[发明专利]一种道路交通流状态的短时预测方法

摘要

本发明公开了一种道路交通流状态的短时预测方法，用于解决现有道路交通流状态预测方法精确度差的技术问题。技术方案是在预测的开始，DBN网络参数选用专家知识提供的参数，采用前项递归法进行推理预测，并获得DBN的时间片间的交通流状态转移概率和时间片内的交通流状态与交通流参数间转移概率。当预测次数达到设定数值时，采用Dirichlet共轭先验分布作为这些概率的先验分布,用矩估计法对先验分布的超参数进行估计,再用该先验分布采样形成的等价样本与观测值对DBN的网络参数进行更新，作为下一次DBN预测的新的网络参数。本发明采用DBN参数进行自适应在线调整，避免了预测时主观因素主导的现象，提高了预测的精确度。

主权项

一种道路交通流状态的短时预测方法，其特征在于包括以下步骤：第一步、根据构建的DBN网络结构，初始化网络参数；初始先验条件π_i和λ＝{A,B}；初始交通流状态先验分布向量π_i＝p(x_i),i＝1,2,3,...,n，表示交通流不同状态下的概率，n为交通流状态的数量，交通流状态分为自由流、间歇流和拥堵流三种状态，n＝3，初始设定π₁＝π₂＝π³＝1/3；交通流状态间状态转移矩阵：A＝(a^ij)_n*n,其中a^ij＝p(x_t＝i/x_t‑1＝j)，表示x在t‑1时刻由i变成t时刻j的概率,i，j＝1,2,…,n；当i＝j时，0.5≤a^ij≤1,当i≠j时，0<a^ij<0.5,其中${\&Sigma;}_{i=0}^n{a}^{ij}=1;$交通流状态与交通流参数间状态转移矩阵:B＝(bⁱ(k))_1*n,其中bⁱ(k)＝p(y_t＝k x t‑1＝i,i＝1,2,…,n,表示交通流状态x在t‑1时刻状态i的条件下，交通流参数y为状态K的概率；其中k表示交通流参数y在t时刻的状态；k的变量取车速、车流量和车道占有率；拥堵流条件下，车速低、占有量大、流量小的概率取值在0.5‑1.0之间，其余在0‑0.5之间；间歇流条件下，车速中、占有量中、流量中的概率取值在0.5‑1.0之间，其余在0‑0.5之间；自由流条件下，车速高、占有量小、流量中的概率取值在0.5‑1.0之间，其余在0‑0.5之间；R表示参数A更新的小样本时间段数，r*m表示参数B更新的小样本时间段数；小样本总数为20‑200，r取4‑10，m取5‑20；第二步、根据第一时刻送来的交通流参数数据以及上一步的网络参数π_i和λ＝{A,B}，计算第一时刻交通流状态的后验概率ψ₁和第二时刻交通流状态的先验概率α₂(j)，公式如下：${\mathrm{\&psi;}}_{1=}p(x_1/y_1^1,y_1^2,y_1^3)=\frac{\mathrm{\&pi;}{\&Pi;}_{K=1}^3{b}^i\left(k\right)}{{\mathrm{\&Sigma;}}_{x_1}{\&Pi;}_{K=1}^3{b}^i\left(k\right)}$${\mathrm{\&alpha;}}_2\left(j\right)=\underset{i=1}{\overset{3}{\&Sigma;}}{\mathrm{\&psi;}}_1\left(i\right)a^{ij}$第三步、根据第二时刻送来的交通流参数数据以及上一步的结果，计算第二时刻交通流状态的后验概率ψ₂，第三时刻交通流状态的先验概率α₃(j)和第一次的交通流状态之间的转移概率公式如下：${\mathrm{\&psi;}}_2=p(x_1/y_2^1,y_2^2,y_2^3)=\frac{a_1\left(j\right){\&Pi;}_{K=1}^3{b}^i\left(k\right)}{{\mathrm{\&Sigma;}}_{x_1}{a}_{1\left(j\right)}{\&Pi;}_{K=1}^3{b}^i\left(k\right)}$${\mathrm{\&alpha;}}_3\left(j\right)=\underset{i=1}{\overset{3}{\&Sigma;}}{\mathrm{\&psi;}}_2\left(i\right)a^{ij}$${\mathrm{\&xi;}}_1^{ij}=p\left(x_2=j/x_1=i,y_1^1,y_1^2,y_1^3\right)=\frac{{\mathrm{\&psi;}}_1\left(i\right)a^{ij}{\&Pi;}_{k=1}^3{b}^i\left(k\right)}{{\&Sigma;}_{i=1}^3{\mathrm{\&psi;}}_1\left(i\right)a^{ij}{\&Pi;}_{k=1}^3{b}^i\left(k\right)}$第r+1步：以此类推，直至第r时刻输入中以及上一步的结果，并令t＝r，计算第r时刻交通流状态的后验概率ψ_r，第r+1时刻交通流状态的先验概率α_r+1(j)和第r‑1次的交通流状态之间的转移概率公式如下：${\mathrm{\&psi;}}_r=p(x_1/y_r^1,y_r^2,y_r^3)=\frac{a_{r-1}\left(j\right){\&Pi;}_{k=1}^3{b}^i\left(k\right)}{{\&Sigma;}_{x_1}{a}_{r-1}\left(j\right){\&Pi;}_{k=1}^3{b}^i\left(k\right)}$${\mathrm{\&alpha;}}_{r+1}\left(j\right)=\underset{i=1}{\overset{3}{\&Sigma;}}{\mathrm{\&psi;}}_r\left(i\right)a^{ij}$${\mathrm{\&xi;}}_{r-1}^{ij}=\frac{{\mathrm{\&psi;}}_{r-1}\left(i\right)a^{ij}{\&Pi;}_{k=1}^3{b}^i\left(k\right)}{{\&Sigma;}_{i=1}^3{\mathrm{\&psi;}}_{r-1}\left(i\right)a^{ij}{\&Pi;}_{k=1}^3{b}^i\left(k\right)}$网络参数A的更新；对r‑1次的交通流状态之间的转移概率f＝1,2,3…r‑1,采用Dirichlet分布模型定义先验分布,采用矩估计法计算先验分布的超参数以确定先验分布,并对该分布进行采样形成等价样本,以该等价样本与获得的r‑1个s＝1,…,r‑1,并和计算样本Μ＝1,…,r‑1进行取均值,对当前时刻的参数A进行更新，计算公式为：为归一化因子,满足令完成网络参数A的更新；网络参数B的更新；对于网络参数B，统计出r*m个时间段内交通流参数状态为d时，其所对应交通流参数状态的数量，计算公式为：令完成网络参数B的更新；下一次预测周期开始时，网络参数以更新的参数作为输入。