CN104809879A - 基于动态贝叶斯网络的高速公路路段交通状态估计方法 - Google Patents

Abstract

本发明属于道路交通检测技术领域，具体公开了一种基于动态贝叶斯网络的高速公路路段交通状态估计方法，包括以下步骤：1)提取与路段交通状态的相关参数作为节点；2)确定节点间的相互关系，构建动态贝叶斯网络；3)对可观测节点的数据进行模糊分类，通过对历史数据的分析得到各个类的聚类中心，并确定可观测节点的数据属于各个类的隶属度；4)对于动态贝叶斯网络中选定的目标节点，求得相应的条件概率以及转移概率，构建选定目标节点的各时刻特征表；5)输入当前时刻的路段交通流参数到动态贝叶斯网络中，触发对各时刻的目标进行推理，得出交通状态估计结果；本发明解决单一参数估计状态时存在的不确定性的同时，考虑到交通状态存在的相关性，使得在对路段交通状态进行估计时具有更好的效果和可靠性。

Description

基于动态贝叶斯网络的高速公路路段交通状态估计方法

技术领域

本发明属于道路交通检测技术领域，具体涉及一种高速公路路段交通状态估计方法。

背景技术

随着高速公路在我国交通运输中占的重要性越来越大，伴随着出现的交通拥堵、交通事故、环境污染等问题也越来越严重。无论是交通管理者还是出行者对交通的信息化管理需求都在逐渐增加，因此，如何利用现有的检测设备，尽可能有效准确地实现高速公路交通状态的估计，实时准确的把握当前路段的交通状况是高效管理与服务的前提，具有重要的理论和实际研究意义。

高速公路上安装了各种用于交通数据采集的设备，如固定检测器、视频检测器、浮动车等。但是，由于覆盖面、成本等各种各样的原因，使得目前在对于固定车检器和视频检测器在对路段交通状态的研究中存在很大的局限性，通常是对基于浮动车或收费数据获取到的行程时间的处理，进而来反映路段的交通状态，现有的对路段交通状态估计的研究包括如下：

(1)清华大学学报自然科学版(第47卷第S2期，2007年4月)公布了一种基于融合技术的道路交通状态判别模型，其以浮动车和感应线圈检测数据得到的行程时间为输入，采用神经网络对两者进行融合进而来提高道路交通状态判别的精度，实验结果表明了该方法的有效性。

(2)长江大学学报自然科学版(第5卷第4期，2008年12月)公布了一种基于路段行程时间的道路交通状态判别方法，其利用采集的GPS数据计算路段行程时间，并通过比较路段实际行程时间和理论行程时间，从而判断的路段的交通运行状况，实验结果表明该方法能有效的判别交通运行状况，但是受到有效的GPS数据条数限制。

(3)公路交通科技(第29卷第8期，2012年8月)公开了一种基于高速公路收费数据的路网运行状态评价方法，其以实际收费数据位基础，重点介绍了数据的分析处理过程，深入挖掘高速公路网运行存在的出行时间分布及周期分布等潜在规律，计算和提取了平均速度、出行延误、行驶时间指数、计划行驶时间指数、拥堵持续时间等几类路网运行状态的评价核心指标，并指出采用高速公路收费数据作为数据资源开展此类研究的优缺点，分析结果表明收费数据可为交通出行提供参考信息。

(4)青岛大学学报(第27卷第3期，2012年9月)提出了一种城市交通状态判别方法，其将交通状态划分为4类，采用路段检测器提供的车流量、车速、占有率为基础数据，得到路段的密度和排队长度，并通过分析表明采用路段的密度和排队长度可以判断道路的交通状态。

(5)哈尔滨工业大学学报(第46卷第12期，2014年12月)公开了一种基于收费数据的高速公路交通拥挤自动判别方法，提出了基于滚动时间序列的行程时间数据合成方法，并以此为基础构建了交通拥挤指数，根据交通拥挤指数的变化特征对拥挤持续时间进行了在线估计；结合收费站布局的时空特征，设计了基本路段和复合路段融合的高速公路交通拥挤自动判别方法，实验表明该方法不仅具有较高的判别率和误判率，而且减少了判别时间，并且充分的利用了收费数据。

