一種基于雙貝葉斯的路口動態(tài)轉向比例兩步預測方法
【專利摘要】本發(fā)明公開了一種基于雙貝葉斯的路口動態(tài)轉向比例兩步預測方法，該方法利用路口各進出口道檢測的路段流量，首先結合歷史流量數(shù)據(jù)，設計第1貝葉斯組合方法預測下一個時段的進出口道流量，并在此基礎上設計改進卡爾曼濾波和改進反向傳播神經(jīng)網(wǎng)絡兩種算法分別預測之后第一和第二個時段的動態(tài)轉向比例，進一步結合歷史轉向比例數(shù)據(jù)修正預測誤差，設計第2貝葉斯組合方法標定并動態(tài)更新權重，得到雙貝葉斯組合方法的動態(tài)轉向比例單步和兩步預測值?，F(xiàn)有方法僅能得到動態(tài)轉向比例單步預測值，且精度和效率各具優(yōu)缺點，本方法綜合體現(xiàn)各種方法優(yōu)點，避免局部過大偏差，精度高，且能同時得到單步和兩步預測結果，可以為智能交通控制系統(tǒng)提供基礎支撐。
【專利說明】—種基于雙貝葉斯的路口動態(tài)轉向比例兩步預測方法
【技術領域】
[0001]本發(fā)明屬于智能交通控制【技術領域】，具體涉及一種基于雙貝葉斯的路口動態(tài)轉向比例兩步預測方法，用于路口智能信號控制系統(tǒng)的開發(fā)。
【背景技術】
[0002]路口作為城市道路網(wǎng)的重要節(jié)點，各流向交通量具有非線性、時變性的特點，科學合理的路口信號控制和交通組織方案應當以準確、實時的交通量為基礎，而動態(tài)轉向流量、尤其未來時段的動態(tài)轉向流量預測值是路口智能信號控制的基礎數(shù)據(jù)。在現(xiàn)有的交通流檢測技術條件下，進口道上游和出口道下游各車道的路段流量容易通過檢測得到，而實時的動態(tài)轉向流量難以獲得，未來時段的動態(tài)轉向流量更是很難預測得到。
[0003]路口動態(tài)轉向比例估計模型可以根據(jù)路口進出口流量的時間序列，反推得到路口動態(tài)轉向比例，隨著智能交通技術的發(fā)展，該模型受到廣泛關注，提出了遞推估計算法(1987)、Bell車隊擴散法(1991)、遺傳算法(2005)、卡爾曼濾波算法(2006)、基本反向傳播(Back propagation,簡稱BP)神經(jīng)網(wǎng)絡算法(2007)等路口動態(tài)轉向比例估計方法。上述方法中大部分都僅能得到動態(tài)轉向比例在當前時段的實時估計值，僅卡爾曼濾波算法和BP神經(jīng)網(wǎng)絡算法具有預測功能。
[0004]卡爾曼濾波算法是在遞推估計算法的基礎上發(fā)展起來的時域方法，求得最小方差意義下動態(tài)轉向比例的變化特征，屬于狀態(tài)變量的最優(yōu)估計值，其遞推算法的本質決定了該算法效率較高但精度相對欠佳，同時其僅具有單步預測功能；BP神經(jīng)網(wǎng)絡算法根據(jù)進口道上游檢測器檢測得到的各車道流量的歷史數(shù)據(jù)進行訓練和學習，得到估計的轉向比例，并與實際數(shù)據(jù)進行比較得到誤差，再使用最速下降法，通過反向傳播誤差來不斷調整網(wǎng)絡的權值和閾值，使網(wǎng)絡的誤差平方和最小，在穩(wěn)定的權值和閾值條件下實現(xiàn)對當前數(shù)據(jù)的估計，同時具備預測功能，但是其學習率是常數(shù)，具有訓練速度慢、易陷入局部最優(yōu)等不足之處。
