宋 涛 杨云飞 邵 京 戴 杰 杜世贝

（1.浙江杭绍甬高速公路有限公司，浙江 杭州 311215；2.浙江高信技术股份有限公司，浙江 杭州 310005）

0 引言

数据融合方法是从不同的数据源重建数据，以找到新的相关性和组合，从而生成新的数据，并产生更好的决策和行动。制定数据方法或算法包括4个基本过程：预处理、过滤、决策和评估。从数据融合模型中获得高质量的结果取决于执行这些过程的算法组合选择、输入的质量和输出的类型。这些步骤试图结合数据来揭示有意义的特征，从而获得更高的精度值，并帮助改进决策过程。

高速公路车辆感知体系下，高速公路交通事件采集方式多样，通常采用视频、雷达及交通运行特征变化监测交通事件，每种监测方式单一监测交通事件存在信息上报重复和误报等情况。交通事件对高速公路的运营安全与效率具有重要影响，及时、准确地发现高速上的交通事件一直是交通状态监测研究的难点。然而，受检测数据获取与处理方法的限制，交通事件自动监测在效率、效果以及经济性方面还存在较大的提升空间。为了进一步改善交通事件自动监测的效率与效果，该文对视频交通事件数据、雷达交通事件数据和交通运行特征变化判断的交通事件数据进行分析研究，提出多监测方式交通事件自动监测融合算法，以提高交通事件自动监测的效率与准确性。

1 数据融合模型

1.1 数据融合方法

数据融合方法是通过采用特定的算法和/或数学模型来得到解决特定领域的问题的数据融合技术、算法或方法。常用方法包括卡尔曼滤波、神经网络、D-S理论、模糊逻辑、联合概率数据关联、贝叶斯、k-最近邻、软件定义智能体以及混合算法。不同算法适用情况不同。

1.2 评估技术和标准

研究结果需要特定的测量工具来定量或定性地定义数据融合模型的有效性。文献[1-2]等人强调了在融合后进行评估的必要性，以衡量绩效效率水平。所选数据融合方法的线性或非线性过程取决于数据属性、提出的模型和正在建模的领域问题。常用方法是均方根误差（RMSE）、均方根百分比误差（RMPSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）。

1.3 问题描述

在高速公路车辆感知体系下，高速公路交通事件采集方式多样，通常采用视频、雷达及交通运行特征变化监测交通事件，每种监测方式单一监测交通事件会存在信息上报重复和误报等情况。对视频、雷达和交通流运行特征变化检测到的交通事件数据，如何构建数据融合算法模型，减少重复上报事件、降低事件误报率、提高事件准确率。

1.4 基于D-S的多检测方式交通事件融合算法模型

对视频、雷达、交通流运行特征变化检测到的交通事件数据，采用基于D-S的融合算法进行数据融合。数据融合又称为信息融合或多传感器数据融合，是利用计算机技术对传感器数据进行处理，进而便于分析和决策的一种技术。数据融合技术包括3个层次，分别为像素级融合、特征级融合和决策级融合。

该文是对不同传感器或方法得到的结果进行融合，根据一定的准则和决策的可信度做出最优决策，使在某些方法失效时仍能做出正确判断，进而提高决策准确度，所以属于决策级融合技术。

首先分析3种检测方式在雨天、白天和夜间条件下，以及不同交通流状态下的事件检测可信度，制定不同条件组合情况下的融合规则，以可信度高的检测方式为主，其余方式为辅，生成完备交通事件表（事件库）。

该文使用D-S证据理论对雷达和视频检测的交通事件数据及通过利用加州算法对交通运行特征进行推算得到的交通事件数据进行融合决策。其中D-S推理的主要思想为引起一个事件发生有许多原因，结合不同的结果对不同的假设进行独立的判断，利用寻找事件主要原因的思想，得出不同假设的概率分配，称为mass函数。

基于以上方法，传统方法得出的mass函数主要基于主观判断，是一个经验函数，为了提高函数的准确性，也可以与一些量化方法相结合，从而得到一个较为客观的函数，从而计算融合概率。当某个事件发生的概率最大时，该对应的事件即为判决结果。在D-S证据理论中，由互不相容的基本命题组成的完备集合称为识别框架，表示对某一问题的所有可能答案，但其中只有一个答案是正确的。该框架的子集称为命题，首先分配给各命题基本可信度，利用D-S融合规则将多个信号源的基本信任函数进行融合得到反映融合信息的新的基本信任分配函数，并据此进行决策。构建算法模型步骤如下。

对视频、雷达和交通流运行特征变化检测到的交通事件数据，采用基于D-S证据理论的融合算法进行数据融合得到交通事件集。

通过D-S证据理论进行算法融合，其命题为告诉公路是否发生事件，表示有事件发生，表示无事件发生，使用加州算法事件表A、雷达事件表B和视频事件表C数据作为证据。

在证据理论中，一个样本空间称为一个辨识框架，用Θ表示。Θ中所有子集构成的幂集记为2，当Θ中元素为时，幂集的个数为2。该算法中，幂集的表示如公式（1）所示。

当加州算法事件表、雷达事件表和视频事件表的数据进行融合时，需要对某一事件的以下几种情况进行判断。A有此事件，B有此事件，C有此事件。2） A有此事件，B有此事件，C无此事件。3） A有此事件，B无此事件，C有此事件。4） A有此事件，B无此事件，C无此事件。5） A无此事件，B有此事件，C有此事件。6） A无此事件，B有此事件，C无此事件。7） A无此事件，B无此事件，C有此事件。8）A无此事件，B无此事件，C无此事件。

