李慧兵，楊曉光

（1.同濟(jì)大學(xué) 交通運(yùn)輸工程學(xué)院，上海 201804；2.上海濟(jì)祥智能交通有限公司，上海 200092）

路段平均行程時(shí)間作為反映道路擁擠程度的關(guān)鍵交通參數(shù)之一，歷來(lái)受到交通管理與控制部門的高度重視.路段平均行程時(shí)間的精確度、完整性與時(shí)效性，直接影響動(dòng)態(tài)交通管理措施的應(yīng)用效果.

不同數(shù)據(jù)源需要不同的模型算法來(lái)估計(jì)和預(yù)測(cè)路段平均行程時(shí)間值.在我國(guó)大中型城市路網(wǎng)上，浮動(dòng)車數(shù)據(jù)是一種具有數(shù)據(jù)精度高、覆蓋范圍廣、成本低等優(yōu)點(diǎn)的數(shù)據(jù)類型，所以對(duì)于路段行程時(shí)間的估計(jì)浮動(dòng)車數(shù)據(jù)目前應(yīng)用最廣［1］，因此基于浮動(dòng)車數(shù)據(jù)的路段行程時(shí)間準(zhǔn)確度評(píng)價(jià)就成為一個(gè)急需解決的問(wèn)題.一些國(guó)內(nèi)外學(xué)者對(duì)路段行程時(shí)間準(zhǔn)確度與浮動(dòng)車樣本量之間的關(guān)系進(jìn)行研究.張存保等［2］、周舒杰等［3］在路網(wǎng)的層面上對(duì)路段行程時(shí)間準(zhǔn)確度與最小浮動(dòng)車樣本量之間的關(guān)系進(jìn)行研究.但是他們提出的模型均為數(shù)學(xué)分析模型，而且這些模型沒(méi)有經(jīng)過(guò)實(shí)地驗(yàn)證，更重要的是，它們都是以路網(wǎng)為基礎(chǔ)建立起來(lái)的，而不是基于單條路段.Qi［4］試圖尋找單條路段行程時(shí)間準(zhǔn)確度與浮動(dòng)車樣本量之間的關(guān)系，但是其給出的關(guān)系是定性的，而不是定量、精確的數(shù)學(xué)關(guān)系.上述研究的局限性在于，它們均認(rèn)為浮動(dòng)車樣本量是影響路段行程時(shí)間準(zhǔn)確度的唯一因素，而實(shí)際上并不是這樣.Hellinga等［5-6］指出，由于浮動(dòng)車的時(shí)空分布具有隨機(jī)性，因此浮動(dòng)車采樣在大部分情況下是有偏差的，所以不管浮動(dòng)車樣本量有多大，浮動(dòng)車樣本的路段平均行程時(shí)間都有可能不會(huì)接近全體車輛的路段平均行程時(shí)間.與此同時(shí)，很多國(guó)內(nèi)學(xué)者試圖對(duì)行程時(shí)間準(zhǔn)確度進(jìn)行直接評(píng)價(jià)，在南京、杭州等城市的一些ITS重大項(xiàng)目中［7-9］，研究人員提出一系列路段行程時(shí)間準(zhǔn)確度的評(píng)價(jià)方法，如：浮動(dòng)車法、試驗(yàn)車法、牌照識(shí)別法等.這些方法有兩個(gè)共同的局限性，分別如下：

（1）這些方法只能對(duì)行程時(shí)間準(zhǔn)確度進(jìn)行離線評(píng)價(jià)，而不能進(jìn)行實(shí)時(shí)、在線評(píng)價(jià)，而實(shí)時(shí)、在線評(píng)價(jià)是非常重要的，因?yàn)閷?shí)時(shí)準(zhǔn)確度較高的行程時(shí)間可以被保存到系統(tǒng)數(shù)據(jù)庫(kù)中以作后期的數(shù)據(jù)融合和挖掘之用，對(duì)實(shí)時(shí)準(zhǔn)確度較低的行程時(shí)間來(lái)說(shuō)，可以建立相應(yīng)的修正模型對(duì)其進(jìn)行修正與改進(jìn).

