王玉婷，李 靜，蔡曉禹

（1.山地城市交通系統(tǒng)與安全重慶市重點(diǎn)實(shí)驗(yàn)室，重慶 400074；2.重慶交通大學(xué)交通運(yùn)輸學(xué)院，重慶 400074）

0 引言

高德地圖2021 年1 季度發(fā)布的《中國(guó)主要城市交通分析報(bào)告》顯示，我國(guó)361 個(gè)城市中，有59%的城市在通勤高峰時(shí)處于緩行狀態(tài)，有1.66%的城市處于擁堵狀態(tài)。由此可見，交通擁堵給城市交通運(yùn)行帶來(lái)了較大的挑戰(zhàn)，亟需有效的應(yīng)對(duì)措施。目前，準(zhǔn)確的交通狀態(tài)判別是智能交通領(lǐng)域的熱點(diǎn)研究方向之一，也是實(shí)施有效管控措施、緩解擁堵問(wèn)題的重要基礎(chǔ)[1]。

國(guó)內(nèi)外學(xué)者對(duì)數(shù)據(jù)融合、道路交通狀態(tài)判別等已進(jìn)行大量研究。按照獲取方式劃分，交通領(lǐng)域的數(shù)據(jù)可分為兩類[2]，一類是由傳統(tǒng)的固定式檢測(cè)器（如感應(yīng)線圈、地磁等）獲取的數(shù)據(jù)；另一類是移動(dòng)型交通數(shù)據(jù)，如GPS 浮動(dòng)車數(shù)據(jù)、手機(jī)信令數(shù)據(jù)、車聯(lián)網(wǎng)數(shù)據(jù)等。單一來(lái)源數(shù)據(jù)面臨信息不完整、不可靠等問(wèn)題，需靠多源數(shù)據(jù)融合來(lái)彌補(bǔ)其不足。面向多源數(shù)據(jù)的融合算法中，基于多傳感器數(shù)據(jù)的融合算法涉及分布式融合技術(shù)、卡爾曼濾波技術(shù)、有序加權(quán)平均法、模糊積分法、神經(jīng)網(wǎng)絡(luò)法等[3]。應(yīng)用在交通領(lǐng)域，研究人員提出了基于交通流理論非線性函數(shù)的數(shù)據(jù)融合算法[4]、考慮虛假數(shù)據(jù)和交通狀態(tài)的數(shù)據(jù)融合算法[5]、基于置信張量的數(shù)據(jù)融合算法[6]、D-S 證據(jù)理論融合算法等。在D-S證據(jù)理論方面，Wang等研究了基于證據(jù)理論的空域擁塞預(yù)測(cè)技術(shù)[7]；胡林等對(duì)傳統(tǒng)D-S 證據(jù)理論進(jìn)行了改進(jìn)，解決了證據(jù)的可信度問(wèn)題，并將改進(jìn)后的D-S 證據(jù)理論應(yīng)用于車輛導(dǎo)航的地圖匹配中，確定了車輛位置信息和方向信息判斷規(guī)則[8]。已有的交通狀態(tài)判別方法主要分為三類，分別為：宏觀基本圖法[9]、歷史數(shù)據(jù)驅(qū)動(dòng)的交通狀態(tài)識(shí)別算法[10-12]、基于實(shí)時(shí)檢測(cè)數(shù)據(jù)的交通狀態(tài)識(shí)別方法。

