學(xué)校名稱

長(zhǎng)沙理工大學(xué)

學(xué)生姓名

學(xué)  號(hào)

專      業(yè)

性 別

入 學(xué) 年 份

楊紫晴

201430010206

交通運(yùn)輸

女

2014.09

曾穎輝

201411010205

交通工程

女

2014.09

唐海琴

201411010208

交通工程

女

2014.09

韓海瑞

201611010216

交通工程

男

2014.09

卞雨瑩

201411010203

交通工程

女

2014.09

指導(dǎo)教師

龍科軍

職稱

教授

項(xiàng)目所屬

一級(jí)學(xué)科

交通運(yùn)輸工程

項(xiàng)目科類(理科/文科)

理科

學(xué)生曾經(jīng)參與科研的情況

交運(yùn)1402楊紫晴，第一屆湖南省物流設(shè)計(jì)大賽省三等獎(jiǎng)，物流設(shè)計(jì)大賽校一等獎(jiǎng)，大學(xué)生科技立項(xiàng)校三等獎(jiǎng)，交通科技大賽校三等獎(jiǎng)，交通未來(lái)大賽校三等獎(jiǎng)，節(jié)能減排社會(huì)實(shí)踐與科技競(jìng)賽校三等獎(jiǎng)。

交工1402唐海琴，曾參與大學(xué)生創(chuàng)新實(shí)驗(yàn)、科技立項(xiàng)優(yōu)勝獎(jiǎng)、獲物流設(shè)計(jì)大賽校三等獎(jiǎng)。

交工1402韓海瑞，曾參與科技立項(xiàng)，獲第十一屆交科賽交科賽是全國(guó)二等獎(jiǎng)。

交工1402曾穎輝，全國(guó)大學(xué)生“互聯(lián)網(wǎng)+交通運(yùn)輸”創(chuàng)新創(chuàng)業(yè)大賽全國(guó)復(fù)賽二等獎(jiǎng)、“小谷圍”校級(jí)二等獎(jiǎng)、大學(xué)生科技立項(xiàng)校級(jí)三等獎(jiǎng)

交工1402班卞雨瑩，科技立項(xiàng)兩項(xiàng)（均參與中），獲經(jīng)管“我創(chuàng)意，我做主”科研競(jìng)賽優(yōu)勝獎(jiǎng)。

指導(dǎo)教師承擔(dān)科研課題情況

1. 國(guó)家自然科學(xué)基金項(xiàng)目“城市快速路瓶頸路段交通擁堵時(shí)空演化及實(shí)時(shí)估計(jì)方法”（2017-2020）

2. 江西省交通科技計(jì)劃項(xiàng)目“惡劣天氣條件下高速公路交通狀況監(jiān)測(cè)及預(yù)警研究”（2014-2016）

3. 湖南省交通科技計(jì)劃項(xiàng)目“城郊公路接入口布局與設(shè)計(jì)研究”（2016-2019）

項(xiàng)目研究和實(shí)驗(yàn)的目的、內(nèi)容和要解決的主要問(wèn)題

1. 項(xiàng)目研究目的：

如何利用先進(jìn)的交通管理系統(tǒng)ATMS、先進(jìn)的交通信息服務(wù)系統(tǒng)ATIS，改進(jìn)快速路交通運(yùn)行條件，提升通行效率，是當(dāng)前許多特大、大型城市面臨的重要課題。優(yōu)秀的ATMS和ATIS系統(tǒng)必須依賴于準(zhǔn)確、實(shí)時(shí)的交通狀態(tài)檢測(cè)、估計(jì)和預(yù)測(cè),因此，針對(duì)我國(guó)城市快速路典型的道路、交通流特征，充分利用現(xiàn)有的交通流檢測(cè)手段，運(yùn)用合理的數(shù)據(jù)挖掘處理技術(shù)，準(zhǔn)確快速估計(jì)、預(yù)測(cè)快速路的交通流狀態(tài)，對(duì)于改進(jìn)快速路交通運(yùn)營(yíng)管理十分重要。