纵观以上各种对于路段交通状态估计的方法，大多以行程时间或行车速度等为基础数据，通过对当前时刻参数的阈值划分判断交通的运行状况，然而相关研究中也提到了由于行程时间不能直接采集到，是通过单个样本的数据整合得到的，这样就会导致因为样本数量等的原因带来的行程时间不确定性，进而导致估计的交通状态存在不确定性。此外，对于一固定路段，其相邻时刻的交通状态存在着一定相关性，在估计当前时刻状态时，考虑当前时刻之前的交通状态，进而能更为合理的估计当前的交通状态。

发明内容

有鉴于此，本发明的目的在于提供一种基于动态贝叶斯网络的高速公路路段交通状态估计方法，考虑到单靠行程时间等参数估计的交通状态存在的不确定性，以及当前路段前一时刻交通状态的相关性，引入动态贝叶斯网络模型，以行程时间、相对密度、交通状态为节点变量，构建用于路段交通状态估计的动态贝叶斯网络模型，从而达到对路段交通状态估计的目的，提高状态估计的可靠性。

为达到上述目的，本发明提供如下技术方案：

基于动态贝叶斯网络的高速公路路段交通状态估计方法，包括以下步骤：

1)提取与路段交通状态的相关节点，包括可观测的节点和隐藏节点；其中可观测的节点包括路段的平均行程时间和路段的相对密度，隐藏节点包括路段的交通状态；

2)确定节点间的相互关系，构建动态贝叶斯网络；

3)对可观测节点的数据进行模糊分类，通过对历史数据的分析得到各个类的聚类中心，并确定可观测节点的数据属于各个类的隶属度；

4)对于动态贝叶斯网络中选定的目标节点，结合历史样本的状态信息的统计和经验知识，求得相应的条件概率以及转移概率，构建选定目标节点的各时刻特征表；

5)输入当前时刻的路段交通流参数到动态贝叶斯网络中，触发对各时刻的目标进行推理，得出交通状态估计结果。

进一步，所述步骤1)中，路段平均行程时间计算公式如下：

$t=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{t}_{\mathrm{ri}}$

其中，t_ri表示该路段上第i辆车的实际行程时间；

n表示在该路段上的车的总的数量；

路段相对密度计算公式如下：

K′＝Q_进-Q_出+ΔQ

其中，K′表示相对车辆数；

Q_进表示分析时段内进入研究路段的车辆数；

Q_出表示分析时段内进入研究路段的车辆数；

ΔQ表示分析时段内研究路段上的原始车辆数。

进一步，所述步骤3)中，用模糊C均值聚类将历史样本分成三类，根据下式确定数据属于各个类的隶属度：

$u_{\mathrm{ij}}=\frac{1}{\underset{k=1}{\overset{c}{\mathrm{\Σ}}}{\left(\frac{d_{\mathrm{ij}}}{d_{\mathrm{kj}}}\right)}^{\frac{2}{m-1}}}$

其中，u_ij表示第j个样本属于第i类的隶属度，c表示为c类(2≤c≤n)，d_ij＝||x_j-c_i||表示第i个聚类中心与第j个样本点之间的距离，m∈[1,+∞)表示模糊加权指数，表征隶属度矩阵的模糊程度，m取值越大表示模糊程度越高，相反m取得值越小其模糊程度越低。

