提升高速公路交通状况感知能力:一种基于张量补全的新型BAS优化的PSO-BP融合模型 尹家成(Jiacheng Yin) 郭晓飞(Xiaofei Guo) 白伟(Wei Bai) 马丽静(Lijing Ma) 唐莉(Li Tang)

《Analytica》:Enhancing Expressway Traffic State Perception: A Novel BAS-Optimized PSO-BP Fusion Model with Tensor Completion Jiacheng Yin, Xiaofei Guo, Wei Bai, Lijing Ma and Li Tang

【字体: 大 中 小 】 时间:2026年05月12日 来源:Analytica 3.6

编辑推荐:

  摘要:随着高速公路网络的不断扩展和交通需求的快速增长,传统的单源交通检测数据在时空覆盖范围和准确性方面存在局限性,难以支持智能高速公路的精细运营和管理。现有的数据预处理方法往往无法完全捕捉全局时空特征,而传统的PSO-BP神经网络容易陷入局部最优解。为了解决这些问题,本研究利用G

  摘要:随着高速公路网络的不断扩展和交通需求的快速增长,传统的单源交通检测数据在时空覆盖范围和准确性方面存在局限性,难以支持智能高速公路的精细运营和管理。现有的数据预处理方法往往无法完全捕捉全局时空特征,而传统的PSO-BP神经网络容易陷入局部最优解。为了解决这些问题,本研究利用G50沪渝高速公路江苏段的ETC-DSRC和RTMS微波数据进行了多源交通数据融合研究。采用HaLRTC张量补全算法修复缺失和异常数据,充分挖掘交通流量的时空关联特性。将甲虫触角搜索(BAS)机制引入粒子群优化(PSO)过程,以改善粒子搜索行为和种群多样性。在此基础上,构建了一种基于BAS优化的PSO-BP神经网络(以下简称BSO-BP),用于多源交通数据融合。在该模型中,改进的PSO算法用于优化反向传播(BP)神经网络的初始权重和阈值,从而提高融合模型的全局搜索能力和收敛稳定性。以平均车速作为融合目标,使用MAE、RMSE和MAPE进行准确性验证。结果表明,所提出的模型比单源数据方法以及BP、PSO-BP和GA-PSO-BP模型的准确性显著更高,能够更准确地反映道路段的真实交通状况。

1. 引言
交通运输是中国国民经济中的战略性、基础性和服务型行业。作为综合运输系统的核心组成部分,高速公路在提高效率、实现资源集约化配置和促进区域协调发展方面发挥着不可替代的作用。高速公路网络的持续扩展及其结构的日益复杂化已成为中国交通基础设施的关键特征[1]。随着这一扩展,交通需求迅速增长,导致某些路段出现拥堵、事故频发和服务水平下降。传统的数字管理方式已无法满足运营需求,因此向基于信息和智能的管理方式转变变得至关重要。《建设交通强国的纲要》也呼吁将人工智能、大数据等新兴技术深度整合到交通运输中[2],以构建先进、无处不在的基础设施。实现这一目标的前提是通过全面分析交通大数据,准确、实时地了解交通流状态[3]。
交通数据收集是智能高速公路管理的基础。目前,中国的高速公路采用了结合多种技术的多传感器系统。一方面,广泛使用传统的固定点检测器,如感应环和远程交通微波传感器(RTMS);这些设备提供高精度、高频率的横截面参数(流量、速度、占有率),但由于部署稀疏和设备故障或恶劣条件的影响,数据丢失问题较为严重。另一方面,全国范围内电子收费(ETC)的普及使得可以通过OBU–RSU交互收集DSRC数据,为获取基于间隔的交通状态提供了新的手段。ETC提供了连续、空间覆盖范围广的数据,但在特定横截面捕捉实时情况方面存在困难,且可能包含来自故障OBU的错误[4]。此外,GPS浮动车和手机信号等技术虽然提供了补充的空间覆盖,但由于信号遮挡和基站密度限制,单独使用这些技术仍不足以实现精细的交通控制[5]。鉴于任何单一数据源的局限性,融合多源数据以利用其互补性对于准确表示交通状态和支持智能管理至关重要。
