CN113409574B - 一种基于贝叶斯网络的交通健康诊断方法 - Google Patents

Abstract

本发明涉及一种基于贝叶斯网络的交通健康诊断方法，包括：将测量日均等划分时段，采集道路的车流速度数据，构建交通运行时序网络；基于得到的交通运行时序网络，按拥堵阈值提取拥堵网络，计算两个道路同属于一个拥堵连通子团的概率；根据两道路同属于一个拥堵子团的概率数据，构造道路间拥堵关联权重矩阵，根据权重矩阵得到拥堵模式以及对应的拥堵特征；构建以拥堵模式的特征为节点的贝叶斯网络，根据所述贝叶斯网络识别拥堵模式是否异常。本发明能够实现城市交通健康诊断。

Description

一种基于贝叶斯网络的交通健康诊断方法

技术领域

本发明涉及交通健康诊断领域，特别是涉及一种基于贝叶斯网络的交通健康诊断方法。

背景技术

随着我国经济的快速发展，私人汽车保有量和年行驶里程都有了显著的增长；但是伴随着城市化进程的加深，却面临着交通基础设施严重拥堵、不能充分发挥其服务能力的严峻挑战，交通系统的健康与否日益影响城市运行效率和居民生活质量；城市规模的扩大和城市内出行需求的多样性使得城市交通系统日益复杂，使得寻找拥堵问题的源头变得愈加棘手，给城市的管理者、路网的使用者带来了诸多困难。因此，如何对交通系统的健康问题进行诊断，锁定交通故障(拥堵)的病因成为关键工作。

交通健康诊断是利用交通系统中的各种状态信息和已有知识，实现故障分离，识别导致交通路网服务能力下降的故障源位置；交通系统的故障表现为拥堵，拥堵的产生按照其来源主要可以分为内部事故和外部威胁，内部事故可能来自交通系统内部引起的技术故障、交通事故或者其他的错误和事件。外部威胁包括极端天气的影响、恐怖主义活动甚至战争等。无论是来自内部事故还是外部威胁，拥堵都是依托交通系统内部的组织结构产生、传递。传统的研究聚焦于关键道路的识别，基于交通网络内不同连边(路段)间的拥堵传播关系，挖掘那些对周边道路拥堵传播能力强的道路，并通过这些路段识别现有交通系统的瓶颈，认为这些是交通拥堵的原因，制约城市交通系统的服务能力，影响城市交通系统的健康。

然而，城市交通拥堵具有动态传播、级联失效、多元故障的特点，交通系统复杂的拓扑结构与内部非线性动力学特性也带来了拥堵的不确定性。现有的交通诊断方法常应用于单故障源头、路段与路段间影响的场景，交通拥堵的结构耦合、区域传播、拥堵团块关联的特性，使得仅仅分析道路之间的拥堵传播强度方法难以有效地实现故障定位分析。

交通健康诊断是一个复杂的系统工程，考虑到交通拥堵的非线性、自组织性和涌现性特点，针对上述问题，本发明从拥堵的形式拥堵子团入手，寻找稳定的拥堵耦合区域，通过使用贝叶斯网络的相关理论，结合复杂网络分析等方法，识别拥堵模式，建立交通拥堵区域特征贝叶斯诊断网络推断异常拥堵模式，最终实现基于贝叶斯网络的交通健康诊断。

