交通识别系统范文（精选10篇）
交通识别系统 第1篇
关键词：电梯群控系统,交通模式,BP神经网络,改进L-M算法
0 引言
电梯群控系统作为现代化建筑中的主要运输设备,其服务质量直接影响着人们的工作和生活。而交通流又是影响电梯配置及调度方法的关键,要实现群控电梯的合理调度,必须根据交通流的状态实时地切换,所以在设计电梯群控系统时对交通流的研究是非常有必要的。
1 电梯群控系统交通模式的划分
对于生活当中常见的、典型的办公大楼来说,根据乘坐电梯的乘客流量划分成的电梯群控系统交通模式有:
1)上行高峰交通模式(Up-Peak Traffic Pattern)。当主要的(或全部的)客流召唤电梯的方向是上行方向,这种状况被定义为上行高峰交通模式。
2)下行高峰交通模式(Down-Peak Traffic Pattern)。当主要的(或全部的)客流召唤电梯的方向是下行方向,这种状况被定义为下行高峰交通模式。
3)层间交通模式(Interfloor Traffic Pattern)。层间交通模式是指一定时间内当上行召唤的乘客总数量和下行召唤的乘客总数量大致相当,并且一定时间内各层的进、出门厅的乘客总数量基本平衡。这种交通模式是电梯服务时,一天中大部分出现的一种交通状况。
4)两路交通模式(Two-Way Traffic Pattern)。两路交通模式是指绝大部分的客流是朝着某一层而来或从某一层离开,而该层不是基层。
5)四路交通模式(Four-Way Traffic Pattern)。四路交通模式是指主要的客流是朝着某2个楼层而来或从某2个特定的楼层离开,而其中一个楼层有可能是基层。
6)空闲交通模式(Free Traffic Pattern)。空闲交通模式是指大楼的乘客流量非常小,一般出现在上午上班时间之前、下午下班时间之后以及中午休息时间。
在不同的交通模式下,对电梯群控系统的调度有不同的要求。例如,在上、下行高峰状态下,电梯群控系统主要是考虑如何迅速响应完成乘客的呼梯请求,尽可能的提高电梯的运送能力,此两种模式下疏散客流是最主要的考虑指标。而在层间交通模式下,电梯群控系统主要是合理的调配电梯,给乘客提供舒适的服务,调度时对乘客的候梯时间、乘梯时间和轿厢的拥挤度等有综合的考虑[1,2]。
2 交通模式识别的控制策略选取
近年来,针对群控电梯交通模式识别的算法有很多,有的利用人工免疫算法进行控制[3],有的则给出了模糊神经网络算法,但是这些算法的逻辑关系过于复杂,而在实际应用中,现代电梯很多是由中小型PLC进行控制,由于中小型PLC的数据处理能力和内存的限制,使得现有高效智能控制算法很难在电梯群控中真正实现[4]。根据以上分析比较,本文针对中高层建筑的电梯群控系统的交通模式识别采用了一种简单而有效的控制策略—基于BP神经网络的改进Levenberg-Marquardt(L-M)优化算法,该算法只要是能够准确确定输入和输出,就完全能够利用MATLAB进行仿真分析出网络结构,不需要大量的公式推导,也不需要总结专家规则,并且程序实现也非常方便。另外,采用改进L-M优化算法还可以使网络学习时间更短,能以很快的速度收敛到所要求的精度,并且不会陷入局部最小点,在实际应用中效果较好[5]。
BP神经网络的改进Levenberg-Marquardt优化方法,其权重和阈值更新公式为[6]:
式(1)中,J为误差对权值微分的雅可比矩阵,e为误差向量,µ为一个标量,依赖于µ的幅值。
3 利用改进L-M法识别电梯交通模式(以某办公大楼群控电梯为例)
3.1 主网络特征值确定
根据专家知识和交通模式的定义可以确定主网络的输入特征值和输出特征值。
主网络的输入特征值确定为三个:
1)一定时间内(取7分钟)总的客流量x1。
2)一定时间内召唤电梯(想进门厅)的乘客总量x2。
3)一定时间内按下所有内选按钮(想出门厅)的乘客总量x3。
对以上所说的这3个特征值提取的基础是对当前交通流进行比较准确的监测,以便从中获取交通模式的输入特征值。获取技术主要包括:
1)称重装置。2)光电检测或红外检测装置。3)呼梯信号统计设备。4)计算机视觉设备。
主网络的输出特征值确定为四个:
1)上行高峰模式y1。2)下行高峰模式y2。3)层间模式y3。4)空闲模式y4。
另外,如果层间模式占据主导地位的话,还需要增加一个附加网络来进一步判别,因为层间模式包含有2路模式y5、4路模式y6和平衡的层间模式y7三种情况。
3.2 特征值分析
经过对该大楼监控资料的分析,得出了159组样本,样本特征值曲线如图1所示。图1是对该大楼一天从上午7:00到晚上20:00的客流量作为依据而画出的。
3.3 神经网络隐含层层数和隐含层神经元个数的确定
3.3.1 隐含层层数确定
对于BP网络,有一个非常重要的定理,即对于任何在闭区间内的一个连续函数都可以用单隐层的BP网络逼近,因次,为了实现方便,BP网络的隐含层在这里选一层。
3.3.2 隐含层神经元个数n1的初步确定
隐含层神经元个数的选择可根据下面的公式来初步选取[7]。
式(2)中,n1为隐含层神经元的个数;m为输出神经元个数;n为输入单元个数;a为[1,10]之间的某个值。
由式(2)可初步推断,隐层神经元个数应该在4~12之间。
3.3.3 确定主网络隐含层神经元的准确个数和网络结构
下面采用L-M优化算法训练统计得出的样本,准确确定隐含层神经元个数和网络结构。
训练网络时,对隐含层采用对数S型传递函数,函数数学表达式为:
wij:输入层至隐含层的连接权(i=1,2,……n;j=1,2,……p)
n:输入层神经元数最大值p:隐含层神经元数最大值
θj:中间各层输出阈值ai:网络输入值
对输出层采用线性传递函数,函数数学表达式为:
vjt:隐含层至输出层的连接权(j=1,2……p;t=1,2……q)
γt:输出层各单元的输出阈值q:输出层神经元数最大值
利用MATLAB训练样本时,取出分析得出的130组样本作为训练样本,剩下的29组作为测试样本,并利用MATLAB7来仿真分析,29组样本测试完后取平均,可得出在隐含层神经元个数不同时的误差,结果如表1所示。
从表1可以看出,当隐含层数为6或者7时输出误差相对来说是最小的,考虑到实现难易的因素,在这里取隐含层神经元个数为6,此时BP网络模型结构如图2所示。
3.3.4 主网络的网络模型处理
利用确定好的网络结构和训练样本绘制训练曲线和导出相关参数。
1)绘制训练曲线。训练曲线如图3所示。
由训练曲线可看出,500步迭代后,误差接近,完全能达到要求。
2)导出主网络的相关参数
利用MATLAB导出相关参数方法如下:
1)利用wij=net.iw{1,1}导出输入到隐层权值如表2所示。
2)利用θj=net.b{1}导出隐含层阈值如表3所示。
3)利用vjt=net.lw{2,1}导出隐含层到输出层权值如表4所示。
4)利用t=net.b{2}导出输出层阈值如表5所示。
3.3.5 交通模式附加网络的建立
如果层间模式占据主导地位的话,还需要增加一个附加网络来进一步判别,因为层间模式包含有2路模式、4路模式和平衡的层间模式三种情况,此时需要进行第2步的辨识。附加网络的建立方法和交通模式识别主网络的建立方法类似,不同之处在于特征值的区别。
根据专家知识和交通模式的定义,附加网络的输入特征值确定为:
1)一定时间内(取7分钟)最大楼层内选量x4。2)一定时间内次大楼层内选量x5。
附加网络的输出特征值确定为:
1)2路交通模式y5。2)4路交通模式y6。3)平衡的层间交通模式y7。
4 多种判别方案比较
把人工免疫算法、模糊神经网络算法和改进L-M优化算法分别应用到电梯群控系统交通模式识别中,从算法实现难易、实施编程后程序容量大小和最终模式判别的准确度这三方面进行对比,对比结论如表6所示。
5 结束语
根据以上介绍,总结电梯群控系统交通模式识别过程如图4所示,此种推理方法能准确确定当前电梯群控系统所处的交通模式,算法实现也很简单。利用上面介绍的设计方法取出70组样本,采用L-M优化算法对网络进行训练,最后利用S7-200PLC编程该网络,并把程序运用到纵横公司的群控电梯模型中,调度运行结果良好。
参考文献
[1]宗群,尚晓光,严明,等.基于模糊神经网络的电梯系统交通模式识别[J].系统工程学报,2001,16(6):418-424.
[2]赵硕,何鹏,唱江华.基于模糊控制的电梯群控系统的研究与设计[J].微计算机信息,2006,5-1:51-53.
[3]杨建宁,孙玉昆,成立,等.采用免疫搜索的电网电压非线性模型预测控制[J].江苏大学学报(自然科学版),2008,29(1):56-60.
[4]朱晓东,曾庆山.基于PLC的电梯最小等候时间的集选控制算法[J].起重运输机械,2006(6):38-39.
[5]苏高利,邓芳萍.论基于MATLAB语言的BP神经网络的改进算法[J].科技通报,2003,19(2):130-135.
[6]Hagan M T,Menhaj M.Training feedforward networks with the Marquardt algorithm[J].IEEE Transactions on Neural Networks,1994,5(6):989-993.
