[发明专利]一种数据稀疏时间段的道路交通流状况预测方法

权利要求书

1.一种数据稀疏时间段的道路交通流状况预测方法，其特征在于：基于时间动态序列匹配预测道路交通流状况，包括交通流数据预处理、条件随机域模型还原道路交通流时间动态序列、基于动态时间规整的序列匹配交通状况预测，条件随机域模型还原道路交通流时间动态序列包括转移条件特征函数和隐含状态转移函数的选取和条件随机域模型的参数估计两步，具体步骤为：

第一步，交通流数据预处理；

第二步，转移条件特征函数和隐含状态转移函数的选取；

第三步，条件随机域模型的参数估计；

第四步，基于动态时间规整的序列匹配交通状况预测；

条件随机域模型还原道路交通流时间动态序列中，选用的道路交通流量相关环境信息具体为道路噪音，道路噪音值用Noise表示，将道路噪音等级分为五类，用N表示：

无向图A中包含两类节点，分别为第一类节点和第二类节点，第一类节点b＝{b₁,b₂,...,b_n}表示在连续时间节点上的道路交通流状态，第二类节点c＝{c₁,c₂,...,c_i,...,c_n}，c_i＝{N,t}表示时间动态序列相关特征，包括道路噪音等级和时间戳，给定道路环境观测序列c，则每个道路交通流状态b_i由以下公式可得：

其中D(c)为一个正则函数，通过上面等式可以得出五个道路交通流状态在每个时间戳上的概率可表示为一个五维向量；

给定道路环境观测序列c，要求得某个时间戳下的道路交通流状态，在条件随机域中需要解决的问题包括：

一是转移条件特征函数t_j和隐含状态转移函数G_k的选取，其中j、k是自然数；

二是从已经标注好的训练数据集学习条件随机域模型的参数，即转移条件特征函数t_j和隐含状态转移函数G_k的权重向量f_j和H_k；

第二步，转移条件特征函数t_j和隐含状态转移函数G_k的选取中，t_j(b_i-1，b_i，c，i)表示道路交通流状态序列从时间戳i-1到时间戳i的节点，道路交通流状态由b_i-1转变为状态b_i的道路交通流状态转移函数，依赖于当前的道路交通流状态和前一个时间戳的道路交通流状态；

G_k(b_i，c，i)表示环境信息观测序列在时间戳i-1时，由道路环境信息观测序列c可得到道路交通流状态b_i的隐含状态转移函数，依赖于当前的道路交通流状态和当前的道路环境信息；

转移条件特征函数t_j和隐含状态转移函数G_k的取值为0或者1，条件随机域完全由转移条件特征函数t_j和隐含状态转移函数G_k以及对应的权值f_j和H_k确定，转移条件特征函数t_j和隐含状态转移函数G_k的统一形式用S_j(b_i-1，b_i，c，i)表示；

第三步，条件随机域模型的参数估计中，用最大概似估计方法从已经标注好的道路交通流训练数据集中学习出条件随机域模型的参数，具体步骤为：

第1步，根据总体分布，建立似然函数：

其中为道路交通流训练样本中(c，b)的经验概率；

第2步，通过对L(f_j)求导，令等式为0，求得转移条件特征函数t_j的权重向量f_j：

第3步，通过下式：

得到道路交通流在时间戳t时的五种状态分别的概率，得到一个五维向量：

P(t)＝[p(bt＝Cg),p(bt＝Sl),p(bt＝Nm),p(bt＝Mo),p(bt＝Un)]；

第四步，基于动态时间规整的序列匹配交通状况预测中，采用动态时间规整方法，在序列匹配过程中，假设当前时间为t_ct，由条件随机域方法得到的状态序列表示为经过t_b时间后待预测时间点的交通状态用表示,基于动态时间规整的序列匹配算法找到相匹配的历史片段，用表示，在该算法中序列片段是通过时间上的非线性扭曲来找到相似的历史片段，用一个常量阈值m作为相似度的衡量标准，只有计算出的动态时间规整距离小于常量阈值m才可作为相似历史片段，即假设根据动态规整算法选出hg个历史片段作为相似片段，可以得到hg个在t_ct+t_b，即预测时间点的五维概率向量，其中第i个概率向量为：

在上式中，g′(i)表示第i个相似历史片段，p⁽ⁱ⁾(g′_l＝g)(g∈Ω)表示根据第i个相似历史片段g′(i)得到的在预测时间点t_ct+t_b的五个状态的概率向量，第i个历史片段的权重L(i)由以下公式可得：

因此，可以得到在预测时间点t(t＝t_ct+t_b)的最终状态结果：

将每道路交通流状态用数字量化表示，

Z＝{拥堵(Cg)＝1，缓慢(S1)＝2，正常(Nm)＝3，较畅通(Mo)＝4，畅通(Un)＝5}，

路段的状态Z^t_q表示路段q在时间戳t时刻的交通流量状态，其中拥有最大概率值的状态为交通流预测状态。