在进行融合前对这3种证据进行基本可信度分配，得到信任函数，然后利用Dempater合成法则得到新的信任函数，再根据决策规则进行决策判断是否有交通事件发生，得出最后决策。

融合算法进行之前要先为加州算法、雷达和视频，这3个信源对命题和的基本可信度进行赋值。常用的基本可信度赋值方法如下。1） 根据目标类型数和环境加权系数确定信任函数。2） 利用统计证据获得基本可信度赋值。3）利用目标速度和加速度获得基本可信度赋值。4） 利用目标身份获得基本可信度赋值。

结合该文实际数据以及事件检测的特点，采用第2个方法，即利用统计数据获得基本可信度赋值的方法对、的基本可信度分别进行赋值。具体方法见表1。

表1 基本可信度赋值方法表

将视频结构化数据事件数据、毫米波雷达事件数据和加州算法得出的事件数据与真实事件表相匹配，对基本可信度进行赋值得到基本可信度分配表。

由于视频检测时会受到白天和黑夜的影响，因此设置早上6点至晚上19点间为白天，其余为黑夜。根据白天、黑夜分别设定不同的mass函数，见表2~表4。

表2 视频白天mass函数

表3 雷达mass函数

表4 加州算法mass函数

根据基本可信度分配表计算组合的信任函数。对事件信息进行融合时，由于数据量大，证据数量的增加可能会导致计算量非常庞大，因此对多个证据进行融合时采用两两融合的方法，然后再依照此方法递推完成多证据的融合。

使用D-S合成规则对其中2个算法的概率分配函数进行融合，规则如公式2所示。

其中，K=∑A。计算过程见表5。

表5 D-S组合规则

根据表5的计算方法对3种信源数据进行信任函数的融合，得到融合后新的信任函数（）、（）和（Θ）。

多个决策合成得到新的信任函数后，选择一个最终的决策规则进行决策得到事件集。基于D-S证据理论的常用决策方法包括：基于信任函数的决策、基于基本可信度赋值的决策和基于最小风险的决策。该文使用基于信任函数的决策方法具体如下。

设 ∀,∈Θ，满足公式（3）、公式（4）。

如果满足公式（5），此时，为决策结果，、为预先设定的阈值。

采用该决策方法时需要针对实际应用问题确定和的值，不同的阈值组合有可能得到不同的决策结果，进而对决策结果产生影响。

将规则融合部分得出的()、()和(Θ)带入公式（5），得到如表6所示的决策表，根据决策表每种组合结果对照雷达事件数据、视频事件数据和加州算法计算到的事件数据，判断该事件数据所属的组合，根据该组合的结果做出决策，输出事件集。

表6 D-S决策表

当有新的加州算法事件、雷达事件和视频事件时，根据表6（在该文中只需使用前7条结果）便可做出决策是否输出事件。

以视频检测事件作为真实事件表，将3种方法检测的结果带入融合后的组合表，可统计计算准确率。

该算法调用D-S类的成员函数precision_Recall可实现计算某一天或某小时中融合算法精确率和召回率。根据算法的检测结果和真实事件数据有如表7所示的混淆矩阵，其中0表示无交通事件，1表示有交通事件。

表7 混淆矩阵

2 试验与结果分析

2.1 选取试验路段

该次测试路段选择沪杭甬高速柯桥至绍兴段，全长10 km为测试路段，对选择测试段进行数据集准备。

2.2 数据准备

在数据库中导入此路段双幅同一时间段毫米波雷达原始数据、视频结构化事件表和毫米波雷达事件表。加载2020年10月份数据，采用频率为80 ms。

2.3 结果分析

将mass函数经Dempster合成规则组合后，结果见表8。

表8 D-S多检测方式交通事件融合决策表

筛选并融合后的数据如下。白天（1代表检测出事件发生，0代表未检测出事件发生）融合结果见表9。

表9 D-S多检测方式交通事件融合表

以视频检测事件作为真实事件表，将3种方法检测的结果带入融合后的组合表，准确率为91.3%。

3 结论

该文提出基于D-S的多检测方式交通事件融合算法，对视频检测、雷达检测和基于交通流特征变化的加州算法判断交通事件数据进行融合，以视频检测到的事件作为真实事件表，通过融合算法融合后，输出融合事件表，与真实事件对比，准确率达到91.3%。通过算法研究和开发，可以将算法封装为服务，通过算法平台进行调度执行，并基于高精度地图进行事件可视化和联动，并应用于实际高速公路运营管理，减少重复上报事件、降低事件误报率，并提高事件准确率。