[0005]為了精確預測未來時段的動態(tài)轉向比例，給智能信號控制系統(tǒng)提供支撐，首先綜合運用時間序列分析的方法，預測下一個時段路口各進出口道的路段流量，并綜合利用歷史流量數(shù)據(jù)修正預測偏差，采用貝葉斯組合模型的方法提高路段流量預測的精度；另外為體現(xiàn)卡爾曼濾波算法收斂速度快的特點，發(fā)揮BP神經(jīng)網(wǎng)絡算法對于歷史數(shù)據(jù)學習效率高的優(yōu)勢，同時為了避免各種單獨算法可能出現(xiàn)的局部過大偏差，在改進上述兩種方法的基礎上，綜合利用歷史預測偏差和當前預測偏差，采用貝葉斯公式修正并動態(tài)更新權重，進一步將以上兩種改進方法預測得到的動態(tài)轉向比例預測值進行加權組合，得到能夠實時應用的基于雙貝葉斯的路口動態(tài)轉向比例兩步預測方法，該方法可同時獲得當前時段之后第一和第二個時段的動態(tài)轉向比例預測值，對于路口的信號控制具有重要意義。

【發(fā)明內容】

[0006]本發(fā)明要解決的技術問題是現(xiàn)有技術無法實時檢測得到路口動態(tài)轉向比例；部分方法僅能實時估計當前時段的轉向比例，而無法進行預測；僅有的兩種具備預測功能的方法中，卡爾曼濾波方法僅能預測單步結果，而BP神經(jīng)網(wǎng)絡方法計算速度慢、且易陷入局部
最優(yōu)結果。
[0007]為解決上述技術問題，本發(fā)明提供一種基于雙貝葉斯的路口動態(tài)轉向比例兩步預測方法:
[0008]本發(fā)明提供的預測方法包括兩個貝葉斯組合模型，分別為基于非線性回歸方法、移動平均方法及自回歸方法的路段交通量單步預測第I貝葉斯組合模型，以及基于改進卡爾曼濾波和改進反向傳播神經(jīng)網(wǎng)絡的動態(tài)轉向比例單步和兩步預測第2貝葉斯組合模型，兩個組合模型共同構成的雙貝葉斯預測方法可以預測當前時段之后第一及第二個時段的路口動態(tài)轉向比例，其主要步驟如下:
[0009]步驟1:在路口進出口道運行路段流量檢測器，檢測得到時間間隔k內的進出口道交通流量，即Qi (k), i = 1,2,…，r表示時段k自進口道i流入路口的流量，Yj (k), j = I,2，…，s表示時段k自出口道j流出路口的流量；
[0010]步驟2:以檢測得到的路口進出口道交通流量為已知量，在遠端計算機中運行非線性回歸、移動平均和自回歸三種方法分別預測下一個時段的進出口道交通流量；
[0011]步驟3:引入歷史進出口道路段流量數(shù)據(jù)，在遠端計算機中運行路段交通量預測的第I貝葉斯組合模型程序，綜合應用歷史和當前預測偏差標定三種方法的權重，將三種方法的預測結果加權，得到修正后的下一個時段路口進出口道交通流量的預測值；
[0012]步驟4:將進出口道交通流量檢測值及預測值作為已知量，在遠端計算機中運行改進的卡爾曼濾波算法和改進的反向傳播神經(jīng)網(wǎng)絡算法程序，求解兩種算法分別得到的動態(tài)轉向比例單步和兩步預測值；
[0013]步驟5:引入歷史轉向比例數(shù)據(jù)，在遠端計算機中運行動態(tài)轉向比例預測第2貝葉斯組合模型程序，綜合應用歷史和當前預測偏差標定兩種算法的權重，將兩種算法的預測結果加權，得到修正后的動態(tài)轉向比例單步和兩步預測值；
[0014]步驟6:更新路段流量預測及動態(tài)轉向比例預測的當前預測偏差，返回步驟I進行下一時段動態(tài)轉向比例的預測，直至全天各時段動態(tài)轉向比例預測結束，更新歷史預測偏差數(shù)據(jù)，并進行下一天各時段動態(tài)轉向比例的預測；
[0015]步驟7:將得到的動態(tài)轉向比例單步和兩步預測值傳輸?shù)叫盘柨刂葡到y(tǒng)，為當前時段之后第一及第二個時段的信號控制方案的生成提供基礎數(shù)據(jù)。
[0016]為同時預測當前時段之后第一和第二個時段的路口動態(tài)轉向比例，首先分別應用非線性回歸、移動平均及自回歸三種方法，分別預測下一個時段的路口進出口道交通流量;
