申请/专利权人：广东交通职业技术学院

申请日：2018-08-20

公开（公告）日：2021-06-08

公开（公告）号：CN109272746B

主分类号：G08G1/01(20060101)

分类号：G08G1/01(20060101);G06N3/02(20060101)

优先权：

专利状态码：有效-授权

法律状态：2021.06.08#授权;2019.02.26#实质审查的生效;2019.01.25#公开

摘要：本发明涉及神经网络技术方法领域，更具体地，涉及一种基于BP神经网络数据融合的MFD估测方法，将LDD估测法和FCD估测法所得的交通数据结合起来考虑，以车联网下100%联网车数据（NetworkCarData，NCD）估测的交通参数为检验数据，分别建立路网加权交通流量和路网加权交通密度的BP神经网络数据融合模型，以便可获得更加准确的路网加权交通流量和路网加权交通密度，从而更加准确地估测路网MFD。在有固定检测器的路段，对固定检测器和浮动车所采集的交通数据进行BP神经网络数据融合，得到路段加权交通流量和加权交通密度；在没有固定检测器的路段，用浮动车采集的交通数据提取路段加权交通流量和加权交通密度。最后依据数据融合的路网加权交通流量和加权交通密度，估测路网MFD。

主权项：1.一种基于BP神经网络数据融合的MFD估测方法，其特征在于，具体步骤如下：1首先选定实验区，利用Vissim交通仿真软件建立交通仿真模型，将5％车辆设定为浮动车，在各路段中间位置设置检测器，将100％车辆设定为联网车，构建车联网环境交通模型，用于获得神经网络模型的校验数据；为了模拟路网从低峰-高峰-拥堵的整个过程，在该路网的交通仿真模型中，模拟交通流从低峰开始，路网边界各路段驶入交通量每隔900s增加100pcuh，直至至高峰的过饱和状态，共仿真30000s，每隔300s采集1次数据，共采集100次数据；2在步骤1之后，设定浮动车和联网车每隔5秒上传车辆数、行驶时间、行驶距离，依据FCD估测法，计算每隔300秒的浮动车路网加权交通流量qFCD、浮动车路网加权交通密度kFCD、联网车路网加权交通流量qNCD、联网车路网加权交通密度kNCD；同样每隔300秒采集各路段检测器的路段交通密度、路段交通流量，依据LDD估测法，计算每隔300秒的路网加权交通流量qLDD、和路网加权交通密度kLDD；3在步骤2之后，将前50个周期的qFCD、qLDD、nFCD作为路网加权交通流量融合模型的训练样本，nFCD为路网浮动车样本数量，前50个周期的qNCD作为检验样本，对路网加权交通流量融合模型进行训练；将前50个周期的kFCD、kLDD、nFCD作为路网加权交通密度融合模型的训练样本，前50个周期的kNCD作为检验样本，对路网加权交通密度融合模型进行训练；最后用训练好的神经网络模型对100个周期的数据进行数据融合；4在步骤3之后，分别生成基于FCD估测的路网MFDF，基于LDD估测的路网MFDL，基于BP神经网络数据融合估测的MFDBP，基于联网车轨迹的路网标准MFDN，对比测定的路网MFD与路网标准MFD的平均相对误差。