多源交通数据融合已成为交通工程和智能交通研究的热点。在应用方面,融合技术被广泛用于交通参数估计、事件检测、状态预测和交通控制。在算法方面,现有研究主要包括基于经典统计学/概率的方法(如贝叶斯方法、卡尔曼滤波、D-S证据)和基于神经网络的方法。经典方法在理论上是成熟的,但通常依赖于限制性假设,在处理数据不确定性方面能力有限。神经网络凭借其强大的非线性拟合和学习能力成为主流;PSO-BP算法结合了粒子群优化(PSO)的全局搜索能力和反向传播(BP)的局部拟合能力,在交通数据融合中尤为常见。然而,现有研究仍存在一些局限性。在数据源方面,大多数研究集中在环路、微波检测器和GPS数据上,对ETC数据的使用相对不足[6,7,8,9]。鉴于ETC在中国主要高速公路上的全覆盖,将ETC-DSRC数据与常规检测器数据融合具有重要的实际价值。在算法优化方面,传统的PSO-BP存在种群多样性不足、易陷入局部最优解和收敛性差的问题;尽管一些研究采用了遗传算法进行改进,但这些问题尚未得到根本解决[10]。在数据预处理方面,异常检测和插补对融合准确性至关重要。大多数现有方法依赖于时间序列、空间插值或历史数据,这些方法仅使用局部信息,无法捕捉全局时空交通模式[11,12];因此,当数据在连续区间内缺失时,插补准确性往往不足。
为了解决这些不足,本研究开发了一个基于ETC-DSRC和RTMS微波数据的多源高速公路交通数据融合框架。该框架包括三个主要组成部分:数据补全、时空匹配和基于神经网络的融合[13,14]。首先,利用时空相关性,采用HaLRTC张量补全方法进行异常插补,整合时间和空间信息以提高准确性。其次,为了克服传统PSO-BP算法的局限性,我们提出了一种BSO-BP融合算法,该算法利用甲虫触角搜索(BAS)机制增强种群多样性和收敛性,从而提高融合准确性。最后,基于BSO-BP构建了一个多源交通数据融合模型,并使用G50沪渝高速公路的实证数据进行了验证。通过与单源估计和其他融合算法的结果比较,证明了所提方法的有效性和准确性。研究结果旨在推进多源高速公路交通数据融合方法的发展,提高交通参数估计的准确性和可靠性,并为智能高速公路运营、交通控制决策和公共服务提供强大的技术支持。

2. 多源交通数据采集与融合
2.1. 多类型交通检测技术
高速公路交通检测技术主要分为两类:单点横截面检测和区间轨迹检测。根据检测原理、数据特性和工程适用性,并综合考虑检测准确性、数据连续性和工程应用场景,选择了RTMS微波检测数据和ETC-DSRC检测数据作为融合数据源[15,16]。
2.2. 数据融合技术
上述两种采集技术生成了互补的异构数据源,具有不同的数据质量和时空覆盖范围[17]。如果仅使用一种检测器类型进行交通运营分析和研究,数据采集阶段收集的不完整或不准确的数据可能会影响估计或预测结果,从而对结果的准确性和可靠性产生怀疑。因此,融合来自多种类型交通检测技术的数据已成为实现精确交通参数估计或交通状态分析的关键步骤。
本文选择了一种基于神经网络的方法进行多源交通数据融合,并对其易陷入局部最优解的问题进行了改进[18,19]。融合模型的有效性通过三个经典指标进行定量评估:平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)。这三个指标从三个角度(绝对误差、对异常值的敏感性以及相对偏差的比例)全面客观地评估了融合结果的准确性和可靠性,从而为后续模型验证和比较分析建立了统一的标准评估标准。

3. 基于改进的PSO-BP神经网络算法的多源数据融合模型构建
3.1. BAS优化的PSO-BP神经网络算法
