宋 濤 楊云飛 邵 京 戴 杰 杜世貝

（1.浙江杭紹甬高速公路有限公司，浙江 杭州 311215；2.浙江高信技術(shù)股份有限公司，浙江 杭州 310005）

0 引言

數(shù)據(jù)融合方法是從不同的數(shù)據(jù)源重建數(shù)據(jù)，以找到新的相關(guān)性和組合，從而生成新的數(shù)據(jù)，并產(chǎn)生更好的決策和行動(dòng)。制定數(shù)據(jù)方法或算法包括4個(gè)基本過(guò)程：預(yù)處理、過(guò)濾、決策和評(píng)估。從數(shù)據(jù)融合模型中獲得高質(zhì)量的結(jié)果取決于執(zhí)行這些過(guò)程的算法組合選擇、輸入的質(zhì)量和輸出的類(lèi)型。這些步驟試圖結(jié)合數(shù)據(jù)來(lái)揭示有意義的特征，從而獲得更高的精度值，并幫助改進(jìn)決策過(guò)程。

高速公路車(chē)輛感知體系下，高速公路交通事件采集方式多樣，通常采用視頻、雷達(dá)及交通運(yùn)行特征變化監(jiān)測(cè)交通事件，每種監(jiān)測(cè)方式單一監(jiān)測(cè)交通事件存在信息上報(bào)重復(fù)和誤報(bào)等情況。交通事件對(duì)高速公路的運(yùn)營(yíng)安全與效率具有重要影響，及時(shí)、準(zhǔn)確地發(fā)現(xiàn)高速上的交通事件一直是交通狀態(tài)監(jiān)測(cè)研究的難點(diǎn)。然而，受檢測(cè)數(shù)據(jù)獲取與處理方法的限制，交通事件自動(dòng)監(jiān)測(cè)在效率、效果以及經(jīng)濟(jì)性方面還存在較大的提升空間。為了進(jìn)一步改善交通事件自動(dòng)監(jiān)測(cè)的效率與效果，該文對(duì)視頻交通事件數(shù)據(jù)、雷達(dá)交通事件數(shù)據(jù)和交通運(yùn)行特征變化判斷的交通事件數(shù)據(jù)進(jìn)行分析研究，提出多監(jiān)測(cè)方式交通事件自動(dòng)監(jiān)測(cè)融合算法，以提高交通事件自動(dòng)監(jiān)測(cè)的效率與準(zhǔn)確性。

1 數(shù)據(jù)融合模型

1.1 數(shù)據(jù)融合方法

數(shù)據(jù)融合方法是通過(guò)采用特定的算法和/或數(shù)學(xué)模型來(lái)得到解決特定領(lǐng)域的問(wèn)題的數(shù)據(jù)融合技術(shù)、算法或方法。常用方法包括卡爾曼濾波、神經(jīng)網(wǎng)絡(luò)、D-S理論、模糊邏輯、聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)、貝葉斯、k-最近鄰、軟件定義智能體以及混合算法。不同算法適用情況不同。

1.2 評(píng)估技術(shù)和標(biāo)準(zhǔn)

研究結(jié)果需要特定的測(cè)量工具來(lái)定量或定性地定義數(shù)據(jù)融合模型的有效性。文獻(xiàn)[1-2]等人強(qiáng)調(diào)了在融合后進(jìn)行評(píng)估的必要性，以衡量績(jī)效效率水平。所選數(shù)據(jù)融合方法的線(xiàn)性或非線(xiàn)性過(guò)程取決于數(shù)據(jù)屬性、提出的模型和正在建模的領(lǐng)域問(wèn)題。常用方法是均方根誤差（RMSE）、均方根百分比誤差（RMPSE）、平均絕對(duì)誤差（MAE）和平均絕對(duì)百分比誤差（MAPE）。

1.3 問(wèn)題描述

在高速公路車(chē)輛感知體系下，高速公路交通事件采集方式多樣，通常采用視頻、雷達(dá)及交通運(yùn)行特征變化監(jiān)測(cè)交通事件，每種監(jiān)測(cè)方式單一監(jiān)測(cè)交通事件會(huì)存在信息上報(bào)重復(fù)和誤報(bào)等情況。對(duì)視頻、雷達(dá)和交通流運(yùn)行特征變化檢測(cè)到的交通事件數(shù)據(jù)，如何構(gòu)建數(shù)據(jù)融合算法模型，減少重復(fù)上報(bào)事件、降低事件誤報(bào)率、提高事件準(zhǔn)確率。

