專利名稱：基于數(shù)據(jù)融合的交通狀態(tài)估計裝置和方法
技術(shù)領(lǐng)域：
本發(fā)明涉及智能交通系統(tǒng)領(lǐng)域，具體涉及基于數(shù)據(jù)融合的交通狀態(tài)估計裝置和方法。
背景技術(shù)：
隨著近年來我國城市智能交通系統(tǒng)的發(fā)展，很多重要城市都興建了各種交通檢測手段來實現(xiàn)對城市交通系統(tǒng)的實時監(jiān)測。這些檢測手段包括固定檢測設(shè)備(例如微波檢測器、線圈檢測器)和移動檢測設(shè)備(例如浮動車)。這些檢測設(shè)備分別提供了不同的交通運行信息內(nèi)容，但由于交通檢測手段的不同，不同數(shù)據(jù)反映的交通信息在信息形態(tài)、完整性、精確性、一致性等方面存在著一定的差異。僅靠傳統(tǒng)的單一交通檢測數(shù)據(jù)源很難獲得覆蓋面大且精度較高的交通信息，難以滿足智能交通對交通信息依賴的要求。如何利用多源數(shù)據(jù)來獲取更加全面可靠的交通信息越來越被交通研究人員所重視。數(shù)據(jù)融合技術(shù)作為一種新的數(shù)據(jù)處理方法，其已經(jīng)引起了相關(guān)技術(shù)領(lǐng)域的重視，已經(jīng)作為一個重要的研究方向引入到交通工程中，并成為智能交通系統(tǒng)一個重要的發(fā)展領(lǐng)域。目前，數(shù)據(jù)融合比較常用的方法還是當(dāng)前數(shù)據(jù)和歷史數(shù)據(jù)融合，對于多種交通數(shù)據(jù)(如固定檢測器數(shù)據(jù)和浮動車數(shù)據(jù))的融合往往是停留在數(shù)學(xué)模型的層次，沒有完全考慮交通流特性對融合的影響。此外，多數(shù)研究停留在理論層面，對交通流數(shù)據(jù)的實際情況(數(shù)據(jù)質(zhì)量等)考慮較少。專利文獻I (CN200910198692)公開了一種基于數(shù)據(jù)融合技術(shù)的交通狀況估計方法，其中根據(jù)浮動車GPS數(shù)據(jù)和固定檢測器獲取的交通狀況以及與天氣、時間段、不同時刻有關(guān)的檢測器數(shù)據(jù)，采用貝葉斯網(wǎng)絡(luò)進行融合處理，估計當(dāng)前交通狀況。專利文獻I提及的方法雖然可以融合多種交通數(shù)據(jù)并獲取到更加準(zhǔn)確的路況，但其存在以下幾個缺點一是專利文獻I的方法僅僅構(gòu)建單一模型來進行融合，無法反映不同數(shù)據(jù)源的交通數(shù)據(jù)在信息形態(tài)、完整性、精確性、一致性等方面存在的差異，以及無法有區(qū)分地考慮交通數(shù)據(jù)和交通狀況影響因素的不同組合；二是貝葉斯網(wǎng)絡(luò)的構(gòu)建是需要根據(jù)數(shù)據(jù)之間的因果關(guān)系，而對于貝葉斯網(wǎng)絡(luò)中每個節(jié)點的概率分布的確定，專利文獻I采用實際測量和專家審定的辦法，因而需要對某一路段長期的觀察才能確定從天氣到交通狀況的條件概率分布，導(dǎo)致方法比較復(fù)雜，工作量較大；三是在貝葉斯網(wǎng)絡(luò)融合中只使用了固定檢測器檢測到的點速度，忽略了交通流量和道路占有率，點速度是車輛經(jīng)過固定檢測器那一刻的瞬時速度，有別于道路的區(qū)間平均速度，而交通流量和道路占有率在一定程度上也能反映交通狀況，不應(yīng)該棄用這兩種數(shù)據(jù)；四是在貝葉斯網(wǎng)絡(luò)的融合最終結(jié)果是道路的擁堵程度，而不是具體的速度數(shù)值，不能提供更深層次的應(yīng)用。因此，需要一種適合實際應(yīng)用的基于數(shù)據(jù)融合的交通狀況估計方法，其能夠綜合考慮不同種類或來源的交通數(shù)據(jù)的差異、以及多種交通狀況影響因素的，采用多模式數(shù)據(jù)輸入、多模式融合方法，有區(qū)分地考慮交通數(shù)據(jù)和交通狀況影響因素的不同組合，對數(shù)據(jù)進行多種模式的融合，給出更精確的融合結(jié)果。

發(fā)明內(nèi)容
根據(jù)本發(fā)明實施例，提供了一種交通狀況估計裝置，包括模式歸類單元，用于將路網(wǎng)中一條或多條道路的交通數(shù)據(jù)、或者 所述交通數(shù)據(jù)與至少一個交通狀況影響因素歸類到多個預(yù)定模式之一；模型選擇單元，用于根據(jù)模式歸類單元所歸類的模式，從多個神經(jīng)網(wǎng)絡(luò)模型中選擇對應(yīng)的神經(jīng)網(wǎng)絡(luò)模型；以及數(shù)據(jù)融合單元，用于將交通數(shù)據(jù)、或者交通數(shù)據(jù)和至少一個交通狀況影響因素輸入選擇的神經(jīng)網(wǎng)絡(luò)模型，進行數(shù)據(jù)融合并估計所述一條或多條道路的交通狀況。根據(jù)本發(fā)明實施例，交通狀況估計裝置還包括模型構(gòu)建單元，用于預(yù)先構(gòu)建所述多個神經(jīng)網(wǎng)絡(luò)模型，其中在預(yù)先構(gòu)建所述多個神經(jīng)網(wǎng)絡(luò)模型時，模式歸類單元針對路網(wǎng)中每一條道路，將關(guān)于該道路的多種交通數(shù)據(jù)、或者所述多種交通數(shù)據(jù)與至少一個交通狀況影響因素歸類到多個預(yù)定模式，以及模型構(gòu)建單元利用模式歸類單元歸類的交通數(shù)據(jù)或者交通數(shù)據(jù)和交通狀況影響因素，針對多個預(yù)定模式，利用神經(jīng)網(wǎng)絡(luò)方法構(gòu)建多個對應(yīng)的神經(jīng)網(wǎng)絡(luò)模型。