【技术实现步骤摘要】
本专利技术涉及交通数据融合方法领域，具体是一种基于优化的bp神经网络的多源交通数据融合方法。
技术介绍
1、获取准确的交通数据是实现制定管控策略和预测交通态势的基础，传统交通数据融合方法主要通过多个传感器实现，可以检测的数据和交通状态具有一定的局限性且精度提高困难。逐渐兴起的车路协同技术为这一问题的解决带来契机，其通过设计多源交通数据融合系统，通过激光雷达、高清摄像机及v2x通信单元获取车路网联信息，实现多维度复杂交通检测数据集，解决单一数据精度不高的问题及数据的多源异质性。
2、利用多种交通设备采集到的信息，通过计算机技术、数学处理等算法进行数据的分析处理，包括联系、估计等，可获得对目标对象的一致性描述，最终得到可靠的信息。而多数据源的交通数据需要进行融合，现有技术对多数据源交通数据的融合方法通过多个传感器实现，可以检测的数据和交通状态具有一定的局限性且精度提高困难。逐渐兴起的车路协同技术为这一问题的解决带来契机，设计多源交通数据融合系统，通过路侧采集单元和v2x通信单元获取车路网联信息，实现多维度复杂交通检测数据集，很好的解决了单一数据精度不高的问题及数据的多源异质性。
技术实现思路
1、本专利技术提供了一种基于优化的bp神经网络的多源交通数据融合方法，以解决现有技术存在的检测数据和交通状态具有一定的局限性且精度提高困难的问题。
2、为了达到上述目的，本专利技术所采用的技术方案为：
3、基于优化的bp神经网络的多源交通数据融合方法，包括以下步
4、步骤1、获取路侧采集单元及v2x通信单元的交通数据，提取计算交通流量及平均行程车速，交通流量与平均行程车速用于后续数据融合，以获得多维度交通场景数据集；
5、步骤2、对多数据源的交通数据进行质量诊断，以剔除异常数据；
6、步骤3、对步骤2剔除异常数据后的多数据源的交通数据进行时空相干性诊断，并修复其中不符合时空相关性要求的异常数据；
7、步骤4、生成bp神经网络，设置输入层神经元数量，判断融合目的设置输出层的神经元数量，调整隐含层神经元个数的方式提高网络精度；
8、步骤5、利用改进的粒子群算法优化bp神经网络的初始阈值和权值，缓解bp神经网络全局搜索能力一般、易陷入局部最优的问题，再将步骤3得到的多数据源的交通流量和行程车速输入至优化后的bp神经网络，得到交通流量融合的结果和行程车速的融合结果，完成数据融合。
9、进一步的，步骤2中通过设立交通数据阈值范围，来判断获取的多数据源的交通数据是否异常，当获取的某一数据源的交通数据在对应的阈值范围内则认为非异常，当获取的某一数据源的交通数据不在对应的阈值范围内则认为异常。
10、进一步的，步骤3中，通过建立时空回归模型来诊断交通数据是否符合时空相关性要求。
11、进一步的，步骤3中，采用数据平滑的方式修复异常数据。
12、进一步的，步骤5中改进的粒子群算法中，计算粒子群d维空间向量中各个粒子的适应度值，依据适应度值的大小将所有粒子从大到小排列，然后基于平均划分原则将所有粒子分为三组子群体，其中一个子群体中粒子采用遗传算法的复制处理，另一个子群体中粒子采用遗传算法的交叉处理，第三个子群体中粒子采用遗传算法的变异处理，由此得到新粒子；对比新粒子的适应度值与原来的总群体的适应度值，若新粒子的适应度值小于亲本，则用新粒子取代原来亲本并更新个体极值，使用新粒子进行下一次迭代，否则粒子不变；此外，将更新粒子后的粒子的个体极值与种群的历史全局极值进行比较，若更新粒子后的粒子的个体极值优于全局极值则将其值赋予全局极值，将当前新粒子的位置分配给全局最优位置。
13、与现有技术相比，本专利技术优点为：
14、本专利技术提供了一种基于改进粒子群算法优化的bp神经网络的多源交通数据融合方法，用以解决现有的通过多个传感器进行数据融合方法检测的数据和交通状态精度提高困难的问题。利用v2x通信单元获取车路网联信息，实现多维度复杂交通检测数据集，很好的解决了通过多个传感器进行数据融合时数据多源异质性及精度提高困难的问题。基于改进粒子群优化的bp神经网络实现多源交通数据融合，即实现通过激光雷达、高清摄像机及v2x通信单元获取的车路网联信息中相关数据的融合。本专利技术的优点为实现多维度的交通检测数据集，保证多源数据结构的一致性，提高融合精度，获得交通状态的准确表达。
本文档来自技高网...【技术保护点】
1.基于优化的BP神经网络的多源交通数据融合方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于优化的BP神经网络的多源交通数据融合方法，其特征在于，步骤2中通过设立交通数据阈值范围，来判断获取的多数据源的交通数据是否异常，当获取的某一数据源的交通数据在对应的阈值范围内则认为非异常，当获取的某一数据源的交通数据不在对应的阈值范围内则认为异常。
3.根据权利要求1所述的基于优化的BP神经网络的多源交通数据融合方法，其特征在于，步骤3中，通过建立时空回归模型来诊断交通数据是否符合时空相关性要求。
4.根据权利要求1所述的基于优化的BP神经网络的多源交通数据融合方法，其特征在于，步骤3中，采用数据平滑的方式修复异常数据。
5.根据权利要求1所述的基于优化的BP神经网络的多源交通数据融合方法，其特征在于，步骤4中改进的粒子群算法中，计算粒子群D维空间向量中各个粒子的适应度值，依据适应度值的大小将所有粒子从大到小排列，然后基于平均划分原则将所有粒子分为三组子群体，其中一个子群体中粒子采用遗传算法的复制处理，另一个子群体中粒子采用遗传
...【技术特征摘要】
1.基于优化的bp神经网络的多源交通数据融合方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于优化的bp神经网络的多源交通数据融合方法，其特征在于，步骤2中通过设立交通数据阈值范围，来判断获取的多数据源的交通数据是否异常，当获取的某一数据源的交通数据在对应的阈值范围内则认为非异常，当获取的某一数据源的交通数据不在对应的阈值范围内则认为异常。
3.根据权利要求1所述的基于优化的bp神经网络的多源交通数据融合方法，其特征在于，步骤3中，通过建立时空回归模型来诊断交通数据是否符合时空相关性要求。
4.根据权利要求1所述的基于优化的bp神经网络的多源交通数据融合方法，其特征在于，步骤3中，采用数据平滑的方式修复异常数据。
5.根据权...
【专利技术属性】
技术研发人员：任毅龙，赵艺萱，于海洋，王梓赫，
申请(专利权)人：北京航空航天大学合肥创新研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。