本課題結(jié)合藍(lán)牙數(shù)據(jù)，GPS浮動(dòng)車數(shù)據(jù)，以及斷面固定式檢測(cè)數(shù)據(jù)（微波檢測(cè)儀），綜合交通流理論的基本原理和快速路交通運(yùn)行的實(shí)際特點(diǎn), 采用數(shù)據(jù)融合技術(shù)，深入研究城市快速路的交通態(tài)勢(shì)檢測(cè)和評(píng)估的多個(gè)關(guān)鍵理論與方法,最終實(shí)現(xiàn)對(duì)交通流狀態(tài)的估計(jì)、對(duì)交通發(fā)展趨勢(shì)的預(yù)測(cè)、以及對(duì)交通事故的檢測(cè)。

與單源數(shù)據(jù)相比,多傳感器數(shù)據(jù)進(jìn)行融合可得到統(tǒng)計(jì)上的優(yōu)勢(shì),使用多傳感器數(shù)據(jù)還可以提高精度。

(l)采用數(shù)據(jù)融合技術(shù)可以獲得更全面的交通流的特征信息

數(shù)據(jù)融合后，可以獲得任何單一交通流信息采集方法不能獲得的其它的交通流特征信息,增加了交通流特征信息、的維度。

(2)采用數(shù)據(jù)融合技術(shù)可以獲得更加精確的交通流信息

采用單一交通信息采集方法得來(lái)的數(shù)據(jù)質(zhì)量容易受到采集設(shè)備,天氣等客觀

因素的影響,而采用多種交通流信息采集方法可以在一定程度上克服客觀因素的

影響。

(3)采用數(shù)據(jù)融合技術(shù)可以獲得更加準(zhǔn)確的交通運(yùn)行狀態(tài)評(píng)價(jià)結(jié)果

融合技術(shù)使各單一的交通流信息采集方法相互之間取長(zhǎng)補(bǔ)短，因此融合后的數(shù)據(jù)比單一方法流采集的數(shù)據(jù)更準(zhǔn)確。

基于此，本課題的研究構(gòu)思如下：

（1）對(duì)現(xiàn)有相關(guān)研究成果的總結(jié)分析基礎(chǔ)上,分析其不足，總結(jié)經(jīng)驗(yàn)。

（2）采集數(shù)據(jù)，對(duì)數(shù)據(jù)源進(jìn)行客觀分析,包括各源數(shù)據(jù)采集方法及具體數(shù)據(jù)信息的介紹。

（3）對(duì)采集到的數(shù)據(jù)進(jìn)行融合，研究最實(shí)用的融合算法，

（4）對(duì)經(jīng)過(guò)融合處理的評(píng)價(jià)結(jié)果和未經(jīng)融合處理的評(píng)價(jià)結(jié)果以及由前端融

合和后端融合處理得到的兩個(gè)結(jié)果進(jìn)行比較分析,給出結(jié)論和建議。

（5）采用計(jì)算機(jī)編程對(duì)程序的設(shè)計(jì)進(jìn)行實(shí)現(xiàn)。

（5）通過(guò)得到的融合數(shù)據(jù)對(duì)交通事故進(jìn)行檢測(cè)。

2.研究?jī)?nèi)容：

利用卡爾曼濾波進(jìn)行多源數(shù)據(jù)融合，進(jìn)而估計(jì)城市快速路的交通狀態(tài)，同時(shí)對(duì)比基于多源數(shù)據(jù)融合和基于單一數(shù)據(jù)估計(jì)的結(jié)果精度。

2.1 基于LWR模型的快速路交通流的刻畫

將路段劃分為I個(gè)元胞(每個(gè)長(zhǎng)度為,記作i),時(shí)間劃分成H個(gè)時(shí)間步（每個(gè)時(shí)長(zhǎng)為，記作h)。為了滿足Courant-Friedrichs-Lewy（CFL）穩(wěn)定性條件，沒(méi)有車輛可以在一個(gè)時(shí)間步中行駛出一個(gè)元胞，即。

                     （1）

初始條件：

             （2）

邊界條件：

  （3）

—：t時(shí)刻，x處密度。

2.2 基于卡爾曼濾波算法的交通流狀態(tài)估計(jì)

卡爾曼濾波利用遞歸方法解決隨機(jī)線性離散系統(tǒng)的狀態(tài)或參數(shù)估計(jì)問(wèn)題。由狀態(tài)方程和觀測(cè)方程組成,并利用狀態(tài)方程的遞推性,按線性無(wú)偏最小均方誤差估計(jì)準(zhǔn)則，對(duì)狀態(tài)變量作最佳估計(jì)。

