一种基于贝叶斯加权的路口动态转向比例组合估计方法
【专利摘要】本发明公开了一种基于贝叶斯加权的路口动态转向比例组合估计方法，该方法利用路口各进出口道检测到的路段流量，设计了改进的卡尔曼滤波、改进的反向传播神经网络和遗传算法三种子算法分别求解路口动态转向比例，并在此基础上结合历史数据，综合考虑对历史和当前估计偏差的修正，利用贝叶斯公式标定并动态更新权重，将三种子算法所得结果加权，得到组合方法估计的动态转向比例。针对不同的交通流状况，现有方法估计的动态转向比例在精度和效率方面各具优缺点，本方法能够从总体上体现各种方法的优点，避免局部过大偏差的出现，具有适应性强、精度高、稳定性好、整体最优的特点，可以为信号控制等实时交通管理和信息服务系统提供基础数据支撑。
【专利说明】获得。
路口进出口流量的时间序列，反推得到路:模型受到广泛关注，提出了递推估计算法5)、卡尔曼滤波算法(2006)、基本反向传播)07)等路口动态转向比例估计方法。
4线性模型推导和估计转向比例，适合较长？计实时非线性变化的转向比例，不适于在:传和进化过程而形成的一种自适应全局优用来求解最小化观测值和估计值的误差绝果进化到包含或接近动态转向比例最优解I础上发展起来的时域方法，求得最小方差I:的最优估计值，其递推算法的本质决定了网络算法根据进口道上游检测器检测得到I到估计的转向比例，并与实际数据进行比吴差来不断调整网络的权值和阈值，使网络:实现对当前数据的估计，但是其学习率是果加权，得到当前时段的贝叶斯加权修正
果与步骤4得到的当前时段的贝叶斯加权改据库，返回步骤1进行下一时段动态转向结束，更新历史偏差数据，并进行下一天各
(速度快的要求，所述第1子算法采用基于向比例:
，在不存在转向限制的情况下，弓I入动态转
100 3)10的矩阵或向量形式，评00是均
1测高斯白噪声向量。
隹化的处理，使各进口的动态转向比例均小字卡尔曼滤波算法，得到所述第1子算法卡进行；为使经过初始加权后的每个神经元的输出值都接近于零，保证每个神经元的权值都能够在它们的S型激活函数变化最大之处进行调节，取初始权值在(_1，1)之间的随机数。
[0023]为克服基本BP神经网络算法的收敛速度慢、易陷入局部最优等不足之处，采用改进的BP神经网络算法，即动量-自适应学习速率调整算法，来修正误差反向传播过程中的权值和阈值，使BP神经网络算法既可以找到全局最优解，又能缩短训练时间:
【权利要求】
1.一种基于贝叶斯加权的路口动态转向比例组合估计方法，其特征在于，本组合估计方法包括三个子算法，分别为基于改进卡尔曼滤波的估计算法的第1子算法、基于改进反向传播神经网络的估计算法的第2子算法、和基于遗传算法的估计算法的第3子算法，通过路段流量检测器得到路口各进出口道交通流量，输入三个子算法进行动态转向比例估计，并引入历史数据，综合利用历史偏差和当前偏差标定并动态更新贝叶斯权重，将三个子算法的结果加权，得到最终的高精度路口动态转向比例，其主要步骤如下: 步骤1:在路口进出口道运行路段流量检测器，检测得到时间间隔&内的进出口道交通流量，即，1 = 1,2，…，1-表示时段匕自进口道1流入路口的流量，，』=1，2，…，8表示时段&自出口道』流出路口的流量； 步骤2:定义路口的动态转向比例8〃 00为状态变量，以检测得到的路口进出口道流量为已知量，在远端计算机中运行改进的顺序卡尔曼滤波算法、改进的8？神经网络算法和遗传算法程序，求解三种子算法各自计算得到的动态转向比例估计值； 步骤3:引入历史数据，以三种子算法动态转向比例的历史估计值与历史真实值的偏差作为历史偏差，同时以当天前5个时段三种子算法的估计值与贝叶斯加权修正值的平均偏差作为当前偏差； 步骤4:在远端计算机中运行贝叶斯加权程序，综合应用历史偏差和当前偏差标定三种子算法的权重，将三种子算法的估计结果加权，得到当前时段的贝叶斯加权修正值； 步骤5:将当前时段三种子算法估计结果与步骤4得到的当前时段的贝叶斯加权修正值的偏差作为当前时段偏差存入当前偏差数据库，返回步骤1进行下一时段动态转向比例的估计，直至全天各时段动态转向比例估计结束，更新历史偏差数据，并进行下一天各时段动态转向比例的计算。
