基于信息融合的交通信息采集研究

智能交通系统(ITS)作为一个信息化的系统，它的各个组成部分和各种功能都是以交通信息应用为中心展开的，交通信息的质量直接影响着交通系统应用分析的可靠程度。因此，获取实时、全面、准确的道路交通信息是实现城市交通智能化的关键，也是ITS成功实施的重要前提和基本保障。本文以交通信息采集为应用背景，针对目前城市道路交通信息难以实现实时全面准确采集的问题，从信息融合的角度，对交通信息融合、交通信息预测以及FCD算法等问题进行了深入系统的研究。 全文的主要工作包括以下几个方面： 1)信息融合技术的理论基础研究。从系统的角度对信息融合技术的基础理论进行了研究，重点研究了信息融合技术作为一种系统思维方式的理论知识，这些知识是构成信息融合技术的基础。其主要内容包括信息融合的融合层次、功能模型、结构模型以及数学模型。 2)基于FCD的城市道路交通信息采集研究。提出了一种基于FCD的城市道路车流速度估计算法，并应用到城市道路大规模交通信息采集中。首先，介绍了速度估计算法，它采用了一种改进的弧段Dijkstra路径寻优算法，在图的弧段-弧段存储结构中考虑了城市路网限制性交通信息的表达，并将路网的一些先验信息引入弧段关系结构中，提高了搜索效率和准确性。然后，通过地面跑车实验给出了算法的评价结果和讨论。最后，介绍了算法在城市路网进行大规模交通信息采集的应用效果。 3)基于证据理论和Kalman滤波的交通信息融合研究。首先介绍了基于联合Kalman滤波的GPS／DR／MM／BB组合导航信息融合方法，用于提高GPS定位的精度和完整性。通过组合导航信息融合，既能解决城区存在车辆导航“盲区”问题，又能提高车辆导航系统的定位精度。然后，提出了一种基于证据理论和最小二乘支持向量机(LS-SVM)的信息融合方法，通过融合地感线圈所采集的交通流量信息，全面提高FCD系统交通速度信息采集的准确性和完整性。该方法从历史速度数据和流量数据中提取关联规则和可信度矩阵，并进行回归分析得到速度-流量曲线的临界速度参数，在此基础上通过证据理论进行信息融合。 4)基于径向基函数(RBF)神经网络的交通信息融合预测研究。首先提出了RBF神经网络一种两步学习算法：遗传-梯度算法(Genetic Gradient Algorithm，GGA)，用于RBF(Radial Basis Function)神经网络的学习，在此基础上建立了基于时间相关和空间相关的RBFNN交通信息融合预测模型，并应用到交通速度信息预测中。GGA算法充分利用了遗传算法(GA)的全局优化能力和梯度下降算法的局部搜索能力，一方面加快了网络的收敛速度，另一方面优化了网络结构，并在一定程度上提高了网络的推广能力。