[0017]為綜合利用三種方法的優(yōu)勢，使預測值局部偏差保持穩(wěn)定，達到總體最優(yōu)，引入歷史進出口道路段流量數(shù)據(jù)，采用貝葉斯加權的方法，修正三種方法預測的進出口道路段流量；通過三種方法的計算，得到非線性回歸方法的歷史預測值H(k+1)和當前預測值XNLE (k+l)、移動平均方法的歷史預測值Xm’H(k+l)和當前預測值Xm (k+l)、自回歸方法的歷史預測值產(chǎn)H (k+l)和當前預測值xAK(k+l)；
[0018]定義對々+ 1)為貝葉斯加權修正后的進出口流量預測值，Wnle(k+l)為非線性回歸方法的貝葉斯權重、wm(k+l )為移動平均方法的貝葉斯權重、WAK(k+l)為自回歸方法的貝葉斯權重，建立路段流量預測的第I貝葉斯組合模型:
【權利要求】
1.一種基于雙貝葉斯的路口動態(tài)轉向比例兩步預測方法，其特征在于: 本預測方法包括兩個貝葉斯組合模型，分別為基于非線性回歸方法、移動平均方法及自回歸方法的路段交通量單步預測第I貝葉斯組合模型，以及基于改進卡爾曼濾波和改進反向傳播神經(jīng)網(wǎng)絡的動態(tài)轉向比例單步和兩步預測第2貝葉斯組合模型，兩個組合模型共同構成的雙貝葉斯預測方法可以預測當前時段之后第一及第二個時段的路口動態(tài)轉向比例，其主要步驟如下: 步驟1:在路口進出口道運行路段流量檢測器，檢測得到時間間隔k內的進出口道交通流量，即Qi (k), i = 1,2,..., r表示時段k自進口道i流入路口的流量，Yj (k)，j = 1，2，…，s表示時段k自出口道j流出路口的流量； 步驟2:以檢測得到的路口進出口道交通流量為已知量，在遠端計算機中運行非線性回歸、移動平均和自回歸三種方法分別預測下一個時段的進出口道交通流量； 步驟3:引入歷史進出口道路段流量數(shù)據(jù)，在遠端計算機中運行路段交通量預測的第I貝葉斯組合模型程序，綜合應用歷史和當前預測偏差標定三種方法的權重，將三種方法的預測結果加權，得到修正后的下一個時段路口進出口道交通流量的預測值； 步驟4:將進出口道交通流量檢測值及預測值作為已知量，在遠端計算機中運行改進的卡爾曼濾波算法和改進的反向傳播神經(jīng)網(wǎng)絡算法程序，求解兩種算法分別得到的動態(tài)轉向比例單步和兩步預測值； 步驟5:引入歷史轉向比例數(shù)據(jù)，在遠端計算機中運行動態(tài)轉向比例預測第2貝葉斯組合模型程序，綜合應用歷史和當前預測偏差標定兩種算法的權重，將兩種算法的預測結果加權，得到修正后的動 態(tài)轉向比例單步和兩步預測值； 步驟6:更新路段流量預測及動態(tài)轉向比例預測的當前預測偏差，返回步驟I進行下一時段動態(tài)轉向比例的預測，直至全天各時段動態(tài)轉向比例預測結束，更新歷史預測偏差數(shù)據(jù)，并進行下一天各時段動態(tài)轉向比例的預測； 步驟7:將得到的動態(tài)轉向比例單步和兩步預測值傳輸?shù)叫盘柨刂葡到y(tǒng)，為當前時段之后第一及第二個時段的信號控制方案的生成提供基礎數(shù)據(jù)。
2.根據(jù)權利要求1所述的基于雙貝葉斯的路口動態(tài)轉向比例兩步預測方法，其特征在于:為同時預測當前時段之后第一和第二個時段的路口動態(tài)轉向比例，首先分別應用非線性回歸、移動平均及自回歸三種方法，分別預測下一個時段的路口進出口道交通流量； 為綜合利用三種方法的優(yōu)勢，使預測值局部偏差保持穩(wěn)定，達到總體最優(yōu)，引入歷史進出口道路段流量數(shù)據(jù)，采用貝葉斯加權的方法，修正三種方法預測的進出口道路段流量；通過三種方法的計算，得到非線性回歸方法的歷史預測值Xm’H(k+l)和當前預測值xNLE(k+Ι)、移動平均方法的歷史預測值xm’H(k+l)和當前預測值Xma(k+1)、自回歸方法的歷史預測值產(chǎn)H(k+1)和當前預測值xAK(k+l)； 定義?(Α + 1)為貝葉斯加權修正后的進出口流量預測值，Wnle(k+Ι)為非線性回歸方法的貝葉斯權重、Wm(k+1)為移動平均方法的貝葉斯權重、WAK(k+l)為自回歸方法的貝葉斯權重，建立路段流量預測的第I貝葉斯組合模型:
