基于粒计算的智能交通系统信息融合与共享研究

The construction of Intelligent Transportation Systems (ITS) occupies a crucial position in the current wave of smart city. Effective and efficiency ITS needs two important conditions: plenty of traffic data and effective means of data analysis. With the use of a variety of data acquisition equipments, traffic data from quantity to quality has been greatly improved, which may provide effective solutions for the traffic problems. Multi-source, heterogeneous, vague, uncertain traffic data fusion and sharing is the focus and difficulty of current research and application of ITS. The granular computing in the information analysis and processing of massive, vague, uncertain and incomplete data demonstrates a unique advantage. Traffic information fusion based on granular computing is still a lack of a complete theoretical system and practical examples. We will study the on traffic information granular computing theory and build traffic information fusion model, framework and implementation program based on granular computing. In our research, we will raise uncertainty reduction algorithms, traffic flow forecasting and congestion recognition algorithms based on granular computing theory, which will provide new ideas and methods to deal with the transport system in the complex decision making under uncertainty problems. Our project will build ITS architecture based on traffic information cloud, which will make ITS from closed static evolution system into open dynamic evolution system. Therefore, our research has important theoretical value and social significance.

智能交通系统的建设在当前智慧城市浪潮中占有至关重要的地位。要想充分发挥智能交通系统的作用，需具备两大条件：充足的交通数据和有效的数据分析手段。随着各种数据采集设备的使用，交通数据从量到质都有了很大的提升，为有效解决交通问题提供了可能。多源、异构、模糊、不确定交通数据的融合与共享，是当前智能交通系统研究与应用的重点与难点。粒计算对海量、模糊、不确定、不完整信息的分析和处理表现出独特的优势，基于粒计算的交通信息融合尚缺乏完整的理论体系和实践案例。本项目对交通信息粒计算理论进行研究，构建交通信息融合的粒计算模型、框架及实施方案，提出基于粒计算理论的不确定信息约简算法、交通流预测及拥堵识别算法，为处理交通系统中复杂不确定性决策问题提供新的思路和方法；构建基于"交通信息云"的智能交通系统架构,使智能交通系统从封闭的静态演进系统转变为开放的动态演进系统。因此，本项目的研究具有重要的理论价值和社会意义。

智能交通系统的建设在当前智慧城市浪潮中占有至关重要的地位。多源、异构、模糊、不确定交通数据的融合与共享，是当前智能交通系统研究与应用的重点与难点。粒计算对海量、模糊、不确定、不完整信息的分析和处理表现出独特的优势，基于粒计算的交通信息融合尚缺乏完整的理论体系和实践案例。本项目对交通信息粒计算理论进行研究，构建交通信息融合的粒计算模型、框架及实施方案，提出基于粒计算理论的不确定信息约简算法、交通流预测及拥堵识别算法，为处理交通系统中复杂不确定性决策问题提供新的思路和方法。属性约简作为粗糙集理论研究的核心内容，是对海量数据进行处理的前提与关键。本项目基于粗糙集的属性约简方法，针对公交历史数据的特点定义了新的属性重要度函数和隶属度函数，提出了一种基于粗糙集与多元线性回归预测模型结合的组合预测模型，定义了模型准确度判别函数；提出了一种基于传统公交站点与乘客实际出行需求的定制公交总需求获取方法，通过分析与当前规划目的地相同的传统公交线路上站点的客流量，判断该站点的出行需求度，并转化为定制公交出行需求补充到总需求中，为出行需求量较少场景下的线路规划提供了一种可行的思路；针对合乘站点规划问题，提出一种基于多数乘客意愿与出行距离的合乘站点规划方法，以聚类算法为基础，引入商空间粒度转化思想与相似度调节因子，改进算法得到的聚类数量以及在节点权重值不同时的适用性，最终得到满足多数乘客意愿与出行距离的合乘站点规划结果，证明了粒计算技术在改善合乘站点聚类结果中的有效性。在路径优化方面，针对传统蚁群算法的缺点，提出了一种综合改进算法。首先使用遗传算法生成的较优解来初始化蚁群算法的信息素分布，然后使用自适应期望函数改进启发函数，最后通过自适应参数改进全局信息素更新机制，并通过对比实验证明该算法在迂回道路、存在“死路”等环境下仍然能够保持较高的路径寻优能力。因此，本项目的研究具有重要的理论和实践应用价值。