CN102436740A - 一种高速公路交通事件自动检测方法 - Google Patents

Abstract

一种高速公路交通事件自动检测方法，在处理数据缺失情况下对高速公路交通事件进行自动检测，包括以下步骤：检测系统通过感应线圈或者视频检测设备按照设定的时间间隔采集检测区的实时交通流信息；对采集的实时交通流信息，进行归一化与离散化等预处理；将预处理后的数据输入采用基于加树朴素贝叶斯分类器的检测算法得到发生事件的后验概率；对得到的后验概率进行指数平滑处理，若平滑后的后验概率值高于阈值则发出警报，通知交通管理部门采取相应的措施清楚事件，否则继续采集数据，进行下一次判断；本发明方法检测率高，误报率低，检测时间短，并可以处理缺失数据，可广泛应用于高速公路管理系统中。

Description

一种高速公路交通事件自动检测方法

技术领域

本发明属于交通智能管理和控制技术领域，涉及一种可处理数据缺失情况的高速公路交通事件自动检测的方法，具体为一种基于加树朴素贝叶斯分类器的高速公路交通事件自动检测方法，用于高速公路管理系统中对交通事件存在与否进行实时自动检测。

背景技术

交通事件定义为造成道路通行能力下降，扰乱正常交通流的，随机的、偶发的事件，如车祸、车辆抛锚、道路损坏、货物散落等。交通事件是造成道路拥挤的重要因素，据国外相关统计，交通事件导致了城市区域的52～58％的交通拥挤，造成约两百万辆小时的延误，由此产生的旅行时间和额外燃料消耗损失折合约四千万美元。

事件管理系统是减少交通事件损失的有效工具，其主要包括信息采集、事件检测、事件评估、事件响应等模块。其中实时检测算法正是事件检测模块的核心技术。准确而迅速的事件检测可以直接减少事件造成的负面影响，而传统的人工检测方法耗时较长，已经难以满足高效的要求。事件检测算法的基本原理是根据实时检测的交通流数据，如占有率、速度、流量等，通过一系列分析，识别交通流的异常变化，以判断路段是否发生事件。虽然，近年来，视频识别技术也被应用在了事件检测中，但由于其无法全区域覆盖、全天候工作，因此目前基于交通流参数变化来检测交通事件的方法是主要的研究方向。发明“采用人造神经网络和遗传算法的高速公路事件自动检测系统”(CN1311880A)公开了一种基于神经网络的交通事件检测算法，其检测性能较优，但神经网络是黑箱结构，在实际过程中难以应用。发明“基于偏最小二乘原理的高速公路交通事件自动检测方法”(CN 100481153C)算法结构较为简单，但难以处理数据缺失的情况。而在实际的数据采集中，由于检测器数量多、且一直处于工作状态，经常会出现设备故障、程序出错或检测失败的情况，造成某一时段的交通流参数缺失，因此事件检测算法必须克服这一困难。

发明内容

本发明要解决的技术问题是：针对现有技术中存在的处理数据缺失缺陷，提出一种可处理数据缺失情况的高速公路交通事件自动检测方法，其检测率、误报率和平均检测时间均有较好的表现，且可以处理数据缺失的情况。

本发明的技术方案为：一种高速公路交通事件自动检测方法，在处理数据缺失情况下对高速公路交通事件进行自动检测，包括以下步骤：

步骤1)：

设置公路检测系统，包括感应线圈和视频设备，按照设定采样步长采集检测区的实时交通流数据，包括上下游交通流量、速度和车道占有率，采样步长设为30秒钟；

步骤2)：

收集检测区的交通流数据，整理为训练数据集，并对采集的实时交通流数据进行预处理，步骤为：

21)对采集到的实时交通流数据进行归一化处理，将各交通流数据全部转化为[0，1]区间内的值：

$x^{\&prime;}=\left\{\begin{array}{cc}0& \mathrm{if\; x}\&le;X_{\mathrm{\&alpha;}}\\ \frac{x-X_{\mathrm{\&alpha;}}}{X_{\mathrm{\&beta;}}-X_{\mathrm{\&alpha;}}}& \mathrm{if}{X}_{\mathrm{\&alpha;}}<x<X_{\mathrm{\&beta;}}\\ 1& \mathrm{if\; x}\&GreaterEqual;X_{\mathrm{\&beta;}}\end{array}\right.$

