情況，并結(jié)合道路交通條件選取使用的融合方法和模型；

（3）融合試點分析：結(jié)合傳感器的布設(shè)情況和道路交通條件，選取適宜的試點路段，進行特征級數(shù)據(jù)融合實驗分析；

（4）融合效果評估：制定實測方案并采集數(shù)據(jù)作為真值，用于評估數(shù)據(jù)融合效果．

對于任何一種特征級交通參數(shù)而言，如果具備2種及以上傳感器數(shù)據(jù)，即可以進行基于多源傳感器的數(shù)據(jù)融合，從而提高交通參數(shù)分析的質(zhì)量和可靠性，基于多源交通數(shù)據(jù)的融合流程如圖1所示．

圖1 多源交通數(shù)據(jù)的融合流程框架

2 基于 LSSVM 的多源數(shù)據(jù)融合方法

2.1 支持向量機（SVM）的基本形式

支持向量機（SVM）的工作原理是，通過有限的樣本輸入輸出集信息得到較高精度的訓練模型，進而生成最大限度識別任意樣本的普適模型，因而其所具有推廣能力被廣泛運用于數(shù)據(jù)預(yù)測和模式識別等領(lǐng)域．

實際應(yīng)用中，較常使用的是非線性數(shù)據(jù)處理，其 SVM 模型可描述為：取一個映射關(guān)系將輸入向量ix映射到新的特征空間中，將原始輸入集輸出集之間的復(fù)雜的、不確定的非線性關(guān)系:fxy→轉(zhuǎn)換為在這個空間中具有簡單的、確定性的線性關(guān)系．該 SVM 模型的映射函數(shù)形式取為：

2.2 基于最小二乘回歸支持向量機的多源數(shù)據(jù)融合

最小二乘回歸支持向量機（LSSVM）采用最小二乘系統(tǒng)作為損失函數(shù)，與 SVM 模型相比，其優(yōu)勢在于能夠?qū)崿F(xiàn)大尺度數(shù)據(jù)優(yōu)選，簡化運算算法，同時可有效地提高學習速度．基于LSSVM的多源數(shù)據(jù)融合模型構(gòu)造過程如下：

1）數(shù)據(jù)準備．首先選定訓練數(shù)據(jù)對支持向量機模型進行訓練，通過學習找出多種傳感器的探測數(shù)據(jù)與真實值之間的函數(shù)關(guān)系．設(shè)在某一時間段內(nèi)，有n組來自m個檢測器的數(shù)據(jù)每組來自第m個檢測器的數(shù)據(jù)記為 xn∈Rm，將訓練輸入數(shù)據(jù)記為 X = { xi|i = 1 ,2,… ,N,xi∈R}，表示每個檢測器第i個數(shù)據(jù)的集合組成的向量，數(shù)據(jù)實測值為yi，訓練輸出數(shù)據(jù) f （xi）．

2）構(gòu)造支持向量機，求解最優(yōu)化問題．判決函數(shù)構(gòu)造如下：

輸入數(shù)據(jù)與目標值之間的決策函數(shù)關(guān)系為：

3）輸入樣本數(shù)據(jù)訓練．當支持向量的錯誤率及訓練時長滿足要求時，到LSSVM的核函數(shù)和損失函數(shù)組合模式及其相關(guān)參數(shù)．支持向量錯誤率等于支持向量的個數(shù)與樣本數(shù)的比值，該數(shù)據(jù)越小表明訓練結(jié)果越好，同時訓練時長越短，表明訓練效率越高．

4）基于訓練后的LSSVM模型，輸入測試數(shù)據(jù)集，完成數(shù)據(jù)融合測試．基于LSSVM的多源特征級交通數(shù)據(jù)融合模型的計算過程如圖2所示．

圖2 基于LSSVM的多源交通數(shù)據(jù)融合模型

3 實例分析

為了驗證本文的數(shù)據(jù)融合方法，本實例分析數(shù)據(jù)的選取主要考慮了2個因素：一是相同地點，要求多源交通傳感器安裝在大致相同的地點，使所采集的多源交通數(shù)據(jù)具有可比性；二是相同時間，要求多源交通傳感器在相同的時間內(nèi)采集車輛數(shù)據(jù)，確保數(shù)據(jù)融合對象在時間上的一致性．由于深圳市北環(huán)大道僑香村至新洲立交路段安裝了符合要求的地磁車輛檢測器和車牌識別系統(tǒng)，且這一路段的浮動車分布也基本穩(wěn)定，故本文選取該路段2016年9月14日00:00:00-23:59:59共計24 h的車輛檢測數(shù)據(jù)作為實驗數(shù)據(jù)．其中，地磁檢測器數(shù)據(jù)和浮動車數(shù)據(jù)為數(shù)據(jù)融合對象，車牌識別數(shù)據(jù)用于驗證．在數(shù)據(jù)融合前，需要分別對地磁數(shù)據(jù)、浮動車數(shù)據(jù)和車牌識別數(shù)據(jù)進行預(yù)處理，確保數(shù)據(jù)融合前數(shù)據(jù)本身準確可靠．

