一种基于双贝叶斯的路口动态转向比例两步预测方法
【专利摘要】本发明公开了一种基于双贝叶斯的路口动态转向比例两步预测方法，该方法利用路口各进出口道检测的路段流量，首先结合历史流量数据，设计第1贝叶斯组合方法预测下一个时段的进出口道流量，并在此基础上设计改进卡尔曼滤波和改进反向传播神经网络两种算法分别预测之后第一和第二个时段的动态转向比例，进一步结合历史转向比例数据修正预测误差，设计第2贝叶斯组合方法标定并动态更新权重，得到双贝叶斯组合方法的动态转向比例单步和两步预测值。现有方法仅能得到动态转向比例单步预测值，且精度和效率各具优缺点，本方法综合体现各种方法优点，避免局部过大偏差，精度高，且能同时得到单步和两步预测结果，可以为智能交通控制系统提供基础支撑。
【专利说明】—种基于双贝叶斯的路口动态转向比例两步预测方法
【技术领域】
[0001]本发明属于智能交通控制【技术领域】，具体涉及一种基于双贝叶斯的路口动态转向比例两步预测方法，用于路口智能信号控制系统的开发。
【背景技术】
[0002]路口作为城市道路网的重要节点，各流向交通量具有非线性、时变性的特点，科学合理的路口信号控制和交通组织方案应当以准确、实时的交通量为基础，而动态转向流量、尤其未来时段的动态转向流量预测值是路口智能信号控制的基础数据。在现有的交通流检测技术条件下，进口道上游和出口道下游各车道的路段流量容易通过检测得到，而实时的动态转向流量难以获得，未来时段的动态转向流量更是很难预测得到。
[0003]路口动态转向比例估计模型可以根据路口进出口流量的时间序列，反推得到路口动态转向比例，随着智能交通技术的发展，该模型受到广泛关注，提出了递推估计算法(1987)、Bell车队扩散法(1991)、遗传算法(2005)、卡尔曼滤波算法(2006)、基本反向传播(Back propagation,简称BP)神经网络算法(2007)等路口动态转向比例估计方法。上述方法中大部分都仅能得到动态转向比例在当前时段的实时估计值，仅卡尔曼滤波算法和BP神经网络算法具有预测功能。
[0004]卡尔曼滤波算法是在递推估计算法的基础上发展起来的时域方法，求得最小方差意义下动态转向比例的变化特征，属于状态变量的最优估计值，其递推算法的本质决定了该算法效率较高但精度相对欠佳，同时其仅具有单步预测功能；BP神经网络算法根据进口道上游检测器检测得到的各车道流量的历史数据进行训练和学习，得到估计的转向比例，并与实际数据进行比较得到误差，再使用最速下降法，通过反向传播误差来不断调整网络的权值和阈值，使网络的误差平方和最小，在稳定的权值和阈值条件下实现对当前数据的估计，同时具备预测功能，但是其学习率是常数，具有训练速度慢、易陷入局部最优等不足之处。
[0005]为了精确预测未来时段的动态转向比例，给智能信号控制系统提供支撑，首先综合运用时间序列分析的方法，预测下一个时段路口各进出口道的路段流量，并综合利用历史流量数据修正预测偏差，采用贝叶斯组合模型的方法提高路段流量预测的精度；另外为体现卡尔曼滤波算法收敛速度快的特点，发挥BP神经网络算法对于历史数据学习效率高的优势，同时为了避免各种单独算法可能出现的局部过大偏差，在改进上述两种方法的基础上，综合利用历史预测偏差和当前预测偏差，采用贝叶斯公式修正并动态更新权重，进一步将以上两种改进方法预测得到的动态转向比例预测值进行加权组合，得到能够实时应用的基于双贝叶斯的路口动态转向比例两步预测方法，该方法可同时获得当前时段之后第一和第二个时段的动态转向比例预测值，对于路口的信号控制具有重要意义。
【发明内容】
[0006]本发明要解决的技术问题是现有技术无法实时检测得到路口动态转向比例；部分方法仅能实时估计当前时段的转向比例，而无法进行预测；仅有的两种具备预测功能的方法中，卡尔曼滤波方法仅能预测单步结果，而BP神经网络方法计算速度慢、且易陷入局部
最优结果。
[0007]为解决上述技术问题，本发明提供一种基于双贝叶斯的路口动态转向比例两步预测方法:
[0008]本发明提供的预测方法包括两个贝叶斯组合模型，分别为基于非线性回归方法、移动平均方法及自回归方法的路段交通量单步预测第I贝叶斯组合模型，以及基于改进卡尔曼滤波和改进反向传播神经网络的动态转向比例单步和两步预测第2贝叶斯组合模型，两个组合模型共同构成的双贝叶斯预测方法可以预测当前时段之后第一及第二个时段的路口动态转向比例，其主要步骤如下:
[0009]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k内的进出口道交通流量，即Qi (k), i = 1,2,…，r表示时段k自进口道i流入路口的流量，Yj (k), j = I,2，…，s表示时段k自出口道j流出路口的流量；
[0010]步骤2:以检测得到的路口进出口道交通流量为已知量，在远端计算机中运行非线性回归、移动平均和自回归三种方法分别预测下一个时段的进出口道交通流量；
[0011]步骤3:引入历史进出口道路段流量数据，在远端计算机中运行路段交通量预测的第I贝叶斯组合模型程序，综合应用历史和当前预测偏差标定三种方法的权重，将三种方法的预测结果加权，得到修正后的下一个时段路口进出口道交通流量的预测值；
[0012]步骤4:将进出口道交通流量检测值及预测值作为已知量，在远端计算机中运行改进的卡尔曼滤波算法和改进的反向传播神经网络算法程序，求解两种算法分别得到的动态转向比例单步和两步预测值；
[0013]步骤5:引入历史转向比例数据，在远端计算机中运行动态转向比例预测第2贝叶斯组合模型程序，综合应用历史和当前预测偏差标定两种算法的权重，将两种算法的预测结果加权，得到修正后的动态转向比例单步和两步预测值；
[0014]步骤6:更新路段流量预测及动态转向比例预测的当前预测偏差，返回步骤I进行下一时段动态转向比例的预测，直至全天各时段动态转向比例预测结束，更新历史预测偏差数据，并进行下一天各时段动态转向比例的预测；
[0015]步骤7:将得到的动态转向比例单步和两步预测值传输到信号控制系统，为当前时段之后第一及第二个时段的信号控制方案的生成提供基础数据。
[0016]为同时预测当前时段之后第一和第二个时段的路口动态转向比例，首先分别应用非线性回归、移动平均及自回归三种方法，分别预测下一个时段的路口进出口道交通流量;
[0017]为综合利用三种方法的优势，使预测值局部偏差保持稳定，达到总体最优，引入历史进出口道路段流量数据，采用贝叶斯加权的方法，修正三种方法预测的进出口道路段流量；通过三种方法的计算，得到非线性回归方法的历史预测值H(k+1)和当前预测值XNLE (k+l)、移动平均方法的历史预测值Xm’H(k+l)和当前预测值Xm (k+l)、自回归方法的历史预测值产H (k+l)和当前预测值xAK(k+l)；
[0018]定义对々+ 1)为贝叶斯加权修正后的进出口流量预测值，Wnle(k+l)为非线性回归方法的贝叶斯权重、wm(k+l )为移动平均方法的贝叶斯权重、WAK(k+l)为自回归方法的贝叶斯权重，建立路段流量预测的第I贝叶斯组合模型:
【权利要求】
1.一种基于双贝叶斯的路口动态转向比例两步预测方法，其特征在于: 本预测方法包括两个贝叶斯组合模型，分别为基于非线性回归方法、移动平均方法及自回归方法的路段交通量单步预测第I贝叶斯组合模型，以及基于改进卡尔曼滤波和改进反向传播神经网络的动态转向比例单步和两步预测第2贝叶斯组合模型，两个组合模型共同构成的双贝叶斯预测方法可以预测当前时段之后第一及第二个时段的路口动态转向比例，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k内的进出口道交通流量，即Qi (k), i = 1,2,..., r表示时段k自进口道i流入路口的流量，Yj (k)，j = 1，2，…，s表示时段k自出口道j流出路口的流量； 步骤2:以检测得到的路口进出口道交通流量为已知量，在远端计算机中运行非线性回归、移动平均和自回归三种方法分别预测下一个时段的进出口道交通流量； 步骤3:引入历史进出口道路段流量数据，在远端计算机中运行路段交通量预测的第I贝叶斯组合模型程序，综合应用历史和当前预测偏差标定三种方法的权重，将三种方法的预测结果加权，得到修正后的下一个时段路口进出口道交通流量的预测值； 步骤4:将进出口道交通流量检测值及预测值作为已知量，在远端计算机中运行改进的卡尔曼滤波算法和改进的反向传播神经网络算法程序，求解两种算法分别得到的动态转向比例单步和两步预测值； 步骤5:引入历史转向比例数据，在远端计算机中运行动态转向比例预测第2贝叶斯组合模型程序，综合应用历史和当前预测偏差标定两种算法的权重，将两种算法的预测结果加权，得到修正后的动 态转向比例单步和两步预测值； 步骤6:更新路段流量预测及动态转向比例预测的当前预测偏差，返回步骤I进行下一时段动态转向比例的预测，直至全天各时段动态转向比例预测结束，更新历史预测偏差数据，并进行下一天各时段动态转向比例的预测； 步骤7:将得到的动态转向比例单步和两步预测值传输到信号控制系统，为当前时段之后第一及第二个时段的信号控制方案的生成提供基础数据。