（2）由于成本和費(fèi)用的原因，這些方法所能評(píng)價(jià)的路段樣本量和評(píng)價(jià)持續(xù)時(shí)間都很有限［7-9］，因此會(huì)影響系統(tǒng)評(píng)價(jià)結(jié)果的可信度.

為了克服前人研究的局限性，本文提出一個(gè)BP神經(jīng)網(wǎng)絡(luò)的融合模型，該模型不僅考慮了浮動(dòng)車樣本量這一影響行程時(shí)間準(zhǔn)確度的因素，還同時(shí)考慮了線圈數(shù)據(jù)提供的交通狀態(tài)信息.該模型可以對(duì)浮動(dòng)車行程時(shí)間準(zhǔn)確度進(jìn)行實(shí)時(shí)、在線的評(píng)價(jià)，同時(shí)可以對(duì)任何路段、任何時(shí)段內(nèi)的行程時(shí)間準(zhǔn)確度進(jìn)行長(zhǎng)期、有效的評(píng)價(jià).

基于BP神經(jīng)網(wǎng)絡(luò)的融合模型包括三個(gè)部分：初始數(shù)據(jù)產(chǎn)生模塊、BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合模塊和融合結(jié)果分析模塊.初始數(shù)據(jù)產(chǎn)生模塊包括線圈檢測(cè)模塊和GPS浮動(dòng)車檢測(cè)模塊.模型的輸入?yún)?shù)為路段交通流密度、交通量、行程時(shí)間估計(jì)值和浮動(dòng)車樣本量.BP網(wǎng)絡(luò)結(jié)構(gòu)將依據(jù)實(shí)地采集到的數(shù)據(jù)樣本情況確定.融合結(jié)果分析模塊主要是分析融合后的行程時(shí)間準(zhǔn)確度評(píng)價(jià)值與實(shí)測(cè)行程時(shí)間準(zhǔn)確度的接近程度，以此判斷融合結(jié)果的優(yōu)劣，并作為模型改善的依據(jù)（見(jiàn)圖1）.

圖1 融合模型結(jié)構(gòu)模塊圖Fig.1 Configuration of the fusion model

1 BP神經(jīng)網(wǎng)絡(luò)模型

隨著多傳感器系統(tǒng)應(yīng)用領(lǐng)域的不斷擴(kuò)大，數(shù)據(jù)融合技術(shù)得到了較大的發(fā)展.為了使多傳感器系統(tǒng)能夠自適應(yīng)、并行、高效地融合信息，數(shù)據(jù)融合算法越來(lái)越多地將神經(jīng)網(wǎng)絡(luò)應(yīng)用其中.神經(jīng)網(wǎng)絡(luò)作為對(duì)人腦功能的抽象和模擬，是探索人類智能奧秘的強(qiáng)有力工具.神經(jīng)網(wǎng)絡(luò)以其泛化能力強(qiáng)、穩(wěn)定性高、容錯(cuò)性好等優(yōu)勢(shì)，在數(shù)據(jù)融合的應(yīng)用中日益受到重視.另外，神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的學(xué)習(xí)能力和適應(yīng)能力，能夠綜合各方面的信息，在進(jìn)行數(shù)據(jù)融合過(guò)程中具有較大的優(yōu)勢(shì)［10］.

神經(jīng)網(wǎng)絡(luò)融合多傳感器信息應(yīng)具有如下性能［10］：

（1）神經(jīng)網(wǎng)絡(luò)的信息統(tǒng)一存儲(chǔ)在網(wǎng)絡(luò)的連接權(quán)值和連接結(jié)構(gòu)上，使得多傳感器信息的表示具有統(tǒng)一的形式，便于管理和建立知識(shí)庫(kù).

