基于多源数据融合信号交叉口延误估计探究.docVIP

基于多源数据融合信号交叉口延误估计探究 　　摘要： 为了获得更准确的信号交叉口延误，为评价信号交叉口的运行效率和服务水平提供精确的评价指标，论述了利用线圈检测器和浮动车数据来估?信号交叉口延误的方法。在对BP神经网络作简要介绍的基础上提出基于改进BP算法的信号交叉口延误估计模型。把通过线圈检测器和浮动车数据估计的信号交叉口平均延误进行融合，得到更为精确的信号交叉口平均延误。最后通过实例对该模型进行了验证，分析结果表明：采用数据融合方法得到的信号交叉口延误的相对误差明显低于基于线圈检测器和浮动车数据估计的信号交叉口延误的相对误差，因此采用数据融合方法估计信号交叉口的延误可以提高延误估计的精度，论证了该模型的实用性和有效性 Abstract： In order to obtain the more accurate delays at signalized intersection， and to provide accurate evaluating index for the evaluation of operational efficiency and service levels of signalized intersections， the methods of using loop detectors and floating car data to estimate delays at signalized intersections are described. After a brief presentation of BP neural network， the model of estimating delays at signalized intersections based on improved-BP algorithm are proposed. The model fuses the average delays at signalized intersections estimated by using loop detectors and floating car data to get the more accurate delays at signalized intersections. Finally， the model is validated through an actual example， the results show that： the relative error of delays at signalized intersection achieved by fusion method was significantly lower than which is achieved based on loop detectors and floating car data， so the delays estimation accuracy at signalized intersection can be improved by using data fusion methods， which demonstrates the practicality and effectiveness of the model. 关键词： 交通工程；延误估计；数据融合；信号交叉口；BP神经网络 Key words： traffic engineering；delays estimation；data fusion；signalized intersection；BP neural network 中图分类号：U491.4 文献标识码：A 文章编号：1006-4311（2017）10-0187-05 0 引言 信号交叉口的平均延误不仅是评价信号交叉口运行效率的主要指标[1]，也是评价交叉口信号控制方案和参数是否最佳的重要指标[2]。因此研究信号交叉口延误的快速获取方法对评价信号交叉口的控制方案和提高交叉口的运行效率具有现实指导意义。但是，目前国内对于延误的获取方法只是局限于模型公式计算法和单一检测器估计法。模型公式计算法所限定的假设条件太多，使得延误计算过于理想化，很难得到准确性比较高的延误数据；而单一检测器估计法由于检测器本身的功能限制和受到使用环境及检测器自身故障的影响，检测器采集到的数据一般存在数据缺失、数据失真等问题[3]，这将直接导致延误估计会出现一定程度的偏差。因此本文提出了一种基于多源数据融合的信号交叉口延误估计模型，将两种估计方法的优缺点进行融合互补，提高信号交叉口延误估计的准确性 1 基于线圈检测器的信号交叉口延误估计方法