进一步，所述步骤5)中，对于有n个隐藏节点和m个可观测节点的网络，其网络推理过程如下：

$\begin{array}{c}p(x_{11},x_{12},...,x_{1n},x_{2n},...,x_{T1},x_{T2},...,x_{\mathrm{Tn}}|y_{{11}_0},y_{{12}_0},...,y_{{1m}_0},y_{{2m}_0},...,y_{{T1}_0},y_{{T2}_0},...,y_{{\mathrm{Tm}}_0})\\ =\underset{y_{11},y_{12},...,y_{\mathrm{Tm}}}{\mathrm{\Σ}}\frac{\underset{i,j}{\mathrm{\Π}}p\left(y_{\mathrm{ij}}\right|p_a\left(Y_{\mathrm{ij}}\right))\underset{i,k}{\mathrm{\Π}}p\left(x_{\mathrm{ik}}\right|p_a\left(X_{\mathrm{ik}}\right))}{\underset{x_{11},x_{12},...,x_{T1},x_{T2},...,x_{\mathrm{Tn}}}{\mathrm{\Σ}}\underset{i,j}{\mathrm{\Π}}p\left(y_{\mathrm{ij}}\right|p_a\left(Y_{\mathrm{ij}}\right))\underset{i,j}{\mathrm{\Π}}p\left(x_{\mathrm{ik}}\right|p_a\left(X_{\mathrm{ik}}\right))}\×\underset{i,j}{\mathrm{\Π}}p(Y_{{\mathrm{ij}}_0}=y_{\mathrm{ij}})\end{array}$

其中，i＝1,2,…,T，j＝1,2,…,m，k＝1,2,…,n，x_ij为X_ij的一个状态的取值，下标i表示的是第i个时间片，下标j表示的是该时间片内的第j个隐藏节点，y_ij为观测变量Y_ij的状态取值，p_a(Y_ij)为观测变量Y_ij的父节点，为第i个时间片内第j个观测节点变量Y_ij的观测状态取值；为Y_ij的连续观测值属于状态y_ij的隶属度；p(x_ik|p_a(X_ik))为节点x_ij在父节点p_a(X_ik)下的条件概率；p(y_ij|p_a(Y_ij))为节点y_ij在其父节点p_a(Y_ij)下的条件概率。

进一步，所述步骤5)之后还包括如下步骤：

6)根据新得到的实际状态的值以及对应的节点的观测值的类别，调整条件概率表和转移概率表；

7)判断是否需要进行下一时刻的推理，若是则获取下一时刻的路段交通流参数，转到步骤5)，否则结束。

本发明相对于现有技术具有如下优点：

本发明的基于动态贝叶斯网络的高速公路路段交通状态估计方法，从使用单一参数表征路段交通状态存在的不确定性和路段交通状态前后时刻存在的相关性出发，引入动态贝叶斯网络，构建用于路段交通状态估计的多数据融合动态贝叶斯网络，在解决单一参数估计状态时存在的不确定性的同时，考虑到交通状态存在的相关性，使得在对路段交通状态进行估计时具有更好的效果和可靠性。

附图说明

图1示出了基于动态贝叶斯网络的高速公路路段交通状态估计方法的流程示意图；

图2示出了本发明实施例的动态贝叶斯初始网络模型示意图；

图3示出了基于动态贝叶斯网络的高速公路路段交通状态估计模型示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将对本发明的具体实施方式作进一步的详细描述。

参见图1、2、3，本实施例的基于动态贝叶斯网络的高速公路路段交通状态估计方法，包括以下步骤：

1)确定变量节点：提取与路段交通状态的相关变量作为节点，包括可观测的节点和隐藏节点；其中可观测的节点包括路段的平均行程时间和路段的相对密度，隐藏节点包括路段的交通状态。

