[發明專利]一種基于貝葉斯神經網絡的快速路事件檢測方法和裝置

在審

• 申請號: 202211078711.1
• 申請日: 2022-09-05
• 公開（公告）號: CN115511159A
• 公開（公告）日: 2022-12-23
• 發明（設計）人: 李健;劉根旺
• 申請（專利權）人: 同濟大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08;G06Q10/06;G06Q50/26
• 代理公司: 上?？剖⒅R產權代理有限公司 31225
• 代理人: 蔡彭君

1.一種基于貝葉斯神經網絡的快速路事件檢測方法，其特征在于，包括以下步驟：

獲取快速路感應線圈數據，并進行預處理，得到原始數據集；

將所述原始數據集輸入訓練好的快速路事件檢測模型，得到快速路事件預測結果；

基于指標和不確定度對所述快速路事件預測結果進行評估，所述指標包括檢測率、誤報率和準確率，所述不確定度包括隨機不確定度和認知不確定度；

其中，所述貝葉斯神經網絡模型的訓練過程包括：

基于LeNet-5結果設計神經網絡，采用概率分布估計的方法采樣得到所述神經網絡的權重；

基于所述權重，采用變分推斷的方法得到權重的后驗概率分布，根據所述后驗概率分布得到模型目標函數，所述模型目標函數的表達式為：

其中，D表示原始數據集，q_θ(ω⁽ⁱ⁾|D)為第i次采樣的近似后驗概率，p(ω⁽ⁱ⁾)為第i次采樣的先驗概率，p(D|ω⁽ⁱ⁾)為第i次采樣的條件概率，n為采樣的總次數，θ為概率分布q_θ(ω⁽ⁱ⁾|D)的形狀參數；

根據所述模型目標函數和原始數據集對神經網絡進行訓練，得到快速路事件檢測模型。

2.根據權利要求1所述的一種基于貝葉斯神經網絡的快速路事件檢測方法，其特征在于，根據所述后驗概率分布得到模型目標函數具體為：

基于后驗概率分布得到模型的優化目標，所述優化目標的表達式為：

其中，θ^opt表示最優的概率分布q_θ(ω|D)的形狀參數θ，p(ω|D)表示神經網絡權重的后驗概率，q_θ(ω|D)表示神經網絡權重的近似后驗概率，KL[q_θ(ω|D)||p(ω|D)]為后驗概率分布；

從近似后驗概率q_θ(ω|D)中采樣，根據n次采樣的結果對近似后驗概率的數學期望進行近似；

根據近似后的近似后驗概率的數學期望和模型的優化目標得到模型目標函數。

3.根據權利要求2所述的一種基于貝葉斯神經網絡的快速路事件檢測方法，其特征在于，所述根據n次采樣的結果對近似后驗概率的數學期望進行近似，具體的表達式為：

其中，為神經網絡權重的近似后驗概率q_θ(ω|D)的數學期望，n為采樣的總次數。

4.根據權利要求1所述的一種基于貝葉斯神經網絡的快速路事件檢測方法，其特征在于，所述檢測率、誤報率和準確率的計算表達式為：

其中，DR為檢測率，FAR為誤報率，ACC為準確率，N_d為檢測到的事件總數，N_a為真實事件的數量，N_f為錯誤檢測的事件總數，N_aa為算法研判次數，N_c為正確識別的事件或非事件數量，N_i為采集到的事件和非事件總數。

5.根據權利要求1所述的一種基于貝葉斯神經網絡的快速路事件檢測方法，其特征在于，對所述快速路事件預測結果進行評估具體為：

基于貝葉斯神經網絡模型預測結果的方差評估快速路事件預測結果，所述方差的表達式為：

其中，x^*表示觀測到的交通流數據，y^*表示貝葉斯神經網絡預測的標簽值，表示對于輸入x^*和輸出y^*，權重的方差，為給定交通流數據，模型預測的變分分布的概率，為預測的的形狀參數，為對于的的期望，為對于的y^*的期望，為對于的y^*的逆矩陣的期望。