[发明专利]一种基于贝叶斯加权的路口动态转向比例组合估计方法

说明书

技术领域

本发明涉及应用在路口的基于贝叶斯加权的路口动态转向比例组合估计方法，用于路口实时自适应信号控制系统的开发，并为其他交通管理和信息服务系统提供基础数据。

背景技术

路口作为城市道路网的重要节点，各流向交通量具有非线性、时变性的特点，科学合理的路口信号控制和交通组织方案应当以准确、实时的交通量为基础，而动态转向流量是路口信号控制的基础数据。在现有的交通流检测技术条件下，进出口道上游各车道的路段流量容易通过检测得到，而动态转向流量难以获得。

路口动态转向比例估计模型可以根据路口进出口流量的时间序列，反推得到路口动态转向比例，随着智能交通技术的发展，该模型受到广泛关注，提出了递推估计算法(1987)、Bell车队扩散法(1991)、遗传算法(2005)、卡尔曼滤波算法(2006)、基本反向传播(Back propagation，简称BP)神经网络算法(2007)等路口动态转向比例估计方法。

递推估计算法、Bell车队扩散法都是以线性模型推导和估计转向比例，适合较长时间经过流量平滑处理的转向比例估计，难以估计实时非线性变化的转向比例，不适于在线应用；遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法，在路口动态转向比例估计中被用来求解最小化观测值和估计值的误差绝对值之和的优化模型，经过若干次迭代后，其结果进化到包含或接近动态转向比例最优解的状态；卡尔曼滤波算法是在递推估计算法的基础上发展起来的时域方法，求得最小方差意义下动态转向比例的变化特征，属于状态变量的最优估计值，其递推算法的本质决定了该算法效率较高但精度相对欠佳；基本BP神经网络算法根据进口道上游检测器检测得到的各类车道流量的历史数据进行训练和学习，得到估计的转向比例，并与实际数据进行比较得到误差，再使用最速下降法，通过反向传播误差来不断调整网络的权值和阈值，使网络的误差平方和最小，在稳定的权值和阈值条件下实现对当前数据的估计，但是其学习率是常数，具有训练速度慢、易陷入局部最优等不足之处。

为体现卡尔曼滤波算法收敛速度快的特点，发挥BP神经网络算法对于历史数据学习效率高的优势，同时吸纳遗传算法能够充分提高估计方法对变化情况的适应性、使得估计结果达到全局最优的优点，另外为了避免各种单独算法可能出现的局部过大偏差，在改进上述三种方法的基础上，综合利用历史估计偏差和当前估计偏差，采用贝叶斯公式修正并动态更新权重，进一步将以上三种改进方法得到的动态转向比例估计值进行加权组合，得到能够实时应用的基于贝叶斯加权的路口动态转向比例组合估计方法，对于优化路口动态转向比例估计结果具有重要意义。

发明内容

为了综合吸收改进卡尔曼滤波、改进BP神经网络、遗传算法三种方法的优点，克服其缺点，本发明提供一种基于贝叶斯加权的路口动态转向比例组合估计方法，主要步骤如下：

步骤1：在路口进出口道运行路段流量检测器，检测得到时间间隔k内的进出口道交通流量，即Q_i(k)，i＝1，2，…，r表示时段k自进口道i流入路口的流量，Y_j(k)，j＝1，2，…，s表示时段k自出口道j流出路口的流量；

步骤2：定义路口的动态转向比例B_ij(k)为状态变量，以检测得到的路口进出口道流量为已知量，在远端计算机中运行改进的顺序卡尔曼滤波算法、改进的BP神经网络算法和遗传算法程序，求解三种子算法各自计算得到的动态转向比例估计值；

步骤3：引入历史数据，以三种子算法动态转向比例的历史估计值与历史真实值的偏差作为历史偏差，同时以当天前5个时段三种子算法的估计值与贝叶斯加权修正值的平均偏差作为当前偏差；

步骤4：在远端计算机中运行贝叶斯加权程序，综合应用历史偏差和当前偏差标定三种子算法的权重，将三种子算法的估计结果加权，得到当前时段的贝叶斯加权修正值；

步骤5：将当前时段三种子算法估计结果与步骤4得到的当前时段的贝叶斯加权修正值的偏差作为当前时段偏差存入当前偏差数据库，返回步骤1进行下一时段动态转向比例的估计，直至全天各时段动态转向比例估计结束，更新历史偏差数据，并进行下一天各时段动态转向比例的计算。

为满足实时在线系统估计精度高、收敛速度快的要求，所述第1子算法采用基于改进卡尔曼滤波的估计算法，来求解路口动态转向比例：

考虑有r个进口道、s个出口道的路口，在不存在转向限制的情况下，引入动态转向比例B_ij(k)作为状态变量；