宋 鸿，陈 宁，彭建国，蒋 程，刘玉印

（重庆市公安局交通管理局，重庆 400054）

0 引言

重庆市是典型的山地城市，主城区被三山两江所分割，地形复杂，城市的发展呈现出沿江放射性组团分布的格式格局，大部分组团之间依靠桥梁和隧道链接。在直辖之前，由于历史原因，重庆市道路交通基础设施建设比较滞后，主干道路少且路网结构不完善，通达性不强，交通瓶颈较多。在1997年重庆直辖之后，随着国家西部大开发战略的推进，胡锦涛总书记“314”总体部署的落实以及成渝综合配套改革试验区的设立，重庆市的经济迎来了新一轮的发展高峰期，而城市道路交通设施建设滞后对经济发展的影响逐渐显现出来，为此，重庆市委、市政府适时地在“十五”和“十一五”期间加大了对重庆市道路交通基础设施建设的资金投入。

由于重庆市独特的地理条件，修路、建桥不仅难度大、建设周期长，而且建设费用远高于其它城市。因此，加强交通管理硬件设施建设，提高交通管理的现代化水平，进而提高交通基础设施的利用率，缓解交通供需矛盾，成为重庆市解决交通问题的首要选择。由于重庆市地理环境复杂，道路交通呈现立体交通态势，在智能交通诱导系统的建设过程中，需因地制宜，采用多种交通信息采集方式。为了有效利用目前已建成的多种道路交通信息采集设备，重庆市科委与重庆市交通管理局共同携手实施了“重庆主城区交通诱导示范工程”项目，将多源交通信息数据融合技术作为项目研究的重点。

1 研究背景

目前，重庆市已经建成的交通信息采集方式包括：感应线圈监测、微波测速、地磁监测、浮动车运营GPS监测、电子警察卡口、RFID监测、视频监控等。由于交通信息采集方式多样，形成的信息数据格式和设备数据接口标准不尽相同，多源交通信息数据在具体应用过程中遇到了多方面的困扰。在此背景下，重庆市科委和重庆市公安局交通管理局共同确定了重大科技攻关项目“重庆主城区交通诱导示范工程”，针对重庆市主城区的主干复杂路网，以多源道路交通信息数据融合技术为研究对象，确定在渝中区和江北区范围内，建设长度为26km的主干道智能交通诱导示范线路，通过对重庆市已建成的多源交通信息数据进行融合，实现对目标路段的交通状态参数的实时获取，采用多源数据融合算法和基于知识库的道路交通状态判别算法，完成对道路交通状态的科学判断，并利用布置于路段VMS交通诱导情报板和LED诱导屏进行实时的发布，通过对道路上交通出行者的诱导，促进交通流在路网中的均衡分布。

2 多源数据融合及道路状态判别技术

2.1 多源交通信息数据融合处理流程

多源交通信息数据融合处理流程如图1所示。

图1 多源数据融合处理流程图

从图1可以看出，交通诱导系统采用传统的信息采集及处理、数据融合及判别和信息发布三部分，通过线圈、微波、电子标签、地磁检测以及视频等采集设备采集车流量等相关信息；信息处理部分由指挥中心交通诱导控制系统完成；信息发布部分的主要信息发布载体为LED诱导屏和VMS复合诱导屏。

2.1.1 数据采集及预处理

收集到准确、及时、高质量的路网实时交通数据是有效实施城市交通诱导，提供高品质出行者信息服务的前提条件和关键。

数据采集子系统主要包含动态交通信息采集建设、静态交通信息采集建设、信息处理与传输软、硬件环境建设三项主要功能。通过动态数据采集接口层与各子系统建立连接并进行数据采集，采集到的数据按照事先制定好的标准数据格式统一存储，海量数据存储采用数据仓库形式。主要完成对多源数据的预处理功能，包括对速度异常数据、超出地图匹范围数据、状态异常设备的上传数据等的分析和剔除处理。

2.1.2 二级数据融合与判别

核心模型和算法是该项目的核心内容，通过核心模型与算法，对信息进行处理分析，生成高效的交通诱导预案与道路信息，同时根据视频监控和人工反馈信息，实现对部分路段的道路交通状态的二次数据融合。该部分主要由两部分组成，即“交通拥堵等级评判算法”和“交通事件识别算法”。