全文数据：一种基于BP神经网络数据融合的MFD估测方法技术领域本发明涉及神经网络技术方法领域，更具体地，涉及一种基于BP神经网络数据融合的MFD估测方法。背景技术城市交通拥堵给城市交通带来了巨大的挑战。如何缓解城市交通拥堵问题已成为了众多学者的重点研究方向，学者们提出了各种交通控制策略，在一定程度上有效缓解了城市交通拥堵，但随着车流的不断增大，交通拥堵愈演愈烈，各种交通控制策略将不适用。近期，Daganzo和Geroliminis两位学者揭示了宏观基本图MacroscopicFundamentalDiagrams，MFD的客观存在性，他们认为MFD不仅可以对城市路网从宏观层面进行描述，而且可以监视和预测路网交通运行状态，为从宏观层面对过饱和路网实施交通控制策略提供了新思路，然而如何得到城市路网的MFD又成为一大难点。目前路网MFD可通过固定检测器如环形感应线圈、微波、视频检测器等或GPS浮动车采集的交通数据来估测。固定检测器数据估测方法LoopDetectorData，LDD估测法是通过安装在路段的固定检测器实时采集交通数据，然后利用MFD相关理论，估测路网MFD。浮动车数据估测法FloatingCarData，FCD估测法是通过安装有GPS车载终端的车辆如出租车、公交，实时采集路网浮动车交通数据，采用Edie1963提出的行车轨迹估测法，得到路网加权交通流量和加权交通密度，从而估测路网MFD。部分学者对两种估测方法进行了研究，如Courbon等人，2011对理论分析法、LDD估测法、FCD估测法等三种路网MFD估测方法进行比较分析，研究固定检测器位置和浮动车覆盖均衡性对MFD估测的影响。Nagle等人，2013提出浮动车覆盖率至少15％时，采用FCD估测法，可获得较为准确的路网MFD，但采用这种方法的前提是必须知道浮动车覆盖率，且浮动车在路网的分布是均匀的。Lu等人，2013利用实际交叉口视频检测数据和出租车浮动数据，估测路网MFD，并发现数据处理时间间隔会影响路网MFD的估测结果。Leclercq等人，2014利用实际路网获取的交通数据，比较了LDD估测法和FCD估测法等两种路网MFD估测方法差异，并探讨了两种方法的适用范围。Du等人，2016针对浮动车覆盖率在路网中不均匀的实际情况，假定某个特定起点到终点中的浮动车比例是已知的，估测路网交通流量所需的等价浮动车比例，并利用少数浮动车数据估算路网交通流量和交通密度，从而估测路网MFD。但实际上固定检测器只能采集到部分路段的交通数据，未安装固定检测器的路段则无法获取交通数据，而GPS浮动车的覆盖率低，交通数据量不足，所估测的路网MFD存在较大的误差。AmbühlL等人，2016针对大多数文献都仅采用上述其中一种方法估测路网MFD，很少将两者结合起来的情况，提出了将上述两种方法进行数据融合，从而估测更加准确的路网MFD，但其数据融合算法是经过大量经验实验得到的，并不具有普遍适用性。发明内容本发明的目的在于克服现有技术的不足，提供一种基于BP神经网络数据融合的MFD估测方法，将LDD估测法和FCD估测法所得的交通数据结合起来考虑，以车联网下100％联网车数据NetworkCarData，NCD估测的交通参数为检验数据，分别建立路网加权交通流量和路网加权交通密度的BP神经网络数据融合模型，以便可获得更加准确的路网加权交通流量和路网加权交通密度，从而更加准确地估测路网MFD。在有固定检测器的路段，对固定检测器和浮动车所采集的交通数据进行BP神经网络数据融合，得到路段加权交通流量和加权交通密度；在没有固定检测器的路段，用浮动车采集的交通数据提取路段加权交通流量和加权交通密度。最后依据数据融合的路网加权交通流量和加权交通密度，估测路网MFD。