（2）神經(jīng)網(wǎng)絡(luò)可增加信息處理的容錯(cuò)性，當(dāng)某個(gè)傳感器出現(xiàn)故障或檢測(cè)失效時(shí)，神經(jīng)網(wǎng)絡(luò)的容錯(cuò)功能可以使融合系統(tǒng)正常工作，并輸出可靠的信息.

（3）神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)和自組織功能，使融合系統(tǒng)能適應(yīng)工作環(huán)境的不斷變化和信息的不確定性.

（4）神經(jīng)網(wǎng)絡(luò)的并行結(jié)構(gòu)和并行處理機(jī)制，使得信息處理速度快，能夠滿足信息融合的實(shí)時(shí)處理要求.

本文將采用基于BP神經(jīng)網(wǎng)絡(luò)的融合模型.神經(jīng)網(wǎng)絡(luò)的模型很多，其中反向傳播網(wǎng)絡(luò)（back propagation network，BPN）是被采用最多的方法之一.BPN是一種多層前饋神經(jīng)網(wǎng)絡(luò)，其神經(jīng)元的變換函數(shù)是Sigmoid型函數(shù)，它可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射.由于權(quán)值的調(diào)整采用反向傳播（BP）的學(xué)習(xí)算法，因此也常稱其為BP網(wǎng)絡(luò)［11］.

BPN采用廣義的Delta規(guī)則進(jìn)行網(wǎng)絡(luò)訓(xùn)練和學(xué)習(xí)，是一種有教師的學(xué)習(xí)，其學(xué)習(xí)算法如下［12］（見(jiàn)圖2）：

圖2 BP網(wǎng)絡(luò)模型Fig.2 BP network model

步驟1 權(quán)重Wij，Wjk和神經(jīng)元閾值θj，θk取隨機(jī)小值.

步驟2 輸入一個(gè)學(xué)習(xí)樣本Xi和已知的輸出值（期望輸出）Tk.

步驟3 計(jì)算神經(jīng)元的輸出.

隱含層

輸出層

式中：f，m是Sigmoid型函數(shù).

步驟4 計(jì)算神經(jīng)元的誤差.

輸出層

隱含層

步驟5 調(diào)整Wij，Wjk和θj，θk.

式中：i，j，k分別指輸入層、隱含層與輸出層的節(jié)點(diǎn)編號(hào)；α和β分別是權(quán)重函數(shù)和神經(jīng)元閾值函數(shù)的修正系數(shù).

步驟6 輸入下一個(gè)學(xué)習(xí)樣本，返回步驟3，直至全部學(xué)習(xí)樣本訓(xùn)練完畢，令計(jì)算誤差和

若E小于預(yù)先設(shè)定的某一精度ε，則訓(xùn)練結(jié)束，否則重新將學(xué)習(xí)樣本再次學(xué)習(xí)，直至E＜ε.

當(dāng)BPN訓(xùn)練結(jié)束以后，就可以利用它進(jìn)行信息處理和優(yōu)化.

2 模型參數(shù)選擇

本文選擇行程時(shí)間準(zhǔn)確度作為模型的輸出參數(shù)，選擇路段交通流密度、交通量、基于浮動(dòng)車數(shù)據(jù)的行程時(shí)間估計(jì)值以及浮動(dòng)車樣本量作為模型的輸入?yún)?shù)，下面對(duì)參數(shù)選擇的依據(jù)和原因進(jìn)行闡述.

2.1 模型輸出參數(shù)選擇

選擇行程時(shí)間準(zhǔn)確度作為模型的輸出參數(shù).準(zhǔn)確度是指計(jì)算值或測(cè)量值與真值相接近的程度［13］，而相對(duì)誤差可以表征這種接近程度，因此本文用行程時(shí)間相對(duì)誤差來(lái)表征行程時(shí)間準(zhǔn)確度.基于浮動(dòng)車的實(shí)測(cè)行程時(shí)間準(zhǔn)確度被當(dāng)作輸出參數(shù)來(lái)對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其計(jì)算公式如下：

式中：r為基于浮動(dòng)車數(shù)據(jù)的行程時(shí)間估計(jì)值，t為實(shí)測(cè)行程時(shí)間.其中實(shí)測(cè)行程時(shí)間是指在檢測(cè)間隔內(nèi)通過(guò)目標(biāo)路段全體車輛的平均行程時(shí)間，在本文中，實(shí)測(cè)行程時(shí)間是利用車輛牌照法得到的.