根據(jù)本發(fā)明實施例，提供了一種交通狀況估計方法，包括模式歸類步驟，用于將路網(wǎng)中一條或多條道路的交通數(shù)據(jù)、或者交通數(shù)據(jù)與至少一個交通狀況影響因素歸類到多個預(yù)定模式之一；模型選擇步驟，根據(jù)所歸類的模式，從多個神經(jīng)網(wǎng)絡(luò)模型中選擇對應(yīng)的神經(jīng)網(wǎng)絡(luò)模型；以及數(shù)據(jù)融合步驟，將交通數(shù)據(jù)、或者交通數(shù)據(jù)和至少一個交通狀況影響因素輸入選擇的神經(jīng)網(wǎng)絡(luò)模型，進行數(shù)據(jù)融合，并估計所述道路的交通狀況。根據(jù)本發(fā)明實施例，交通狀況估計方法還包括模型構(gòu)建步驟，預(yù)先構(gòu)建所述多個神經(jīng)網(wǎng)絡(luò)模型，其中，在預(yù)先構(gòu)建所述多個神經(jīng)網(wǎng)絡(luò)模型時，在模式歸類步驟，針對路網(wǎng)中每一條道路，將關(guān)于該道路的多種交通數(shù)據(jù)、或者多種交通數(shù)據(jù)與至少一個交通狀況影響因素歸類到多個預(yù)定模式；以及在模型構(gòu)建步驟，利用在模式歸類步驟歸類的交通數(shù)據(jù)或者交通數(shù)據(jù)和交通狀況影響因素，針對多個預(yù)定模式，利用神經(jīng)網(wǎng)絡(luò)方法構(gòu)建多個對應(yīng)的神經(jīng)網(wǎng)絡(luò)模型。根據(jù)本發(fā)明實施例，引入多模式歸類和多模式建模機制，對不同類型的交通數(shù)據(jù)以及不同交通狀況影響因素進行多種組合，并將多種組合歸入到多種不同模式。這樣，針對每一條道路，可以為不同模式分別進行單獨建模，能夠提高單個模型精度，充分利用了交通數(shù)據(jù)的不同數(shù)據(jù)源類型、不同特點以及影響交通狀況的不同因素，得到更加符合實際的、更加準(zhǔn)確的融合結(jié)果和交通狀況估計。


通過下面結(jié)合

本發(fā)明的優(yōu)選實施例，將使本發(fā)明的上述及其它目的、特征和優(yōu)點更加清楚，其中圖I是根據(jù)本發(fā)明實施例的交通狀況估計裝置的示意框圖2是根據(jù)本發(fā)明另一實施例的交通狀況估計裝置的示意框圖；圖3是圖2中交通狀況估計裝置的模型構(gòu)建單元的示意框圖；圖4示出了模型初始化單元初始化的神經(jīng)網(wǎng)絡(luò)模型的示意圖。圖5是根據(jù)本發(fā)明另一實施例的交通狀況估計裝置的示意框圖；圖6是根據(jù)本發(fā)明又一實施例的交通狀況估計裝置的示意框圖；圖7是根據(jù)本發(fā)明實施例的交通狀況估計的流程圖
具體實施例方式存在多種交通檢測設(shè)備(或者數(shù)據(jù)源)，能夠檢測到城市道路的交通狀況。這些交通檢測設(shè)備具備各自的特點，例如，線圈檢測器和微波檢測器可以檢測到點速度、流量以及道路占有率，具備精度較高但覆蓋率低的特點；高清攝像頭檢測器可以檢測到某一段道路的平均行駛速度，具備很高的精度，但是覆蓋率低，成本很高；浮動車或GPS系統(tǒng)可以檢測到道路的平均行駛速度，具備精度一般但覆蓋率高，成本較低的特點。來自這些數(shù)據(jù)源的交通數(shù)據(jù)也具有不同特點，包括精度、準(zhǔn)確性、可信度等。例如，常用的交通數(shù)據(jù)包括浮動車數(shù)據(jù)、線圈數(shù)據(jù)、微波數(shù)據(jù)以及牌照數(shù)據(jù)。通過浮動車的GPS點數(shù)據(jù)，可以得到基于道路的、精度較低的速度數(shù)據(jù)；牌照數(shù)據(jù)精度較高，可以根據(jù)相關(guān)理論計算出基于道路的較精度的速度數(shù)據(jù)；線圈數(shù)據(jù)和微波數(shù)據(jù)一般易受到異常數(shù)據(jù)的干擾，通常需要經(jīng)過例如缺失判斷、閾值判斷、交通邏輯判斷、交通事件判斷等一系列預(yù)處理。此外，也存在多種影響交通狀況的因素，例如道路的等級、空間位置、天氣、工作日/節(jié)假日、早晚高峰/非高峰時段等。有必要依據(jù)交通數(shù)據(jù)的不同數(shù)據(jù)源類型、不同特點以及影響交通狀況的不同因素，將數(shù)據(jù)和/或影響因素進行模式歸類并分別針對各種模式進行數(shù)據(jù)融合，以充分利用交通數(shù)據(jù)的不同特點，得到更加準(zhǔn)確的融合結(jié)果和交通狀況估計。鑒于這種需求，根據(jù)本發(fā)明實施例，采用神經(jīng)網(wǎng)絡(luò)方法，對于不同來源的交通數(shù)據(jù)，進行單獨的建模和融合。例如，融合浮動車數(shù)據(jù)和線圈數(shù)據(jù)使用一種神經(jīng)網(wǎng)絡(luò)模型，融合微波數(shù)據(jù)和線圈數(shù)據(jù)則用另一種神經(jīng)網(wǎng)絡(luò)模型。此外，根據(jù)本發(fā)明實施例，還可以考慮到一種或多種交通狀況影響因素，進行單獨的建模和融合，例如，針對浮動車數(shù)據(jù)和微波數(shù)據(jù)，按照節(jié)假日和工作日將數(shù)據(jù)歸為兩類，建立兩個融合模型。當(dāng)然，本發(fā)明實施例不限于這些示例，對于更多類型的交通數(shù)據(jù)和/或更多的交通狀況影響因素，可以按照需要，將這些交通數(shù)據(jù)和/或影響因素的進行多種組合，分別建立融合模型，進行數(shù)據(jù)融合。以下參照附圖，對本發(fā)明的示例實施例進行詳細描述，本發(fā)明不限于下述示例實施例。為了清楚描述本發(fā)明的基本思想，附圖中僅示出了與本發(fā)明的技術(shù)方案密切相關(guān)的部件、功能或步驟，并且以下描述中省略了對已知技術(shù)、功能、部件或步驟的具體描述。圖I示出了根據(jù)本發(fā)明實施例的交通狀況估計裝置10的示意框圖。交通狀況估計裝置10包括模式歸類單元12、模型選擇單元14、以及數(shù)據(jù)融合單元16。交通狀況估計裝置10能夠基于當(dāng)前獲取的道路的多種交通數(shù)據(jù)(以及可選地，交通狀況影響因素)，通過數(shù)據(jù)融合方法來預(yù)測例如道路的交通狀況。