交通识别系统 第2篇
主要完成单位：上海轨道交通技术研究中心
主要完成人员：宋键、刘加华、陈菁菁、胡少峰、张琦、徐剑波、张知青、刘扬、冯娟、龚伟、邓奇、白涛、张立东、周悦
一、研究背景
目前，上海乃至我国城市轨道交通事业发展十分迅猛，但我国城市轨道交通发展历史比较短、建设和运营管理经验不足，我国尚未建立起一套完善的城市轨道交通运营风险管理体系。部分城市轨道交通虽然已经开始尝试在运营安全管理中引入风险管理理念，但目前各地的城市轨道交通运营风险管理工作仍处于分散不成体系的状态，运营风险管理工作仍处于被动型管理模式，运营风险管理的方法和技术上还比较落后，这种状态与城市轨道交通迅速发展的形势极不相称。
城市轨道交通运营作为高风险服务行业，一旦发生运营或安全事故就会对市民的出行带来巨大影响，甚至关系到人民群众的生命财产安全，其后果是极其严重的。虽然运营企业都制定了一系列规章制度和控制风险措施，但城市轨道交通运营所涉及的专业众多，危险源和运营风险无处不在，因此城市轨道交通运营风险管理工作就显得尤为重要，非常有必要引入系统论的风险管理理论和风险管理体系，增强城市轨道交通防御风险的能力，同时运营风险管理还能够为合理分配安全保障资金与人力投入提供科学的依据。
二、主要研究内容
1、国内外城市轨道交通运营风险管理现状分析
选取英国、美国、我国香港地区等为研究对象，分析各国城市轨道交通运营风险管理工作，以及各国城市轨道交通运营风险管理体系的发展历程、内容范围、应用情况等，结合国内包括香港、北京、广州等主要城市轨道交通运营风险管理的现状，总结有益的经验和教训。
2、上海轨道交通运营风险管理现状分析
客观分析上海轨道交通运营风险管理的现状，并对目前上海轨道交通运营风险控制水平提出总体评价。
3、城市轨道交通运营风险管理原理
对包括风险、风险管理定义、风险管理程序、目的及意义等城市轨道交通运营风险管理的主要原理进行了分析。
4、城市轨道交通运营风险识别与分析
系统研究城市轨道交通运营风险识别与分析的方法，并利用风险识别与分析的方法，对上海轨道交通面临的主要风险进行了识别及分析。目前，上海轨道交通运营风险主要包括：大客流风险、设施设备故障风险、客伤风险、火灾风险、列车相撞或脱轨风险、外部侵限风险、公共安全风险及自然灾害风险等。
5、城市轨道交通运营风险评价
对城市轨道交通运营风险评价方法进行了分析，特别对风险定性评价及定量评价进行了深入研究。并对城市轨道交通运营安全风险评价的程序进行了完整研究。
6、城市轨道交通运营风险控制及管理
提出了城市轨道交通运营风险控制的措施原则，并分别从安全组织架构、安全规章制度、运营管理、设施设备维护、应急处置、科技支撑等方面提出了风险管理措施，并对目前国内外先进的风险管理信息化技术进行了研究。
三、创新特色
1、对城市轨道交通运营风险定量评价进行了开创性研究
本课题在对城市轨道交通运营风险识别、分析、评价方法进行了系统性研究的基础上，提出了适用于上海以及我国轨道交通运营风险识别、分析、评价的方法，并对风险定量评价（Quantitative Risk Assessment，QRA）进行了开创性研究。
2、对城市轨道交通风险管理信息化技术进行了前瞻性研究
本课题研究中对现代城市轨道交通风险管理信息化技术进行了前瞻性研究。对目前国际上应用较为广泛及成熟的城市轨道交通风险管理信息化技术进行了
介绍，包括香港地铁的危害登记系统、伦敦地铁的风险分析软件及国内铁路使用的运营安全风险管理软件等。为今后我国城市轨道交通行业引入风险管理信息化技术提供了前瞻性的研究。
四、应用范围
道路交通标志识别研究现状 第3篇
一、交通标志的有关知识
（一）路标概述
路标是图形、符号与颜色的结合，有的包含少量文本，主要起指示、提示和警示作用。交通标志是一种常见而且比较规范的人工路标。在道路上，我们可以看到各种各样的交通标志。它们用图案、符号和表达特定的意思，提醒驾驶员和行人注意附近环境。常见的交通标志主要有警告、禁令和指示标志等三类。
（二） 基于路标的先验知识
路标不仅要考虑对比度对视认性的影响，还要考虑颜色所能表达的抽象概念。图形符号信息在辨认速度和辨认距离上比文字信息要优越。分辨力受诸多因素的影响，包括细节尺寸、细节间的间隔以及观察距离影响。因此交通标志可以从颜色、形状和尺寸和安放位置四个方面来细述：
a) 警告标志：黄底、黑边、黑图案（仅“叉形符号”除外）。
顶角朝上的等过三角形（仅“叉形符号”除外）。
其设置地点与到危险地点的距离有关，警告标志
到危险地点的距离，应根据计算行车速度确定。
如受实际地形限制，可酌情变更。但其设置位置
必须明显，并不得少于安全停车视距。
b) 禁令标志：白底、红圈、红斜杠、黑图案、图案压杠（仅“解除禁止超车”、“解除限制速度”这两种除外）。
圆环形、八角形（仅“停车让行”一种）、顶角向 下的等边三角形（仅“减速让行”一种）。
设于距禁制事项附近的适当地点，一般需设置在最醒目的地方，并随标志设置目的而改变。
c)指示标志：蓝底，白图案。
内部背景形状分为圆形或者方形。
一般设于行车道的入口处。
二、交通标志识别过程
交通标志识别一般分为检测和识别两个模块。检测阶段一般是利用交通标志的色彩和形状特征检测出可能包含交通标志的区域，然后将感兴趣的区域进行大小不一规则化，在识别阶段进一步判定交通标志区域的有效性及其含义。
（一）检测
检测方法可分为其于颜色的检测和其于形状的检测两类。基于颜色的检测方法是最为基本的检测方法。这类方法又可分为三类：（1）彩色阈值分割法，在这类算法中，色彩空间的选择是很重要的。最直观的方法是选择RGB空间，直接通过设定的阈值进行分割。（2）基于神经网络学习的方法。为克服空间转换的非线性以及噪声的影响，可采用基于神经网络学习的方法。（3）基于视觉模型的方法。为克服各种视觉条件的影响，通过视觉模型对交通标志进行检测。
虽然基于颜色的检测方法具有直接聚焦的特点，但由于受到外界环境影响比较多，仅仅依靠颜色信息不能精确检测出交通标志的区域，而利用图像梯度的基于形状的方法能对以上事件进行有效的补充。因此，两种方法结合，是交通标志检测的最适合的办法。基于形状的方法又可分为基于边缘轮廓和基于模板的匹配方法。
（二）识别
在检测到可能包含交通标志的区域上，一般还要将区域的大小不一转化为固定的大小并采取其他的一些预处理技术来消除噪声、运动模糊、光照等影响，然后采用分类器技术进行识别。在识别技术中常用的方法有：（1）最近邻域方法。它的基本思想是根据类别之间的最近距离对待识别模式进行分类。（2）径向基函数方法。径向基函数网络的实质降维映射，因而在交通标志的分类中获得应用。（3）多层决策树分类法。采用多层结构的决策树分类，比采用单分类器分类能加快处理速度、提高分类结果的精度，而且通过将相关特征分解到各层简化分类器的设计。（4）神经网络方法。神经是一种非线性的映射，在模式识别方面，神经网络方法和传统的方法比较，具有较强的容错性，能够识别带有噪声或变形的输入模式，具有很强的自适应学习能力，采用并行分布式信息存储预处理，识别速度较快。（5）匹配投影法分类。能过离线对测度集进行匹配投影，找到能代表交通标志的一组基元。只需和由基元组合而成的模板进行匹配。（6）支持向量机分类。是一种基于数据库的优化分类模型，左传于结构风险最小化原理，具有结构简单、泛化能力强等特点。（7）句法分类。对于复杂性的目标，只提取它的数值特征构成特征向量，往往不能全面对其进行描述，这是因为这些数值特征对目标进行描述和识别的句法模式识别方法，在交通标志识别中也是人们关注的重点之一。
三、展望
以后的研究将更多地从人的视觉特征、视觉模型出发去考虑，充分利用交通标志的颜色，并应当注意更多地采用智能方法来解决问题，另外，采用智能方法后还可以考虑将检测与判别这两个环节有机地结合起来。
（作者简介：荣慕华（1977-），女，辽宁省宽甸县人，研究生，讲师，沈阳理工大学，研究方向：计算机技术。）
交通识别系统 第4篇
随着国民 经济水平 的提高以 及道路交 通的发展 , 智能交通 已经成为 交通科技 领域的研 究重点 。 车牌识别 作为智能 交通的核 心组成部 分 ,在交通管 理的智能 化方面起 着重要作 用 。 目前 ,主要的道 路车辆监 控技术是 图像或视 频识别 ,这种违章 视频抓拍 和电子摄 像头监管 技术在使 用中存在 一定缺陷 , 即无法精 确地抓拍 到每一辆 车 。 射频识别 技术(Radio Frequency Identification Devices , RFID ) 是一种非 接触式的 自动识别 技术 , 利用射频 识别技术 可弥补视 频识别的 不足 , 为车辆信 息的数字 化 、车辆识别 的自动化 以及车辆 管理的智 能化提供 了一个很 好的智能 平台 。