在本研究中,BSO-BP表示一种基于BAS优化的PSO-BP神经网络模型。需要注意的是,BSO并不被视为一种独立的优化算法。相反,BSO-BP描述了一种结合模型结构,其中甲虫触角搜索(BAS)机制被嵌入到粒子群优化(PSO)中,然后使用改进的PSO来优化反向传播(BP)神经网络。具体来说,BAS通过比较每个粒子左右搜索方向检测到的适应度信息,提供了一种基于触角的方向搜索机制。这种机制有助于改善粒子搜索行为,保持种群多样性,并减少过早收敛的可能性。随后使用BSO优化的PSO算法来确定BP神经网络的初始权重和阈值。因此,所提模型的逻辑关系为BSO → 改进的PSO → 优化的BP,最终的融合模型称为BSO-BP。
粒子群优化(PSO)算法简单、参数少且易于实现[20]。然而,从速度更新方程可以看出,粒子的运动方向受到惯性、认知和社会参数的共同影响,轨迹具有半随机性。在参数固定的情况下,选择合适的值对于优化至关重要。较大的惯性权重可以确保早期搜索的独立性,但会导致后期收敛缓慢。过大的认知和社会参数可能导致粒子因步长过大而跳过最优解。此外,所有粒子都趋向于最佳个体,使得运动趋于同质化,降低种群多样性,使算法容易陷入局部最优解[10,21]。因此,本研究将BSO机制纳入PSO中,以解决这些问题,并基于BSO-BP神经网络构建多源交通数据融合模型。
在BSO-BP模型中,每个粒子的位置和运动方向不仅由其自身速度以及全局和个体最优位置决定,还受到甲虫触角搜索机制感知的方向信息的影响。通过引入这种机制,粒子的搜索轨迹可以进一步多样化,从而提高优化过程的全局探索能力。优化后的粒子位置代表了BP神经网络的初始权重和阈值的候选集,适应度值根据神经网络的预测误差计算得出。通过迭代优化,BSO优化的PSO算法寻找BP神经网络的最优初始参数,之后对BP网络进行训练以实现多源交通数据融合。
与传统PSO-BP模型相比,所提出的BSO-BP模型的实质性区别在于粒子更新机制。在PSO-BP中,PSO直接用于优化BP神经网络的初始权重和阈值。粒子位置仅根据惯性项、个体最佳位置和全局最佳位置进行更新。虽然这种机制可以加速搜索过程,但粒子在迭代过程中倾向于向当前最优个体移动,可能会降低种群多样性并导致过早收敛。
相比之下,所提出的BSO-BP模型将BAS机制引入PSO更新过程。每个粒子在其运动方向上构建左右触角,为其分配甲虫触角搜索行为。通过比较两个触角检测到的适应度值来确定额外的搜索增量,然后将其纳入粒子位置更新中。因此,BSO-BP并不是简单地用BS替换PSO,而是利用BS作为PSO中的方向感知机制来增强粒子搜索过程。这种修改丰富了粒子的搜索轨迹,改善了候选解周围的局部探索,并有助于在迭代过程中保持种群多样性。因此,所提模型有望降低局部最优解的风险并提高PSO-BP的收敛稳定性。
具体算法步骤如下:
1. 确定神经网络结构后,计算种群维度。设I为输入层神经元数量,H为隐藏层神经元数量,O为输出层神经元数量。种群维度D的计算公式为:.2. 初始化相关参数,包括PSO和BAS迭代计算所需的参数、种群大小N以及最大迭代次数.3. 定义一个适应度函数(例如,样本数据的均方根误差、平均绝对误差或平均绝对百分比误差)来评估每个粒子.4. 引入BAS算法,为每个粒子配备甲虫触角搜索行为,并确定左右触角的坐标: (1) 其中:—粒子i的d维右触角坐标;—粒子i的d维左触角坐标.计算粒子甲虫触角搜索行为的增量: (2) 5. 更新粒子的速度和位置: (3) 与传统的PSO-BP模型相比,所提出的BSO-BP模型的关键区别在于位置更新方程中增加了基于BAS的搜索增量。这一项是通过比较每个粒子左右触角检测到的适应度值生成的,它为粒子的移动提供了额外的方向搜索信息。因此,BSO-BP在PSO中引入了基于触角的局部探索机制,有助于保持种群多样性并减少过早收敛.6. 重复迭代控制过程。检查是否达到目标精度或预设的最大迭代次数。如果没有,根据公式(3)和(4)更新惯性权重。使用递减公式确保在早期阶段有更大的搜索空间进行全局探索,在后期阶段进行精细的局部搜索. (4) 其中:—惯性权重的上限;—惯性权重的下限.7. 通过BSO优化的PSO过程获得的最佳粒子位置被用作BP神经网络的初始权重和阈值. 3.2. 基于BSO-BP神经网络算法的多源交通数据融合模型本文构建了一个基于BSO改进的PSO的BSO-BP神经网络融合模型,并将其应用于高速公路交通检测数据。相关模型设置如下。融合数据源包括微波检测器和ETC收费系统,通过融合这些数据源可以获得更准确的车段速度[22]。根据交通流理论,速度和流量是相关的;因此,输入数据包括来自两个检测器的速度和流量。真实的车段平均速度值被用作第三个数据源,以验证神经网络的训练准确性。多源交通数据的神经网络采用经典的三层结构,如图1所示。所提出的BSO-BP融合模型采用了一个由输入层、一个隐藏层和一个输出层组成的三层BP神经网络架构。输入层包含四个神经元,对应于从两个数据源提取的四个交通特征:RTMS流量、RTMS速度、ETC-DSRC流量和ETC-DSRC速度。这四个特征代表了横截面检测和基于间隔的轨迹检测的互补特性。隐藏层用于学习多源交通特征与目标路段速度之间的非线性映射关系。隐藏层神经元的数量根据公式(5)中的经验公式确定。输出层包含一个神经元,代表融合后的路段平均速度。在BP训练之前,网络的初始权重和阈值通过BSO优化的PSO算法进行优化。在这个过程中,每个粒子代表BP神经网络的一组候选权重和阈值。适应度值根据网络的预测误差计算得出。经过迭代优化后,使用最优粒子位置初始化BP神经网络,并使用匹配的多源交通数据进行进一步训练. (5) 其中: 图1. BSO-BP神经网络的结构。I—输入层神经元数量;H—隐藏层神经元数量;O—输出层神经元数量;a—调整系数,通常范围在1到10之间。所提出的多源交通数据融合框架的整体工作流程如图2所示。与原始BSO-BP模型图相比,修订后的框架明确包括了完整的数据处理和融合过程,包括多源数据采集、异常识别、基于HaLRTC的张量补全、时空匹配、特征构建、BSO-BP模型训练和融合输出. 图2. 基于BSO-BP神经网络算法的多源交通数据融合模型。需要注意的是,所提出的模型执行的是特征级多源交通数据融合,而不是基于嵌入的后期融合。ETC-DSRC和RTMS微波数据不是通过单独的模态特定嵌入网络进行编码的。相反,在数据补全、时间对齐和空间匹配之后,从两个来源提取的交通特征直接作为BSO-BP神经网络的输入变量。然后,BP网络的隐藏层学习这些异构特征之间的非线性关系。因此,本研究中的融合策略可以被视为通过神经网络实现的特征级融合,而不是独立学习的模态嵌入的后期融合。具体来说,首先收集并处理ETC-DSRC数据和RTMS微波数据以提取交通流量和速度信息。然后使用HaLRTC张量补全方法识别和修复原始检测数据中的缺失和异常值。数据修复后,进行时间对齐和空间匹配,以确保两个数据源对应于相同的道路段和时间间隔。匹配的特征,包括RTMS流量、RTMS速度、ETC-DSRC流量和ETC-DSRC速度,被标准化并用作BSO-BP神经网络的输入。在BSO-BP模型中,使用BSO优化的PSO算法来确定BP神经网络的初始权重和阈值。最后,训练好的BP神经网络输出融合后的路段平均速度. 4. 多源交通数据融合模型的实证研究 4.1. 研究路段和数据源描述本文使用高速公路交通检测数据对多源交通数据融合模型进行了实证研究,并通过具体指标评估了算法的性能。研究路段是G50上海-重庆高速公路(也称为上海-江苏-浙江高速公路)的江苏段,该路段从北部的卢义镇(上海-江苏边界)到南部的镇泽镇(江苏-浙江边界)全长49.947公里。仅考虑东西方向(上海到江苏)的三车道。由于旅行者对速度的感知比旅行时间更直接和敏感,因此使用融合算法来估计平均路段速度,以提供更准确的交通流量信息。数据源包括来自远程微波检测器的RTMS数据和来自主线ETC收费站的DSRC数据[23]。微波检测器以5分钟间隔记录诸如路段流量、时间平均速度、车头时距和占用率等参数。ETC系统以连续采样方式记录实时车辆通过数据(例如,时间、车牌号)。数据涵盖了2021年1月18日至22日的五个工作日,覆盖整个G50高速公路. 4.2. 