CN109409713A - 基于贝叶斯模型和三倍标准差准则的道路网络评估方法 - Google Patents
基于贝叶斯模型和三倍标准差准则的道路网络评估方法 Download PDFInfo
- Publication number
- CN109409713A CN109409713A CN201811197397.2A CN201811197397A CN109409713A CN 109409713 A CN109409713 A CN 109409713A CN 201811197397 A CN201811197397 A CN 201811197397A CN 109409713 A CN109409713 A CN 109409713A
- Authority
- CN
- China
- Prior art keywords
- traffic
- road network
- indicators
- standard deviation
- magnitude
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Abstract
本发明提供了基于贝叶斯模型和三倍标准差准则的道路网络评估方法,包括:统计某区域的相同时段的交通指标,根据统计结果确定交通指标服从的概率分布;利用贝叶斯模型计算出所述概率分布的参数;根据贝叶斯模型和三倍标准差准则,计算交通指标的范围阈值,通过交通指标数据与交通指标范围阈值比较判断道路网络是否异常;如果判断道路网络异常,根据三倍标准差准则计算网络交通流量的变化值和变化率,以及交通拥堵指数的变化值和变化率,作为评估异常事件对所述道路网络的影响程度的指标,本发明能够有效识别各种道路网络的异常事件以及异常事件对道路网络的交通流量和交通拥堵影响程度。
Description
技术领域
本发明涉及网络评估技术领域,尤其涉及基于贝叶斯模型和三倍标准差 准则的道路网络评估方法。
背景技术
道路网络是全国运输综合体系的重要组成部分。各种法定节假日、重大 活动和突发事件等都会对道路网络产生影响。有效地评估各种事件对道路网 络的影响,可以为交通管理部门制定和优化交通管控措施提供科学合理的决 策依据,同时也为出行者合理安排出行提供参考,进而提高出行效率。
在现有技术中,各种事件对道路网络的影响方面,主要通过利用决策树 理论、模糊思想和专家系统思想,建立交通事件空间扩散范围估计;根据区 域交通流的总出行时间的变化,确定交通事件造成影响的范围,实时评估交 通事件的影响范围。这些评估方法的缺点为:这些评估方法主要集中于交通 事故和交通拥堵的持续时间及扩散范围的模型估计方法,已有的模型需要大 量的输入变量,而在实际应用中,很难获得较全面的输入数据,无法满足突 发事件情况下实时、快速、全面的评估需求。
此外,现有技术中还通过实时数据与正常情况下的数据进行对比,得到 事件对路网的影响,这种评估方法虽然可以发现并估计事件对路网的影响程 度,但是道路网络正常数据的确定方法为随机选择一个正常数据,或者选用 历史正常数据的平均值,这种评估方法没有考虑数据的波动性影响,分析结 果的可靠度低。
因此,亟需一种可以有效识别各种道路网络异常事件,并计算异常事件 对道路网络的交通流量和交通拥堵影响程度的影响评估方法。
发明内容
本发明的实施例提供了基于贝叶斯模型和三倍标准差准则的道路网络评 估方法,以解决以上问题。
为了实现上述目的,本发明采取了如下技术方案。
基于贝叶斯模型和三倍标准差准则的道路网络评估方法,包括:
统计某区域的相同时段的交通指标,根据统计结果确定交通指标服从的 概率分布;
利用贝叶斯模型计算出所述概率分布的参数;
根据得到的参数和三倍标准差准则,计算所述交通指标的范围阈值,通 过交通指标数据与所述交通指标范围阈值比较判断道路网络是否异常;
如果判断道路网络异常,根据贝叶斯模型和三倍标准差准则计算所述异 常道路网络交通流量的变化值和变化率,以及根据贝叶斯模型和三倍标准差 准则计算所述异常道路网络交通拥堵指数的变化值和变化率,根据所述异常 道路网络交通流量的变化值和变化率,以及所述异常道路网络交通拥堵指数 的变化值和变化率评估所述异常事件对所述道路网络的影响程度。
进一步地,所述的统计某区域的相同时段的交通指标,根据统计结果确 定交通指标服从的概率分布,包括:统计某区域的相同时段的交通指标y,包 括交通流量Q和交通拥堵指数I,y∈{Q,I}。根据统计结果确定交通指标服从 正态分布y~N(μ,σ2);μ,σ2分别为交通指标的均值和方差。
进一步地,所述的利用贝叶斯模型计算所述概率分布的参数,包括:
交通指标的均值μ是随机变量,记作θ。依据经验选定先验概率分布,参 数θ服从均值为μ0、方差为的一元正态分布,参数θ的先验概 率p(θ)由下式确定:
根据交通指标的样本集D={x1,…,xω}计算样本的联合分布p(D|θ),
其中,ω表示交通指标的样本量,xω表示第ω个交通指标的样本;