本文以城 市道路车 辆为主要 研究对象 , 通过采集 电子标签 和视频车 牌号码 ,进行双机 匹配识别 。 可自动对 通行车辆 进行监控 , 约束驾驶 员的违章 行为 , 提高交通 管理水平 ,减少交通 事故的发 生 。
1RFID电子标签识别系统
一套完整 的RFID系统的组 成部分主 要有 : 电子标签 、阅读器 、天线 、应用系统 软件 。 如图1所示 。
( 1 ) 电子标签
电子标签 将耦合元 件和存储 芯片等模 块一并被 封装在一 张卡内 , 通过对每 张电子标 签操作 , 可随时对 标签内信 息进行存 储和管理 ,对于特定 的信息还 可以用加 密等方式 进行保护 。 本设计采 用遵循ISO18000-6C国际标准 的电子标 签 , 每张电子 标签存储 区域分为 四部分 : RESERVED区 、 EPC区 、 TID区 、 USER区 , 所有存储 体的逻辑 寻址均从00h开始 。 RESERVED区用于存 储kill和access功能所需 密码 ; EPC区用于存 储识别标 签附着对 象的代码 ;TID区用于存 储标签出 厂时写入 的唯一序 列号 ;USER区用于存 储用户特 有的数据 。 本设计中EPC区只作为 电子标识 使用 , 并且将车 牌号 、 电子ID号 、 车身颜色 、 车辆类型 、 按照一定 的编码规 则存储在USER区 。 编码规则 如图2所示 。
( 2 ) RFID阅读器
RFID阅读器主 要对电子 标签内的 数据进行 读取和写 入 ,利用空间 电磁场实 现对标签 内容的读 取和向标 签发送控 制命令等 作用 。 阅读器的 另一个重 要作用是 决定整个RFID系统的工 作频率 , 阅读器的 工作频率 和功率将 直接决定 阅读器与 电子标签 的通信距 离 。 一般的阅 读器包括 天线 、 射频模块 、 控制模块 以及与计 算机相连 的各类接 口模块 。
( 3 ) 天线
天线是无 线射频系 统的关键 部分 , 其主要功 能是将电 子标签发 射的电磁 波转化为 电流信号 传送给阅 读器 , 同时将阅 读器的电 流信号转 化成电磁 信号通过 天线发射 出去 。 当电子标 签进入有 效的工作 区域时 ,接收阅读 器发出的 射频脉冲 经过整流 后给电容 充电 ,当电容电 压经过稳 压后就可 以作为标 签的工作 电压 ,进而使电 子标签有 足够的能 量将自身 编码信息 通过内置 射频天线 发送出去 。 阅读器天 线接收标 签发送过 来的调制 信号 ,经过天线 调节器传 送到阅读 器信号处 理模块 ,进行解调 和解码后 将有效信 息送至后 台主机系 统进行相 关处理 。 主机系统 根据逻辑 运算识别 该标签的 身份 ,针对不同 的设定做 出相应的 处理和控 制 ,最终发出 指令信号 控制阅读 器完成不 同的读写 操作 。
( 4 ) 应用系统
应用系统 主要由中 间件和应 用软件组 成 。 中间件由 主机 、服务器 、通信硬件 接口组成 ,常用于搭 建计算机 网络资源 , 能让各种 应用技术 实现数据 通信与信 息共享 。 应用软件 处于硬件 平台的上 层 ,是一种系 统软件或 独立程序 。 应用程序 对电子标 签进行数 据处理是 通过RFID中间件来 来实现的 , 中间件通 过应用程 序接口 (API) 连接到应 用程序端 口 ,从而实现 应用程序 — 中间件 — 阅读器 — 电子标签 的指令和 数据传输 ,进而达到 对电子标 签的读写 工作 。
2视频车牌识别系统
视频识别 技术是一 种以计算 机视觉技 术和视频 图像处理 为基础 ,对路面运 动物体进 行监测分 析的技术 能够检测 到受监控 路面的车 辆并自动 提取车辆 牌照信息 ( 含汉字字 符 、 英文字母 、 阿拉伯数 字及号牌 颜色 ) 后进行处 理 。 一般完整 的视频车 牌识别系 统包括前 端系统 、 通信系统 、后台系统 。
( 1 ) 前端系统 是由路面 交通视频 监控子系 统 、 隧道交通 视频监控 子系统和 高点交通 视频监控 子系统组 成 。 主要实现 的功能有 : 视频获取 与回传 , 采用高清 视频电荷 耦合器件 (Charge Coupled Device ,CCD) 监控摄像 设备获取 视频 ,并对视频 流进行采 样 ,分析得到 车牌号码 ,以国际通 用的编码 格式 ,将视频数 字化传回 后台系统 。
( 2 ) 通信系统 采用有线 或无线等 方式传输 , 将前端系 统的数据 交付后端 系统 。
( 3 ) 后端系统 主要用于 将前端系 统采集的 数据进行 解析 ,实现视频 监控 、回放 、系统管理 、查询等功 能 。
3RFID与视频双机识别系统构建
3.1RFID系统的基本工作流程
本设计采 用遵循ISO18000-6C国际标准 的阅读器 , 当携带电 子标签的 目标车辆 出现在阅 读器的工 作范围内 时 ,阅读器所 发出的磁 场对区域 内所有的 电子标签 进行读写 操作 ,当每一个 电子标签 接收到阅 读器发出 的信号 , 依据收到 信号进行 解析 , 返回含有 目标信息 的高频载 波信号 , 经过卡内 模拟射频 模块发射 出去 , 接收天线 接收到电 子标签发 来的载波 信号 ,经过阅读 器解码器 解析提取 出相应信 息 ,最终实现 系统对目 标车辆的 自动识别 和信息采 集 。 实现过程 如图3所示 。
3.2双机系统识别过程
在本设计中 ,由于RFID系统识别 的距离较 远可达到20 m ~ 25 m , 所以整个 双机识别 系统会先 从射频系 统执行 。 首先进行 清点操作 ,清点操作 主要是用 于检测射 频区域内 是否有电 子标签存 在 。 为了避免 因车辆速 度过快而 检测不到 的情况 , 每次清点 操作间隔 会尽可能 短 ,约为0.2 s。 检测区域 长度一般5 m~15 m左右 , 所以当车 辆在小于180 km/h速度的情况下,至少可以检测到一次 , 但通常情 况下清点 操作可以 检测到数 次至数十 次 ,这由车辆 的速度决 定 。 在检测到 区域内的 电子标签 后 ,可获取到 射频区域 内电子标 签的数量 以及每个 标签EPC码 ( Electronic Product Code ) , 由于EPC码作为标 签的唯一 标识 , 进而通过EPC码定位到 对应标签 , 读取标签 的USER区域内的 数据 , 将得到的 内容存入 临时列表 中 。
由于清点 操作每0.2 s进行一次 , 所以会得 到大量重 复数据 , 需要去掉 多余数据 , 只留下第 一次进入 天线射频 区域的记 录 ,此记录第 一个数据 段为毫秒 级的时间 戳 , 第二个数 据段为USER区的内容 , 将维护后 的数据存 入原始ID数据库 。
视频识别 系统采用 动态触发 方式 , 摄像头可 设置触发 位置和车 道宽度 。 当车辆行 驶至触发 位置时 ,进行触发 拍照 ,一次触发 最少得到3张照片 ,即一张车 牌照片 、 一张违章 照片 、还有一张 全景照片 。 将车牌照 片进行定 位 、 字符分割 、 字符识别 等处理 , 得到车辆 号牌等信 息 , 将号牌信 息存入视 频识别数 据库 。
原始ID数据库作 为整套双 机识别系 统的核心 部分 , 将每次拍 照的到的 视频车牌 号码与5 s内的电子 标签数据 进行遍历 逐一匹配 。 匹配主要 内容为视 频识别号 码与USER区车牌号 内容 。
匹配结果 分为匹配 成功和匹 配失败两 类 。 如果匹配 成功 , 说明视频 号码找到 与之对应 的电子标 签号码 , 故不存在 车辆套牌 情况 , 属于合法 车辆 , 将本次识 别的车牌 信息与电 子标签信 息 , 一并存入 对应关系 数据库 。 匹配失败 包含两种 情况 : 一种是由 于硬件系 统识别问 题 , 光线或角 度问题导 致视频系 统或射频 系统识别 错误 ; 二是在视 频和射频 系统都正 常工作的 情况下 , 匹配不成 功 , 说明存在 号牌造假 、 套牌等情 况 , 该车为违 法车辆 。 将视频识 别信息与 标签信息 , 分别存进 两个独立 的数据库 中 。 在两个数 据库中 , 存储数据 的第一段 为毫秒级 时间戳 , 这样有益 于数据库 的管理 , 降低后期 人工执法 的难度 。 同时 , 为了保证 采集的视 频识别号 码遍历整 个数据库 的速度 , 故需将原 始ID数据库定 期进行清 除 , 大约为1.5 min清空一次 。 双机系统 工作流程 图如图4所示 。
4实验结果
该双机识 别系统中RFID部分采用 中兴ZXRIS 6700阅读器 ,ZXRID 6602发卡器 ,ZXRID 2621陶瓷标签 。 阅读器最 大通信距 离25 m,最大传输速率为前向160 Kb/s、 反向640 Kb/s。 视频识别 部分采用 海康i DS-2CD9361-S型摄像机 ,500万像素 , 可实现动 态触发 、 前端解析 。 双机识别 设备安装 如图5所示 。
