[發明專利]基于馬爾可夫鏈模型的交通因子網絡構建方法在審
| 申請號： | 201811501212.2 | 申請日： | 2018-12-10 |
| 公開（公告）號： | CN109377761A | 公開（公告）日： | 2019-02-22 |
| 發明（設計）人： | 張偉斌;宋雨杭;戚湧;桂林卿 | 申請（專利權）人： | 南京理工大學 |
| 主分類號： | G08G1/01 | 分類號： | G08G1/01;G06F17/50;G06K9/62;G06F17/16;G06Q10/04;G06Q50/26 |
| 代理公司： | 江蘇樓沈律師事務所 32254 | 代理人： | 沈勇 |
| 地址： | 210094 江*** | 國省代碼： | 江蘇;32 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 馬爾可夫鏈 因子網絡 構建 交通 聚類分析 高階 環境影響因子 交通流參數 分布模型 復雜空間 高斯混合 交通參數 交通領域 交通數據 交通網絡 交通狀態 歷史數據 流量數據 模型構建 內在聯系 時間關系 實際交通 數據預測 因子狀態 聚類 校正 捕獲 應用 網絡 學習 | ||
1.一種基于馬爾可夫鏈模型的交通因子網絡構建方法，其特征在于，包括以下步驟：
步驟一，選定需要進行交通流預測分析的目標路段，獲取所選路段中所有的交通流量歷史數據；
步驟二，通過EM算法對所采集的交通流數據進行聚類；
步驟三，結合路段實際交通狀況，驗證所聚類的交通流數據是否具有周期性；
步驟四，利用高階多元Markov模型對歷史數據集進行建模，得到交通因子的轉移概率矩陣；
步驟五，將EM算法模型聚類后的數據代入高階多元Markov模型，得到最終的預測結果；
步驟六：將歷史數據集與最終的預測數據進行比較，并分析誤差。
2.根據權利要求1所述的基于馬爾可夫鏈模型的交通因子網絡構建方法，其特征在于，所述的路段交通流歷史數據是指數據采集日期，時間，路段的交通流速度值以及交通流量值，步驟二中所述的聚類數據時段間隔為5分鐘，具體過程如下：
用EM算法中期望最大化思想觀察交通因子包括速度和流量的隱藏狀態，算法包括兩個步驟，即E(expectation，期望)步驟和M(maximization，最大化)步驟，
針對E步驟，需初始化先驗概率P(wj)及高斯分布參數(μj,∑j)，第j個單高斯模型的后驗概率為：
Xi是交通參數的特征向量，本發明中代表交通因子如速度或流量的值，wj為環境影響因子的類別，p(wj)表示第j個高斯分布的先驗概率，μj表示第j個高斯函數的均值向量，
針對M步驟，當后驗概率p(wj|Xj)獲得后，立即更新其先驗概率p(wj)，而后再對所有的高斯分布參數估計值進行更新。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于南京理工大學，未經南京理工大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201811501212.2/1.html，轉載請聲明來源鉆瓜專利網。