1.4 基于D-S的多檢測(cè)方式交通事件融合算法模型

對(duì)視頻、雷達(dá)、交通流運(yùn)行特征變化檢測(cè)到的交通事件數(shù)據(jù)，采用基于D-S的融合算法進(jìn)行數(shù)據(jù)融合。數(shù)據(jù)融合又稱(chēng)為信息融合或多傳感器數(shù)據(jù)融合，是利用計(jì)算機(jī)技術(shù)對(duì)傳感器數(shù)據(jù)進(jìn)行處理，進(jìn)而便于分析和決策的一種技術(shù)。數(shù)據(jù)融合技術(shù)包括3個(gè)層次，分別為像素級(jí)融合、特征級(jí)融合和決策級(jí)融合。

該文是對(duì)不同傳感器或方法得到的結(jié)果進(jìn)行融合，根據(jù)一定的準(zhǔn)則和決策的可信度做出最優(yōu)決策，使在某些方法失效時(shí)仍能做出正確判斷，進(jìn)而提高決策準(zhǔn)確度，所以屬于決策級(jí)融合技術(shù)。

首先分析3種檢測(cè)方式在雨天、白天和夜間條件下，以及不同交通流狀態(tài)下的事件檢測(cè)可信度，制定不同條件組合情況下的融合規(guī)則，以可信度高的檢測(cè)方式為主，其余方式為輔，生成完備交通事件表（事件庫(kù)）。

該文使用D-S證據(jù)理論對(duì)雷達(dá)和視頻檢測(cè)的交通事件數(shù)據(jù)及通過(guò)利用加州算法對(duì)交通運(yùn)行特征進(jìn)行推算得到的交通事件數(shù)據(jù)進(jìn)行融合決策。其中D-S推理的主要思想為引起一個(gè)事件發(fā)生有許多原因，結(jié)合不同的結(jié)果對(duì)不同的假設(shè)進(jìn)行獨(dú)立的判斷，利用尋找事件主要原因的思想，得出不同假設(shè)的概率分配，稱(chēng)為mass函數(shù)。

基于以上方法，傳統(tǒng)方法得出的mass函數(shù)主要基于主觀(guān)判斷，是一個(gè)經(jīng)驗(yàn)函數(shù)，為了提高函數(shù)的準(zhǔn)確性，也可以與一些量化方法相結(jié)合，從而得到一個(gè)較為客觀(guān)的函數(shù)，從而計(jì)算融合概率。當(dāng)某個(gè)事件發(fā)生的概率最大時(shí)，該對(duì)應(yīng)的事件即為判決結(jié)果。在D-S證據(jù)理論中，由互不相容的基本命題組成的完備集合稱(chēng)為識(shí)別框架，表示對(duì)某一問(wèn)題的所有可能答案，但其中只有一個(gè)答案是正確的。該框架的子集稱(chēng)為命題，首先分配給各命題基本可信度，利用D-S融合規(guī)則將多個(gè)信號(hào)源的基本信任函數(shù)進(jìn)行融合得到反映融合信息的新的基本信任分配函數(shù)，并據(jù)此進(jìn)行決策。構(gòu)建算法模型步驟如下。

對(duì)視頻、雷達(dá)和交通流運(yùn)行特征變化檢測(cè)到的交通事件數(shù)據(jù)，采用基于D-S證據(jù)理論的融合算法進(jìn)行數(shù)據(jù)融合得到交通事件集。

通過(guò)D-S證據(jù)理論進(jìn)行算法融合，其命題為告訴公路是否發(fā)生事件，表示有事件發(fā)生，表示無(wú)事件發(fā)生，使用加州算法事件表A、雷達(dá)事件表B和視頻事件表C數(shù)據(jù)作為證據(jù)。

在證據(jù)理論中，一個(gè)樣本空間稱(chēng)為一個(gè)辨識(shí)框架，用Θ表示。Θ中所有子集構(gòu)成的冪集記為2，當(dāng)Θ中元素為時(shí)，冪集的個(gè)數(shù)為2。該算法中，冪集的表示如公式（1）所示。