对于路段的平均行程时间，采用的是在一定时间内通过该路段的车辆的收费站数据统计得出：

①单车实际行程时间：

实际的行程时间是指行驶在高速公路上的车辆，在离开一个收费站后，进入另一个收费站前，所行驶的时间，记为t_r，则：

t_r＝t-t_s-t_z

其中，t为根据车辆驶入收费站时间和驶出收费站时间相减得到的对应路段的行程时间；

t_s为通过收费站时花费的收费服务时间；

t_z为离开收费站时花费的起步离开时间。

②路段平均行程时间：

单车路段行程时间反映的是单一车辆通过该路段的时间，具有一定的偶然性和不确定性，在计算路段在时间T内的行程时间时，需要取路段上尽可能有效车辆的单车行程平均值。

$t=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{t}_{\mathrm{ri}}$

其中，t_ri表示该路段上第i辆车的实际行程时间；

n表示在路段上的车的总的数量。

交通密度定义表示的是在单车道上，每公里含有的车辆数，但是由于数据采集的困难很难得到确定的密度值。高速公路上的车检器位置和收费站位置是固定的，所以可认为对于研究的某一个路段其是固定的，根据流量守恒原理，即在理想交通状况下，对于一固定的路段，在一定时间段内，一般是进去多少，能相应的出来多少，但是由于实际的道路交通运行状况的影响，导致内部的车辆减速或者拥堵排队，则进出的车辆数就不一样了，这样就会导致路段的车辆数的增加或减少。因此，可以通过对于车检器检测的车流量的统计，得出路段内的累积车辆数，进而得出对于当前路段的相对密度，记为K′，则：

K′＝Q_进-Q_出+ΔQ

其中，K′表示相对车辆数；

Q_进表示分析时段内进入研究路段的车辆数；

Q_出表示分析时段内进入研究路段的车辆数；

ΔQ表示分析时段内研究路段上的原始车辆数。

2)确定节点间的相互关系，构建动态贝叶斯网络；通过对行程时间、路段相对密度与路段交通状态的关系的分析得出用于路段交通状态估计的动态贝叶斯网络拓扑结构图，如图2所示；

3)对于可观测节点的数据进行模糊分类：由于路段交通状态以及相关输入证据信息的不确定性，对于路段交通状态估计模型的节点状态而言，输入模型节点的状态信息的观测值应是模糊分类的结果，即输入模型的证据应当以概率方式表达的似然证据，通常采用隶属度的方法表达某一证据属于某一特征的概率。

本模型对于不同的路段，路段的相对密度以及平均行程时间没有采用一个绝对标准进行划分，因此，本实施例用模糊C均值聚类将历史样本分成三类，根据下式确定数据属于各个类的隶属度：

$u_{\mathrm{ij}}=\frac{1}{\underset{k=1}{\overset{c}{\mathrm{\Σ}}}{\left(\frac{d_{\mathrm{ij}}}{d_{\mathrm{kj}}}\right)}^{\frac{2}{m-1}}};$

其中，u_ij表示第j个样本属于第i类的隶属度，c表示为c类(2≤c≤n)，d_ij＝||x_j-c_i||表示第i个聚类中心与第j个样本点之间的距离，m∈[1,+∞)表示模糊加权指数，表征隶属度矩阵的模糊程度，m取值越大表示模糊程度越高，相反m取得值越小其模糊程度越低；

4)对于动态贝叶斯网络中选定的目标节点，结合历史样本的状态信息的统计和经验知识，求得相应的条件概率以及转移概率，构建选定目标节点的各时刻特征表；如下表1和表2所示；

表1路段状态条件概率表

其中，矩阵中的数字表示纵列状态时横行状态的概率，如对于第一个矩阵第一第一行第一列数字表示交通状态畅通时，路段内车辆累积多或密度大的概率为

表2路段交通状态估计动态贝叶斯网络的转移概率表

其中，矩阵中的数字表示由t-1时刻纵列的状态到t时刻变为横行状态的概率，如对于矩阵第一行第一列数字p₁₁，表示在t-1时刻路段交通状态畅通时，到t时刻路段交通状态还为畅通的概率为p₁₁。

5)输入当前时刻的路段交通流参数到动态贝叶斯网络中，触发对各时刻的目标进行推理，得出交通状态估计结果。

本实施例模型有1个隐藏节点(路段交通状态S)，两个观测节点(路段的相对密度K'，路段平均行程时间T)，则可得到静态网络模型的推理的数学公式为：

$p\left(x_1\right|y_1,y_2)=\frac{\underset{j=1}{\overset{2}{\mathrm{\Π}}}p\left(y_j\right|p_a\left(Y_j\right))p\left(x_1\right|p_a\left(X_1\right))}{\underset{x_1,x_2}{\mathrm{\Σ}}\underset{j=1}{\overset{2}{\mathrm{\Π}}}p\left(y_j\right|p_a\left(Y_j\right))p\left(x_1\right|p_a\left(X_1\right))}$