“交通拥堵等级评判算法”就是根据当前的交通流特征信息，结合交通知识将交通拥挤程度进行等级划分，以量的形式告诉人们目前的交通拥挤情况。交通拥挤程度是一个模糊的概念，形容一个交通状态是否拥挤并没有很确切的数据，因此通常采用模糊推理的方式来评判交通拥堵状态。模糊推理法原理是根据交通流量、占有率和交通拥挤状态之间的关系组成模糊规则矩阵，然后利用交通流量、占有率的实测数据作为输入，通过一系列的模糊运算推断出交通拥堵状态。

“交通事件识别算法”就是利用交通事件发生时的特征和采集到的交通流参数，如车道占有率、平均速度、流量等交通参数，通过一定的检测规则和算法，推断出是否发生交通事件的过程。

2.1.3 信息发布

完成对道路交通状态数据的发布功能，发布途径主要有GIS地图的发布路段渲染、VMS屏的道路状态发布等。

2.2 二级数据融合模型

二级数据融合模型是根据系统在实际的实施中，自动融合不能够满足有效反映部分路段的交通状态，即某些特殊路段的交通状态通过检测器获取的数据不能有效反映，需要人工辅助来弥补其不足。

2.2.1 第一级——多源数据的自动融合

自动融合模型是通过在系统中的算法和数据处理程序，完成对断面线圈数据（流量、速度、车道占有率）、微波数据（流量、速度、车道占有率）、RFID数据（行程速度、行程时间）、地磁（流量、速度、占有率等）、卡口（流量、占有率等）、浮动车数据（流量、速度、占有率等）等的初步分析和道路状态的数据融合判定，并由诱导系统的VMS发布程序完成道路交通状态的发布功能。

2.2.2 第二级——自动融合和人工管控互补性融合

自动融合在某些特定路段有一定的局限性，不能够很好的反映路段由于地理位置、道路坡度等造成的交通特点，需要人工管控来辅助，实现对根据道路监测和人工监控结合的判定模式，这种情况的路段比较少，不会增加太多的人力资源。

2.3 基于知识库的道路状态判别修正机制

系统建立了基于历史知识库的道路状态判别修正机制，即实时判别结果与历史数据有个比对修正的机制，系统要正常运行一段时间后，积累了大量的历史道路状态判别数据作为知识的积累，发布结果会越来越精确，从而满足城市交通的需求。

2.4 动态权值调整机制

多源数据融合通过权值分配机制实现对道路路段交通状态的实时判别，将多源数据输入道路状态判别模型，依据上一时段的道路状态数据进行权值的动态分配，并进行数据融合处理和道路交通状态的判别，通过人工反馈和与历史数据库的比对，对道路状态异常数据回馈到道路状态判别模型，进行权值的动态分配，从而保证道路状态发布的准确性。

2.5 数据融合及交通状态判别算法模型

2.5.1 融合算法模型介绍

利用每个发布路段上每5min累积的车辆点速度，经过数据预处理，计算平均车速，通过设计规则来反应路段的交通状况。对于样本不足的路段，利用历史数据或邻近时间段的交通状况的统计规律，弥补样本覆盖的不足。

2.5.1.1 交通状态参数估计

对表征交通状态的参数，如平均行程车速等进行估计。

◆输入：

路段检测器数据（流量、点速度、占有率等）；

FCD数据（浮动车的经纬度、方向角、速度等）；

RFID（OD数据）；

微波（流量、速度、占有率等）；

地磁（流量、速度、占有率等）

卡口（流量、占有率等）

上一时段交通参数（样本量不足时）

历史数据（样本量不足时）

◆输出：

路段平均行程速度、路段2min流量统计、路段占有率统计；

2.5.1.2 交通状态判别：根据交通状态参数估计值，以及道路交通状态分类分级的标准，对道路交通状态作出判别。

◆输入：

融合交通参数（平均行程速度）、流量数据、占有率数据

◆输出：

VMS屏各发布路段的道路交通状态值

2.5.1.3 多源数据融合算法模型

针对多源道路监测数据的融合处理，这里以两种以上的检测器的速度数据的融合处理方式为例：

式中：v（t）——t时段内融合后的速度数据，t取2min作为统计时段；

ωi（t）——采用第i种数据采集方式的权重值；

vi（t）——采用第i种数据采集方式获得的行程速度数据。

同时引入动态误差反比例方法作为反馈控制信号，来实现多源数据权值的动态调整和分配功能，

并对上式进行归一化处理，如下式：

2.5.2 道路交通状态判别技术

2.5.2.1 道路交通状态根据实际道路的等级，采用了三级判断标准（如表1所示），采用计算的融合区间行程车速作为判别计算依据[1]：

表1 道路交通状态判断标准

2.5.2.2 引入路段流量来判定道路状态，根据各道路通行状况确定路段的流量判定阀值，进行判定，依照判定逻辑进行综合的判定，确保状态数据判别的可靠性。

2.5.2.3 通过对路段的占有率数据进行分析，制定判定逻辑，实现对道路交通状态的判别，并根据知识库历史数据进行动态修正。

说明：在道路交通状态判别并发布时，需要引入阻抗参数概念，即发布状态时，交通状态由堵塞变为畅通时无需进行额外判别；但当交通状态由畅通变为阻塞，则需对前一时段状态进行判定。