3.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理總體上包括故障數(shù)據(jù)辨識和故障數(shù)據(jù)修復(fù)兩個步驟．故障數(shù)據(jù)辨識是指利用計算機程序?qū)υ紨?shù)據(jù)中存在的錯誤數(shù)據(jù)、丟失數(shù)據(jù)和較大誤差的數(shù)據(jù)進行自動識別和定位．由于交通數(shù)據(jù)本身大部分都是時間序列數(shù)據(jù)，其數(shù)據(jù)分布和不同時段下的交通流分布特征有密切的相關(guān)性，據(jù)此可以自動辨識絕大多數(shù)故障數(shù)據(jù)．比如根據(jù)道路設(shè)計車速可以辨識那些突變車速值，或者根據(jù)某地點在某時段的年平均交通量分布結(jié)果對交通量檢測數(shù)據(jù)的正確性進行判別；如果在正常的數(shù)據(jù)記錄間隔內(nèi)發(fā)現(xiàn)某一時段內(nèi)無數(shù)據(jù)上傳，則大體可以判定這時出現(xiàn)了數(shù)據(jù)丟失；當交通傳感器由于電氣性能下降導致采集的交通數(shù)據(jù)超出實際范圍，不符合交通流分布規(guī)律，這種情況下需要對該數(shù)據(jù)進行深入分析以修復(fù)較大誤差．故障數(shù)據(jù)修復(fù)是在故障數(shù)據(jù)辨識的基礎(chǔ)上，對定位后的故障數(shù)據(jù)進行剔除、平滑或重建的處理工作．對于單個時間片的數(shù)據(jù)丟失，擬采用指數(shù)平滑修復(fù)法，對于多個時間片數(shù)據(jù)丟失，擬研究采用相似度最近的歷史數(shù)據(jù)修補法，對于相似度的判別，可以在具體實施中靈活考慮K均值聚類、云模型等，設(shè)計相應(yīng)的求解算法．

考慮交通數(shù)據(jù)分布的不確定性特征，本文充分利用云模型在處理不確定性方面的優(yōu)勢對交通數(shù)據(jù)進行預(yù)處理．其總體思路是，利用云模型的逆向云發(fā)生器，對采集的交通數(shù)據(jù)轉(zhuǎn)換成云數(shù)字特征（Ex，En，He），再基于云分布的云團之間的相似性和歷史趨勢進行對比，將滿足相似性條件的數(shù)據(jù)與當前待修復(fù)的故障數(shù)據(jù)進行平滑或重建處理，從而實現(xiàn)故障數(shù)據(jù)的自動修復(fù)[15]，限于篇幅下面直接給出該算法的處理流程圖（如圖 3所示）．

3.2 數(shù)據(jù)融合性能評價指標

本文選用的對數(shù)據(jù)融合結(jié)果的誤差評定指標有：

1）平均絕對百分比誤差（mean absolute percentage error，MAPE），其計算公式為：

式中 f （xi）為數(shù)據(jù)融合值； yi為真值（即車牌識別數(shù)據(jù)）；N為總數(shù)值．

2）標準差（Standard deviation error，簡稱SDE），其計算公式為：

圖3 基于云模型的交通數(shù)據(jù)預(yù)處理流程

式中符號含義同式（7）．

3）最小誤差平方和（Least square error method，簡稱LSE），其計算公式為:

式中符號含義同式（7）．

其中，SDE能夠較好地反映誤差分布的離散程度，從而在一定程度上表明數(shù)據(jù)的可靠性，MAPE反映了誤差分布的大小且計算簡便，LSE則反映了各類數(shù)據(jù)的波動大小，可用于數(shù)據(jù)融合結(jié)果與單一傳感器數(shù)據(jù)質(zhì)量的對比．

3.3 融合效果評價

利用所提模型對實例數(shù)據(jù)進行數(shù)據(jù)融合處理，并利用上述指標對融合后的結(jié)果進行評價．對比結(jié)果如表3所示，可以發(fā)現(xiàn)融合后的結(jié)果比單一來源的數(shù)據(jù)更接近真實值．