根据贝叶斯公式计算参数θ的后验概率p(θ|D),计算公式如下:
根据所述贝叶斯模型的后验概率计算出更新后的θ仍然服从正态分布,其中,
利用后验概率分布对观测值做一步预测,一步预测模型为
进一步地,所述的根据得到的参数和三倍标准差准则,计算所述交通指标 的范围阈值,通过交通指标数据与所述交通指标范围阈值比较判断道路网络 是否异常,包括:
根据所述交通指标y的预测模型根据三倍标准差准则计 算所述交通指标的正常范围阈值为如果 交通指标数据或则认为所述的道路网络 异常,否则所述的道路网络正常。
进一步地,所述的根据贝叶斯模型和三倍标准差准则计算所述异常道路网 络交通流量的变化值和变化率,包括:
根据贝叶斯模型估计空间范围a时间范围t内的交通流量Qa,t服从正态分布,
根据所述正态分布得到的参数和三倍标准差准则,计算空间范围a时间范 围t内的交通流量变化值ΔQa,t和交通流量变化率
所述的空间范围a时间范围t内的交通流量变化值ΔQa,t,根据如下公式计算:
所述的空间范围a时间范围t内的交通流量变化率根据如下公式计 算:
当ΔQa,t小于零,表示受异常事件影响,所述异常道路网络交通流量降 低;当ΔQa,t大于零,表示受异常事件影响,所述异常道路网络交通流量增 加;当ΔQa,t=0,表示所述异常道路网络交通流量不受影响。
进一步地,所述的根据贝叶斯模型和三倍标准差准则计算所述异常道路 网络交通拥堵指数的变化值和变化率,包括:
统计路段i在分析时间段t内的累计拥堵时长βi,t,根据贝叶斯模型估计分析 时段t内分析范围a的交通拥堵指数Ia,t服从正态分布,
根据所述正态分布得到的参数和三倍标准差准则计算空间范围a时间范围t 内的交通拥堵指数变化值ΔIa,t和交通拥堵指数变化率
所述的空间范围a时间范围t内的交通拥堵指数变化值ΔIa,t根据如下公式计 算:
所述的空间范围a时间范围t内的交通拥堵指数变化率根据如下公式计 算:
当ΔIa,t小于零,表示受异常事件影响,所述异常道路网络交通拥堵程度降 低;当ΔIa,t大于零,表示受异常事件影响,所述异常道路网络交通拥堵程度增 加;当ΔIa,t=0,表示所述异常道路网络交通不受影响。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例的基于 贝叶斯模型和三倍标准差准则的道路网络评估方法,能够有效识别各种道路 网络的异常事件,并计算异常事件对道路网络的交通流量和交通拥堵影响程 度,为交通管理部门制定相应的交通管控措施提供科学的决策依据,还能够 为出行者合理安排出行提供参考。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的 描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所 需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发 明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前 提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于贝叶斯模型和三倍标准差准则的道路网络 评估方法的处理流程图;
图2为道路网络异常事件识别示意图;
附图说明:①为正常时段;②为元旦假期时段;③为暴雪时段。
图3为异常事件时道路网络交通流量变化值的示意图;
图4为异常事件时道路网络交通流量变化率的示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出, 其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功 能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发 明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式 “一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解 的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步 骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、 整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被 “连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或 者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无 线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项 的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语 (包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一 般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该 被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一 样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以具体实施例为例做进 一步的解释说明,且实施例并不构成对本发明实施例的限定。