2.如权利要求1所述一种基于贝叶斯加权的路口动态转向比例组合估计方法，其特征是:为满足实时在线系统估计精度高、收敛速度快的要求，所述第1子算法采用基于改进卡尔曼滤波的估计算法，来求解路口动态转向比例； 考虑有『个进口道、8个出口道的路口，在不存在转向限制的情况下，弓丨入动态转向比例8“00作为状态变量； 状态方程:8(10 = 8(^-1)+1(^)
观测方程(10 = 0 (10 氺8 (10 +6 (10 式中800』00、000分别为8^10、的矩阵或向量形式，胃00是均值为0的高斯白噪声向量，6(10是均值为0的观测高斯白噪声向量； 对于动态转向比例结果采用裁切和标准化的处理，使各进口的动态转向比例均小于1且总和等于1，利用嫩11八8的1语言编程顺序卡尔曼滤波算法，得到所述第1子算法卡尔曼滤波估计的动态转向比例。
3.如权利要求1所述一种基于贝叶斯加权的路口动态转向比例组合估计方法，其特征是:为充分利用历史数据调整估计值，提高动态转向比例估计的精度，所述第2子算法采用基于改进反向传播神经网络的估计算法，来求解路口动态转向比例； 输入层:输入层有3个神经元，分别对应进口道上游各车道的进口流量，当进口道上游车道数量不同时，神经元数量做相应变化；隐藏层:通过反复尝试，用于路口神经网络的隐藏层神经元取15个，另外隐藏层传递函数采用对数3型函数，其输出值在[0,1]的区间范围内，与转向比例范围吻合； 输出层:输出层采用线性传递函数，共有3个神经元，对应左转、直行、右转3个方向的转向比例，共有3个输出值； 8？神经网络模型的信息传播包括两个方面:信号的前向传播和误差的反向传播，即实际输出按照从输入到输出的方向进行，而权值和阈值的修正按照从输出到输入的方向进行；为使经过初始加权后的每个神经元的输出值都接近于零，保证每个神经元的权值都能够在它们的3型激活函数变化最大之处进行调节，取初始权值在(-1,1)之间的随机数； 为克服基本8？神经网络算法的收敛速度慢、易陷入局部最优等不足之处，采用改进的8？神经网络算法，即动量-自适应学习速率调整算法，来修正误差反向传播过程中的权值和阈值，使8？神经网络算法既可以找到全局最优解，又能缩短训练时间:
4.如权利要求1所述一种基于贝叶斯加权的路口动态转向比例组合估计方法，其特征是:为充分反映各临近时段估计值之间的相互联系，提高估计方法对变化情况的适应性，使估计结果达到全局最优，所述第3子算法采用基于遗传算法的估计算法，来求解路口动态转向比例； 以动态转向比例8〃 00作为未知量； 为避免传统最小平方和形式造成异常数据对解的剧烈影响，采用最小绝对值加和形式建立改进的参数优化模型:
5.如权利要求1所述一种基于贝叶斯加权的路口动态转向比例组合估计方法，其特征是:为综合利用改进卡尔曼滤波、改进8？神经网络和遗传算法三种子算法的优势，使估计值局部偏差保持稳定，达到总体最优，采用贝叶斯加权的方法，修正三种子算法估计的路口动态转向比例； 通过三种子算法的计算，得到卡尔曼滤波算法的历史估计值(幻和当前估计值《⑷、8？神经网络算法的历史估计值#’”(幻和当前估计值幻、遗传算法的历史估计值巧和当前估计值0)； 定义&(幻为贝叶斯加权修正后的动态转向比例，幻为所述第1子算法卡尔曼滤波的贝叶斯权重、?(幻为所述第2子算法8？神经网络的贝叶斯权重、巧~(幻为所述第3子算法遗传算法的贝叶斯权重，建立组合模型:
【文档编号】G06N3/12GK103839412SQ201410117552
【公开日】2014年6月4日 申请日期:2014年3月27日 优先权日:2014年3月27日
【发明者】焦朋朋, 孙拓, 郭金, 杜林 , 王红霖, 李扬威, 刘美琪 申请人:北京建筑大学