2.2 模型輸入?yún)?shù)

從式（1）可看出，影響行程時(shí)間準(zhǔn)確度的因素有兩個(gè)：① 基于浮動(dòng)車數(shù)據(jù)的行程時(shí)間估計(jì)值；② 實(shí)測(cè)行程時(shí)間.模型輸入?yún)?shù)中的交通量和路段交通流密度是通過(guò)線圈檢測(cè)器獲取的，它們與行程時(shí)間實(shí)測(cè)值關(guān)系密切.而行程時(shí)間估計(jì)值和浮動(dòng)車樣本量是通過(guò)浮動(dòng)車數(shù)據(jù)獲得，其中行程時(shí)間估計(jì)值除了代表其本身之外，還與行程時(shí)間實(shí)測(cè)值關(guān)系密切；浮動(dòng)車樣本量既與行程時(shí)間估計(jì)值直接相關(guān)，更與行程時(shí)間實(shí)測(cè)值有密切的關(guān)系.圖3是模型輸入?yún)?shù)的選擇依據(jù)圖，輸入?yún)?shù)的具體選擇原因?qū)⒃谙挛年U述.

圖3 模型輸入?yún)?shù)選擇依據(jù)圖Fig.3 Selection criteria of input parameters

3 初始數(shù)據(jù)產(chǎn)生模塊

本文以杭州市主干道環(huán)城東路上南向北方向的一條自然路段（環(huán)城北路與體育場(chǎng)路之間的路段）作為研究目標(biāo)路段，該路段長(zhǎng)度為530m，路段中間沒(méi)有支路.如圖4所示，目標(biāo)路段是從上游交叉口出口斷面到下游交叉口停車線這一區(qū)段.路段上線圈檢測(cè)器布設(shè)方法為典型的SCATS（Sydney coordinated adaptive traffic system）線圈布設(shè)方法，這些檢測(cè)器能檢測(cè)到每5min內(nèi)通過(guò)檢測(cè)器斷面的交通量.浮動(dòng)車數(shù)據(jù)由實(shí)時(shí)運(yùn)行在目標(biāo)路段上的浮動(dòng)車所提供，包括車輛經(jīng)緯度、車輛編號(hào)、車輛瞬時(shí)速度等信息，數(shù)據(jù)發(fā)送間隔為30s.

本模塊分為兩個(gè)部分：GPS浮動(dòng)車檢測(cè)模塊和線圈檢測(cè)模塊.GPS浮動(dòng)車檢測(cè)模塊可以獲得路段行程時(shí)間估計(jì)值和浮動(dòng)車樣本量等參數(shù).線圈檢測(cè)模塊能直接獲取準(zhǔn)確的交通量數(shù)據(jù)，并且可以通過(guò)間接計(jì)算的方法獲取路段交通流密度.

