交通信息采集與處理技術(shù)概述(參考版)
2025-02-21 12:51本頁面
【正文】 多源多維實時動態(tài)交通信息融合技術(shù) 交通信息融合的主要方法 智能運輸系統(tǒng)概論 演講完畢，謝謝觀看！ 。 卡爾曼濾波用于 實時融合動態(tài) 的 低層次冗余多源數(shù)據(jù) ，用 測量模型 的 統(tǒng)計特性 遞推決定統(tǒng)計意義下的 最優(yōu)融合數(shù)據(jù)估計 。 常用來對目標(biāo)進行 定性分析 。 粗糙集理論 在 多源數(shù)據(jù)分析 中解決的基本問題包括發(fā)現(xiàn)屬性 間的 依賴關(guān)系 、 約簡冗余 屬性與對象 、 尋求 最小屬性子集 以及生成 決策規(guī)則 等等 。 基于 模糊邏輯理論 的 信息融合 方法可以將通常以 概率密度函數(shù) 或 模糊關(guān)系函數(shù) 形式給出的不同檢測器的 評價指標(biāo)變換為 單值評價指標(biāo) ， 該指標(biāo)不僅能反映 每一種檢測器 所提供的信息 ， 而且能反映從單個傳感器 無法得到 的知識 。 由于神經(jīng)網(wǎng)絡(luò)具有 大規(guī)模并行處理信息 的能力 ， 使得 系統(tǒng)信息處理速度 很快 。 多源多維實時動態(tài)交通信息融合技術(shù) 交通信息融合的主要方法 智能運輸系統(tǒng)概論 神經(jīng)網(wǎng)絡(luò) 具有 分布并行處理 、 非線性映射 、 自適應(yīng)學(xué)習(xí) 、 較強的魯棒性和容錯性 等特性 ， 在很多方面都有廣泛的應(yīng)用 。 在 貝葉斯方法 中 ， 所有缺乏信息的前提環(huán)境中的特征指定為一個等價的 先驗概率 。 重視總體信息和樣本信息的同時 ， 還注意 先驗信息 的 收集 、 挖掘 和 加工 ， 使其 數(shù)量化 ，形成 先驗分布 參加到 統(tǒng)計推斷 中來 ， 提高統(tǒng)計推斷的 質(zhì)量 。 經(jīng)典統(tǒng)計學(xué) 基于 總體信息 和 樣本信息 進行統(tǒng)計推斷 。 常用的 學(xué)習(xí)方法 包括 神經(jīng)網(wǎng)絡(luò) 、 映射學(xué)習(xí)方法 、 數(shù)據(jù)挖掘 等 。概率統(tǒng)計 方法可以在融合的 各個層次 上使用 。 人工智能方法 又分為 兩 種： 邏輯推理 方法和 學(xué)習(xí) 方法 。 下面簡要介紹幾種 信息融合 的方法 。 交通信息融合技術(shù)的應(yīng)用 多源多維實時動態(tài)交通信息融合技術(shù) 信息融合技術(shù)的三個層次均有自己不同的應(yīng)用 。 交通信息融合技術(shù)的應(yīng)用 多源多維實時動態(tài)交通信息融合技術(shù) 智能運輸系統(tǒng)概論 第二級 需要注意的是 ， 道路 交通狀態(tài) 是一個 模糊 的概念 ， 有必要對它進行 量化處理 ， 例如 模糊邏輯 允許交通狀況被定義成 “ 不擁擠 ” 、 “ 擁擠 ” 、 “ 小事故 ” 、 “ 大事故 ” ，對應(yīng)于 4個 數(shù)值區(qū)間 。 同一地點 、 同一時刻 多傳感器 交通參數(shù)融合問題： 人工神經(jīng)網(wǎng)絡(luò)方法 、 統(tǒng)計分析方法 交通信息融合技術(shù)的應(yīng)用 多源多維實時動態(tài)交通信息融合技術(shù) 智能運輸系統(tǒng)概論 第一級 不同地點 、 同一時刻 多傳感器 交通參數(shù)融合問題： 統(tǒng)計分析方法 交通參數(shù)間 的融合問題： 數(shù)理統(tǒng)計算法 第二級 又稱 特征級 ， 是指先對來自傳感器的 原始信息 進行 特征提取 ， 然后對 特征信息 進行 綜合分析 和 處理 。 智能運輸系統(tǒng)概論 根據(jù) 數(shù)據(jù)抽象 的 三 個層次 ， 信息融合技術(shù)在 ITS中的應(yīng)用可分為 三 級： 檢測級交通信息 的融合 、 特征級交通信息的融合和 決策級交通信息 的融合 。 信息融合技術(shù) 的最大 優(yōu)勢 在于它能 合理協(xié)調(diào) 多源數(shù)據(jù) ，并充分綜合 有用信息 ， 從而提高在 多變 環(huán)境中 正確決策 的能力 。 但因其需要利用各種單一算法的估計結(jié)果 ， 計算復(fù)雜且麻煩 ， 所以在精度要求不是很高的情況下 一般不采用 該方法 。 缺失數(shù)據(jù)處理 交通信息預(yù)處理技術(shù) 智能運輸系統(tǒng)概論 自相關(guān)分析 是以 自相關(guān)系數(shù) 測量時間序列中各元素之間 相關(guān)關(guān)系 的方法 ， 再根據(jù)此相關(guān)關(guān)系 填補 缺失數(shù)據(jù) 。 車道比值法 是根據(jù) 歷史統(tǒng)計 的車道之間的 流量比值 ，對缺失的數(shù)據(jù)進行 估計 ， 結(jié)合 歷史 統(tǒng)計規(guī)律和 當(dāng)前 流量數(shù)據(jù) ， 精度 比較高 。 異常交通數(shù)據(jù)處理 交通信息預(yù)處理技術(shù) 智能運輸系統(tǒng)概論 方法主要有 歷史均值法 、 車道比值法 、 時間序列法 、自相關(guān)分析方法 、 遺傳算法 等 。 但在做 統(tǒng)計學(xué)處理 時 ， 值的選取帶有一定的 主觀因素 ， 容易導(dǎo)致 誤判 ， 所以該方法 不是最佳 的 。 置信距離檢驗法 用來判斷來自于 同一斷面 的多傳感器信息是否可用于 融合 ， 排除 大誤差值 ， 以極大限度地提高融合后數(shù)據(jù)的 精度 。 智能運輸系統(tǒng)概論 方法主要有 閾值法 、 交通流機理法 、 置信距離檢測法 、格拉布斯統(tǒng)計法 、 有序樣本聚類算法 等 。 預(yù)處理 是交通 信息處理 必不可少的 前置工作 ， 主要包括 異常交通數(shù)據(jù) 處理和 缺失數(shù)據(jù) 處理 。 此外在實際的 數(shù)據(jù)采集 中
物理相關(guān)推薦
鄂ICP備17016276號-1