System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及信息处理,更具体的说是涉及一种基于贝叶斯推理的交通状态演化预测方法与系统。
技术介绍
1、目前,用于交通网络状态演化推理的方法包括两类:基于模型驱动的方法和基于数据驱动的方法,基于模型驱动的方法,多依赖交通流理论和多元交通参数,适用于机理分析,但缺乏在大范围路网上的应用能力;基于数据驱动的方法,多利用图模型对路网交通状态进行预测推演,从海量数据集中学习路网中交通状态的时空关联关系,实现了路网层面交通状态演化的精准预测。
2、但是,基于数据驱动的方法使用静态路网拓扑预定义邻接矩阵,即交通状态演化网络结构,无法对动态的路网交通状态演化机理进行精确的刻画。为了克服该问题,很多研究利用注意力机制在预定义邻接矩阵的基础上更新交通状态演化网络结构连边的权重,此类方法对静态路网拓扑进行了动态权重赋值,但面对交叉路口等复杂拓扑结构,还是难以实现交通状态演化的精确预测。
3、因此,如何实现路网中交通状态演化网络结构的精确推断,进而提升路网交通状态演化综合预测能力是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此,本专利技术提供了一种基于贝叶斯推理的交通状态演化预测方法与系统,通过将交通状态演化抽象为交通状态信息在节点间具有因果关系的动态传递过程,并引入贝叶斯推理,根据交通数据的时空演化,对动态的交通状态传播网络进行结构学习,实现交通状态演化网络结构的精确推断,进而提升路网交通状态演化综合预测能力。
2、为了实现上述目的,本专利技术采用如下技
3、一种基于贝叶斯推理的交通状态演化预测方法,包括:
4、获取路网速度数据并进行预处理,得到预处理后的数据集;
5、设定约束条件,基于所述约束条件获取所述数据集中具有因果关系的路段对;
6、基于不同的所述路段对组合形成不同的交通状态演化网络结构;
7、基于所述路段对获取不同特征值的条件概率,并基于所述条件概率和所述交通状态演化网络结构构建贝叶斯推理网络;
8、基于所述贝叶斯推理网络,遍历所有的交通状态演化网络结构,选择评分最高的作为最优交通状态演化网络结构。
9、优选的,获取路网速度数据并进行预处理,具体包括:
10、以预设非重叠时段为单位计算所述路网速度数据中每个路段的平均速度;
11、对所述平均速度进行归一化处理,得到速度归一化值并构成中间数据集;
12、将所述中间数据集划分为两个数据子集,将所述两个数据子集拼接形成所述预处理后的数据集;
13、优选的,将所述中间数据集划分为两个数据子集,具体包括:
14、采用一阶时滞机制将所述数据集按照固定长度滑动划分为两个数据子集。
15、优选的,所述约束条件具体为:
16、
17、其中,ai,i=1表示速度归一化值发生变化影响自身路段的状态演变;ai,k=0表示速度归一化值发生变化不会影响下游路段xk的状态演变。
18、优选的,基于所述路段对获取不同特征值的条件概率,具体包括:
19、根据所述路段对<i,j>中路段j的速度归一化值xj与多个路段i的速度归一化值xi的不同取值组合,计算不同特征值的条件概率p(xi,xj|di,j):
20、
21、其中,di,j表示数据集d中路段i和路段j对应的数据样本,c=cov(di,j)表示di和dj之间的协方差,n表示数据子集中的样本个数。
22、优选的,所述贝叶斯推理网络具体为:
23、score(ac|d)=πi,jp(xi,xj|di,j)
24、其中,score(ac|d)表示贝叶斯推理网络,ac表示交通状态演化网络结构。
25、优选的,所述最优交通状态演化网络结构au具体为:
26、
27、一种基于贝叶斯推理的交通状态演化预测系统,包括:数据预处理模块、路段对获取模块、贝叶斯推理网络构建模块和最优网络结构获取模块;
28、所述数据预处理模块,用于获取路网速度数据并进行预处理,得到预处理后的数据集;
29、所述路段对获取模块,用于设定约束条件,基于所述约束条件获取所述最终数据集中具有因果关系的路段对;
30、所述贝叶斯推理网络构建模块,用于基于不同的所述路段对组合形成不同的交通状态演化网络结构;基于所述路段对获取不同特征值的条件概率,并基于所述条件概率和所述交通状态演化网络结构构建贝叶斯推理网络;
31、所述最优网络结构获取模块,用于基于所述贝叶斯推理网络,遍历所有的交通状态演化网络结构,选择评分最高的作为最优交通状态演化网络结构。
32、优选的,所述数据预处理模块包括:中间数据集获取模块和预处理数据集获取模块;
33、所述中间数据集获取模块,用于以预设非重叠时段为单位计算所述路网速度数据中每个路段的平均速度;对所述平均速度进行归一化处理,得到速度归一化值并构成中间数据集;
34、所述预处理数据集获取模块,用于将所述中间数据集划分为两个数据子集,将所述两个数据子集拼接形成所述预处理后的数据集。
35、优选的,所述贝叶斯推理网络构建模块包括:条件概率获取模块;
36、所述条件概率获取模块,用于根据所述路段对<i,j>中路段j的速度归一化值xj与多个路段i的速度归一化值xi的不同取值组合,计算不同特征值的条件概率p(xi,xj|di,j):
37、
38、其中,di,j表示数据集d中路段i和路段j对应的数据样本,c=cov(di,j)表示di和dj之间的协方差,n表示数据子集中的样本个数。
39、经由上述的技术方案可知,与现有技术相比,本专利技术公开提供了一种基于贝叶斯推理的交通状态演化预测方法与系统,通过将交通状态演化抽象为交通状态信息在节点间具有因果关系的动态传递过程,并引入贝叶斯推理,根据交通数据的时空演化,对动态的交通状态传播网络进行结构学习,实现交通状态演化网络结构的精确推断,进而提升路网交通状态演化综合预测能力。具有以下有益效果:
40、1、本专利技术以数据驱动为理念,将交通状态演化抽象为状态信息在路段间的具有因果关系的传递过程,从而避开对交通流理论模型的依赖,进而实现路网交通状态演化的精确预测。
41、2、本专利技术将贝叶斯因果推理应用于学习网络结构,避免了仅以静态路网拓扑直接定义网络结构的缺陷,实现交通状态演化网络结构的精确预测推断。
42、3、本专利技术所得的交通状态演化网络结构反映了路段状态间的关联关系,能够界定突发事件下的交通状态受影响的范围,为交通管控提供了支撑。
本文档来自技高网...【技术保护点】
1.一种基于贝叶斯推理的交通状态演化预测方法,其特征在于,包括:
2.根据权利要求1所述的一种基于贝叶斯推理的交通状态演化预测方法,其特征在于,获取路网速度数据并进行预处理,具体包括:
3.根据权利要求2所述的一种基于贝叶斯推理的交通状态演化预测方法,其特征在于,将所述中间数据集划分为两个数据子集,具体包括:
4.根据权利要求1所述的一种基于贝叶斯推理的交通状态演化预测方法,其特征在于,所述约束条件具体为:
5.根据权利要求1所述的一种基于贝叶斯推理的交通状态演化预测方法,其特征在于,基于所述路段对获取不同特征值的条件概率,具体包括:
6.根据权利要求5所述的一种基于贝叶斯推理的交通状态演化预测方法,其特征在于,所述贝叶斯推理网络具体为:
7.根据权利要求6所述的一种基于贝叶斯推理的交通状态演化预测方法,其特征在于,所述最优交通状态演化网络结构Au具体为:
8.一种基于贝叶斯推理的交通状态演化预测系统,其特征在于,包括:数据预处理模块、路段对获取模块、贝叶斯推理网络构建模块和最优网络结构获取模块;
9.根据权利要求8所述的一种基于贝叶斯推理的交通状态演化预测系统,其特征在于,所述数据预处理模块包括:中间数据集获取模块和预处理数据集获取模块;
10.根据权利要求9所述的一种基于贝叶斯推理的交通状态演化预测系统,其特征在于,所述贝叶斯推理网络构建模块包括:条件概率获取模块;
...【技术特征摘要】
1.一种基于贝叶斯推理的交通状态演化预测方法,其特征在于,包括:
2.根据权利要求1所述的一种基于贝叶斯推理的交通状态演化预测方法,其特征在于,获取路网速度数据并进行预处理,具体包括:
3.根据权利要求2所述的一种基于贝叶斯推理的交通状态演化预测方法,其特征在于,将所述中间数据集划分为两个数据子集,具体包括:
4.根据权利要求1所述的一种基于贝叶斯推理的交通状态演化预测方法,其特征在于,所述约束条件具体为:
5.根据权利要求1所述的一种基于贝叶斯推理的交通状态演化预测方法,其特征在于,基于所述路段对获取不同特征值的条件概率,具体包括:
6.根据权利要求5所述的一种基于贝叶斯推理的交...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。