摘 要：隨著交通網(wǎng)絡(luò)的不斷擴展和智能化技術(shù)的快速發(fā)展，在高速公路系統(tǒng)中會產(chǎn)生大量的機電狀態(tài)數(shù)據(jù)，包括車流量、車速、車道占有率等。這些數(shù)據(jù)來自不同的傳感器和監(jiān)測設(shè)備，具有異構(gòu)性和多樣性。為了更好地管理和維護高速公路系統(tǒng)，本研究提出了一種基于數(shù)據(jù)關(guān)聯(lián)視角的高速公路多源機電狀態(tài)融合管理方法。該方法建立數(shù)據(jù)關(guān)聯(lián)模型，將不同源的機電狀態(tài)數(shù)據(jù)進行融合，以提高數(shù)據(jù)的準確性和可靠性。試驗結(jié)果表明，該方法在高速公路系統(tǒng)的機電狀態(tài)管理方面取得了顯著的效果。

關(guān)鍵詞：高速公路；機電設(shè)備；多源數(shù)據(jù)融合

中圖分類號：U 412" 文獻標志碼：A

高速公路系統(tǒng)是現(xiàn)代交通網(wǎng)絡(luò)的重要組成部分，其安全和高效運行對社會經(jīng)濟發(fā)展至關(guān)重要[1]。隨著交通流量的不斷增加和用戶需求的多樣化，高速公路系統(tǒng)中產(chǎn)生的機電狀態(tài)數(shù)據(jù)也越來越豐富。然而，這些數(shù)據(jù)來自不同的傳感器和監(jiān)測設(shè)備，存在異構(gòu)性和多樣性，給數(shù)據(jù)管理和維護帶來了一定的挑戰(zhàn)。因此，開發(fā)一種能夠融合多源機電狀態(tài)數(shù)據(jù)的管理方法，提高數(shù)據(jù)的準確性和可靠性，對高速公路系統(tǒng)運行和維護至關(guān)重要。

1 數(shù)據(jù)預(yù)處理

1.1 噪聲清洗

采用聚類方式對遠離期望值的數(shù)據(jù)點的數(shù)據(jù)進行清洗，可以將數(shù)據(jù)點分為不同的簇群，然后針對每個簇群進行分析和處理，可以使用聚類算法，例如K-means算法，將數(shù)據(jù)點聚類成多個簇群[2]。將遠離期望值的數(shù)據(jù)點劃分為離群點，并進行相應(yīng)處理，例如移除或進行修正。通過計算其他正常數(shù)據(jù)的平均值，將該平均值應(yīng)用于缺失數(shù)據(jù)點，可以盡量保持數(shù)據(jù)的一致性和完整性。對存在時間差的數(shù)據(jù)，可以采用正則匹配對數(shù)據(jù)進行過濾。正則匹配是一種基于規(guī)則的文本匹配方法，可以根據(jù)預(yù)設(shè)的模式匹配數(shù)據(jù)中的特定部分。通過設(shè)定匹配規(guī)則，可以篩選符合要求的數(shù)據(jù)，剔除不符合要求的數(shù)據(jù)，從而保留符合時間差要求的數(shù)據(jù)。這樣可以保證數(shù)據(jù)的準確性和一致性，同時提高數(shù)據(jù)分析的可靠性。

1.2 數(shù)據(jù)壓縮

主成分分析是一種常用的降維技術(shù)，通過線性變換將原始數(shù)據(jù)轉(zhuǎn)換為一組新的變量，這些新的變量被稱為主成分。主成分是原始數(shù)據(jù)中的線性組合，它們捕捉了原始數(shù)據(jù)中最大的方差，盡量保留了原始數(shù)據(jù)的信息。通過主成分分析，可以保留最重要的主成分，而舍棄次要的主成分[3]。這樣可以降低數(shù)據(jù)的維度，從而對數(shù)據(jù)進行壓縮?？梢愿鶕?jù)方差解釋率來確定保留的主成分數(shù)量，方差解釋率表示每個主成分所占總方差的比例。選擇解釋總方差較大的主成分，可以保留較多的信息，同時降低數(shù)據(jù)的維度。

1.3 數(shù)據(jù)轉(zhuǎn)換

歸一化是將數(shù)據(jù)映射到指定范圍內(nèi)的常用方法，可以使用公式（1）進行歸一化處理。

歸一化后的值=（xi-xmin）/（xmax-xmin）×（Ml-Mr）+Mr

（1）

反歸一化是將歸一化后的數(shù)據(jù)恢復(fù)到原始范圍內(nèi)的方法，可以使用公式（2）進行反歸一化處理。

反歸一化后的值=（歸一化后的值-Mr）/（Ml-Mr）×（xmax-xmin）+xmin （2）

式中：歸一化后的值為經(jīng)過歸一化處理后的值；Mr為映射的最左端；Ml為映射的最右端；xmin為數(shù)據(jù)的最小值；xmax為數(shù)據(jù)的最大值。