圖4 目標(biāo)路段示意圖Fig.4 Object link diagram

3.1 GPS浮動(dòng)車檢測(cè)模塊

浮動(dòng)車檢測(cè)技術(shù)是基于GPS的動(dòng)態(tài)交通數(shù)據(jù)采集技術(shù).GPS是一個(gè)能夠?qū)崿F(xiàn)全方位、實(shí)時(shí)定位與導(dǎo)航功能的衛(wèi)星系統(tǒng)，已經(jīng)在許多領(lǐng)域得到了成功的應(yīng)用.在動(dòng)態(tài)交通數(shù)據(jù)采集方面，基于GPS的動(dòng)態(tài)交通數(shù)據(jù)采集技術(shù)可以采集車輛的瞬時(shí)速度、行程時(shí)間、行程速度等數(shù)據(jù).具體方法是在車輛上配備GPS接收裝置，以一定的采樣間隔記錄車輛的三維位置坐標(biāo)和時(shí)間數(shù)據(jù)，這些數(shù)據(jù)傳入計(jì)算機(jī)后與地理信息系統(tǒng)（GIS）的電子地圖相結(jié)合，經(jīng)過(guò)重疊分析計(jì)算出車輛的瞬時(shí)車速及其通過(guò)特定路段的行程時(shí)間和速度指標(biāo).浮動(dòng)車檢測(cè)技術(shù)的精度主要受浮動(dòng)車數(shù)量、車輛類型以及駕駛員的駕車習(xí)慣等因素的影響.本模塊可以生成行程時(shí)間估計(jì)值和浮動(dòng)車樣本量等參數(shù).

（1）行程時(shí)間估計(jì)值

基于浮動(dòng)車數(shù)據(jù)的行程時(shí)間估計(jì)值可以近似代表實(shí)測(cè)行程時(shí)間值［14］，因此選擇行程時(shí)間估計(jì)值作為模型的一個(gè)輸入變量.

（2）浮動(dòng)車樣本量

張存保等［2］、周舒杰等［3］以及 Qi［4］均指出，在一般情況下，隨著浮動(dòng)車樣本量的增大，利用浮動(dòng)車直接法計(jì)算得到的行程時(shí)間估計(jì)值會(huì)接近于穿越路段全體車輛的路段平均行程時(shí)間（實(shí)測(cè)路段行程時(shí)間），因此浮動(dòng)車樣本量與行程時(shí)間估計(jì)值、實(shí)測(cè)行程時(shí)間之間的關(guān)系都很密切，尤其是后者.

3.2 線圈檢測(cè)模塊

雖然基于浮動(dòng)車數(shù)據(jù)的行程時(shí)間估計(jì)值可以近似代表實(shí)測(cè)行程時(shí)間值［14］，然而浮動(dòng)車數(shù)據(jù)只是由少量運(yùn)行在目標(biāo)路段上的浮動(dòng)車所發(fā)送，同時(shí)由于浮動(dòng)車存在時(shí)空分布不均勻的特性，因此基于浮動(dòng)車數(shù)據(jù)的行程時(shí)間估計(jì)值很難在任何情況下都真實(shí)反應(yīng)實(shí)測(cè)行程時(shí)間.由于SCATS線圈可以檢測(cè)到通過(guò)目標(biāo)路段的全體車流量，因此本文把線圈檢測(cè)到的車流量以及通過(guò)間接計(jì)算得到的路段交通流密度作為模型的兩個(gè)輸入?yún)?shù)，用它們來(lái)反映和代表路段實(shí)測(cè)行程時(shí)間.

（1）交通流密度

對(duì)于給定路段來(lái)說(shuō)，路段容納車輛數(shù)Na是與該路段的交通流擁擠狀況緊密相關(guān)的.首先，對(duì)研究路段在某一時(shí)段a的結(jié)束時(shí)刻所容納的車輛數(shù)Na進(jìn)行測(cè)算.該路段所包含車輛包括排隊(duì)車輛和正在運(yùn)動(dòng)中車輛兩部分.假設(shè)中間路段無(wú)進(jìn)出開(kāi)口，則有平衡方程［15］

式中：Na為第a時(shí)段結(jié)束時(shí)刻路段容納車輛數(shù)，Na-1為第（a-1）時(shí)段結(jié)束時(shí)刻路段容納車輛數(shù)，Qa，進(jìn)為第a時(shí)段進(jìn)入該路段的總車輛數(shù)，Qa，出為第a時(shí)段駛出該路段的總車輛數(shù).