为解决上述技术问题，本发明采用的技术方案是：提供一种基于BP神经网络数据融合的MFD估测方法，具体步骤如下：1首先选定实验区，依据上述基础数据，利用Vissim交通仿真软件建立交通仿真模型，将5％车辆设定为浮动车，在各路段中间位置设置检测器，将100％车辆设定为联网车特殊的浮动车，构建车联网环境交通模型，用于获得神经网络模型的校验数据；为了模拟路网从低峰-高峰-拥堵的整个过程，在该路网仿真模型中，模拟交通流从低峰开始，路网边界各路段驶入交通量每隔900s增加100pcuh，直至至高峰的过饱和状态，共仿真30000s，每隔300s采集1次数据，共采集100次数据；2在步骤1之后，设定浮动车和联网车每隔5秒上传车辆数、行驶时间、行驶距离等数据，依据FCD估测法，计算每隔300秒的浮动车路网加权交通流量qFCD、浮动车路网加权交通密度kFCD、联网车路网加权交通流量qNCD、联网车路网加权交通密度kNCD；同样每隔300秒采集各路段检测器的路段交通密度、路段交通流量，依据LDD估测法，计算每隔300秒的路网加权交通流量qLDD、和路网加权交通密度kLDD。3在步骤2之后，将前50个周期的qFCD、qLDD、nFCD作为路网加权交通流量融合模型的训练样本，前50个周期的qNCD作为检验样本，对路网加权交通流量融合模型进行训练；将前50个周期的kFCD、kLDD、nFCD作为路网加权交通密度融合模型的训练样本，前50个周期的kNCD作为检验样本，对路网加权交通密度融合模型进行训练；最后用训练好的神经网络模型对100个周期的数据进行数据融合；4在步骤3之后，分别生成基于FCD估测的路网MFDF，基于LDD估测的路网MFDL，基于BP神经网络数据融合估测的MFDBP，基于联网车轨迹的路网标准MFDN，对比测定的路网MFD与路网标准MFD的平均相对误差。本发明提供一种基于BP神经网络数据融合的MFD估测方法，将LDD估测法和FCD估测法所得的交通数据结合起来考虑，以车联网下100％联网车数据NetworkCarData，NCD估测的交通参数为检验数据，分别建立路网加权交通流量和路网加权交通密度的BP神经网络数据融合模型，以便可获得更加准确的路网加权交通流量和路网加权交通密度，从而更加准确地估测路网MFD。在有固定检测器的路段，对固定检测器和浮动车所采集的交通数据进行BP神经网络数据融合，得到路段加权交通流量和加权交通密度；在没有固定检测器的路段，用浮动车采集的交通数据提取路段加权交通流量和加权交通密度。最后依据数据融合的路网加权交通流量和加权交通密度，估测路网MFD。优选地，在步骤2中，LDD估测法的具体步骤如下：1首先在路网中各路段均安装有固定检测器如环形线圈检测器、视频采集检测器等，则可直接通过固定检测器采集的路段交通流量和交通密度估测路网MFD，2在步骤1之后，依据GeroliminisandDaganzo,2008所提出的MFD相关理论[1～6]，可知：式中：N——路网移动车辆数veh；qw、kw、ow——路网加权交通流量vehh、路网加权交通密度vehkm、路网加权时间占有率；i、li——路段i和该路段的长度km；qi、ki、oi——路段i的流量vehh、密度vehkkm和时间占有率；s——车辆的平均车长。优选地，在步骤2中，FCD估测法的具体步骤如下：当路网所有车的轨迹可知时，根据车轨迹可计算出路网的交通流量和交通密度，公式如下：式中：k——路网交通密度，vehkm；q——路网交通流量，vehh；m——采集周期T内记录的车辆数；n——路网中路段总数tj——采集周期T内第j辆车的行驶时间，s；li——第i路段的长度，m；T——采集周期，s；dj——采集周期T内第j辆车的行驶距离，m；Tm——采集周期T内路网所有车的行驶时间之和，s。Dm——采集周期T内路网所有车的行驶距离之和，s。若实际很难获取所有车辆的行驶状态行驶距离和行驶时间，就获取部分浮动车的行驶状态；Nagle2014提出假定浮动车在路网中的比例ρ已知的，且在路网各区域均匀分布，那么依据上述公式，可估算路网的交通流量和交通密度，公式如下：式中：——利用浮动车数据估算的路网交通密度，vehkm；——利用浮动车数据估算的路网交通流量，vehh；m′——采集周期T内记录的浮动车数；n——路网中路段总数tj′——采集周期T内第j’浮动车的行驶时间，s；li——第i路段的长度，m；T——采集周期，s；dj′——采集周期T内第j’辆车的行驶距离，m；。优选地，所述BP神经网络由输入层、隐含层、输出层三层所组成，其学习算法为全局逼近方法；利用BP神经网络模型，对LDD估测法和FCD估测法计算所得的路网加权交通流量和路网加权交通密度进行数据融合，获得路网加权交通流量和路网加权交通密度，从而估测路网MFD。优选地，路网MFD估测的两个关键参数为路网加权交通流量和路网加权交通密度，分别要设计基于BP神经网络的路网加权交通流量融合模型和路网加权交通密度融合模型；具体步骤如下：1首先，输入数据与输出数据；对于路网加权交通流量融合模型，输入数据主要包括LDD估测法所得的路网加权交通流量qLDD，FCD估测法所得的路网加权交通流量qFCD，路网浮动车样本数量nFCD，即神经网络输入层有3个参数，输出层为融合后的路网加权交通流量对于路网加权交通密度融合模型，输入数据主要包括LDD估测法所得的路网加权交通密度kLDD，FCD估测法所得的路网加权交通密度kFCD，路网浮动车样本数量nFCD，即神经网络输入层有3个参数，输出层为融合后的路网加权交通密度2在步骤1之后，进行网络层数确定；BP神经网络的层数至少包含3层输入层、隐含层、输出层，隐含层可以1层以上，但隐含层数越多，网络越复杂，训练时间也越长。通常情况下，包含1个隐含层的三层网络可满足大多数应用要求，设定两个模型的网络层数均为3层；3在步骤2之后，神经元数量的确定；依据下列经验公式计算可隐含层的神经元数量：式中，NBP——隐含层神经元数量；nBP——输入层神经元数量；mBP——输出层神经元数量；c——经验常数，取值0-10。与现有技术相比，本发明的有益效果是：本发明提供一种基于BP神经网络数据融合的MFD估测方法，将LDD估测法和FCD估测法所得的交通数据结合起来考虑，以车联网下100％联网车数据NetworkCarData，NCD估测的交通参数为检验数据，分别建立路网加权交通流量和路网加权交通密度的BP神经网络数据融合模型，以便可获得更加准确的路网加权交通流量和路网加权交通密度，从而更加准确地估测路网MFD。在有固定检测器的路段，对固定检测器和浮动车所采集的交通数据进行BP神经网络数据融合，得到路段加权交通流量和加权交通密度；在没有固定检测器的路段，用浮动车采集的交通数据提取路段加权交通流量和加权交通密度。最后依据数据融合的路网加权交通流量和加权交通密度，估测路网MFD。附图说明图1为实施例路网加权交通流量融合模型的网络结构的示意图。图2为路网加权交通密度融合模型的网络结构的示意图。图3为天河区核心路网布局图的示意图。图4为各种估测方法的路网加权交通流量对比图。图5为各种估测方法的路网加权交通密度对比图。图6为相对于qNCD的相位误差绝对值的平均值的表格图。图7为相对于kBP的相位误差绝对值的平均值的表格图。图8为各种估测方法的路网二维MFD的示意图。图9为各种估测方法的所得路网三维MFD的示意图。图10为各MFD的拟合函数的示意图。具体实施方式下面结合具体实施方式对本发明作进一步的说明。其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。