其中x′为原始数据x归一化后的结果，X_α和X_β分别为训练数据集的中各交通流数据对应的最小值和最大值；

22)对归一化处理后的交通流数据进行离散化处理：根据训练数据集应用基于熵的离散化方法获得离散化的界值，将经归一化处理后的实时交通流数据与界值做比较，确定其所处的状态，形成后续基于加树朴素贝叶斯分类器的检测算法的标准输入格式；

步骤3)：

将预处理后的交通流数据输入基于加树朴素贝叶斯分类器的检测算法，判断检测区是否发生交通事件，如果发生，发出警报，否则继续采集数据，进行下一次判断；所述基于加树朴素贝叶斯分类器的检测算法判断检测区是否发生交通事件的具体步骤为：

31)使用已知交通状态的交通流信息数据集作为建模样本，按照步骤2)所述方法进行预处理后，建立应用于事件检测的加树朴素贝叶斯分类器，应用于事件检测的加树朴素贝叶斯分类器的结构学习和参数学习分别采用最大权重生成树算法MWST和最大似然估计的方法；

32)将采集的实时交通流数据经预处理后输入步骤31)所建立的加树朴素贝叶斯分类器，输出确定当前有事件发生的后验概率：每隔一个时间间隔，对实时输入的交通流数据进行归一化与离散化处理，形成标准输入格式，作为证据输入模型进行推理，从而获得有事件发生的后验概率；所述推理采用贝叶斯网络中的团树传播算法；

33)对得到的后验概率进行指数平滑处理：设由推理得到的第t个时间间隔得到的Y＝1的后验概率为I(t)，而作为决策依据的第t个时间间隔发生事件的概率为则

$\hat{I}\left(t\right)=\mathrm{\&alpha;I}\left(t\right)+(1-\mathrm{\&alpha;})\hat{I}(t-1)$

式中的加权系数α取0.7；

34)将指数平滑后的后验概率与预先设定的阈值做比较，若大于阈值，则表示检测区内发生事件，进行报警，否则表示检测区内为正常交通运行状态，阈值设为0.6。

步骤22)中，熵的数学定义为：设k是不同的类标号数，m_i是划分的第i个区间中值的个数，m_ij是区间i中类j的值的个数，第i个区间的熵e_i由如下等式给出：

$e_i=-\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}{p}_{\mathrm{ij}}{\log }_2{p}_{\mathrm{ij}}$

其中，p_ij＝m_ij/m_i是第i个区间中类j的概率，也就是值的比例，该划分的总熵e是每个区间的熵的加权平均，即

$e=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_i{e}_i$

其中，m是值的个数，w_i＝m_i/m是第i个区间的值的比例，而n是区间个数，根据训练数据集应用基于熵的离散化方法获得离散化的界值的步骤为：

221)将从0开始，每隔0.01取一值，一直取到1，得到一个包含101个数的潜在区间边界集合M；

222)依次取M中的元素a作为区间边界划分为两个区间，然后计算该划分的总熵；

223)取使总熵最小的M中的元素m^*作为最终的区间边界，将连续的交通流参数二元离散化；

224)根据m^*将集合M分为两个集合，M1和M2，作为各区间再次划分的潜在区间边界集合，对熵较大的区间重复步骤步骤222)和223)，从而使划分区间的个数为3，应用训练数据集，使用上述基于熵的方法，得到各变量的离散化的界值。

步骤31)中，加树朴素贝叶斯分类器的结构学习和参数学习分别为：

最大权重生成树MWST算法步骤如下：

311)通过训练数据集计算各属性之间的条件互信息

$I_{{\stackrel{\&OverBar;}{P}}_D}(A_i;A_j|C)=\underset{A_i,A_j,C}{\mathrm{\&Sigma;}}P(a_i,a_j,c)\log \frac{P(a_i,a_j|c)}{P\left(a_i\right|c)P\left(a_j\right|c)}$

其中A_i与A_j表示模型中任意两个不同属性变量，a_i和a_j分别表示A_i与A_j的一个可能的取值，C为分类变量；

312)建立一个节点为全部属性变量，以

为弧的权重的加权完全无向图，所述节点不包括分类变量C；

313)建立一个最大权重跨度树；

314)选择一个根节点，设置所有边的方向是由根节点向外，从而将无向树转换为有向树；

315)添加分类变量C，并添加从分类变量与属性变量之间的连接，得到加树朴素贝叶斯分类器的结构；

最大似然估计的方法为，设一个由n个变量X＝{X₁，X₂，…，X_n}组成的加树朴素贝叶斯分类器N，设其中的节点X_i，i＝1，2，…，n，共有r_i个取值1，2，…，r_i，其父节点pa(X_i)的取值共有q_i个组合：1，2，…，r_i，则贝叶斯网络的参数为

p_ijk＝P(X_i＝k|pa(X_i)＝j)

其中i的取值范围是1～n，对一个固定的i，j和k的取值范围分别是从1～q_i及1～r_i；设D＝(D₁，D₂，…，D_m)是关于这些变量的一组独立同分布的数据，则P的对数似然函数为

$l\left(P\right|D)=\log \underset{l=1}{\overset{m}{\mathrm{\&Pi;}}}P\left(D_l\right|P)=\underset{l}{\overset{m}{\mathrm{\&Sigma;}}}\log P\left(D_l\right|P)$

最大似然估计，即寻找使得l(P|D)最大的P^*，由下式得到

由此获得贝叶斯网络的参数。

步骤32)所述团树传播算法为：首先构建一个覆盖加树朴素贝叶斯分类器的团树J，用加树朴素贝叶斯分类器中的概率函数将团树J初始化，并且设置证据；然后，任选一个团C_p作为枢纽节点，进行信息传递，信息传递分为收集和分发两个阶段，在信息收集阶段，算法从J的叶节点开始，逐步朝枢纽节点方向传递信息，在信息分发阶段，算法从枢纽节点开始，逐步朝J的各个叶节点方向传递信息，最后，进行答案提取，对非证据变量Y，算法首先找到一个包含Y的团C_Y，然后从C_Y提取后验分布，即得到推理结果。

本发明针对高速公路的交通情况，提出了一种基于加树朴素贝叶斯分类器的交通事件自动检测方法，尤其适用于处理数据缺失情况，与现有技术相比，本发明具有如下优点：加树朴素贝叶斯分类器的理论依据为传统的概率统计，与神经网络等人工智能方法相比，模型的复杂度较低，较容易在实践中应用；加树朴素贝叶斯分类器不要求所有属性变量均为已知，因此可以处理建模数据缺失的情况；与现有方法相比，基于朴素贝叶斯分类器的事件检测方法有较高的检测性能，应用同一数据集，本发明中的方法的测试结果与发明“基于偏最小二乘原理的高速公路交通事件自动检测方法”(CN 100481153C)中使用算法的测试结果作比较，结果如下，其中加树朴素贝叶斯分类器简写为TAN：

可以发现本发明所提出基于加树朴素贝叶斯分类器的检测算法的各方面检测性能均高于PLSR与SVM算法。

附图说明

图1为本发明高速公路检测区上下游检测器布置示意图。

图2为本发明基于加树朴素贝叶斯分类器的高速公路交通事件自动检测方法程序框图。

图3为本发明应用于事件检测的加树朴素贝叶斯分类器结构图。

具体实施方式

下面结合附图和实施例，对本发明作进一步详细说明。

实施例：

如图1所示，在高速公路检测区域上下游布置检测设备，如线圈或视频采集设备，每隔一个时间间隔，如30秒，采集交通流量、占有率、速度等参数。

本实施例使用发明“基于偏最小二乘原理的高速公路交通事件自动检测方法”(CN100481153C)中使用的加利福尼亚旧金山海湾地区的I-880高速公路上采集的数据进行建模与测试。选择上下游的流量(q_u，q_d)、占有率(o_u，o_d)、速度(v_u，v_d)及上下游的占有率之差(do＝o_u-o_d)作为模型输入的交通流参数；再加上表征事件状态的0-1变量inc，建立的应用于事件检测的加树朴素贝叶斯分类器中共有8个变量。

本发明检测首先需要对模型进行标定。收集检测区一段时间内的交通流参数数据和事件数据后，整理为训练数据集[X，Y]。其中X＝[x₁，x₂，…，x₇]分别代表交通流参数q_u，q_d，o_u，o_d，v_u，vd和do的采集样本，Y为事件状态变量inc的样本；

对原始数据需要进行预处理，才能用来标定模型，首先进行归一化处理，即将数据全部转化为[0，1]区间内的值，以提高算法的可移植性，方法如下：

$x^{\&prime;}=\left\{\begin{array}{cc}0& \mathrm{if\; x}\&le;X_{\mathrm{\&alpha;}}\\ \frac{x-X_{\mathrm{\&alpha;}}}{X_{\mathrm{\&beta;}}-X_{\mathrm{\&alpha;}}}& \mathrm{if}{X}_{\mathrm{\&alpha;}}<x<X_{\mathrm{\&beta;}}\\ 1& \mathrm{if\; x}\&GreaterEqual;X_{\mathrm{\&beta;}}\end{array}\right.$

其中x′为加树朴素贝叶斯分类器中任一变量的一个样本x归一化后的结果，X_α和X_β的分别取该变量在训练数据集中的最小值和最大值，在本例中，针对各建模变量q_u，q_d，o_u，o_d，v_u，v_d和do的X_α和X_β取值如下：

因此，例如获得一个样本q_u＝2000，则其归一化的结果为(2000-0)/(3000-0)＝0.667；

归一化以后，需要进行离散化处理，根据建模样本应用基于熵的离散化方法获得离散化的界值，将经归一化处理后的数据与界值做比较，确定其所处的状态，形成检测算法的标准输入格式。熵是一种基于信息的度量，它可以用来表征区间信息的“纯度”。熵越小，说明区间信息的纯度高，即区间内大部分变量的分类是相同的，相反熵越大说明区间内变量的各分类出现的概率趋向于相等；基于熵的离散化方法的本质就是寻找能使区间的纯度最高的分割点；熵的数学定义为：设k是不同的类标号数，m_i是某划分的第i个区间中值的个数，而m_ij是区间i中类j的值的个数。第i个区间的熵e_i由如下等式给出

$e_i=-\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}{p}_{\mathrm{ij}}{\log }_2{p}_{\mathrm{ij}}$

其中，p_ij＝m_ij/m_i是第i个区间中类j的概率(值的比例)。该划分的总熵e是每个区间的熵的加权平均，即

$e=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_i{e}_i$

其中，m是值的个数，w_i＝m_i/m是第i个区间的值的比例，而n是区间个数。根据训练数据集应用基于熵的离散化方法获得离散化的界值的步骤为：

1)将从0开始，每隔0.01取一值，一直取到1，得到一个包含101个数的潜在区间边界集合M；

2)依次取M中的元素a作为区间边界划分为两个区间，然后计算该划分的总熵；

3)取使总熵最小的M中的元素m^*作为最终的区间边界，将连续的交通流参数二元离散化；

4)根据m^*将集合M分为两个集合，M1和M2，作为各区间再次划分的潜在区间边界集合，对熵较大的区间重复步骤步骤2)和3)，从而使划分区间的个数为3；

应用训练数据集，使用上述基于熵的方法，可以得到各变量的离散化的分界点如下：

规定分界点1与分界点2将变量的取值空间分为的三个区间按从小到大的顺序分别用整数1，2，3表示，因此，例如关于q_u的一个样本经归一化处理后的值为0.667，大于变量q_u的分界点2，该样本的离散化结果为3。

加树朴素贝叶斯分类器的的标定包括结构学习和参数学习两部分，应用于事件检测的加树朴素贝叶斯分类器结构的学习采用已有的MWST算法，MWST算法的主要步骤如下：

1)通过训练数据集D计算各属性之间的条件互信息

$I_{{\stackrel{\&OverBar;}{P}}_D}(A_i;A_j|C)=\underset{A_i,A_j,C}{\mathrm{\&Sigma;}}P(a_i,a_j,c)\log \frac{P(a_i,a_j|c)}{P\left(a_i\right|c)P\left(a_j\right|c)}$

其中A_i与A_j表示模型中任意两个不同属性变量，a_i和a_j分别表示A_i与A_j的一个可能的取值；

2)建立一个节点为全部属性变量(不包括分类变量C)，以

为弧的权重的加权完全无向图；

3)建立一个最大权重跨度树；

4)选择一个根节点，设置所有边的方向是由根节点向外，从而将无向树转换为有向树；

5)添加分类变量C，并添加从分类变量与属性变量之间的连接；

应用上述方法获得的加树朴素贝叶斯分类器的结构如图2所示；

应用于事件检测的加树朴素贝叶斯分类器结构的学习采用已有的最大似然估计的方法，考虑一个由n个变量X＝{X₁，X₂，…，X_n}组成的加树朴素贝叶斯分类器N。不失一般性，设其中的节点X_i，i＝1，2，…，n，共有r_i个取值1，2，…，r_i，其父节点pa(X_i)的取值共有q_i个组合，1，2，…，r_i，那么，网络的参数为

p_ijk＝P(X_i＝k|pa(X_i)＝j)

其中i的取值范围是1～n，而对一个固定的i，j和k的取值范围分别是从1～q_i及1～r_i。设D＝(D₁，D₂，…，D_m)是关于这些变量的一组独立同分布的数据，则P的对数似然函数为

$l\left(P\right|D)=\log \underset{l=1}{\overset{m}{\mathrm{\&Pi;}}}P\left(D_l\right|P)=\underset{l}{\overset{m}{\mathrm{\&Sigma;}}}\log P\left(D_l\right|P)$

最大似然估计，即寻找使得l(P|D)最大的P^*，一般可由下式得到

在使用的过程中，每隔一个设定时间间隔，即对实时输入的q_u，q_d，o_u，o_d，v_u，v_d和do的采集样本根据标定模型中确定的界值进行归一化与离散化处理，形成标准输入格式，作为证据输入模型进行推理，从而获得有事件发生的后验概率。本发明中的时间间隔设定为30秒。推理算法采用已有的团树传播法。它首先构建一个覆盖加树朴素贝叶斯分类器的团树J，用加树朴素贝叶斯分类器中的概率函数将团树J初始化，并且设置证据；然后，任选一个团C_p作为枢纽节点，进行信息传递。信息传递分为收集和分发两个阶段。在信息收集阶段，算法从J的叶节点开始，逐步朝枢纽节点方向传递信息。在信息分发阶段，算法从枢纽节点开始，逐步朝J的各个叶节点方向传递信息。最后，进行答案提取，对非证据变量inc，算法首先找到一个包含inc的团C_inc，然后从C_inc提取后验分布，即可得到推理结果，即该时间段有事件发生的后验概率I(t)；

由于车流本身的随机性很强，如果只根据一个时间间隔的P(inc＝1|E＝e)，与设定的阈值做比较后直接判断事件有无，则会造成较高的误报率。为减少检测时间，本发明充分利用采取指数平滑的方法替代传统的持续检验。设由推理得到的第t个时间间隔得到的Y＝1的后验概率为I(t)，而作为决策依据的第t个时间间隔发生事件的概率为I(t)，则

$\hat{I}\left(t\right)=\mathrm{\&alpha;I}\left(t\right)+(1-\mathrm{\&alpha;})\hat{I}(t-1)$

式中的加权系数α的取值范围为0＜α＜1，α越大则模型越灵敏，误报率高，检测时间短；α越小则模型较为平稳，误报率低，检测时间长。因此α值的可选择性为算法增添了灵活性，本发明中α默认取0.7。另外，关于初始值的处理，由于事件检测是一个持续的过程，经过一段时间后初始值的影响很小，可以认为当t＝1时，

每经过一个时间间隔，更新一次后，即可与一个既定的阈值作比较，大于该阈值则认定确实有事件发生，并发出警报，阈值一般取为0.5到1之间的数值，增大阈值可以降低误报率，但同时也会降低检测率；相反，减小阈值会增大误报率，但也能提高检测率；通过调节阈值，即可满足不同的检测性能要求，在本发明中，阈值默认设置为0.6；

基于加树朴素贝叶斯分类器的高速公路交通事件自动检测方法程序框图如图3所示，应用同一数据集，本发明中的方法的测试结果与发明“基于偏最小二乘原理的高速公路交通事件自动检测方法”(CN 100481153C)中使用算法的测试结果作比较，结果如下：

其中TAN为加树朴素贝叶斯分类器的简称。可以发现本发明所提出基于加树朴素贝叶斯分类器的检测算法的各方面检测性能均高于PLSR与SVM算法。而且由于加树朴素贝叶斯分类器本身的特点，该检测算法还可以处理数据缺失的情况。

Claims (4)

1.一种高速公路交通事件自动检测方法，其特征是在处理数据缺失情况下对高速公路交通事件进行自动检测，包括以下步骤：

步骤1)：

设置公路检测系统，包括感应线圈和视频设备，按照设定采样步长采集检测区的实时交通流数据，包括上下游交通流量、速度和车道占有率，采样步长设为30秒钟；

步骤2)：

收集检测区的交通流数据，整理为训练数据集，并对采集的实时交通流数据进行预处理，步骤为：

21)对采集到的实时交通流数据进行归一化处理，将各交通流数据全部转化为[0，1]区间内的值：

$x^{\&prime;}=\left\{\begin{array}{cc}0& \mathrm{if\; x}\&le;X_{\mathrm{\&alpha;}}\\ \frac{x-X_{\mathrm{\&alpha;}}}{X_{\mathrm{\&beta;}}-X_{\mathrm{\&alpha;}}}& \mathrm{if}{X}_{\mathrm{\&alpha;}}<x<X_{\mathrm{\&beta;}}\\ 1& \mathrm{if\; x}\&GreaterEqual;X_{\mathrm{\&beta;}}\end{array}\right.$

其中x′为原始数据x归一化后的结果，X_α和X_β分别为训练数据集的中各交通流数据对应的最小值和最大值；

22)对归一化处理后的交通流数据进行离散化处理：根据训练数据集应用基于熵的离散化方法获得离散化的界值，将经归一化处理后的实时交通流数据与界值做比较，确定其所处的状态，形成后续基于加树朴素贝叶斯分类器的检测算法的标准输入格式；

步骤3)：

将预处理后的交通流数据输入基于加树朴素贝叶斯分类器的检测算法，判断检测区是否发生交通事件，如果发生，发出警报，否则继续采集数据，进行下一次判断；所述基于加树朴素贝叶斯分类器的检测算法判断检测区是否发生交通事件的具体步骤为：

31)使用已知交通状态的交通流信息数据集作为建模样本，按照步骤2)所述方法进行预处理后，建立应用于事件检测的加树朴素贝叶斯分类器，应用于事件检测的加树朴素贝叶斯分类器的结构学习和参数学习分别采用最大权重生成树算法MWST和最大似然估计的方法；

32)将采集的实时交通流数据经预处理后输入步骤31)所建立的加树朴素贝叶斯分类器，输出确定当前有事件发生的后验概率：每隔一个时间间隔，对实时输入的交通流数据进行归一化与离散化处理，形成标准输入格式，作为证据输入模型进行推理，从而获得有事件发生的后验概率；所述推理采用贝叶斯网络中的团树传播算法；

33)对得到的后验概率进行指数平滑处理：设由推理得到的第t个时间间隔得到的Y＝1的后验概率为I(t)，而作为决策依据的第t个时间间隔发生事件的概率为则

$\hat{I}\left(t\right)=\mathrm{\&alpha;I}\left(t\right)+(1-\mathrm{\&alpha;})\hat{I}(t-1)$

式中的加权系数α取0.7；

34)将指数平滑后的后验概率与预先设定的阈值做比较，若大于阈值，则表示检测区内发生事件，进行报警，否则表示检测区内为正常交通运行状态，阈值设为0.6。

2.根据权利要求1所述的一种高速公路交通事件自动检测方法，其特征是步骤22)中，熵的数学定义为：设k是不同的类标号数，m_i是划分的第i个区间中值的个数，m_ij是区间i中类j的值的个数，第i个区间的熵e_i由如下等式给出：

