【正文】 合的 作用 – 通過各種交通傳感器和歷史數(shù)據(jù)庫等多種數(shù)據(jù)來源作為輸入，利用融合技術理論和方法，得到適合各個智能交通服務領域使用的交通信息。 第二節(jié) 交通信息融合處理技術 二、交通信息融合處理的方法 分成三類： – 直接對數(shù)據(jù)源操作：加權平均、神經(jīng)元網(wǎng)絡等 – 利用對象的 統(tǒng)計特性 和 概率模型 進行操作：卡爾曼濾波、貝葉斯估計、多貝葉斯估計、統(tǒng)計決策理論等 – 基于規(guī)則推理的方法：模糊推理、證據(jù)推理、產(chǎn)生式規(guī)則等 第二節(jié) 交通信息融合處理技術 基于卡爾曼濾波技術的交通信息融合方法 ? 用于實時融合動態(tài)的低層次冗余多源數(shù)據(jù)，該方法用測量模型的統(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。 ? 卡爾曼濾波則不需要全部過去的觀察數(shù)據(jù)，它只是根據(jù)前一個估計值和最近一個觀察數(shù)據(jù)來估計信號的當前值。它是用狀態(tài)方程和遞推方法進行估計的，而它的解是以估計值 (常常是狀態(tài)變量的估計值 )的形式給出的。 ? 基于空間相關性的交通流量濾波融合模型：針對不同檢測斷面檢測數(shù)據(jù)的融合。 ? 聯(lián)合濾波交通流量融合模型和集中濾波交通流量融合模型：對同一斷面多個同步檢測設備檢測數(shù)據(jù)融合。 第二節(jié) 交通信息融合處理技術 基于貝葉斯估計的交通信息融合方法 將多傳感器提供的各種不確定性信息表示為概率，并利用概率論中的Bayes條件概率公式對其進行處理。 第二節(jié) 交通信息融合處理技術 基于人工神經(jīng)網(wǎng)絡的交通信息融合方法 多傳感器信息融合技術就是通過對多個參數(shù)的監(jiān)測并采用一定的信息處理方法達到提高每一個參數(shù)測量精度的目的。 （ 1）基于神經(jīng)網(wǎng)絡的傳感器信息融合過程 第二節(jié) 交通信息融合處理技術 （ 2） 具體步驟 ? 用選定的 N個傳感器檢測系統(tǒng)狀態(tài)； ? 采集 N個傳感器的測量信號并進行預處理； ? 對預處理后的 N個傳感器信號進行特征選擇； ? 對特征信號進行歸一化處理 ， 為神經(jīng)網(wǎng)絡的輸入提供標準形式； ? 將歸一化的特征信息與已知的系統(tǒng)狀態(tài)信息作為訓練樣本 ， 送神經(jīng)網(wǎng)絡進行訓練 ， 直到滿足要求為止 。 該訓練好的網(wǎng)絡作為已知網(wǎng)絡 ， 只要將歸一化的多傳感器特征信息作為輸入送人該網(wǎng)絡 ， 則網(wǎng)絡輸出就是被測系統(tǒng)的狀態(tài) 。 第二節(jié) 交通信息融合處理技術 基于綜合統(tǒng)計分析的交通信息融合方法 – 加權平均法是一種簡單，直觀的融合多傳感器低層數(shù)據(jù)的方法，利用由一組傳感器提供的冗余信息進行加權平均計算，并將加權平均值作為信息融合值。 – 指數(shù)平滑法兼容了全期平均法和移動平均法所長，不舍棄過去的數(shù)據(jù)，但是僅給于逐漸減弱的影響程度，即隨著數(shù)據(jù)的遠離，賦予逐漸收斂為零的權數(shù)。 – 算術平均值的遞推估計融合法。 第二節(jié) 交通信息融合處理技術 三、 基于信息融合技術的智能駕駛系統(tǒng) 智能駕駛的相關概念 （ 1）智能汽車的概念 – 在網(wǎng)絡環(huán)境下用信息技術和智能控制技術，使汽車具有自動識別行駛道路、自動駕駛、自動調速等功能。 （ 2）自動車輛系統(tǒng)（ AVS）異類傳感器 – 包括視頻傳感器、激光掃描儀和雷達傳感器等 （ 3）安全駕駛系統(tǒng) – 包括碰撞報警系統(tǒng)（ CW）、偏向報警系統(tǒng)（ LDW）和智能巡游系統(tǒng)（ ICC）等 – 自動泊車系統(tǒng)（視頻） 第二節(jié) 交通信息融合處理技術 ICC、 CW和 LDW系統(tǒng)中存在的問題 依靠單一傳感器，容易產(chǎn)生誤報，降低了系統(tǒng)的穩(wěn)定性 第二節(jié) 交通信息融合處理技術 ICC、 CW和 LDW系統(tǒng)中存在的問題 依靠單一傳感器，容易產(chǎn)生誤報，降低了系統(tǒng)的穩(wěn)定性。 多傳感器信息融合系統(tǒng)的結構 ? 專家知識庫 – 信息融合除了需要融合算法外，還應有必要的領域知識進行有監(jiān)督（教師指導）的融合，這些領域知識就構成了專家知識庫。 對象和系統(tǒng)1n32融 合 1融 合 2融 合 m 融 合 數(shù) 據(jù) 庫傳 感 器 模 型 庫信 息 協(xié) 調 管 理信 息 融 合 方 法專 家 知 識 庫傳 感 器低 高融 合 層 次 第二節(jié) 交通信息融合處理技術 ? 傳感器模型庫 ? 存放所用的傳感器模型，定量地描述了傳感器的特性以及各種外界條件對傳感器特征的影響。 ? 信息協(xié)調管理 ? 多傳感器所表示的時間、空間和表達方式各不相同，必須將它們統(tǒng)一到一個共同的時空參考體系中，該模塊完成了時間因素、空間因素和工作因素的全面協(xié)調管理。 ? 信息融合方法 ? 對不同的任務和不同的對象采用不同的方法，或者綜合使用幾種方法。 第二節(jié) 交通信息融合處理技術 智能駕駛系統(tǒng)框架 智能駕駛系統(tǒng)框架 基于信息融合的智能駕駛系統(tǒng)模型 第三節(jié) 交通流和行程時間預測技術 一、交通流預測 ? 為什么要進行交通流預測？ 為動態(tài)路徑誘導提供實時、可靠、準確的預測信息。 ? 什么是短期交通流預測？預測的內容包括哪些？ 預測內容：交通量、速度、密度、旅行時間等。 ? 交通流預測模型的特性：實時性、準確性、可靠性。 ? 預測模型： 基于統(tǒng)計方法的模型、動態(tài)交通分配模型、交通仿真模型、非參數(shù)回歸模型、神經(jīng)網(wǎng)絡模型、基于混沌理論的模型、綜合模型。 第三節(jié) 交通流和行程時間預測技術 基于統(tǒng)計方法的模型 (Statisticbased Model) – 用數(shù)理統(tǒng)計的方法處理交通歷史數(shù)據(jù)，如交通流、交通速度、旅行時間等用于預測。