融合数据处理 4.2.1. 时空匹配对于时间维度,微波检测器数据以5分钟间隔收集,而ETC-DSRC记录是连续的。因此,ETC-DSRC数据被聚合成5分钟的区间,以便时间戳与微波数据对齐。对于空间维度,两个数据源都包含位置信息。基于G50高速公路上的经度/纬度和里程标志,在GIS系统中进行空间匹配(图3)。研究路段包含6个微波检测器和11个ETC收费站,平均间距分别为8.6公里和4.4公里。按照第3节描述的方法,将道路划分为融合段,如表1所示。图3. G50上海-重庆高速公路上的检测器部署位置。红色圆圈表示微波检测器,蓝色标记代表ETC收费站。表1. 道路分割结果. 4.2.2. 数据预处理1. 异常数据识别对实际交通检测数据的分析表明,微波检测数据的质量问题主要是由缺失数据引起的。在本研究的时空范围内,观察到了三种典型的缺失数据类型,如图4所示。图4. 缺失数据的类型。 (1)随机缺失随机缺失指的是缺失数据点周围的数据相对完整的情况,缺失值表现为无关联的散点。图表显示了1月19日5:00至8:00之间K96 + 050路段的速度分布,数据来自微波检测器。缺失数据表现为不相关的点。 (2)连续缺失连续缺失指的是对于一个缺失的数据点,其相邻的数据也缺失,形成具有连续缺失点之间相关性的线性模式。这通常表现为长度不一的缺失值组。图表显示了1月22日17:00至20:00之间的速度分布,其中缺失数据表现出连续性。 (3)混合缺失混合缺失结合了前两种类型,点状和线状缺失数据交替出现。图表显示了1月20日2:00至5:00之间的速度分布,这是实际中最常见的数据缺失类型。2. 异常数据插补本文构建了一个多维张量模型,结合了横截面、日期和时间段维度来插补交通检测数据。选择了三个相邻横截面(K76 + 200、K96 + 050和K107 + 800)的数据,涵盖了2021年1月18日至22日的五个连续工作日。采样间隔为5分钟,每天产生288条数据记录。构建的张量模型如图5所示。图5. 张量模型构建示意图。使用基于张量补全的插补方法,应用HaLRTC算法修复了1月18日至22日原始检测数据中的异常数据,分别针对交通流量和速度[9]。插补结果如图6所示,其中灰线代表原始数据,蓝线代表插补数据。如图6所示,插补后的交通流量和速度与1月18日至22日一周内的原始数据趋势一致,证明了HaLRTC算法在交通数据插补方面的有效性。为了进一步评估插补性能,人工生成了三种缺失模式(随机、连续和混合),缺失率分别为10%、20%、30%和50%。使用平均绝对百分比误差(MAPE)评估了速度数据的插补精度,结果如表2所示。表2. 不同缺失模式下的插补误差。图7显示了不同缺失率下的插补性能比较。如图7所示,HaLRTC插补算法在随机、连续和混合缺失模式下都表现良好。当缺失率低于30%时,随机缺失的误差非常小。尽管混合和连续缺失的插补误差略高于随机缺失,但所有缺失模式下的最大误差分别为RMSE为5.93和MAPE为4.46%,符合本研究的数据插补精度要求。为了进一步比较HaLRTC与常用的插补方法,增加了三种基准方法,包括线性插值、K最近邻(KNN)插补和矩阵分解。线性插值使用相邻的时间观测值来估计缺失值,通常用于短期缺失数据。KNN插补根据样本之间的相似性填充缺失值。矩阵分解通过利用二维数据矩阵的低秩结构来重建缺失条目。为了公平比较,所有方法都采用了相同的缺失模式,即随机缺失、连续缺失和混合缺失。表3展示了三种方法在三种缺失模式下的平均插补误差。结果表明,HaLRTC在所有三种缺失模式下都取得了最低的RMSE和MAPE。在随机缺失条件下,由于大部分相邻时间观测值都是可用的,方法之间的性能差异相对较小。尽管如此,HaLRTC仍然获得了最佳的整体性能,RMSE为1.99,MAPE为1.42%。表3. 不同方法之间的插补性能比较。在连续缺失条件下,HaLRTC的优势更加明显。线性插值显示出最大的误差,因为连续的缺失值削弱了相邻时间信息的可靠性。