CN105303835A - 一种道路交通流状态的短时预测方法 - Google Patents

Abstract

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。

Description

一种道路交通流状态的短时预测方法

技术领域

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

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。

《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)一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

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，使得预测的精确度得到提高。

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：

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 ${\mathrm{\&Sigma;}}_{i=0}^n{a}^{ij}=1.$

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：

${\mathrm{\&psi;}}_1=p(x_1/y_1^1,y_1^2,y_1^3)=\frac{{\mathrm{\&pi;\&Pi;}}_{K=1}^3{b}^i\left(k\right)}{{\mathrm{\&Sigma;}}_{x_1}{\mathrm{\&Pi;}}_{k=1}^3{b}^i\left(k\right)}$

${\mathrm{\&alpha;}}_2\left(j\right)=\underset{i=1}{\overset{3}{\&Sigma;}}{\mathrm{\&psi;}}_1\left(i\right)a^{ij}$

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：

${\mathrm{\&psi;}}_2=p(x_1/y_2^1,y_2^2,y_2^3)=\frac{a_1\left(j\right){\mathrm{\&Pi;}}_{k=1}^3{b}^i\left(k\right)}{{\mathrm{\&Sigma;}}_{x_1}{a}_{1\left(j\right)}{\mathrm{\&Pi;}}_{k=1}^3{b}^i\left(k\right)}$

${\mathrm{\&alpha;}}_3\left(j\right)=\underset{i=1}{\overset{3}{\&Sigma;}}{\mathrm{\&psi;}}_2\left(i\right)a^{ij}$

${\mathrm{\&xi;}}_1^{ij}=p(x_2=j/x_1=i,y_1^1,y_1^2,y_1^3)=\frac{{\mathrm{\&psi;}}_1\left(i\right)a^{ij}{\mathrm{\&Pi;}}_{k=1}^3{b}^i\left(k\right)}{{\mathrm{\&Sigma;}}_{i=1}^3{\mathrm{\&psi;}}_1\left(i\right)a^{ij}{\mathrm{\&Pi;}}_{k=1}^3{b}^i\left(k\right)}$

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ψ₃，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：

${\mathrm{\&psi;}}_r=p(x_1/y_r^1,y_r^2,y_r^3)=\frac{a_{r-1}\left(j\right){\mathrm{\&Pi;}}_{k=1}^3{b}^i\left(k\right)}{{\mathrm{\&Sigma;}}_{x_1}{a}_{r-1}\left(j\right){\mathrm{\&Pi;}}_{k=1}^3{b}^i\left(k\right)}$

${\mathrm{\&alpha;}}_{r+1}\left(j\right)=\underset{i=1}{\overset{3}{\&Sigma;}}{\mathrm{\&psi;}}_r\left(i\right)a^{ij}$

${\mathrm{\&xi;}}_{r-1}^{ij}=\frac{{\mathrm{\&psi;}}_{r-1}\left(i\right)a^{ij}{\mathrm{\&Pi;}}_{k=1}^3{b}^i\left(k\right)}{{\mathrm{\&Sigma;}}_{i=1}^3{\mathrm{\&psi;}}_{r-1}\left(i\right)a^{ij}{\mathrm{\&Pi;}}_{k=1}^3{b}^i\left(k\right)}$

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个并和计算样本进行取均值,对当前时刻的参数A进行更新，计算公式为：

$\hat{A}={\left(\hat{a}\right)}_{n*n},{\hat{a}}_{ij}=\frac{1}{D}\frac{{\mathrm{\&Sigma;}}_{M=1}^{r-1}{\mathrm{\&xi;}}_M^{ij}+{\mathrm{\&Sigma;}}_{s=1}^{r-1}{\mathrm{\&xi;}}_s^{ij}}{2(r-1)},$ 为归一化因子,满足 ${\mathrm{\&Sigma;}}_j{\hat{a}}_{ij}=1.$

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。

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，使得预测的精确度得到提高。而且运用Dirichlet共轭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。

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

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。

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

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：

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-1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。

第一步：根据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≤aij≤1,当i≠j时，0<aij<0.5,其中 ${\mathrm{\&Sigma;}}_{i=0}^n{a}^{ij}=1.$

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(高、中、低)、车流量(大、中、小)和车道占有率(大、中、小)六种。

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：

${\mathrm{\&psi;}}_1=p(x_1/y_1^1,y_1^2,y_1^3)=\frac{{\mathrm{\&pi;\&Pi;}}_{K=1}^3{b}^i\left(k\right)}{{\mathrm{\&Sigma;}}_{x_1}{\mathrm{\&Pi;}}_{k=1}^3{b}^i\left(k\right)}$

${\mathrm{\&alpha;}}_2\left(j\right)=\underset{i=1}{\overset{3}{\&Sigma;}}{\mathrm{\&psi;}}_1\left(i\right)a^{ij}$