以50min內(nèi)某收費站出站口車輛加速度為例，進行歸一化試驗分析。在歸一化試驗中，需要對采集的車輛加速度數(shù)據(jù)進行處理，使其具有相同的量綱和范圍。常用的歸一化方法有最小-最大歸一化和Z-score歸一化。最小-最大歸一化是將原始數(shù)據(jù)線性轉(zhuǎn)換到[0，1]。對每個數(shù)據(jù)點來說，將其減去數(shù)據(jù)集中的最小值，再除以最大值和最小值之間的差，這樣可以將數(shù)據(jù)映射到0～1，保留了原始數(shù)據(jù)的相對大小和順序。對每個數(shù)據(jù)點來說，將其減去數(shù)據(jù)集的均值，再除以數(shù)據(jù)集的標準差。這樣可以使數(shù)據(jù)的均值為0，方差為1，使數(shù)據(jù)分布更加符合正態(tài)分布。當進行歸一化試驗分析時，比較歸一化前后的加速度仿真結(jié)果。通過對比兩者的變化情況，評估歸一化對數(shù)據(jù)的影響。如果歸一化后的仿真結(jié)果更加穩(wěn)定和可靠，且能夠更好地反映車輛加速度的特征，那么歸一化是有效的。相反，如果歸一化后的結(jié)果出現(xiàn)明顯異?；蚴д?，就需要重新評估歸一化的方法或數(shù)據(jù)處理的步驟。歸一化前后某收費站出站口車輛加速度仿真結(jié)果如圖1所示，能夠明顯看出歸一化后的車輛加速度明顯下降。

2 多源數(shù)據(jù)融合處理

面向多源設(shè)備狀態(tài)數(shù)據(jù)的融合處理方案如圖2所示。該方案利用時空關(guān)聯(lián)的同構(gòu)多源數(shù)據(jù)融合。同構(gòu)數(shù)據(jù)指的是具有相似的數(shù)據(jù)結(jié)構(gòu)和特征的數(shù)據(jù)，這些數(shù)據(jù)通常來自不同的傳感器或測量設(shè)備。通過分析這些同構(gòu)數(shù)據(jù)之間的時空關(guān)系，可以將它們進行融合，得到更完整和一致的信息[4]。該方案采用基于神經(jīng)網(wǎng)絡(luò)的異構(gòu)多源數(shù)據(jù)融合。異構(gòu)數(shù)據(jù)指的是具有不同數(shù)據(jù)結(jié)構(gòu)和特征的數(shù)據(jù)，這些數(shù)據(jù)來自不同的領(lǐng)域或類型。神經(jīng)網(wǎng)絡(luò)是一種強大的模型，可以學(xué)習(xí)和捕捉數(shù)據(jù)之間的復(fù)雜關(guān)系。通過利用神經(jīng)網(wǎng)絡(luò)的能力，可以將異構(gòu)數(shù)據(jù)進行融合，以獲得更全面的信息。通過將時空關(guān)聯(lián)的同構(gòu)多源數(shù)據(jù)融合和基于神經(jīng)網(wǎng)絡(luò)的異構(gòu)多源數(shù)據(jù)融合相結(jié)合，該方案能夠充分利用不同數(shù)據(jù)源的優(yōu)勢，并解決多源數(shù)據(jù)融合中的異構(gòu)性和復(fù)雜性問題。

