一种交通运行状态感知方法
【技术领域】
[0001] 本发明属于智能交通系统范围，特别涉及一种交通运行状态感知方法。
【背景技术】
[0002] 目前国内外关于交通运行状态感知的方法层出不穷，交通运行状态感知在智能交 通系统中也是一个热门的研究问题。已有的交通运行状态感知算法可以大致分成四类：
[0003] (1)直接比较算法，其中McMaster算法和指数平滑算法最具有代表性。
[0004] (2)时空预测算法，如基于状态空间模型的Cell transmission model以及 Gaussian Mixture Hidden Markov Model〇
[0005] (3)模式识别算法，模式识别算法是采用了在模式识别中常用的算法如贝叶斯线 性判别、支持向量机等对交通运行状态进行分类的方法。
[0006] (4)人工智能算法，人工智能算法一般是基于交通数据进行非监督学习从而对交 通运行状态进行分类的算法。
[0007] 现有的交通状态感知的方法，大部分都是通过对已有的交通数据进行聚类，然后 根据得到的类别模型对新来的数据进行分类，判断出交通运行状态。这类方法只是单纯地 从数据的角度对交通状态进行分类，没有考虑路段和交通状态的关系，也没有考虑交通流 的实际物理特性。除此之外，这类方法只能单纯地对交通状态进行分类，无法根据训练模型 实现进一步的交通流量预测等功能，适用范围不广。
【发明内容】
[0008] 本发明的目的是提出一种交通运行状态感知方法，其特征在于，包括：
[0009] 1)交通状态模型建模
[0010] 对于具体的路段，其交通状态分布在一天的不同时段是不一样的，早高峰和午夜 的交通状态分布特征显然有很大的区别，因此在研究交通状态分布的时候需要把不同的时 段分开对待，由此对交通状态分布进行建模;对交通状态分布进行建模的步骤如下：
[0011] (1)对于某个路段，若按照2小时划分不同时间段，那么这条路段就可以分为12个 研究对象，其中每个时间段都有其独特的交通状态分布数据，将这一最基本的研究单元定 义为时间路段；同时，定义数据点为交通检测器检测到的某个具体的交通数据，定义了模型 中需要用到的各种参数，如表1所示，
[0012]表1模型中需要用到的各种参数
[0014] (2)模拟正向的交通数据的生成，假设每个时间路段共有K种交通状态可以选择， 对于一个数据点￥，应该首先确定其交通状态;然后根据该数据点的交通状态确定交通数 据;那么，该数据点w的交通数据为t的概率就为：
[0016] 其中，p(w = t | z = k)为一个多项分布，是从交通状态为z = k中选择数据点时 的分布，P(z = k)是该数据点的交通状态为k的概率；
[0017] 假设时间路段m上的交通状态z的分布p(z | d=m) = 0m，首先根据超参数α确定具体 的交通状态分布θπι，然后从分布0m中采样就可以得到每个数据点的交通状态zm， n;假设对 于交通状态zm，n，其交通数据t分布为p(t | z = k)= <i>k;同样地，需要首先根据超参数β确定 每个交通状态对应的交通数据分布Φ，然后从随机采样得到该数据点的交通数据;从分 布θπι中采样得到所有数据点的交通状态，以此构成一个路段的交通数据的集合
;该模型中，数据点的交通状态分布是多项分布；同 样，交通数据的在交通数据点中的分布也是多项分布；
[0018] (3)根据上面描述的模型，得到整个数据集生成的概率，表示为给出的所有超参数 和需估计参数组成的联合分布：
[0020] 式中，ρ( Φ | β)是每个交通状态对应的交通数据分布，这个分布对于一个时间路段 来说是唯一的;p(wm，n| Φζηι，η)ρ(ζηι，η| 0m) · p(0m|a)是对从时间路段上获得每个数据点 对应的交通状态，然后再采样得到每个数据点的交通数据的过程;所有数据点出现概率之 和就是整个数据集出现的概率；而对于某一个特定的数据点，其交通数据wm，n = t的概率 为：
