[发明专利]基于马尔可夫链模型的交通因子网络构建方法

说明书

在本文中提出了一种基于马尔可夫链模型的交通因子网络构建方法。该方法将捕获的速度，流量数据作为系统因子，通过高阶多元马尔可夫链建交通因子网络来模拟交通网络中固有的复杂空间和时间关系。通过在模型构建中应用交通领域知识，考虑交通数据之间的内在联系，对交通因子数值进行聚类分析。通过基于EM算法的高斯混合分布模型对历史数据的反向学习，对大量的交通流参数数据进行聚类分析，不同的交通参数聚类对应了实际交通系统中的不同交通状态，即环境影响因子等级。在此基础上通过高阶多元构建了交通因子状态网络，从而可以实现更为精准的数据预测和校正。

技术领域

本发明涉及领域为机器学习和交通大数据分析，具体为一种基于马尔可夫链Markov Chain模型的交通因子网络构建方法，特别是针对当前交通大数据分析的一种新的理论模型。

背景技术

在目前交通领域诸多的研究中，对交通参数进行预测估计，交通数据的校正纠错以及整个交通系统的演变是热点性问题，并取得了长足的进展。但也存在着一些问题，如在对交通数据进行分析时，往往只考虑了单一化交通参数在时间序列上的影响，忽略了多元化交通参数之间的内在联系。再如笼统地将一个时间段内的交通数据归纳的同一交通模型中，从而忽略了不同时间段，或不同交通参数数据组合所对应的不同交通模型。

因此，通过以前的研究表明，交通可以从系统的角度进行理解，这意味着所有交通因子共同构成一个系统。交通因子包括速度，流量，密度，路况，天气等交通参数，能够以时间序列的形式表示连续或离散的状态变量。状态变量或因子可以以一定的概率彼此交互。这意味着交通系统可以表示为状态因素和状态转移概率的集合。

发明内容

在本项研究中，马尔可夫链用于建模交通因子状态网络。在交通因子状态网络中，考虑诸如流量和速度的交通状态参数，以及通过系统交通状态参数估计得出的环境影响因子，将一个整体的交通因子状态网络分成诸多小型交通因子状态网络。

在交通因子状态网络中，不同时刻下的不同类型交通因子相互影响，构成一种内在联系。可以认为，同一时刻下的不同交通因子参数值组合对应了不同环境影响因子，暗示了整个交通系统的不同状态等级。本文是针对交通速度的预测和校正，因此在考虑对同一时刻下交通因子进行聚类同时，将下一时刻的速度因子列入影响因素，对整个系统的交通因子聚类有着良好的改善。在今后的研究中，可以将更多的交通因子列入聚类对象，从而让整个系统的交通因子网络更为精细。

在各个交通因子状态网络中，速度或是流量可以分成小间隔，每个速度间隔代表一个状态，各个交通因子的状态之间均存在转移概率。马尔可夫链是研究状态转换和构建状态转换矩阵的合适工具。在这项工作中，我们允许当前时刻交通速度受前一时间步长中的多个因素影响，包括速度，流量及环境影响因子。为此，我们应用多元马尔可夫链模型，以便对交通状态的时间演变进行建模并预测速度。

1、一种基于Markov Chain模型的交通因子网络构建方法，包括以下步骤：

步骤一，选定需要进行交通流预测分析的目标路段，获取所选路段中所有的交通流量历史数据；

步骤二，通过EM算法对所采集的交通流数据进行聚类；

步骤三，结合路段实际交通状况，验证所聚类的交通流数据是否具有周期性；

步骤四，利用高阶多元Markov模型对历史数据集进行建模，得到交通因子的转移概率矩阵；

步骤五，将EM算法模型聚类后的数据代入高阶多元Markov模型，得到最终的预测结果；

步骤六：将历史数据集与最终的预测数据进行比较，并分析误差。

2、所述的路段交通流历史数据是指数据采集日期，时间，路段的交通流速度值以及交通流量值，步骤二中所述的聚类数据时段间隔为5分钟，具体过程如下：