将静态的路段交通状态估计网络模型随着时间展开，如图3所示，得到由T个时间片静态网络构成的动态贝叶斯网络模型，每个时间片均含有1个隐藏节点和2个观测节点，对于有n个隐藏节点和m个可观测节点的网络，状态节点概率计算为：

$\begin{array}{c}p(x_{11},x_{12},...,x_{1n},x_{2n},...,x_{T1},x_{T2},...,x_{\mathrm{Tn}}|y_{{11}_0},y_{{12}_0},...,y_{{1m}_0},y_{{2m}_0},...,y_{{T1}_0},y_{{T2}_0},...,y_{{\mathrm{Tm}}_0})\\ =\underset{y_{11},y_{12},...,y_{\mathrm{Tm}}}{\mathrm{\Σ}}\frac{\underset{i,j}{\mathrm{\Π}}p\left(y_{\mathrm{ij}}\right|p_a\left(Y_{\mathrm{ij}}\right))\underset{i,k}{\mathrm{\Π}}p\left(x_{\mathrm{ik}}\right|p_a\left(X_{\mathrm{ik}}\right))}{\underset{x_{11},x_{12},...,x_{T1},x_{T2},...,x_{\mathrm{Tn}}}{\mathrm{\Σ}}\underset{i,j}{\mathrm{\Π}}p\left(y_{\mathrm{ij}}\right|p_a\left(Y_{\mathrm{ij}}\right))\underset{i,j}{\mathrm{\Π}}p\left(x_{\mathrm{ik}}\right|p_a\left(X_{\mathrm{ik}}\right))}\×\underset{i,j}{\mathrm{\Π}}p(Y_{{\mathrm{ij}}_0}=y_{\mathrm{ij}})\end{array}$

其中，i＝1,2,…,T，j＝1,2,…,m，k＝1,2,…,n，x_ij为X_ij的一个状态的取值，下标i表示的是第i个时间片，下标j表示的是该时间片内的第j个隐藏节点，y_ij为观测变量Y_ij的状态取值，p_a(Y_ij)为观测变量Y_ij的父节点，为第i个时间片内第j个观测节点变量Y_ij的观测状态取值；为Y_ij的连续观测值属于状态y_ij的隶属度；p(x_ik|p_a(X_ik))为节点x_ij在父节点p_a(X_ik)下的条件概率；p(y_ij|p_a(Y_ij))为节点y_ij在其父节点p_a(Y_ij)下的条件概率。

6)根据新得到的实际状态的值以及对应的节点的观测值的类别，调整条件概率表和转移概率表；

7)判断是否需要进行下一时刻的推理，若是则获取下一时刻的路段交通流参数，转到步骤5)，否则结束。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.基于动态贝叶斯网络的高速公路路段交通状态估计方法，其特征在于：包括以下步骤：

1)提取与路段交通状态的相关参数作为节点，包括可观测的节点和隐藏节点；其中可观测的节点包括路段的平均行程时间和路段的相对密度，隐藏节点包括路段的交通状态；

2)确定节点间的相互关系，构建动态贝叶斯网络；

3)对可观测节点的数据进行模糊分类，通过对历史数据的分析得到各个类的聚类中心，并确定可观测节点的数据属于各个类的隶属度；

4)对于动态贝叶斯网络中选定的目标节点，结合历史样本的状态信息的统计和经验知识，求得相应的条件概率以及转移概率，构建选定目标节点的各时刻特征表；

5)输入当前时刻的路段交通流参数到动态贝叶斯网络中，触发对各时刻的目标进行推理，得出交通状态估计结果。

2.如权利要求1所述的基于动态贝叶斯网络的高速公路路段交通状态估计方法，其特征在于：所述步骤1)中，路段平均行程时间计算公式如下：

$t=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{t}_{\mathrm{ri}}$

其中，t_ri表示该路段上第i辆车的实际行程时间；

n表示在该路段上的车的总的数量；

路段相对密度计算公式如下：

K′＝Q_进-Q_出+ΔQ

其中，K′表示相对车辆数；

Q_进表示分析时段内进入研究路段的车辆数；

Q_出表示分析时段内进入研究路段的车辆数；

ΔQ表示分析时段内研究路段上的原始车辆数。

3.如权利要求2所述的基于动态贝叶斯网络的高速公路路段交通状态估计方法，其特征在于：所述步骤3)中，用模糊C均值聚类将历史样本分成三类，根据下式确定数据属于各个类的隶属度：

