CN111797768B - 一种城市道路交通拥堵多原因自动实时识别方法及系统 - Google Patents

一种城市道路交通拥堵多原因自动实时识别方法及系统 Download PDF

Info

Publication number
CN111797768B
CN111797768B CN202010639707.2A CN202010639707A CN111797768B CN 111797768 B CN111797768 B CN 111797768B CN 202010639707 A CN202010639707 A CN 202010639707A CN 111797768 B CN111797768 B CN 111797768B
Authority
CN
China
Prior art keywords
traffic
bayesian network
road
causal
road section
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.)
Active
Application number
CN202010639707.2A
Other languages
English (en)
Other versions
CN111797768A (zh
Inventor
王成
王新艺
曹堉
高悦尔
张惠臻
王靖
陈建伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaqiao University
Original Assignee
Huaqiao University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huaqiao University filed Critical Huaqiao University
Priority to CN202010639707.2A priority Critical patent/CN111797768B/zh
Publication of CN111797768A publication Critical patent/CN111797768A/zh
Application granted granted Critical
Publication of CN111797768B publication Critical patent/CN111797768B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种城市道路交通拥堵多原因自动实时识别方法及系统，所述识别方法包括：采集获取研究区域范围内的一条城市道路历史上交通状态的n个可观测数据作为输入，m种交通拥堵原因作为输出，建立包含p条历史记录的训练样本数据集；确定每种交通拥堵原因与n个可观测数据间的因果关系，构建因果贝叶斯网络结构；采用训练样本数据集中的历史记录对所述因果贝叶斯网络的参数进行训练，获得训练后的因果贝叶斯网络；将该城市道路当前交通状态的多个可观测数据输入训练后的因果贝叶斯网络，贝叶斯网络的输出即识别的该城市道路当前拥堵的多原因。本发明利用因果贝叶斯网络实现了仅根据多个可观测数据就可自动实时识别城市道路交通拥堵的多原因。

