[发明专利]基于动态贝叶斯网络的高速公路路段交通状态估计方法

权利要求书

1.基于动态贝叶斯网络的高速公路路段交通状态估计方法，其特征在于：包括以下步骤：

1)提取与路段交通状态的相关参数作为节点，包括可观测的节点和隐藏节点；其中可观测的节点包括路段的平均行程时间和路段的相对密度，隐藏节点包括路段的交通状态；

2)确定节点间的相互关系，构建动态贝叶斯网络；

3)对可观测节点的数据进行模糊分类，通过对历史数据的分析得到各个类的聚类中心，并确定可观测节点的数据属于各个类的隶属度；

4)对于动态贝叶斯网络中选定的目标节点，结合历史样本的状态信息的统计和经验知识，求得相应的条件概率以及转移概率，构建选定目标节点的各时刻特征表；

5)输入当前时刻的路段交通流参数到动态贝叶斯网络中，触发对各时刻的目标进行推理，得出交通状态估计结果。

2.如权利要求1所述的基于动态贝叶斯网络的高速公路路段交通状态估计方法，其特征在于：所述步骤1)中，路段平均行程时间计算公式如下：

$t=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{t}_{ri}$

其中，t_ri表示该路段上第i辆车的实际行程时间；

n表示在该路段上的车的总的数量；

路段相对密度计算公式如下：

K′＝Q_进-Q_出+△Q

其中，K′表示相对车辆数；

Q_进表示分析时段内进入研究路段的车辆数；

Q_出表示分析时段内离开研究路段的车辆数；

△Q表示分析时段内研究路段上的原始车辆数。

3.如权利要求2所述的基于动态贝叶斯网络的高速公路路段交通状态估计方法，其特征在于：所述步骤3)中，用模糊C均值聚类将历史样本分成三类，三个类分别对应路段交通状态：畅通、缓行、拥堵，根据下式确定数据属于各个类的隶属度：

$u_{ij}=\frac{1}{\underset{k=1}{\overset{c}{\Σ}}{\left(\frac{d_{ij}}{d_{kj}}\right)}^{\frac{2}{m-1}}}$

其中，u_ij表示第j个样本属于第i类的隶属度，c表示为c类，其中2≤c≤n，n为在路段上的车的总的数量；d_ij＝||x_j-c_i||表示第i个聚类中心与第j个样本点之间的距离，m∈[1,+∞)表示模糊加权指数，表征隶属度矩阵的模糊程度，m取值越大表示模糊程度越高，相反m取得值越小其模糊程度越低。

4.如权利要求3所述的基于动态贝叶斯网络的高速公路路段交通状态估计方法，其特征在于：所述步骤5)之后还包括如下步骤：

6)根据新得到的实际状态的值以及对应的节点的观测值的类别，调整条件概率表和转移概率表；

7)判断是否需要进行下一时刻的推理，若是则获取下一时刻的路段交通流参数，转到步骤5)，否则结束。