略论人脸自动识别系统及其识别方法 第5篇
关键词：人脸自动识别系统；方法；几何特征
中图分类号：TP391.41
1 人脸自动识别系统
人脸识别通过存储的数据的特征来鉴别多个人的身份，类似与指纹识别技术，但是相比而言较为复杂。人脸自动识别系统主要包括人脸检测定位以及识别提取特征并匹配的两个重要环节，下图1为你工作模式。
图1 人脸自动识别系统
1.1 人脸检测与定位
人脸检测与定位是人脸自动识别的开始，其判断图像中是否存在人脸。然后将人脸从图片背景中分离开来，确定人脸在图像中所取的位置。在某些控制拍摄条件的场合，背景相对简单，定位比较容易。背景较为复杂的适合，获取人脸将受到一定程度的影响。影响人脸识别与定位的主要因素包括：其一，人脸所处的位置以及尺度上的变化，其二，脸上的装扮以及发型的更改都会对结果的准确性造成很大的影响，其三，图像噪声影响。
1.2 特征提取与人脸识别
特征提取和人脸识别是自动识别系统的核心部分，其主要分为三个部分的图像处理、特征提取及识别。为使得图像处理的准确性能够达到适用性的要求，就需要对图像的特征信息处理。目前常用的处理方法是几何归一化处理，几何归一化是指根据图像的人脸定位，然后进行对比规模，将位置调整到相同的尺寸和相同的位置。灰度归一化是使用照明补偿等处理方法，解决照明的变化对人脸检测的影响，也就是降低光线影响导致的准确性下降的问题。特征提取：根据不同的识别方法，采用不同形式的提取。基于几何特征的识别方法，在识别的过程中，需要提取特征点和特征点作为基准结构特征向量。在统计识别方法基于特征脸，脸是完成相关矩阵的提取图像特征。模板匹配方法，特征提取相关系数作为人脸识别的基础。特征提取的人脸识别的过程，需要待识别图像和数据库中存储的数据匹配，如果满足识别的特征值则完成识别工作。
2 人脸识别方法的研究
2.1 基于几何特征的人脸识别方法
基于几何特征的人脸识别方法主要是通过检查面部的性质特征来确定的，通过检测面部形状特征以及其相对位置，获得相对位置的参数，这样就能得到特征矢量，每个人的特征矢量是不同的。在进行人脸识别的过程中，将这些特征矢量与库中已知的脸的特征矢量相互比较，就能够匹配出个人信息。Roder对此种识别方法的精确性进行了研究，试验结果较差，这表明几何特征的人脸识别方法的精确性有待提升。Yuille的弹性模板的人脸检测方法采用的是可调模板，当模板在待测图像上移动的时候，能够动态的调整参数。这样就能够检测出大小、偏移不同的人脸。但是其并不是尽善尽美，弹性模板的轮廓必须根据待测人的脸型来设计，不然结果的准确性也难以保证。同时在进行检测的时候，因为需要进行全面搜索，所以检测计算的时间较长，效率较低。基于几何特征的人脸识别方法对获得图像的质量要求较高，其要求特征点的定位需要非常的准确。人脸有一定的偏移或者化妆都会严重的影响到结果的准确性，目前这种方法仅仅用于识别过程中的辅助手段。
2.2 基于主元分析的人脸识别方法
基于主元分析的人脸识别方法最早由Sirovitch和Kirby引入。此种方法在特征脸识别中具有代表性。此种算法工作的时候并不是单独存在的，其与普通的模板算法一起工作。通过Turk等人的试验，此种算法具有较高的准确性，在关照不变的情况下，准确性能够达到95%以上，甚至人脸朝向出现变化的时候也能够达到85%以上的准确性。
特征脸（Eigenface）方法：特征脸方法是由Turk和Pentland等人提出，此种方法是识别的过程是人脸图像映射到特征脸上，然后对比分析特征空间的位置特征来达到识别的目的。根据下面公式1可以知道你方法原理，随机向量组成了包含人脸的特征区域，正交K-L基由K-L变换得到，然后具有人脸相似的形状的是其中较大特征值的基。人脸的识别与合成，正可以利用由这些基的线性组合所描述、表达和逼近人脸图像来完成。
式中：Xk为第k个图像向量，μ为本集的平均向量，N为样本总数。
特征脸方法中考虑到了图像直接的差异，其产生最大的特征向量，但是此种方法不能够有效的区分出差异的来源。外在因素和人脸本身都对结果准确性影响较大，所以此方法的局限性较大。
2.3 基于奇异值分解的人脸识别方法
基于奇异值分解（SVD）的人脸识别方法由洪子泉和杨静宇提出，基于Sammon最佳判断平面，建立了Baves分类模型。在使用此种方法的过程中，为了保证识别效果的准确性，往往将其与其他的算法进行组合使用。
2.4 隐马尔科夫模型（HMM）方法
隐马尔科夫模型（HMM）方法是较为经典的一种算法，此理论早在20世纪60年代就形成了。最早建立此种模型的是Samaria等人，判断人脸识别的好坏，往往取决于对原始信息的利用率，隐马尔科夫模型包含了人脸图像五个显著特征区域，此种做法具有高精度性的有点，但是确定就是需要储存的数据较多，而且人脸识别的速度较慢。
2.5 基于图像重建的人脸识别方法
人脸识别的准确性与光照和人脸偏移有着直接关系，其中光照的影响为甚。为了解决这两者带来的影响，需要采取基于图像重建的人脸识别方法。其一般可以分为以下两种情况：（1）根据对人脸的多角度拍摄生成人脸的三维模型，然后进行与数据库中的三维模型的对比，当二者特征值满足要求的时候完成识别。（2）根据二维人脸图计算出姿态偏转角度。数据库的图样进行偏转，然后进行匹配，这样准确性大大的提升。
3 结束语
人脸识别逐渐的成为考勤系统不可分割的组成部分，其复杂性决定了其难以适用单一的方法。所以一般采用多种方法组合，来提升识别的准确性以及效率。利用其它生物特征进行身份识别也是目前研究的一个方向。
参考文献：
[1]刘永信，李琳莉，巴雅日图.人脸识别方法综述[J].内蒙古大学学报（自然科学版），2009（04）：493-498.
[2]邹志煌，孙鑫，程武山.人脸识别技术产品的发展概况[J].视频应用与工程，2008（03）：91-93.
交通识别系统 第6篇
其中, 车辆检测和识别分类是智能交通系统当中应用比较广泛的技术, 可以为智能交通系统的各项内容提供必要的理论和数据支持。所以应该结合好我国目前交通发展的实际情况自主探索车辆检测和识别技术, 并且借鉴国外的发达国家在该领域的先进经验, 全面建立起具有我国特色的智能交通系统。
1 车辆检测与识别技术概述
所谓的车辆检测技术指的是利用视频图像来进行交通监管, 但是在实际的运用当中也会存在一些弊端:设备安装程序复杂、受天气影响幅度大等。而进行车辆检测时大都是依靠人来进行信息获取和搜集的, 因此对于车辆视频图像中大量的交通信息不能充分利用, 而是更多地依赖操作者, 这些都会影响到车辆检测技术的应用。
车辆识别技术一般是利用数字摄像技术和电子计算机信息管理技术, 在图像处理以及模式识别等人工智能技术的辅助下, 对于车辆的图像数据采集和变化过程进行处理智能技术的过程。
就目前车辆识别技术的应用来看, 在智能交通系统违章监控管理、高速公路停车收费、车辆检测以及停车场监控与管理等多个系统中都应用到车辆识别技术, 在其中发挥着不可替代的积极作用。然而不同的车辆以及同一车辆在不同角度、位置时外观都会有很大差异, 因此对于车辆识别技术带来不小的挑战。
2 车辆检测和识别中的数字图像处理技术应用分析
数字图像处理是应用电子计算机或者其他的现代的数字技术, 对于有关车辆的图像进行处理加工进而达到所需要处理目的的技术, 主要图像处理方法有以下几种:
1) 图像去噪声。图像去噪声法作为常用的的图像处理技术, 一般分为有线性方法和非线性方法两种。线性方法最主要的是均值滤波的应用, 而非线性方法中最常用的是中值滤波。图像去噪生法的应用原理是根据不同类型的噪声的特性来实施不同的去噪声方法, 做到有针对性。相对来说, 线性方法对于高斯噪声有很好的去噪声效果, 而在脉冲噪声的去噪声能力上相对较低。但是非线性方法对于脉冲噪声的去噪效果明显, 对高斯噪声的去噪效果不显著。
2) 图像对比度增强。顾名思义, 对比度就是强调图像中不同的亮度之间的差别。一般说来, 高对比度的图像中的物体轮廓较为分明, 反之, 低对比度的图像中的物体轮廓会出现模糊不清的现象。究其原因, 光照、相机曝光不足以及动态范围太窄等都会使得图像分辨率不高而影响图像识别的结果。作为结果, 应该对图像进行灰度扩展, 提高图像的辨识度和进一步改善图像的质量, 最终提高图像的整体识别水平。
3) 边缘检测。边缘检测的主要目的是要对图像中灰度值非连续的像素点进行检测, 然后根据检测结果进行准确的定位。其中, 边缘提取作为图像分析中更不可或缺的重要组成部分, 在处理信息数据等方面有着而不可比拟的作用。一定程度上来说, 后期的识别结果的好坏直接取决于边缘提取的程度如何。但是现实生活中, 社会以及人们行为的复杂多变, 使得噪声的种类和来源千变万化, 因此会给图像的识别带来困难, 特别是检测实际的边缘轮廓尤为麻烦。
3 车辆检测与识别技术的算法研究
3.1 车辆检测算法