2.1 基于時空關(guān)聯(lián)的同構(gòu)多源數(shù)據(jù)融合

同構(gòu)數(shù)據(jù)加權(quán)結(jié)構(gòu)如圖3所示。首先，利用時間關(guān)聯(lián)度分析，可以對同一時間段內(nèi)的不同傳感器數(shù)據(jù)進行比較和評估。通過計算數(shù)據(jù)之間的相似性和相關(guān)性來確定它們之間的關(guān)聯(lián)程度?？梢詫⑤^弱關(guān)聯(lián)度的數(shù)據(jù)剔除，以減少對數(shù)據(jù)融合結(jié)果的影響。其次，通過設(shè)定權(quán)值系數(shù)，可以對不同傳感器數(shù)據(jù)進行加權(quán)處理[5]?？梢愿鶕?jù)傳感器的可靠性、準確性和重要性設(shè)定權(quán)值系數(shù)。具有較高可靠性和準確性的傳感器可以被賦予較高的權(quán)值，以增加其在數(shù)據(jù)融合中的貢獻。這樣可以使融合結(jié)果更加準確和可靠，同時也考慮了不同傳感器的特點和優(yōu)勢。最后，通過加權(quán)數(shù)據(jù)融合方式，將經(jīng)過篩選和加權(quán)處理后的數(shù)據(jù)進行融合。加權(quán)數(shù)據(jù)融合可以根據(jù)設(shè)定的權(quán)值系數(shù)對不同傳感器數(shù)據(jù)進行加權(quán)平均或加權(quán)求和，得到最終的融合結(jié)果。

動態(tài)時間規(guī)整算法（DTW）是一種用來比較兩個時間序列相似性的方法。通過在時間軸上對齊兩個序列的數(shù)據(jù)點，找到使兩個序列之間距離最小的對應(yīng)關(guān)系。

初始化一個二維矩陣，大小為（m+1）×（n+1），其中m為Vi（t）的長度，n為Uj（t）的長度。將矩陣的第一行和第一列初始化為無窮大的值，表示初始狀態(tài)下兩個序列之間的距離為無窮大。從矩陣的（1，1）位置開始，計算每個位置的值。對矩陣中的每個位置（i，j），計算距離d=||Vi（t）[i]-Uj（t）[j]||，其中||·||為歐氏距離。在（i，j）位置的值等于d加上（i-1，j）位置、（i，j-1）位置和（i-1，j-1）位置中的最小值，即矩陣中前一步的最小路徑和。最終得到的矩陣右下角的值即為兩個序列之間的最小距離。根據(jù)動態(tài)時間規(guī)整算法得到的矩陣，可以得到兩個序列之間的最小距離。EM表示極大似然估計值。設(shè)d為某一時刻傳感器間距，根據(jù)歐氏距離計算公式，可以得到公式（3）。

d= sqrt（EM）" （3）

利用動態(tài)時間規(guī)整算法和歐氏距離計算設(shè)備間距，從而對某收費站不同加速度傳感器設(shè)備數(shù)據(jù)序列進行分析和應(yīng)用。

設(shè)d為某一時刻傳感器間距，指數(shù)函數(shù)量化時空關(guān)聯(lián)度是一種對設(shè)備間距進行標準化預(yù)處理的方法。通過使用指數(shù)函數(shù)來量化設(shè)備間距，使較大的間距得到較小的量化值，較小的間距得到較大的量化值。如公式（4）所示。

si，j = exp（-λ × di，j）" （4）

式中：si，j為量化后的設(shè)備間距；di，j為設(shè)備間距；λ為指數(shù)函數(shù)的參數(shù)，用于控制量化效果。通過公式（4），可以對設(shè)備間距進行標準化預(yù)處理，從而提取設(shè)備間距的時空關(guān)聯(lián)度信息。

以某收費站出站口為例，感應(yīng)線圈可以實時獲取車輛通過的信息，這些數(shù)據(jù)對交通管理和規(guī)劃具有重要意義。為了對這些數(shù)據(jù)進行融合處理，將采用兩種常用的方法進行對比試驗。首先，使用平均值法進行數(shù)據(jù)融合。平均值法是一種簡單直接的融合方法，將所有采樣的車流量數(shù)據(jù)的平均值作為最終結(jié)果。對60min內(nèi)每隔5min采樣得到的25個車流量數(shù)據(jù)進行平均計算，得到平均值融合結(jié)果。其次，采用自適應(yīng)加權(quán)法進行數(shù)據(jù)融合。自適應(yīng)加權(quán)法考慮到不同時間段或不同車流量數(shù)據(jù)的重要性和權(quán)重，最后，對數(shù)據(jù)進行加權(quán)處理，得到融合結(jié)果。在試驗中，將根據(jù)車流量數(shù)據(jù)的大小和變化情況，設(shè)定不同的權(quán)重系數(shù)進行加權(quán)計算，得到自適應(yīng)加權(quán)融合結(jié)果。融合處理方法結(jié)果對比情況如圖4所示。

