基于思维进化优化的多源交通数据融合算法

doi:10.13229/j.cnki.jdxbgxb20171075

摘要/Abstract

摘要：

针对交通数据多传感器融合算法精度不足、稳定性差等问题，提出一种基于思维进化算法(MEA)优化的BP神经网络(MEA?BP)融合算法。借助MEA所具有的“趋同”和“异化”操作，在介绍基本原理的基础上，设计了用于优化BP神经网络初始权值和阈值并定向搜寻最优BP神经网络融合模型的融合算法计算步骤。基于所选取的区间速度数据进行实证分析，结果表明：MEA?BP融合算法较BP神经网络算法具有更好的收敛性，在精度和稳定性方面分别提升了9.38%和31.44%；时间敏感性分析显示，MEA?BP融合算法也具有良好的可移植性。

关键词: 交通运输系统工程, 城市交通, 数据融合, 思维进化算法, BP神经网络, 实证分析

Abstract:

Considering the limitation of insufficient accuracy and poor stability of multi?sensor traffic data fusion algorithm, a mind evolutionary data fusion algorithm based on BP neural network is presented. Based on the introduction of the basic principle, the calculation steps of the proposed fusion algorithm for optimizing the initial weight and threshold of network are designed by using the “convergence” and “alienation” operations. This makes it possible to find out the best fusion model. The empirical analysis using the interval velocity indicates that the proposed fusion algorithm shows better convergence and has better accuracy and stability than the BP neural network algorithm, which are improved by 9.38% and 31.44% respectively. Time sensitivity analysis shows that the proposed fusion algorithm also has good transportability.

Key words: engineering of communications and transportation system, urban traffic, data fusion, mind evolutionary algorithm, BP neural network, validation analysis

中图分类号:

U491.1

陈磊,王江锋,谷远利,闫学东. 基于思维进化优化的多源交通数据融合算法[J]. 吉林大学学报(工学版), 2019, 49(3): 705-713.

Lei CHEN,Jiang⁃feng WANG,Yuan⁃li GU,Xue⁃dong YAN. Multi⁃source traffic data fusion algorithm based onmind evolutionary algorithm optimization[J]. Journal of Jilin University(Engineering and Technology Edition), 2019, 49(3): 705-713.