當(dāng)加州算法事件表、雷達(dá)事件表和視頻事件表的數(shù)據(jù)進(jìn)行融合時(shí)，需要對(duì)某一事件的以下幾種情況進(jìn)行判斷。A有此事件，B有此事件，C有此事件。2） A有此事件，B有此事件，C無(wú)此事件。3） A有此事件，B無(wú)此事件，C有此事件。4） A有此事件，B無(wú)此事件，C無(wú)此事件。5） A無(wú)此事件，B有此事件，C有此事件。6） A無(wú)此事件，B有此事件，C無(wú)此事件。7） A無(wú)此事件，B無(wú)此事件，C有此事件。8）A無(wú)此事件，B無(wú)此事件，C無(wú)此事件。

在進(jìn)行融合前對(duì)這3種證據(jù)進(jìn)行基本可信度分配，得到信任函數(shù)，然后利用Dempater合成法則得到新的信任函數(shù)，再根據(jù)決策規(guī)則進(jìn)行決策判斷是否有交通事件發(fā)生，得出最后決策。

融合算法進(jìn)行之前要先為加州算法、雷達(dá)和視頻，這3個(gè)信源對(duì)命題和的基本可信度進(jìn)行賦值。常用的基本可信度賦值方法如下。1） 根據(jù)目標(biāo)類(lèi)型數(shù)和環(huán)境加權(quán)系數(shù)確定信任函數(shù)。2） 利用統(tǒng)計(jì)證據(jù)獲得基本可信度賦值。3）利用目標(biāo)速度和加速度獲得基本可信度賦值。4） 利用目標(biāo)身份獲得基本可信度賦值。

結(jié)合該文實(shí)際數(shù)據(jù)以及事件檢測(cè)的特點(diǎn)，采用第2個(gè)方法，即利用統(tǒng)計(jì)數(shù)據(jù)獲得基本可信度賦值的方法對(duì)、的基本可信度分別進(jìn)行賦值。具體方法見(jiàn)表1。

表1 基本可信度賦值方法表

將視頻結(jié)構(gòu)化數(shù)據(jù)事件數(shù)據(jù)、毫米波雷達(dá)事件數(shù)據(jù)和加州算法得出的事件數(shù)據(jù)與真實(shí)事件表相匹配，對(duì)基本可信度進(jìn)行賦值得到基本可信度分配表。

由于視頻檢測(cè)時(shí)會(huì)受到白天和黑夜的影響，因此設(shè)置早上6點(diǎn)至晚上19點(diǎn)間為白天，其余為黑夜。根據(jù)白天、黑夜分別設(shè)定不同的mass函數(shù)，見(jiàn)表2~表4。

表2 視頻白天mass函數(shù)

表3 雷達(dá)mass函數(shù)

表4 加州算法mass函數(shù)

根據(jù)基本可信度分配表計(jì)算組合的信任函數(shù)。對(duì)事件信息進(jìn)行融合時(shí)，由于數(shù)據(jù)量大，證據(jù)數(shù)量的增加可能會(huì)導(dǎo)致計(jì)算量非常龐大，因此對(duì)多個(gè)證據(jù)進(jìn)行融合時(shí)采用兩兩融合的方法，然后再依照此方法遞推完成多證據(jù)的融合。

使用D-S合成規(guī)則對(duì)其中2個(gè)算法的概率分配函數(shù)進(jìn)行融合，規(guī)則如公式2所示。

其中，K=∑A。計(jì)算過(guò)程見(jiàn)表5。

表5 D-S組合規(guī)則

根據(jù)表5的計(jì)算方法對(duì)3種信源數(shù)據(jù)進(jìn)行信任函數(shù)的融合，得到融合后新的信任函數(shù)（）、（）和（Θ）。

多個(gè)決策合成得到新的信任函數(shù)后，選擇一個(gè)最終的決策規(guī)則進(jìn)行決策得到事件集?；贒-S證據(jù)理論的常用決策方法包括：基于信任函數(shù)的決策、基于基本可信度賦值的決策和基于最小風(fēng)險(xiǎn)的決策。該文使用基于信任函數(shù)的決策方法具體如下。