结合复杂网络理论和贝叶斯网络技术，本发明旨在为城市交通健康诊断提供理论和技术指导，从而为城市交通拥堵治理、智慧交通建设等内容提供支持。

发明内容

本发明的目的是提供一种基于贝叶斯网络的交通健康诊断方法，能够实现城市交通健康诊断。

为实现上述目的，本发明提供了如下方案：

一种基于贝叶斯网络的交通健康诊断方法，包括：

将测量日等分为多个时间段；

获取每个时间段内各个路段的车流速度；

根据所述每个时间段内各个路段的车流速度构建时段内每个时刻下的交通运行网络，得到第一道路网络；

获取交通拥堵第一阈值；

根据所述交通拥堵第一阈值筛选第一道路网络中的拥堵道路，得到第二道路网络；

计算所述第二道路网络中两个道路同属于一个拥堵子团的概率，记为第一概率，所述拥堵子团是指能够相互连通的拥堵道路构成的集合；

根据所述第一概率构建道路间拥堵关联权重矩阵，所述权重矩阵的行和列代表道路，矩阵元素为第一概率的值；

对所述权重矩阵进行降维和聚类，得到多类拥堵模式；

获取每类拥堵模式的特征；

构建以所述拥堵模式的特征为节点的贝叶斯网络；

获取正常拥堵模式的第二阈值和异常拥堵模式的第三阈值；

根据所述第二阈值和第三阈值筛选所述多个拥堵模式中的正常拥堵模式和异常拥堵模式；

分别利用正常拥堵模式的数据和异常拥堵模式的数据训练所述贝叶斯网络，得到正常拥堵贝叶斯网络和异常拥堵贝叶斯网络；

根据所述正常拥堵贝叶斯网络计算某一拥堵模式为正常拥堵模式时多个拥堵模式的特征的联合概率，根据所述异常拥堵贝叶斯网络计算某一拥堵模式为异常拥堵模式时多个拥堵模式的特征的联合概率；

根据所述正常拥堵模式时多个拥堵模式的特征的联合概率和异常拥堵模式时多个拥堵模式的特征的联合概率，计算该拥堵模式的正常概率和异常概率；

根据所述正常概率和异常概率判断该拥堵模式是否异常。

可选的，所述第一道路网络为有向网络，所述有向网络以路口为节点，以道路为连边，以道路车流速度为边权重。

可选的，所述车流速度为相对速度。

可选的，采用公式r_ij＝v_ij/v_i ^95％计算相对速度，其中r_ij表示道路车流i在j时刻的相对速度，v_ij表示道路车流i在j时刻观测到的真实速度，v_i ^95％表示道路车流i全天速度分布的95％分位点对应速度。

可选的，在步骤“获取每个时间段内各个路段的车流速度”之后，步骤“根据所述每个时间段内各个路段的车流速度构建时段内每个时刻下的交通运行网络，得到第一道路网络”之前，还包括：对缺失路段的车流速度进行数据补偿。

可选的，根据所述交通拥堵第一阈值筛选第一道路网络中的拥堵道路，得到第二道路网络具体为：通过移除所述第一道路网络中车流速度大于所述交通拥堵第一阈值的道路，得到第二道路网络。

可选的，采用公式

计算第一概率，其中CC(t_k)表示t_k时刻的拥堵子团，t_k|i，j∈CC(t_k)表示i，j道路在t_k时刻同属于某一拥堵子团，T表示观测时段的时间长度，N(t_k|i，j∈CC(t_k))表示i，j道路同属于某一拥堵子团的时刻数。

可选的，所述对所述权重矩阵进行降维和聚类，得到多个拥堵模式，包括：

采用主成分分析法对所述权重矩阵进行列降维，降维后的矩阵每行代表拥堵道路的特征；

采用K均值聚类算法对所述拥堵道路的特征进行聚类，得到多个拥堵模式。

可选的，所述获取每类拥堵模式的特征，包括：

以同一类拥堵模式内的道路为边、路口为节点构建子网络；

计算所述子网络的节点度均值、节点度方差、介数和聚类系数，得到该类拥堵模式的特征。

可选的，根据交通拥堵的范围划分正常拥堵模式和异常拥堵模式。

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：

本发明通过使用贝叶斯网络的相关理论，结合复杂网络分析等方法，识别拥堵模式，建立交通拥堵区域特征贝叶斯诊断网络，推断异常拥堵模式，最终实现基于贝叶斯网络的交通健康诊断。

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为本发明基于贝叶斯网络的交通健康诊断方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本发明的目的是提供一种基于贝叶斯网络的交通健康诊断方法及系统，能够实现城市交通健康诊断。

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本发明作进一步详细的说明。

本发明包含以下主要步骤：

步骤1：划分时段，采集道路速度数据，构建交通运行时序网络。

步骤2：基于步骤1得到的交通运行时序网络，按拥堵阈值提取拥堵网络，统计两个道路同属于一个拥堵连通子团的概率。

步骤3：基于步骤2中统计到的两道路同属相同拥堵子团概率数据，构造道路间拥堵关联权重矩阵，进行拥堵模式挖掘。

步骤4：提取步骤3中拥堵模式的特征，通过构建特征为节点的贝叶斯网络识别异常拥堵模式。

具体的，本发明公开的基于贝叶斯网络的交通健康诊断方法，具体步骤如图1所示，包括：

步骤101：将测量日等分为多个时间段。

具体为：将一天划分为时间跨度相同的L个时间段：对于研究的特定日期，将一天24小时等分为L个同等时长的时间段，这一步实际上是对交通网络进行某种程度上的粗粒化处理，方便后续统计拥堵模式相同的道路之间的关系。

步骤102：获取每个时间段内各个路段的车流速度。

具体为：对于步骤101中的每个时间段，采集道路车流速度数据：采集时段内各个路段的车流速度数据信息。对于有缺失的数据，进行数据补偿。具体的补偿方法在交通领域已有公知技术和文献支持，此处不再赘述。

步骤103：根据所述每个时间段内各个路段的车流速度构建时段内每个时刻下的交通运行网络，得到第一道路网络。

具体为：对于步骤101中的每个时间段，利用步骤102中采集的车流速度，构建时段内每个时刻下的交通运行网络：对于研究的交通系统，以路口为节点，道路为连边，车流速度为边权重，构建第一道路网络，该第一道路网络为有向网络；其中车流速度数据为相对速度，经由道路全天速度的95％分位点速度归一化后得到，具体表述为r_ij＝v_ij/v_i ^95％，其中r_ij表示道路车流i在j时刻的相对速度，v_ij表示道路车流i在j时刻观测到的真实速度，v_i ^95％表示道路车流i全天速度分布的95％分位点对应速度。

步骤104：获取交通拥堵第一阈值。

步骤105：根据所述交通拥堵第一阈值筛选第一道路网络中的拥堵道路，得到第二道路网络。

具体为：对于步骤103中构建的有向网络，按拥堵阈值提取拥堵网络：对于已经构建的不同时刻有向网络，设置交通拥堵第一阈值σ，移除速度大于拥堵阈值的道路，然后分析剩余网络的连通性，统计拥堵连通子团与道路的包含关系。

其中，这里的“移除”某道路指的是将该道路设置为不可连通的状态；这里的“连通”指的是当任意两个相邻的道路均没有被移除时，则这两个相邻的区域处于连通状态；这里的“相邻”指的是与某道路通过起点或终点重合的其他道路；这里的“连通子团”指的是由连通的道路构成的集合，集合中的每个道路都和集合中的另一个道路直接连通或者通过传递性的连通关系间接连通，并且集合中的任意一个道路与集合外的道路不存在任何直接或间接连通的关系。例如，如果道路A与终点重合的道路B相连通，道路B与起点重合的道路C相连通，则道路A与道路C间接连通；如果道路A、B、C不再和其他道路有直接或间接的连通关系，则这三条道路组成一个连通子团。

步骤106：计算所述第二道路网络中两个道路同属于一个拥堵子团的概率，记为第一概率，所述拥堵子团是指能够相互连通的拥堵道路构成的集合。

具体为：统计两个道路同属于一个拥堵连通子团的概率：利用步骤105中统计得到的拥堵连通子团与道路的包含关系，统计目标时段内不同时刻，两个道路同属于一个拥堵连通子团的次数，该次数与时段长度的比值即为两个道路同属于一个拥堵连通子团的概率P_ij，也就是第一概率。

其中，

其中CC(t_k)表示t_k时刻的拥堵子团，t_k|i，j∈CC(t_k)表示i，j道路在t_k时刻同属于某一拥堵子团，T表示观测时段的时间长度，N(t_k|i，j∈CC(t_k))表示i，j道路同属于某一拥堵子团的时刻数。

步骤107：根据所述第一概率构建道路间拥堵关联权重矩阵，所述权重矩阵的行和列代表道路，矩阵元素为第一概率的值。

具体为：基于统计的两道路同属相同拥堵子团概率数据，构建道路间拥堵关联权重矩阵W：权重矩阵内的行、列代表道路，矩阵元素代表不同道路间的拥堵关联权重，这里指不同道路同属相同拥堵子团概率，也就是第一概率的值；其中道路与道路自身的关联权重设为0，这是为了突出不同道路间的拥堵关联程度。