從圖4可以看出，與平均值方法相比，基于時空關(guān)聯(lián)的融合方法能夠更好地捕捉數(shù)據(jù)的變化趨勢和時序特征。采用平均值方法對多個數(shù)據(jù)進行平均處理，忽略了數(shù)據(jù)之間的時序關(guān)系，導(dǎo)致數(shù)據(jù)喪失平滑化和信息。而基于時空關(guān)聯(lián)的方法考慮到數(shù)據(jù)在時間和空間上的關(guān)聯(lián)性，能夠更好地反映實際數(shù)據(jù)的變化規(guī)律，從而更接近真實數(shù)據(jù)。與自適應(yīng)加權(quán)方法相比，基于時空關(guān)聯(lián)的融合方法能夠更好地處理數(shù)據(jù)之間的相關(guān)性和權(quán)重分配。自適應(yīng)加權(quán)方法通過設(shè)定權(quán)重系數(shù)，對不同數(shù)據(jù)進行加權(quán)處理，確定權(quán)重系數(shù)存在主觀性和固定性的問題。而基于時空關(guān)聯(lián)的方法通過分析數(shù)據(jù)之間的關(guān)聯(lián)程度和相似性，動態(tài)地調(diào)整權(quán)重，更合理地進行數(shù)據(jù)融合，從而縮小了誤差。

2.2 基于神經(jīng)網(wǎng)絡(luò)的異構(gòu)多源數(shù)據(jù)

預(yù)處理流量觀測值：若fi為距離t時刻最近一個時刻的流量觀測值；f為數(shù)據(jù)平均值，則計算預(yù)處理流量觀測值如公式（5）所示。

fi' = fi/f" （5）

式中：fi'為預(yù)處理后的流量觀測值。

基于神經(jīng)網(wǎng)絡(luò)的多源異構(gòu)數(shù)據(jù)融合方法能夠充分利用各個源數(shù)據(jù)的信息，提取數(shù)據(jù)的全局特征和局部特征，同時通過注意力機制網(wǎng)絡(luò)對數(shù)據(jù)進行加權(quán)處理和特征提取。

試驗收集了某收費站出口的車流量、車輛速度和車道占有率3個指標的數(shù)據(jù)。這些數(shù)據(jù)是通過傳感器、監(jiān)控設(shè)備和車輛識別系統(tǒng)等收集而來的，具有一定的真實性和可靠性。真實數(shù)據(jù)與模型預(yù)測數(shù)據(jù)仿真結(jié)果如圖5所示。

通過多次迭代和優(yōu)化，得到了最佳的BP神經(jīng)網(wǎng)絡(luò)模型。預(yù)測結(jié)果可以與真實數(shù)據(jù)進行對比，評估預(yù)測的準確性和誤差。為了更加直觀地評估預(yù)測結(jié)果的準確性，利用Matlab軟件進行仿真。將真實數(shù)據(jù)、BP神經(jīng)網(wǎng)絡(luò)預(yù)測數(shù)據(jù)和本文預(yù)測數(shù)據(jù)進行可視化比較，可以觀察它們之間的差異和相似性。在對比分析中，發(fā)現(xiàn)基于BP神經(jīng)網(wǎng)絡(luò)的實際值與預(yù)測值在后期存在較大的誤差，誤差明顯大于本文提出的多源異構(gòu)數(shù)據(jù)融合方法，進一步驗證了本文方法的有效性和優(yōu)越性。

3 結(jié)語

本研究基于數(shù)據(jù)關(guān)聯(lián)視角，提出了一種高速公路多源機電狀態(tài)融合管理方法，旨在提高數(shù)據(jù)的準確性和可靠性。通過建立數(shù)據(jù)關(guān)聯(lián)模型，將來自不同源的機電狀態(tài)數(shù)據(jù)進行融合，本方法能夠更好地理解和分析高速公路系統(tǒng)的機電狀態(tài)。試驗結(jié)果表明，本方法在高速公路系統(tǒng)的機電狀態(tài)管理方面取得了顯著的效果。

參考文獻

[1] 李斌，鄭鳳飛，劉春芽.高速公路多源機電運維數(shù)據(jù)統(tǒng)一接入方法探究[J].中國交通信息化，2022（10）：130-133.

[2] 王賽賽，高鵬.融合降雨數(shù)據(jù)的高速公路行駛速度預(yù)測[J].物聯(lián)網(wǎng)技術(shù)，2021，11（3）：43-50.

[3] 何剛，尹紫紅，廖知勇，等.高速公路BIM+GIS多源數(shù)據(jù)集成與融合探析[J].科學(xué)技術(shù)創(chuàng)新，2021（15）：4.

[4] 黃海政.高速公路隧道機電設(shè)備安裝工程施工技術(shù)研究[J]. 工程機械與維修，2024 （4）： 86-88.

[5] 吳志峰.探討高速公路機電設(shè)備智能化管理策略[J].中國設(shè)備工程，2022（6）：2.