图/表 14

图1

图2

表1

图3

表2

图4

图5

表3

表4

图6

图7

表5

图8

表6

参考文献 14

1	MaX,TaoZ,WangY,et al. Long short⁃term memory neural network for traffic speed prediction using remote microwave sensor data[J]. Transportation Research Part C: Emerging Technologies,2015,54:187⁃197.
2	董春娇，邵春福，张辉，等. 基于G⁃P算法的快速路交通流参数相空间重构[J]. 吉林大学学报:工学版，2012，42(3):594⁃599.
	DongChun⁃jiao,ShaoChun⁃fu,ZhangHui,et al. Phase space reconstruction of traffic flow parameters on expressway based on G⁃P algorithm[J]. Journal of Jilin University(Engineering and Technology Edition),2012,42(3):594⁃599.
3	姜桂艳，张玮，常安德. 基于GPS 浮动车的交通信息采集系统的数据组织方法[J]. 吉林大学学报:工学版，2010，40(2):397⁃401.
	JiangGui⁃yan,ZhangWei,ChangAn⁃de. Data organization method for traffic information acquisition system based on GPS⁃equipped floating vehicle[J]. Journal of Jilin University(Engineering and Technology Edition),2010,40(2):397⁃401.
4	陈涛,刘荣昌,杨震. 交通事故再现中轮胎/路面附着系数估算方法[J]. 江苏大学学报:自然科学版,2015,36(4):386⁃391.
	Chen Tao Liu Rong⁃chang Yang Zhen. Estimate method of tire⁃road friction coefficient in accident reconstruction[J]. Journal of Jiangsu University(Natural Science Edition), 2015,36(4):386⁃391.
5	黄璇，郭立红，李姜，等. 改进粒子群优化BP神经网络的目标威胁估计[J]. 吉林大学学报:工学版，2017，47(3):996⁃1002.
	HuangXuan,GuoLi⁃hong,LiJiang,et al. Target threat assessment based on BP neural network optimized by modified particle swarm optimization[J]. Journal of Jilin University(Engineering and Technology Edition),2017,47(3):996⁃1002.
6	徐梅,陈淮莉. 交通拥堵情况下的多温共配车辆路径优化[J]. 江苏大学学报：自然科学版,2019,40(2):152⁃158.
	Xu Mei Chen Huai⁃li. Optimization of multi⁃temperature co⁃distribution vehicle path based on congestion situation[J]. Journal of Jiangsu University(Natural Science Edition), 2019,40(2):152⁃158.
7	赵建东，徐菲菲，张琨，等. 融合多源数据预测高速公路站间旅行时间[J]. 交通运输系统工程与信息，2016，16(1):52⁃57.
	ZhaoJian⁃dong,XuFei⁃fei,ZhangKun,et al. Highway travel time prediction based on multi⁃source data fusion[J]. Journal of Transportation Systems Engineering and Information Technology,2016,16(1):52⁃57.
8	ErM J,ChenW L,WuS Q. High⁃speed face recognition based on discrete cosine transform and RBF neural networks[J]. IEEE Transactions on Neural Networks,2005,16(3):679⁃691.
9	GaoJ L. Modeling of photovoltaic cell based on BP neural networks improved by MEA[J]. Applied Mechanics and Materials,2012,217⁃219:809⁃814.
10	LuG H,XieC P,ZhangY S,et al. Application of BP neural network models and mind evolutionary algorithm in predicting stock composite indexes on Shanghai stock exchange[C]∥Proceedings of the 5th International Conference on Computer Sciences and Automation Engineering, Changsha,China,2015:1⁃7.
11	NiuY G,YanG W,XieG,et al. Multi⁃sensor fusion using knowledge⁃based mind evolutionary algorithm[C]∥Proceedings of the 2008 International Conference on Convergence and Hybrid Information Technology,Busan,Korea,2008:897⁃902.
12	李晨,徐克辉,姜文刚. 基于灰色预测理论的电梯交通流组合预测[J]. 江苏大学学报：自然科学版,2019,33(1):57⁃65.
	LiChen, XuKei⁃hui, JiangWen⁃gang. Combined forecast of elevator traffic flow based on gray theory[J]. Journal of Jiangsu University(Natural Science Edition), 2019,33(1):57⁃65.
13	王海,李诚,蔡英凤,等. 基于DSP平台的实时视觉车辆检测方法[J]. 江苏大学学报：自然科学版,2019,40(1):1⁃7.
	WangHai,LiCheng,CaiYing⁃feng,et al. Real⁃time visual vehicle detection method based on DSP platform[J]. Journal of Jiangsu University(Natural Science Edition), 2019,40(1):1⁃7.
14	李军,王秋莉. KPCA⁃KELM在短期交通流量预测中的应用[J]. 江苏大学学报：自然科学版,2018,39(5):570⁃575.
	LiJun, WangQiu⁃li. Application of KPCA⁃KELM in short⁃term traffic flow prediction[J]. Journal of Jiangsu University(Natural Science Edition), 2018,39(5):570⁃575.

