交通信息处理技术.pptVIP

交通信息处理技术 交通信息处理技术 数据压缩处理技术 交通信息融合处理技术 交通流与行程时间预测技术 模式识别技术 数据压缩技术-为什么要压缩？ 数据压缩技术-能压缩吗？ 冗余信息 空间相关：像素之间的冗余信息 时间相关：视频序列之间的冗余信息 熵冗余： 结构冗余： 知识冗余： 视觉冗余： 数据压缩处理技术 JEPG (Joint Photographic Experts Group)标准 国际标准化组织(ISO) 国际电工委员会(IEC) MPEG(Moving Pictures Experts Group)标准 MPEG-1 1993.8 1.5Mbps 360x288x(24~30帧） MPEG-2 1994.11 10Mbps HDTV 1.5~60Mbps MPEG-3 40Mbps 1992年撤销 MPEG-4 2002.10 远程监控、多媒体、网络（Internet~60M） 音频压缩编码 波形编码 参数编码 混合编码 交通信息融合处理技术 信息融合 交通信息融合处理方法 基于信息融合技术的智能驾驶系统 信息融合 信息融合-定义 信息融合的定义 通过中心处理器把来自多个传感器的数据进行综合， 在一定准则下加以自动分析，完成所需要的决策和评估 使其输出信息比各个独立传感器分别处理产生的信息总合更有价值 信息融合技术的优点 可以提高系统的可信度 可使数据采集更客观 可以提高检测效果 可以提高系统的可靠性 可以提高系统的性能价格比 可以完成单一传感器无法实现的功能 信息融合-信息融合模式 信息融合-应用 信息融合在交通信息处理中的应用 先进的交通管理系统（ATMS） 及时准确地采集动态交通信息 快速地处理交通信息 满足各个子系统的需求 交通规划 交通信息融合处理方法 基于卡尔曼滤波技术的交通信息融合方法 卡尔曼滤波 实时融合动态的低层次冗余多元数据 通过测量模型的统计特性递推最优融合数据规律 卡尔曼滤波的适用条件 系统具有线性的动力学模型，且 系统噪声和传感器噪声是高斯白噪声分布模型 卡尔曼滤波模型 不同检测断面检测数据的融合 基于空间相关性的交通量滤波融合模型 同一检测断面检测数据的融合 联合滤波交通量融合模型 集中滤波交通量融合模型 基于贝叶斯（Bayes）估计的交通信息融合方法 基于人工神经网络的交通信息融合方法 异类传感器的交通参数融合 传感器的不同精度 环境对传感器的影响 不同性质参数特征的融合 不完备交通参数信息的融合 设备故障 数据缺失 基于综合统计分析的交通信息融合方法 加权平均法 指数平滑法 算数平均值的递推估计融合法 基于信息融合技术的智能驾驶系统 交通流和行程时间预测技术 交通流预测方法 行程时间预测方法 交通流预测方法 [短时]交通流预测的定义 在时刻t对下一决策时刻t+△t的交通流进行实时预测 预测的内容 交通量 交通速度 交通密度/占有率 旅行时间 交通流预测方法应具备的特性 实时性 准确性 可靠性 交通流预测模型 基于统计方法的模型（statistic-based model） 时间序列模型(time serial model) 卡尔曼滤波模型(kalman filtering model) 时间序列模型 定义 通过对实测数据的统计处理，将他拟合成一个参数模型，在利用这个模型来分析研究实测数据序列内在的各种统计特征，从而可以按照它的统计规律，利用现在和过去的观测值来预测其未来值 时间序列模型是描述时间序列统计特征的一种常用方法 1984年 Ahmed Cook 首次应用时间序列模型于交通流预测领域 时间序列模型 线性平衡模型 自回归模型(AR) 滑动平均模型(MA) 自回归-滑动平均混合模型(ARMA) 非线性平衡模型 自回归求和滑动平均模型(ARIMA) 1984年 Okutani Stephanedes UTC 1993年 Kim Hobeika 高速公路交通流预测 IMA模型 时间序列模型-特点 优点 建模简单 容易理解 在数据充分的情况下，有较高的精度 比历史平均法和线性回归模型方法更精确，抗干扰能力更强 缺点 通过交通流过去的规律预测未来，没有考虑交通流以外的影响因素，不适合急剧变化的交通状态 模型的辨识和模型检验的过程比较繁琐 模型的求解过程是离线的，模型的参数是固定的 大量不间断的数据 卡尔曼滤波模型 卡尔曼滤波理论源于现代控制理论，1960年提出 是一种时间序列方法 原理 状态方程和观测方程组成线性随机系统的状态空间模型滤波器 利用状态方程的递推性，按线性无偏差最小均方差误差估计准则，采用地推算法对滤波器的状态变量进行最佳估计，从而得到输出信号（交通流）的最佳估计 输入/输出 输入：当前与过去时间段的流量（本路段，相邻路段，多传感器） 输出：预测时刻的