例如可以采用來自多種數(shù)據(jù)源的實時交通數(shù)據(jù)來預(yù)測未來的道路交通狀態(tài)，例如道路上的行駛速度、擁堵程度等，以進行實時監(jiān)測以及道路導(dǎo)航等。具體而言，模式歸類單元12針對路網(wǎng)中一條或多條道路，將關(guān)于該道路的多種交通數(shù)據(jù)歸類到多個不同的模式，或者在進一步考慮到交通狀況影響因素的情況下，將多種交通數(shù)據(jù)連同至少一個交通狀況影響因素歸類到多個不同的預(yù)定模式之一。多個不同的預(yù)定模式可以是基于交通數(shù)據(jù)的數(shù)據(jù)源類型和/或交通數(shù)據(jù)的特點和/或交通狀況影響因素而預(yù)先設(shè)置的，這些數(shù)據(jù)源類型、特定和交通狀況影響因素包括但不限于上面所述的那些。可以認為每一個模式對應(yīng)于多種交通數(shù)據(jù)的不同組合之一或者對應(yīng)于多種交通數(shù)據(jù)與至少一個交通狀況影響因素的不同組合之一。例如，考慮到交通數(shù)據(jù)的數(shù)據(jù)源，則可以將浮動車數(shù)據(jù)和線圈數(shù)據(jù)的組合對應(yīng)到一個模式，而將微波數(shù)據(jù)和線圈數(shù)據(jù)的組合對應(yīng)到另一個模式?？紤]到交通狀況影響因素，例如道路自身的屬性，如道路名稱、位置、道路等級，天氣因素，節(jié)假日/工作日等，可以按照節(jié)假日和工作日得到數(shù)據(jù)的不同組合，對應(yīng)于不同模式。作為具體的示例，對于北京北四環(huán)路，可以考慮到交通數(shù)據(jù)是浮動車數(shù)據(jù)和微波數(shù)據(jù)，按照節(jié)假日和工作日將數(shù)據(jù)歸類到兩種模式，或者也可以不考慮節(jié)假日的信息，而考慮天氣因素，建立晴天、下雨天、下雪天、大霧天等多種模式。當(dāng)然，本發(fā)明實施例不限于上述數(shù)據(jù)類型、特點和因素以及它們的組合方式，而是可以根據(jù)應(yīng)用需求進行適當(dāng)?shù)慕M合和模式歸類。模型選擇單元14根據(jù)模式歸類單元12將交通數(shù)據(jù)或者交通數(shù)據(jù)和交通影響因素歸類到的模式，從多個神經(jīng)網(wǎng)絡(luò)模型中選擇對應(yīng)的神經(jīng)網(wǎng)絡(luò)模型。多個神經(jīng)網(wǎng)絡(luò)模型可以是預(yù)先構(gòu)建的模型。交通數(shù)據(jù)可以是來自多種數(shù)據(jù)源的數(shù)據(jù)，例如北京北四環(huán)路周二早上某一時段的浮動車數(shù)據(jù)和微波數(shù)據(jù)。此時，可以從根據(jù)這種交通數(shù)據(jù)對應(yīng)的模式(例如，浮動車數(shù)據(jù)和微波數(shù)據(jù)一北四環(huán)路工作日早上高峰時段模式)，選擇針對該模式構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型。然后，數(shù)據(jù)融合單元16將交通數(shù)據(jù)、或者交通數(shù)據(jù)和所考慮的交通狀況影響因素輸入模型選擇單元14選擇的神經(jīng)網(wǎng)絡(luò)模型，進行數(shù)據(jù)融合并估計道路的交通狀況。在本發(fā)明實施例中，多種交通數(shù)據(jù)是通過各種交通檢測設(shè)備采集或者人工觀察到的指示道路交通狀況的數(shù)據(jù)，例如道路上行駛速度，擁堵程度等。估計的交通狀況是對道路交通狀況的預(yù)測，例如也包括道路上的行駛速度、擁堵程度等。優(yōu)選地，在本發(fā)明實施例中，多種交通數(shù)據(jù)可以是指示道路上行駛速度的交通數(shù)據(jù)，所估計的交通狀況可以是道路上的行駛速度。這樣，數(shù)據(jù)融合的最終輸出是道路上的行駛速度，這種速度數(shù)據(jù)能夠方便地用于支持更深層次的應(yīng)用，如行駛時間估算等。根據(jù)本發(fā)明實施例的交通狀況估計裝置10通過引入多模式歸類機制，對不同類型的交通數(shù)據(jù)(以及可選地，不同交通狀況影響因素)進行多種組合，并將多種組合歸入到多種不同模式，并采用針對不同模式的相應(yīng)模型來進行數(shù)據(jù)融合，這樣充分利用了交通數(shù)據(jù)的不同數(shù)據(jù)源類型、不同特點以及影響交通狀況的不同因素，得到更加符合實際的、更加準(zhǔn)確的融合結(jié)果和交通狀況估計。此外，采用神經(jīng)網(wǎng)絡(luò)模型，例如可以采用多層前饋神經(jīng)網(wǎng)絡(luò)，能夠有效地解決非線性問題，適于反映實際應(yīng)用中不同因素之間的關(guān)系。同時，在本發(fā)明實施例中，可以采用道路上的行駛速度數(shù)據(jù)，以能夠支持高層次的應(yīng)用。圖2示出了根據(jù)本發(fā)明另一實施例的交通狀況估計裝置20的示意框圖。相比于圖I的交通狀況估計裝置10，圖2的交通狀況估計裝置20還包括模型構(gòu)建單元22，用于預(yù)先構(gòu)建多個神經(jīng)網(wǎng)絡(luò)模型。為了避免累述，省略了對圖I中相同單元的具體描述。根據(jù)本發(fā)明實施例，可以在進行交通狀況估計之前，采用例如當(dāng)前、歷史或過去的交通數(shù)據(jù)，針對多個預(yù)定模式來預(yù)先構(gòu)建多個神經(jīng)網(wǎng)絡(luò)模型。在構(gòu)建神經(jīng)網(wǎng)絡(luò)模型時，模式歸類單元12針對路網(wǎng)中每一條道路，將關(guān)于該道路的多種交通數(shù)據(jù)、或者多種交通數(shù)據(jù)與至少一個交通狀況影響因素歸類到多個預(yù)定模式。然后，模型構(gòu)建單元22利用模式歸類單元12歸類的交通數(shù)據(jù)或者交通數(shù)據(jù)和交通狀況影響因素，針對多個預(yù)定模式，利用神經(jīng)網(wǎng)絡(luò)方法構(gòu)建多個對應(yīng)的神經(jīng)網(wǎng)絡(luò)模型。