实施例如图1至10所示为本发明一种基于BP神经网络数据融合的MFD估测方法的实施例，具体步骤如下：1首先选定实验区，依据上述基础数据，利用Vissim交通仿真软件建立交通仿真模型，将5％车辆设定为浮动车，在各路段中间位置设置检测器，将100％车辆设定为联网车特殊的浮动车，构建车联网环境交通模型，用于获得神经网络模型的校验数据；为了模拟路网从低峰-高峰-拥堵的整个过程，在该路网仿真模型中，模拟交通流从低峰开始，路网边界各路段驶入交通量每隔900s增加100pcuh，直至至高峰的过饱和状态，共仿真30000s，每隔300s采集1次数据，共采集100次数据；2在步骤1之后，设定浮动车和联网车每隔5秒上传车辆数、行驶时间、行驶距离等数据，依据FCD估测法，计算每隔300秒的浮动车路网加权交通流量qFCD、浮动车路网加权交通密度kFCD、联网车路网加权交通流量qNCD、联网车路网加权交通密度kNCD；同样每隔300秒采集各路段检测器的路段交通密度、路段交通流量，依据LDD估测法，计算每隔300秒的路网加权交通流量qLDD、和路网加权交通密度kLDD。3在步骤2之后，将前50个周期的qFCD、qLDD、nFCD作为路网加权交通流量融合模型的训练样本，前50个周期的qNCD作为检验样本，对路网加权交通流量融合模型进行训练；将前50个周期的kFCD、kLDD、nFCD作为路网加权交通密度融合模型的训练样本，前50个周期的kNCD作为检验样本，对路网加权交通密度融合模型进行训练；最后用训练好的神经网络模型对100个周期的数据进行数据融合；4在步骤3之后，分别生成基于FCD估测的路网MFDF，基于LDD估测的路网MFDL，基于BP神经网络数据融合估测的MFDBP，基于联网车轨迹的路网标准MFDN，对比测定的路网MFD与路网标准MFD的平均相对误差。其中，在步骤2中，LDD估测法的具体步骤如下：1首先在路网中各路段均安装有固定检测器如环形线圈检测器、视频采集检测器等，则可直接通过固定检测器采集的路段交通流量和交通密度估测路网MFD，2在步骤1之后，依据GeroliminisandDaganzo,2008所提出的MFD相关理论[1～6]，可知：式中：N——路网移动车辆数veh；qw、kw、ow——路网加权交通流量vehh、路网加权交通密度vehkm、路网加权时间占有率；i、li——路段i和该路段的长度km；qi、ki、oi——路段i的流量vehh、密度vehkkm和时间占有率；s——车辆的平均车长。另外，在步骤2中，FCD估测法的具体步骤如下：当路网所有车的轨迹可知时，根据车轨迹可计算出路网的交通流量和交通密度，公式如下：式中：k——路网交通密度，vehkm；q——路网交通流量，vehh；m——采集周期T内记录的车辆数；n——路网中路段总数tj——采集周期T内第j辆车的行驶时间，s；li——第i路段的长度，m；T——采集周期，s；dj——采集周期T内第j辆车的行驶距离，m；Tm——采集周期T内路网所有车的行驶时间之和，s。Dm——采集周期T内路网所有车的行驶距离之和，s。若实际很难获取所有车辆的行驶状态行驶距离和行驶时间，就获取部分浮动车的行驶状态；Nagle2014提出假定浮动车在路网中的比例ρ已知的，且在路网各区域均匀分布，那么依据上述公式，可估算路网的交通流量和交通密度，公式如下：式中：——利用浮动车数据估算的路网交通密度，vehkm；——利用浮动车数据估算的路网交通流量，vehh；m'——采集周期T内记录的浮动车数；n——路网中路段总数tj'——采集周期T内第j’浮动车的行驶时间，s；li——第i路段的长度，m；T——采集周期，s；dj'——采集周期T内第j’辆车的行驶距离，m；。其中，所述BP神经网络由输入层、隐含层、输出层三层所组成，其学习算法为全局逼近方法；利用BP神经网络模型，对LDD估测法和FCD估测法计算所得的路网加权交通流量和路网加权交通密度进行数据融合，获得路网加权交通流量和路网加权交通密度，从而估测路网MFD。其中，路网MFD估测的两个关键参数为路网加权交通流量和路网加权交通密度，分别要设计基于BP神经网络的路网加权交通流量融合模型和路网加权交通密度融合模型；具体步骤如下：1首先，输入数据与输出数据；对于路网加权交通流量融合模型，输入数据主要包括LDD估测法所得的路网加权交通流量qLDD，FCD估测法所得的路网加权交通流量qFCD，路网浮动车样本数量nFCD，即神经网络输入层有3个参数，输出层为融合后的路网加权交通流量对于路网加权交通密度融合模型，输入数据主要包括LDD估测法所得的路网加权交通密度kLDD，FCD估测法所得的路网加权交通密度kFCD，路网浮动车样本数量nFCD，即神经网络输入层有3个参数，输出层为融合后的路网加权交通密度2在步骤1之后，进行网络层数确定；BP神经网络的层数至少包含3层输入层、隐含层、输出层，隐含层可以1层以上，但隐含层数越多，网络越复杂，训练时间也越长。