[發明專利]混合交通狀態下基于機器學習的非網聯車狀態估計方法

有效

• 申請號: 201810449966.1
• 申請日: 2018-05-11
• 公開（公告）號: CN108682148B
• 公開（公告）日: 2021-05-11
• 發明（設計）人: 劉琳;李永福;蔣建春;姜定杰;李春媛
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G08G1/065;G06N20/00;G06F17/16
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 趙榮之

1.混合交通狀態下基于機器學習的非網聯車狀態估計方法，其特征在于：該方法為：

在不同的時刻下，當兩個網聯車之間存在不同數量的非網聯車時，相對駕駛行為會相應變化，并存在一定的關聯關系；q_t為t時刻下非網聯車的數量，o_t為t時刻下兩輛相鄰網聯車的相對駕駛行為；明確這兩者之間存在的關聯關系，通過機器學習的方法利用這個關聯關系在已知兩輛網聯車的相對駕駛行為的情況下估計非網聯車的數量；

隱馬爾可夫模型HMM是統計模型，用來描述一個含有隱含未知參數的Markov過程，包含兩個部分：Markov鏈和隨機過程；其中，Markov鏈是一個隨機模型，表述一系列可能發生的事件，當前的狀態量與下一個狀態量之間有一定的因果關聯關系；隨機過程是指由隱藏在觀測者后的狀態量隨機產生觀測量的過程；狀態量之間的轉變由狀態轉移概率矩陣A＝[a_ij]_N×N決定，狀態量和觀測量之間的關系則由發散概率矩陣B＝[b_jk]_N×M決定；兩輛相鄰網聯車之間的相對駕駛行為是可見的觀測量，而非網聯車的數量是隱含在背后的狀態量；基于大量的實際交通數據，對HMM進行訓練，得到模型參數，即兩個概率矩陣，利用已知參數的HMM去測試和估計非網聯車的數量，進而預測交通流量；

HMM包括5個元素：

(1)隱含的狀態量：S為有N個隱含狀態量的有限集，則S＝{S₁,S₂,…,S_N}；

(2)可見的觀測量：V為有M個觀測量的有限集，則V＝{V₁,V₂,…,V_M}；如果有一個觀察序列O＝{o₁,o₂,…,o_i,…,o_T}，o_i∈V，表示時刻i下的觀察值，則相應的狀態序列為Q＝{q₁,q₂,…,q_i,…,q_T}，q_i∈S，表示時刻i下的狀態量；

(3)初始狀態概率矩陣：∏＝{π₁,π₂,…,π_N}是隱含狀態量的初始概率分布，π_i＝P{q₁＝S_i}，表示t＝1時刻下的狀態量為S_i的概率；

(4)狀態轉移概率矩陣：狀態量之間的轉變由狀態轉移概率矩陣A＝[a_ij]_N×N決定，a_ij＝P{q_t+1＝S_j|q_t＝S_i}，表示在t時刻下狀態量為S_i的條件下，在t+1時刻下狀態量為S_j的概率，當前的狀態對下一時刻的狀態有影響，存在一定的關聯關系；

(5)發散概率矩陣：狀態量和觀測量之間的關系則由發散概率矩陣B＝[b_jk]_N×M決定，b_jk＝P{o_t＝V_k|q_t＝S_j}，表示在t時刻下狀態量為S_j的條件下，觀測量為V_k的概率；

用一個三元組λ＝{Π,A,B}來表示一個隱馬爾可夫模型；

所述相對駕駛行為包括相對位移、相對速度和相對加速度；

在非網聯車估計的應用中，兩個相鄰的網聯車的相對駕駛行為被視為可見的觀測量，相對駕駛行為由兩車的相對速度、相對加速度和相對位移組成，而相鄰網聯車之間的非網聯車數量被視為隱含的狀態量；通過實際交通運行過程中產生的數據，已知一個觀測序列即相鄰網聯車的相對駕駛行為集合O＝{o₁,o₂,…,o_T}和相應的隱含狀態序列即非網聯車的數量集合Q＝{q₁,q₂,…,q_T}時，用Baum-Welch算法學習估計產生隱馬爾可夫模型的模型參數即狀態轉移概率矩陣A和發散概率矩陣B；

所述Baum-Welch算法包含兩個過程：前向過程和后向過程：

(1)前向過程

考慮到前向變量α_t(i)被定義為α_t(i)＝P(o₁o₂…o_t,q_t＝S_iλ)，由下列歸納運算得到：

a)初始化

α₁(i)＝π_ib_i(o₁),1≤i≤N (1)

b)歸納

c)結束

(2)后向過程

考慮到后向變量β_t(i)被定義為β_t(i)＝P(o_t+1o_t+2…o_T,q_t＝S_iλ)，則由下列運算得到：

a)初始化

β_t(i)＝1,1≤i≤N (4)

b)歸納

基于變量α和β，概率變量γ_t(i)，即t時刻下狀態量為S_i的概率和ε_t(i,j)，即t時刻下狀態量為S_i的條件下，在t+1時刻下狀態量為S_j的概率，計算如下：

基于變量γ和ε，估算HMM模型參數的公式如下：

利用公式(8)～(10)，得一個新的HMM模型參數

在已知一個由實際數據學習而估算出的隱馬爾可夫模型時，通過一個觀測序列，利用Viterbi算法來尋找最優的隱含狀態序列；即在已估算出的隱馬爾可夫模型的基礎上，通過相鄰網聯車的相對行為推測出此相鄰網聯車之間的非網聯車的數量；為在給定的觀測序列O＝{o₁,o₂,…,o_T}的基礎上，獲得最優的狀態序列Q＝{q₁,q₂,…,q_T}，需要計算總量δ_t(i)：

δ_t(i)是t時刻下序列路徑上已有t個觀測量和當前狀態量為S_i時的最大概率；

令ψ_t(i)為序列路徑上前一個狀態量S_i，即t-1時刻下的狀態量S_i；

Viterbi算法的過程如下：

a)初始化

δ₁(i)＝π_ib_i(o₁),1≤i≤N (12)

ψ₁(i)＝0,1≤i≤N (13)

b)遞歸

c)結束

d)狀態序列回溯

2.根據權利要求1所述的混合交通狀態下基于機器學習的非網聯車狀態估計方法，其特征在于：所述模型參數通過實時利用實際交通數據進行更新，用于提高模型的預測精度。