Description

一种城市道路交通拥堵多原因自动实时识别方法及系统
技术领域
本发明涉及交通管理技术领域，特别涉及一种城市道路交通拥堵多原因自动实时识别方法及系统。
背景技术
随着城市的快速发展和汽车的日益普及导致了交通拥堵的严重恶化。交通拥堵不仅会导致社会诸项功能的衰退，而且还将引发城市环境的持续恶化，成为阻碍发展的严重问题。治理交通拥堵是城市进一步健康发展的基础，也是关乎公众切身利益的迫切需求。
目前对于拥堵原因的自动实时识别研究较少，遇到拥堵情况后主要从人为的主观经验去分析拥堵原因，主观性强、精度低、实时性差、无法自动实时识别。但是，道路的拥堵原因是动态实时、复杂多变的，人工进行主观判断费时、费力，效率不高，延长了拥堵的持续时间，因此根据道路工作状态下交通可观测变量对交通拥堵多原因进行自动实时识别就尤为必要。
发明内容
本发明的目的是提供一种城市道路交通拥堵多原因自动实时识别方法及系统，在交通拥堵发生时，实现交通拥堵多原因的自动快速实时的识别。
为实现上述目的，本发明提供了如下方案：
一种城市道路交通拥堵多原因自动实时识别方法，所述识别方法包括如下步骤：
步骤101，采集获取研究区域范围内的城市道路历史上交通状态的n个可观测数据作为输入，m种交通拥堵原因作为输出，其中，每个历史时刻的n个可观测数据和m种交通拥堵原因作为一条历史记录，建立包含p条历史记录的训练样本数据集；
步骤102，通过对所述训练样本数据集中的可观测数据和交通拥堵原因进行分析，确定每种交通拥堵原因与n个可观测数据间的因果关系，构建用于城市道路交通拥堵多原因自动实时识别的因果贝叶斯网络的结构；
步骤103，利用所述包含p条历史记录的训练样本数据集，采用K折交叉法对所述因果贝叶斯网络的参数进行训练和测试，获得训练后的因果贝叶斯网络；
步骤104，当前拥堵发生时，将获取的研究区域范围内的城市道路当前交通状态的n个可观测数据，输入训练后的因果贝叶斯网络，因果贝叶斯网络的输出即为识别的当前拥堵的多原因。
可选的，n个可观测数据包括预测路段上游的路段的第一车道车流量、预测路段上游的路段的第二车道车流量、预测路段的第一车道车流量、预测路段的第二车道车流量、预测路段下游的路段的第一车道车流量、预测路段下游的路段的第二车道车流量、预测路段上游的路段的人行横道流量、预测路段的人行横道流量、预测路段下游的路段的人行横道流量、预测路段上游的路段的交汇路的过街车流量、预测路段的交汇路的过街车流量、预测路段的左转流入车流量、预测路段的右转流入车流量、预测路段的直行流入车流量、预测路段的左转流出车流量、预测路段的直行流出车流量、预测路段上游的路段的停车让行次数、预测路段的停车让行次数、预测路段下游的路段的停车让行次数、预测路段下游的路段的左转车流二次排队、预测路段下游的路段的直行车流二次排队、预测路段上游的路段的两车道流量差、预测路段的两车道流量差、预测路段下游的路段的两车道流量差；
m种交通拥堵原因包括行人影响、过街车流影响、车流高峰、信号配时不合理以及停车占道。
可选的，所述利用所述包含p条历史记录的训练样本数据集，采用K折交叉法对所述因果贝叶斯网络的参数进行训练和测试，获得训练后的因果贝叶斯网络，具体包括：
步骤103-1，将所述包含p条历史记录的训练样本数据集随机平均划分成K等分，得到K个样本数据子集，每个子集均包含p/K条历史记录，设置j＝1；
步骤103-2，将第j个样本数据子集设置为测试样本集，将K个样本数据子集中除第j个样本数据子集之外的其余K-1个样本数据子集设置为训练样本集；
步骤103-3，利用所述训练样本集，采用极大似然估计算法训练所述因果贝叶斯网络的参数，得到训练后的因果贝叶斯网络；
步骤103-4，利用所述测试样本集对所述训练后的因果贝叶斯网络进行测试，计算训练后的因果贝叶斯网络预测多拥堵原因的准确率，作为本次交叉验证的准确率；
步骤103-5，判断j的数值是否小于等于K，得到第一判断结果；
步骤103-6，若所述第一判断结果为“是”，则令j的数值增加1，返回步骤103-2；
步骤103-7，若所述第一判断结果为“否”，则输出训练后的因果贝叶斯网络，计算每次交叉验证的准确率的平均值，得到准确率平均值；
步骤103-8，判断所述准确率平均值是否达到准确率阈值，得到第二判断结果；
步骤103-9，若所述第二判断结果表示否，则令j的数值等于1，返回步骤103-2；
步骤103-10，若所述第二判断结果表示是，则输出训练后的因果贝叶斯网络结构。
可选的，所述利用所述训练样本集，采用极大似然估计算法训练所述因果贝叶斯网络的参数，得到训练后的因果贝叶斯网络，具体包括：
步骤103-3-1，设置迭代次数阈值，似然函数阈值；
步骤103-3-2，将所述包含(K-1)*p/K条历史记录的训练样本集输入所述因果贝叶斯网络，获得所述训练样本集中每条历史记录的预测结果；
步骤103-3-3，根据每条历史记录的预测结果，利用公式
Figure BDA0002571051500000031
计算本次迭代的似然函数值；其中，
Figure BDA0002571051500000032
表示每条历史记录的预测结果，
Figure BDA0002571051500000033
p(c1)、p(c2)、p(cm)分别表示每条历史记录中多个可观测数据引起第1种、第2种和第m种交通拥堵原因发生的概率；D为包含(K-1)*p/K条历史记录的训练样本集；
Figure BDA0002571051500000041
Figure BDA0002571051500000042
和
Figure BDA0002571051500000043
分别表示包含(K-1)*p/K条历史记录的训练样本集中第1条、第2条、第3条、第i条和第(K-1)*p/K条历史记录；
步骤103-3-4，判断迭代次数的值是否大于迭代次数阈值或所述似然函数值是否大于似然函数阈值，得到第三判断结果；
步骤103-3-5，若第三判断结果为“否”，则令迭代次数的数值增加1，更新因果贝叶斯网络的参数，返回步骤103-3-2；若第三判断结果为“是”，则输出训练后的因果贝叶斯网络。
可选的，所述通过对所述训练样本数据集中的可观测数据和交通拥堵原因进行分析，确定每种交通拥堵原因与多个可观测数据间的因果关系，构建用于城市道路交通拥堵多原因自动实时识别的因果贝叶斯网络的结构，具体包括：
基于专家知识库，通过对所述训练样本数据集中的多个可观测数据和多种交通拥堵原因进行分析，确定每种交通拥堵原因与多个可观测数据间的因果关系，构建用于城市道路交通拥堵多原因自动实时识别的因果贝叶斯网络的结构。
一种城市道路交通拥堵多原因自动实时识别系统，所述识别系统包括：
样本数据采集模块，用于采集获取研究区域范围内的城市道路历史上交通状态的n个可观测数据作为输入，m种交通拥堵原因作为输出，其中，每个历史时刻的n个可观测数据和m种交通拥堵原因作为一条历史记录，建立包含p条历史记录的训练样本数据集；
因果贝叶斯网络结构构建模块，用于通过对所述训练样本数据集中的可观测数据和交通拥堵原因进行分析，确定每种交通拥堵原因与多个可观测数据间的因果关系，构建用于城市道路交通拥堵多原因自动实时识别的因果贝叶斯网络的结构；
K折交叉法因果贝叶斯网络参数训练模块，用于利用所述包含p条历史记录的训练样本数据集，采用K折交叉法对所述因果贝叶斯网络的参数进行训练和测试，获得训练后的因果贝叶斯网络；
当前拥堵多原因识别模块，用于当前拥堵发生时，将获取的研究区域范围内的城市道路当前交通状态的可观测数据，输入训练后的因果贝叶斯网络，因果贝叶斯网络的输出即为识别的当前拥堵多原因。
可选的，n个可观测数据包括预测路段上游的路段的第一车道车流量、预测路段上游的路段的第二车道车流量、预测路段的第一车道车流量、预测路段的第二车道车流量、预测路段下游的路段的第一车道车流量、预测路段下游的路段的第二车道车流量、预测路段上游的路段的人行横道流量、预测路段的人行横道流量、预测路段下游的路段的人行横道流量、预测路段上游的路段的交汇路的过街车流量、预测路段的交汇路的过街车流量、预测路段的左转流入车流量、预测路段的右转流入车流量、预测路段的直行流入车流量、预测路段的左转流出车流量、预测路段的直行流出车流量、预测路段上游的路段的停车让行次数、预测路段的停车让行次数、预测路段下游的路段的停车让行次数、预测路段下游的路段的左转车流二次排队、预测路段下游的路段的直行车流二次排队、预测路段上游的路段的两车道流量差、预测路段的两车道流量差、预测路段下游的路段的两车道流量差；
m种交通拥堵原因包括行人影响、过街车流影响、车流高峰、信号配时不合理以及停车占道。
可选的，所述K折交叉法因果贝叶斯网络参数训练模块，具体包括：
训练样本数据集划分子模块，用于将所述包含p条历史记录的训练样本数据集随机平均划分成K等分，得到K个样本数据子集，每个子集均包含p/K条历史记录，设置j＝1；
样本数据子集设置子模块，用于将第j个样本数据子集设置为测试样本集，将K个样本数据子集中除第j个样本数据子集之外的其余K-1个样本数据子集设置为训练样本集；
因果贝叶斯网络参数训练子模块，用于利用所述训练样本集，采用极大似然估计算法训练所述因果贝叶斯网络的参数，得到训练后的因果贝叶斯网络；
因果贝叶斯网络验证子模块，用于利用所述测试样本集对所述训练后的因果贝叶斯网络进行测试，计算训练后的因果贝叶斯网络预测多拥堵原因的准确率，作为本次交叉验证的准确率；
第一判断子模块，用于判断j的数值是否小于等于K，得到第一判断结果；
第一返回模块，用于若第一判断结果为“是”，则令j的数值增加1，调用样本数据子集设置子模块；
准确率平均值计算子模块，用于若所述第一判断结果为“否”，则输出训练后的因果贝叶斯网络，计算每次交叉验证的准确率的平均值，得到准确率平均值；
第二判断子模块，用于判断所述准确率平均值是否达到准确率阈值，得到第二判断结果；
第二返回子模块，用于若所述第二判断结果表示否，则令j的数值等于1，调用样本数据子集设置子模块；
训练后的因果贝叶斯网络输出子模块，用于若所述第二判断结果表示是，则输出训练后的因果贝叶斯网络结构
可选的，所述因果贝叶斯网络参数训练子模块，具体包括：
阈值设置单元，用于设置迭代次数阈值，似然函数阈值；
预测单元，用于将所述包含(K-1)*p/K条历史记录的训练样本集输入所述因果贝叶斯网络，获得所述训练样本集中每条历史记录的预测结果；
似然函数值计算单元，用于根据每条历史记录的预测结果，利用公式
Figure BDA0002571051500000061
计算本次迭代的似然函数值；其中,
Figure BDA0002571051500000062
表示样本数据的预测结果，
Figure BDA0002571051500000063
p(c1)、p(c2)、p(cm)分别表示每条历史记录中多个可观测数据引起第1种、第2种和第m种交通拥堵原因发生的概率，m表示交通拥堵原因的种类数；D为包含(K-1)*p/K条历史记录的训练样本集；
Figure BDA0002571051500000064
Figure BDA0002571051500000065
和
Figure BDA0002571051500000066
分别表示包含(K-1)*p/K条历史记录的训练样本集中第1条、第2条、第3条、第i条和第(K-1)*p/K条历史记录；
第三判断单元，用于判断迭代次数的值是否大于迭代次数阈值或所述似然函数值是否大于似然函数阈值，得到第三判断结果；
参数更新单元，用于若所述第三判断结果为“否”，则令迭代次数的数值增加1，更新因果贝叶斯网络的参数，调用预测单元；
训练后的因果贝叶斯网络输出单元，用于若所述第三判断结果为“是”，则输出训练后的因果贝叶斯网络。
可选的，所述因果贝叶斯网络结构构建模块，具体包括：
因果贝叶斯网络结构构建子模块，用于基于专家知识库，通过对所述训练样本数据集中的可观测数据和交通拥堵原因进行分析，确定每种交通拥堵原因与多个可观测数据间的因果关系，构建用于城市道路交通拥堵多原因自动实时识别的因果贝叶斯网络的结构。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种城市道路交通拥堵多原因自动实时识别方法及系统，所述识别方法包括如下步骤：采集获取研究区域范围内的一条城市道路历史上交通状态的n个可观测数据作为输入，m种交通拥堵原因作为输出，建立包含p条历史记录的训练样本数据集；通过对所述训练样本数据集中的n个可观测数据和m种交通拥堵原因进行分析，确定每种交通拥堵原因与n个可观测数据间的因果关系，构建用于城市道路交通拥堵多原因自动实时识别的因果贝叶斯网络的结构；利用所述训练样本数据集中的历史记录，采用K折交叉验证法对所述因果贝叶斯网络的参数进行训练和测试，获得训练后的因果贝叶斯网络；当前拥堵发生时，将获取的研究区域范围内的该城市道路当前交通状态的n个可观测数据，输入训练后的因果贝叶斯网络，因果贝叶斯网络的输出即为识别的该城市道路当前拥堵的多原因。本发明采用K折交叉验证法训练因果贝叶斯网络的参数，实现了仅根据多个可观测数据就可自动实时识别城市道路交通拥堵的多原因，并避免了因果贝叶斯网络参数训练过程中过学习和欠学习状态的发生，实现了在交通拥堵发生时交通拥堵多原因的自动实时识别。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种城市道路交通拥堵多原因自动实时识别方法的流程图；
图2为本发明提供的交通拥堵多原因的结构组成图；
图3为本发明提供的选定路段的结构示意图；
图4为本发明提供的交通拥堵多原因与多个可观测数据的依赖关系示意图；其中，图4(a)表示行人影响与多个可观测数据之间的依赖关系示意图，图4(b)表示过街车流影响与多个可观测数据之间的依赖关系示意图，图4(c)表示停车占道与多个可观测数据之间的依赖关系示意图，图4(d)表示车流高峰与多个可观测数据的依赖关系示意图，图4(e)表示信号配时不合理与多个可观测数据的依赖关系示意图；
图5为本发明提供的因果贝叶斯网络结构示意图。
具体实施方式
本发明的目的是提供一种城市道路交通拥堵多原因自动实时识别方法及系统，在交通拥堵发生时，实现交通拥堵原因的自动快速的识别。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对发明作进一步详细的说明。
为实现上述目的，本发明提供了如下方案：
本发明针对寻找发生拥堵的具体原因的问题，基于理论推导及仿真手段进行系统的分析了5种常见的引发交通拥堵的原因，提出一种城市道路交通拥堵原因识别模型的构建方法；一种基于K-折交叉验证拥堵多原因识别模型的预测准确度的评价方法。通过此方法，建立的模型对于不同城市道路交通拥堵多原因的分析与判断识别具有一定的实用性以及借鉴意义，对未来利用多个可观测交通状态识别拥堵多原因的研究提供了更好的参考依据。
本发明在用于城市道路交通拥堵原因识别的模型的构建过程中，考虑现有因素状态，调整交通拥堵原因节点，确定可考虑在内的多种道路拥堵原因；分析选定的道路结构，设置相应的多个可观测交通状态变量；对拥堵原因进行详细分析，根据专家知识确定贝叶斯网络的变量节点以及变量节点间的依赖关系，得到因果贝叶斯网络的结构；利用采集的历史数据作为训练数据集，进行贝叶斯网络的参数学习，完成因果贝叶斯网络的构建。
如图1所示，本发明提供一种城市道路交通拥堵多原因自动实时识别方法，所述识别方法包括如下步骤：
步骤101，采集获取研究区域范围内的城市道路历史上交通状态的n个可观测数据作为输入，m种交通拥堵原因作为输出，其中，每个历史时刻的n个可观测数据和m种交通拥堵原因作为一条历史记录，建立包含p条历史记录的训练样本数据集。如图3所示，分析出选定路段的结构示意图，并对路段作适当划分。
2)步骤102，通过对所述训练样本数据集中的可观测数据和交通拥堵原因进行分析，确定每种交通拥堵原因与n个可观测数据间的因果关系，构建用于城市道路交通拥堵多原因自动实时识别的因果贝叶斯网络的结构。如图2所示，分析出造成交通拥堵的原因类型，并确定拥堵原因变量表，如表1所示；基于专家知识库，通过对所述训练样本数据集中的可观测数据和交通拥堵原因进行分析，确定每种交通拥堵原因与n个可观测数据间的因果关系，如图4所示；在图5中画出所有存在因果关系的指向箭头，构建用于城市道路交通拥堵多原因自动实时识别的因果贝叶斯网络的结构；
表1m种拥堵原因变量表
Figure BDA0002571051500000091
Figure BDA0002571051500000101
步骤103，利用所述包含p条历史记录的训练样本数据集，采用K折交叉法对所述因果贝叶斯网络的参数进行训练和测试，获得训练后的因果贝叶斯网络；
步骤104，当前拥堵发生时，将获取的研究区域范围内的城市道路当前交通状态的可观测数据，输入训练后的因果贝叶斯网络，因果贝叶斯网络的输出即为识别的当前拥堵的多原因。
可选的，n个可观测数据包括预测路段上游的路段的第一车道车流量、预测路段上游的路段的第二车道车流量、预测路段的第一车道车流量、预测路段的第二车道车流量、预测路段下游的路段的第一车道车流量、预测路段下游的路段的第二车道车流量、预测路段上游的路段的人行横道流量、预测路段的人行横道流量、预测路段下游的路段的人行横道流量、预测路段上游的路段的交汇路的过街车流量、预测路段的交汇路的过街车流量、预测路段的左转流入车流量、预测路段的右转流入车流量、预测路段的直行流入车流量、预测路段的左转流出车流量、预测路段的直行流出车流量、预测路段上游的路段的停车让行次数、预测路段的停车让行次数、预测路段下游的路段的停车让行次数、预测路段下游的路段的左转车流二次排队、预测路段下游的路段的直行车流二次排队、预测路段上游的路段的两车道流量差、预测路段的两车道流量差、预测路段下游的路段的两车道流量差；m种交通拥堵原因包括行人影响、过街车流影响、车流高峰、信号配时不合理以及停车占道，如图2所示。
可选的，所述利用所述包含p条历史记录的训练样本数据集，采用K折交叉法对所述因果贝叶斯网络的参数进行训练和测试，获得训练后的因果贝叶斯网络，具体包括：
步骤103-1，将所述包含p条历史记录的训练样本数据集随机平均划分成K等分，得到K个样本数据子集，每个子集均包含p/K条历史记录，设置j＝1；
步骤103-2，将第j个样本数据子集设置为测试样本集，将K个样本数据子集中除第j个样本数据子集之外的其余K-1个样本数据子集设置为训练样本集；
步骤103-3，利用所述训练样本集，采用极大似然估计算法训练所述因果贝叶斯网络的参数，得到训练后的因果贝叶斯网络；
步骤103-4，利用所述测试样本集对所述训练后的因果贝叶斯网络进行测试，计算训练后的因果贝叶斯网络预测多拥堵原因的准确率，作为本次交叉验证的准确率；
步骤103-5，判断j的数值是否小于等于K，得到第一判断结果；
步骤103-6，若所述第一判断结果为“是”，则令j的数值增加1，返回步骤103-2；
步骤103-7，若所述第一判断结果为“否”，则输出训练后的因果贝叶斯网络，计算每次交叉验证的准确率的平均值，得到准确率平均值；
步骤103-8，判断所述准确率平均值是否达到准确率阈值，得到第二判断结果；
步骤103-9，若所述第二判断结果表示否，则令j的数值等于1，返回步骤103-2；
步骤103-10，若所述第二判断结果表示是，则输出训练后的因果贝叶斯网络结构。
可选的，所述利用所述训练样本集，采用极大似然估计算法训练所述因果贝叶斯网络的参数，得到训练后的因果贝叶斯网络，具体包括：
步骤103-3-1，设置迭代次数阈值，似然函数阈值；
步骤103-3-2，将所述包含(K-1)*p/K条历史记录的训练样本集输入所述因果贝叶斯网络，获得所述训练样本集中每条历史记录的预测结果；
步骤103-3-3，根据每条历史记录的预测结果，利用公式
Figure BDA0002571051500000111
计算本次迭代的似然函数值；其中，
Figure BDA0002571051500000112
表示每条历史记录的预测结果，
Figure BDA0002571051500000113
p(c1)、p(c2)、p(cm)分别表示每条历史记录中多个可观测数据引起第1种、第2种和第m种交通拥堵原因发生的概率；D为包含(K-1)*p/K条历史记录的训练样本集；
Figure BDA0002571051500000121
Figure BDA0002571051500000122
和
Figure BDA0002571051500000123
分别表示包含(K-1)*p/K条历史记录的训练样本集中第1条、第2条、第3条、第i条和第(K-1)*p/K条历史记录；
步骤103-3-4，判断迭代次数的值是否大于迭代次数阈值或所述似然函数值是否大于似然函数阈值，得到第三判断结果；
步骤103-3-5，若第三判断结果为“否”，则令迭代次数的数值增加1，更新因果贝叶斯网络的参数，返回步骤103-3-2；若第三判断结果为“是”，则输出训练后的因果贝叶斯网络。
可选的，所述通过对所述训练样本数据集中的n个可观测数据和m种交通拥堵原因进行分析，确定每种交通拥堵原因与n个可观测数据间的因果关系，构建用于城市道路交通拥堵多原因自动实时识别的因果贝叶斯网络的结构，具体包括：
基于专家知识库，通过对所述训练样本数据集中的n个可观测数据和m种交通拥堵原因进行分析，确定每种交通拥堵原因与n个可观测数据间的因果关系，构建用于城市道路交通拥堵多原因自动实时识别的因果贝叶斯网络的结构，如图5所示。
一种城市道路交通拥堵多原因自动实时识别系统，所述识别系统包括：
样本数据采集模块，用于采集获取研究区域范围内的城市道路历史上交通状态的n个可观测数据作为输入，m种交通拥堵原因作为输出，其中，每个历史时刻的n个可观测数据和m种交通拥堵原因作为一条历史记录，建立包含p条历史记录的训练样本数据集；
因果贝叶斯网络结构构建模块，用于通过对所述训练样本数据集中的可观测数据和交通拥堵原因进行分析，确定每种交通拥堵原因与多个可观测数据间的因果关系，构建用于城市道路交通拥堵多原因自动实时识别的因果贝叶斯网络的结构；
K折交叉法因果贝叶斯网络参数训练模块，用于利用所述包含p条历史记录的训练样本数据集，采用K折交叉法对所述因果贝叶斯网络的参数进行训练和测试，获得训练后的因果贝叶斯网络；
当前拥堵多原因识别模块，用于当前拥堵发生时，将获取的研究区域范围内的城市道路当前交通状态的n个可观测数据，输入训练后的因果贝叶斯网络，因果贝叶斯网络的输出即为识别的当前拥堵多原因。
可选的，n个可观测数据包括预测路段上游的路段的第一车道车流量、预测路段上游的路段的第二车道车流量、预测路段的第一车道车流量、预测路段的第二车道车流量、预测路段下游的路段的第一车道车流量、预测路段下游的路段的第二车道车流量、预测路段上游的路段的人行横道流量、预测路段的人行横道流量、预测路段下游的路段的人行横道流量、预测路段上游的路段的交汇路的过街车流量、预测路段的交汇路的过街车流量、预测路段的左转流入车流量、预测路段的右转流入车流量、预测路段的直行流入车流量、预测路段的左转流出车流量、预测路段的直行流出车流量、预测路段上游的路段的停车让行次数、预测路段的停车让行次数、预测路段下游的路段的停车让行次数、预测路段下游的路段的左转车流二次排队、预测路段下游的路段的直行车流二次排队、预测路段上游的路段的两车道流量差、预测路段的两车道流量差、预测路段下游的路段的两车道流量差；
m种交通拥堵原因包括行人影响、过街车流影响、车流高峰、信号配时不合理以及停车占道。
其中，所述K折交叉法因果贝叶斯网络参数训练模块，具体包括：
训练样本数据集划分子模块，用于将所述包含p条历史记录的训练样本数据集随机平均划分成K等分，得到K个样本数据子集，每个子集均包含p/K条历史记录，设置j＝1；
样本数据子集设置子模块，用于将第j个样本数据子集设置为测试样本集，将K个样本数据子集中除第j个样本数据子集之外的其余K-1个样本数据子集设置为训练样本集；
因果贝叶斯网络参数训练子模块，用于利用所述训练样本集，采用极大似然估计算法训练所述因果贝叶斯网络的参数，得到训练后的因果贝叶斯网络；
因果贝叶斯网络验证子模块，用于利用所述测试样本集对所述训练后的因果贝叶斯网络进行测试，计算训练后的因果贝叶斯网络预测多拥堵原因的准确率，作为本次交叉验证的准确率；
第一判断子模块，用于判断j的数值是否小于等于K，得到第一判断结果；
第一返回模块，用于若第一判断结果为“是”，则令j的数值增加1，调用样本数据子集设置子模块；
准确率平均值计算子模块，用于若所述第一判断结果为“否”，则输出训练后的因果贝叶斯网络，计算每次交叉验证的准确率的平均值，得到准确率平均值；
第二判断子模块，用于判断所述准确率平均值是否达到准确率阈值，得到第二判断结果；
第二返回子模块，用于若所述第二判断结果表示否，则令j的数值等于1，调用样本数据子集设置子模块；
训练后的因果贝叶斯网络输出子模块，用于若所述第二判断结果表示是，则输出训练后的因果贝叶斯网络结构
可选的，所述因果贝叶斯网络参数训练子模块，具体包括：
阈值设置单元，用于设置迭代次数阈值，似然函数阈值；
预测单元，用于将所述包含(K-1)*p/K条历史记录的训练样本集输入所述因果贝叶斯网络，获得所述训练样本集中每条历史记录的预测结果；
似然函数值计算单元，用于根据每条历史记录的预测结果，利用公式
Figure BDA0002571051500000141
计算本次迭代的似然函数值；其中,
Figure BDA0002571051500000142
表示样本数据的预测结果，
Figure BDA0002571051500000143
p(c1)、p(c2)、p(cm)分别表示每条历史记录中多个可观测数据引起第1种、第2种和第m种交通拥堵原因发生的概率，m表示交通拥堵原因的种类数；D为包含(K-1)*p/K条历史记录的训练样本集；
Figure BDA0002571051500000151
Figure BDA0002571051500000152
Figure BDA0002571051500000153
和
Figure BDA0002571051500000154
分别表示训练样本集中第1条、第2条、第3条、第i条和第(K-1)*p/K个历史记录；
第三判断单元，用于判断迭代次数的值是否大于迭代次数阈值或所述似然函数值是否大于似然函数阈值，得到第三判断结果；
参数更新单元，用于若所述第三判断结果为“否”，则令迭代次数的数值增加1，更新因果贝叶斯网络的参数，调用预测单元；
训练后的因果贝叶斯网络输出单元，用于若所述第三判断结果为“是”，则输出训练后的因果贝叶斯网络。
其中，所述因果贝叶斯网络结构构建模块，具体包括：
因果贝叶斯网络结构构建子模块，用于基于专家知识库，通过对所述训练样本数据集中的可观测数据和交通拥堵原因进行分析，确定每种交通拥堵原因与多个可观测数据间的因果关系，构建用于城市道路交通拥堵多原因自动实时识别的因果贝叶斯网络的结构。
本发明还做了基于BP神经网络模型的拥堵原因识别方法的对比实验，以验证本发明的有效性，具体包括：
1)采用BP神经网络模型作为对比实验；导入对比实验数据文件，设样本数为n，特征个数为x，类别分为m类，即矩阵规模为n*x，x+1列则表示分类标签；
2)生成样本个数的随机数，按比例随机挑选样本；设输入数据为n1～n2列，输出数据为标签列n3，随机抽取d个作为训练样本，剩下的作为预测样本；
3)将输入数据作归一化处理；
4)初始化网络结构，设置隐含层节点数及其他参数；
5)调用函数train对网络进行训练；
6)使用BP网络来预测；对预测数据归一化，并输出预测标签分类(调用sim函数)；根据预测值区域划分为m类；
7)遍历样本数据，计算BP神经网络的准确率，设正确数为rightnumber，若真实值与预测值相等，则rightnumber增加1；
8)判断遍历是否结束，用于判断第j个训练样本的数值是否大于d，得到判断结果；
9)若判断结果为“否”，返回步骤7)；
10)若判断结果为“是”，计算BP神经网络模型的准确率，如公式(1)所示；
Figure BDA0002571051500000161
11)对比本发明中计算出的模型准确率，分析和评价本发明的合理性和有效性。
基于本发明的方法和BP神经网络模型的方法，本发明提供了如下具体的实施例对两种方法的识别效果进行对比。
实施例1
1)针对本发明研究的5个原因类型，分别为行人影响、过街车流影响、车流高峰、信号配时不合理以及停车占道这5个原因类型，参考福建省泉州市泉秀街(刺桐路至田安路方向)的路段情况，将部分道路分为A、B、C三段表示，其道路结构如图3所示。拥堵原因类型变量表见表1所示，记录为{c1,c2,c3,c4,c5}。根据道路监控视频则路段上可观测的交通状态变量见表2所示。
2)为满足建模要求，需要将连续变量处理为离散变量，各变量的设置同见表2，设置之前的数据如表3所示，对应的设置之后的数据如表4所示。
表2可观测交通状态变量表
Figure BDA0002571051500000162
Figure BDA0002571051500000171
Figure BDA0002571051500000181
表3原始数据表
Figure BDA0002571051500000182
表4原始数据处理后的数据表
变量符号 样本1 样本2 样本3
H1 2 2 2
H2 2 2 2
H3 2 3 3
H4 3 2 2
H5 2 2 3
H6 2 2 3
P1 2 3 2
P2 1 1 1
P3 3 3 3
G1 4 3 1
G2 1 1 2
R1 2 3 3
R2 2 1 1
R3 3 2 3
R4 2 3 2
R5 3 3 2
A1 1 2 2
A2 2 2 3
A3 3 3 2
B1 0 0 1
B2 0 0 1
D1 2 1 1
D2 1 3 1
D3 1 1 1
C1 1 0 0
C2 1 1 1
C3 0 0 0
C4 0 0 1
C5 1 0 0
3)使用2)处理好的城市道路可观测数据，即表4，根据专家知识分析变量节点间的因果关系：行人影响，主要指行人分散过街情况，分散过街次数增加理论上造成停车让行次数增多，路段的平均速度下降，以及单位时间内的车流通过数量降低。车流高峰主要表现为单位时间内路段的进入车流过多，造成车速下降，同时也可能会因为更加密集的车流使得让行次数也增加。对于停车占道(路边停车)则会造成该车道后续车流停车等待或是变换车道行驶，在单位时间内最外侧车道通过车流下降，其他车道车流增多，车道流量差明显变化。信号配时不合理主要是某方向上绿灯时间过长导致该方向已无车通过而其他方向车流排队时长过长或某方向上绿灯过短造成方向上还存在过多的剩余车流量未流出即车辆二次排队现象严重，而车道流量之差在不同方向车流就存在一定的差值，并且通过固定的绿灯放行时间难以较好地显示信号配时不合理问题，所以主要以剩余排队车流和方向上的流出量来反映。过街车流的增多造成的影响与行人影响类似，但本实例的“过街车流”不仅包括了从与主路相交的支路的流出车流，还包括了从主路转向支路的车流，因此若主路左右转车辆流出受阻也会降低单位时间内的车流通过数量。根据以上系统的理论分析得出的节点关系结构如图3所示。基于图4的分析结果和表1、2中所示变量，以变量作为因果贝叶斯网络的节点用符号表示，相互间的影响关系为连接线，构建出如图5所示的因果贝叶斯网络结构。
4)通过历史数据集对确定好的贝叶斯网络结构(图5)。根据极大似然估计算，调用函数learn_params进行参数学习，完成模型构建。
实施例2
在与交通拥堵有关的各个因素影响下，本模型的参数学习部分结果见表5。
表5参数学习部分结果示例
Figure BDA0002571051500000201
Figure BDA0002571051500000211
实施例3
本发明采用BP神经网络模型作为对比实验，其中隐含层节点设置为13，最大训练次数设置为300，最多验证失败次数设置为50。
本发明构建的模型与对比模型对行人影响、车流高峰、停车占道、信号配时不合理和过街车流影响这5个类型的分析结果的平均准确率见表6。
表6模型准确率
拥堵类型 贝叶斯网络 BP神经网络
行人影响 80.26％ 56.55％
车流高峰 85.53％ 71.88％
停车占道 81.58％ 86.16％
信号配时不合理 95.39％ 89.49％
过街车流影响 87.50％ 64.55％
根据本发明提供的具体实施例，本发明公开了以下技术效果：
(1)通常准确率能达到80％以上，就可以认为是非常好的结果。而本发明的准确率均在80％以上，说明使用本模型对城市道路交通拥堵原因分析识别是有效的。并且随着积累了更多的训练样本之后，拥堵原因识别的精度会更高；
(2)构建贝叶斯网络结构有2种方法：①通过对样本数据的学习通过机器学习算法自动得到贝叶斯网络结构；②根据专家知识确定贝叶斯网络的变量节点以及变量间的依赖关系。第一种方法需要有足够的样本数据为前提，而第二种方法在相关专业知识比较重要，变量间关系明显，又缺少数据的情况下非常有效，可见本发明中采用第二种方法更加适用于建立交通拥堵原因识别的贝叶斯网络；
(3)目前对于拥堵原因的分析识别研究较少，遇到拥堵情况后主要从人为的主观经验去分析拥堵原因，主观性强、精度低、实时性差、无法自动实时识别。但是，道路的拥堵原因是动态实时、复杂多变的，次次人工进行主观判断费时、费力，效率不高，延长了拥堵的持续时间，因此根据道路工作状态下交通可观测变量对交通拥堵原因进行自动实时识别就尤为必要。而本发明采用贝叶斯网络构建识别模型，通过图形化的方法来表示，只需将该道路工作状态下交通可观测变量输入该贝叶斯网络模型，就能同时自动实时识别出交通拥堵的多个原因。本发明克服了基于规则的系统所具有的许多概念上和计算上的困难，并且更擅长描述并允许学习变量间的因果关系，能够充分利用领域知识和样本数据的信息，在交通拥堵的判别、交通事故的自动识别等方面的运用上效果显著，所建模型对于不同城市道路交通拥堵原因的分析与判断识别具有一定的实用性以及借鉴意义；
(4)本发明提出的一种基于K-折交叉验证拥堵原因识别模型的预测准确度的评价方法不仅可以评估识别模型的预测准确度，还提高了训练和测试过程的精度，最大化地利用了可获取的数据集。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

Claims (6)

1.一种城市道路交通拥堵多原因自动实时识别方法，其特征在于，所述识别方法包括如下步骤：
步骤101，采集获取研究区域范围内的城市道路历史上交通状态的n个可观测数据作为输入，m种交通拥堵原因作为输出，其中，每个历史时刻的n个可观测数据和m种交通拥堵原因作为一条历史记录，建立包含p条历史记录的训练样本数据集；n个可观测数据包括预测路段上游的路段的第一车道车流量、预测路段上游的路段的第二车道车流量、预测路段的第一车道车流量、预测路段的第二车道车流量、预测路段下游的路段的第一车道车流量、预测路段下游的路段的第二车道车流量、预测路段上游的路段的人行横道流量、预测路段的人行横道流量、预测路段下游的路段的人行横道流量、预测路段上游的路段的交汇路的过街车流量、预测路段的交汇路的过街车流量、预测路段的左转流入车流量、预测路段的右转流入车流量、预测路段的直行流入车流量、预测路段的左转流出车流量、预测路段的直行流出车流量、预测路段上游的路段的停车让行次数、预测路段的停车让行次数、预测路段下游的路段的停车让行次数、预测路段下游的路段的左转车流二次排队、预测路段下游的路段的直行车流二次排队、预测路段上游的路段的两车道流量差、预测路段的两车道流量差、预测路段下游的路段的两车道流量差；m种交通拥堵原因包括行人影响、过街车流影响、车流高峰、信号配时不合理以及停车占道；
步骤102，通过对所述训练样本数据集中的可观测数据和交通拥堵原因进行分析，确定每种交通拥堵原因与多个可观测数据间的因果关系，构建用于城市道路交通拥堵多原因自动实时识别的因果贝叶斯网络的结构；
步骤103，利用所述包含p条历史记录的训练样本数据集，采用K折交叉法对所述因果贝叶斯网络的参数进行训练和测试，获得训练后的因果贝叶斯网络，具体包括：
步骤103-1，将所述包含p条历史记录的训练样本数据集随机平均划分成K等分，得到K个样本数据子集，每个子集均包含p/K条历史记录，设置j＝1；
步骤103-2，将第j个样本数据子集设置为测试样本集，将K个样本数据子集中除第j个样本数据子集之外的其余K-1个样本数据子集设置为训练样本集；
步骤103-3，利用所述训练样本集，采用极大似然估计算法训练所述因果贝叶斯网络的参数，得到训练后的因果贝叶斯网络；
步骤103-4，利用所述测试样本集对所述训练后的因果贝叶斯网络进行测试，计算训练后的因果贝叶斯网络预测多拥堵原因的准确率，作为本次交叉验证的准确率；
步骤103-5，判断j的数值是否小于等于K，得到第一判断结果；
步骤103-6，若所述第一判断结果为“是”，则令j的数值增加1，返回步骤103-2；
步骤103-7，若所述第一判断结果为“否”，则输出训练后的因果贝叶斯网络，计算每次交叉验证的准确率的平均值，得到准确率平均值；
步骤103-8，判断所述准确率平均值是否达到准确率阈值，得到第二判断结果；
步骤103-9，若所述第二判断结果表示否，则令j的数值等于1，返回步骤103-2；
步骤103-10，若所述第二判断结果表示是，则输出训练后的因果贝叶斯网络结构；
步骤104，当前拥堵发生时，将获取的研究区域范围内的城市道路当前交通状态的n个可观测数据，输入训练后的因果贝叶斯网络，因果贝叶斯网络的输出即为识别的当前拥堵的多原因。
2.根据权利要求1所述的城市道路交通拥堵多原因自动实时识别方法，其特征在于，所述利用所述训练样本集，采用极大似然估计算法训练所述因果贝叶斯网络的参数，得到训练后的因果贝叶斯网络，具体包括：
步骤103-3-1，设置迭代次数阈值，似然函数阈值；
步骤103-3-2，将所述包含(K-1)*p/K条历史记录的训练样本集输入所述因果贝叶斯网络，获得所述训练样本集中每条历史记录的预测结果；
步骤103-3-3，根据每条历史记录的预测结果，利用公式
Figure FDA0004126558060000031
计算本次迭代的似然函数值；其中，
Figure FDA0004126558060000032
表示每条历史记录的预测结果，
Figure FDA0004126558060000033
p(c1)、p(c2)、p(cm)分别表示每条历史记录中多个可观测数据引起第1种、第2种和第m种交通拥堵原因发生的概率；D为包含(K-1)*p/K条历史记录的训练样本集；
Figure FDA0004126558060000034
Figure FDA0004126558060000035
和
Figure FDA0004126558060000036
分别表示包含(K-1)*p/K条历史记录的训练样本集中第1条、第2条、第3条、第i条和第(K-1)*p/K条历史记录；
步骤103-3-4，判断迭代次数的值是否大于迭代次数阈值或所述似然函数值是否大于似然函数阈值，得到第三判断结果；
步骤103-3-5，若第三判断结果为“否”，则令迭代次数的数值增加1，更新因果贝叶斯网络的参数，返回步骤103-3-2；若第三判断结果为“是”，则输出训练后的因果贝叶斯网络。
3.根据权利要求1所述的城市道路交通拥堵多原因自动实时识别方法，其特征在于，所述通过对所述训练样本数据集中的可观测数据和交通拥堵原因进行分析，确定每种交通拥堵原因与n个可观测数据间的因果关系，构建用于城市道路交通拥堵多原因自动实时识别的因果贝叶斯网络的结构，具体包括：
基于专家知识库，通过对所述训练样本数据集中的多个可观测数据和多种交通拥堵原因进行分析，确定每种交通拥堵原因与n个可观测数据间的因果关系，构建用于城市道路交通拥堵多原因自动实时识别的因果贝叶斯网络的结构。
4.一种城市道路交通拥堵多原因自动实时识别系统，其特征在于，所述识别系统包括：
样本数据采集模块，用于采集获取研究区域范围内的城市道路历史上交通状态的n个可观测数据作为输入，m种交通拥堵原因作为输出，其中，每个历史时刻的n个可观测数据和m种交通拥堵原因作为一条历史记录，建立包含p条历史记录的训练样本数据集；n个可观测数据包括预测路段上游的路段的第一车道车流量、预测路段上游的路段的第二车道车流量、预测路段的第一车道车流量、预测路段的第二车道车流量、预测路段下游的路段的第一车道车流量、预测路段下游的路段的第二车道车流量、预测路段上游的路段的人行横道流量、预测路段的人行横道流量、预测路段下游的路段的人行横道流量、预测路段上游的路段的交汇路的过街车流量、预测路段的交汇路的过街车流量、预测路段的左转流入车流量、预测路段的右转流入车流量、预测路段的直行流入车流量、预测路段的左转流出车流量、预测路段的直行流出车流量、预测路段上游的路段的停车让行次数、预测路段的停车让行次数、预测路段下游的路段的停车让行次数、预测路段下游的路段的左转车流二次排队、预测路段下游的路段的直行车流二次排队、预测路段上游的路段的两车道流量差、预测路段的两车道流量差、预测路段下游的路段的两车道流量差；m种交通拥堵原因包括行人影响、过街车流影响、车流高峰、信号配时不合理以及停车占道；
因果贝叶斯网络结构构建模块，用于通过对所述训练样本数据集中的可观测数据和交通拥堵原因进行分析，确定每种交通拥堵原因与多个可观测数据间的因果关系，构建用于城市道路交通拥堵多原因自动实时识别的因果贝叶斯网络的结构；
K折交叉法因果贝叶斯网络参数训练模块，用于利用所述包含p条历史记录的训练样本数据集，采用K折交叉法对所述因果贝叶斯网络的参数进行训练和测试，获得训练后的因果贝叶斯网络；
所述K折交叉法因果贝叶斯网络参数训练模块，具体包括：
训练样本数据集划分子模块，用于将所述包含p条历史记录的训练样本数据集随机平均划分成K等分，得到K个样本数据子集，每个子集均包含p条历史记录，设置j＝1；
样本数据子集设置子模块，用于将第j个样本数据子集设置为测试样本集，将K个样本数据子集中除第j个样本数据子集之外的其余K-1个样本数据子集设置为训练样本集；
因果贝叶斯网络参数训练子模块，用于利用所述训练样本集，采用极大似然估计算法训练所述因果贝叶斯网络的参数，得到训练后的因果贝叶斯网络；
因果贝叶斯网络验证子模块，用于利用所述测试样本集对所述训练后的因果贝叶斯网络进行测试，计算训练后的因果贝叶斯网络预测多拥堵原因的准确率，作为本次交叉验证的准确率；
第一判断子模块，用于判断j的数值是否小于等于K，得到第一判断结果；
第一返回模块，用于若第一判断结果为“是”，则令j的数值增加1，调用样本数据子集设置子模块；
准确率平均值计算子模块，用于若所述第一判断结果为“否”，则输出训练后的因果贝叶斯网络，计算每次交叉验证的准确率的平均值，得到准确率平均值；
第二判断子模块，用于判断所述准确率平均值是否达到准确率阈值，得到第二判断结果；
第二返回子模块，用于若所述第二判断结果表示否，则令j的数值等于1，调用样本数据子集设置子模块；
训练后的因果贝叶斯网络输出子模块，用于若所述第二判断结果表示是，则输出训练后的因果贝叶斯网络；
当前拥堵多原因识别模块，用于当前拥堵发生时，将获取的研究区域范围内的城市道路当前交通状态的n个可观测数据，输入训练后的因果贝叶斯网络，因果贝叶斯网络的输出即为识别的当前拥堵多原因。
5.根据权利要求4所述的城市道路交通拥堵多原因自动实时识别系统，其特征在于，所述因果贝叶斯网络参数训练子模块，具体包括：
阈值设置单元，用于设置迭代次数阈值，似然函数阈值；
预测单元，用于将所述包含(K-1)*p/K条历史记录的训练样本集输入所述因果贝叶斯网络，获得所述训练样本集中每条历史记录的预测结果；
似然函数值计算单元，用于根据每条历史记录的预测结果，利用公式
Figure FDA0004126558060000061
计算本次迭代的似然函数值；其中,
Figure FDA0004126558060000062
表示样本数据的预测结果，
Figure FDA0004126558060000063
p(c1)、p(c2)、p(cm)分别表示每条历史记录中多个可观测数据引起第1种、第2种和第m种交通拥堵原因发生的概率，m表示交通拥堵原因的种类数；D为包含(K-1)*p/K条历史记录的训练样本集；
Figure FDA0004126558060000064
Figure FDA0004126558060000065
Figure FDA0004126558060000066
和
Figure FDA0004126558060000067
分别表示训练样本集中第1条、第2条、第3条、第i条和第(K-1)*p/K个历史记录；
第三判断单元，用于判断迭代次数的值是否大于迭代次数阈值或所述似然函数值是否大于似然函数阈值，得到第三判断结果；
参数更新单元，用于若所述第三判断结果为“否”，则令迭代次数的数值增加1，更新因果贝叶斯网络的参数，调用预测单元；
训练后的因果贝叶斯网络输出单元，用于若所述第三判断结果为“是”，则输出训练后的因果贝叶斯网络。
6.根据权利要求4所述的城市道路交通拥堵多原因自动实时识别系统，其特征在于，所述因果贝叶斯网络结构构建模块，具体包括：
因果贝叶斯网络结构构建子模块，用于基于专家知识库，通过对所述训练样本数据集中的可观测数据和交通拥堵原因进行分析，确定每种交通拥堵原因与多个可观测数据间的因果关系，构建用于城市道路交通拥堵多原因自动实时识别的因果贝叶斯网络的结构。
CN202010639707.2A 2020-07-06 2020-07-06 一种城市道路交通拥堵多原因自动实时识别方法及系统 Active CN111797768B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010639707.2A CN111797768B (zh) 2020-07-06 2020-07-06 一种城市道路交通拥堵多原因自动实时识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010639707.2A CN111797768B (zh) 2020-07-06 2020-07-06 一种城市道路交通拥堵多原因自动实时识别方法及系统

Publications (2)

Publication Number Publication Date
CN111797768A CN111797768A (zh) 2020-10-20
CN111797768B true CN111797768B (zh) 2023-05-12

Family

ID=72810333

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010639707.2A Active CN111797768B (zh) 2020-07-06 2020-07-06 一种城市道路交通拥堵多原因自动实时识别方法及系统

Country Status (1)

Country Link
CN (1) CN111797768B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232444B (zh) * 2020-11-23 2024-02-27 中国移动通信集团江苏有限公司 对象的地理位置数据确定方法、装置、设备及存储介质
CN112950934A (zh) * 2021-01-26 2021-06-11 西安电子科技大学 一种道路拥堵原因识别方法
CN113963539B (zh) * 2021-10-19 2022-06-10 交通运输部公路科学研究所 高速公路交通事故识别方法、模块及系统
CN114550471B (zh) * 2022-04-22 2022-08-23 四川九通智路科技有限公司 一种智能交通的信号灯控制方法及控制系统
CN116205384B (zh) 2023-05-06 2023-07-04 北京航空航天大学 一种基于生成因果解释模型的城市数据预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104298881A (zh) * 2014-10-15 2015-01-21 南通大学 一种基于贝叶斯网络模型的公交环境动态变化预报方法
WO2016095708A1 (zh) * 2014-12-16 2016-06-23 高德软件有限公司 一种交通流量预测方法、预测模型生成方法及装置
CN108281039A (zh) * 2017-01-05 2018-07-13 大唐高鸿信息通信研究院（义乌）有限公司 适用于车载短距离通信网络的危险路段交通事故预警方法
CN109596913A (zh) * 2018-11-26 2019-04-09 国网冀北电力有限公司 充电桩故障原因诊断方法及装置
CN109697852A (zh) * 2019-01-23 2019-04-30 吉林大学 基于时序交通事件的城市道路拥堵程度预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104298881A (zh) * 2014-10-15 2015-01-21 南通大学 一种基于贝叶斯网络模型的公交环境动态变化预报方法
WO2016095708A1 (zh) * 2014-12-16 2016-06-23 高德软件有限公司 一种交通流量预测方法、预测模型生成方法及装置
CN108281039A (zh) * 2017-01-05 2018-07-13 大唐高鸿信息通信研究院（义乌）有限公司 适用于车载短距离通信网络的危险路段交通事故预警方法
CN109596913A (zh) * 2018-11-26 2019-04-09 国网冀北电力有限公司 充电桩故障原因诊断方法及装置
CN109697852A (zh) * 2019-01-23 2019-04-30 吉林大学 基于时序交通事件的城市道路拥堵程度预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于贝叶斯网络模型的交通状态预测;盛春阳;张元;;公路与汽运(第01期);全文 *
基于贝叶斯网络的交通拥堵实时预测;曾子涵;;冶金管理(第21期);全文 *

Also Published As

Publication number Publication date
CN111797768A (zh) 2020-10-20

Similar Documents

Publication Publication Date Title
CN111797768B (zh) 一种城市道路交通拥堵多原因自动实时识别方法及系统
CN109697852B (zh) 基于时序交通事件的城市道路拥堵程度预测方法
CN110164128B (zh) 一种城市级智能交通仿真系统
CN110097755B (zh) 基于深度神经网络的高速公路交通流量状态识别方法
CN108364467B (zh) 一种基于改进型决策树算法的路况信息预测方法
Kim et al. Urban traffic flow prediction system using a multifactor pattern recognition model
CN111080029B (zh) 基于多路段时空相关的城市交通路段速度预测方法及系统
CN112215487B (zh) 一种基于神经网络模型的车辆行驶风险预测方法
CN109191849B (zh) 一种基于多源数据特征提取的交通拥堵持续时间预测方法
CN111292534A (zh) 一种基于聚类与深度序列学习的交通状态估计方法
CN110288825B (zh) 基于多源数据融合和snmf的交通控制子区聚类划分方法
CN112863182B (zh) 基于迁移学习的跨模态数据预测方法
CN111145546B (zh) 一种城市全域交通态势分析方法
CN113744526B (zh) 一种基于lstm和bf的高速公路风险预测方法
CN112037539B (zh) 一种用于饱和城市交通网络的信控方案推荐方法及系统
CN109887279B (zh) 一种交通拥堵预测方法及系统
CN115662113B (zh) 一种信号交叉口人车博弈冲突风险评估与预警方法
CN109489679B (zh) 一种导航路径中的到达时间计算方法
CN112732905A (zh) 一种基于知识图谱的交通事故分析与防控方法及系统
Haputhanthri et al. Short-term traffic forecasting using LSTM-based deep learning models
CN115796030A (zh) 一种基于图卷积的交通流量预测方法
Slimani et al. Road traffic forecasting using a real data set in Morocco
Liu et al. Highway traffic congestion detection and evaluation based on deep learning techniques
Attoui et al. A generic framework for forecasting short-term traffic conditions on urban highways
CN115273472B (zh) 一种基于图卷积网络表示道路的通行时间预测方法及系统

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