1) 基于地面感应线圈的车辆检测。经过调查得出, 环形线圈检测器是目前世界上应用最为广泛的一种传统的交通流检测器。其工作原理是将环形线圈埋设在底下, 当车辆经过的时候会引发线圈磁场发生变化, 检测器会依据磁场变化的结果进行数据处理从而得出车辆的流量、速度、时间占有率和长度等交通参数。同时, 在得出各种数据的条件下会通过内部的上传功能将相关数据传给中央控制系统, 为智能交通系统提供必要的数据支持。综合来说, 感应线圈检测的方法已经发展较为成熟, 无论是应用技术还是数据处理都更为准确和周密。通过将线圈检测的数据沿着线路传到交通管理中心, 加之电子计算机及等设备的应用使得检测的结果更为准确可靠, 为车辆检测提供了比较高的检测标准。
2) 基于视频的车辆检测。基于视频图像处理技术, 是在道路两旁或者隔离带安置相应的摄像机用以图像采集, 并且及时将所拍摄的图像上传和处理得到实时交通信息的技术应用过程。但是基于视频图像处理的车辆检测法有一定的弊端, 例如在大型的车辆进行检测的时候可能会遮挡住随行的小型车辆导致摄像机捕捉不到小型车辆的有关图像和画面, 也就会存在一定的阴影、积水反射或昼夜的检测误差。为了改善这一问题, 可以通过软件的算法修正和改变摄像机的安装位置等来改进。
3.2 车辆识别技术算法
车辆识别作为智能交通系统当中的重要应用技术之一, 算法相对较少, 并且普遍应用程度较低。主要还是不同的车辆以及同一车辆的不同位置等不确定, 这就导致对于车辆识别需要考虑到的因素更加复杂, 加之没有一个标准来衡量就更加大了识别车辆的困难。
1) 统计模式识别。按照基础的分类来说, 基于统计方法的模式识别系统主要可以分为:数据获取、预处理、特征提取和选择、分类器设计 (训练阶段) /分类决策 (识别阶段) 等几部分。
2) 车辆识别系统总体设计。车辆识别的前提是做好车辆检测的工作, 在车辆检测的基础上利用现代的电子数据形态学处理方法, 按照所需要的识别要求进行干扰的处理, 最终提取到车辆的轮廓。在得到车辆外部轮廓之后, 再针对不同的车辆的边缘信息, 结合车辆自身的长、宽、面积等基础信息, 做好车辆类型的识别工作。流程为:采集车辆图像→预处理→车辆目标检测→数学形态学→轮廓提取→特征参数计算→分类识别→输出结果
3) 基于车辆特征的识别技术。特征提取在模式识别中至关重要, 这是做好车辆识别的关键一步。因为不同车辆的特征有所不同, 但是在相当长的时间内车辆的特征是具有稳定性的, 具有其他的车辆不具有的特殊性。在进行车辆识别的特征识别中, 要根据针对不同的目标特征的不同对其进行识别, 主要包括形状、长度、大小、颜色等。
4 结语
由此可得, 车辆检测与识别技术在我国的智能交通系统中具有重要的地位, 指明了我国交通事业发展的新方向。尽管我国的智能交通系统仍存在很多不足, 但是是随着车辆检测以及识别技术的广泛应用, 一定会使得我国的交通事业有新的发展, 通过结合我国目前的交通状况加以完善和总结, 相信我国的智能车辆系统会有更为广阔的发展空间。
参考文献
交通识别系统 第7篇
车辆识别系统和我们常见的摄像机有一定的区别, 主要是在控制部分有一个运算模块比较复杂。真正的车辆识别系统, 在车辆经过的一瞬间能够抓车牌, 并读出车牌和后端的数据库里的车牌对比, 来分辨是不是套牌车等情况。其包括前端的抓拍摄像机 ( 负责抓车牌和读车牌) 、地感线圈 ( 负责触发摄像机抓车牌) 、 车辆检测器, 后端的对比软件和数据库。
车牌识别与车牌在图片中占据的横向比有关, 一般需求在60 ~ 100 个像素, 最大不高于300 ( 根据识别软件厂家的研发能力而不同) 。 一条标准车道 (3.75 ~ 4.5 米) 大概占据800 个横向像素, 故而200 万的高清摄像机可兼顾到1 ~ 2 条车道, 500 万则可以兼顾2 ~ 3 条车道的信息, 亦即在提供更优质图像的同时, 高清摄像机也节省了前端硬件的投入。
从标清到高清, 前端摄像机像素上的革命性升级, 也给车牌识别带来了革命性发展。针对车牌识别系统的需求, 前端摄像机必须允许用户自行设置快门、增益等图像参数, 以得到最佳图像效果, 同时还需具备优秀的低照度、灵敏度、稳定性及白平衡效果, 并具备二次开发的能力, 方便工控机或内嵌抓拍处理器获取摄像机的参数信息, 或写入配套的算法。最后, 其需具备丰富的I/O接口, 以便接入地感线圈、闪光灯等外围设备。目前, 我国对于车牌识别准确率的标准是白天不低于95%、夜晚不低于80%。由此可见, 夜间识别率存在大幅的降低。究其原因, 还是图片的质量问题, 当然这里的影响因素较为单一, 即光照。
针对这一问题, 算法方面一直有所升级, 可在一定程度上降低噪点并提亮抓拍到的图片。但针对夜间光照度差的情况, 更多的升级选择在硬件上。除了在摄像机方面采用灵敏度更好的尖端CCD、CMOS芯片及大口径镜头, 以提升相机的夜间灵敏度, 更多的还在于夜间补光设备的选择与安装。通过立杆高度与补光灯角度的配合, 获得科学的补光效果, 尽量使光线正面打到车牌上, 而在补光灯的选择上也经过了一定的发展。闪光灯 ( 气体灯) 峰值亮度高, 优点是可以拍摄到驾驶室的人;但其平均寿命短, 光污染大, 对人眼有一定损伤, 甚至可能影响驾驶员的驾驶安全。目前, 我国部分城市已有相关硬性要求出台, 限定了闪光灯的使用范围。LED频闪灯能与摄像机保持同步, 亮度优于常亮灯, 也具备爆闪的方式, 亦可看清驾驶室, 相对而言安全性更好, 只是图片质量会比闪光灯稍差。安装其可从过去摄像机位置固定的静态方式, 慢慢发展为搭配云台, 以配合运动车辆来进行更好的抓取。
号牌自动识别系统能识别蓝、黄、白、黑4 种底色的机动车号牌, 采用车牌颜色和视频检测技术结合的方法对车辆进行分型。对于民用车来说, 蓝颜色车牌表示的是小型车辆, 而黄颜色车牌表示的是大型车辆。因此, 首先利用车牌颜色判断车辆类型, 对于无法根据车牌颜色判别车型或者无法判断车牌颜色的情况, 利用图像分析技术来辅助区分车辆的类型。车辆号牌识别信息包含号牌结构、号牌字符、号牌颜色等信息。
公安交警在各主要路段或路口安装治安卡口或闯红灯自动记录设备, 通过号牌自动识别技术对所有通行车辆自动记录其号牌信息录入数据库中, 通过中心端的应用系统可查询任意车辆在各路口准确的通行时间、行驶方向、车速信息等资料。同时, 可在GIS地图上将指定时间段内该车辆的行驶轨迹进行标识显示, 为公安刑侦部门侦察盗抢车辆提供侦破线索和依据, 也可为交通管理部门挖掘出道路的实时交通信息。
号牌识别技术结合雷达、环形线圈车检器等机动车测速仪, 可以用于超速违法处罚系统上。例如在高速路上设置雷达测速监测点, 抓拍超速的车辆并识别车牌号码, 将违法车辆的车牌号码及违法图片发往各出口;在各出口设置处罚点, 用车牌识别设备识别通过车辆并将号码与已经收到的超速车辆的号码比对, 一旦号码相同即启动警示设备通知执法人员处理。与传统的超速监测方式相比, 这种应用可以节省警力, 降低执法人员的工作强度, 而且安全、高效、隐蔽, 极大地减少因超速引发的交通事故, 提高了高速公路的通行率。
假如一条高速公路上具备多个单点测速监测点, 还可以通过中心系统的功能扩张, 实现区间测速功能。在不增加原有硬件成本的基础上, 由原先传统的点控发展为线控, 避免因司机熟知测速点具体位置情况下, 通过刹车降低车速逃避处罚, 容易造成追尾事故的隐患。利用区间测速, 采取平均车速的方法来检测车辆是否超速, 控制了司机投机取巧的手段, 很大程度上弥补了传统单点式测速的不足, 更能体现执法部门的公正性和合理性。
在高速公路的各个出入口安装号牌自动识别系统, 车辆驶入时识别车辆牌照将入口资料存入收费系统, 车辆到达出口时再次识别其牌照并根据牌照信息调用对应入口资料, 结合出入口对应资料实现收费管理。此种应用可实现自动计费管理, 可从根本上杜绝收费工作中的贪污作弊现象。而且, 随着高速公路联网收费范围的不断扩大, 不同车型的收费差额之间的费用越来越高, 司机利用现有收费系统的漏洞通过中途换卡进行逃费的问题将越来越突出, 利用号牌识别技术实现一卡一车也是解决此类问题的根本方法。
交通监管部门每天都要处理大量的违法车辆图片, 一般由人工辨识车牌号码再输入管理系统, 这种方式工作量大且容易疲劳误判。采用号牌自动识别可以减少工作强度, 系统自动录入相关数据后经操作人员人工再次确认后才正式生效, 可大幅度提高处理速度和工作效率。另外, 交通起讫点调查功能采用基于牌照自动识别的OD调查 ( 交通起讫点调查又称OD交通量调查, OD交通量就是指起终点间的交通出行量) , 通过牌照数据精确计算出每个通过OD点的车辆OD源数据。运用统计模型, 统计生成道路不同时段的OD值, 为城市综合交通体系规划、交通指挥调度管理提供基本的道路状况分析、管理预测模型和调度策略。