（1）狀態(tài)方程

如果只考慮整個(gè)路段處于自由流動(dòng)或擁擠狀態(tài)，狀態(tài)方程如下：

（4）

—是時(shí)間步h的元胞i的密度。

其中δ= w /，w是后向沖擊波速度。 方程（4）假設(shè)每個(gè)元胞長(zhǎng)度相等和同樣的基本圖，在路段中沒(méi)有車輛的駛?cè)腭偝觯礇](méi)有匝道）。

狀態(tài)方程矩陣形式如下：

（5）

向量是在時(shí)間步h的狀態(tài)向量，矩陣Ah和Bh是時(shí)變的，它們?cè)跁r(shí)間步h處取決于模式m。在自由流模式中m = 1，在擁塞模式中m = 2。wh表示狀態(tài)方程的誤差（由于錯(cuò)誤或遺漏的計(jì)數(shù)引起，例如車輛變道）。輸入uh是標(biāo)量，并且與在計(jì)算域的邊界處獲得的測(cè)量相關(guān)（用于分別計(jì)算自由流或擁塞模式下的第一或最后一個(gè)元胞的密度）。事實(shí)上，如果整個(gè)路段在自由流或擁擠模式下：

（6）

（7）

    其中、為邊界條件；是初始條件。

（2）觀測(cè)方程

觀測(cè)方程如下:

（8）

yh是觀測(cè)矢量，vh是測(cè)量誤差?？柭鼮V波還假設(shè)wh和vh是獨(dú)立的，且服從均值為的正態(tài)分布。Ch的大小取決于h時(shí)間步處的拉格朗日觀測(cè)值來(lái)自哪里，并且它僅包含0和1（假定可以從拉格朗日傳感器觀測(cè)到局部密度）。拉格朗日觀測(cè)來(lái)自不同的元胞，并且在連續(xù)時(shí)間步長(zhǎng)之間的觀測(cè)數(shù)量可能不同。因此，等式（8）中的觀測(cè)矢量y h將在不同的時(shí)間步長(zhǎng)具有不同的維度。后者意味著矩陣Ch也將在每個(gè)時(shí)間步長(zhǎng)具有不同的維度。

（3）遞歸方程

卡爾曼濾波遞歸方程如下：

（9）

（10）

（11）

（12）

（13）

：kh的先驗(yàn)狀態(tài)估計(jì)；

：kh的后驗(yàn)狀態(tài)估計(jì)；

：先驗(yàn)估計(jì)誤差協(xié)方差矩陣；

：后驗(yàn)估計(jì)誤差協(xié)方差矩陣。

假定已知初始條件和。 Q和R分別是過(guò)程協(xié)方差矩陣和測(cè)量誤差協(xié)方差矩陣。 Fh是時(shí)間步h的卡爾曼增益。矩陣Ch在每個(gè)時(shí)間步長(zhǎng)具有不同的維度，這意味著協(xié)方差矩陣R的維數(shù)可變。

在每個(gè)時(shí)間步開始時(shí)，交通狀態(tài)需要被識(shí)別（為了決定矩陣A和B）。一旦在時(shí)間步h + 1的開始已經(jīng)識(shí)別出模式，則使用公式（9）和（10）來(lái)分別獲得先驗(yàn)密度估計(jì)和協(xié)方差（使用從檢測(cè)器站提供的歐拉數(shù)據(jù)）。此時(shí)拉格朗日數(shù)據(jù)將提供給模型，即一些元胞在時(shí)間步h + 1處的觀測(cè)密度是已知的（在時(shí)間步h + 1的拉格朗日傳感器的數(shù)量和位置將決定觀測(cè)密度的數(shù)量和哪些元胞的密度被觀測(cè)）。利用該信息，可以構(gòu)造觀測(cè)矢量 和矩陣。然后，使用公式（11）計(jì)算卡爾曼濾波器增益。最后，利用式（12）和（13）分別得到后驗(yàn)密度估計(jì)和后驗(yàn)估計(jì)協(xié)方差矩陣。若在h+1沒(méi)有觀測(cè)數(shù)據(jù)，矩陣等于0，意味著卡爾曼增益也是0，因此后驗(yàn)密度估計(jì)等于先驗(yàn)密度估計(jì)。

3． 擬解決的主要問(wèn)題：

（1）交通流狀態(tài)數(shù)據(jù)的采集

（2）數(shù)據(jù)處理及融合方法

（3）基于卡爾曼濾波的快速路交通狀態(tài)估計(jì)