考慮到路段長(zhǎng)度和車道數(shù)，第a時(shí)段路段交通流密度

式中：L為路段總長(zhǎng)度，s為路段車道數(shù).

從式（3）可以看出，必須得到第（a-1）時(shí)段結(jié)束時(shí)刻路段容納車輛數(shù)，才能對(duì)第a時(shí)段路段交通流密度Ka進(jìn)行計(jì)算.然而，Na-1是一個(gè)未知變量，因此，有必要對(duì)式（3）進(jìn)行如下變換：

從圖4可以看出，1～3號(hào)檢測(cè)器組檢測(cè)到的總流量即為進(jìn)入目標(biāo)路段的總車輛數(shù)Q進(jìn)，而4號(hào)檢測(cè)器組檢測(cè)到的流量即為駛出目標(biāo)路段的總車輛數(shù)Q出.從式（2）～（4）可以看出，計(jì)算第a時(shí)段路段交通流密度Ka的關(guān)鍵在于找到路段上容納最小車輛數(shù)的時(shí)段.因?yàn)?號(hào)檢測(cè)器組（見(jiàn)圖4）檢測(cè)到的車流量可以反映在該時(shí)段通過(guò)目標(biāo)路段的車輛數(shù)，因此4號(hào)檢測(cè)器組檢測(cè)到車流量最小的時(shí)段就是該路段上容納最小車輛數(shù)的時(shí)段.

利用2010年4月到8月間早高峰8∶00～9∶00am內(nèi)的108組數(shù)據(jù)（路段交通流密度數(shù)據(jù)和實(shí)測(cè)行程時(shí)間數(shù)據(jù)）對(duì)路段交通流密度與實(shí)測(cè)行程時(shí)間之間的關(guān)系進(jìn)行擬合分析.如圖5所示，路段交通流密度與實(shí)測(cè)行程時(shí)間之間服從比較明顯的線性關(guān)系，因此可以用路段交通流密度來(lái)反映和代表實(shí)測(cè)行程時(shí)間.

圖5 路段交通流密度與實(shí)測(cè)行程時(shí)間的關(guān)系圖Fig.5 Relationship between traffic flow density and actual travel time

（2）交通量

選擇4號(hào)檢測(cè)器組檢測(cè)到的交通量作為模型的一個(gè)輸入變量，因?yàn)樵摻煌看頇z測(cè)間隔內(nèi)通過(guò)目標(biāo)路段全體車輛的交通量，因此可以較好地反映路段交通狀態(tài)以及路段的實(shí)測(cè)行程時(shí)間.

4 BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合模塊

本模塊是通過(guò)構(gòu)造一個(gè)BP神經(jīng)網(wǎng)絡(luò)，對(duì)初始數(shù)據(jù)進(jìn)行融合處理以得到與實(shí)際數(shù)據(jù)更為接近的數(shù)據(jù).本文用于數(shù)據(jù)融合的BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)方案如下：

（1）神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)和輸出數(shù)據(jù).模型的輸入輸出參數(shù)見(jiàn)圖6.

圖6 BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合模塊結(jié)構(gòu)圖Fig.6 Architecture of BP network model based on data fusion

（2）網(wǎng)絡(luò)層數(shù).神經(jīng)網(wǎng)絡(luò)由輸入層、輸出層和若干隱含層構(gòu)成.隱含層數(shù)量可以為一層，也可以為多層.隱含層越多，網(wǎng)絡(luò)結(jié)構(gòu)越復(fù)雜，其訓(xùn)練時(shí)間也越長(zhǎng).通常情況下，包括一個(gè)隱含層的三層結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)可以滿足應(yīng)用要求，因此，本文選擇的網(wǎng)絡(luò)層數(shù)為三層.

（3）神經(jīng)元節(jié)點(diǎn)數(shù)量.根據(jù)神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)和輸出數(shù)據(jù)，確定神經(jīng)網(wǎng)絡(luò)的輸入層包含四個(gè)節(jié)點(diǎn)（分別輸入路段交通流密度、交通量、行程時(shí)間估計(jì)值以及浮動(dòng)車樣本量），輸出層僅包含一個(gè)節(jié)點(diǎn)（輸出融合后的行程時(shí)間準(zhǔn)確度）.隱含層節(jié)點(diǎn)數(shù)為15個(gè).

在確定了BP網(wǎng)絡(luò)的結(jié)構(gòu)后，利用輸入輸出樣本集對(duì)其進(jìn)行訓(xùn)練，也即對(duì)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行學(xué)習(xí)和調(diào)整，以使網(wǎng)絡(luò)實(shí)現(xiàn)給定的輸入輸出映射關(guān)系.

5 融合結(jié)果分析模塊

該模塊負(fù)責(zé)對(duì)融合得到的行程時(shí)間進(jìn)行準(zhǔn)確性檢驗(yàn)，檢驗(yàn)參數(shù)的絕對(duì)誤差εh、平均絕對(duì)誤差和誤差離散程度δ由式（5）～（7）確定.

式中：Ah為時(shí)段h內(nèi)行程時(shí)間準(zhǔn)確度實(shí)測(cè)值（該值可由式（1）計(jì)算得到），eh為時(shí)段h內(nèi)行程時(shí)間準(zhǔn)確度的評(píng)價(jià)值.

6 試驗(yàn)與分析

通過(guò)對(duì)文中提出的基于浮動(dòng)車與感應(yīng)線圈的神經(jīng)網(wǎng)絡(luò)融合模型進(jìn)行試驗(yàn)，從而驗(yàn)證算法的有效性，其中BP融合模型是用Matlab編寫(xiě).本文以杭州市主干道環(huán)城東路上南向北方向的一條自然路段（環(huán)城北路與體育場(chǎng)路之間的路段）作為研究目標(biāo)路段，該路段長(zhǎng)度為530m，路段中間沒(méi)有支路.視頻檢測(cè)器被布設(shè)在上下游交叉口處，它們能檢測(cè)到每輛車分別通過(guò)目標(biāo)路段前后斷面的具體時(shí)刻.因此，利用視頻檢測(cè)器能獲取路段的實(shí)測(cè)行程時(shí)間值.

利用2010年4月到8月間早高峰（8∶00～9∶00am）內(nèi)的406組數(shù)據(jù)對(duì)文中提出的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行驗(yàn)證.其中356組數(shù)據(jù)用來(lái)訓(xùn)練，50組數(shù)據(jù)用來(lái)檢驗(yàn).結(jié)果證明，利用這50組數(shù)據(jù)得到的行程時(shí)間準(zhǔn)確度評(píng)價(jià)值的平均絕對(duì)誤差為4.86%，誤差離散程度δ為2.16%.

7 結(jié)論

（1）提出一種面向?qū)崟r(shí)行程時(shí)間準(zhǔn)確度評(píng)價(jià)的BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合模型，同時(shí)利用406組數(shù)據(jù)對(duì)該模型的有效性進(jìn)行驗(yàn)證.結(jié)果表明，行程時(shí)間準(zhǔn)確度評(píng)價(jià)值的平均絕對(duì)誤差為4.86%，誤差離散程度δ為2.16%.

（2）僅選取杭州高峰時(shí)段（8∶00～9∶00am）的數(shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證，而未考慮其他時(shí)段，因此接下來(lái)需要對(duì)該模型在不同時(shí)段下的適用性進(jìn)行研究.

［1］姜桂艷，常安德，吳超騰.基于GPS浮動(dòng)車的交通信息采集方法［J］.吉林大學(xué)學(xué)報(bào)：工學(xué)版，2010，40（4）：971.JIANG Guiyan，CHANG Ande， WU Chaoteng. Traffic information collection method based on GPS equipped floating car［J］.Journal of Jilin University： Engineering and Technology Edition，2010，40（4）：971.