系统中录入被盗抢、肇事逃逸、作案嫌疑车辆等所需要稽查车辆的相关“黑名单”车辆信息, 通过号牌自动识别技术识别出的车牌号信息与中心数据库或外场设备数据库中的“黑名单”数据信息进行查询比对。若信息一致则自动发出报警信息, 实现对肇事逃逸、嫌疑车辆、交通违法等“黑名单”车辆的查控与处置, 对公安执法及交通管理部门扼制并打击一些隐蔽型违法行为, 具有十分重要的现实意义。
出入口智能检测记录放行将指定的号牌信息录入系统中的“白名单”数据库中, 通过号牌自动识别技术对所有需通过的车辆号牌识别结果对比, 对需要自动放行的车辆系统自动实现对道闸、栏杆等外围设备的控制使其自动放行;非自动放行车辆则由人工处理。它可应用于军事管理区、政府部门单元、ETC不停车收费系统、高档住宅区出入口等, 有效提高车辆的通过能力, 加快收费速度, 提高出入口的利用率, 避免不必要的堵车问题。
交通识别系统 第8篇
瓶颈交通流失效(breakdown)是指瓶颈点在短时间内由畅通交通流变为拥挤交通流的现象, 是快速路拥挤的直接诱因。了解瓶颈点的交通特性是进行交通管理和控制的基础,而瓶颈交通流失效的判别则是确定交通流状态和分析交通流演变规律的关键。
目前,交通流失效的识别方法大多是将所有车道看作为1个整体,基于断面的数据进行分析, 因而该类方法假设同一断面的所有车道同时发生失效。然而由相关的研究和实际经验可知,交通流失效往往最先发生在1个车道上,然后再传播至所有车道,各个车道之间的失效时间存在差异。 Dehman等[1]证明了各个车道之间的交通流失效存在显著差异。Muoz和Daganzo[2]认为快速路出口匝道处存在全拥挤和半拥挤的2种交通状态。Ma等[3]提出基于车道速度阈值的失效识别法,但该种方法在临界速度的选取上较为复杂。
变形累积曲线法是目前广泛运用的1种瓶颈交通流失效识别方法,包括流量变形累积曲线、速度变形累积曲线和密度变形累积曲线。Cassidy, Bertini,Sun,王殿海等[4,5,6,7,8,9,10]利用变形累积曲线对失效前后的流量特征进行了比较,但同样是基于整个断面的数据进行分析。因此,笔者在现有研究的基础上,提出基于车道的瓶颈交通流失效识别方法,并与以往基于断面的失效识别方法进行比较分析。
1数据来源
笔者所采用的数据为上海市快速路感应线圈检测数据,该检测数据以20s作为采样间隔,包括每个车道的流量、地点速度、占有率等参数。由于检测设备故障等原因,部分线圈数据存在缺失或错误的情 况,经过筛选 之后,最后实际 利用2013年7月1日~7月3日、7月24日~7月27日共7d的线圈数据。选取上海市中环内线军工路出口匝道 附近常发 性瓶颈 (recurring bottleneck)作为分析对象,其检测线圈编号和布设图见图1。通过绘制每天的速度-时空分布图(contour函数),可以证明线圈ZNNX09处为常发性独立瓶颈点,拥挤范围一般为ZHNX09至ZHNX12。
2基于车道的瓶颈交通流失效识别方法
由流量-速度的关系图可知,同1个流量值可能对应饱和状态或非饱和状态,因此本文在分析交通流失效特征时,采用速度作为基础数据指标。
2.1基于车道分析方法的必要性
以2013年7月2日(星期二)的数据为例,绘制军工路出口匝道附近ZHNX09号线圈断面处内外车道的速度时变曲线,见图2。
分析图2可知,军工路出口匝道附近外侧车道(车道4)的速度一直低于内侧车道(车道1),故而每个车道从不拥挤状态转变为拥挤状态的临界速度存在较大差异。如采用常用的速度阈值识别方法[11],将70km/h作为瓶颈 交通流的 失效阈值,则可能会将车道4一直判定为拥挤状态,如果采用60km/h作为阈值,则有可能导致车道1在15:00~16:00时的拥挤 状态不能 被有效识 别。 因此,鉴于每个车道的交通特性存在较大的差别, 基于车道的失效识别方法对于更加微观和精细地分析拥挤过程显得十分重要。
2.2交通流失效识别基本方法
目前,瓶颈点交通流失效识别的方法主要分为阈值法和变形累积曲线法。阈值法是简单直观的识别方法,只需设定合理阈值,但其选择的主观性较强,也容易受到数据 噪声干扰[3,10,11,12,13]。而变形累积曲线法能够直接识别失效时刻,有效地减少数据噪声,因此本文主要基于此种方法。基于车道的瓶颈交通流失效识别法,即利用各个车道的速度变形累积曲线来分析瓶颈点的失效过程。
速度变形累积曲线法是在每1个时间间 隔内,将累积速度减去1个背景速度值,从而可以将每个时间间隔内的速度波动的“转折点”放大,较为精确和直观地确定瓶颈失效起止时刻。累积速度是指分析时段t内通过同一断面或车道的车辆速度之和,而背景速度的取值大小会影响变形累积曲线的图样,但不改变交通流的失效时刻,一般取分析时段内的平均值[9]。其计算公式如下。
式中,V′(t)为变形累积速度值;V(t)为累积速度值;vi为第i个时间间隔内的速度,即为感应线圈检测到的地点速度;v0为背景速度;t为距离起点的时间间隔。
3基于车道与基于断面的识别方法比较
3.1失效时刻判定
以2013年7月2日ZHNX09线圈为例,绘制其断面及各个车道的速度变形累积曲线,见图3。图中曲线的斜率代表了速度的变化趋势,斜率逐渐增大意味着速度的上升,逐渐减小则速度下降。当速度变形累积曲线的斜率出现明显的降低,即出现“拐点”时,则认为交通流发生了失效, 将交通流从畅通状态转变为拥挤状态的时刻定义为“失效时间”。
由图3可知,军工路出口匝道附近各个车道的交通流失效时间存在差异,比如车道1与车道2的失效的时间相差3min 20s,与车道3和车道4的失效时间相差7min 40s。如果采用断面数据来判 别交通流 失效 ,则会早于 最内侧车 道4min 40s,晚于最外侧车道3min。对其他样本数据采用同样的方法进行分析,可得如图4所示的结果。
由图4可知,军工路出口匝道附近瓶颈的交通流失效最先由车道4开始,平均4min多之后才横向蔓延至车道1,即瓶颈点处内侧车道的失效时间始终会晚于外侧车道,而采用断面数据的失效时间则处于两者之间。因此,基于断面和基于车道的瓶颈失效识别方法存在较大的差别,前者是对整个断面拥挤状态的粗略估计,而后者则可更为精细地识别出各个车道的交通状态,有利于更有针对性的提出管理措施。
3.2半拥挤状态识别
由实际经验可知,在城市快速路的入口匝道或出口匝道的地方,往往出现外侧车道排队,而内侧车道仍然较为畅通的现象。笔者将这种同一断面的部分车道拥挤、部分车道畅通的状态称为半拥挤状态。如果采用断面数据作为分析对象,则只能将断面判定为拥挤状态或非拥挤状态,却不能有效识别半拥挤状态。
以2013年7月27日 (周六)的检测数 据为例,绘制ZHNX09线圈处断面和各个车道的速度变形累积曲线,见图5(车道3和车道4的累积变形曲线基本重叠)。若采用基于断面的识别方法, 则会判定瓶颈点在09:45时左右发生了瓶颈失效,但实际上车道1一直处于较为畅通状态,只有车道3和车道4发生了较为严重的拥挤情况,因此整个断面处于半拥挤的状态。
3.3拥挤的横向纵向传播分析
采用断面数据分析瓶颈点的交 通拥挤现 象时,只能分析拥挤的纵向传播规律,而不能进一步深入分析拥挤的横向传播特征,基于车道的识别方法在此方面具有重要的意义。以2013年7月24日(周三)的线圈检测数据为例,采用笔者提出的基于车道的瓶颈交通流失效识别方法,得到各检测断面不同车道发生失效的时间,见图6。
分析图6可知,军工路出口匝道附近的交通拥挤是从ZHNX09断面的外侧车道开始,约5min之后横向蔓延 至该断面 的内侧车 道。 比较分析ZHNX09断面和ZHNX10断面各车道的失效时间可发现,交通拥挤从ZHNX09断面处向上游传播至ZHNX10断面时,车道1至车道4所花费的时间分别约为1min,2min,5min,6min,说明此时已有内侧车道拥挤先于外侧车道的趋势。经ZHNX11断面之后,拥挤最终 纵向蔓延 至ZHNX12处,此时内侧车道交通流失效的时间比外侧车道反而早4min多。
由此可知,军工路出口匝道处的交通拥挤虽然先由外侧车道引起,之后横向扩散到整个断面, 但在向上游蔓延的过程当中,内侧车道其实比外侧车道更先发生交通流失效。一方面,内侧车道的道路条件和运行速度较之外侧车道相对较高, 说明通行效率较高的道路比通行效率较低的道路更容易受到交通拥挤的影响。另一方面,这种现象可能是由于出口匝道处的流出车辆为了尽快驶离出口匝道,在内侧车道的抢道换道行为频繁,加剧了内侧车道交通流的紊乱和拥挤,也可能与流出车流量的大小、车道流量分布均匀等有关。
4结束语
笔者在现有变形累积曲线方法的基础上,提出基于车道的瓶颈交通流失效识别方法,即利用各个车道的速度变形累积曲线来分别判定失效。 相比于以往基于断面的交通流失效识别方法,该识别方法更为精细和客观,不仅可以有效识别路段的半拥挤状态,也可深入分析拥挤的横向、纵向传播特性。经研究发现,出口匝道附近瓶颈的拥挤一般先始于外侧车道,经过一定时间之后再横向扩散至整个断面,但在向上游纵向蔓延的过程当中,内侧车道反而比外侧车道更容易发生拥挤。