稍后將參照圖3對模型構(gòu)建單元22進行更詳細的描述。當(dāng)然，本領(lǐng)域技術(shù)人員可以理解，模型構(gòu)建單元22也可以是與交通狀況估計裝置相分離地 提供的，例如作為專門的建模裝置的一部分來提供。因此，可以采用任何適當(dāng)?shù)男问絹韺崿F(xiàn)本發(fā)明，而不僅僅限于這里示出的實施例。根據(jù)本發(fā)明實施例的交通狀況估計裝置20進一步引入了多模式建模機制，針對不同模式分別進行單獨建模，能夠提高單個模型精度。這樣，能夠進一步充分利用交通數(shù)據(jù)的不同數(shù)據(jù)源類型、不同特點以及影響交通狀況的不同因素，得到更加符合實際的、更加準(zhǔn)確的融合結(jié)果和交通狀況估計。此外，采用神經(jīng)網(wǎng)絡(luò)方法進行建模，例如可以采用多層前饋神經(jīng)網(wǎng)絡(luò)，能夠有效地解決非線性問題，適于反映實際應(yīng)用中不同因素之間的關(guān)系。圖2的交通狀況估計裝置20還可以包括歸類數(shù)據(jù)存儲單元(未示出)，用于與多個預(yù)定模式中每一個模式相關(guān)聯(lián)地存儲經(jīng)模式歸類單元12歸類的交通數(shù)據(jù)或者歸類的交通數(shù)據(jù)和至少一個交通狀況影響因素。此時，模型構(gòu)建單元22可以從歸類數(shù)據(jù)存儲單元中獲取歸類的交通數(shù)據(jù)或者歸類的交通數(shù)據(jù)和至少一個交通狀況影響因素，以用于構(gòu)建神經(jīng)網(wǎng)絡(luò)模型。當(dāng)然，歸類數(shù)據(jù)存儲單元也可以作為模式歸類單元12的一部分來實現(xiàn)。歸類數(shù)據(jù)存儲單元可以采用列表、圖表、映射表、文件、庫等多種形式來存儲歸類后的數(shù)據(jù)，數(shù)據(jù)是與每一個模式相關(guān)聯(lián)地存儲的，從而方便針對各個模式分別提供相應(yīng)的數(shù)據(jù)。例如，歸類數(shù)據(jù)存儲單元可以在文件中采用如下關(guān)聯(lián)方式模式浮動車數(shù)據(jù)和微波數(shù)據(jù)一北四環(huán)路周二早上高峰時段數(shù)據(jù)周二早上8點-9點的浮動車速度、交通流量、點速度、占有率影響因素工作日、早上、高峰時段當(dāng)然，可以采用任何適當(dāng)?shù)姆绞竭M行存儲，只要方便模型構(gòu)建單元22從歸類數(shù)據(jù)存儲單元中獲取數(shù)據(jù)即可。圖2的交通狀況估計裝置20還可以包括模型存儲單元(未示出)，用于存儲模型構(gòu)建單元22構(gòu)建的多個神經(jīng)網(wǎng)絡(luò)模型。此時，模型選擇單元14從模型存儲單元中選擇神經(jīng)網(wǎng)絡(luò)模型。當(dāng)然，模型存儲單元也可以作為模型構(gòu)建單元22的一部分來實現(xiàn)。圖3示出了圖2中模型構(gòu)建單元22的示意框圖。模型構(gòu)建單元22包括模型初始化單元30和模型訓(xùn)練單元32。模型初始化單元30初始化神經(jīng)網(wǎng)絡(luò)模型。例如，針對上述示例模式，適用的地點是北京北四環(huán)路，適用的時間是工作日，適用的交通數(shù)據(jù)是浮動車數(shù)據(jù)和微波數(shù)據(jù)?？梢猿跏荚O(shè)定多層前饋神經(jīng)網(wǎng)絡(luò)，例如圖4示出了模型初始化單元30初始化的神經(jīng)網(wǎng)絡(luò)模型的示例，該模型有輸入層、兩個隱含層以及輸出層，每個隱含層的神經(jīng)元個數(shù)是3，并且神經(jīng)網(wǎng)絡(luò)的輸入是浮動車數(shù)據(jù)、微波數(shù)據(jù)(交通流量、點速度、占有率)和天氣信息，那么初始化的神經(jīng)網(wǎng)絡(luò)模型如圖3所示。模型訓(xùn)練單元32采用訓(xùn)練數(shù)據(jù)和預(yù)設(shè)參數(shù)，對初始化的神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型，作為神經(jīng)網(wǎng)絡(luò)模型構(gòu)建單元22所構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型。例如，還是針對上述示例模式，可以采用北京北四環(huán)工作日并且是晴天的浮動車和微波歷史數(shù)據(jù)。因為訓(xùn)練時需要真實值作為訓(xùn)練的基礎(chǔ)，考慮到牌照數(shù)據(jù)精度很好，可以選擇牌照數(shù)據(jù)作為真實值，或者采用仿真的數(shù)據(jù)或者觀察到的真實值，作為訓(xùn)練數(shù)據(jù)。預(yù)設(shè)參數(shù)可以例如是訓(xùn)練函數(shù)以及神經(jīng)網(wǎng)絡(luò)各層之間的傳輸函數(shù)的參數(shù)，這包括但不限于經(jīng)驗值或采用實驗或仿真方法得到的值。在確定了訓(xùn)練數(shù)據(jù)和參數(shù)之后，模型訓(xùn)練單元32開始對模型進行訓(xùn)練，模型訓(xùn)練主要是確定模型的權(quán)值和閾值，使得神經(jīng)網(wǎng)絡(luò)能夠模擬出這些數(shù)據(jù)中的內(nèi)在關(guān)系。用作訓(xùn)練的數(shù)據(jù)越全，參數(shù)設(shè)置得越好，則訓(xùn)練出來的模型越適用，模型的泛化能力越好。根據(jù)本發(fā)明實施例，神經(jīng)網(wǎng)絡(luò)模型構(gòu)建單元22還可以包括精度校驗單元(未示出)，用于使用校驗數(shù)據(jù)對訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型的精度進行校驗。如果精度達到預(yù)定閾值，則將該訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型作為模型構(gòu)建單元22所構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型；如果精度未達到預(yù)定閾值，則要求模型訓(xùn)練單元32修改預(yù)設(shè)參數(shù)并進行重新訓(xùn)練，直到精度達到預(yù)定閾值為止。這樣，可以確保神經(jīng)網(wǎng)絡(luò)模型的精確度。