［2］張存保，楊曉光，嚴(yán)新平.移動(dòng)交通檢測(cè)系統(tǒng)中探測(cè)車的樣本數(shù)量［J］.中國(guó)公路學(xué)報(bào)，2007，20（1）：96.ZHANG Cunbao，YANG Xiaoguang，YAN Xinping. Probe vehicles sample size for mobile traffic detection system［J］.China Journal of Highway and Transport，2007，20（1）：96.

［3］周舒杰，廖孝勇，趙敏，等.面向道路網(wǎng)的浮動(dòng)車最小覆蓋率模型［J］.重慶工學(xué)院學(xué)報(bào)：自然科學(xué)，2009，23（4）：11.ZHOU Shujie，LIAO Xiaoyong，ZHAO Min，et al. Road network-oriented minimum coverage model for floating vehicle［J］.Journal of Chongqing Institute of Technology：Natural Science，2009，23（4）：11.

［4］QI Yi.Travel time data quality assessment：development of a design to test new generation traffic monitoring systems［C］／／TRB Annual Meeting. Washington D C：Transportation Research Board，2005：234-235.

［5］Hellinga B R，F(xiàn)U Liping.Reducing bias in probe-based arteriallink travel time estimates［J］.Transportation Research Part C，2002，12（5）：257.

［6］Hellinga B R，F(xiàn)U Liping.Assessing expected accuracy of probe vehicle travel time reports［J］.Journal of Transportation Engineering，1999，24（3）：524.

［7］YANG Xiaoguang，YUN Meiping，LI Huibing，et al.Traffic state intelligent forecasting and management support system［R］.Shanghai：Tongji University，2008.

［8］YANG Xiaoguang，YANG Fan，YUN Meiping，et al.Research and application of intelligent transportation system based on mobile data［R］.Shanghai：Tongji University，2011.

［9］CHU Hao，YANG Xiaoguang，LI Huibing.Accuracy evaluation of traffic condition distinguishing［C］／／The 4th China Annual Conference and International Exhibition on Intelligent Transport Systems.Beijing：China Academic Journal Electronic Publishing House，2008：909-915.

［10］李平勇，游磊，蘇長(zhǎng)明.嵌入式系統(tǒng)教學(xué)體系建設(shè)研究［J］.教育與教學(xué)研究，2011，25（5）：95.LI Pingyong，YOU Lei，SU Changming.On study of construction of embedded system teaching architecture［J］.Education and Teaching Research，2011，25（5）：95.

［11］熊文華，徐建閩，林思.基于BP網(wǎng)絡(luò)的浮動(dòng)車與線圈檢測(cè)數(shù)據(jù)融合模型［J］.計(jì)算機(jī)仿真，2006，26（9）：235.XIONG Wenhua，XU Jianmin，LIN Si.A fusion model for floating vehicle and loop detector data based on BP network［J］.Computer Simulation，2006，26（9）：235.

［12］王偉.人工神經(jīng)網(wǎng)絡(luò)原理：入門應(yīng)用［M］.北京：北京航空航天大學(xué)出版社，1995.WANG Wei.Artificial neural network theories：fundamental applications［M］.Beijing：Beihang University Press，1995.

［13］孫立芳，孫永華.臨床檢驗(yàn)準(zhǔn)確度的探討與評(píng)價(jià)［J］.中國(guó)民康醫(yī)學(xué)，2011，23（2）：237.SUN Lifang，SUN Yonghua.Discussion on the accuracy degree of clinical inspection［J］.Medical Journal of Chinese People’s Health，2011，23（2）：237.

［14］Turner M S，Holdener D J.Probe vehicle sample sizes for realtime information：the Houston experience［C］／／Proceedings of Vehicle Navigation and Information Systems （VNIS）Conference.New York：IEEE，1995：3-9.

［15］Cheu R L，Liu Q，Lee D H.Arterial travel time estimation using SCATS detectors ［J］. Applications of Advanced Technologies in Transportation，2002，4（12）：32.