2.根据权利要求1所述的基于双贝叶斯的路口动态转向比例两步预测方法，其特征在于:为同时预测当前时段之后第一和第二个时段的路口动态转向比例，首先分别应用非线性回归、移动平均及自回归三种方法，分别预测下一个时段的路口进出口道交通流量； 为综合利用三种方法的优势，使预测值局部偏差保持稳定，达到总体最优，引入历史进出口道路段流量数据，采用贝叶斯加权的方法，修正三种方法预测的进出口道路段流量；通过三种方法的计算，得到非线性回归方法的历史预测值Xm’H(k+l)和当前预测值xNLE(k+Ι)、移动平均方法的历史预测值xm’H(k+l)和当前预测值Xma(k+1)、自回归方法的历史预测值产H(k+1)和当前预测值xAK(k+l)； 定义?(Α + 1)为贝叶斯加权修正后的进出口流量预测值，Wnle(k+Ι)为非线性回归方法的贝叶斯权重、Wm(k+1)为移动平均方法的贝叶斯权重、WAK(k+l)为自回归方法的贝叶斯权重，建立路段流量预测的第I贝叶斯组合模型:
x(k+\) = WNLR{k + ?)χ臓(k+V) + Wma {k +1)严{k + V^ + W^ik+l)xAR (k+1) 其中，以三种方法路段流量的历史预测值与历史真实值的偏差作为历史预测偏差，同时以当前时段的前5个时段内三种方法的预测值与贝叶斯加权修正值的偏差作为当前预测偏差，每个时段内各方法的贝叶斯权重由历史和当前预测偏差共同标定并动态更新。
3.根据权利要求1所述的基于双贝叶斯的路口动态转向比例两步预测方法，其特征在于:为满足实时在线系统预测精度高、收敛速度快的要求，并充分利用历史数据调整预测值，分别采用基于改进卡尔曼滤波的预测算法和基于改进反向传播神经网络的算法，来预测路口动态转向比例； 在检测流量及下一时段预测流量的基础上，根据卡尔曼滤波状态方程的递推和观测方程的修正，即可得到动态转向比例的单步预测值；进一步根据在没有观测方程修正的情况下、卡尔曼滤波状态方程的单步预测功能，即可得到动态转向比例的两步预测值；对于预测的动态转向比例结果进行裁切和标准化的处理，使各进口的动态转向比例均小于I且总和等于I，利用MATLAB的M语言编程顺序卡尔曼滤波算法，得到所述改进卡尔曼滤波的动态转向比例单步和两步预测值； 在改进BP神经网络中，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；隐藏层有15个神经元,传递函数采用对数S型函数，其输出值在[O，1]的区间范围内；输出层有3个神经元，采用线性传递函数，对应左转、直行、右转3个方向的转向比例，共有3个输出值；采用动量-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，使反向传播神经网络算法既可以找到全局最优解，又能缩短训练时间；在检测流量及下一时段预测流量的基础上，根据反向传播神经网络的预测功能，即可得到动态转向比例的单步和两步预测值；利用Matlab的M语言编程，求解反向传播神经网络，得到所述反向传播神经网络的动态转向比例单步和两步预测值。
4.根据权利要求1所述的基于双贝叶斯的路口动态转向比例两步预测方法，其特征在于:为综合利用改进卡尔曼滤波和改进反向传播神经网络两种算法的优势，使预测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，修正两种算法预测的路口动态转向比例； 通过两种算法的计算，得到改进卡尔曼滤波算法的历史预测值
【文档编号】G08G1/08GK103927891SQ201410174023
【公开日】2014年7月16日 申请日期:2014年4月29日 优先权日:2014年4月29日
【发明者】焦朋朋, 郭金, 孙拓, 王红霖, 李扬威, 刘美琪, 杜林
申请人:北京建筑大学