本发明实施例的基于贝叶斯模型和三倍标准差准则的道路网络评估方 法,旨在提供一种有效识别各种道路网络异常事件的方法。
实施例
图1为本发明实施例提供的基于贝叶斯模型和三倍标准差准则的道路网络 评估方法的处理流程图,参照图1,基于贝叶斯模型和三倍标准差准则的道路 网络评估方法,包括:
统计某区域的相同时段的交通指标,根据统计结果确定交通指标服从的 概率分布;
利用贝叶斯模型计算出所述概率分布的参数;
根据得到的参数和三倍标准差准则,计算所述交通指标的范围阈值,通 过交通指标数据与所述交通指标范围阈值比较判断道路网络是否异常;
如果判断道路网络异常,根据三倍标准差准则计算所述异常道路网络交 通流量的变化值和变化率,以及所述异常道路网络交通拥堵指数的变化值和 变化率,以所述异常道路网络交通流量的变化值和变化率,以及所述异常道 路网络交通拥堵指数的变化值和变化率作为评估所述异常事件对所述道路网 络的影响程度。
其中,异常事件可以为各种法定节假日、重大活动和突发事件等都会对 道路网络产生影响。示例性的,例如,国家的法定节假日,包括元旦、春 节、清明、五一劳动节和十一国庆节等,由于外出旅游、走亲访友等导致道 路网络的服务需求增加;各种重大活动,由于交通管制措施的影响,路网交 通会发生变化;此外,各种突发事件,包括暴雨、大雪、洪水、冰冻、泥石 流和山体滑坡等恶劣天气自然灾害,以及车辆碰撞追尾、货物洒落、隧道起 火等交通事故常常会引起道路通行能力下降,导致交通拥堵或中断,严重情 况下甚至会导致整个路网的交通瘫痪。
进一步地,统计某区域的相同时段的各项交通指标y,包括交通流量Q和 交通拥堵指数I,y∈{Q,I}。根据统计结果确定各项交通指标为服从正态分布 的随机变量,y~N(μ,σ2),μ,σ2分别为交通指标的均值和方差。交通指标的方 差是已知的,交通指标的均值是随机变量,记作θ。
利用贝叶斯模型计算所述概率分布的参数,包括:
根据经验选定先验概率分布,参数θ是服从均值为μ0、方差为的一元正 态分布,参数θ的先验概率p(θ)由下式确定:
根据交通指标的样本集D={x1,…,xω}计算样本的联合分布p(D|θ),计算 公式如下:
其中,ω表示交通指标的样本量,xω表示第ω个交通指标的样本。
根据贝叶斯公式计算参数θ的后验概率p(θ|D),计算公式如下:
定义则p(θ|D)可以做如下转换:
根据所述贝叶斯模型的后验概率计算出更新后的θ服从正态分布,得到以下公式:
通过上述公式(4)和(5)可以得到:
上述公式求得的和μω是在考虑历史数据的基础上,融合了近期新增数 据得到的后验概率分布的均值和方差,模型具有动态性。
利用后验概率分布对观测值做一步预测:根据采集样本估计的参数θ服从 正态分布则一步预测模型为
进一步地,根据所述的交通指标y的预测模型根据三倍 标准差准则计算所述交通指标的正常范围阈值为 如果交通指标或则认为 所述的道路网络异常,否则所述的道路网络正常。
需要说明的是,由“三倍标准差法则”可知,正常情况的数据在范围内。定义为正常范围 的下界值,定义为正常范围的上界值。对于服从正态分布的 交通指标,99.47%的概率在上界值和下界值范围内,因此,如果实际交通指 标不在上界值和下界值范围内,则认为数据异常。
示例性地,图2为道路网络异常事件识别示意图,其中框线①、②和③分 别为正常时段、元旦假期时段和暴雪时段,2017年12月15日到2017年12月28 日处于正常时段,交通流量在下界值和上界值之间,说明交通正常;2017年 12月29日到2018年1月1日处于元旦假期,交通流量大于上界值,主要是受元 旦假期的影响,交通流量大于正常水平;2018年1月2日到2018年1月8日处于 暴雪时段,交通流量低于下界值,主要是受陕西、河南、湖北、安徽、江苏 等地先后出现的大雪和暴雪自然灾害影响,交通流量低于正常水平。
进一步地,根据三倍标准差准则计算所述异常道路网络交通流量的变化 值和变化率,包括:
定义Qa,t为空间范围a时间范围t内的交通流量。空间范围可以是全国、省 级、市级、区县或自定义区域范围,也可以是路段级。时间范围可以是分钟 (如1分钟、5分钟、15分钟)、小时(如1小时)或1天。用K表示空间范围a 内的路段数,则Qa,t的计算公式如下:
其中,qi,j表示路段i在j·Δ时刻的交通流量,其中,Δ是更新周期,默认为5 分钟,j=1,2,…,M,M表示更新周期数。
根据贝叶斯模型估计得到统计空间范围a时间范围t内的交通流量Qa,t服从 正态分布,
根据所述正态分布得到的参数μω,Q,a,t、根据三倍标准差准 则,计算空间范围a时间范围t内的交通流量变化值ΔQa,t和交通流量变化率
所述的空间范围a时间范围t内的交通流量变化值ΔQa,t,根据如下公式计算:
所述的空间范围a时间范围t内的交通流量变化率根据如下公式计算:
当ΔQa,t小于零,表示受异常事件影响,所述异常道路网络交通流量降低; 当ΔQa,t大于零,表示受异常事件影响,所述异常道路网络交通流量增加; 当ΔQa,t=0,表示所述异常道路网络交通流量不受影响。
交通流量变化率反应了异常事件发生时,与正常情况下的流量相比,路网 流量变化的比例。
进一步地,根据三倍标准差准则计算所述异常道路网络交通拥堵指数的变 化值和变化率,包括:
用交通拥堵指数衡量道路网络交通拥堵状况,交通拥堵指数定义为路网范 围内的各个拥堵路段长度与拥堵时长的乘积之和,综合考虑了统计范围内拥 堵的时间(拥堵时长)和空间(拥堵长度)特征,是反映拥堵时空特征的绝 对值。用li表示路段i的长度,βi,t表示路段i在分析时间段t内的累计拥堵时长。 分析时段t内分析范围a的交通拥堵指数Ia,t计算公式如下:
根据路段i在分析时间段t内的累计拥堵时长βi,t,交通拥堵指数的正态分布 参数估计方法与交通流量的正态分布参数估计方法相同,根据贝叶斯模型估 计统计得到空间范围a时间范围t内的交通拥堵指数Ia,t服从正态分布,
根据所述正态分布得到的参数μω,I,a,t、根据三倍标准差准则 计算空间范围a时间范围t内的交通拥堵指数变化值ΔIa,t和交通拥堵指数变化率
所述的空间范围a时间范围t内的交通拥堵指数变化值ΔIa,t根据如下公式计 算:
所述的空间范围a时间范围t内的交通拥堵指数变化率根据如下公式计 算:
当ΔIa,t小于零,表示受异常事件影响,所述异常道路网络交通拥堵程度降 低;当ΔIa,t大于零,表示受异常事件影响,所述异常道路网络交通拥堵程度增 加;当ΔIa,t=0,表示所述异常道路网络交通不受影响。
交通拥堵指数变化率反应了异常事件发生时,与正常情况下的交通拥堵指 数相比,路网交通拥堵指数变化的比例。
示例性地,以交通流量的变化值和变化率为例,图3和图4分别为异常事 件情况下道路网络交通流量变化值和变化率的示意图,其中框线①、②和③ 分别为正常时段、元旦假期时段和暴雪时段。正常时段,交通流量变化值和 变化率均为零;元旦假期,流量均增加,且2018年1月1日流量增加最多,流 量增加量达到2.08*108,流量增加率为0.39;暴雪时段,交通流量变化之均降 低,且2018年1月7日降低量为2.19*108,流量减少率达到0.42。
综上所述,本发明实施例通过采用贝叶斯模型和三倍标准差准则对异常事 件的道路网络影响评估,考虑了数据的波动性,能够有效可靠地识别各种异 常事件,并计算事件对道路网络的交通流量和交通拥堵影响程度,为交通管 理部门制定相应的交通管控措施提供科学的决策依据,还能够为出行者合理 安排出行提供参考。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的 模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本 发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本 发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的 形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁 碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机, 服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所 述的方法。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局 限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻 易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的 保护范围应该以权利要求的保护范围为准。
Claims (6)
1.基于贝叶斯模型和三倍标准差准则的道路网络评估方法,其特征在于,包括:
统计某区域的相同时段的交通指标,根据统计结果确定交通指标服从的概率分布;
利用贝叶斯模型计算出所述概率分布的参数;
根据得到的参数和三倍标准差准则,计算所述交通指标的范围阈值,通过交通指标数据与所述交通指标范围阈值比较判断道路网络是否异常;
如果判断道路网络异常,根据贝叶斯模型和三倍标准差准则计算所述异常道路网络交通流量的变化值和变化率,以及根据贝叶斯模型和三倍标准差准则计算所述异常道路网络交通拥堵指数的变化值和变化率,根据所述异常道路网络交通流量的变化值和变化率,以及所述异常道路网络交通拥堵指数的变化值和变化率评估所述异常事件对所述道路网络的影响程度。
2.根据权利要求1所述的方法,其特征在于,所述的统计某区域的相同时段的交通指标,根据统计结果确定交通指标服从的概率分布,包括:统计某区域的相同时段的交通指标y,包括交通流量Q和交通拥堵指数I,y∈{Q,I}。根据统计结果确定交通指标服从正态分布y~N(μ,σ2);μ,σ2分别为交通指标的均值和方差。
3.根据权利要求1所述的方法,其特征在于,所述的利用贝叶斯模型计算所述概率分布的参数,包括:
交通指标的均值μ是随机变量,记作θ。依据经验选定先验概率分布,参数θ服从均值为μ0、方差为的一元正态分布,参数θ的先验概率p(θ)由下式确定:
根据交通指标的样本集D={x1,…,xω}计算样本的联合分布p(D|θ),
其中,ω表示交通指标的样本量,xω表示第ω个交通指标的样本;
根据贝叶斯公式计算参数θ的后验概率p(θ|D),计算公式如下:
根据所述贝叶斯模型的后验概率计算出更新后的θ仍然服从正态分布,其中,
利用后验概率分布对观测值做一步预测,一步预测模型为
4.根据权利要求3所述的方法,其特征在于,所述的根据得到的参数和三倍标准差准则,计算所述交通指标的范围阈值,通过交通指标数据与所述交通指标范围阈值比较判断道路网络是否异常,包括:
根据所述交通指标y的预测模型根据三倍标准差准则计算所述交通指标的正常范围阈值为如果则认为所述的道路网络异常,否则所述的道路网络正常。
5.根据权利要求1-4所述的方法,其特征在于,所述的根据贝叶斯模型和三倍标准差准则计算所述异常道路网络交通流量的变化值和变化率,包括:
根据贝叶斯模型估计空间范围a时间范围t内的交通流量Qa,t服从正态分布,
根据所述正态分布得到的参数和三倍标准差准则,计算空间范围a时间范围t内的交通流量变化值ΔQa,t和交通流量变化率
所述的空间范围a时间范围t内的交通流量变化值ΔQa,t,根据如下公式计算:
所述的空间范围a时间范围t内的交通流量变化率根据如下公式计算:
当ΔQa,t小于零,表示受异常事件影响,所述异常道路网络交通流量降低;当ΔQa,t大于零,表示受异常事件影响,所述异常道路网络交通流量增加;当ΔQa,t=0,表示所述异常道路网络交通流量不受影响。
6.根据权利要求1-4所述的方法,其特征在于,包括:
所述的根据贝叶斯模型和三倍标准差准则计算所述异常道路网络交通拥堵指数的变化值和变化率,包括:
统计路段i在分析时间段t内的累计拥堵时长βi,t,根据贝叶斯模型估计分析时段t内分析范围a的交通拥堵指数Ia,t服从正态分布,
根据所述正态分布得到的参数和三倍标准差准则计算空间范围a时间范围t内的交通拥堵指数变化值ΔIa,t和交通拥堵指数变化率
所述的空间范围a时间范围t内的交通拥堵指数变化值ΔIa,t根据如下公式计算:
所述的空间范围a时间范围t内的交通拥堵指数变化率根据如下公式计算:
当ΔIa,t小于零,表示受异常事件影响,所述异常道路网络交通拥堵程度降低;当ΔIa,t大于零,表示受异常事件影响,所述异常道路网络交通拥堵程度增加;当ΔIa,t=0,表示所述异常道路网络交通不受影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811197397.2A CN109409713B (zh) | 2018-10-15 | 2018-10-15 | 基于贝叶斯模型和三倍标准差准则的道路网络评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811197397.2A CN109409713B (zh) | 2018-10-15 | 2018-10-15 | 基于贝叶斯模型和三倍标准差准则的道路网络评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109409713A true CN109409713A (zh) | 2019-03-01 |
CN109409713B CN109409713B (zh) | 2021-10-08 |
Family
ID=65467966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811197397.2A Active CN109409713B (zh) | 2018-10-15 | 2018-10-15 | 基于贝叶斯模型和三倍标准差准则的道路网络评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109409713B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816985A (zh) * | 2019-03-27 | 2019-05-28 | 常州璨禾辰信息科技有限公司 | 一种基于bayes算法的城市交通状况预警方法 |
CN111899514A (zh) * | 2020-08-19 | 2020-11-06 | 陇东学院 | 一种人工智能的拥堵检测系统 |
CN113808384A (zh) * | 2020-06-16 | 2021-12-17 | 英业达科技有限公司 | 交通状况侦测方法 |
CN115188186A (zh) * | 2022-06-28 | 2022-10-14 | 公安部交通管理科学研究所 | 一种区域内交通流量监测方法 |
CN115830873A (zh) * | 2023-01-10 | 2023-03-21 | 西南交通大学 | 城市道路交通事件分类方法、装置、设备及可读存储介质 |
CN116564086A (zh) * | 2023-05-10 | 2023-08-08 | 北京交通大学 | 一种道路交通网络的事前防御资源配置方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258427A (zh) * | 2013-04-24 | 2013-08-21 | 北京工业大学 | 基于信息物理网络的城市快速路交通实时监控系统与方法 |
CN103971516A (zh) * | 2014-05-13 | 2014-08-06 | 紫光捷通科技股份有限公司 | 交通数据预处理方法及路况检测方法 |
US9424745B1 (en) * | 2013-11-11 | 2016-08-23 | Emc Corporation | Predicting traffic patterns |
CN106339608A (zh) * | 2016-11-09 | 2017-01-18 | 中国科学院软件研究所 | 一种基于在线变分贝叶斯支持向量回归的交通事故率预测系统 |
-
2018
- 2018-10-15 CN CN201811197397.2A patent/CN109409713B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258427A (zh) * | 2013-04-24 | 2013-08-21 | 北京工业大学 | 基于信息物理网络的城市快速路交通实时监控系统与方法 |
US9424745B1 (en) * | 2013-11-11 | 2016-08-23 | Emc Corporation | Predicting traffic patterns |
CN103971516A (zh) * | 2014-05-13 | 2014-08-06 | 紫光捷通科技股份有限公司 | 交通数据预处理方法及路况检测方法 |
CN106339608A (zh) * | 2016-11-09 | 2017-01-18 | 中国科学院软件研究所 | 一种基于在线变分贝叶斯支持向量回归的交通事故率预测系统 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816985A (zh) * | 2019-03-27 | 2019-05-28 | 常州璨禾辰信息科技有限公司 | 一种基于bayes算法的城市交通状况预警方法 |
CN113808384A (zh) * | 2020-06-16 | 2021-12-17 | 英业达科技有限公司 | 交通状况侦测方法 |
CN113808384B (zh) * | 2020-06-16 | 2023-02-10 | 英业达科技有限公司 | 交通状况侦测方法 |
CN111899514A (zh) * | 2020-08-19 | 2020-11-06 | 陇东学院 | 一种人工智能的拥堵检测系统 |
CN115188186A (zh) * | 2022-06-28 | 2022-10-14 | 公安部交通管理科学研究所 | 一种区域内交通流量监测方法 |
CN115188186B (zh) * | 2022-06-28 | 2024-02-20 | 公安部交通管理科学研究所 | 一种区域内交通流量监测方法 |
CN115830873A (zh) * | 2023-01-10 | 2023-03-21 | 西南交通大学 | 城市道路交通事件分类方法、装置、设备及可读存储介质 |
CN116564086A (zh) * | 2023-05-10 | 2023-08-08 | 北京交通大学 | 一种道路交通网络的事前防御资源配置方法 |
CN116564086B (zh) * | 2023-05-10 | 2024-01-23 | 北京交通大学 | 一种道路交通网络的事前防御资源配置方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109409713B (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109409713A (zh) | 基于贝叶斯模型和三倍标准差准则的道路网络评估方法 | |
Cats et al. | Exposing the role of exposure: Public transport network risk analysis | |
Muriel-Villegas et al. | Analysis of transportation networks subject to natural hazards–Insights from a Colombian case | |
Van Arem et al. | Recent advances and applications in the field of short-term traffic forecasting | |
Smith et al. | Exploring imputation techniques for missing data in transportation management systems | |
Hu et al. | Arterial offset optimization using archived high-resolution traffic signal data | |
CN110111576B (zh) | 一种基于时空拥堵子团的城市交通弹性指标的实现方法 | |
CN101488284A (zh) | 道路交通状况即时预测的智能管理系统 | |
Pan et al. | Resilience model and recovery strategy of transportation network based on travel OD-grid analysis | |
CN102169524A (zh) | 城市轨道交通网络客流分布的分阶段多路径模型算法 | |
CN103810532B (zh) | 优化城市排水系统运行状况的方法 | |
CN104766475A (zh) | 一种城市交通瓶颈挖掘方法 | |
CN114093168A (zh) | 一种基于韧性视角下的城市道路交通运行状态评价方法 | |
CN106327864A (zh) | 一种基于高速公路联网收费数据的交通流估计方法 | |
van Stralen et al. | The influence of adverse weather conditions on probability of congestion on Dutch motorways | |
CN109859480A (zh) | 基于复杂网络的拥堵路段建模和评估方法 | |
Rossi et al. | Definition of risk indicators for reservoirs management optimization | |
Liu et al. | Internet of things based solutions for transport network vulnerability assessment in intelligent transportation systems | |
Chan et al. | Real-time estimation of arterial travel times with spatial travel time covariance relationships | |
CN110807916B (zh) | 一种基于路网拓扑结构的交通状态评定方法及系统 | |
Torrisi et al. | Combining sensor traffic and simulation data to measure urban road network reliability | |
Qi et al. | Identifying nearest neighbors in a large-scale incident data archive | |
CN112686417A (zh) | 一种地铁大客流预测方法、系统及电子设备 | |
Turochy et al. | Relating short-term traffic forecasting to current system state using nonparametric regression | |
Nie et al. | Use of multisensor data in reliable short-term travel time forecasting for urban roads: Dempster–Shafer approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |