基于精确传感网络的智能交通系统交通流模型

基于精确传感网络的智能交通系统交通流模型摘要:首先介绍了基于精确传感网络的智能交通系统(its)相对于传统交通流传感器网络的优势；然后基于组合预测理论对这类网络的基本交通流模型进行了研究，在模型中引入了更加精确的交通流物理量，包括旅行时间、路段上游及下游的分类交通流量等变量，使所建立模型的可解释信息量更加丰富和易懂，该模型算法为动态算法。交通实测数据实验证明模型的拟合精度较高，拟合值与真值的平均绝对误差值控制在9s以内，平均相对误差值控制在5%以内，综合各个时段来看，预测的准确度都在90%以上。最后总结了基于精确传感器网络的智能交通系统在实际交通应用中的重大价值。关键词:精确传感网络;智能交通系统；旅行时间;分类交通流量;交通流模型wangtao*,lizhishuschoolofcomputerscience,sichuanuniversity，chengdusichuan610064,china;2.schoolofinformationscienceandtechnology,chengduuniversity,chengdusichuan610106，chinaabstract:inthepresentpaper,theadvantageofprecisesensornetworkcomparedtothetraditionalsensornetworkisintroducedfirstly.thenthetrafficflowmodelofprecisesensornetworkisbuilt,toimprovetheinterpretabilityofthemodel,thepreciselicenseplateidentificationdataareused,variablessuchasthespacetraveltimeandtheclassifiedtrafficflowareintroduced.theestablishedmodelisdynamicinessence.theexperimentalresultsshowthatthefittingaccuracyishigherandthemeanabsoluteerrorbetweenfittedandstandardvalueislessthan9seconds,themeanrelativeerrorislessthan5%,themodelhasahighdegreeofaccuracyabove90%.finally,theapplicationsofprecisesensornetworkinrealtrafficenvironmentareconcluded.theadvantageofprecisesensornetworkcomparedtothetraditionalsensornetworkwasintroducedfirstly.thenthetrafficflowmodelofprecisesensornetworkwasbuilt.toimprovetheinterpretabilityofthemodel,thepreciselicenseplateidentificationdatawereused,andthevariablessuchasthespacetraveltimeandtheclassifiedtrafficflowwereintroduced.theestablishedmodelwasdynamicinessence.theexperimentalresultsshowthatthefittingaccuracyishigherandthemeanabsoluteerrorbetweenfittedandstandardvalueislessthan9seconds,andthemeanrelativeerrorislessthan5%.themodelhasahighdegreeofaccuracyabove90%.finally,thegreatvalueofprecisesensornetworkinrealtrafficenvironmentwassummarized.keywords:precisesensornetwork;intellignettransportsystem(its);traveltime;classifiedtrafficflow;trafficflowmodel0引言随着传感器、嵌入式技术和短距离无线通信技术的进展，人类能够实现物理世界更深入的感知。2005年国际电信联盟(internationaltelecommunicationunion,itu)提出了“theinternetofthings”(iot)的概念［1］，描述了新形势下“人”、“机”和“物”全面互联和可能全面实现“普适计算”(pervasivecomputing)理念的前景。2008年，ibm进一步提出了“智慧地球”(smartplanet)的理念，预示了未来在现代科技的支撑下在人类社会实现“更深入的感知、更广泛的互联互通和更深入的智能化处理”带来的全球新面貌［2］。“智慧地球”概念的延伸，也派生出了智慧城市、智慧电力、智慧医疗、智慧城市交通和智慧轨道交通等新概念。随着我国国民经济的发展，大、中城市的汽车(特别是私车)的数量有了数量级的增长。以成都为例，2010年汽车数量已经突破240万辆，其中私车已超过82万辆，目前仍然保持着迅速增长的势头，每天新增牌照的汽车为1500辆。尽管各城市随着面积扩大，一方面新建了若干外部环路，对城区街道进行大量的扩建和改造；另一方面，又通过不断改善地面公共交通系统，新建或新增地下交通系统来缓解对地面交通的压力。但是，城市道路交通拥塞现象并未得到根本的解决。借鉴国外利用现代科技改善城市交通管理的经验，国内许多城市也开始探讨“智慧城市交通”问题。