交通识别系统 第9篇
复杂网络存在着层级结构和组团结构, 复杂网络可以在不同的尺度上划分成为不同的组团, 也可以划分为不同的层级结构[1], 探究复杂网络的层级结构与组团结构对理解复杂网络安全、复杂网络结构具有极其重要的意义。
网络存在着层级结构, 层级结构是复杂网络的中心组织原则[1], 聚集系数和度之间存在的这种标度律量化了节点的聚集程度差异和层级性的共存性, 可以用来证明现实网络中的层级组织[2]。其中, 演员合作网络[3]和万维网[4]具有相同的标度律为-1, AS层级的Internet网络满足标度律为-0.75[5] , 随机网络和BA无标度网络不具有层级结构[6]。
网络存在着组团结构, 在许多网络中, 节点间联系并不相同, 有些密集有些稀松, 联系紧密的地方就形成了组团, 而整个网络就由这些组团构成。组团结构已经在很多网络中发现如社会网络[7,8]、 代谢网络[9]、 世界航班网络、 生物网络和电路网[10,11,12]。识别网络组团结构的方法有很多, 主要分为两大类:一类是图形分割的方法;另一类是分级聚类的方法, 具体方法有Kernighan-Lin算法[13]、谱平均法[14]、 NOMAL矩阵谱平均算法[15]、 GN分裂算法[15,16,17,18]、堆结构算法[19]等。
目前, 国内外的学者都把网络层级结构和组团结构作为单个网络结构特性进行研究, 然而层级结构和组团结构并不是孤立, 二者同时存在的。从纵向来看, 整个网络中的节点可以划分成不同的层级, 从横向来看, 整个网络划分成不同尺度的组团。现在网络层次结构和组团结构没有统一起来, 也没有将其应用到交通网络方面的研究。因而, 本文建立复杂网络层级结构和组团结构算法, 并以长株潭城市群交通网络为例辨识其交通网络的层级结构与组团结构。
2 网络层级结构和组团结构识别的一种新算法
网络层级结构和组团结构存在于复杂网络之中, 网络的每一个节点在网络中的地位和结构作用是不相同的, 所以, 网络中的一部分节点是连接两个聚集更紧密的组团, 这些节点成为两个组团的桥梁和纽带, 因而其在保证整个网络连通中起着更为重要的作用, 通过去除网络中的某些重要的节点, 把网络在不同尺度上破碎成为更小的组团, 而这些去掉节点就成为不同的层级, 在不断的破碎中, 最终使每个节点都成为孤立的节点, 而在整个过程中, 从纵向来看, 将整个网络中的点划分成不同的层级, 从横向来看, 将整个网络划分成不同尺度的组团, 因而, 可以把网络的组团结构和层级结构同时划分出来的。
在以前的研究中, 对组团的结构划分方法很多, 但没有把层级结构和组团结构同时划分出来的方法。本文建立了一种新的算法称为点介数分割法。这种方法先寻找可以把整个网络划分成组团的节点, 然后, 去掉节点, 同时去掉与之相连接的所有边。通过不断重复, 我们可以把社区划分的越来越小, 最后, 一个节点成为一个组团。然而, 在算法中去除第一个节点后, 整个网络中的节点介数将发生变化, 为使之准确, 在去除节点后, 需要重新计算点介数值, 否则, 将影响组团结构和层级结果的划分。因而, 去除一个节点, 再次计算除去此节点的网络中节点的介数数值, 然后, 重复此步骤。
因此, 组团结构和层级结构识别方法一般的算法:
① 计算网络中所有点介数值。
② 找到点介数值最高的点, 并移除此点。
③ 重新计移除后的余下的所有点的介数值。
④ 直到出现新的组团之前移除的点形成一个层级。
⑤ 重复步骤②。
其中, 节点的介数数值的算法采用费瑞曼点介数 (Freeman node betweenness) 算法。
在测量某一点的介数时, 需要考虑网络中任意两个节点之间的最短路径数量和经过该点的最短路径数量。如果两个节点之间有一条最短路径, 并且经过该点, 那我们就认为该点的的介数为1。如果节点之间有n条最短路径, 且只m条经过该点, 就认为该点的介数值为m/n. 因此, 公式为
式中: NB为i节点的绝对介数; i、j、k为节点; gjk (i) 为点j和点k之间经过点i的最短路径数目; gjk为点j和点k之间的最短路径数目。
采用节点介数分割法计算后的最终结构可以做成以下样式的图形 (图1) 。
从图1可以看出, 整个网络是一个整体, 从纵向上看, 可以把网络划分为五个层级, 从上向下, 这些层级上的节点, 对网络的整体性重要程度越来越小, 从横向上看, 可以在不同尺度上把网络划分为不同的组团, 去掉横线上面的点, 可以把网络划分为5个组团, 横线向上移动, 组团个数越来越少, 组团成员越来越多, 横线向下移动, 组团个数越来越多, 组团成员越来越少。
3 长株潭城市群交通网络的层级结构与组团结构识别
3.1 长株潭城市群交通网
为了方便分析, 根据百度地图, 选择长株潭城市群包括长沙市区、长沙县、望城县、宁乡县、株洲市区、株洲县、湘潭市区、湘潭县等县级及以上城市区域主要公路及城市道路所构成的交通网络作为研究对象, 从长株潭城市群区域选取长潭西高速公路、万家丽路、中山路、八一路、韶山路、解放路等450条道路进行分析, 这些道路的规模足以用来研究交通网络其层级结构和组团结构。 (图2)
3.2 长株潭城市群交通网路名对偶网
城市群交通网络进行统计分析需要将地图上交通网络抽象成网络模型, 可借鉴城市交通网建模的相关研究成果, 城市交通网络的抽象方法有两种, 一种就是primal approach[20,21], 另一种就是dual approach[22]。将道路映射为网络的节点, 将道路间的交叉口映射为网络的边, 构建无权、无向的交通网络。可以制成长株潭城市群交通网络对偶图 (dual graph) (图3) 。
3.3 长株潭城市群交通网的层级结构 与组团结构识别及分析
按照网络层级结构与组团结构新算法, 利用VC++ 6.0连接Matlab7.0进行计算, 可以得到长株潭城市群交通网络节点介数数值表 (表1) 。
计算过程中也可以得到长株潭城市群交通网络层级结构表 (表2) , 每一个层级代表组团分割一次所应去掉的节点, 也就是所去掉的道路。如第一层级包括京港奥高速、南二环、G107、雷锋大道、X051、枫林三路等重要的道路。逐级向下分割, 直到把450条道路所构成的长株潭城市群交通网络分成一百九十一个层级, 其中最后一级将道路划分为单条道路、二条道路或者三条道路。
根据上面的计算结果和长株潭城市群交通网络层级结构制作长株潭城市群交通网络层级结构与组团结构图 (图4) , 其中第二次出的组团将望城县分割出来。第三次将长沙县和长沙市分割出来, 第五次将株洲县和株洲市分割出来。第八次把湘潭市与湘潭县分割开来。
根据长株潭城市群交通网络层级结构与组团结构分割次序, 所绘制出来的, 长株潭城市群交通网络组团结构, 本文只绘出从二个组团到九个组团的分割图 (图5至图12) , 它们是在不同层级情况下分割出来的。
人们会发现长株潭城市群中所选取的七个城市都已经划分出来, 却分成九个组团 (图12) , 这是因为湘江经过长株潭三个城市。长沙市、株洲市都被河流所分割, 二个城市都分成河东和河西两个部分。例如株洲, 泰山路、黄山路、长江东路、长江北路、普兰特路、长江南路、衡山路等是河西城区的道路, 而人民南路、华南路、钻石路、茨塘路、文化路、合泰大街、石宋路、公园路、体育路等是河东城区的道路。这表明河流等自然条件对城市交通络连通性和交通网络中的层次结构和组团结构有至关重要影响。
4 结论
复杂网络存在着层级结构和组团结构, 复杂网络可以在不同的尺度上划分成为不同的组团, 也可以划分为不同的层级结构, 然而层级结构和组团结构并不是孤立, 二者同时存在的, 从纵向来看, 将整个网络中的节点划分成不同的层级, 从横向来看, 将整个网络划分成不同尺度的组团。通过对长株潭城市群交通网络的层次结构与组团结构的研究表明, 复杂网络的层次结构和组团结构算法划分的长株潭城市群交通网络的层次结构与组团结构是与实际的长株潭城市群交通网络状况相符合的。
摘要：为了深入研究城市群交通网络层次结构与组团结构, 本文建立复杂网络层级结构和组团结构识别算法, 并以长株潭城市群交通网络为例划分城市群交通网络的层级结构与组团结构。通过对长株潭城市群交通网络的层次结构与组团结构的研究可以得出以下几个重要结论: (1) 层级结构和组团结构并不是孤立, 二者同时存在的。 (2) 复杂网络的层次结构和组团结构算法能够有效地、准确地划分城市群层级结构与组团结构。 (3) 河流等自然地理条件对城市交通网络连通性和交通网络中的层次结构和组团结构有至关重要的影响。
交通识别系统 第10篇