（4）基于交通流數(shù)據(jù)的交通事故發(fā)生預(yù)測(cè)

（5）設(shè)計(jì)程序的實(shí)現(xiàn)

國(guó)內(nèi)外研究現(xiàn)狀和發(fā)展動(dòng)態(tài)

信息的融合處理可以實(shí)行數(shù)據(jù)間的優(yōu)勢(shì)互補(bǔ)，多信息源往往比單信息源更有價(jià)值。近年來(lái)，數(shù)據(jù)融合技術(shù)在國(guó)內(nèi)外的交通領(lǐng)域也被廣泛研究及應(yīng)用。交通領(lǐng)域的研究現(xiàn)狀主要如下：

2001年，Choi和Chung采用數(shù)據(jù)融合方法利用GPS數(shù)據(jù)和線圈檢測(cè)器數(shù)據(jù)進(jìn)行行程時(shí)間的估計(jì)。該研究的主要內(nèi)容是進(jìn)行傳統(tǒng)數(shù)據(jù)融合方法算法的開發(fā)，通過(guò)開發(fā)的新方法估計(jì)擁堵路網(wǎng)中線路的行程時(shí)間。

 2002年，Klein和LA等將數(shù)據(jù)融合的D-S理論應(yīng)用于先進(jìn)的交通管理決策支持系統(tǒng)中，并用實(shí)際數(shù)據(jù)對(duì)其進(jìn)行了測(cè)試，提出了前端融合和后端融合的兩種融合方式，通過(guò)實(shí)例融合方案結(jié)果比較得出計(jì)算相對(duì)準(zhǔn)確的一種融合方式，開拓了數(shù)據(jù)融合在交通領(lǐng)域應(yīng)用的思路。

2004年，Lianyu Chu和Will Receker針對(duì)快速路和高速公路提出了利用自適應(yīng)卡爾曼濾波法。通過(guò)該方法進(jìn)行基于線圈數(shù)據(jù)和浮動(dòng)車數(shù)據(jù)的行程時(shí)間估計(jì)的在線融合算法。

2005年，研究人員溫慧敏針對(duì)常見的事件信息源固定檢測(cè)線圈、人工報(bào)告、浮動(dòng)車，提出了融合多源信息的事件檢測(cè)框架，采用二級(jí)融合的方法建立了多源數(shù)據(jù)融合模型和算法，并使用模擬數(shù)據(jù)進(jìn)行了檢驗(yàn)。

2005年，Bertini和Boice利用ITS數(shù)據(jù)融合來(lái)檢測(cè)不同速度限制下高速公路的流量動(dòng)態(tài)。重點(diǎn)在于解決高速公路南行方向發(fā)生在出入口匝道處的交通瓶頸。研究中使用累計(jì)車輛與平均速度轉(zhuǎn)換曲線來(lái)顯示交通流的重要特征以及解決瓶頸的必要性。

2006年，Zou和Zhu基于BP神經(jīng)網(wǎng)絡(luò)，利用動(dòng)態(tài)、靜態(tài)檢測(cè)器數(shù)據(jù)建立了行程時(shí)間估計(jì)的數(shù)據(jù)融合模型。研究結(jié)果顯示，通過(guò)該模型融合后的數(shù)據(jù)精度明顯高于單源檢測(cè)器數(shù)據(jù)。

2006年，于江波、陳后金利用交通控制系統(tǒng)的實(shí)測(cè)數(shù)據(jù)，應(yīng)用誤差反傳神經(jīng)網(wǎng)絡(luò)（預(yù)測(cè)交通流量，此模型具有實(shí)時(shí)預(yù)測(cè)功能，預(yù)測(cè)結(jié)果比較令人滿意。

2007年，Chris M.J Tamper等人建立了交通狀態(tài)評(píng)價(jià)與預(yù)測(cè)網(wǎng)絡(luò)模型。該研究將非線性的CTM轉(zhuǎn)化成線性的卡爾曼濾波法，對(duì)交通狀態(tài)、模型參數(shù)、邊界條件分別建立模型，使它們能在網(wǎng)絡(luò)環(huán)境下自動(dòng)估計(jì)交通條件和模型參數(shù)，獲得對(duì)交通條件和旅行時(shí)間的短期預(yù)測(cè)。通過(guò)對(duì)高速公路上交通事故的仿真進(jìn)行可行性研究，網(wǎng)絡(luò)模型可以獲得交通量的突減、擁堵的產(chǎn)生、旅行時(shí)間的增加等信息，但模型中所需的交通數(shù)據(jù)僅來(lái)自固定交通檢測(cè)設(shè)備。