[0022] 上面的式（1)、式(2)即为建立的交通状态感知模型，描述了各种类型的交通数据 出现的概率；
[0023] 2)交通状态模型表达式求解
[0024] 要想估计模型中的参数，就需要知道上述联合分布在实际应用时的确切表达式， 在估计交通状态模型时，若在每个数据点对应的交通状态zm，η已知，0 m和φ k都能通过每个 数据点的交通数据wm，n和交通状态zm，n用统计的方式计算出来，因此在实际估计时只需要 估计每个交通数据点的交通状态zm，n即可;估计zm，n的吉布斯采样方法称为塌缩吉布斯采 样，在只需要估计zm，n，时，贝lj式(1)简单地写成：
[0025] p(w，z | α，β) =p(w | ζ，β) · p(z | α) 式（3)
[0026] 式中，第一项和α无关，第二项和β无关，因此这两项可以被分别考虑；
[0027] 首先推导第一项，考虑概率ρ(?|ζ，Φ)表示的是已知每种交通状态下交通数据的 分布Φ时得到的所有交通数据点的过程，是一个多项分布，此时，Φ是这个分布的先验参 数，分布Ρ(Φ |β)是多项分布的先验分布，那么则有：
[0028] p(w | ζ，β) = Jp(w | ζ，Φ )ρ( Φ | β)(1Φ 式（4)
[0029] 在这里，选取Phi的先验分布为狄利克雷(Dirichlet)分布，由于狄利克雷分布是 多项分布的共辄先验分布，因此在计算时我们得到的后验分布的形式也是狄利克雷分布， 这就极大地简化了最终的数学计算；由于
[0031]代入上面的式(4)，最终得到：
[0033] 其中Δ (β)表示参数为邱勺狄利克雷分布，nk(t)表示交通数据t在交通状态k下出现 的次数;nz (t)表示交通数据t在交通状态Z下出现的次数;类似地，第二项ρ(ζ|α)可以写为
[0034] ρ(ζ | a) = Jp(z | Θ )ρ( Θ | a)d Θ 式(7)
[0035] 而其中的ρ(ζ| Θ)同样可以写成所有0m，k相乘的形式，其中，nm(k)表示时间路段m 上，交通状态k出现的次数;同样，
[0037]代入式(7)，可以得到和式(6)类似的结果：
[0039]结合式(7)和式(9)，我们可以得到描述交通运行状态的联合分布为：
[0041]有了交通数据出现的概率分布的具体表达式，使用Gibbs采样算法对模型中的参 数进行估计，就可以根据已有的交通数据对参数θπι和Φ m进行估计，从而建立起一个描述交 通状态的模型；
[0042] 3)模型参数估计
[0043]吉布斯采样（Gibbs sampling)是一种常用的马尔科夫蒙特卡洛方法（MCMC method)，在Gibbs采样中，每次在其他维度不变的情况下只对维度xi进行采样，不变的维度 被定义为f/，整个Gibbs采样的过程如下：
[0044] (1)选择维度1
[0045] (2)通过p (xi | U').对xi采样，其中，| Π ')可以使用下式计算：
[0047]在使用Gibbs采样估计上述交通状态模型中的参数时，首先应该确定采样公式 p(iri| Χ"\?) _;令1 = (m,η)为一个交通数据的下标，在Gibbs采样中，有{ri :旷_/} 和名{幻'_= 4 d.，根据上面得到的结果以及Dirichlet分布的性质，可以得到采样 公式如下：
[0049]在Gibbs采样收敛之后，就可以得到所有交通数据点的交通状态z的采样结果；由 于参数0m和Φ k对应的是多项分布，而其先验分布选取的共辄先验分布是Dirichiet分布， 因此，参数Θι?和<i>k的后验分布也是Dirichlet分布：
[0052] 其中nm是时间路段m上交通状态的观测计数值