一种基于贝叶斯网络的交通健康诊断方法技术

本发明专利技术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。本发明专利技术能够实现城市交通健康诊断。够实现城市交通健康诊断。够实现城市交通健康诊断。

【技术实现步骤摘要】
一种基于贝叶斯网络的交通健康诊断方法


[0001]本专利技术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。

技术介绍

[0002]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。
[0003]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。
[0004]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。
[0005]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，本专利技术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。
[0006]结合复杂网络理论和贝叶斯网络技术，本专利技术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。

技术实现思路

[0007]本专利技术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。
[0008]为实现上述目的，本专利技术提供了如下方案：
[0009]一种基于贝叶斯网络的交通健康诊断方法，包括：
[0010]将测量日等分为多个时间段；
[0011]获取每个时间段内各个路段的车流速度；
[0012]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；
[0013]获取交通拥堵第一阈值；
[0014]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；
[0015]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；
[0016]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；
[0017]对所述权重矩阵进行降维和聚类，得到多类拥堵模式；
[0018]获取每类拥堵模式的特征；
[0019]构建以所述拥堵模式的特征为节点的贝叶斯网络；
[0020]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；
[0021]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；
[0022]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；
[0023]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；
[0024]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；
[0025]根据所述正常概率和异常概率判断该拥堵模式是否异常。
[0026]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。
[0027]可选的，所述车流速度为相对速度。
[0028]可选的，采用公式r
ij
＝v
ij
/v
i95％
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
i95％
表示道路车流i全天速度分布的95％分位点对应速度。
[0029]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。
[0030]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。
[0031]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。
[0032]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：
[0033]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；
[0034]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。
[0035]可选的，所述获取每类拥堵模式的特征，包括：
[0036]以同一类拥堵模式内的道路为边、路口为节点构建子网络；
[0037]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。
[0038]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。
[0039]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0040]本专利技术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，建立交通拥堵区本文档来自技高网...

【技术保护点】

【技术特征摘要】
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。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
i95％
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<...

【专利技术属性】
技术研发人员：李大庆，睢少博，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：