交通诱导统计模型校对方法及装置制造方法及图纸

本发明专利技术公开了一种交通诱导统计模型校对方法及装置，该方法包括：基于预设的交通诱导统计模型，组建模型预测模块；获取车辆的实测路段信息，所属实测路段信息包括车辆的标识信息、对路径的选择信息以及出行时间信息将所述实测路段信息中的出行时间信息输入至所述模型预测模块，得到模型预测值；根据所述模型预测值以及所述实测路段信息，构建贝叶斯校正模型，得到校正预测值。实施本发明专利技术能提高交通诱导模型预测准确率。

Method and device for proofreading traffic guidance statistical model

The invention discloses a method and device for calibrating a traffic guidance statistical model, which comprises: constructing a model prediction module based on a preset traffic guidance statistical model; obtaining the measured road section information of a vehicle; and the measured road section information includes the vehicle identification information, the route selection information and the travel time information. The travel time information in the measured section information is input into the model prediction module to obtain the model prediction value, and a Bayesian correction model is constructed according to the model prediction value and the measured section information to obtain the corrected prediction value. The invention can improve the prediction accuracy of traffic guidance model.

【技术实现步骤摘要】
交通诱导统计模型校对方法及装置
本专利技术涉及智能交通
，特别涉及一种交通诱导统计模型校对方法及装置。
技术介绍
交通诱导依托于电子、计算机、网络、移动通信等科技，根据出行者的出发点和目的地向出行者提供最优路径引导指令，或是通过获得实时交通信息帮助道路使用者找到一条从出发点到目的地的最优路径，然后通过诱导LED屏将信息传递给出行者。交通诱导系统的信息准确率往往非常高，但是不同城市的私家车驾驶者有着各异的行为惯性，这也反映在对交通诱导的遵循程度的不同上。以美国传统大城市华盛顿或洛杉矶为例，大部分出行者习惯于长距离驾车通勤，对于自己熟悉的通勤路线也有着更高的行为惯性，这使得交通诱导的实际选择概率偏低。为了准确评估交通诱导的效果和可行性，需要建立交通诱导模型，来预测车辆驾驶人员遵循诱导改变走行路径的行为。如图1所示，I-95和I-895为横跨巴尔的摩(Baltimore)港口区的两条交通主干道。两条主干道在进入港口区前十公里处(图中A点所示)分隔开，然后在横跨海港之后再度汇合。由于跨海隧道车道窄限速低，所以极易发生交通拥堵，尤其是车流量偏大的I-95干道。所以交通管理部门在红点所示的分叉处设置了交通诱导显示屏，将车流从已经发生拥堵的路段引向较畅通的路段。交通规划运营部门会使用数学模型对诱导成功率进行预测，从而分析交通诱导的实施效果。例如，一个通常会使用到的模型是基于效用最大化假设的Logit模型。驾驶者n使用主路段(做出的选择Cn标记为“+”)或诱导路段(做出的选择Cn标记为“-”)的效用值Un为该路段平均出行时间和出行时间标准差的函数：其中，β0，β1，β2为模型参数。基于该模型，驾驶者选择接受诱导的预测概率为：上述模型为进行诱导预测的一个简单模型实例。类似该Logit模型，其他预测模型应用到实时交通诱导时，均会产生预测诱导概率Pn(-)，作为模型输出。这些模型通常由问卷调查数据、实验室模拟驾驶数据等建模标定，收集数据的情境和实际的交通诱导情境相差较大，而被调查者在问卷或实验室环境中的行为和实际驾驶行为也有明显偏差。这使得大部分预测模型的准确性在实际应用中大打折扣，例如前述的Logit模型，应用在巴尔的摩港口区的交通诱导预测中，预测准确性非常低。具体如下表1：表1通过实测，可以看出交通诱导的实际诱导率不高。以诱导情况I为例，约10％的蓝牙监测器样本会选择从主路段换到诱导路段。我们基于已有的预测模型(公式(1)及公式(2))，组建模型预测模块，并采用常用于检测机器学习预测准确性的接收者操作特征曲线(ReceiverOperatingCurve,ROC曲线)来检查Logit模型的准确性。ROC曲线越接近图表左上角表示准确性越高，曲线越接近右下角表示准确性越低。如图2所示，Logit模型的准确性较低，甚至低于随机猜测曲线。该模型预测了较多的假正类(falsepositives，FP)，意味着模型对交通诱导的预测偏乐观，把大部分不接受诱导的驾驶者预测成了接受诱导。上述交通诱导模型预测准确率较低，亟待提出一种能提升交通诱导模型预测准确率的方法及模型。
技术实现思路
有鉴于此，本专利技术旨在提供一种交通诱导统计模型校对方法，以期提升交通诱导模型预测准确率。具体而言，本专利技术一种交通诱导统计模型校对方法，包括步骤：基于预设的交通诱导统计模型，组建模型预测模块；获取车辆的实测路段信息，所属实测路段信息包括车辆的标识信息、对路径的选择信息以及出行时间信息；将所述实测路段信息中的出行时间信息输入至所述模型预测模块，得到模型预测值；根据所述模型预测值以及所述实测路段信息，构建贝叶斯校正模型，得到校正预测值。进一步地，所述根据所述模型预测值以及所述实测路段信息，构建贝叶斯校正模型，得到校正预测值的步骤包括：将所述模型预测值变换为对数发生比；根据对路径的选择信息，分为拒绝诱导的第一组群以及接受诱导的第二组群；将所述第一组群及第二组群的对数发生比根据预设的统计分布模型分别拟合得到第一似然值及第二似然值；根据所述第一似然值以及预设的拒绝诱导的先验概率，组建第一贝叶斯方程，计算得到校正后的拒绝诱导的第一后验概率；根据所述第二似然值以及预设的接受诱导的先验概率，组建第二贝叶斯方程，计算得到校正后的接受诱导的第二后验概率；所述校正预测值包括所述第一后验概率及第二后验概率。进一步地，所述将所述模型预测值变换为对数发生比的步骤具体包括：根据如下公式计算得到对数发生比s:其中，E为所述实测路段信息，p(+|E)为运用所述模型预测模块得到的拒绝诱导的模型预测值，p(-|E)为运用所述模型预测模块得到的接受诱导的模型预测值。进一步地，所述预设的统计分布模型包括正态分布或广义极值分布。进一步地，所述第一贝叶斯方程为：其中，p(s|+)为所述第一似然值，p(+)为预设的拒绝诱导的先验概率；C为所有拒绝诱导及接受诱导的样本；∑C∈{+，-}p(C)·p(s|C)为所有拒绝诱导及接受诱导的样本的先验概率及对应似然值的乘积之和；所述第二贝叶斯方程为：其中，p(s|-)为所述第二似然值，p(-)为预设的接受诱导的先验概率。进一步地，在所述计算得到校正后的接受诱导的第二后验概率的步骤之后还包括：根据各个样本的所述校正预测值计算对应的对数损失函数，具体计算方式为：logloss＝δ(C，+)logp(+|s)+δ(C，-)logp(-|s)其中，logloss为对数损失函数，δ函数值等于1；根据各个样本的所述校正预测值计算对应的方差，具体计算方式为：SE＝δ(C，+)(1-p(+|s))2+δ(C，-)(1-p(-|s))2其中，SE为方差，δ函数值等于1。进一步地，在所述根据所述校正预测值计算方差的步骤之后还包括：根据各个样本的总的对数损失函数，计算每个样本的平均对数损失函数；根据各个样本的总的方差，计算每个样本的平均方差。具体而言，本专利技术还提供一种交通诱导统计模型校对装置，包括：信息获取模块，用于获取车辆的实测路段信息，所属实测路段信息包括车辆的标识信息、对路径的选择信息以及出行时间信息；模型预测模块，用于基于预设的交通诱导统计模型组建，并根据所述实测路段信息中的出行时间信息，得到模型预测值；贝叶斯校正模块，用于根据所述模型预测值以及所述实测路段信息，构建贝叶斯校正模型，得到校正预测值。进一步地，所述贝叶斯校正模块包括：转换单元，用于将所述模型预测值变换为对数发生比；拟合单元，用于根据对路径的选择信息，分为拒绝诱导的第一组群以及接受诱导的第二组群；将所述第一组群及第二组群的对数发生比根据预设的统计分布模型分别拟合得到第一似然值及第二似然值；贝叶斯校正单元，用于根据所述第一似然值以及预设的拒绝诱导的先验概率，组建第一贝叶斯方程，计算得到校正后的拒绝诱导的第一后验概率；根据所述第二似然值以及预设的接受诱导的先验概率，组建第二贝叶斯方程，计算得到校正后的接受诱导的第二后验概率；所述校正预测值包括所述第一后验概率及第二后验概率。进一步地，所述转换单元具体用于根据如下公式计算得到对数发生比s:其中，E为所述实测路段信息，p(+|E)为运用所述模型预测模块得到的拒绝诱导的模型预测值，p(-|E)为运用所述模型预测模块得到的接受诱导的模型预测值。进一步地，所述第一贝叶斯本文档来自技高网...

【技术保护点】
1.一种交通诱导统计模型校对方法，其特征在于，所述方法包括步骤：基于预设的交通诱导统计模型，组建模型预测模块；获取车辆的实测路段信息，所属实测路段信息包括车辆的标识信息、对路径的选择信息以及出行时间信息；将所述实测路段信息中的出行时间信息输入至所述模型预测模块，得到模型预测值；根据所述模型预测值以及所述实测路段信息，构建贝叶斯校正模型，得到校正预测值。

【技术特征摘要】
1.一种交通诱导统计模型校对方法，其特征在于，所述方法包括步骤：基于预设的交通诱导统计模型，组建模型预测模块；获取车辆的实测路段信息，所属实测路段信息包括车辆的标识信息、对路径的选择信息以及出行时间信息；将所述实测路段信息中的出行时间信息输入至所述模型预测模块，得到模型预测值；根据所述模型预测值以及所述实测路段信息，构建贝叶斯校正模型，得到校正预测值。2.如权利要求1所述的交通诱导统计模型校对方法，其特征在于，所述根据所述模型预测值以及所述实测路段信息，构建贝叶斯校正模型，得到校正预测值的步骤包括：将所述模型预测值变换为对数发生比；根据对路径的选择信息，分为拒绝诱导的第一组群以及接受诱导的第二组群；将所述第一组群及第二组群的对数发生比根据预设的统计分布模型分别拟合得到第一似然值及第二似然值；根据所述第一似然值以及预设的拒绝诱导的先验概率，组建第一贝叶斯方程，计算得到校正后的拒绝诱导的第一后验概率；根据所述第二似然值以及预设的接受诱导的先验概率，组建第二贝叶斯方程，计算得到校正后的接受诱导的第二后验概率；所述校正预测值包括所述第一后验概率及第二后验概率。3.如权利要求2所述的交通诱导统计模型校对方法，其特征在于，所述将所述模型预测值变换为对数发生比的步骤具体包括：根据如下公式计算得到对数发生比s:其中，E为所述实测路段信息，p(+|E)为运用所述模型预测模块得到的拒绝诱导的模型预测值，p(-|E)为运用所述模型预测模块得到的接受诱导的模型预测值。4.如权利要求3所述的交通诱导统计模型校对方法，其特征在于，所述预设的统计分布模型包括正态分布或广义极值分布。5.如权利要求4所述的交通诱导统计模型校对方法，其特征在于，所述第一贝叶斯方程为：其中，p(s|+)为所述第一似然值，p(+)为预设的拒绝诱导的先验概率；C为所有拒绝诱导及接受诱导的样本；∑C∈{+，-}p(C)·p(s|C)为所有拒绝诱导及接受诱导的样本的先验概率及对应似然值的乘积之和；所述第二贝叶斯方程为：其中，p(s|-)为所述第二似然值，p(-)为预设的接受诱导的先验概率。6.如权利要求5所述的交通诱导统计模型校对方法，其特征在于，在所述计算得到校正后的接受诱导的第二后验概率的步骤之后还包括：根据各个样本的所述校正预测值计算对应的对数损失函数，具体计算方式为：logloss＝δ(C，+)logp(+|s)+δ(C，-)logp(-|s)其中，logloss为对数损失函数，δ函数值等于1；根据各个样本的所述校正预测值计算对应的方差，具体计算方式为：SE＝δ(C，+)(1-p(+|s))2+δ(C，-)(1-p(-|s))2其中，SE为方差，δ函数值等于1。7.如权利要求6所述的交通诱导统计模型校对方法，其特征在于，在所述根据所述校正预测值计算方差的步骤之后还包括：根据各个样...

【专利技术属性】
技术研发人员：熊陈沨，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：四川,51