[发明专利]基于隐语义模型的交通信号优化方法

说明书

技术领域

本发明涉及交通信号控制、信息处理和数据挖掘等技术领域，更具体地，涉及一种基于隐语义模型的交通信号优化方法。

背景技术

城市机动车保有量的不断增长，导致很多城市问题，如交通拥堵、环境污染、交通事故等。单纯依赖于增建交通基础设施，如扩张道路等，既耗财较大，又需面对楼房拆迁和城市已有规划等现实问题。交通信号控制已在实践中被证明是一种有效的缓解交通问题的方式，主要通过给各种复杂多变的路况提供实时的配时方案来实现。理论研究上的交通信号控制，试图分析实际交通环境中的各种可能影响交通状况的因素，通过理想化或假设性建模，用数学语言描述尽可能贴近实际的交通环境，进一步预测下一时段的路况，以提前配置出合适的红绿灯配时方案，以尽可能的减轻交通拥堵。基于理论研究，目前的交通信号控制策略可大致分为定时控制、感应控制、智能控制等；但受限于实际交通环境的复杂性和随机性等，实际应用中以初级的定时控制策略为主。而导致其复杂性、随机性等的主要因素，就是实际交通环境中有大量的不确定性因素，这些因素难以用数学语言准确建模、甚至有相当一部分不确定因素无法建模，这就导致理论上的理想化假设在实际应用中无法达到令人满意的程度。

推荐系统目前主要应用在电子商务、电影网站、音乐网站、视频网站、广告等领域；个性化推荐系统通过建立用户与信息产品之间的二元关系，利用已有的选择过程或相似性关系挖掘每个用户潜在感兴趣的对象，进而进行个性化推荐。而隐语义模型(Latent Factor Model)是近几年在推荐系统领域最为热门的研究话题，它的核心思想是通过隐含特征(latent factor)联系用户兴趣和物品；隐语义模型取得很好的效果并被广泛应用，其主要原因是它能较好的处理用户兴趣与物品之间相互影响的很多不确定性因素，即隐含特征。隐语义模型试图通过分析用户对物品的评分，将用户和物品都映射到一个隐语义空间；物品和用户均由一个向量表示，向量元素即为各种不确定性因素。例如，以电影为例，有些因素是显性的，如喜剧片、动作片、惊悚片等，有些因素是很难定义明确的，如道德深度、诡异程度等等，还有很多因素根本就无法解释，但这些因素都是影响用户对电影的喜好程度，对用户与电影之间的相互影响起着关键性的作用。用户喜好这些元素的程度越高，且电影拥有这些元素的程度越高，则用户越容易喜欢这些电影。隐语义模型，从机器学习和数据挖掘的角度，很好的处理了用户与物品之间的难以用数学精确建模的不确定性因素，很好的建立起了用户与物品的最佳匹配的连接。

随着检测技术的日益成熟，交通中的数据量也与日俱增，使得在交通中应用机器学习和数据挖掘技术成为可能；且交通中也存在一些指标可以反映交通状态对交通信号的“喜好程度”，如交通状态在对应交通信号配时方案下的延时、流量等。如何将隐语义模型无缝连接的应用到交通信号推荐中，处理好复杂交通环境中难以建模但又对实际交通状况有影响的不确定性因素，是一个极大的挑战和极具意义的研究点。

发明内容

针对当前实际交通环境中存在大量难以用数学精确建模、甚至根本无法建模的不确定因素，以及这些因素造成理论研究成果和实际应用之间的差距问题，本发明的目的是提供一种基于隐语义模型的交通信号优化方法，以解决理论成果和实际应用的无缝连接问题。

为了实现上述目的，本发明提出了一种基于隐语义模型的交通信号优化方法，包括以下步骤：

选定相关交通指标，为评分建模；

为基本交通状态和配时方案建模；

结合实际交通情况，考虑交通状态和配时方案本身特性，进一步细化精确所述评分预测模型；

利用数据库的数据和优化方法，从机器学习的角度训练所述评分预测模型的参数，以得到交通状态对配时方案的评分预测公式参数；

利用得到的所述评分预测公式参数，结合所述评分预测模型，预测交通状态对未使用过的配时方案的评分；

对比得到的所述最佳配时方案和该交通状态历史使用过的配时方案，得出最终最优配时方案。

其中，所述数据库的数据采集既可以通过技术采集，也可以通过交管局获取；以及所述数据库中的配时方案既可以通过采集得到，又可以由经典算法生成。

其中，作为评分的交通指标，选取延时作为评分。

其中，所述为基本交通状态和配时方案建模的步骤包括：将交通状态和配时方案以向量的形式映射到隐语义空间，用数学语言表述为：

q_t∈R^f，p_s∈R^f，