KNN和矩阵分解在一定程度上提高了插补性能,但它们的误差仍然高于HaLRTC的误差。具体来说,HaLRTC将RMSE降低到了5.25,MAPE降低到了4.02%,这表明当局部时间信息不足时,张量补全方法能够更好地恢复缺失值。在混合缺失条件下,HaLRTC也取得了最佳性能,RMSE为5.26,MAPE为3.94%。这是因为HaLRTC使用横截面、日期和时间周期维度将交通数据构建为张量,从而共同捕获空间相关性、时间演变模式和日周期性。与主要依赖于相邻观测值、局部样本相似性或二维低秩结构的方法相比,HaLRTC更好地保留了交通数据的多维时空结构,并提供了更稳健的插补结果。

4.3 模型训练与评估
4.3.1 参数设置
在本节中,使用预处理后的交通检测数据来验证基于BSO-BP神经网络算法的多源交通数据融合模型。在模型训练中,隐藏层的传递函数是tansig函数,输出层使用purelin函数,训练函数是trainlm。二次成本函数是均方误差(MSE)。BSO-BP模型的相关参数设置如表4所示:
表4. BSO-BP神经网络的参数设置。
为了消除维度的影响,在训练之前对输入数据进行了标准化,如下所示:
(6)
其中:
—样本中的最小值;
—样本中的最大值。

4.3.2 模型融合结果
根据上述确定的参数设置,使用研究路段的预处理检测数据来估计高速公路的平均路段速度。将融合结果与单源检测数据估计的结果进行比较,以证明模型的有效性。使用1月18日至1月21日的数据进行训练,而1月22日的速度数据作为测试集。图8展示了每个融合段的单源估计和多源融合技术得到的路段速度与真实值的比较。在热图中,颜色强度反映了速度变化——颜色越深表示该时间段内相应路段的交通速度越低。颜色的动态变化可以再现路段的交通状态。可以定性观察到,从融合估计得到的交通参数与真实值相比更为接近,从而更好地反映了实际交通状况[7,24]。
图8. 单源检测技术、多源数据融合技术和真实速度值的比较。
(a) RTMS单源估计速度值。
(b) DSRC单源估计速度值。
(c) 融合估计速度值。
(d) 真实速度值。
以Link 11为例,图9展示了多源交通数据融合的性能。在非高峰时段,三种方法的估计结果相似。然而,在高峰时段,由于交通量高且速度低,RTMS微波数据估计的区间速度低于真实值,而ETC-DSRC数据估计的速度则更高。这是因为基于RTMS的方法是从横截面点速度推断区间速度的,可能会将局部速度降低的情况放大到整个路段。基于DSRC的方法使用两个横截面之间的时间差来计算区间速度;当ETC-DSRC龙门架间距较远时,过度平均可能会掩盖局部交通状况。相比之下,多源数据融合结合了两种数据源,细化了空间粒度,并显著提高了路段级交通流参数估计的准确性。
图9. Link 11的融合结果比较。
为了定量评估多源融合模型的性能,引入了包括平均绝对误差(MAE)和均方根误差(RMSE)在内的误差指标。表5和表6总结了单源估计和多源融合估计的具体指标值。可以观察到,对于所有路段,多源融合模型显著提高了交通参数的估计准确性。
表5. 单源估计与多源估计之间的RMSE比较。
表6. 单源估计与多源估计之间的MAE比较。

4.3.3 融合模型评估
图10展示了改进后的神经网络模型的训练性能。经过五次训练迭代后,均方误差稳定下来,达到了0.010135的最佳验证性能。在训练过程中,数据被分为训练集、验证集和测试集。神经网络对每个子集的拟合性能如图11所示。完美拟合会使拟合线与对角线对齐,R值为1。该神经网络的R值均高于0.90,表明训练性能良好。
图10. 神经网络训练性能示意图。
图11. 神经网络拟合性能示意图。
除了提出的BSO-BP神经网络融合模型外,还在相同的训练和测试条件下使用了三种基准模型,即BP、PSO-BP和GA-PSO-BP进行比较评估。这种比较的目的不仅是为了验证所提模型的整体有效性,还要检验基于BAS的改进是否比传统的PSO-BP模型具有实质性优势。图12和图13分别展示了四种模型在不同路段上的MAE和RMSE结果。
