[發(fā)明專利]一種基于貝葉斯神經(jīng)網(wǎng)絡(luò)的快速路事件檢測(cè)方法和裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202211078711.1
• 申請(qǐng)日: 2022-09-05
• 公開（公告）號(hào): CN115511159A
• 公開（公告）日: 2022-12-23
• 發(fā)明（設(shè)計(jì)）人: 李健;劉根旺
• 申請(qǐng)（專利權(quán)）人: 同濟(jì)大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06N3/04;G06N3/08;G06Q10/06;G06Q50/26
• 代理公司: 上海科盛知識(shí)產(chǎn)權(quán)代理有限公司 31225
• 代理人: 蔡彭君

本發(fā)明涉及一種基于貝葉斯神經(jīng)網(wǎng)絡(luò)的快速路事件檢測(cè)方法和裝置，其中，方法的步驟包括：獲取快速路感應(yīng)線圈數(shù)據(jù)，并進(jìn)行預(yù)處理，得到原始數(shù)據(jù)集；將原始數(shù)據(jù)集輸入訓(xùn)練好的快速路事件檢測(cè)模型，得到快速路事件預(yù)測(cè)結(jié)果；基于指標(biāo)和不確定度對(duì)快速路事件預(yù)測(cè)結(jié)果進(jìn)行評(píng)估；貝葉斯神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程包括：基于LeNet?5結(jié)果設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)，采用概率分布估計(jì)的方法采樣得到神經(jīng)網(wǎng)絡(luò)的權(quán)重；采用變分推斷的方法得到權(quán)重的后驗(yàn)概率分布，根據(jù)后驗(yàn)概率分布得到模型目標(biāo)函數(shù)；根據(jù)模型目標(biāo)函數(shù)和原始數(shù)據(jù)集對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到快速路事件檢測(cè)模型。與現(xiàn)有技術(shù)相比，本發(fā)明具有事件檢測(cè)準(zhǔn)確度高、準(zhǔn)確評(píng)價(jià)預(yù)測(cè)結(jié)果置信度等優(yōu)點(diǎn)。

技術(shù)領(lǐng)域

本發(fā)明涉及交通事件檢測(cè)領(lǐng)域，尤其是涉及一種基于貝葉斯神經(jīng)網(wǎng)絡(luò)的快速路事件檢測(cè)方法和裝置。

背景技術(shù)

交通擁堵作為各大城市的常見問題，導(dǎo)致城市運(yùn)行效率的降低和環(huán)境污染的增加。快速路擁堵通常被歸納為常發(fā)性擁堵和非常發(fā)性擁堵。常發(fā)性擁堵受交通需求的波動(dòng)影響，常在早晚高峰時(shí)段被觀測(cè)到。非常發(fā)性擁堵由事件引起，導(dǎo)致交通流暫時(shí)急劇的變化。事件通常會(huì)降低出行時(shí)間可靠性，引起次生事件及增加空氣污染。及時(shí)的事件檢測(cè)有助于采取交通管控措施，降低經(jīng)濟(jì)和時(shí)間花費(fèi)。

因此，事件檢測(cè)對(duì)于快速路管理來說至關(guān)重要。有關(guān)事件檢測(cè)的方法可分為基于數(shù)理統(tǒng)計(jì)的方法和基于機(jī)器學(xué)習(xí)的方法，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，基于機(jī)器學(xué)習(xí)的方法在事件檢測(cè)應(yīng)用時(shí)表現(xiàn)出高精度自動(dòng)化的優(yōu)點(diǎn)。然而，受交通數(shù)據(jù)中存在的噪聲的影響，以及模型擬合真實(shí)交通流運(yùn)行狀態(tài)的偏差，在模型預(yù)測(cè)交通事件的結(jié)果存在不確定性，事件檢測(cè)的準(zhǔn)確度低。現(xiàn)有大多數(shù)基于機(jī)器學(xué)習(xí)的方法無法評(píng)估模型預(yù)測(cè)結(jié)果的不確定性，預(yù)測(cè)結(jié)果的置信度低。

發(fā)明內(nèi)容

本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供的一種事件檢測(cè)準(zhǔn)確度高、準(zhǔn)確評(píng)價(jià)預(yù)測(cè)結(jié)果置信度的基于貝葉斯神經(jīng)網(wǎng)絡(luò)的快速路事件檢測(cè)方法和裝置。

本發(fā)明的目的可以通過以下技術(shù)方案來實(shí)現(xiàn)：

一種基于貝葉斯神經(jīng)網(wǎng)絡(luò)的快速路事件檢測(cè)方法，包括以下步驟：

獲取快速路感應(yīng)線圈數(shù)據(jù)，并進(jìn)行預(yù)處理，得到原始數(shù)據(jù)集；

將所述原始數(shù)據(jù)集輸入訓(xùn)練好的快速路事件檢測(cè)模型，得到快速路事件預(yù)測(cè)結(jié)果；

基于指標(biāo)和不確定度對(duì)所述快速路事件預(yù)測(cè)結(jié)果進(jìn)行評(píng)估，所述指標(biāo)包括檢測(cè)率、誤報(bào)率和準(zhǔn)確率，所述不確定度包括隨機(jī)不確定度和認(rèn)知不確定度；

其中，所述貝葉斯神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程包括：

基于LeNet-5結(jié)果設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)，采用概率分布估計(jì)的方法采樣得到所述神經(jīng)網(wǎng)絡(luò)的權(quán)重；

基于所述權(quán)重，采用變分推斷的方法得到權(quán)重的后驗(yàn)概率分布，根據(jù)所述后驗(yàn)概率分布得到模型目標(biāo)函數(shù)，所述模型目標(biāo)函數(shù)的表達(dá)式為：

其中，D表示原始數(shù)據(jù)集，q_θ(ω⁽ⁱ⁾|D)為第i次采樣的近似后驗(yàn)概率，p(ω⁽ⁱ⁾)為第i次采樣的先驗(yàn)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(shù)，θ為概率分布q_θ(ω⁽ⁱ⁾|D)的形狀參數(shù)；

根據(jù)所述模型目標(biāo)函數(shù)和原始數(shù)據(jù)集對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到快速路事件檢測(cè)模型。

進(jìn)一步地，根據(jù)所述后驗(yàn)概率分布得到模型目標(biāo)函數(shù)具體為：

基于后驗(yàn)概率分布得到模型的優(yōu)化目標(biāo)，所述優(yōu)化目標(biāo)的表達(dá)式為：