設(shè) ?,∈Θ，滿(mǎn)足公式（3）、公式（4）。

如果滿(mǎn)足公式（5），此時(shí)，為決策結(jié)果，、為預(yù)先設(shè)定的閾值。

采用該決策方法時(shí)需要針對(duì)實(shí)際應(yīng)用問(wèn)題確定和的值，不同的閾值組合有可能得到不同的決策結(jié)果，進(jìn)而對(duì)決策結(jié)果產(chǎn)生影響。

將規(guī)則融合部分得出的()、()和(Θ)帶入公式（5），得到如表6所示的決策表，根據(jù)決策表每種組合結(jié)果對(duì)照雷達(dá)事件數(shù)據(jù)、視頻事件數(shù)據(jù)和加州算法計(jì)算到的事件數(shù)據(jù)，判斷該事件數(shù)據(jù)所屬的組合，根據(jù)該組合的結(jié)果做出決策，輸出事件集。

表6 D-S決策表

當(dāng)有新的加州算法事件、雷達(dá)事件和視頻事件時(shí)，根據(jù)表6（在該文中只需使用前7條結(jié)果）便可做出決策是否輸出事件。

以視頻檢測(cè)事件作為真實(shí)事件表，將3種方法檢測(cè)的結(jié)果帶入融合后的組合表，可統(tǒng)計(jì)計(jì)算準(zhǔn)確率。

該算法調(diào)用D-S類(lèi)的成員函數(shù)precision_Recall可實(shí)現(xiàn)計(jì)算某一天或某小時(shí)中融合算法精確率和召回率。根據(jù)算法的檢測(cè)結(jié)果和真實(shí)事件數(shù)據(jù)有如表7所示的混淆矩陣，其中0表示無(wú)交通事件，1表示有交通事件。

表7 混淆矩陣

2 試驗(yàn)與結(jié)果分析

2.1 選取試驗(yàn)路段

該次測(cè)試路段選擇滬杭甬高速柯橋至紹興段，全長(zhǎng)10 km為測(cè)試路段，對(duì)選擇測(cè)試段進(jìn)行數(shù)據(jù)集準(zhǔn)備。

2.2 數(shù)據(jù)準(zhǔn)備

在數(shù)據(jù)庫(kù)中導(dǎo)入此路段雙幅同一時(shí)間段毫米波雷達(dá)原始數(shù)據(jù)、視頻結(jié)構(gòu)化事件表和毫米波雷達(dá)事件表。加載2020年10月份數(shù)據(jù)，采用頻率為80 ms。

2.3 結(jié)果分析

將mass函數(shù)經(jīng)Dempster合成規(guī)則組合后，結(jié)果見(jiàn)表8。

表8 D-S多檢測(cè)方式交通事件融合決策表

篩選并融合后的數(shù)據(jù)如下。白天（1代表檢測(cè)出事件發(fā)生，0代表未檢測(cè)出事件發(fā)生）融合結(jié)果見(jiàn)表9。

表9 D-S多檢測(cè)方式交通事件融合表

以視頻檢測(cè)事件作為真實(shí)事件表，將3種方法檢測(cè)的結(jié)果帶入融合后的組合表，準(zhǔn)確率為91.3%。

3 結(jié)論

該文提出基于D-S的多檢測(cè)方式交通事件融合算法，對(duì)視頻檢測(cè)、雷達(dá)檢測(cè)和基于交通流特征變化的加州算法判斷交通事件數(shù)據(jù)進(jìn)行融合，以視頻檢測(cè)到的事件作為真實(shí)事件表，通過(guò)融合算法融合后，輸出融合事件表，與真實(shí)事件對(duì)比，準(zhǔn)確率達(dá)到91.3%。通過(guò)算法研究和開(kāi)發(fā)，可以將算法封裝為服務(wù)，通過(guò)算法平臺(tái)進(jìn)行調(diào)度執(zhí)行，并基于高精度地圖進(jìn)行事件可視化和聯(lián)動(dòng)，并應(yīng)用于實(shí)際高速公路運(yùn)營(yíng)管理，減少重復(fù)上報(bào)事件、降低事件誤報(bào)率，并提高事件準(zhǔn)確率。