2007年，楊兆升，馮金巧等人基于卡爾曼濾波理論，針對(duì)目前的多源交通信息采集系統(tǒng)，分別提出了2種斷面交通量融合模型。

2008年，針對(duì)單種檢測(cè)手段獲取的交通流數(shù)據(jù)評(píng)價(jià)道路交通運(yùn)行狀態(tài)存在較大誤差的情況，張旭以浮動(dòng)車數(shù)據(jù)、微波檢測(cè)器數(shù)據(jù)以及車牌識(shí)別數(shù)據(jù)三種不同檢測(cè)手段得到的異質(zhì)交通流數(shù)據(jù)作為研究對(duì)象，研究面向交通運(yùn)行狀態(tài)評(píng)價(jià)的數(shù)據(jù)融合技術(shù)，得到較好的效果。

2009年，翟雅嶠、翁劍成等人以多源交通檢測(cè)系統(tǒng)的交通流數(shù)據(jù)為基礎(chǔ)進(jìn)行數(shù)據(jù)融合，從而實(shí)現(xiàn)短時(shí)交通預(yù)測(cè)。該研究首先提出了一種基于卡爾曼濾波法的數(shù)據(jù)融合方法，并根據(jù)速度及占有率對(duì)交通數(shù)據(jù)進(jìn)行交通狀態(tài)劃分，然后利用卡爾曼濾波法對(duì)交通數(shù)據(jù)進(jìn)行融合，實(shí)現(xiàn)區(qū)間速度的預(yù)測(cè)。結(jié)果表明，該模型能夠有效地提高區(qū)間預(yù)測(cè)速度的準(zhǔn)確性。

2009年，楊兆升等人基于快速路上截面數(shù)據(jù)和車牌識(shí)別數(shù)據(jù)，提出了基于遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合算法，并通過(guò)vissim仿真數(shù)據(jù)驗(yàn)證了模型的精度。

2010年，武漢大學(xué)的曹晶對(duì)城市路網(wǎng)中浮動(dòng)車數(shù)據(jù)和線圈數(shù)據(jù)的融合進(jìn)行了探討。該研究在對(duì)浮動(dòng)車數(shù)據(jù)和線圈數(shù)據(jù)特征進(jìn)行分析的基礎(chǔ)上，對(duì)數(shù)據(jù)融合進(jìn)行兩種研究方法的探討，即通過(guò)仿真數(shù)據(jù)和現(xiàn)場(chǎng)采集數(shù)據(jù)分別作為融合數(shù)據(jù)源來(lái)驗(yàn)證模型。

2010年，田智韜針對(duì)浮動(dòng)車數(shù)據(jù)和固定檢測(cè)器數(shù)據(jù)給出了數(shù)據(jù)融合的整體框架，借助Paramics仿真軟件對(duì)路段平均速度進(jìn)行融合仿真，證明模型的有效性。

2010年，劉亮平基于多源交通檢測(cè)器獲得的微波檢測(cè)器數(shù)據(jù)、線圈檢測(cè)器數(shù)據(jù)、牌照識(shí)別檢測(cè)器數(shù)據(jù)及gps出租車數(shù)據(jù)，按照路段性質(zhì)、道路等級(jí)、高平峰建立了BP神經(jīng)網(wǎng)絡(luò)融合模型，并通過(guò)有效性判斷，得到預(yù)期的效果。

2011年，張赫、王煒等人基于多源交通信息融合技術(shù)在交通控制系統(tǒng)中的應(yīng)用，運(yùn)用神經(jīng)網(wǎng)絡(luò)技術(shù)構(gòu)造了一種數(shù)據(jù)融合方法，并結(jié)合線圈流量模擬數(shù)據(jù)對(duì)方法進(jìn)行了有效的驗(yàn)證。

2011年，胡小文等人引入自適應(yīng)式卡爾曼濾波，建立了基于固定檢測(cè)器數(shù)據(jù)和移動(dòng)檢測(cè)器數(shù)據(jù)的路段行程時(shí)間估計(jì)融合模型。實(shí)際數(shù)據(jù)驗(yàn)證結(jié)果表明該方法極大地改善了估計(jì)精度和可靠性。

