辛華輝　費銀軍　王海光　尤貝貝

摘要：本文基于浮動車和固定檢測器技術采集數(shù)據(jù)的特點，研究了兩種數(shù)據(jù)源的融合問題，利用動量法改進的BP神經(jīng)網(wǎng)絡構建了基于道路交通狀態(tài)指數(shù)的數(shù)據(jù)融合模型。通過仿真實驗，驗證了融合模型的有效性。

Abstract： In this paper， fusion problems of two data sources were investigated based on characteristics of collection data of floating car and fixed detector technology. computation model of traffic state index was established and data fusion model based on index of road traffic state by BP NN improved by momentum method. Also， the model was validated by simulation experiment.

關鍵詞：BP神經(jīng)網(wǎng)絡;交通狀態(tài)指數(shù);數(shù)據(jù)融合

Key words： BP network;traffic state index;data fusion

中圖分類號：U491 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號：1006-4311（2019）23-0276-02

0 ?引言

實時而準確的道路交通信息是實行現(xiàn)代交通管理與控制、誘導、規(guī)劃的重要保障，也是智能交通系統(tǒng)建設的重要內容。單一的檢測技術獲取的數(shù)據(jù)源對道路交通進行的評價往往不能正確反映交通的運行狀態(tài)，存在很大誤差。而采用數(shù)據(jù)融合技術對多源交通數(shù)據(jù)進行融合，可以彌補單一數(shù)據(jù)源的諸多不足，達到優(yōu)勢互補，獲得更加準確的交通信息，提高估計的精度。

數(shù)據(jù)融合技術應用于數(shù)據(jù)處理上，可以得到更加全面、準確的信息。近年來，城市智能交通的快速發(fā)展，對信息提出了更高的要求，國內外研究者對數(shù)據(jù)融合技術在交通領域的應用進行了廣泛的研究，主要集中在以下幾個方面：2006年，Zou和Zhu[1]根據(jù)動、靜態(tài)檢測器數(shù)據(jù)建立了基于BP神經(jīng)網(wǎng)絡的行程時間估計融合模型。2013年，Bachmann[2]等把浮動車和固定線圈檢測器數(shù)據(jù)結合起來，用七種算法把多傳感器的速度進行了融合估計計算。2011年，張赫、王緯等[3]分析數(shù)據(jù)融合技術在交通控制系統(tǒng)中的應用，構建了一種基于信息融合思想的神經(jīng)網(wǎng)絡模型。2014年，李嘉、劉春華[4]基于微波檢測數(shù)據(jù)、線圈數(shù)據(jù)和視頻檢測數(shù)據(jù)，構建了遺傳算法優(yōu)化的小波神經(jīng)網(wǎng)絡數(shù)據(jù)融合模型。

本文在前人研究的基礎之上，將數(shù)據(jù)融合技術應用于交通狀態(tài)量化評價的應用中，用動量法對BP神經(jīng)網(wǎng)絡進行優(yōu)化，構建了交通狀態(tài)指數(shù)的數(shù)據(jù)融合模型，并對模型的有效性進行驗證，彌補了單一交通數(shù)據(jù)源用于評價的局限性，提高了交通狀態(tài)評價的精度。

1 ?動量法改進的BP網(wǎng)絡模型

標準的BP算法是利用梯度下降法對權值和偏值進行修正，其迭代過程可用如下公式表示

式中，x （k）是全部權值和偏值構成的向量;？濁是學習速率;是目標函數(shù);是目標函數(shù)的梯度。

BP算法可以使權值收斂到一個解，但是它不能保證所求是誤差超平面的全局最小解，由于學習速率？濁是一個較小的常數(shù)，求得的解很可能是一個局部極小值。為了避免出現(xiàn)局部極小值問題，本文將采用動量法對BP神經(jīng)網(wǎng)絡進行改進，在此基礎上完成模型的構建。

動量法在網(wǎng)絡進行權值修正時，綜合分析了誤差在梯度上的作用和在曲面上走勢的變化，它就像低通過濾器一樣，使網(wǎng)絡忽略其上的細微變化。在沒有附加動量時，網(wǎng)絡可能陷入局部極小值，利用動量法可以使網(wǎng)絡滑過這些極小值，求得最優(yōu)解。

動量法改進的BP網(wǎng)絡權值修正的迭代過程可用如下公式表示

采用動量法進行網(wǎng)絡設計中，當修正權值在誤差中有很大的增長時，應取消新的權值，使動量作用停止下來，保證網(wǎng)絡不進入較大誤差曲面;與先前誤差相比，新的誤差變化率大于事先設定的變化值時，應取消相應的權值變化。其最大誤差變化率理論上可取任何不小于1的值，實際中一般取1.04。故在進行動量法的網(wǎng)絡設計時，要做條件判斷，保證權值修正的正確性。

訓練過程中，采用動量法進行條件判斷可表示為

式中，SSE是網(wǎng)絡的輸出誤差平方和。

實際研究發(fā)現(xiàn)，訓練參數(shù)的選擇對動量法的網(wǎng)絡訓練結果有很大的影響。若學習速率過大，將會使誤差值往返震蕩;學習速率過小，會使動能太小，只能跳出很小的“坑”，對于較大的“坑”和“谷”無法跳過。而誤差相對于權值的曲線（面）形狀與凹凸性是由問題本身決定的，一般情況下只能采用不同的學習速率進行對比（典型值取0.05）。因此，應給予該類型網(wǎng)絡足夠多的訓練，使其訓練結果為最后穩(wěn)定到最小值時獲得的結果。

2 ?交通狀態(tài)指數(shù)融合模型設計

本文通過實地調查，利用交通仿真軟件模擬得到道路交通數(shù)據(jù)，經(jīng)過數(shù)據(jù)的預處理分析后，將其作為模型的輸入，建立了基于行程時間比的交通狀態(tài)指數(shù)融合模型，下面對網(wǎng)絡設計方案進行具體介紹。