[發明專利]一種快速路交通狀態判別方法

無效

• 申請號: 200910089374.4
• 申請日: 2009-07-17
• 公開（公告）號: CN101599217A
• 公開（公告）日: 2009-12-09
• 發明（設計）人: 陳德旺;賈曉哲
• 申請（專利權）人: 北京交通大學
• 主分類號: G08G1/00
• 分類號: G08G1/00;G06N7/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明屬于快速路交通狀態判別技術領域，特別是一種運用模糊推理系統設計分類器，并集成三個分類器綜合判別快速路交通狀態的判別方法。具體利用城市快速路上的固定檢測器提供的實時的交通信息數據進行交通狀態判別。

背景技術

快速、準確判斷道路交通狀態，是制定合理有效交通擁擠疏導策略的前提，也是先進的出行者信息系統(ATIS)的一個重要研究內容。及時發布道路交通信息，既可以為駕駛員提供最優的路徑，也可以有效的避免因局部交通擁擠而引起全路網的交通癱瘓。因此，研究道路交通狀態判別算法，及時準確的判別交通狀態，具有重要理論與實際意義。

傳統的交通狀態判別方法主要是對道路上已發生的交通事件進行判別。其中加州(California)系列算法屬于比較算法，通過比較上游和下游檢測器占有率的數據來判斷擁擠是否發生；基于突變理論的McMaster算法屬于交通模型和理論算法，通過將觀測數據之間的關系與歷史模版進行兩次比較判斷擁擠的發生；標準偏差(SND)算法、雙指數平滑(DES)算法和貝葉斯(Byes)算法屬于統計算法，是運用不同的統計方法計算交通參數的數據，當這些參數超過預定的閾值則啟動交通事件報警系統。

這些交通狀態判別算法主要以突發交通事件為研究對象，大部分都以感應線圈、微波檢測器采集的交通流量、占有率和地點速度等交通數據為基礎，所采用的數據技術主要包括決策樹、統計分析、平滑濾波等常規方法。隨著時間的推移，交通狀態判別的研究內容和研究手段都有了很大的變化。一方面，交通需求與交通供給之間的矛盾不斷深化，常發性交通擁擠也成為交通管理的重點之一；另一方面，信息采集技術和信息處理技術的進步，為判別方法研究提供了更有力的技術基礎。經過近40年的發展，模糊理論、專家系統、模式識別、人工神經網絡等人工智能技術已經成為交通狀態判別算法設計的重要手段。

發明內容

本發明的目的是為了快速、準確判斷道路交通狀態，及時發布道路交通信息并為駕駛員提供最優的路徑，從而提出了一種基于模糊分類器的快速路交通狀態判別方法。

本發明采取的技術方案是，本發明提出的方法包括以下步驟：

步驟一，設計單個模糊分類器，主要包括以下三個部分：

(1)確定輸入、輸出變量及模糊化原則，本發明將車輛的流量、速度、占有率作為輸入變量，輸出變量便是當前路段的狀態：“紅”(擁堵)、“黃”(緩行)、“綠”(暢通)，模糊集分別為高、中、低，高斯函數作為隸屬度函數；

(2)確定模糊規則，通過分析速度-密度、流量-密度的關系，得到下面模糊規則：

占有率低，速度高，交通狀態為綠；

占有率中，速度中，交通狀態為黃；

占有率高，速度低，交通狀態為紅；

流量低，占有率低，交通狀態為綠；

流量中，占有率中，交通狀態為黃；

流量低，占有率高，交通狀態為紅；

(3)進行模糊推理，本發明利用Sugeno型進行模糊推理確定高斯函數的中心和方差，根據速度和占有率的值實時的判別交通狀態。

步驟二，集成三個模糊分類器：

第一個模糊分類器采用流量、占有率作為輸入，按照步驟一中的模糊推理思路，判別交通狀態；第二個模糊分類器采用占有率和速度作為輸入，同樣根據模糊推理的思路，判別交通狀態；第三個模糊分類器采用現存的速度與流量加權平均作為輸入對交通狀態進行判別；這樣通過三個參數全面地分析并判別交通狀態，三個模糊分類器分別得到各自交通狀態，由集成學習的方法進行綜合；集成學習的方法采用投票法，采用“少數服從多數”的思想，比如三個分類器判別的狀態分別為“紅”、“紅”、“黃”，那么最終的交通狀態為“紅”，如遇到三個分類器分別得到三種不同的狀態，此時交通狀態為黃的概率最大，認為此時實際交通狀態為“黃”。

步驟三，訓練集成模糊分類器：

通過檢測器提供的數據，對三個模糊分類器進行訓練，若只有單個檢測器提供數據，則利用單個檢測器的數據對三個模糊分類器進行訓練，若有多個檢測器提供數據，則把多個檢測器提供的數據按照信息融合的方法綜合成一組數據對三個模糊分類器進行訓練。本發明利用神經網絡中有導師學習的思想，對模糊分類器進行訓練，調整模糊分類器的參數，單個模糊分類器參數訓練的步驟如下：

(1)確定模糊分類器輸入變量的取值范圍；

(2)根據高斯隸屬度函數的曲線特征，確定輸入變量的方差；

(3)在方差改變±30％，均值不變條件下，當模糊分類器判別的結果與人工判別的結果吻合率最大時，得到最佳方差；