步骤108：对所述权重矩阵进行降维和聚类，得到多类拥堵模式。

具体为：进行拥堵模式挖掘：首先对步骤107获得的权重矩阵进行主成分分析(PCA)降维(列)，降维后的矩阵每行代表拥堵道路的特征。PCA提取数据的主要特征分量进行高维数据的降维。这里我们选择最大方差思想，使用较少的数据维度保留住较多的原数据特性(降维后样本的方差尽可能大)，新空间中数据方差最大的最佳投影方向由协方差矩阵S的M个特征向量u₁，u₂，…u_k定义，其分别对应M个最大的特征值，其中

x_n为D维数据，

为x_n均值，N为样本数，这样在原有n维特征基础上重构k维特征。PCA降维的具体过程在计算科学领域已有公知技术和文献支持，此处不再赘述。

其次基于这些拥堵特征，利用K均值聚类算法(K-means)进行道路聚类，挖掘拥堵模式。对于样本x_n，定义聚类标注r_n，若x_n属于第k个聚类，那么r_nk＝1，否则r_nk＝0；K均值算法的目的是使得组内距离J最小。

其中N表示样本数，K表示聚类数，μ_k表示类k的聚类中心，||x_n-μ_k||²表示样本x_n与聚类中心μ_k之间的距离。K均值聚类需要包括三个要素：聚类个数、聚类中心和聚类终止条件；针对给定的拥堵特征数据，该过程为：根据给定的聚类个数，随机指定初始聚类中心，计算数据与各聚类中心之间的欧式距离，按距离就近分配聚类中心，这些分配结果和聚类中心代表一个聚类，下一次分配则根据聚类结果中的数据，重新计算各类的聚类中心，重复迭代这个过程，直至满足终止条件，即聚类中心前后两轮次的位置距离波动小于阈值δ，完成聚类。K-means聚类的具体过程在计算科学领域已有公知技术和文献支持，此处不再赘述。

步骤109：获取每类拥堵模式的特征。

具体为：提取步骤108中多类拥堵模式的特征：针对步骤108中的道路聚类结果，计算同一拥堵模式(聚类结果)内道路的数量、道路形成的子网络的节点度均值、节点度方差、介数、聚类系数等拥堵特征；其中道路形成子网络是指以同一拥堵模式内的道路为边、路口为节点形成的网络，度是指网络中某个节点的连边数目，节点度均值是指子网络内节点度的均值，节点度方差是指子网络内各节点度与节点度均值差值的平方值平均数。

其中N为网络节点数目，X为节点度变量，μ为节点度均值，σ²为节点度方差。点介数是指网络中经过某个节点的最短路径的数目占网络中所有最短路径数的比例，B_i＝∑_{j，k≠im∈N}n_jk(i)/n_jk，其中n_jk表示节点j，k之间的最短路径个数，n_jk(i)表示节点j，k之间经过节点i的最短路径个数，B_i表示节点i的介数，子网络介数是点介数的均值，聚类系数是指子网络内封闭的三元组数目与所有三元组数目的比值。

步骤110：构建以所述拥堵模式的特征为节点的贝叶斯网络。

具体为：首先构建以拥堵模式的特征为节点的贝叶斯网络，贝叶斯网络学习包含：有向无环的网络结构，条件概率分布；给定拥堵模式特征数据，上述“网络结构”具体为拥堵模式的特征之间的依赖拓扑关系，该关系可基于评分搜索方法学习，这里我们选择最小描述长度MDL作为贝叶斯结构评分准则，MDL(G，D)＝-logP(D|G，θ)+r(G)log(N)/2，其中D表示数据，G表示网络结构，N是训练数据个数，θ是给定结构G下的贝叶斯模型待估计参数，r(G)是结构G中的自由变量。之后利用启发式搜索算法，如模拟退火算法、爬山法等搜索MDL评分最高的网络结构为拥堵模式的特征之间的依赖拓扑关系；上述“条件概率分布”是指依据贝叶斯网络结构，通过极大似然估计的节点间的条件概率。

