浮动车样本规模的优化方法与仿真研究

　　引 言

　　实时交通信息采集是目前智能交通系统(IntelligentTransportation System,简称 ITS)应用如交通管理与控制、出行者信息服务、交通诱导、车辆调度[1]、交通事件检测等的重要基础。传统的交通信息采集方法如线圈检测器、超声波检测器、红外检测器、视频检测器等存在安装和维护成本高、覆盖范围小、易受环境因素影响等不足。而且，由于这些检测器通常安装在城区的主要道路上，导致整个路网的交通信息难以全面获取，无法满足当前 ITS 应用的实际需求。

　　浮动车(又称探测车)技术作为一种低成本高覆盖率的实时交通信息采集方式，近年来在 ITS 领域受到越来越广泛的关注[2-5]。在浮动车交通信息采集系统中，如果浮动车样本数量太少，则交通信息的精度较低;如果浮动车样本数量太多，交通信息的精度不会明显提高，反而使系统安装、维护、通信及计算的成本显著增加。因此，在平衡准确性和代价的基础上，选取一个优化的浮动车样本规模是很必要的。

　　在过去十多年，国内外对浮动车技术的研究工作主要集中在浮动车交通信息采集关键技术的研究和浮动车样本数量问题的研究。从路网交通信息采集角度建立的浮动车样本数量计算模型大部分为静态的宏观模型[6-8]，没有考虑实交通系统中复杂多变的交通流、浮动车样本分布等因素，很难应用到实际的移动交通检测系统中。文献[9]针对交通流密度均匀分布和非均匀分布两种情况，利用数理统计方法建立了路网探测车样本数量的双层模型，该模型在实际应用具有一定的参考作用。但是，该方法基于交通流密度随城市中心距离的增加而下降等假设过于理想化。文献[10]在全体浮动车样本的基础上，通过抽样逐步降低样本规模，比较抽样前后道路平均速度曲线(RASC)的相似度，在相似度与样本规模的变化曲线上找到一个关键点并确定道路网的最小浮动车样本数量。但该方法需要比较路网所有道路抽样前后的相似度，在各条道路的最小浮动车样本比例中找一个最大的作为路网的最小样本比例，因此该方法在实际应用需要花费大量的时间去确定参.

　　本文通过数理统计中的抽样定理分析了单条路段在满足交通流参数估计条件下所需的最小样本数量，然后基于单路段的最小样本数定义了一种新的路网交通信息准确度评价标准，在此基础上提出了一种优化城市道路网浮动车样本规模的方法，最后通过仿真实验得出了不同交通条件下道路网浮动车最小样本规模。

　　1 单路段最小浮动车样本数计算模型

　　2 路网浮动车样本规模的优化方法