在早高峰期多源數(shù)據(jù)融合結(jié)果的 SDE為0.22，MAPE為0.01，LSE為0.03，數(shù)據(jù)融合結(jié)果的SDE、MAPE和LSE指標均好于單一數(shù)據(jù)來源的檢測結(jié)果，可見融合效果較好，數(shù)據(jù)融合模型應(yīng)用于該路段該時段的特征級融合是合適的．

將提出的基于LSSVM的數(shù)據(jù)融合方法與其他常用的方法進行對比，包括基于傳感器性能指標權(quán)重的數(shù)據(jù)融合方法和基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合方法，對比匯總結(jié)果見表1．結(jié)果表明，基于傳感器性能指標權(quán)重的數(shù)據(jù)融合方法相比于單一來源的傳感器數(shù)據(jù)，在SDE、MAPE、LSE 3項評價指標方面均有所減?。c另外2種數(shù)據(jù)驅(qū)動的數(shù)據(jù)融合方法相比，基于傳感器性能指標權(quán)重的數(shù)據(jù)融合方法的融合能力最差，客觀反映了基于主觀經(jīng)驗的權(quán)重估計方法存在較大誤差，難以達到數(shù)據(jù)融合的要求．基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合方法極大改進了融合效果，體現(xiàn)了數(shù)據(jù)驅(qū)動算法在數(shù)據(jù)融合中相比于權(quán)重估計方法的先進性．在算法結(jié)構(gòu)方面，基于LSSVM的數(shù)據(jù)融合方法都優(yōu)于BP神經(jīng)網(wǎng)絡(luò)．而且實驗結(jié)果也充分證明了，所提方法進一步地減少了多源數(shù)據(jù)融合的誤差，具有明顯的精度和效率優(yōu)勢．比如，在SDE、MAPE、LSE 3個指標方面對數(shù)據(jù)進行對比，BP神經(jīng)網(wǎng)絡(luò)融合方法相對于基于傳感器性能指標權(quán)重的數(shù)據(jù)融合方法分別減少了 42%、62%、45%，LSSVM 融合方法相對于 BP神經(jīng)網(wǎng)絡(luò)法分別減少了 93%、99%、72%．誤差分析結(jié)果表明，所提方法的融合效果總體較為良好．

表1 單一檢測器數(shù)據(jù)與融合結(jié)果的精度對比

4 結(jié) 論

由于單一交通傳感器設(shè)備在日常使用過程中存在突發(fā)性故障等問題，導致單一來源的數(shù)據(jù)不準確．解決上述問題的最好方法是增加交通傳感器設(shè)備，從而實現(xiàn)交通參數(shù)采集的冗余，增強數(shù)據(jù)的可靠性，但同時需要研究有效的多源異構(gòu)交通傳感器的數(shù)據(jù)融合問題．本文設(shè)計了多源交通數(shù)據(jù)的融合框架，提出一種基于LSSVM的多源交通數(shù)據(jù)融合方法．從數(shù)據(jù)融合方法的研究成果來看，基于傳感器性能指標權(quán)重的多源數(shù)據(jù)融合法計算思路簡單、明了，運算速度非?？欤梢约磿r得到數(shù)據(jù)融合結(jié)果，但該方法需要不定期根據(jù)傳感器的運行性能確定傳感器性能指標；基于LSSVM的數(shù)據(jù)融合法和基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合法效果相對較為良好，其中，基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合方法不需要事先對傳感器的精度和可靠性進行置信度評價，可以方便地進行網(wǎng)絡(luò)設(shè)計與網(wǎng)絡(luò)訓練，但其數(shù)據(jù)融合精度受網(wǎng)絡(luò)結(jié)構(gòu)、訓練樣本等的影響．下一階段有必要對數(shù)據(jù)采集方案進行優(yōu)化，同時進一步完善數(shù)據(jù)融合模型．

[1] 王妍穎，黃宇．基于大數(shù)據(jù)下的北京交通擁堵評價指標分析[J]．交通運輸系統(tǒng)工程與信息，2016，16（4）：231-240．

[2] 徐麗香，王云鵬，于海洋．基于局部敏感判別分析的路網(wǎng)狀態(tài)特征提取模型研究[J]．交通運輸系統(tǒng)工程與信息，2016，16（3）：95-100．