綜上，道路交通狀態(tài)判別相關(guān)研究已積累了豐富成果，但尚存不足：（1）利用不同類型車輛數(shù)據(jù)進(jìn)行判別時(shí)，通常采用統(tǒng)一的交通狀態(tài)劃分標(biāo)準(zhǔn)，未考慮不同類型車輛運(yùn)行的差異性；（2）基于浮動(dòng)車數(shù)據(jù)的交通狀態(tài)判別研究大多只使用出租車或公交車一種浮動(dòng)車數(shù)據(jù)，數(shù)據(jù)源較單一、狀態(tài)判別結(jié)果較難全面反映實(shí)際情況。而DS 證據(jù)理論能將具有差異性的數(shù)據(jù)通過(guò)不精確推理進(jìn)行融合，得到更客觀、更符合實(shí)際的結(jié)果。鑒于此，本文考慮不同類型車輛運(yùn)行的差異性，利用出租車、公交車、私家車3 種浮動(dòng)車數(shù)據(jù)作為數(shù)據(jù)源，針對(duì)不同車種浮動(dòng)車數(shù)據(jù)的差異及樣本的不均衡性，引入D-S 證據(jù)理論并對(duì)其進(jìn)行改進(jìn)，來(lái)融合不同車種的浮動(dòng)車數(shù)據(jù)，充分挖掘其中蘊(yùn)含的交通信息，實(shí)現(xiàn)路段交通狀態(tài)的準(zhǔn)確判別。

1 不同車種浮動(dòng)車數(shù)據(jù)特征分析

1.1 速度分布

不同類型車輛在車型尺寸、動(dòng)力性能、服務(wù)對(duì)象等方面存在差異，因此其在交通流中的運(yùn)行速度也各不相同。本文以重慶市江北區(qū)五紅路路段單元為研究對(duì)象，采集了各類型浮動(dòng)車在“暢通-擁堵-暢通”這一連續(xù)的狀態(tài)變化過(guò)程中的速度數(shù)據(jù)，采樣時(shí)間為2018 年11 月27 日14：00—19：00，數(shù)據(jù)樣本情況如表1所示。通過(guò)數(shù)據(jù)預(yù)處理，得到以5min為時(shí)間間隔的各類型車輛速度平均值隨時(shí)間變化的趨勢(shì)圖，如圖1所示。

表1 各類型浮動(dòng)車采樣情況

圖1 不同類型車輛平均運(yùn)行速度

圖1 中，15:00—17:00 為非擁堵時(shí)段（15:30速度下降是因?yàn)榘l(fā)生了交通事故），17:00—19:00為擁堵時(shí)段。由圖1 可看出，不同類型車輛在平均運(yùn)行速度上存在明顯差異，公交車的平均運(yùn)行速度在擁堵前明顯小于私家車和出租車，擁堵時(shí)3種車輛的運(yùn)行速度幾乎相同。

本文結(jié)合現(xiàn)有交通狀態(tài)分級(jí)類別數(shù)[13]和交通流變化情況，將交通狀態(tài)劃分為暢通、較暢通、緩行、擁堵4 個(gè)等級(jí)。通過(guò)重慶市五紅路路段單元的視頻錄像，分別對(duì)不同類型的浮動(dòng)車提取各交通狀態(tài)下的車輛瞬時(shí)速度，并求其標(biāo)準(zhǔn)差，得到各類型浮動(dòng)車速度標(biāo)準(zhǔn)差隨交通狀態(tài)的變化趨勢(shì)，如圖2 所示。

圖2 不同交通狀態(tài)下不同類型車輛速度標(biāo)準(zhǔn)差對(duì)比

從圖2 可看出：（1）在相同交通狀態(tài)下，不同類型車輛速度離散程度存在明顯差異，其中公交車的速度離散程度明顯小于出租車和私家車；（2）同一類型車輛在不同交通狀態(tài)下速度離散程度不同，整體均呈現(xiàn)出隨著交通擁堵的加劇，離散度逐漸減小的趨勢(shì)。

1.2 交通狀態(tài)劃分標(biāo)準(zhǔn)

采用模糊C-均值聚類（Fuzzy C-Means,FCM）算法確定交通狀態(tài)劃分標(biāo)準(zhǔn)，以其輸出的聚類中心值作為各交通狀態(tài)中的特征值，本文用速度表征交通狀態(tài)特征值。由于1.1 節(jié)中提及的路段單元車速數(shù)據(jù)涵蓋了從暢通到擁堵的4種交通狀態(tài)，且各狀態(tài)持續(xù)時(shí)間幾乎相同，因此，由該路段單元數(shù)據(jù)獲取的各交通狀態(tài)的特征值能較好地反映實(shí)際交通運(yùn)行狀況。分別提取不同類型浮動(dòng)車的速度數(shù)據(jù)進(jìn)行模糊聚類，得到各交通狀態(tài)特征值（見表2）。

表2 交通狀態(tài)特征值對(duì)比

從表2 可看出，出租車與私家車的交通狀態(tài)特征值差異不顯著，兩者與公交車在暢通與較暢通狀態(tài)下特征值存在顯著差異。

1.3 樣本特征

受車輛出行隨機(jī)性和浮動(dòng)車覆蓋率的影響，相同采樣間隔下不同類型浮動(dòng)車數(shù)據(jù)獲取的樣本量不同，而浮動(dòng)車數(shù)據(jù)樣本量與交通狀態(tài)判別結(jié)果可信度之間存在相關(guān)關(guān)系。一般情況下，樣本量越大，交通狀態(tài)的判別結(jié)果準(zhǔn)確性越高。

數(shù)據(jù)越聚集，用于反映數(shù)據(jù)總體趨勢(shì)所需的樣本量就可以越?。粩?shù)據(jù)越離散，所需的樣本量則越大。從圖2 可看出，所有類型車輛在暢通下的速度離散度均最大，因此，在進(jìn)行該狀態(tài)判別時(shí)所需的樣本量也應(yīng)最大。

本文提取暢通狀態(tài)下各類型浮動(dòng)車的瞬時(shí)速度信息，分析各類型浮動(dòng)車數(shù)據(jù)樣本量與交通狀態(tài)判別結(jié)果可信度間的關(guān)系。實(shí)驗(yàn)方法采用隨機(jī)抽樣，步驟如下：

第1 步：選取暢通狀態(tài)下某一種浮動(dòng)車車輛的所有瞬時(shí)速度作為抽樣的總體。

第2 步：從總體中每次隨機(jī)抽取n條數(shù)據(jù)樣本（n=1,2,…,m），每條樣本抽取次數(shù)k=100。

第3 步：針對(duì)每一次抽取的樣本量方案，計(jì)算瞬時(shí)速度平均值v。

第4 步：計(jì)算v與對(duì)應(yīng)數(shù)據(jù)聚類中心的歐式距離，歐氏距離最小者對(duì)應(yīng)的交通狀態(tài)即為判別出的路段單元交通狀態(tài)。

第5 步：將不同樣本量方案的交通狀態(tài)判別結(jié)果與標(biāo)準(zhǔn)狀態(tài)（暢通）進(jìn)行對(duì)比，計(jì)算可信度。

第6 步：利用SPSS 軟件擬合出數(shù)據(jù)樣本量與交通狀態(tài)判別結(jié)果間的函數(shù)關(guān)系式。

第7 步：重復(fù)第1 步～第6 步，獲得3 種浮動(dòng)車交通狀態(tài)判別結(jié)果可信度為100%時(shí)所需的最小數(shù)據(jù)樣本量，以及當(dāng)樣本量小于最小樣本量時(shí)，交通狀態(tài)判別結(jié)果的可信度大小。

根據(jù)以上步驟，計(jì)算出3 類車輛數(shù)據(jù)樣本量與交通狀態(tài)判別結(jié)果可信度間的關(guān)系如下：

式（1）～式（3）中：Pt為出租車數(shù)據(jù)交通狀態(tài)判別結(jié)果的可信度；Pc為私家車數(shù)據(jù)交通狀態(tài)判別結(jié)果的可信度；Pb為公交車數(shù)據(jù)交通狀態(tài)判別結(jié)果的可信度；n為浮動(dòng)車數(shù)據(jù)樣本量（條）。

從以上關(guān)系式可看出：①出租車、私家車、公交車用于交通狀態(tài)判別的最小數(shù)據(jù)樣本量各不相同，當(dāng)交通狀態(tài)判別結(jié)果可信度為100%時(shí)，所需的最小數(shù)據(jù)樣本量分別為18 條、25 條、16條；②不同浮動(dòng)車數(shù)據(jù)樣本量與交通狀態(tài)判別結(jié)果可信度之間的關(guān)系式也各不相同。

以上結(jié)果表明，不同類型的浮動(dòng)車數(shù)據(jù)在運(yùn)行速度分布、交通狀態(tài)劃分標(biāo)準(zhǔn)方面存在差異，因此有必要針對(duì)不同類型的數(shù)據(jù)分別確定交通狀態(tài)劃分標(biāo)準(zhǔn)，避免因標(biāo)準(zhǔn)不同而導(dǎo)致的交通狀態(tài)判別誤差。而針對(duì)不同浮動(dòng)車數(shù)據(jù)樣本的差異性特征，在進(jìn)行數(shù)據(jù)融合時(shí)應(yīng)考慮樣本量導(dǎo)致的各浮動(dòng)車交通狀態(tài)判別結(jié)果可信度。

D-S 證據(jù)理論能將具有差異性的數(shù)據(jù)通過(guò)不精確推理進(jìn)行融合，得到更客觀、更符合實(shí)際的結(jié)果。因此，本文將采用D-S 證據(jù)理論進(jìn)行各浮動(dòng)車數(shù)據(jù)的融合，從而實(shí)現(xiàn)交通狀態(tài)判別。

2 D-S證據(jù)理論基本原理

假設(shè)現(xiàn)有一個(gè)問(wèn)題需要判別，問(wèn)題所有可能答案所構(gòu)成的非空論域用Θ表示，Θ為識(shí)別框架，Θ={θ1,θ2,…,θj,…,θN}，其中θj為識(shí)別框架的一個(gè)元素或一個(gè)事件，j=1,2,…,N,N為元素個(gè)數(shù)。在Θ中，基本信任分配函數(shù)m滿足從2Θ→[0,1]的映射關(guān)系，設(shè)A表示Θ中的任一子集，記作A?Θ，基本信任分配函數(shù)滿足如下條件[14]：

式（4）中：m(A)為事件A的基本信任分配函數(shù)，其反映了證據(jù)對(duì)事件A的信任程度；m(?)=0 表明證據(jù)對(duì)于空集的信度為0；=1 表示證據(jù)賦予所有子集的信任度之和為1[15]。

由于數(shù)據(jù)源之間相互獨(dú)立且不同的數(shù)據(jù)源檢測(cè)誤差不同，因此得到的基本信任分配函數(shù)存在差異。為提高目標(biāo)檢測(cè)準(zhǔn)確度，D-S 合成規(guī)則具備對(duì)多個(gè)獨(dú)立數(shù)據(jù)源所提供的信息進(jìn)行融合的能力，該合成規(guī)則如下：

式（5）～式（6）中：m(A)含義同式（4）；K表示所有證據(jù)間的沖突程度。K越大，表示證據(jù)間沖突越高；當(dāng)K→1-時(shí)，為高沖突；當(dāng)K＜1 不成立時(shí)，證據(jù)無(wú)法合成。

3 基于改進(jìn)D-S 證據(jù)理論的交通狀態(tài)判別

針對(duì)D-S 證據(jù)理論處理高沖突證據(jù)時(shí)會(huì)存在結(jié)果與常理相悖的問(wèn)題，國(guó)內(nèi)外學(xué)者進(jìn)行了深入分析，指出造成這種不足的原因有：①證據(jù)源本身問(wèn)題，證據(jù)源的基本信任分配函數(shù)本身不合理，導(dǎo)致融合結(jié)果錯(cuò)誤；②合成規(guī)則問(wèn)題，傳統(tǒng)D-S 證據(jù)理論的合成規(guī)則將數(shù)據(jù)源間沖突信息丟棄，導(dǎo)致融合結(jié)果不合理。本文考慮數(shù)據(jù)源在融合過(guò)程中自身數(shù)據(jù)的可靠性以及對(duì)數(shù)據(jù)源間沖突信息的合理分配，對(duì)D-S 證據(jù)理論從修正證據(jù)源和優(yōu)化合成規(guī)則兩方面進(jìn)行改進(jìn)，并基于改進(jìn)的D-S證據(jù)理論構(gòu)建路段單元交通狀態(tài)判別模型。

3.1 改進(jìn)的D-S證據(jù)理論

車輛出行的隨機(jī)性以及檢測(cè)誤差等的影響會(huì)導(dǎo)致在同一判別時(shí)段，不同浮動(dòng)車數(shù)據(jù)源采集的樣本條數(shù)并不相等，可能出現(xiàn)某一種浮動(dòng)車樣本極少甚至沒(méi)有的情況。如果樣本少的數(shù)據(jù)源正好出現(xiàn)檢測(cè)誤差，那么經(jīng)由該數(shù)據(jù)源只會(huì)得出錯(cuò)誤的交通狀態(tài)判別結(jié)果，會(huì)與其他數(shù)據(jù)源判別出的結(jié)果產(chǎn)生沖突。從樣本與交通狀態(tài)判別結(jié)果可靠度關(guān)系的研究中可看出，當(dāng)數(shù)據(jù)樣本較少時(shí)，該數(shù)據(jù)判別出的交通狀態(tài)結(jié)果可靠性也較低。因此，在路段單元交通狀態(tài)判別改進(jìn)模型中，可利用各數(shù)據(jù)源交通狀態(tài)判別結(jié)果可靠度對(duì)該數(shù)據(jù)源的基本信任分配函數(shù)進(jìn)行修正，再利用優(yōu)化后的合成規(guī)則進(jìn)行數(shù)據(jù)融合，解決樣本過(guò)少的問(wèn)題。本文對(duì)D-S證據(jù)理論的改進(jìn)方法如下。

（1）修正基本信任分配函數(shù)

n個(gè)數(shù)據(jù)源的基本信任分配函數(shù)分別為m1,m2,…,mn，數(shù)據(jù)在融合過(guò)程中的可靠度分別為α1,α2,…,αn，則基本信任分配函數(shù)修正規(guī)則如下[14]：

式（7）中：(Aj)為修正后的數(shù)據(jù)源i對(duì)焦元Aj的基本信任分配函數(shù)；m′i(Θ)為數(shù)據(jù)源i對(duì)目標(biāo)結(jié)果的不確定程度。

（2）衡量修正后函數(shù)差異性

采用綜合相似度衡量修正后基本信任分配函數(shù)的差異，綜合相似度r的計(jì)算公式[16]為：

式（8）中：r′為證據(jù)間的細(xì)粒度相似度，通過(guò)模糊理論中的貼近度獲得，計(jì)算公式如式（9）[17]所示；r″為粗粒度相似度，由粗距離和Pignistic 概率轉(zhuǎn)換函數(shù)獲得，計(jì)算公式如式（10）所示[18-19]。

根據(jù)各證據(jù)綜合相似度，構(gòu)造研究對(duì)象的綜合相似度矩陣R：

式（13）中：rij為修正基本信任分配函數(shù)后的證據(jù)i和證據(jù)j間的綜合相似度。

（3）確定沖突及不確定性分配權(quán)重

證據(jù)的支持度計(jì)算公式[19]如下：

式（14）中：Supi為證據(jù)i的支持度。

證據(jù)的可信度反映了在綜合考慮所有證據(jù)的支持度后，證據(jù)在融合過(guò)程中的可信程度，其計(jì)算公式如下[19]：

式（15）中：Crdi為證據(jù)i的可信度。

不確定信息的值如果大于決策中所有目標(biāo)焦元的信任值，會(huì)使得決策無(wú)法進(jìn)行。因此，本文將不確定信息和沖突信息一同分配到各目標(biāo)焦元中。為確定權(quán)重值，本文利用Pignistic 概率轉(zhuǎn)化函數(shù)和各證據(jù)的可信度，得出所有證據(jù)對(duì)各目標(biāo)焦元的綜合決策概率w(Sk)。綜合決策概率之和為1。用該概率作為沖突及不確定信息的分配權(quán)重，其計(jì)算公式如下：

（4）優(yōu)化合成規(guī)則

優(yōu)化后的合成規(guī)則將取消歸一化的過(guò)程，融合結(jié)果由3 部分信息組成：證據(jù)間的一致信息、沖突信息K、不確定信息C。優(yōu)化后的D-S 組合規(guī)則M(S)如下：

式（17）～式（19）中各參數(shù)含義同前。

3.2 交通狀態(tài)判別模型

設(shè)S={S1,S2,S3,S4}為路段單元交通狀態(tài)類型集合，其中S1,S2,S3,S4分別表示擁堵、緩行、較暢通、暢通狀態(tài)，則模型的識(shí)別框架Θ={S1,S2,S3,S4}。出租車、公交車、私家車3 種浮動(dòng)車數(shù)據(jù)源分別為模型中的證據(jù)1、證據(jù)2、證據(jù)3。

路段單元交通狀態(tài)判別模型涉及的具體步驟如下：

（1）計(jì)算各種浮動(dòng)車在判別時(shí)段內(nèi)的瞬時(shí)速度平均值，并統(tǒng)計(jì)數(shù)據(jù)樣本條數(shù)。

式（20）中：p為數(shù)據(jù)源類型，p=t,b,c分別表示出租車、公交車、私家車；np為p的采樣條數(shù)；vp,i為i時(shí)刻采集的p類型浮動(dòng)車的瞬時(shí)速度（km/h）；為p類型浮動(dòng)車的瞬時(shí)速度平均值（km/h）。

（2）根據(jù)各類型浮動(dòng)車的交通狀態(tài)劃分標(biāo)準(zhǔn)及瞬時(shí)速度平均值，各證據(jù)的基本信任分配函數(shù)mp(Sj)計(jì)算公式如下[20]：

式（21）中：Vp,j為p類型浮動(dòng)車在交通狀態(tài)為j時(shí)的速度聚類中心值。

（3）利用1.3 節(jié)中獲得的各浮動(dòng)車判別結(jié)果準(zhǔn)確率可信度作為融合過(guò)程中的數(shù)據(jù)可靠度，利用3.1 節(jié)提出的改進(jìn)方法進(jìn)行數(shù)據(jù)融合，得到融合后的交通狀態(tài)判別結(jié)果。

4 實(shí)證分析

4.1 數(shù)據(jù)準(zhǔn)備

選擇重慶市江北區(qū)五紅路某一路段單元作為交通狀態(tài)判別效果實(shí)驗(yàn)路段單元，數(shù)據(jù)采集時(shí)間為2018年11月28日14:00—19:00。交通狀態(tài)劃分標(biāo)準(zhǔn)由另一與判別路段道路屬性相似的路段單元得出，數(shù)據(jù)采集時(shí)間為2018 年11 月27 日15:00—19:00。數(shù)據(jù)樣本量如表3 所示。路段實(shí)際交通狀態(tài)根據(jù)拍攝的視頻進(jìn)行人工認(rèn)定。

表3 各類型浮動(dòng)車采樣情況

4.2 D-S證據(jù)理論改進(jìn)前后判別效果對(duì)比

選取2018 年11 月28 日14:00—19:00 三類浮動(dòng)車速度分布差異較明顯時(shí)的數(shù)據(jù)對(duì)模型進(jìn)行測(cè)試，該時(shí)段采集的各浮動(dòng)車基本信息為：出租車、公交車、私家車浮動(dòng)車瞬時(shí)速度數(shù)據(jù)樣本量分別為17 條、11 條、4 條，瞬時(shí)速度平均值分別為41km/h,30.55km/h,35km/h。該時(shí)段的實(shí)際交通狀態(tài)為暢通。

基于傳統(tǒng)和改進(jìn)D-S 證據(jù)理論的交通狀態(tài)判別研究結(jié)果分別如表4所示。

表4 多源數(shù)據(jù)高沖突情況下判別算例結(jié)果

由表4 可知：根據(jù)出租車數(shù)據(jù)，交通狀態(tài)為暢通的可能性最大；根據(jù)私家車數(shù)據(jù)，交通狀態(tài)為較暢通的可能性最大；根據(jù)公交車數(shù)據(jù)，交通狀態(tài)為暢通的可能性最大。3 種類型浮動(dòng)車數(shù)據(jù)的判別結(jié)果存在高度沖突（K＝0.804，在左側(cè)靠近1）。傳統(tǒng)的D-S 證據(jù)理論方法得出交通狀態(tài)為較暢通，判別錯(cuò)誤；本文提出的改進(jìn)的D-S 證據(jù)理論由于在融合時(shí)考慮了各浮動(dòng)車數(shù)據(jù)樣本量大小對(duì)融合結(jié)果的影響，并且對(duì)證據(jù)間的沖突信息進(jìn)行了合理分配，得出了正確的判別結(jié)果。這表明本文提出的算法能解決傳統(tǒng)D-S 證據(jù)理論在融合高度沖突信息時(shí)存在的缺陷。

4.3 多算法判別效果對(duì)比

從路段單元2 的實(shí)驗(yàn)數(shù)據(jù)中隨機(jī)選取67 條樣本進(jìn)行模型效果評(píng)估，選取的樣本組包含了高沖突和低沖突數(shù)據(jù)，將基于改進(jìn)D-S 證據(jù)理論的判別結(jié)果、基于D-S 證據(jù)理論的判別結(jié)果、基于單一數(shù)據(jù)源（出租車、公交車、私家車）的判別結(jié)果進(jìn)行統(tǒng)計(jì)和對(duì)比分析，如表5所示。

表5 各算法交通狀態(tài)判別準(zhǔn)確率

從表5 可看出：基于D-S 證據(jù)理論的判別方法準(zhǔn)確率相比基于單一數(shù)據(jù)源的判別方法準(zhǔn)確率有所提升，證明了將D-S 證據(jù)理論引入交通狀態(tài)判別能有效融合不同類型的浮動(dòng)車數(shù)據(jù)，提升判別準(zhǔn)確率；基于改進(jìn)D-S 證據(jù)理論的模型克服了傳統(tǒng)D-S 證據(jù)理論在交通狀態(tài)判別時(shí)的缺陷，判別準(zhǔn)確率有了進(jìn)一步提升。

5 結(jié)語(yǔ)

本文基于出租車、公交車、私家車3 種不同類型浮動(dòng)車數(shù)據(jù)，構(gòu)建了基于改進(jìn)D-S 證據(jù)理論數(shù)據(jù)融合的路段單元交通狀態(tài)判別模型，該模型可解決不同類型浮動(dòng)車數(shù)據(jù)間交通狀態(tài)判別結(jié)果高度沖突的問(wèn)題。實(shí)例驗(yàn)證結(jié)果表明：

（1）通過(guò)引入D-S 證據(jù)理論對(duì)不同類型浮動(dòng)車數(shù)據(jù)進(jìn)行融合判別，能得到比任一單一浮動(dòng)車數(shù)據(jù)源更高的判別準(zhǔn)確率，說(shuō)明D-S 證據(jù)理論能有效融合具有差異性的不同類型車輛浮動(dòng)車數(shù)據(jù)，提升交通狀態(tài)判別效果。

（2）本文提出的基于改進(jìn)D-S 證據(jù)理論的交通狀態(tài)判別模型避免了某一數(shù)據(jù)源樣本量過(guò)小時(shí)，檢測(cè)結(jié)果中的錯(cuò)誤數(shù)據(jù)給最終融合結(jié)果帶來(lái)的影響，能在一定程度上融合高度沖突的數(shù)據(jù)源信息，其判別效果相比基于傳統(tǒng)D-S 證據(jù)理論的判別模型有進(jìn)一步提升。

本文只對(duì)路段單元整體交通狀態(tài)判別進(jìn)行了研究，但部分特殊路段單元（包含公交專用道、定向車道等的路段）中不同車道的交通狀態(tài)還可能存在不均衡性，后續(xù)可對(duì)這類路段單元各車道的交通狀態(tài)判別進(jìn)行研究，為交通管控提供車道級(jí)的高精度數(shù)據(jù)支持。