面向城市道路交通状态估计的数据融合研究

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (7): 218-221.

面向城市道路交通状态估计的数据融合研究

徐涛1，2，3，杨晓光2，徐爱功1，张明月1

1.辽宁工程技术大学测绘与地理科学学院，辽宁阜新 123000
2.同济大学智能交通运输系统（ITS）研究中心，上海 200092
3.上海济祥智能交通科技有限公司，上海 200092

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-03-01 发布日期:2011-03-01

Urban road traffic state estimation based on data fusion

XU Tao1，2，3，YANG Xiaoguang2，XU Aigong1，ZHANG Mingyue1

1.School of Geomatics，Liaoning Technical University，Fuxin，Liaoning 123000，China
2.ITS Research Center，Tongji University，Shanghai 200092，China
3.Shanghai Jixiang Intelligent Transportation Technology Co.，Ltd.，Shanghai 200092，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-03-01 Published:2011-03-01

摘要/Abstract

摘要： 实时道路交通状态估计是ATMS和ATIS的重要内容。布设于城市道路网络中的各类检测器提供了丰富实时的动态信息。针对目前我国各检测器间相互独立形成信息孤岛、数据参数多样、结构迥异、采样周期和精度不一等现状，采用贝叶斯估计、模糊逻辑等数据融合方法建立多源异构交通信息三层次融合体系，得到精度更高、可靠性更强的交通信息。实例证明，数据融合适用于城市道路交通状态估计。

关键词: 智能交通系统, 交通状态估计, 数据融合, 贝叶斯估计, 模糊逻辑

Abstract: Real time traffic state estimation is an important content of ATMS and ATIS.Abundant traffic data are obtained from detectors located at urban road networks.Currently in China，data from multiple independent resources which form the phenomenon of information islands have various parameters，different structure and distinct interval time and accuracy.This study utilizes Bayesian and fuzzy logic establishes three-level-structure traffic data fusion system to get more accurate and reliable traffic information.The experimental results show that data fusion is applicable to traffic state estimation.

Key words: Intelligent Transportation System（ITS）, traffic state estimation, data fusion, Bayesian estimation, fuzzy logic

徐涛1，2，3，杨晓光2，徐爱功1，张明月1. 面向城市道路交通状态估计的数据融合研究[J]. 计算机工程与应用, 2011, 47(7): 218-221.

XU Tao1，2，3，YANG Xiaoguang2，XU Aigong1，ZHANG Mingyue1. Urban road traffic state estimation based on data fusion[J]. Computer Engineering and Applications, 2011, 47(7): 218-221.

[1]	李中道，刘元盛，常飞翔，张军，路铭. 室内环境下UWB与LiDAR融合定位算法研究[J]. 计算机工程与应用, 2021, 57(6): 260-266.
[2]	赵怡，高淑萍，何迪. 基于深度学习的眼动跟踪数据融合算法[J]. 计算机工程与应用, 2021, 57(10): 211-217.
[3]	袁顺杰，程辉，叶贞成，程培鑫. SOM-T2 FLS在股市预测中的应用研究[J]. 计算机工程与应用, 2020, 56(7): 130-136.
[4]	张红，程传祺，徐志刚，李建华. 基于深度学习的数据融合方法研究综述[J]. 计算机工程与应用, 2020, 56(24): 1-11.
[5]	李彤伟，王庆荣. 路网交通流在时空分析背景下的预测研究[J]. 计算机工程与应用, 2020, 56(17): 258-265.
[6]	王钰，郭兰英，程鑫. 结合深度学习的短时车流量预测优化方法[J]. 计算机工程与应用, 2020, 56(16): 211-217.
[7]	曹雯雯1，康彬2，颜俊1，丁琬1. 面向多源数据融合的稀疏表示目标跟踪[J]. 计算机工程与应用, 2019, 55(6): 1-7.
[8]	吴会会1，高淑萍1，彭弘铭2，赵怡1. 自适应模糊[C]均值聚类的数据融合算法[J]. 计算机工程与应用, 2019, 55(5): 26-35.
[9]	邵豪1，张莹1，2，王飞1，张东波1，2，薛亮1. 基于分段加权的反向稀疏跟踪算法研究[J]. 计算机工程与应用, 2019, 55(4): 159-162.
[10]	石乐义，刘佳，刘祎豪，朱红强，段鹏飞. 网络安全态势感知研究综述[J]. 计算机工程与应用, 2019, 55(24): 1-9.
[11]	王伦磊，吴洪博. IMTL-代数的零化算子和[⊕]理想及其相互关系[J]. 计算机工程与应用, 2017, 53(9): 57-62.
[12]	王泉德1，肖继来1，谢晟2. BOLD效应fMRI图像的自适应阈值小波去噪方法[J]. 计算机工程与应用, 2017, 53(8): 170-173.
[13]	贾宗璞，王冠琼，彭维平，郭海儒. 低耗能的支持完整性验证的隐私保护融合方案[J]. 计算机工程与应用, 2017, 53(5): 116-120.
[14]	段锁林，杨可，毛丹，任珏朋. 基于模糊证据理论算法在火灾检测中的应用[J]. 计算机工程与应用, 2017, 53(5): 231-235.
[15]	李庆，郑力新，潘书万，张裕坤，谢一首. 使用单目视觉的移动机器人导航方法[J]. 计算机工程与应用, 2017, 53(4): 223-227.