相关文章 15

[1]	白乔文,曲昭伟,陈永恒,熊帅,陶楚青. 非严格优先权下无左转专用相位直行车辆轨迹模型建立[J]. 吉林大学学报(工学版), 2019, 49(3): 673-679.
[2]	李志慧,钟涛,赵永华,胡永利,李海涛,赵景伟. 面向车辆自主驾驶的行人跟踪算法[J]. 吉林大学学报(工学版), 2019, 49(3): 680-687.
[3]	曹宁博,赵利英,曲昭伟,陈永恒,白乔文,邓晓磊. 考虑双向行人跟随行为的社会力模型[J]. 吉林大学学报(工学版), 2019, 49(3): 688-694.
[4]	罗小芹,王殿海,金盛. 面向混合交通的感应式交通信号控制方法[J]. 吉林大学学报(工学版), 2019, 49(3): 695-704.
[5]	凃强,程琳,林芬,孙超. 考虑出行者风险态度的最优路径搜索[J]. 吉林大学学报(工学版), 2019, 49(3): 720-726.
[6]	尹超英,邵春福,王晓全. 考虑停车可用性的建成环境对小汽车通勤出行的影响[J]. 吉林大学学报(工学版), 2019, 49(3): 714-719.
[7]	陈永恒,刘芳宏,曹宁博. 信控交叉口行人与提前右转机动车冲突影响因素[J]. 吉林大学学报(工学版), 2018, 48(6): 1669-1676.
[8]	常山,宋瑞,何世伟,黎浩东,殷玮川. 共享单车故障车辆回收模型[J]. 吉林大学学报(工学版), 2018, 48(6): 1677-1684.
[9]	曲大义,杨晶茹,邴其春,王五林,周警春. 基于干线车流排队特性的相位差优化模型[J]. 吉林大学学报(工学版), 2018, 48(6): 1685-1693.
[10]	刘兆惠, 王超, 吕文红, 管欣. 基于非线性动力学分析的车辆运行状态参数数据特征辨识[J]. 吉林大学学报(工学版), 2018, 48(5): 1405-1410.
[11]	宗芳, 齐厚成, 唐明, 吕建宇, 于萍. 基于GPS数据的日出行模式-出行目的识别[J]. 吉林大学学报(工学版), 2018, 48(5): 1374-1379.
[12]	刘翔宇, 杨庆芳, 隗海林. 基于随机游走算法的交通诱导小区划分方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1380-1386.
[13]	钟伟, 隽志才, 孙宝凤. 不完全网络的城乡公交一体化枢纽层级选址模型[J]. 吉林大学学报(工学版), 2018, 48(5): 1387-1397.
[14]	宗芳, 路峰瑞, 唐明, 吕建宇, 吴挺. 习惯和路况对小汽车出行路径选择的影响[J]. 吉林大学学报(工学版), 2018, 48(4): 1023-1028.
[15]	栾鑫, 邓卫, 程琳, 陈新元. 特大城市居民出行方式选择行为的混合Logit模型[J]. 吉林大学学报(工学版), 2018, 48(4): 1029-1036.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

检测器类型	主要数据
视频检测器	视频检测区间ID、区间位置、交通量、平均旅行时间、区间平均车速、天气
微波检测器	检测器ID、车道ID、流量、平均瞬时车速、时间占有率、车型分类
浮动车	浮动车区间ID、区间位置、浮动车区间平均车速、浮动车平均旅行时间、浮动车交通量

	ID	路段	长度/m
视频检测器	LD00701	西直门桥至阜成门桥	1900
微波检测器	HI7030a	阜城门桥北467 m至阜城门桥	298
	HI7064a	马尾沟路口至阜城门桥北467 m	291
	HI7053a	官圆桥至马尾沟路口	417
	HI2105a	西直门桥至官圆桥	904
浮动车	1914	?	339
	1913	?	32
	1595	?	145
	1919	?	689
	1586	?	310
	1481	?	445

要素	具体内容
输入	v_m,v_f
输出	v_p
个体总数量	100
优胜子种群个数	5
临时子种群个数	5
子种群个体数量	10
子种群内部迭代次数上限	20
MEA全局迭代次数上限	10

要素	具体内容
输入神经元	2个
输出神经元	1个
隐层个数	5个共一层
传递函数	输入层和隐层之间采用Sigmoid
传递函数	隐层和输出层之间采用Purelin
训练函数	Trainlm
收敛判别	迭代达到1000次或误差小于10^?4

算法	MRE	LSE
BP神经网络算法	0.1889	0.2287
MEA?BP融合算法	0.1128	0.1568
微波检测器数据	0.6212	0.2670
浮动车数据	0.2875	0.3245