[3] 韋清波，何兆成，鄭喜雙，等．考慮多因素的城市道路交通擁堵指數(shù)預(yù)測研究[J]．交通運輸系統(tǒng)工程與信息，2017，17（1）：74-81．

[4] Bachmann C, Abdulhai B, Roorda M J, et al. A comparative assessment of multi-sensor data fusion techniques for freeway traffic speed estimation using microsimulation modeling[J]. Transportation Research Part C Emerging Technologies, 2013，26（1）：33-48．

[5] Zhang N, Xu J, Lin P Q, et al. An approach for real-time urban traffic state estimation by fusing multisource traffic data[C]// Intelligent Control and Automation. IEEE,2012：4077-4081．

[6] Kong Q J, Li Z, Chen Y, et al. An approach to urban traffic state estimation by fusing multisource information[J]. IEEE Transactions on Intelligent Transportation Systems, 2009，10（3）：499-511．

[7] Cipriani E, Gori S, Mannini L. Traffic state estimation based on data fusion techniques[C]// International IEEE Conference on Intelligent Transportation Systems. IEEE, 2012：1477-1482．

[8] 胡小文，楊東援．基于數(shù)據(jù)融合的路段行程時間估計[J]．交通信息與安全，2011，29（4）：92-98．

[9] Li J, Bie Y, Gao J, et al. Traffic State Estimation Using Data Fusion with Fixed Loop Detector and Connected Vehicle Data[C]//World Conference on Transport Research. 2016．

[10] 李瑞敏，馬瑋．基于BP神經(jīng)網(wǎng)絡(luò)與D-S證據(jù)理論的路段平均速度融合方法[J]．交通運輸工程學報，2014（5）：111-118．

[11] 麥曉冬．基于支持向量機的室內(nèi)室外圖像分類方法[J]．廣東輕工職業(yè)技術(shù)學院學報，2010（03）：2-4．

[12] 徐華中，吳蘇，劉念．基于多傳感器數(shù)據(jù)融合技術(shù)的短時交通流檢測[J]．傳感器與微系統(tǒng)，2009（2）：104-105．

[13] 趙娜樂，于雷，耿彥斌，等．基于SVM的數(shù)據(jù)層多源ITS數(shù)據(jù)融合方法初探[J]．交通運輸系統(tǒng)工程與信息，2007，7（2）：32-38．

[14] Shamshirband S, Petkovic D, Javidnia H, et al. Sensor Data Fusion by Support Vector Regression Methodology-A Comparative Study[J]. IEEE Sensors Journal, 2015，15（2）：850-854．

[15] 萬佳．基于云模型的路網(wǎng)交通擁堵狀態(tài)判別算法研究[D]．哈爾濱工業(yè)大學，2012：7-12．

Abstract: At present, domestic urban road traffic index calculation data generally rely on a single floating car data. In order to further explore the accuracy and reliability of the data used in the index calculation method,this paper takes the geomagnetic detector and floating vehicle of one expressway in Shenzhen as the experimental object. Based on the data preprocessing on the similarity of cloud model, a multi-source data fusion method based on Least Squares Support Vector Machine (LSSVM) for geomagnetic detectors and floats is proposed. By collecting the geomagnetic vehicle detectors, automatic license plate recognition system and floating car data, the results of the data fusion between the geomagnetic detector data and floating car data are verified by the traffic conditions true value collected and recognized by the automatic license plate recognition system. The experimental results show that the traffic characteristics gained by multi-source data fusion method based on LSSVM is closer to the real value. In addition, the method is compared with the traditional multi-sensor weighted data fusion method and BP neural network fusion method. The results show that the LSSVM multi-source data fusion method has better data fusion precision and reliability.

Key words: urban traffic; data fusion; traffic state estimation; least squares support vector machine(LSSVM); automatic vehicle license plate recognition data; probe data; geomagnetic detectors data

Research on Feature - level Data Fusion of Traffic Operation State Based on LSSVM

XIANG Huai-kun＊1, YUAN Yuan1, ZENG Song2
（1. School of Automotive and Transportation, Shenzhen Polytechnic, Shenzhen, Guangdong 518055, China;2. Shenzhen Qianhai Cloud Innovation Traffic Technology Services Limited Co., Shenzhen, Guangdong 518000, China）

U268.6

A

1672-0318（2017）05-0042-06

10.13899/j.cnki.szptxb.2017.05.008

2017-06-14

*項目來源：教育部人文社科資助項目（16YJE630003）

向懷坤（1971-），男，四川人，博士，副教授，主要研究方向:智能交通管理與控制．