$e_i=-\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}{p}_{\mathrm{ij}}{\log }_2{p}_{\mathrm{ij}}$

其中，p_ij＝m_ij/m_i是第i个区间中类j的概率，也就是值的比例，该划分的总熵e是每个区间的熵的加权平均，即

$e=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_i{e}_i$

其中，m是值的个数，w_i＝m_i/m是第i个区间的值的比例，而n是区间个数，根据训练数据集应用基于熵的离散化方法获得离散化的界值的步骤为：

221)将从0开始，每隔0.01取一值，一直取到1，得到一个包含101个数的潜在区间边界集合M；

222)依次取M中的元素a作为区间边界划分为两个区间，然后计算该划分的总熵；

223)取使总熵最小的M中的元素m^*作为最终的区间边界，将连续的交通流参数二元离散化；

224)根据m^*将集合M分为两个集合，M1和M2，作为各区间再次划分的潜在区间边界集合，对熵较大的区间重复步骤步骤222)和223)，从而使划分区间的个数为3，应用训练数据集，使用上述基于熵的方法，得到各变量的离散化的界值。

3.根据权利要求1所述的一种高速公路交通事件自动检测方法，其特征是步骤31)中，加树朴素贝叶斯分类器的结构学习和参数学习分别为：

最大权重生成树MWST算法步骤如下：

311)通过训练数据集计算各交通流属性变量之间的条件互信息

$I_{{\stackrel{\&OverBar;}{P}}_D}(A_i;A_j|C)=\underset{A_i,A_j,C}{\mathrm{\&Sigma;}}P(a_i,a_j,c)\log \frac{P(a_i,a_j|c)}{P\left(a_i\right|c)P\left(a_j\right|c)}$

其中A_i与A_j表示模型中任意两个不同交通流属性变量，a_i和a_j分别表示A_i与A_j的一个可能的取值，C为表征事件有无的分类变量；

312)建立一个节点为全部属性变量，以

为弧的权重的加权完全无向图，所述节点不包括分类变量C；

313)建立一个最大权重跨度树；

314)选择一个根节点，设置所有边的方向是由根节点向外，从而将无向树转换为有向树；

315)添加分类变量C，并添加从分类变量与属性变量之间的连接，得到加树朴素贝叶斯、分类器的结构；

最大似然估计的方法为，设一个由n个变量X＝{X₁，X₂，…，X_n}组成的加树朴素贝叶斯分类器N，设其中的节点X_i，i＝1，2，…，n，共有r_i个取值1，2，…，r_i，其父节点pa(X_i)的取值共有q_i个组合：1，2，…，r_i，则贝叶斯网络的参数为

p_ijk＝P(X_i＝k|pa(X_i)＝j)

其中i的取值范围是1～n，对一个固定的i，j和k的取值范围分别是从1～q_i及1～r_i；设D＝(D₁，D₂，…，D_m)是关于这些变量的一组独立同分布的数据，则P的对数似然函数为

$l\left(P\right|D)=\log \underset{l=1}{\overset{m}{\mathrm{\&Pi;}}}P\left(D_l\right|P)=\underset{l}{\overset{m}{\mathrm{\&Sigma;}}}\log P\left(D_l\right|P)$

最大似然估计，即寻找使得l(P|D)最大的P^*，由下式得到

由此获得贝叶斯网络的参数。

4.根据权利要求1所述的一种高速公路交通事件自动检测方法，其特征是步骤32)所述团树传播算法为：首先构建一个覆盖加树朴素贝叶斯分类器的团树J，用加树朴素贝叶斯分类器中的概率函数将团树J初始化，并且设置证据；然后，任选一个团C_p作为枢纽节点，进行信息传递，信息传递分为收集和分发两个阶段，在信息收集阶段，算法从J的叶节点开始，逐步朝枢纽节点方向传递信息，在信息分发阶段，算法从枢纽节点开始，逐步朝J的各个叶节点方向传递信息，最后，进行答案提取，对非证据变量Y，算法首先找到一个包含Y的团C_Y，然后从C_Y提取后验分布，即得到推理结果。

Images