自然语言实时交通信息与位置信息融合方法.docVIP

自然语言实时交通信息与位置信息融合方法 　　摘 要： 实时交通信息在交通诱导中有着重要的作用，然而与之不相适应的是大量的实时语言交通信息没得到有效应用。针对这一问题，分析了自然语言交通信息的表达特点，得出了自然语言交通信息中地理位置的表达方式，提出了针对自然语言交通信息的最大匹配分词算法；提出了自然语言交通信息与位置信息的匹配融合方法，并通过实例对该方法进行了测试，结果表明，该方法能对自然语言交通信息与交通网络进行有效的融合。 　　关键词： 实时交通信息； 信息融合； 自然语言理解； 交通网络 　　中图分类号：TP391 文献标志码：A 文章编号：1006-8228（2014）02-42-03 　　0 引言 　　随着经济的稳步发展、人口的持续增长和城市化进程的加快，城市机动车拥有量和道路交通量急剧增加，交通拥堵问题日益严重，由此引发的交通安全和环境污染，已严重影响了人们的日常出行，并成为制约城市社会和经济发展的瓶颈问题。如何让出行变得更为有效、方便和快捷已成为世界难题。调节出行需求，进行实时动态交通诱导，就成为交通拥堵问题解决的有效途径[1-2]。 　　动态交通诱导依赖于实时交通信息。实时交通信息实现动态路况信息的实时播报，传达道路拥挤、通畅等信息，可以更好地指导人们的出行，一直以来备受国内外关注。移动通讯、互联网技术等现代通信技术使得实时交通信息呈现了信息获取的广泛性、信息载体的多样性和信息发布的高频性等特点，如交通广播电台每天以一定的频率播送大量的实时交通信息，因特网也发布大量的实时交通信息，出行者可以方便地接收到这些信息。然而与之不相适应的是，出行者获取自然语言实时交通信息后只能凭经验调整行驶路径，这使得大量的实时交通信息使用效率极低。原因之一是自然语言交通信息是以语义来表达地理位置，信息的接收者不能准确地判断实时交通信息对交通状况的影响，所以要提高自然语言交通信息的使用效率，就要使自然语言交通信息与交通网络融合，使自然语言交通信息能与导航软件结合，准确地对出行者进行诱导。 　　交通信息融合方面的研究也日益受到学者的重视[3-8]。杨兆升等应用神经网络算法，融合固定检测器和浮动车检测数据进行交通事件检测，其检测效果达国内先进水平[3]；陈传彬等对城市路网信息融合的关键技术进行了研究[4]；孔庆杰探讨了信息融合理论及其在交通监控信息处理中的应用，研究了交通行为监控系统中多源异类传感器信息融合、多特征信息融合的模型和算法[5]。 　　本文针对目前自然语言实时交通信息利用效率低的情况，研究自然语言实时交通信息的解析方法，并在此基础上，提出了自然语言交通信息与空间位置信息的融合方法。分析了自然语言交通信息的表达方式；设计了针对自然语言交通信息的切分算法，提出了自然语言交通信息与路网位置信息的融合方法；以南京市城市交通网络作为实验对象，验证了文中提出融合算法。最后对所研究的内容作了进一步总结。 　　1 自然语言交通信息的表达 　　交通网络是由道路、隧道、桥梁等抽象的边和交叉口、兴趣点（POI）等抽象成的节点组成的有向网络。实际上道路是由多个车道组成的复杂对象，不同的车道具有丰富的交通特征信息。在车辆导航或网络分析中，要考虑的因素往往与车道密切相关。同一条道路的不同方向车道往往具有不同的交通特征，如交通量的变化等，交通拥堵也往往只在道路的单向车道上发生；同一道路不同方向车道与邻接车道往往有着不同的拓扑关系，为此，我们把同向车道抽象成一条有向边。 　　实时交通信息主要是指交通网络上所有物体所具有的特定信息，主要包括交通流状态特征信息（流量、速度、密度等），交通紧急事故信息，环境状况信息，交通动态控制管理信息等[3]。实时交通信息具有以下主要特征：①具有时态性，实时交通信息动态表达道路的交通状态；②具有线性分布特征，交通信息依附于交通网络，可以用线性定位参考系来表达事件发生的相对位置。实时自然语言交通信息是以自然语言来描述道路上交通状况的实时变化，自然也具有以上两个特点。自然语言交通信息的格式一般是：地点+交通事件，如：玄武湖隧道新庄入口多车追尾，其中玄武湖隧道新庄入口为地点，多车追尾为事件。 　　自然语言交通信息的定位方式是基于参照物的线性参考方法（linear reference method）。线性参考方法是根据定位参照物确定线性分布事件在线性网络中的位置，定位参照物主要有路口、桥梁、道路、隧道、POI等现实地理空间要素。定位的具体形式如表1所示。 　　2 自然语言交通信息与交通网络的融合 　　自然语言理解可分为两个方面，一是口语的理解（如语音识别等）；二是文本语言的理解（如信息检索等）。本文主要研究文本自然语言交通信息的理解。自然语言交通信息与普通自然语言相比，主要有以下几个特点：①使用的词汇量比较