通常情况下，包含1个隐含层的三层网络可满足大多数应用要求，设定两个模型的网络层数均为3层；3在步骤2之后，神经元数量的确定；依据下列经验公式计算可隐含层的神经元数量：式中，NBP——隐含层神经元数量；nBP——输入层神经元数量；mBP——输出层神经元数量；c——经验常数，取值0-10。上述两个模型的nBP＝3，mBP＝1，C取7，因此上述两个模型的隐含层神经元数量均为9。上述两个模型的BP神经网络结构图如图1、图2。本实施例选取广州市天河区核心路网交叉口群作为研究对象，该路网由天河路、天河东路、天河北路、体育西路、体育东路等主干路及部分支路组成，包括7余个平面交叉口，20余个出入口，如图3所示。交通流量数据以SCATS交通信号控制系统在2017年8月6日高峰小时18:00－19:00所检测数据为基础，如图3所示。对100个周期的qBP、qFCD、qLDD、qNCD进行数据对比，如图4所示，对100个周期的kBP、kFCD、kLDD、kNCD进行数据对比，如图5所示：从图4-5可知，FCD估测法所得的路网加权交通流量和路网加权交通密度变化幅度较大，这是因为浮动车数量较少；LDD估测法和车联网估测所得的路网加权交通流量和路网加权交通密度变化较为稳定，且变化趋势较为一致，随着仿真时间的推移，路网加权交通流量和路网加权交通密度逐渐增大，然后在一段时间内维持较稳定的值，接下来又急剧下降，但LDD估测法所得的路网加权交通流量和路网加权交通密度均小于车联网估测的路网加权交通流量和路网加权交通密度，这是因为当到达数据采集间隔时，少部分车辆尚未到达固定检测器。分析仿真数据，得到qLDD、qFCD、qBP与qNCD的相对误差绝对值的平均值和kLDD、kFCD、kBP与kNCD的相对误差绝对值的平均值，如图6、7所示。从图6、7所示可知，qFCD和kFCD的相位误差绝对值的平均值最大，分别为11.52％和12.26％；qLDD和kLDD的相位误差绝对值的平均值次之，分别为8.22％和11.54％；经BP神经网络数据融合后，qBP和kBP的相位误差绝对值的平均值分别为6.2％和7.2％，最接近标准值qNCD和kNCD。利用各种估测数据，生成基于FCD估测法的路网MFDF，基于LDD估测法的路网MFDL，基于BP神经网络数据融合估测的MFDBP，基于联网车轨迹的路网标准MFDN，如图8所示。从图8可知，MFDF的散点呈现较大的离散性，MFDL、MFDBP、MFDN的散点较为集中，而且随着仿真时间的推移，路网加权交通流量和路网加权交通密度均逐渐增大，路网加权交通密度从70vehkm开始，路网维持在较高的加权交通流量，随着路网加权交通密度增大，路网加权交通流量急剧下降，路网出现过饱和状态。同时路网MFD还出现了“回滞现象”，符合路网MFD的特性。对各MFD的散点进行数据拟合，得到拟合函数，计算各拟合公式的最佳加权交通密度k0和最大加权交通流量qmax，并求解各MFD的k0和qmax与标准值的k0NCD和qmaxNCD相位误差，如图9所示。从图9可知，MFDF的k0和qmax相对误差最大，分别为18.43％和5.32％。MFDBP与MFDL的k0和qmax相对误差较小，但MFDBP的k0和qmax更接近标准MFDN的k0NCD和qmaxNCD，分别为0.86％和-4.05％。由此可见，BP神经网络数据融合后的路网MFD更加准确。显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

