数据融合方法优缺点

1、数据融合方法随着交通运行状态评价研究的不断发展，对数据的准确性和广泛 覆盖性提出了更高的要求，在此基础上，不同的数据融合模型被引进 应用于交通领域中来计算不同检测设备检测到的数据。现阶段，比较常用的数据融合方法主要有：表决法、模糊衰退、贝叶斯汇集技术、 BP神经网络、卡尔曼滤波法、D. S理论等方法。1现有方法应用范围结合数据融合层次的划分，对数据融合方法在智能交通领域的应 用作以下归纳总结：表 数据融合层次及对应的方法融合层次方法数据层最小二乘法、最大似然估计、卡尔曼滤波、神经网络特征层基于参数分类统计法经典推理、贝叶斯 推理、D-S证据推 理信息论技术神经网络、聚类分 析法、逻辑模板法基于

2、认知模型表决法、模糊集合论、模糊数学法决策层表决法、贝叶斯推理、D-S证据推理、神经网络、模糊逻辑2各种融合方法的优缺点主要指各种融合方法的理论、应用原理等的不同，呈现出不同的 特性。从理论成熟度、运算量、通用性和应用难度四个方面进行优缺 点的比较分析，具体内容如下：(1) 理论成熟度方面：卡尔曼滤波、贝叶斯方法、神经网络和模糊逻 辑的理论已经基本趋于成熟；DS证据推理在合成规则的合理性方 面还存有异议；表决法的理论还处于逐步完善阶段。(2) 运算量方面：运算量较大的有贝叶斯方法、 DS 证据推理和神经 网络，其中贝叶斯方法会因保证系统的相关性和一致性， 在系统增加 或删除一个规则时，需要重新

3、计算所有概率，运算量大； DS 证据 推理的运算量呈指数增长， 神经网络的运算量随着输入维数和隐层神 经元个数的增加而增长； 运算量适中的有卡尔曼滤波、 模糊逻辑和表 决法。(3) 通用性方面：在这六种方法中，通用性较差的是表决法，因为表 决法为了迁就原来产生的框架， 会割舍具体领域的知识， 造成其通用 性较差；其他五种方法的通用性相对较强。(4) 应用难度方面：应用难度较高的有神经网络、 模糊逻辑和表决法， 因为它们均是模拟人的思维过程，需要较强的理论基础； DS 证据 推理的应用难度适中， 因其合成规则的难易而定： 卡尔曼滤波和贝叶 斯方法应用难度较低。3 适用的交通管理事件 之前数据融合

4、技术在交通领域中的应用多是在例如车辆定位、 交 通事件识别、 交通事件预测等交通事件中， 但是几乎没有数据融合技 术在交通运行状态评价的应用研究， 而本文将数据融合技术应用在交 通运行状态评价中， 为了寻找到最适用于交通运行状态评价的数据融 合技术方法，有必要将之前适用于其它交通管理事件的数据融合技术 进行评价比较。表 2 各种融合方法适用的交通管理事件的比较方法适用的交通管理策略卡尔曼滤波车辆定位贝叶斯方法交通时间的识别D-S证据推理交通时间的识别、交通诱导方案、紧急事件救援方案神经网络车辆定位、交通时间识别、交通事件的预测、交通参数的融合、 交通诱导方案、紧急事件救援方案模糊逻辑交通事件的

5、预测、交通参数的融合、交通诱导方案、紧急事件 救援方案表决法交通事件的预测、交通诱导方案、紧急事件救援方案本文是将浮动车数据、微波检测器数据、线圈数据输入模型作为 融合的样本数据，将牌照数据作为真值输入模型进行训练， 使得模型 生成一个合理的参数集将浮动车数据、微波检测器、线圈数据融合为 一组更加贴近、符合牌照数据即真值的数据。神经网络在交通领域中 应用最为广泛。因此选取神经网络作为本文的数据融合方法。而且神经网络进行数据融合有以下优点：(1) 神经网络的信息统一存储在网络的联接权值和联接结构上，使得 传感器的信息表示具有统一的形式，便于管理和建立知识库。(2) 神经网络可增加信息处理的容错性，当某个传感器出现故障或检测失效时，神经网络的容错功能可以使检测系统正常工作，并输出可靠信息。 神经网络