智慧城市交通的基本理念是通过对车辆位置和运动规律的感知，通过合理的疏导提高道路的流通量，利用城市红绿灯系统充分发挥道路的利用率，尽可能缩短在城区任一位置到达目的地的时间。传统的改进交通方法是通过经验和统计数据，通过单行道或禁止某方向转弯的方式来实现的。这种方式由于统计数据的严重滞后和人工调度的方式实时性差，很难达到理想的效果，必须利用现代科技，及时掌握道路车辆位置、运动规律和拥塞状况，对疏导交通提供预测，进行预报，并将相关信息反馈给驾驶员和反映到红绿灯的控制控制策略上。传统的车辆检测手段包括地感线圈、微波雷达、摄像机、红外以及激光检测技术，也有人采用射频识别（radiofrequencyidentification,rfid）或地理位置定位系统(globalpositioningsystem,gps)。最常用的基于摄像机或地感线圈的“计数型”技术，误差较大，且较难分别车辆类型，更不能将对车辆的识别与车辆个体直接挂钩，而难以提供对相关部门和个人的服务，因此需要“更精确感知技术”。rfid技术和gps系统能够做到精确定位与识别，但必须要求每台车辆安置相应的设备，实现起来难度较大。四川大学开发的以车牌识别为基础的传感技术，却不需要在车辆上增加任何设备而做到对车辆的精确定位，从而能够为城市交通调度控制管理、为用户提供交通状况服务、为跟踪盗车和套牌车等提供理想的服务。尽管在通过精确车辆感知、定位的前提下，能够及时地获得城市道路车辆数量、分布规律和运动轨迹，但是，如何配合红绿灯系统如何对车辆进行合理、高效的调度管理，则必须研究车辆交流通模型。本文以笔者的研究工作为背景探讨智能交通系统（intellignettransportsystem，its）的交通流模型，以达到实现智能化控制管理的目的。1精确传感网络its的交通流模型交通流模型研究的对象是特定时间和空间条件下交通流的变化规律，其研究的主题是交通的三个主要参数：流量、速度、密度的调查方法，分布特性及三参数之间的关系模型。在传统的交通流理论模型［3］中，如greenshields线性模型、greenberg阻塞流对数模型、underwood自由流指数模型、drake模型及drew模型等，在二维平面基础上建立流量、速度、密度三参数关系模型，但是由于这类模型所依赖的参数数量有限，也就导致其扩展能力有限。传统交通流模型的基本关系图如图1所示，在图1(a)中将“流量qvk”曲面图分别向三个平面投影就可以得到基本的“流量qv”、“流量qk”以及“速度vk”关系图；而图1(b)则是基于ngsim的交通流实测数据对传统交通流模型的拟合验证。基于突变理论［4］的交通流模型将分析扩展到了三维或者更高维度的空间［5］，燕尾突变理论交通流模型［6］通过引入时间变量更加完善了突变理论交通流模型的框架，但是随着维度的增加，对这类模型的解释相对复杂。近年来，基于统计理论、灰色系统、人工神经元网络以及混沌方法的交通流模型的研究得到了广泛的重视［7-10］，但是当样本变量，以及分析问题的角度发生了变化时，这类基于单一理论的交通流模型会出现不适应的情况。特别是随着交通流检测设备的发展，可以直接检测到的交通量已经超过了传统意义上的三参数的范围，例如基于精确号牌识别的道路交通流检测器，可以直接检测到的交通流参数包括旅行时间(traveltime)、重型车流量(heavyvehicleflow)、小型车流量(passengercarflow)、车头时距等交通参数。那么在交通流参数增加的情况下，如何突破传统的三参数模型，并将交通流模型扩展到更高的维度；特别是如何建立旅行时间这种更加直观的交通参数与其他交通量之间的函数关系，这是值得研究的问题。基于组合预测的交通模型的算法流程如图2所示，总体来讲算法分为三大步骤:1)在所获取的原始数据的基础上，对数据进行预处理，消除错误数据和噪声数据，使用直方图法对交通态势进行直观分析;2)对时间片样本均值数据进行聚类分析，将交通规律相似的样本归纳到同一个簇中，簇用其所在的时段表示;3)按簇使用主成分分析法（principalcomponentanalysis，pca）剔除非关键变量，并建立道路服务水平关键影响变量的分时段多元线性回归方程。该算法是动态算法，一旦多元线性回归方程的预测精度下降，则要去掉过期数据，重新加载最新数据。1.1数据样本的符号化通过在一个道路路段的上游处和下游处设置号牌识别设备［11-12］可以采集到:1)路段上游的分类交通流量(包括重型车流量fob，小型车流量fos)、车头时距δho;2)路段下游的分类交通流量(包括重型车流量fdb，小型车流量fds)、车头时距δhd；3)重型车辆比例hv；4)旅行时间则是对统计时间片内通过路段的车辆的行驶时间取样本均值，记为ts，则精确号牌识别数据的样本结构可以表示为xu=(ts;fos,fob,δho,fds,fdb,δhd,hv)，其中ts称为因变量，其取值代表了路段的服务水平。xv=(fos,fob,δho,fds,fdb,δhd,hv)称为自变量集合。取m天历史数据，样本统计间隔为nsmin，全天可分的时间片总数为n:1.2基于层次聚类分析的时段划分为了提高多元线性回归方程的精度，按时变规律把交通数据划分为具有相近交通流特征的簇，在簇内建立多元线性回归模型，每一个簇对应了一个特定的时段。进行聚类分析时从u［.］［j］中选择变量os,ob,δho,ts，这四个分量都是区间标度变量，采用基于欧氏距离的离差平方和法进行层次聚类时，设gp与gq可并类为gr，即gr={gp,gq}，则gr与任一类gk的距离为:d2kr=αpd2kp+αqd2kq+βd2pq+γ|d2kp－d2kq|(5)其中:αp=ni+npni+nr，αq=ni+nqni+nr，β=－nini+nr，γ=0,ni表示其所在的类中的样本数。该聚类算法具有单调性，并具有空间扩张性质［13］。在每个时段内都具有相似的交通规律，对每个时段ti，其对应的簇表示为：xu