权利要求：1.一种基于BP神经网络数据融合的MFD估测方法，其特征在于，具体步骤如下：1首先选定实验区，依据上述基础数据，利用Vissim交通仿真软件建立交通仿真模型，将5％车辆设定为浮动车，在各路段中间位置设置检测器，将100％车辆设定为联网车特殊的浮动车，构建车联网环境交通模型，用于获得神经网络模型的校验数据；为了模拟路网从低峰-高峰-拥堵的整个过程，在该路网仿真模型中，模拟交通流从低峰开始，路网边界各路段驶入交通量每隔900s增加100pcuh，直至至高峰的过饱和状态，共仿真30000s，每隔300s采集1次数据，共采集100次数据；2在步骤1之后，设定浮动车和联网车每隔5秒上传车辆数、行驶时间、行驶距离等数据，依据FCD估测法，计算每隔300秒的浮动车路网加权交通流量qFCD、浮动车路网加权交通密度kFCD、联网车路网加权交通流量qNCD、联网车路网加权交通密度kNCD；同样每隔300秒采集各路段检测器的路段交通密度、路段交通流量，依据LDD估测法，计算每隔300秒的路网加权交通流量qLDD、和路网加权交通密度kLDD。3在步骤2之后，将前50个周期的qFCD、qLDD、nFCD作为路网加权交通流量融合模型的训练样本，前50个周期的qNCD作为检验样本，对路网加权交通流量融合模型进行训练；将前50个周期的kFCD、kLDD、nFCD作为路网加权交通密度融合模型的训练样本，前50个周期的kNCD作为检验样本，对路网加权交通密度融合模型进行训练；最后用训练好的神经网络模型对100个周期的数据进行数据融合；4在步骤3之后，分别生成基于FCD估测的路网MFDF，基于LDD估测的路网MFDL，基于BP神经网络数据融合估测的MFDBP，基于联网车轨迹的路网标准MFDN，对比测定的路网MFD与路网标准MFD的平均相对误差。2.根据权利要求1所述的基于BP神经网络数据融合的MFD估测方法，其特征在于，在步骤2中，LDD估测法的具体步骤如下：1首先在路网中各路段均安装有固定检测器如环形线圈检测器、视频采集检测器等，则可直接通过固定检测器采集的路段交通流量和交通密度估测路网MFD，2在步骤1之后，依据GeroliminisandDaganzo,2008所提出的MFD相关理论[1～6]，可知：式中：N——路网移动车辆数veh；qw、kw、ow——路网加权交通流量vehh、路网加权交通密度vehkm、路网加权时间占有率；i、li——路段i和该路段的长度km；qi、ki、oi——路段i的流量vehh、密度vehkkm和时间占有率；s——车辆的平均车长。3.根据权利要求2所述的基于BP神经网络数据融合的MFD估测方法，其特征在于，在步骤2中，FCD估测法的具体步骤如下：当路网所有车的轨迹可知时，根据车轨迹可计算出路网的交通流量和交通密度，公式如下：式中：k——路网交通密度，vehkm；q——路网交通流量，vehh；m——采集周期T内记录的车辆数；n——路网中路段总数；tj——采集周期T内第j辆车的行驶时间，s；li——第i路段的长度，m；T——采集周期，s；dj——采集周期T内第j辆车的行驶距离，m；Tm——采集周期T内路网所有车的行驶时间之和，s。Dm——采集周期T内路网所有车的行驶距离之和，s。若实际很难获取所有车辆的行驶状态行驶距离和行驶时间，就获取部分浮动车的行驶状态；Nagle2014提出假定浮动车在路网中的比例ρ已知的，且在路网各区域均匀分布，那么依据上述公式，可估算路网的交通流量和交通密度，公式如下：式中：——利用浮动车数据估算的路网交通密度，vehkm；——利用浮动车数据估算的路网交通流量，vehh；m'——采集周期T内记录的浮动车数；n——路网中路段总数tj'——采集周期T内第j’浮动车的行驶时间，s；li——第i路段的长度，m；T——采集周期，s；dj'——采集周期T内第j’辆车的行驶距离，m；。4.根据权利要求1所述的基于BP神经网络数据融合的MFD估测方法，其特征在于，所述BP神经网络由输入层、隐含层、输出层三层所组成，其学习算法为全局逼近方法；利用BP神经网络模型，对LDD估测法和FCD估测法计算所得的路网加权交通流量和路网加权交通密度进行数据融合，获得路网加权交通流量和路网加权交通密度，从而估测路网MFD。5.根据权利要求1所述的基于BP神经网络数据融合的MFD估测方法，其特征在于，路网MFD估测的两个关键参数为路网加权交通流量和路网加权交通密度，分别要设计基于BP神经网络的路网加权交通流量融合模型和路网加权交通密度融合模型；具体步骤如下：1首先，输入数据与输出数据；对于路网加权交通流量融合模型，输入数据主要包括LDD估测法所得的路网加权交通流量qLDD，FCD估测法所得的路网加权交通流量qFCD，路网浮动车样本数量nFCD，即神经网络输入层有3个参数，输出层为融合后的路网加权交通流量对于路网加权交通密度融合模型，输入数据主要包括LDD估测法所得的路网加权交通密度kLDD，FCD估测法所得的路网加权交通密度kFCD，路网浮动车样本数量nFCD，即神经网络输入层有3个参数，输出层为融合后的路网加权交通密度2在步骤1之后，进行网络层数确定；BP神经网络的层数至少包含3层输入层、隐含层、输出层，隐含层可以1层以上，但隐含层数越多，网络越复杂，训练时间也越长。通常情况下，包含1个隐含层的三层网络可满足大多数应用要求，设定两个模型的网络层数均为3层；3在步骤2之后，神经元数量的确定；依据下列经验公式计算可隐含层的神经元数量：式中，NBP——隐含层神经元数量；nBP——输入层神经元数量；mBP——输出层神经元数量；C——经验常数，取值0-10。

百度查询： 广东交通职业技术学院 一种基于BP神经网络数据融合的MFD估测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD