一种基于贝叶斯推理的交通状态演化预测方法与系统
文献发布时间：2024-04-18 19:59:31
技术领域
本发明涉及信息处理技术领域，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。
背景技术
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。
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。
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。
发明内容
有鉴于此，本发明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。
为了实现上述目的，本发明采用如下技术方案：
一种基于贝叶斯推理的交通状态演化预测方法，包括：
获取路网速度数据并进行预处理，得到预处理后的数据集；
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；
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；
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。
优选的，获取路网速度数据并进行预处理，具体包括：
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；
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；
优选的，将所述中间数据集划分为两个数据子集，具体包括：
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。
优选的，所述约束条件具体为：
其中，A
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：
根据所述路段对
其中，D
优选的，所述贝叶斯推理网络具体为：
Score(A
其中，Score(A
优选的，所述最优交通状态演化网络结构A
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；
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；
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；
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；
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。
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；
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；
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。
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；
所述条件概率获取模块，用于根据所述路段对
其中，D
经由上述的技术方案可知，与现有技术相比，本发明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：
1、本发明以数据驱动为理念，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。
2、本发明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。
3、本发明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。
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，下面将对实施例或现有技术描述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的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明提供的预测方法流程图。
图2为本发明实施例3提供的局部路网示意图。
图3为本发明实施例3提供的邻接矩阵形式下的交通状态演化网络结构示意图。
图4为本发明提供的预测系统结构示意图。
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。
实施例1
如图1所示，本发明实施例公开了一种基于贝叶斯推理的交通状态演化预测方法，包括：
获取路网速度数据并进行预处理，得到预处理后的数据集；
设定约束条件，基于约束条件获取数据集中具有因果关系的路段对；
基于不同的路段对组合形成不同的交通状态演化网络结构；
基于路段对获取不同特征值的条件概率，并基于条件概率和交通状态演化网络结构构建贝叶斯推理网络；
基于贝叶斯推理网络，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。
实施例2
获取路网速度数据并进行预处理，得到预处理后的数据集。
优选的，交通速度数据通过驾车导航记录获取，交通速度数据采集的时间范围为包含由一起交通事故导致交通状态发生变化的整个过程，结合路网拓扑结构，获得每条路段对应的速度数据，进而得到路网速度数据。
优选的，为减弱由信号灯控制、临时路边停车等随机因素引起的速度数据噪声，以5分钟非重叠时段为单位计算路网速度数据中每个路段的平均速度。
优选的，对平均速度进行归一化处理，统一使用[0,1]之间的值来表征各路段的交通状态，归一化处理公式如下：
其中，x
优选的，将各路段在时段范围p:q的速度归一化值x
优选的，将中间数据集划分为两个数据子集，将两个数据子集拼接形成预处理后的数据集D。
优选的，鉴于交通状态演化过程的一阶马尔科夫特性，即路网在t时段的交通状态仅受t-1时段路网交通状态的影响。为了探索路网交通状态在相邻两个时段间的影响关系，采用一阶时滞机制将中间数据集按照固定长度滑动划分为两个数据子集，用于学习两个数据子集之间在前后时刻的影响关系。
优选的，预处理后的数据集D表示为：D＝[X
设定约束条件，基于约束条件获取最终数据集中具有因果关系的路段对。
优选的，根据经验知识约束路段之间有向的因果关系：路段的交通状态发生变化会影响自身路段的状态演变，并且绝不会影响其下游路段的交通状态，约束条件具体为：
其中，A
基于不同的路段对组合形成不同的交通状态演化网络结构。
优选的，不同的路段对
基于路段对获取不同特征值的条件概率，并基于条件概率和交通状态演化网络结构构建贝叶斯推理网络。
优选的，由于致因路段i的非唯一性，x
其中，D
优选的，交通状态演化网络结构A
其中，P(A
优选的，由于每种交通状态演化网络结构A
基于贝叶斯推理网络，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，通过基于数据的推理方法替代基于静态路网拓扑的预定义方法，为路网交通状态演化预测提供支撑。
优选的，采用max-min hill-climbing启发式算法遍历所有可能的交通状态演化网络结构A
优选的，通过最优交通状态演化网络结构A
实施例3
如图2所示，某局部路网共计包括16条路段，首先获取路网数据及其对应速度数据，并完成数据预处理工作，得到每个路段每5分钟的平均速度，设定路段0位置发生了交通事故，以便所得的数据能够体现出交通状态的显著变化。
根据每个路段的限速值，以及归一化处理公式对各路段的平均速度数据进行归一化处理后作为贝叶斯推理网络的特征输入。
使用贝叶斯推理网络从各路段特征数据中学习交通状态演化网络结构。如图3所示，以邻接矩阵的形式展示了交通状态演化网络结构，其中，A
实施例4
如图4所示，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；
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；
路段对获取模块，用于设定约束条件，基于约束条件获取最终数据集中具有因果关系的路段对；
贝叶斯推理网络构建模块，用于基于不同的路段对组合形成不同的交通状态演化网络结构；基于路段对获取不同特征值的条件概率，并基于条件概率和交通状态演化网络结构构建贝叶斯推理网络；
最优网络结构获取模块，用于基于贝叶斯推理网络，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。
优选的，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；
中间数据集获取模块，用于以预设非重叠时段为单位计算路网速度数据中每个路段的平均速度；对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；
预处理数据集获取模块，用于将中间数据集划分为两个数据子集，将两个数据子集拼接形成预处理后的数据集。
优选的，贝叶斯推理网络构建模块包括：条件概率获取模块；
条件概率获取模块，用于根据路段对
其中，D
经由上述的技术方案可知，与现有技术相比，本发明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：
1、本发明以数据驱动为理念，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。
2、本发明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。
3、本发明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。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。