x(k+\) = WNLR{k + ?)χ臓(k+V) + Wma {k +1)嚴{k + V^ + W^ik+l)xAR (k+1) 其中，以三種方法路段流量的歷史預測值與歷史真實值的偏差作為歷史預測偏差，同時以當前時段的前5個時段內三種方法的預測值與貝葉斯加權修正值的偏差作為當前預測偏差，每個時段內各方法的貝葉斯權重由歷史和當前預測偏差共同標定并動態(tài)更新。
3.根據(jù)權利要求1所述的基于雙貝葉斯的路口動態(tài)轉向比例兩步預測方法，其特征在于:為滿足實時在線系統(tǒng)預測精度高、收斂速度快的要求，并充分利用歷史數(shù)據(jù)調整預測值，分別采用基于改進卡爾曼濾波的預測算法和基于改進反向傳播神經(jīng)網(wǎng)絡的算法，來預測路口動態(tài)轉向比例； 在檢測流量及下一時段預測流量的基礎上，根據(jù)卡爾曼濾波狀態(tài)方程的遞推和觀測方程的修正，即可得到動態(tài)轉向比例的單步預測值；進一步根據(jù)在沒有觀測方程修正的情況下、卡爾曼濾波狀態(tài)方程的單步預測功能，即可得到動態(tài)轉向比例的兩步預測值；對于預測的動態(tài)轉向比例結果進行裁切和標準化的處理，使各進口的動態(tài)轉向比例均小于I且總和等于I，利用MATLAB的M語言編程順序卡爾曼濾波算法，得到所述改進卡爾曼濾波的動態(tài)轉向比例單步和兩步預測值； 在改進BP神經(jīng)網(wǎng)絡中，輸入層有3個神經(jīng)元，分別對應進口道上游各車道的進口流量，當進口道上游車道數(shù)量不同時,神經(jīng)元數(shù)量做相應變化；隱藏層有15個神經(jīng)元,傳遞函數(shù)采用對數(shù)S型函數(shù)，其輸出值在[O，1]的區(qū)間范圍內；輸出層有3個神經(jīng)元，采用線性傳遞函數(shù)，對應左轉、直行、右轉3個方向的轉向比例，共有3個輸出值；采用動量-自適應學習速率調整算法，來修正誤差反向傳播過程中的權值和閾值，使反向傳播神經(jīng)網(wǎng)絡算法既可以找到全局最優(yōu)解，又能縮短訓練時間；在檢測流量及下一時段預測流量的基礎上，根據(jù)反向傳播神經(jīng)網(wǎng)絡的預測功能，即可得到動態(tài)轉向比例的單步和兩步預測值；利用Matlab的M語言編程，求解反向傳播神經(jīng)網(wǎng)絡，得到所述反向傳播神經(jīng)網(wǎng)絡的動態(tài)轉向比例單步和兩步預測值。
4.根據(jù)權利要求1所述的基于雙貝葉斯的路口動態(tài)轉向比例兩步預測方法，其特征在于:為綜合利用改進卡爾曼濾波和改進反向傳播神經(jīng)網(wǎng)絡兩種算法的優(yōu)勢，使預測值局部偏差保持穩(wěn)定，達到總體最優(yōu)，采用貝葉斯加權的方法，修正兩種算法預測的路口動態(tài)轉向比例； 通過兩種算法的計算，得到改進卡爾曼濾波算法的歷史預測值
【文檔編號】G08G1/08GK103927891SQ201410174023
【公開日】2014年7月16日 申請日期:2014年4月29日 優(yōu)先權日:2014年4月29日
【發(fā)明者】焦朋朋, 郭金, 孫拓, 王紅霖, 李揚威, 劉美琪, 杜林
申請人:北京建筑大學