根據(jù)本發(fā)明實施例，神經(jīng)網(wǎng)絡(luò)模型構(gòu)建單元22還可以包括數(shù)據(jù)準(zhǔn)備單元(未示出)，用于準(zhǔn)備大量的歷史數(shù)據(jù)用于訓(xùn)練。數(shù)據(jù)準(zhǔn)備單元也可以作為模型訓(xùn)練單元32的一部分來實現(xiàn)。此時，可以通過數(shù)據(jù)準(zhǔn)備單元選擇訓(xùn)練數(shù)據(jù)樣本，并且最好對數(shù)據(jù)進行歸一化，以為模型訓(xùn)練準(zhǔn)備好大量合適的數(shù)據(jù)。根據(jù)本發(fā)明實施例的模型構(gòu)建單元22可以采用任何適當(dāng)?shù)纳窠?jīng)網(wǎng)絡(luò)方法來逐個模式地建立神經(jīng)網(wǎng)絡(luò)模型，模擬出交通數(shù)據(jù)和/或交通狀況影響因素的內(nèi)在關(guān)系，從而能夠?qū)崿F(xiàn)更加符合實際、更加有效的數(shù)據(jù)融合。這樣，在交通狀況估計階段，能夠利用模型構(gòu)建單元22構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型，輸入例如實時交通數(shù)據(jù)進行更加準(zhǔn)確的交通狀況估計。圖5示出了根據(jù)本發(fā)明另一實施例的交通狀況估計裝置50的示意框圖。交通狀況估計裝置50與交通狀況估計裝置10的不同之處在于，除了交通狀況估計裝置10所包括的各個單元之外，交通狀況估計裝置50還包括數(shù)據(jù)匹配單元52。這里，省略了對相同單元的詳細描述。可以在進行模式歸類之前，通過數(shù)據(jù)匹配單元52匹配出一條或多條道路上的多種交通數(shù)據(jù)。具體而言，交通數(shù)據(jù)可能是針對路網(wǎng)中多條道路的數(shù)據(jù)。在針對路網(wǎng)中某一條或某幾條道路進行交通狀況估計時，需要從交通數(shù)據(jù)中獲取關(guān)于該道路或這幾條道路的多種交通數(shù)據(jù)。因此，數(shù)據(jù)匹配單元52從來自多種數(shù)據(jù)源的多種交通數(shù)據(jù)中獲得與同一條或某幾條道路匹配的多種交通數(shù)據(jù)，作為提供給模式歸類單元12的關(guān)于該道路的多種交通數(shù)據(jù)。除了這種根據(jù)空間位置的匹配之外，數(shù)據(jù)匹配單元52還可以進行時間關(guān)系的匹配，例如匹配出同一條道路上同一時間段各種不同來源的交通數(shù)據(jù)。數(shù)據(jù)匹配單元52可以采用本領(lǐng)域技術(shù)人員熟知的任何適當(dāng)?shù)穆肪W(wǎng)分析、道路空間/時間匹配等方法來進行數(shù)據(jù)匹配。由此，在交通數(shù)據(jù)是針對路網(wǎng)中多條道路的數(shù)據(jù)時，也可以采用本發(fā)明實施例的交通狀況估計裝置50進行感興趣的道路的交通狀況估計。此外，在構(gòu)建多個神經(jīng)網(wǎng)絡(luò)模型時，也可以通過數(shù)據(jù)匹配單元52對歷史交通數(shù)據(jù)進行匹配，以便為感興趣的道路建立數(shù)據(jù)融合模型。
此外，數(shù)據(jù)匹配單元52匹配后的數(shù)據(jù)還提供至數(shù)據(jù)融合單元16，作為要融合的數(shù)據(jù)。圖6示出了根據(jù)本發(fā)明又一實施例的交通狀況估計裝置60的示意框圖。交通狀況估計裝置60與交通狀況估計裝置10的不同之處在于，除了交通狀況估計裝置10所包括的各個單元之外，交通狀況估計裝置60還包括數(shù)據(jù)預(yù)處理單元62。這里，省略了對相同單元的詳細描述。備選地，交通狀況估計裝置60也可以包括圖5所示的數(shù)據(jù)匹配單元52，數(shù)據(jù)匹配單元52將匹配后的交通數(shù)據(jù)提供給數(shù)據(jù)預(yù)處理單元62。在輸入的交通數(shù)據(jù)是未處理的原始檢測數(shù)據(jù)時，可以在進行模式歸類之前，通過數(shù)據(jù)預(yù)處理單元62對多種交通數(shù)據(jù)進行預(yù)處理，以用于后續(xù)處理。例如，假設(shè)能夠提供的檢測數(shù)據(jù)有浮動車數(shù)據(jù)、線圈數(shù)據(jù)、微波數(shù)據(jù)以及牌照數(shù)據(jù)。對于浮動車數(shù)據(jù)，通過浮動車相關(guān)的計算，將浮動車的GPS點數(shù)據(jù)轉(zhuǎn)換為基于道路的速度數(shù)據(jù)。對于牌照數(shù)據(jù)，根據(jù)相關(guān)理論計算出基于道路的速度數(shù)據(jù)。對于線圈數(shù)據(jù)和微波數(shù)據(jù)，則經(jīng)過缺失判斷、閾值判斷、交通邏輯判斷、交通事件判斷等一系列處理，排除異常數(shù)據(jù)的干擾。缺失判斷是指檢測到的交通流量、點速度、占有率這三個值必須都存在并且都不為0，否則視為數(shù)據(jù)缺失；閾值判斷是指對于某一等級的道路，在規(guī)定的時速限制，如北京北四環(huán)路，最高時速為80公里/每小時，如果檢測到的點速度遠遠大于這一值，視為數(shù)據(jù)異常，同時需要注意的是，在主干道上，由于線圈離交叉口比較近，頻繁變換的交通信號燈對車輛速度產(chǎn)生影響，容易造成車輛頻繁減速，因此也需要規(guī)定速度最小值用于排除由于交通信號燈而造成的低速干擾。