基于压缩感知的道路交通参数修复方法研究

交通运输系统工程与信息 ›› 2013, Vol. 13 ›› Issue (6): 67-72.

基于压缩感知的道路交通参数修复方法研究

徐东伟^a,b，董宏辉^a,b，李海舰^a,b，贾利民^*a,b

北京交通大学 a.轨道交通控制与安全国家重点实验室; b.交通运输学院，北京 100044

收稿日期:2013-06-25 修回日期:2013-07-30 出版日期:2013-12-24 发布日期:2014-01-14
作者简介:徐东伟（1985-），男，山东威海人，博士生.
基金资助:
国家“八六三”项目(2012AA112401,2011AA110505)；国家自然科学基金（61104164）;轨道交通控制与安全国家重点实验室自主课题（RCS2010ZT004）.

The Recovery Algorithm for Road Traffic Parameters Based on Compressive Sensing

XU Dong-wei^a,b, DONG Hong-hui^a,b, LI Hai-jian^a,b, JIA Li-min^a,b

a. State Key Laboratory of Rail Traffic Control and Safety; b. School of Traffic and Transportation, Beijing Jiaotong University, Beijing 100044, China

Received:2013-06-25 Revised:2013-07-30 Online:2013-12-24 Published:2014-01-14

摘要/Abstract

摘要：

为了解决交通路网中的道路交通检测器大面积发生故障时道路交通参数数据的缺失或异常问题，本文提出了一种基于压缩感知的道路交通参数修复方法.首先对道路交通参数矩阵进行分解和逼近；然后在道路交通参数矩阵进行分解和逼近的基础上，利用压缩感知的理论及方法进行道路交通参数修复，并对基于压缩感知进行道路交通参数修复的过程中所涉及的主要参数进行分析和设定；最后依据实例对基于压缩感知的道路交通参数数据修复算法进行验证.选取北京市典型快速路对该算法进行验证，结果证明，基于压缩感知的道路交通参数数据的修复方法具有高精度，在实际应用中是可行的.

关键词: 智能交通, 交通参数修复, 压缩感知, 道路交通, 数据修复

Abstract:

To solve the road traffic parameters data problems (data invalid or data deletion) when a part of traffic states detectors in the road network break down, an algorithm based on compressive sensing is presented to repair traffic parameters of the road traffic network in this paper. Firstly, the road traffic parameters data are decomposed and approximated. Then the road traffic parameters recovery approach is presented based on compressive sensing, and the parameters setting referred in this road traffic parameters estimation approach based on compressive sensing is discussed. Finally, one typical road network in Beijing is adopted for the experiments analysis. The results show that this traffic states data recovery approach based on compressive sensing is feasible and can achieve a high accuracy.

Key words: intelligent transportation, traffic parameters recovery, compressive sensing, road traffic, data recovery

中图分类号:

U491

徐东伟，董宏辉，李海舰，贾利民. 基于压缩感知的道路交通参数修复方法研究[J]. 交通运输系统工程与信息, 2013, 13(6): 67-72.

XU Dong-wei, DONG Hong-hui, LI Hai-jian, JIA Li-min. The Recovery Algorithm for Road Traffic Parameters Based on Compressive Sensing[J]. Journal of Transportation Systems Engineering and Information Technology, 2013, 13(6): 67-72.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract18680.shtml

http://www.tseit.org.cn/CN/Y2013/V13/I6/67

[1]	郭烈, 胥林立, 秦增科, 王旭. 自动驾驶接管影响因素分析与研究进展[J]. 交通运输系统工程与信息, 2022, 22(2): 72-90.
[2]	徐猛, 刘涛, 钟绍鹏, 姜宇. 城市智慧公交研究综述与展望[J]. 交通运输系统工程与信息, 2022, 22(2): 91-108.
[3]	程君, 张立炎, 陈启宏. 一种基于地图辅助的自动驾驶视-惯融合定位方法[J]. 交通运输系统工程与信息, 2022, 22(2): 117-126.
[4]	王国栋, 刘立, 孟宇, 马智萍, 郑淏清, 顾青, 白国星. 一体式车辆避撞轨迹规划与跟踪控制[J]. 交通运输系统工程与信息, 2022, 22(2): 127-136.
[5]	马东方, 陈曦, 吴晓东, 金盛. 基于强化学习的干线信号混合协同优化方法[J]. 交通运输系统工程与信息, 2022, 22(2): 145-153.
[6]	许波桅, 王玲玲, 李军军. 自动化码头多级作业超网络延误传导特性研究[J]. 交通运输系统工程与信息, 2022, 22(2): 280-289.
[7]	田会娟, 刘嘉伟, 翟佳豪, 邓琳琳. 基于多入侵线的视频车速检测方法[J]. 交通运输系统工程与信息, 2022, 22(1): 49-56.
[8]	贾彦峰, 曲大义, 赵梓旭, 王韬, 宋慧. 基于安全势场的网联自主车辆跟驰行为决策及模型[J]. 交通运输系统工程与信息, 2022, 22(1): 85-97.
[9]	刘文, 汪文博. 基于秩最小化矩阵去噪的船舶轨迹重构方法[J]. 交通运输系统工程与信息, 2022, 22(1): 106-114.
[10]	赵建东, 陈溱, 焦彦利, 张凯丽, 韩明敏. 重点营运车辆的异常驾驶行为识别研究[J]. 交通运输系统工程与信息, 2022, 22(1): 282-291.
[11]	徐东伟, 彭航, 商学天, 魏臣臣, 杨艳芳. 基于图自编码-生成对抗网络的路网数据修复[J]. 交通运输系统工程与信息, 2021, 21(6): 33-41.
[12]	游峰, 梁健中, 曹水金, 肖智豪, 吴镇江, 王海玮. 面向多目标跟踪的密集行人群轨迹提取和运动语义感知[J]. 交通运输系统工程与信息, 2021, 21(6): 42-54.
[13]	王福建, 俞佳浩, 赵锦焕, 梅振宇. 基于站点实时关联度的短时公交客流预测方法[J]. 交通运输系统工程与信息, 2021, 21(6): 131-144.
[14]	张毅, 姚丹亚, 李力, 裴华鑫, 晏松, 葛经纬. 智能车路协同系统关键技术与应用[J]. 交通运输系统工程与信息, 2021, 21(5): 40-51.
[15]	龙建成, 郭嘉琪. 动态交通分配问题研究回顾与展望[J]. 交通运输系统工程与信息, 2021, 21(5): 125-138.