步骤111：获取正常拥堵模式的第二阈值和异常拥堵模式的第三阈值。

具体为：根据经验判断或者根据拥堵范围判断正常或者异常拥堵模式，比如大于10公里为异常拥堵模式，小于5公里为正常拥堵模式。

步骤112：根据所述第二阈值和第三阈值筛选所述多个拥堵模式中的正常拥堵模式和异常拥堵模式。

具体为：依据步骤110的模型和步骤109中的特征，通过步骤111的阈值判断拥堵模式，生成包含异常拥堵模式及其特征的一类数据、包含正常拥堵模式及其特征的另一类数据，也就是正常拥堵模式的数据和异常拥堵模式的数据。

步骤113：分别利用正常拥堵模式的数据和异常拥堵模式的数据训练所述贝叶斯网络，得到正常拥堵贝叶斯网络和异常拥堵贝叶斯网络。

其中，训练所述贝叶斯网络的过程也就是进行贝叶斯网络的结构和参数学习过程。

步骤114：根据所述正常拥堵贝叶斯网络计算某一拥堵模式为正常拥堵模式时多个拥堵模式的特征的联合概率，根据所述异常拥堵贝叶斯网络计算某一拥堵模式为异常拥堵模式时多个拥堵模式的特征的联合概率。

具体为：基于学习到的正常拥堵贝叶斯网络和异常拥堵贝叶斯网络，计算正常或异常拥堵模式下该拥堵模式的多个特征联合概率，该概率表示异常或正常拥堵条件下的特征条件概率，表示为P(D|C)，C表示拥堵模式的状态，C＝1为异常，C＝0为正常；D表示为步骤109中的拥堵特征的集合。

步骤115：根据所述正常拥堵模式时多个拥堵模式的特征的联合概率和异常拥堵模式时多个拥堵模式的特征的联合概率，计算该拥堵模式的正常概率和异常概率。

具体为：通过贝叶斯推断P(C|D)＝P(C)P(D|C)/P(D)∝P(C)P(D|C)，推断拥堵模式的异常概率以及对应的正常或异常状态。该计算结果为两个，分别对应C＝1和C＝0，其中，C＝1时为异常概率，C＝0时为正常概率。

步骤116：根据所述正常概率和异常概率判断该拥堵模式是否异常。

具体为：选取正常拥堵概率和异常拥堵概率中概率较大的一个为最终的诊断结果：正常拥堵或者异常拥堵，并输出其对应的概率。其中，贝叶斯网络学习的具体调参和训练过程在计算机科学领域已有公知技术和文献支持，此处不再赘述。

本发明还公开了如下技术效果：

以复杂网络理论与贝叶斯网络学习方法为基础，本发明旨在通过复杂网络理论构建拥堵网络识别拥堵子团，统计道路间的拥堵关联强度，运用无监督聚类算法识别拥堵模式，并通过贝叶斯网络方法推断异常拥堵模式，从而解决城市级别交通系统的健康诊断痛点问题。

本发明的优点在于：首先，经典的系统健康诊断主要基于路段间的拥堵传播模式，解决单故障源头、路段与路段间影响的场景，需要依赖于高质量、长时期的数据才可以得到较为准确的结果，难以考虑交通拥堵的结构耦合、区域传播、拥堵团块关联的特性对健康的影响，而复杂网络理论与贝叶斯网络学习方法仅需要道路网络拓扑信息和一定时间内的速度数据即可计算得到准确结果。其次，本发明采用了复杂网络理论分析方法，能够对交通拥堵的结构耦合、区域传播、拥堵团块关联的特性进行建模描述，挖掘不同的拥堵模式。最后本发明采用了贝叶斯网络学习方法，贝叶斯网络学习能力和推理能力突出，可以适应复杂的、动态的外界环境，能够基于先验经验和观测结果，推断发现异常模式即异常道路集合，而不是简单的异常道路，使得对于城市级别的交通健康诊断成为可能。

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本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；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于贝叶斯网络的交通健康诊断方法，其特征在于，包括：

将测量日等分为多个时间段；

获取每个时间段内各个路段的车流速度；

根据所述每个时间段内各个路段的车流速度构建时间段内每个时刻下的交通运行网络，得到第一道路网络；

获取交通拥堵第一阈值；

根据所述交通拥堵第一阈值筛选第一道路网络中的拥堵道路，得到第二道路网络；

计算所述第二道路网络中两个道路同属于一个拥堵子团的概率，记为第一概率，所述拥堵子团是指能够相互连通的拥堵道路构成的集合；

根据所述第一概率构建道路间拥堵关联权重矩阵，所述权重矩阵的行和列代表道路，矩阵元素为第一概率的值；

对所述权重矩阵进行降维和聚类，得到多类拥堵模式；

获取每类拥堵模式的特征；

构建以所述拥堵模式的特征为节点的贝叶斯网络；

获取正常拥堵模式的第二阈值和异常拥堵模式的第三阈值；

根据所述第二阈值和第三阈值筛选所述多类拥堵模式中的正常拥堵模式和异常拥堵模式；

分别利用正常拥堵模式的数据和异常拥堵模式的数据训练所述贝叶斯网络，得到正常拥堵贝叶斯网络和异常拥堵贝叶斯网络；

根据所述正常拥堵贝叶斯网络计算某一类拥堵模式为正常拥堵模式时多类拥堵模式的特征的联合概率，根据所述异常拥堵贝叶斯网络计算某一类拥堵模式为异常拥堵模式时多类拥堵模式的特征的联合概率；

根据所述正常拥堵模式时多类拥堵模式的特征的联合概率和异常拥堵模式时多类拥堵模式的特征的联合概率，计算该拥堵模式的正常概率和异常概率；

根据所述正常概率和异常概率判断该拥堵模式是否异常。

2.根据权利要求1所述的基于贝叶斯网络的交通健康诊断方法，其特征在于，所述第一道路网络为有向网络，所述有向网络以路口为节点，以道路为连边，以道路车流速度为边权重。

3.根据权利要求2所述的基于贝叶斯网络的交通健康诊断方法，其特征在于，所述车流速度为相对速度。

4.根据权利要求3所述的基于贝叶斯网络的交通健康诊断方法，其特征在于，采用公式r_ij＝v_ij/v_i ^95％计算相对速度，其中r_ij表示道路车流i在j时刻的相对速度，v_ij表示道路车流i在j时刻观测到的真实速度，v_i ^95％表示道路车流i全天速度分布的95％分位点对应速度。

5.根据权利要求1所述的基于贝叶斯网络的交通健康诊断方法，其特征在于，在步骤“获取每个时间段内各个路段的车流速度”之后，步骤“根据所述每个时间段内各个路段的车流速度构建时间段内每个时刻下的交通运行网络，得到第一道路网络”之前，还包括：对缺失路段的车流速度进行数据补偿。

6.根据权利要求1所述的基于贝叶斯网络的交通健康诊断方法，其特征在于，根据所述交通拥堵第一阈值筛选第一道路网络中的拥堵道路，得到第二道路网络具体为：通过移除所述第一道路网络中车流速度大于所述交通拥堵第一阈值的道路，得到第二道路网络。

7.根据权利要求1所述的基于贝叶斯网络的交通健康诊断方法，其特征在于，采用公式

计算第一概率，其中CC(t_k)表示t_k时刻的拥堵子团，t_k|i，j∈CC(t_k)表示i，j道路在t_k时刻同属于某一拥堵子团，T表示观测时段的时间长度，N(t_k|i，j∈CC(t_k))表示i，j道路同属于某一拥堵子团的时刻数。

8.根据权利要求1所述的基于贝叶斯网络的交通健康诊断方法，其特征在于，所述对所述权重矩阵进行降维和聚类，得到多类拥堵模式，包括：

采用主成分分析法对所述权重矩阵进行列降维，降维后的矩阵每行代表拥堵道路的特征；

采用K均值聚类算法对所述拥堵道路的特征进行聚类，得到多类拥堵模式。

9.根据权利要求1所述的基于贝叶斯网络的交通健康诊断方法，其特征在于，所述获取每类拥堵模式的特征，包括：

以同一类拥堵模式内的道路为边、路口为节点构建子网络；

计算所述子网络的节点度均值、节点度方差、介数和聚类系数，得到该类拥堵模式的特征。

10.根据权利要求1所述的基于贝叶斯网络的交通健康诊断方法，其特征在于，根据交通拥堵的范围划分正常拥堵模式和异常拥堵模式。

Images