| 项目基本内容 |
一、主要研究内容
本项目利用目前主流交通信息采集技术获取的数据，对多源数据融合技术和交通实时路况识别方法进行研究。主要研究内容包括以下7个方面：
（1）多源数据优化预处理研究
分析了各类原始数据的质量，并提出数据预处理方法。针对固定检测器原始数据的特点，采用阈值法结合小波分析法进行异常数据检测，采用拉格朗日插值法进行异常数据修正；针对浮动车原始数据的特点，通过速度及方向异常信息的剔除、基于时间连续性的数据有效性检验、基于停车状态判别的数据有效性检验等一系列步骤来剔除异常和冗余信息；针对原始电子地图的特点，采用剔除较小支路干扰、路段合并与分解、构建道路交通网络等步骤来构建更为合理的路网拓扑结构。
（2）地图匹配算法研究
提出了浮动车数据的电子地图匹配方法。本项目首先对国内外主流的十几种浮动车地图匹配方法进行了深入分析，然后针对本项目中的路网特点和浮动车数据特点，利用基于权重的方法进行地图匹配，并重点研究各因素权值的确定方法、特殊路段的浮动车地图匹配方法等，该成果已申请发明专利。
（3）多源数据融合技术研究
提出了交通多源数据融合的技术路径。根据信息获取需求选择特征级的数据融合层次；然后对不同交通信息采集手段的特点进行分析，提出了一种适用于本项目的数据融合方法，选取多个时段的历史交通参数值和交通状态等级构建样本数据库，计算固定检测器平均速度调整参数、各时段的路段历史空间平均速度以及浮动车速度调整值，然后分别采用直接判断法、K近邻非参数回归法和数据状态关联分析法得到当前时段的路段空间平均速度，该成果已申请发明专利。
（4）交通状态识别方法研究
在研究交通状态概念以及常用的交通状态分级与评价指标的基础上，确定了本项目中交通状态分级标准以及所依据的评价指标。提出利用支持向量机构建交通状态识别模型，针对不同的数据获取情况，采用不同的输入参数。在路段交通状态识别的基础上，构建路网交通状态识别模型，确立路网综合交通指数、各状态路段里程比例和路段拥堵排名三项表征指标，从而使管理者可以对路况的长期变化趋势和重点拥堵路段有更科学的认识和管控。
（5）交通状态预测方法研究
在研究预测尺度的基础上，提出一种基于时空关联和BP_Adaboost的短时交通参数预测方法。通过分析交通参数的时空关联性，得到对预测值产生影响的因素；采用主成分分析法对影响因素进行预处理，选取主成分作为后续预测模型的输入；采用Adaboost算法对BP神经网络进行优化，改善传统BP神经网络的性能，以提高预测精度和稳定性。
（6）行程时间估计方法研究
基于实时性需求以及数据特点提出路径行程时间估计方法。考虑到路段和交叉口的交通模式差异较大，本项目基于浮动车数据、采用密度法对路段和交叉口进一步分解，进而计算得到行程时间。
（7）系统原型开发
基于ArcEngine开发了南京市交通运行监测系统原型。系统共分为三个模块，其中浮动车管理模块主要提供车辆查询定位和路径规划功能；交通状态识别模块主要用于展示实时交通状态和预测交通状态信息，并可以调阅实时视频图像信息；历史数据分析模块可进行路段交通指数分析和区域交通指数分析。
二、技术创新点
根据城市道路的交通特点，对固定检测器与浮动车的数据融合方法进行研究，采用支持向量机构建路况识别模型，并且基于时空关联分析进行路况预测，提高了路况预测的精度。本项目中开发的系统原型可同时实现浮动车管理、交通状态识别、交通状态预测和历史数据分析，具有创新性和先进性。
三、应用领域
应用范围：城市交通智能化管理与信息发布领域。
应用前景：中国机动车辆呈现指数增长，使得道路交通问题日益突出，准确掌握路况以实施科学的管理和服务，具有重要研究价值。随着道路上固定检测器的数量和覆盖范围逐渐加大、安装车载定位设备的浮动车数量增多，使得基于数据融合的路况识别技术成为可能，具有良好的推广前景。
总结：
（1）本项目在充分开展国内外调研的基础上，结合国内城市道路交通数据种类和特点，针对多源数据预处理、多源数据融合、地图匹配算法、交通状态识别和预测、行程时间估计等关键问题进行了深入研究，分别提出了多源数据噪声识别和剔除方法、基于权重的浮动车地图匹配方法、基于浮动车和固定检测器的空间平均速度融合方法、基于支持向量机的交通状态识别方法、基于时空关联和神经网络的短时交通状态预测方法以及综合路段和交叉口因素的行程时间估算方法。研究成果对实际应用具有较好的指导意义。
（2）项目实施期间，申请发明专利2项，获取软件著作权2项，发表科技论文8篇，同时开发了交通状态识别系统原型，获取了丰硕的科研成果。
该课题2016年8月通过江苏省交通运输厅组织的验收 |