$u_{\mathrm{ij}}=\frac{1}{\underset{k=1}{\overset{c}{\mathrm{\Σ}}}{\left(\frac{d_{\mathrm{ij}}}{d_{\mathrm{kj}}}\right)}^{\frac{2}{m-1}}}$

其中，u_ij表示第j个样本属于第i类的隶属度，c表示为c类(2≤c≤n)，d_ij＝||x_j-c_i||表示第i个聚类中心与第j个样本点之间的距离，m∈[1,+∞)表示模糊加权指数，表征隶属度矩阵的模糊程度，m取值越大表示模糊程度越高，相反m取得值越小其模糊程度越低。

4.如权利要求3所述的基于动态贝叶斯网络的高速公路路段交通状态估计方法，其特征在于：所述步骤5)中，对于有n个隐藏节点和m个可观测节点的网络，其网络推理过程如下：

$\begin{array}{c}p(x_{11},x_{12},...,x_{1n},x_{2n},...,x_{T1},x_{T2},...,x_{\mathrm{Tn}}|y_{{11}_0},y_{{12}_0},...,y_{{1m}_0},y_{{2m}_0},...,y_{{T1}_0},y_{{T2}_0},...,y_{{\mathrm{Tm}}_0})\\ =\underset{y_{11},y_{12},...,y_{\mathrm{Tm}}}{\mathrm{\Σ}}\frac{\underset{i,j}{\mathrm{\Π}}p\left(y_{\mathrm{ij}}\right|p_a\left(Y_{\mathrm{ij}}\right))\underset{i,k}{\mathrm{\Π}}p\left(x_{\mathrm{ik}}\right|p_a\left(X_{\mathrm{ia}}\right))}{\underset{x_{11},x_{12},...,x_{T1},x_{T2},...,x_{\mathrm{Tn}}}{\mathrm{\Σ}}\underset{i,j}{\mathrm{\Π}}p\left(y_{\mathrm{ij}}\right|p_a\left(Y_{\mathrm{ij}}\right))\underset{i,k}{\mathrm{\Π}}p\left(x_{\mathrm{ik}}\right|p_a\left(X_{\mathrm{ik}}\right))}\×\underset{i,j}{\mathrm{\Π}}p(Y_{{\mathrm{ij}}_0}=y_{\mathrm{ij}})\end{array}$

其中，i＝1,2,…,T，j＝1,2,…,m，k＝1,2,…,n，x_ij为X_ij的一个状态的取值，下标i表示的是第i个时间片，下标j表示的是该时间片内的第j个隐藏节点，y_ij为观测变量Y_ij的状态取值，p_a(Y_ij)为观测变量Y_ij的父节点，为第i个时间片内第j个观测节点变量Y_ij的观测状态取值；为Y_ij的连续观测值属于状态y_ij的隶属度；p(x_ik|p_a(X_ik))为节点x_ij在父节点p_a(X_ik)下的条件概率；p(y_ij|p_a(Y_ij))为节点y_ij在其父节点p_a(Y_ij)下的条件概率。

5.如权利要求4所述的基于动态贝叶斯网络的高速公路路段交通状态估计方法，其特征在于：所述步骤5)之后还包括如下步骤：

6)根据新得到的实际状态的值以及对应的节点的观测值的类别，调整条件概率表和转移概率表；

7)判断是否需要进行下一时刻的推理，若是则获取下一时刻的路段交通流参数，转到步骤5)，否则结束。