新型城镇化进程和“一带一路”国际战略的实施存在巨大的资金缺口, PPP模式为解决此问题提供了一个行之有效的思路。政府和社会资本合作 (PPP模式, Public-Private Partnerships) , 是指在特许权协议的基础上, 政府和社会资本 (以下简称“公私双方”) 形成伙伴式的合作关系, 由政府提供政策支持、市场准入和公共服务监管, 由社会资本进行融资、建造以及建成后一段时间内的运营, 从而发挥公私双方各自优势, 并实现风险共担、利益共享。
因此, 从2014年财政部下发《关于推广运用政府和社会资本合作模式有关问题的通知》开始, 相关部门和地方政府出台了一系列的推广文件, 并在污水和垃圾处理设施、轨道交通、供水供气供暖设施等领域率先实行PPP项目示范。轨道交通项目投资额大、工程量大、施工环境和组织协调复杂, 再加上PPP项目本身合同结构复杂、不确定性大、法律不完善, 项目面临的风险较大。
已有文献在对PPP项目风险进行定性识别[1]的基础上, 风险分担主要采用分担原则[2]、案例分析[1]、博弈论[3]等方法, 风险评价主要采用灰色关联模型[4]、层次分析法AHP与模糊综合评价法[5]、网络分析法ANP[6]等方法。这些文献大多数没有区分公私双方在风险管理上的不同角色。本文首先在轨道交通PPP项目风险识别的基础上进行风险分担, 然后运用层次分析法AHP (Analytic Hierarchy Process, 解析递阶过程) 分别识别公私双方风险评价指标体系中的关键风险, 从而为公私双方风险管理工作提供更有针对性的指导。
1 轨道交通PPP项目风险识别
本文采用工作分解结构法、风险核对表法与因果分析法相结合识别项目风险。首先, 依据工作分解结构法的基本思路, 考虑城市轨道交通PPP项目的运作程序;其次, 项目所处的宏观环境也会对项目的运作产生影响;再次, 参考柯永建博士的PPP项目风险核对表[7];最后, 考虑风险之间的内在联系, 将风险来源与风险结果区分开来, 仅考虑风险来源。由此识别出24项风险, 如表1所示。
政策风险是指特许期变化、官员贪污腐败、政府决策失误与效率低下、政策不支持或变化等;经济风险包括通货膨胀、利率、外汇、税收等;自然与社会风险是指恶劣的天气、不良的水文地质条件及自然与社会方面的不可抗力事件等;招标风险是指政府特许经营招标组织和社会资本投标竞争中的问题;资金来源风险是指项目吸引力不足导致无法获得足够的投资者资金;规划方案变更风险是指设计过程中政府改变既定的规划方案而需要重新设计。
值得说明的是, 以往大多数文献对PPP项目进行风险识别时, 没有将风险来源与与风险结果区分开来。本文将二者区分开来, 考虑风险来源识别项目风险, 不仅逻辑更为清晰, 更能为从源头上预防风险的发生提供依据。
2 轨道交通PPP项目公私双方风险分担
政府和社会资本是项目风险分担的主体。首先考虑风险分担的基本原则, 包括: (1) 风险与控制力对称原则, 即由对该风险具有较强控制力的参与方承担该项风险, 包括能够以较低的成本、最有效率地应对风险以及能够将风险合理转移给他人; (2) 风险与收益对称原则, 即由控制该风险能够得到更大收益的参与方承担该项风险; (3) 风险归责原则, 即由引发该项风险的责任方承担此项风险。
另外, 2014年财政部发布的《PPP项目合同指南 (试行) 》以及近年财政部和发改委发布的其他文件中, 对PPP项目的风险分担已给出原则性意见, 即政策、法律风险一般由政府承担, 融资、设计、建造、运营风险由社会资本承担, 不可抗力风险由双方共同承担。同时文件也指出, 可以根据项目的具体情况进行调整。
在此基础上, 考虑轨道交通项目的特征, 结合北京地铁、深圳地铁[8]的风险分担案例, 并参考国内外大量文献的研究成果, 得到本文对于城市轨道交通PPP项目公私双方风险分担的建议, 如表1最后一列所示。
3 轨道交通PPP项目公私双方关键风险识别
在风险分担之后, 就形成了公私双方各自的风险识别清单。层次分析法AHP将复杂问题包含的多个因素按支配关系构建递阶层次结构, 然后通过两两比较的方式确定各层次中所包含因素的相对重要性。因此, 本文采用AHP从公私双方的风险清单中识别出各自的关键风险。
3.1 依据风险分担结果构建评价指标体系
轨道交通PPP项目社会资本风险评价指标体系A1及政府风险评价指标体系A2, 如图1~2所示。
3.2 专家调查获得各层次两两比较判断矩阵
层次分析法构建两两比较判断矩阵的判断标度见表2。
构建判断矩阵的专家主要是政府相关管理部门、轨道交通项目投资公司以及PPP咨询公司的中层以上管理人员, 共计6人。专家调查法的得到的A1的判断矩阵如表3~9所示。一级指标B2仅含有1个二级指标, 因此, 直接将一级指标的权重作为二级指标的权重。另外, A2的计算过程与A1相似, 不再一一列出。
3.3 和积法计算指标权重及层次单排序
和积法计算权重向量的基本步骤: (1) 对判断矩阵每一列元素做归一化处理; (2) 按行相加; (3) 得到的向量再次进行归一化处理即得到权重向量; (4) 计算λmax和CR, 进行一致性检验。各判断矩阵的权重向量W及一致性检验指标计算结果如表3~9所示。
λmax=7.23, CI=0.04, CR=0.03<0.1。
3.4 层次总排序
将一级指标层次单排序的权重与对应的二级指标权重相乘, 可以得到A1中19项指标的权重分别为0.005、0.025、0.090、0.009、0.061、0.008、0.042、0.050、0.013、0.154、0.077、0.026、0.101、0.010、0.039、0.020、0.059、0.189、0.022。因此, 对于社会资本来说, 最重要的风险是违约风险、施工管理风险、运营收益风险 (指标权重>0.1) ;其次是招标竞争、工程变更、融资能力、合同完备性与变更、工艺技术、设计不当、运营管理、市政设施与环境保护、自然与社会、组织协调、设备维护风险 (0.1>指标权重>0.02) 。
同理计算, A2中14项指标的权重分别为0.173、0.112、0.054、0.021、0.066、0.014、0.050、0.030、0.075、0.025、0.250、0.075、0.040、0.015。因此, 对于政府来说, 最重要的风险是运营收益风险、政策风险、法律风险 (指标权重>0.1) ;其次是合同完备性与变更、征地拆迁、招标组织、经济、资金来源、违约、规划方案变更、工程变更、自然与社会风险 (0.1>指标权重>0.02) 。
4 结语
公私双方在轨道交通PPP项目运作中扮演的不同角色决定了他们在风险管理上有着不同的侧重点。本文在项目风险识别和风险分担的基础上, 分别建立了轨道交通PPP项目社会资本评价指标体系和政府评价指标体系, 利用层次分析法AHP识别两组评价指标体系中的关键风险。结果表明, 社会资本的关键风险是违约风险、施工管理风险、运营收益风险;政府的关键风险是运营收益风险、政策风险、法律风险。针对这些风险因素, 公私双方应集中各自不同的优势力量, 重点应对不同的关键风险, 通力合作, 促进轨道交通PPP项目顺利建设与运营。[ID:003373]
摘要：首先对城市轨道交通PPP项目的全部风险进行识别, 共计24项。然后, 基于公私双方在项目运作中扮演的不同角色进行风险分担。最后, 依据风险分担结果, 分别建立了轨道交通PPP项目社会资本评价指标体系和政府评价指标体系, 利用层次分析法AHP分别识别两组风险评价指标体系中的关键风险。结果表明, 社会资本的关键风险是违约风险、施工管理风险、运营收益风险, 政府的关键风险是运营收益风险、政策风险、法律风险。
关键词：轨道交通PPP项目,风险分担,AHP,关键风险
参考文献
[1]亓霞, 柯永建, 王守清.基于案例的中国PPP项目的主要风险因素分析[J].中国软科学, 2009, 24 (5) :112-118.
[2]邓小鹏, 李启明, 汪文雄, 等.PPP模式风险分担原则综述及运用[J].建筑经济, 2008, 29 (9) :32-35.
[3]李皓, 王洪强.不完全信息条件下PPP项目公私共担型风险分配的博弈模型[J].价值工程, 2016, 35 (14) :112-115.
[4]何亚伯, 徐冰, 常秀峰.基于改进熵权灰色关联模型的轨道交通PPP项目风险评价[J].项目管理技术, 2016, 14 (3) :112-117.
[5]李妍, 赵蕾.新型城镇化背景下的PPP项目风险评价指标体系的构建[J].经济体制改革, 2015, 33 (5) :17-23.
[6]张玮, 张卫东.基于网络层次分析法 (ANP) 的PPP项目风险评价研究项目[J].项目管理技术, 2012, 10 (10) :84-88.
[7]柯永建, 王守清.特许经营项目融资 (PPP) -风险分担管理[M].北京:清华大学出版社, 2011.