图12. 不同模型的MAE结果比较。
图13. 不同模型的RMSE结果比较。
如图12和图13所示,所提出的BSO-BP模型在所有路段上的MAE和RMSE值均低于BP、PSO-BP和GA-PSO-BP。具体来说,BSO-BP模型的平均MAE和RMSE分别为1.6092和2.0478,低于基准模型。与传统的PSO-BP模型相比,这种改进归因于引入了基于BAS的方向搜索机制。在PSO-BP中,粒子更新过程主要依赖于惯性项、个体最佳位置和全局最佳位置,这可能导致粒子趋向于相似的轨迹并降低种群多样性。相比之下,BSO-BP在粒子位置更新中引入了基于天线的搜索增量,使粒子能够从方向适应性信息中探索候选解。这种机制有助于减少过早收敛的概率,并改进BP神经网络的初始权重和阈值的优化。
上述MAE和RMSE结果反映了不同路段的整体估计准确性。由于交通状况在24小时内变化显著,尤其是在非高峰时段和高峰时段之间,因此还需要分析个别估计误差的分布。图14展示了不同模型的MAPE箱线图。与BP、PSO-BP和GA-PSO-BP相比,BSO-BP模型表现出更低且更集中的MAE值,表明所提模型不仅提高了平均估计准确性,还在不同交通条件下提供了更稳定的融合结果。因此,实验结果表明,基于BAS的改进在多源高速公路交通数据融合方面比传统的PSO-BP模型具有显著优势。
图14. 不同融合模型的MAPE箱线图。

5. 结论与讨论
基于从G50上海-重庆高速公路江苏段收集的ETC-DSRC收费数据和微波检测数据,本文系统地研究了多源交通数据提取、预处理和融合建模。构建了一个用于交通流参数估计的多源数据融合框架,并通过实证验证和比较分析得出了核心结论。首先,为了解决ETC-DSRC和微波检测数据在时空粒度、数据类型和语义上的异质性,设计了一个有针对性的提取过程和时空匹配方法以实现时空对齐。这验证了多源交通数据融合的可行性和必要性,并为后续的插补和融合建模提供了可靠的基础数据支持。其次,利用交通流数据的时空相关性,采用了HaLRTC张量补全算法进行缺失数据插补。该方法同时捕获了全局时空特征,在连续缺失值的场景下实现了更高的准确性,优于传统的基于时间序列或历史数据的插补方法,并为融合模型提供了高质量的输入。最后,提出了一个通过甲虫天线搜索算法优化的BSO-BP神经网络融合模型。通过丰富种群多样性和动态调整粒子速度,改进了传统PSO-BP算法的收敛性能。实证结果表明,所提出的模型在交通流参数估计方面优于单源方法和其他融合模型,充分验证了多源数据融合在高速公路交通状态感知中的优势。
本研究的主要创新有二点:
(1) 将HaLRTC张量补全算法应用于交通检测数据预处理,克服了传统方法仅依赖局部数据的局限性,并在连续缺失数据的情况下提高了插补准确性。
(2) 提出了BSO-BP神经网络融合模型,增强了传统PSO-BP算法的种群多样性和收敛能力,为高速公路的多源交通数据融合提供了一种新的技术方法。尽管实证结果证明了所提框架的有效性,但应强调的是,当前研究仅基于G50上海-重庆高速公路的江苏段进行了初步验证。所选走廊包含ETC-DSRC和RTMS微波检测数据,适合验证所提出的基于HaLRTC的数据补全方法和基于BSO-BP的多源融合模型的可行性。然而,验证范围仍限于特定的高速公路走廊,模型在不同道路几何形状、检测器布局、交通需求模式和拥堵条件下的鲁棒性和泛化能力需要进一步研究。未来的工作将集中在扩展验证到更多路段和不同的高速公路走廊。还将纳入具有不同检测器部署密度、交通组成和交通状态的额外路段,以进一步评估所提模型的可转移性和稳定性。此外,还将考虑额外的数据源,如视频检测、浮动车数据、天气信息和交通事件记录,以丰富多源融合框架并提高智能高速公路管理的实时交通状态感知能力。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号