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：

${\mathrm{\&psi;}}_2=p(x_1/y_2^1,y_2^2,y_2^3)=\frac{a_1\left(j\right){\mathrm{\&Pi;}}_{k=1}^3{b}^i\left(k\right)}{{\mathrm{\&Sigma;}}_{x_1}{a}_{1\left(j\right)}{\mathrm{\&Pi;}}_{k=1}^3{b}^i\left(k\right)}$

${\mathrm{\&alpha;}}_3\left(j\right)=\underset{i=1}{\overset{3}{\&Sigma;}}{\mathrm{\&psi;}}_2\left(i\right)a^{ij}$

${\mathrm{\&xi;}}_1^{ij}=p(x_2=j/x_1=i,y_1^1,y_1^2,y_1^3)=\frac{{\mathrm{\&psi;}}_1\left(i\right)a^{ij}{\mathrm{\&Pi;}}_{k=1}^3{b}^i\left(k\right)}{{\mathrm{\&Sigma;}}_{i=1}^3{\mathrm{\&psi;}}_1\left(i\right)a^{ij}{\mathrm{\&Pi;}}_{k=1}^3{b}^i\left(k\right)}$

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ψ₃，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：

${\mathrm{\&psi;}}_r=p(x_1/y_r^1,y_r^2,y_r^3)=\frac{a_{r-1}\left(j\right){\mathrm{\&Pi;}}_{k=1}^3{b}^i\left(k\right)}{{\mathrm{\&Sigma;}}_{x_1}{a}_{r-1}\left(j\right){\mathrm{\&Pi;}}_{k=1}^3{b}^i\left(k\right)}$

${\mathrm{\&alpha;}}_{r+1}\left(j\right)=\underset{i=1}{\overset{3}{\&Sigma;}}{\mathrm{\&psi;}}_r\left(i\right)a^{ij}$

${\mathrm{\&xi;}}_{r-1}^{ij}=\frac{{\mathrm{\&psi;}}_{r-1}\left(i\right)a^{ij}{\mathrm{\&Pi;}}_{k=1}^3{b}^i\left(k\right)}{{\mathrm{\&Sigma;}}_{i=1}^3{\mathrm{\&psi;}}_{r-1}\left(i\right)a^{ij}{\mathrm{\&Pi;}}_{k=1}^3{b}^i\left(k\right)}$

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个并和计算样本进行取均值,对当前时刻的参数A进行更新，计算公式为：

$\hat{A}={\left(\hat{a}\right)}_{n*n},{\hat{a}}_{ij}=\frac{1}{D}\frac{{\mathrm{\&Sigma;}}_{M=1}^{r-1}{\mathrm{\&xi;}}_M^{ij}+{\mathrm{\&Sigma;}}_{s=1}^{r-1}{\mathrm{\&xi;}}_s^{ij}}{2(r-1)},$ 为归一化因子,满足 ${\mathrm{\&Sigma;}}_j{\hat{a}}_{ij}=1.$

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。

这样，完成了网络参数的更新，下一次预测周期开始时，网络参数以更新的参数作为输入。

具体实施例。

首先构造基于DBN的交通流状态预测网络结构。不同时间的交通流的基本检测参数(车速、占有率和流量)，通过对交通流参数进行推理,预测出下一时刻的交通流状态的三种状态(拥挤流、间歇流和自由流)。在交通流状态预测时,通过对城市道路某观测点同一时刻采集到的交通基本参数作为输入，预测该观测点下一时刻的交通流状态。

第一步：初始网络参数设定：

首先给出交通流参数的值域，交通流参数的值域表1如下：

表1交通流参数的值域表

给出交通流状态的初始转移概率和交通流状态-交通流参数的初始条件概率分别如下表2、表3所示：

表2交通流状态的初始转移概率

表3交通流状态-交通流参数的初始条件概率

设定初始交通流状态的概率为拥挤流＝间歇流＝自由流＝1/3

第二步：交通流参数样本的采集：

在西安市长安南路小寨桥观测点，获得2015年8月22日8：25am-8：45am由北向南车交通流的基本参数如下表4所示，其中交通流状态预测周期为5分钟，采集到的检测数据为每分钟一次，共采集四个时间段。

表4交通流参数的采集数据表

第三步：预测结果及结果分析：

参照图1流程，进行预测得出结果交通流状态概率(预测周期内的平均值)如下表5所示：

表5交通流状态概率预测结果

时间段	交通流状态概率(拥堵流，间歇流，自由流)
		8：25-8：30	(0.673，0.215，0.112)
8：30-8：35	(0.758，0.154，0.088)
		8：35-8：40	(0.763，0.127，0.110)
8：40-8：45	(0.874，0.075，0.041)

从结果可以看出，交通流的状态结果很准确，拥堵的概率达到0.67以上，可以明显地预测出拥堵状态。

Claims (1)

1.一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＝kxt-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。