一种道路交通流状态的短时预测方法
【技术领域】
[0001] 本发明涉及一种道路交通流状态预测方法，特别是涉及一种道路交通流状态的短 时预测方法。
【背景技术】
[0002] 作为智能交通系统的关键技术，交通流状态的短时预测一般指预测未来不超过15 分钟的交通状况。交通流状态的短时预测不仅是交通控制与车辆导航的基础，而且为优化 交通管理方案提供基础依据。国内外对交通流状态的预测有对历史数据进行的离线预测、 历史数据修正实测数据进行预测和实测数据的预测。由于短时交通流状态具有高度的不确 定性和随机性，这些方法都明显存在时滞问题，不能满足现代交通的实时性需求。现有的研 究方法中，采用时间序列模型的方法需要大量的历史数据，且对交通流状态变化的时敏性 差；神经网络模型的方法需要大样本，难以适应短时交通流状态的不确定性，且训练过程复 杂。
[0003] 《基于动态贝叶斯网络的交通流状态辨识方法》（北京理工大学学报2014年第一 期，第34卷，P45-P49) -文结合动态贝叶斯网络理论，综合考虑交通流量、速度、车道占有 率3种影响因素，将动态贝叶斯网络应用于交通流状态辨识模型研究，即综合多个交通流 参数的观测值，对各个时段或某一时段的交通流状态进行推理。采用这种预测短时交通流 状态的方法，在整个预测过程中，其网络的各条件转移概率都是由专家知识给出的固定值， 这就不免带有主观性，而且不适应交通流状态变化的不确定性，带来预测的准确性降级。
【发明内容】
[0004] 为了克服现有道路交通流状态预测方法精确度差的不足，本发明提供一种道路交 通流状态的短时预测方法。该方法在预测的开始，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 辄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，使得预测的精确度得到提高。
[0005] 本发明解决其技术问题所采用的技术方案是：一种道路交通流状态的短时预测方 法，其特点是采用以下步骤：
[0006] 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 JP λ = {A, Β} 〇
[0007] 初始交通流状态先验分布向量:π ;= ρ(χ丄i = 1，2, 3, . . .，η，表示交通流不同状 态下的概率，η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，η =3,初始设定 JT1= JT 2= π 3= 1/3。
[0008] 交通流状态间状态转移矩阵:A = (ai])n>Nn，其中a"= p(x t= i/x t i= j)，表示x 在t-1时刻由i变成t时刻j的概率，i，j = 1，2, "'ru当i = j时，0. 5彡a1% 1，当 i 乒 j 时，(Ka1XO. 5,其4
[0009] 交通流状态与交通流参数间状态转移矩阵：B = Od1GO )1>Nn，其中Id1GO = p (yt = k/xt i= i)，i = 1，2,…，η,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。
[0010] 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。
[0011] 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。
[0012] 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。
[0013] 第二步、根据第一时刻送来的交通流参数数据9 = ^，.6，以及上一步的网络参 数π JP λ = {A，B}，计算第一时刻交通流状态的后验概率Φ i和第二时刻交通流状态的 先验概率α2 (j)，公式如下：
[0016] 第三步、根据第二时刻送来的交通流参数数据4 = ;.ν)?丨，以及上一步的结果， 计算第二时刻交通流状态的后验概率Φ2，第三时刻交通流状态的先验概率a3(j)和第一 次的交通流状态之间的转移概率
公式如下：
[0020] 第r+Ι步：以此类推，直至第r时刻输入中Λ =丨，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Φ 3，第r+Ι时刻交通流状态的先验概率α μ (j) 和第r-1次的交通流状态之间的转移概率
公式如下：
[0024] 网络参数A的更新。
[0025] 对r-Ι次的交通流状态之间的转移概率
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-Ι个^ hi,并和计算样本g.mh.… 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
[0027] 令完成网络参数A的更新。
[0028] 网络参数B的更新。
[0029] 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：
[0031] 令S===0,完成网络参数B的更新。
[0032] 下一次预测周期开始时，网络参数以更新的参数作为输入。
[0033] 本发明的有益效果是：该方法在预测的开始，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共辄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，使得预测的精确度得到提高。而且运用Dirichlet共辄先验分布的 参数估计方法，因其先验分布与后验分布形式一致而使计算简单。
[0034] 下面结合附图和【具体实施方式】对本发明作详细说明。
【附图说明】
[0035] 图1是本发明一种道路交通流状态的短时预测方法的流程图。
[0036] 图2是本发明方法构建的交通流状态预测DBN结构图。
【具体实施方式】
[0037] 参照图1-2。本发明一种道路交通流状态的短时预测方法具体包括以下步骤：
[0038] 初始化网络参数时，由用专家知识给出，然后采用前项递归算法，计算出r-Ι个时 间段的交通流状态之间的转移概率，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，计算样本 和采样样本进行取均值，实现参数A进行更新。通过统计交通流参数各种状态对应的交通 流参数状态的数量，实现网络参数B的更新。这样，在下一轮预测中，网络参数的就用更新 的，实现网络参数的自适应学习。
[0039] 第一步：根据DBN网络结构，初始化网络参数：初始先验条件π JP λ = {A，B}.
[0040] 初始交通流状态先验分布向量:π ;= ρ(χ丄i = 1，2, 3, . . .，η，表示交通流不同状 态下的概率，η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，η =3,初始设定 JT1= JT 2= π 3= 1/3。
[0041] 交通流状态间状态转移矩阵：Α =以])_，其中a"= p(x t= i/x t i= 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彡ai j彡1，当 i 乒 j 时，0〈aij〈0. 5,其中
[0042] 交通流状态与交通流参数间状态转移矩阵：B = Od1GO )1>Nn，其中Id1GO = p (yt = k/xt i= i), i = 1，