最新智能运输系统概论第4章.ppt

方法主要有历史均值法、车道比值法、时间序列法、自相关分析方法、遗传算法等。 历史均值法直接采用或者按照比例采用历史上相应时刻的值代替缺失数据，但是如果交通状况发生了变化，将大大降低其估计精度。 车道比值法是根据历史统计的车道之间的流量比值，对缺失的数据进行估计，结合历史统计规律和当前流量数据，精度比较高。 时间数列法是把当前采集的交通变量看作时间序列，并结合历史数据对缺失的数据进行预测估计。 缺失数据处理 4.3.1 交通信息预处理技术 * 2021/8/15 自相关分析是以自相关系数测量时间序列中各元素之间相关关系的方法，再根据此相关关系填补缺失数据。 基于遗传算法的组合模型综合利用各种单一算法的估计结果，然后加权平均，其中最优权的确定利用遗传算法，组合方法在大多数情况下比使用单一算法要更精确。 但因其需要利用各种单一算法的估计结果，计算复杂且麻烦，所以在精度要求不是很高的情况下一般不采用该方法。 缺失数据处理 4.3.1 交通信息预处理技术 * 2021/8/15 4.3.2 多源多维实时动态交通信息融合技术 交通信息融合，又称交通数据融合，是指多传感器的数据在一定准则下加以自动分析、综合以完成所需的决策和评估而进行的信息处理过程。 信息融合技术的最大优势在于它能合理协调多源数据，并充分综合有用信息，从而提高在多变环境中正确决策的能力。 基于该信息处理技术的特点和智能运输系统的信息需求，信息融合技术已经在ITS的信息处理过程中扮演越来越重要的角色，它为交通信息加工和处理提供了一种很好的方法。 * 2021/8/15 根据数据抽象的三个层次，信息融合技术在ITS中的应用可分为三级：检测级交通信息的融合、特征级交通信息的融合和决策级交通信息的融合。 第一级 又称检测级、像素级，是指直接在采集到的原始数据层上进行融合，在各种传感器的原始测报未经处理之前就进行数据的综合和分析，保证基础交通参数的准确与可靠性。 同一地点、同一时刻多传感器交通参数融合问题：人工神经网络方法、统计分析方法 交通信息融合技术的应用 4.3.2 多源多维实时动态交通信息融合技术 * 2021/8/15 第一级 不同地点、同一时刻多传感器交通参数融合问题：统计分析方法 交通参数间的融合问题：数理统计算法 第二级 又称特征级，是指先对来自传感器的原始信息进行特征提取，然后对特征信息进行综合分析和处理。利用上一层次融合之后的准确、可靠的基础交通参数，融合出交通状态信息，为交通管理者和交通参与者提供更有决策价值的交通信息。 交通信息融合技术的应用 4.3.2 多源多维实时动态交通信息融合技术 * 2021/8/15 第二级 需要注意的是，道路交通状态是一个模糊的概念，有必要对它进行量化处理，例如模糊逻辑允许交通状况被定义成“不拥挤”、“拥挤”、“小事故”、“大事故”，对应于4个数值区间。 第三级 又称决策级，是直接针对具体决策目标的最终结果。 交通信息融合技术的应用 4.3.2 多源多维实时动态交通信息融合技术 信息融合技术的三个层次均有自己不同的应用。而信息融合本身作为一种数据处理技术，涉及到许多学科和技术的应用。下面简要介绍几种信息融合的方法。 * 2021/8/15 交通信息融合方法大致分为两大类：概率统计方法和人工智能方法。 人工智能方法又分为两种：逻辑推理方法和学习方法。与概率统计有关的方法包括：估计理论、卡尔曼滤波、假设检验、贝叶斯方法、统计决策理论以及其他变形的方法。概率统计方法可以在融合的各个层次上使用。常用的逻辑推理方法包括概率推理、证据推理、模糊推理和产生式规则等。常用的学习方法包括神经网络、映射学习方法、数据挖掘等。 交通信息融合的主要方法 4.3.2 多源多维实时动态交通信息融合技术 * 2021/8/15 贝叶斯估计 是统计学方法的一种。经典统计学基于总体信息和样本信息进行统计推断。贝叶斯估计基于总体信息、样本信息和先验信息进行统计和推理。重视总体信息和样本信息的同时，还注意先验信息的收集、挖掘和加工，使其数量化，形成先验分布参加到统计推断中来，提高统计推断的质量。 证据推理 Dempster-Shafer证据推理是贝叶斯方法的扩展。在贝叶斯方法中，所有缺乏信息的前提环境中的特征指定为一个等价的先验概率。证据推理可避免这一缺点。 4.3.2 多源多维实时动态交通信息融合技术 交通信息融合的主要方法 * 2021/8/15 神经网络 具有分布并行处理、非线性映射、自适应学习、较强的鲁棒性和容错性等特性，在很多方面都有广泛的应用。 基于神经网络的多源信息集成与融合有如下特点：具有统一的内部知识表示形式；可将知识规则转换成数字形式，便于建立知识库；利用外部环境的信息，便于实现知识的自动获取及进行联想推理；能够将不确定环境的复杂关