记上一时段路段状态值为S0，本时段路段计算状态为，则：

3 系统实证性分析及功能实现

3.1 实证方式及分析

为了对系统的实施效果进行评判，本系统采取人工判别的方法获取真实的道路交通状态信息，并与系统的评判结果进行比对分析。根据人工判别所基于的设施设备不同，又可以分为视频判别与现场判别两种：

a）视频判别 在视频监控室，根据不同监控摄像头中显示的道路车辆集散情况，由交警凭借实际经验，判别对应道路的交通状态；

b）现场判别 在道路设定的监测点观察一段时间形成路段状态的调研记录，根据车流通行情况，判别所驶过道路的交通状态。

为了调研系统发布的路况信息在不同的日期与时段的精度稳定性，实证选取了周四、周五、周六三天的早、晚、平峰，抽样20条发布路段，共计10080条交通状态信息，进行实证对比分析，结果如图2和图3所示。

经过以上对系统发布状态信息的准确性及其影响因素的实地调研实证分析，得到以下结论：

图2 现场判别与发布路况符合次数

图3 视频判别与发布路况符合次数

a）系统发布的路况信息总体准确性较高，系统发布路段信息通过与现场观测和视频判别状态比对达到95%以上，其中现场交通状况判别结果与系统判别结果吻合度达到95.63%，视频交通状况判别结果与系统判别结果达到96.25%；

b）交通诱导系统发布的部分路段状态异常，是部分监测点数据样本量不足导致实际的现场观测和视频判别状态出现差异，通过对路段和检测器进行调整和部署，路段状态发布可以恢复正常。

3.2 诱导系统实现效果

诱导系统实现效果如图4所示。

图4 诱导系统效果图

本系统包括信息采集功能、诱导处理功能、实时诱导功能、信息发布功能。通过对道路上交通流信息的实时采集，获得路网的车流量、占有率、车流平均速度、长车流量等交通状况信息。通过核心模型与算法，对信息进行处理分析，生成高效的交通诱导预案与道路信息。由信息发布系统对外发布，为出行者提供道路信息。系统软件展示应用层具有如下功能：

a）VMS诱导发布控制 生成VMS实时动态诱导信息，进行交通诱导服务；

b）中心大屏控制功能 实时道路交通状态监控，实现状态监控；

c）WEB发布功能 公众出行信息服务，信息发布功能；

d）系统管理功能 设备管理与数据信息分析。

4 结语

由于重庆市特殊的地理条件和道路交通环境的影响，建设智能交通系统，提高交通管理的现代化水平，促进交通流在道路交通网络上的均衡分布，进而提高交通基础设施的利用率，缓解交通供需矛盾，成为重庆市解决交通问题的首要选择，而多源交通信息数据融合技术是重庆市智能交通系统建设的基础。

系统发布的路况信息总体准确性较高，系统发布路段信息通过与现场观测和视频判别状态比对达到95%以上，其中现场交通状况判别结果与系统判别结果吻合度达到95.63%，视频交通状况判别结果与系统判别结果达到96.25%。通过项目建成后的运行验证，应用多源道路交通信息数据融合技术可以充分利用重庆市已建成的交通信息采集设备，较好的处理不同采集设备获得的交通信息数据，为诱导系统的建设提供良好的基础。

[1]GA/T 994—2012，道路交通准确状态信息发布规范[S].

[2]杨兆升，姜桂艳.城市交通流诱导系统结构框架研究[J].公路交通科技，1997，14（3）：6-10.

[3]贺国光，马寿峰.交通诱导系统智能化方案及其仿真研究[J].系统工程学报，2002，17（4）：323-310.

[4]石建军，秦梦阳.交通全信息情境领导在交通诱导控制中的应用[J].公路交通科技，2011，（s1）：9-14.

[5]孔桦桦.交通仿真技术在城市交通诱导评价中的应用研究[J].交通标准化，2011，（1）：7-11.

[6]田弼臣，胡正平，贺秀良，杨嘉.城市智能交通诱导系统研究[J].交通标准化，2011，（16）：151-155.