交通邏輯判斷是指當(dāng)流量不為0時，Q、V、B還應(yīng)當(dāng)滿足L = (B*T*V)/Q的關(guān)系，L為車長，B為流量，T為時間(例如2分鐘)，V為速度，Q為時間占有率，車長L應(yīng)當(dāng)在一定的閾值范圍內(nèi)，否則視為數(shù)據(jù)異常。交通事件判斷則采用加州算法，如果通過計算發(fā)現(xiàn)發(fā)生了交通事件，也視為數(shù)據(jù)異常。對于以上缺失的數(shù)據(jù)或者是異常的數(shù)據(jù)，可以用以前歷史的數(shù)據(jù)對其進行補缺。補缺的方式有很多種，大致分為空間關(guān)系的補缺、時間關(guān)系的補缺和歷史數(shù)據(jù)的補缺?？臻g關(guān)系補缺是指對于基于道路的空間關(guān)系，采用鄰近道路的數(shù)據(jù)來補缺；時間關(guān)系的補缺是指利用前幾個周期的路況數(shù)據(jù)，對當(dāng)前的路況進行補缺；歷史數(shù)據(jù)的補缺是指通過大量數(shù)據(jù)統(tǒng)計出的當(dāng)前歷史時刻當(dāng)前地點的道路狀況，對數(shù)據(jù)進行補缺；比如本周二早上8點A路的線圈檢測數(shù)據(jù)發(fā)生了缺失，則參考上周二以及以前更多個周二早上8點A路 線圈檢測器檢測到的數(shù)據(jù)，計算出補缺的數(shù)據(jù)。數(shù)據(jù)預(yù)處理單元62可以采用本領(lǐng)域技術(shù)人員熟知的任何適當(dāng)預(yù)處理過程來進行數(shù)據(jù)預(yù)處理，以得到適用的交通數(shù)據(jù)。此外，在構(gòu)建多個神經(jīng)網(wǎng)絡(luò)模型時，也可以通過數(shù)據(jù)預(yù)處理單元62對歷史交通數(shù)據(jù)進行預(yù)處理，以得到適用的交通數(shù)據(jù)來建立估計模型。此外，數(shù)據(jù)預(yù)處理單元62處理后的數(shù)據(jù)還提供至數(shù)據(jù)融合單元16，作為要融合的數(shù)據(jù)。由此，在輸入的交通數(shù)據(jù)是未處理的原始檢測數(shù)據(jù)時，也可以采用本發(fā)明實施例的交通狀況估計裝置60進行道路的交通狀況估計。以上描述了根據(jù)本發(fā)明多個實施例的交通狀況估計裝置。下面參照附圖7描述根據(jù)本發(fā)明的交通狀況估計方法70。如圖所示，在步驟S72，針對路網(wǎng)中一條或多條道路，將關(guān)于該一條或多條道路的交通數(shù)據(jù)、或者交通數(shù)據(jù)與至少一個交通狀況影響因素歸類到多個不同的模式之一。在步驟S74，根據(jù)道路的交通數(shù)據(jù)所對應(yīng)的或者交通數(shù)據(jù)和交通狀況影響因素所對應(yīng)的模式，從多個神經(jīng)網(wǎng)絡(luò)模型中選擇對應(yīng)的神經(jīng)網(wǎng)絡(luò)模型。在步驟S76，將交通數(shù)據(jù)、或者交通數(shù)據(jù)和交通狀況影響因素輸入選擇的神經(jīng)網(wǎng)絡(luò)模型，進行數(shù)據(jù)融合，輸出道路的交通狀況估計。根據(jù)本發(fā)明實施例，交通狀況估計方法70還包括模型構(gòu)建步驟，預(yù)先構(gòu)建所述多個神經(jīng)網(wǎng)絡(luò)模型。具體而言，在預(yù)先構(gòu)建多個神經(jīng)網(wǎng)絡(luò)模型時，在步驟S74，針對路網(wǎng)中每一條道路，將關(guān)于該道路的多種交通數(shù)據(jù)、或者多種交通數(shù)據(jù)與至少一個交通狀況影響因素歸類到多個預(yù)定模式。然后，在模型構(gòu)建步驟，利用在步驟S74歸類的交通數(shù)據(jù)或者交通數(shù)據(jù)和交通狀況影響因素，針對多個預(yù)定模式，利用神經(jīng)網(wǎng)絡(luò)方法構(gòu)建多個對應(yīng)的神經(jīng)網(wǎng)絡(luò) 模型。根據(jù)本發(fā)明實施例，在步驟S72之前還可以包括數(shù)據(jù)匹配步驟，其中針對路網(wǎng)中每一條道路，從來自多種數(shù)據(jù)源的多種交通數(shù)據(jù)中獲得與該道路匹配的交通數(shù)據(jù)，作為步驟S72中關(guān)于該道路的交通數(shù)據(jù)。根據(jù)本發(fā)明實施例，在步驟S72之前還可以包括數(shù)據(jù)預(yù)處理步驟，其中對來自多種數(shù)據(jù)源的多種交通數(shù)據(jù)進行預(yù)處理，以去除異常數(shù)據(jù)，補充數(shù)據(jù)缺失，得到預(yù)處理后的交通數(shù)據(jù)，作為步驟S72中關(guān)于該道路的交通數(shù)據(jù)。根據(jù)本發(fā)明實施例，在模型構(gòu)建步驟之前，還包括歸類數(shù)據(jù)存儲步驟，其中與多個預(yù)定模式中每一個模式相關(guān)聯(lián)地存儲歸類的交通數(shù)據(jù)或者歸類的交通數(shù)據(jù)和至少一個交通狀況影響因素。根據(jù)本發(fā)明實施例，在模型構(gòu)建步驟之后還可以包括模型存儲步驟，存儲在模型構(gòu)建步驟中構(gòu)建的多個神經(jīng)網(wǎng)絡(luò)模型。以上描述了根據(jù)本發(fā)明優(yōu)選實施例的數(shù)據(jù)匿名化裝置和方法。在以上的描述中，僅以示例的方式，示出了本發(fā)明的優(yōu)選實施例，但并不意味著本發(fā)明局限于上述步驟和單元結(jié)構(gòu)。在可能的情形下，可以根據(jù)需要對步驟和單元進行調(diào)整、取舍和組合。此外，某些步驟和單元并非實施本發(fā)明的總體發(fā)明思想所必需的元素。因此，本發(fā)明所必需的技術(shù)特征僅受限于能夠?qū)崿F(xiàn)本發(fā)明的總體發(fā)明思想的最低要求，而不受以上具體實例的限制。至此已經(jīng)結(jié)合優(yōu)選實施例對本發(fā)明進行了描述。應(yīng)該理解，本領(lǐng)域技術(shù)人員在不脫離本發(fā)明的精神和范圍的情況下，可以進行各種其它的改變、替換和添加。因此，本發(fā)明的范圍不局限于上述特定實施例，而應(yīng)由所附權(quán)利要求所限定。
權(quán)利要求
1.ー種交通狀況估計裝置，包括 模式歸類單元，用于將路網(wǎng)中一條或多條道路的交通數(shù)據(jù)、或者交通數(shù)據(jù)與至少ー個交通狀況影響因素歸類到多個預(yù)定模式之一； 模型選擇單元，用于根據(jù)模式歸類單元所歸類的模式，從多個神經(jīng)網(wǎng)絡(luò)模型中選擇對應(yīng)的神經(jīng)網(wǎng)絡(luò)模型；以及 數(shù)據(jù)融合単元，用于將交通數(shù)據(jù)、或者交通數(shù)據(jù)和至少ー個交通狀況影響因素輸入選擇的神經(jīng)網(wǎng)絡(luò)模型，進行數(shù)據(jù)融合并估計所述一條或多條道路的交通狀況。
2.根據(jù)權(quán)利要求I所述的交通狀況估計裝置，還包括模型構(gòu)建單元，用于預(yù)先構(gòu)建所述多個神經(jīng)網(wǎng)絡(luò)模型， 其中，在預(yù)先構(gòu)建所述多個神經(jīng)網(wǎng)絡(luò)模型吋， 所述模式歸類單元針對路網(wǎng)中每一條道路，將關(guān)于該道路的多種交通數(shù)據(jù)、或者多種交通數(shù)據(jù)與至少ー個交通狀況影響因素歸類到多個預(yù)定模式，以及 所述模型構(gòu)建單元利用模式歸類單元歸類的交通數(shù)據(jù)或者交通數(shù)據(jù)和交通狀況影響因素，針對多個預(yù)定模式，利用神經(jīng)網(wǎng)絡(luò)方法構(gòu)建多個對應(yīng)的神經(jīng)網(wǎng)絡(luò)模型。
3.根據(jù)權(quán)利要求2所述的交通狀況估計裝置，其中，模型構(gòu)建單元包括 模型初始化單元，用于初始化神經(jīng)網(wǎng)絡(luò)模型；以及 模型訓(xùn)練單元，用于采用訓(xùn)練數(shù)據(jù)和預(yù)設(shè)參數(shù)，對初始化的神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型，作為神經(jīng)網(wǎng)絡(luò)模型構(gòu)建單元所構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型。
4.根據(jù)權(quán)利要求3所述的交通狀況估計裝置，其中，神經(jīng)網(wǎng)絡(luò)模型構(gòu)建單元還包括 精度校驗單元，用于使用校驗數(shù)據(jù)對訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型的精度進行校驗，如果精度達到預(yù)定閾值，則將該訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型作為模型構(gòu)建單元所構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型，如果精度未達到預(yù)定閾值，則要求模型訓(xùn)練單元修改預(yù)設(shè)參數(shù)并進行重新訓(xùn)練，直到精度達到預(yù)定閾值為止。
5.根據(jù)權(quán)利要求I所述的交通狀況估計裝置，還包括 數(shù)據(jù)匹配単元，用于從來自多種數(shù)據(jù)源的交通數(shù)據(jù)中獲得與所述一條或多條道路匹配的交通數(shù)據(jù)，作為提供給模式歸類單元的交通數(shù)據(jù)。
6.根據(jù)權(quán)利要求I所述的交通狀況估計裝置，還包括 數(shù)據(jù)預(yù)處理單元，用于對來自多種數(shù)據(jù)源的交通數(shù)據(jù)進行預(yù)處理，以去除異常數(shù)據(jù)，ネト充數(shù)據(jù)缺失，得到預(yù)處理后的實時交通數(shù)據(jù)，作為提供給模式歸類單元的交通數(shù)據(jù)。
7.根據(jù)權(quán)利要求2所述的交通狀況估計裝置，還包括 歸類數(shù)據(jù)存儲単元，用干與多個預(yù)定模式中每ー個模式相關(guān)聯(lián)地存儲歸類的交通數(shù)據(jù)或者歸類的交通數(shù)據(jù)和至少ー個交通狀況影響因素； 其中，模型構(gòu)建單元從歸類數(shù)據(jù)存儲単元中獲取歸類的交通數(shù)據(jù)或者歸類的交通數(shù)據(jù)和至少ー個交通狀況影響因素，以用于構(gòu)建神經(jīng)網(wǎng)絡(luò)模型。
8.根據(jù)權(quán)利要求I所述的交通狀況估計裝置，其中，交通數(shù)據(jù)是通過各種交通檢測設(shè)備采集或者人工觀察到的指示道路交通狀況的數(shù)據(jù)，包括指示道路上行駛速度的交通數(shù)據(jù)，估計的交通狀況是對道路交通狀況的預(yù)測，包括道路上的行駛速度。
9.根據(jù)權(quán)利要求I所述的交通狀況估計裝置，其中，所述多個預(yù)定模式中每ー個模式對應(yīng)于多種交通數(shù)據(jù)的不同組合之一或者對應(yīng)于多種交通數(shù)據(jù)與所述至少ー個交通狀況影響因素的不同組合之一， 所述多個預(yù)定模式是基于交通數(shù)據(jù)的數(shù)據(jù)源類型和/或交通數(shù)據(jù)的特點和/或交通狀況影響因素而設(shè)。
10.ー種交通狀況估計方法，包括 模式歸類步驟，用于將路網(wǎng)中一條或多條道路的交通數(shù)據(jù)、或者交通數(shù)據(jù)與至少ー個交通狀況影響因素歸類到多個預(yù)定模式之一； 模型選擇步驟，根據(jù)所歸類的模式，從多個神經(jīng)網(wǎng)絡(luò)模型中選擇對應(yīng)的神經(jīng)網(wǎng)絡(luò)模型；以及 數(shù)據(jù)融合步驟，將交通數(shù)據(jù)、或者交通數(shù)據(jù)和至少ー個交通狀況影響因素輸入選擇的神經(jīng)網(wǎng)絡(luò)模型，進行數(shù)據(jù)融合，并估計所述道路的交通狀況。