2011年，王維敏針對(duì)傳統(tǒng)交通事件檢測(cè)方法的不足，提出了一種基于數(shù)據(jù)融合的交通事件檢測(cè)方法。該研究結(jié)合了直接檢測(cè)與間接檢測(cè)的優(yōu)勢(shì)，有效提高了交通事件自動(dòng)檢測(cè)的效率。

2009-2010年，臺(tái)灣交通大學(xué)的Lee等人，采用數(shù)據(jù)挖掘技術(shù)對(duì)實(shí)時(shí)數(shù)據(jù)和歷史數(shù)據(jù)的權(quán)重分配問(wèn)題進(jìn)行了研究，在此基礎(chǔ)上構(gòu)建了協(xié)作式的實(shí)時(shí)交通信息采集、融合及共享框架，使得駕駛員可以通過(guò)位置及事件探測(cè)裝置反饋交通事件信息，并且和實(shí)時(shí)及歷史交通信息數(shù)據(jù)進(jìn)行融合，實(shí)現(xiàn)對(duì)未來(lái)交通狀態(tài)的預(yù)測(cè)。

2011年，李莉基于手機(jī)采集數(shù)據(jù)和GPS浮動(dòng)車采集數(shù)據(jù)，利用D-S數(shù)據(jù)融合方法進(jìn)行數(shù)據(jù)融合，估計(jì)道路的交通狀態(tài)。經(jīng)實(shí)例驗(yàn)證表明：相對(duì)單一數(shù)據(jù)源該方法能提供時(shí)空覆蓋面更廣，精度更高的實(shí)時(shí)道路交通狀態(tài)信息。

2013年，Chris Bachmann , Matthew J. Roorda , Baher Abdulhai & Behzad Moshiri等人對(duì)藍(lán)牙數(shù)據(jù)與檢測(cè)線圈數(shù)據(jù)融合分析后進(jìn)行了探討，用其估計(jì)行程時(shí)間和交通速度。

2015年，Paul B.C. van Erp對(duì)浮動(dòng)車法與檢測(cè)線圈數(shù)據(jù)融合，使用擴(kuò)展卡爾曼濾波法，提出了一種能夠使用組合環(huán)路檢測(cè)數(shù)據(jù)（LDD）和浮動(dòng)車數(shù)據(jù)（FCD）的的高速公路交通狀態(tài)估計(jì)方法。

綜上所述，數(shù)據(jù)采集具有多源性，隨著藍(lán)牙、移動(dòng)數(shù)據(jù)、GPS等數(shù)據(jù)的發(fā)展采集來(lái)源范圍也在不斷增加，一方面國(guó)內(nèi)外專家之前的研究主要數(shù)據(jù)來(lái)源局限于一種或兩種檢測(cè)器，多源數(shù)據(jù)融合在某種程度上未能達(dá)到，另一方面研究多是基于某一普通路段或路網(wǎng)展開的，條件較為理想，而快速路等具有匝道出入的復(fù)雜路段有效性有待驗(yàn)證。

本項(xiàng)目學(xué)生有關(guān)的研究積累和已取得的成績(jī)

暫無(wú)成績(jī)

項(xiàng)目的創(chuàng)新點(diǎn)和特色

1、創(chuàng)新點(diǎn)：

（1）建立了一套基于城市快速路交通基本特性以及環(huán)形檢測(cè)線圈數(shù)據(jù)、浮動(dòng)車GPS數(shù)據(jù)、藍(lán)牙檢測(cè)數(shù)據(jù)三種數(shù)據(jù)的多元數(shù)據(jù)融合的檢測(cè)系統(tǒng)。

（2）建立了城市快速路交通擁堵和交通事件辨別系統(tǒng)，通過(guò)檢測(cè)器傳回的數(shù)據(jù)系統(tǒng)進(jìn)行融合后我們可以盡可能清楚準(zhǔn)確地知道交通擁堵或者交通事故的位置，可以用于提醒有關(guān)部門盡早做出交通疏導(dǎo)和救援工作。

2、特色：

（1）引入了改進(jìn)元胞傳輸模型、卡爾曼濾波算法，構(gòu)建拓展卡爾曼濾波交通狀態(tài)多步預(yù)測(cè)模型、基于改進(jìn)元胞模型的城市快速路交通狀態(tài)估計(jì)城市快速路實(shí)時(shí)估計(jì)模型，綜合利用兩種估計(jì)結(jié)果，從而形成較為完善的城市快速路狀態(tài)估計(jì)體系。

（2）基于多源數(shù)據(jù)融合的估計(jì)精度比單個(gè)高，能較準(zhǔn)確地掌握交通狀態(tài)。

項(xiàng)目的技術(shù)路線及預(yù)期成果

1.技術(shù)路線

從國(guó)內(nèi)快速路的實(shí)際道路條件和交通特性出發(fā)，運(yùn)用交通工程學(xué)、交通流理論、交通仿真技術(shù)和統(tǒng)計(jì)學(xué)等相關(guān)知識(shí)，綜合利用專用車輛檢測(cè)器、浮動(dòng)車GPS數(shù)據(jù)、藍(lán)牙技術(shù)等多種數(shù)據(jù)來(lái)源，對(duì)城市快速路交通狀態(tài)進(jìn)行實(shí)時(shí)估計(jì)，旨在為城市快速路交通系統(tǒng)控制與管理提供科學(xué)的依據(jù)。具體的技術(shù)路線流程圖如下所示：

2.預(yù)期成果

（1）對(duì)國(guó)內(nèi)城市快速路交通特性進(jìn)行采樣分析，總結(jié)國(guó)內(nèi)城市快速路的特點(diǎn)。以長(zhǎng)沙萬(wàn)家麗高架橋快速路為例，對(duì)其路段長(zhǎng)度、匝道、交通流時(shí)空分布特性進(jìn)行詳細(xì)的分析。根據(jù)其交通特性，在充分利用其固有交通檢測(cè)器的基礎(chǔ)上根據(jù)需要增加檢測(cè)設(shè)備，建立微波檢測(cè)線圈數(shù)據(jù)、浮動(dòng)車數(shù)據(jù)、藍(lán)牙檢測(cè)數(shù)據(jù)三種數(shù)據(jù)的檢測(cè)系統(tǒng)。

（2）基于城市快速路交通基本特性及微波檢測(cè)數(shù)據(jù)、浮動(dòng)車GPS檢測(cè)數(shù)據(jù)、藍(lán)牙檢測(cè)數(shù)據(jù)三源數(shù)據(jù)的收集及預(yù)處理系統(tǒng)的建立；多源數(shù)據(jù)融合模型的建立。

（3）引入改進(jìn)元胞傳輸模型、卡爾曼濾波算法，構(gòu)建拓展卡爾曼濾波交通狀態(tài)多步預(yù)測(cè)模型、基于改進(jìn)元胞模型的城市快速路交通狀態(tài)估計(jì)城市快速路實(shí)時(shí)估計(jì)模型，綜合利用兩種估計(jì)結(jié)果，從而形成較為完善的城市快速路狀態(tài)估計(jì)體系。

（4）建立城市快速路交通擁堵與交通事件判別系統(tǒng)，基于以上估計(jì)模型的估計(jì)數(shù)據(jù)，使得能夠?qū)Τ鞘锌焖俾方煌〒矶屡c交通事件進(jìn)行實(shí)時(shí)估計(jì)，以便相關(guān)部門采取及時(shí)的管理或解決措施。

（5）以長(zhǎng)沙市萬(wàn)家麗路高架橋?yàn)槔?，?duì)該整體的交通狀態(tài)估計(jì)體系的實(shí)用性和精度進(jìn)行檢測(cè)評(píng)價(jià)，并得出結(jié)論和改進(jìn)方案。

年度目標(biāo)和工作內(nèi)容（分年度寫）

2017年4月-2017年10月 ：

1、廣泛閱讀文獻(xiàn)閱讀、查閱資料，對(duì)有關(guān)現(xiàn)狀進(jìn)行研究

2、對(duì)數(shù)據(jù)融合方法研究

3、完成數(shù)據(jù)采集

4、數(shù)據(jù)處理及融合應(yīng)用

5、數(shù)據(jù)融合

2017年10月-2018年4月：

1、交通狀態(tài)檢測(cè)與估計(jì)

2、交通事故檢測(cè)應(yīng)用

3、軟件設(shè)計(jì)

指導(dǎo)教師意見

簽字：                   日期：