[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

在本文中提出了一種基于馬爾可夫鏈模型的交通因子網絡構建方法。該方法將捕獲的速度，流量數據作為系統因子，通過高階多元馬爾可夫鏈建交通因子網絡來模擬交通網絡中固有的復雜空間和時間關系。通過在模型構建中應用交通領域知識，考慮交通數據之間的內在聯系，對交通因子數值進行聚類分析。通過基于EM算法的高斯混合分布模型對歷史數據的反向學習，對大量的交通流參數數據進行聚類分析，不同的交通參數聚類對應了實際交通系統中的不同交通狀態，即環境影響因子等級。在此基礎上通過高階多元構建了交通因子狀態網絡，從而可以實現更為精準的數據預測和校正。

技術領域

本發明涉及領域為機器學習和交通大數據分析，具體為一種基于馬爾可夫鏈Markov Chain模型的交通因子網絡構建方法，特別是針對當前交通大數據分析的一種新的理論模型。

背景技術

在目前交通領域諸多的研究中，對交通參數進行預測估計，交通數據的校正糾錯以及整個交通系統的演變是熱點性問題，并取得了長足的進展。但也存在著一些問題，如在對交通數據進行分析時，往往只考慮了單一化交通參數在時間序列上的影響，忽略了多元化交通參數之間的內在聯系。再如籠統地將一個時間段內的交通數據歸納的同一交通模型中，從而忽略了不同時間段，或不同交通參數數據組合所對應的不同交通模型。

因此，通過以前的研究表明，交通可以從系統的角度進行理解，這意味著所有交通因子共同構成一個系統。交通因子包括速度，流量，密度，路況，天氣等交通參數，能夠以時間序列的形式表示連續或離散的狀態變量。狀態變量或因子可以以一定的概率彼此交互。這意味著交通系統可以表示為狀態因素和狀態轉移概率的集合。

發明內容

在本項研究中，馬爾可夫鏈用于建模交通因子狀態網絡。在交通因子狀態網絡中，考慮諸如流量和速度的交通狀態參數，以及通過系統交通狀態參數估計得出的環境影響因子，將一個整體的交通因子狀態網絡分成諸多小型交通因子狀態網絡。

在交通因子狀態網絡中，不同時刻下的不同類型交通因子相互影響，構成一種內在聯系。可以認為，同一時刻下的不同交通因子參數值組合對應了不同環境影響因子，暗示了整個交通系統的不同狀態等級。本文是針對交通速度的預測和校正，因此在考慮對同一時刻下交通因子進行聚類同時，將下一時刻的速度因子列入影響因素，對整個系統的交通因子聚類有著良好的改善。在今后的研究中，可以將更多的交通因子列入聚類對象，從而讓整個系統的交通因子網絡更為精細。

在各個交通因子狀態網絡中，速度或是流量可以分成小間隔，每個速度間隔代表一個狀態，各個交通因子的狀態之間均存在轉移概率。馬爾可夫鏈是研究狀態轉換和構建狀態轉換矩陣的合適工具。在這項工作中，我們允許當前時刻交通速度受前一時間步長中的多個因素影響，包括速度，流量及環境影響因子。為此，我們應用多元馬爾可夫鏈模型，以便對交通狀態的時間演變進行建模并預測速度。

1、一種基于Markov Chain模型的交通因子網絡構建方法，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、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：