11.根據(jù)權(quán)利要求10所述的交通狀況估計方法，還包括模型構(gòu)建步驟，預(yù)先構(gòu)建所述多個神經(jīng)網(wǎng)絡(luò)模型， 其中，在預(yù)先構(gòu)建所述多個神經(jīng)網(wǎng)絡(luò)模型吋， 在模式歸類步驟，針對路網(wǎng)中每一條道路，將關(guān)于該道路的多種交通數(shù)據(jù)、或者多種交通數(shù)據(jù)與至少ー個交通狀況影響因素歸類到多個預(yù)定模式，以及 在模型構(gòu)建步驟，利用在模式歸類步驟歸類的交通數(shù)據(jù)或者交通數(shù)據(jù)和交通狀況影響因素，針對多個預(yù)定模式，利用神經(jīng)網(wǎng)絡(luò)方法構(gòu)建多個對應(yīng)的神經(jīng)網(wǎng)絡(luò)模型。
12.根據(jù)權(quán)利要求11所述的交通狀況估計方法，其中，模型構(gòu)建步驟包括 模型初始化步驟，初始化神經(jīng)網(wǎng)絡(luò)模型；以及 模型訓(xùn)練步驟，采用訓(xùn)練數(shù)據(jù)和預(yù)設(shè)參數(shù)，對初始化的神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型，作為構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型。
13.根據(jù)權(quán)利要求12所述的交通狀況估計方法，其中，神經(jīng)網(wǎng)絡(luò)模型構(gòu)建步驟還包括 精度校驗步驟，使用校驗數(shù)據(jù)對訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型的精度進行校驗，如果精度達到預(yù)定閾值，則將該訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型作為構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型，如果精度未達到預(yù)定閾值，則在模型訓(xùn)練步驟中修改預(yù)設(shè)參數(shù)并進行重新訓(xùn)練，直到精度達到預(yù)定閾值為止。
14.根據(jù)權(quán)利要求10所述的交通狀況估計方法，在模式歸類步驟之前還包括 數(shù)據(jù)匹配步驟，從來自多種數(shù)據(jù)源的交通數(shù)據(jù)中獲得與所述一條或多條道路匹配的交通數(shù)據(jù)，作為模式歸類步驟中的交通數(shù)據(jù)。
15.根據(jù)權(quán)利要求10所述的交通狀況估計方法，在模式歸類步驟之前還包括 數(shù)據(jù)預(yù)處理步驟，對來自多種數(shù)據(jù)源的交通數(shù)據(jù)進行預(yù)處理，以去除異常數(shù)據(jù)，補充數(shù)據(jù)缺失，得到預(yù)處理后的交通數(shù)據(jù)，作為模式歸類步驟中的交通數(shù)據(jù)。
16.根據(jù)權(quán)利要求11所述的交通狀況估計方法，在預(yù)先構(gòu)建所述多個神經(jīng)網(wǎng)絡(luò)模型過程中，在模式歸類步驟之后、模型構(gòu)建步驟之前，還包括 歸類數(shù)據(jù)存儲步驟，與多個預(yù)定模式中每ー個模式相關(guān)聯(lián)地存儲歸類的交通數(shù)據(jù)或者歸類的交通數(shù)據(jù)和至少ー個交通狀況影響因素； 其中，在模型構(gòu)建步驟中，利用所存儲的歸類的交通數(shù)據(jù)或者歸類的交通數(shù)據(jù)和至少ー個交通狀況影響因素，來構(gòu)建神經(jīng)網(wǎng)絡(luò)模型。
17.根據(jù)權(quán)利要求10所述的交通狀況估計方法，其中，交通數(shù)據(jù)是通過各種交通檢測設(shè)備采集或者人工觀察到的指示道路交通狀況的數(shù)據(jù)，包括指示道路上行駛速度的交通數(shù)據(jù)，估計的交通狀況是對道路交通狀況的預(yù)測，包括道路上的行駛速度。
18.根據(jù)權(quán)利要求10所述的交通狀況估計方法，其中，所述多個預(yù)定模式中每一個模式對應(yīng)于多種交通數(shù)據(jù)的不同組合之一或者對應(yīng)于多種交通數(shù)據(jù)與所述至少一個交通狀況影響因素的不同組合之一， 所述多個預(yù)定模式是基于交通數(shù)據(jù)的數(shù)據(jù)源類型和/或交通數(shù)據(jù)的特點和/或交通狀況影響因素而設(shè)置的。
全文摘要
本發(fā)明公開了一種基于數(shù)據(jù)融合的交通狀況估計裝置及其方法，裝置包括模式歸類單元，將路網(wǎng)中一條或多條道路的交通數(shù)據(jù)歸類到多個預(yù)定模式之一；模型選擇單元，根據(jù)所歸類的模式，從多個神經(jīng)網(wǎng)絡(luò)模型中選擇對應(yīng)的神經(jīng)網(wǎng)絡(luò)模型；以及數(shù)據(jù)融合單元，將交通數(shù)據(jù)輸入選擇的神經(jīng)網(wǎng)絡(luò)模型，進行數(shù)據(jù)融合并估計所述一條或多條道路的交通狀況。本發(fā)明引入多模式歸類和多模式建模機制，針對每一條道路，為不同模式分別進行單獨建模，能夠提高單個模型精度，充分利用了交通數(shù)據(jù)的不同數(shù)據(jù)源類型、不同特點以及影響交通狀況的不同因素，得到更加符合實際的、更加準(zhǔn)確的融合結(jié)果和交通狀況估計。
文檔編號G06N3/02GK102646332SQ20111004276
公開日2012年8月22日 申請日期2011年2月21日 優(yōu)先權(quán)日2011年2月21日
發(fā)明者張偉力, 王少亞, 胡衛(wèi)松, 饒佳 申請人:日電(中國)有限公司