[发明专利]一种城市道路交通拥堵多原因自动实时识别方法及系统

权利要求书

1.一种城市道路交通拥堵多原因自动实时识别方法，其特征在于，所述识别方法包括如下步骤：

步骤101，采集获取研究区域范围内的城市道路历史上交通状态的n个可观测数据作为输入，m种交通拥堵原因作为输出，其中，每个历史时刻的n个可观测数据和m种交通拥堵原因作为一条历史记录，建立包含p条历史记录的训练样本数据集；n个可观测数据包括预测路段上游的路段的第一车道车流量、预测路段上游的路段的第二车道车流量、预测路段的第一车道车流量、预测路段的第二车道车流量、预测路段下游的路段的第一车道车流量、预测路段下游的路段的第二车道车流量、预测路段上游的路段的人行横道流量、预测路段的人行横道流量、预测路段下游的路段的人行横道流量、预测路段上游的路段的交汇路的过街车流量、预测路段的交汇路的过街车流量、预测路段的左转流入车流量、预测路段的右转流入车流量、预测路段的直行流入车流量、预测路段的左转流出车流量、预测路段的直行流出车流量、预测路段上游的路段的停车让行次数、预测路段的停车让行次数、预测路段下游的路段的停车让行次数、预测路段下游的路段的左转车流二次排队、预测路段下游的路段的直行车流二次排队、预测路段上游的路段的两车道流量差、预测路段的两车道流量差、预测路段下游的路段的两车道流量差；m种交通拥堵原因包括行人影响、过街车流影响、车流高峰、信号配时不合理以及停车占道；

步骤102，通过对所述训练样本数据集中的可观测数据和交通拥堵原因进行分析，确定每种交通拥堵原因与多个可观测数据间的因果关系，构建用于城市道路交通拥堵多原因自动实时识别的因果贝叶斯网络的结构；

步骤103，利用所述包含p条历史记录的训练样本数据集，采用K折交叉法对所述因果贝叶斯网络的参数进行训练和测试，获得训练后的因果贝叶斯网络，具体包括：

步骤103-1，将所述包含p条历史记录的训练样本数据集随机平均划分成K等分，得到K个样本数据子集，每个子集均包含p/K条历史记录，设置j＝1；

步骤103-2，将第j个样本数据子集设置为测试样本集，将K个样本数据子集中除第j个样本数据子集之外的其余K-1个样本数据子集设置为训练样本集；

步骤103-3，利用所述训练样本集，采用极大似然估计算法训练所述因果贝叶斯网络的参数，得到训练后的因果贝叶斯网络；

步骤103-4，利用所述测试样本集对所述训练后的因果贝叶斯网络进行测试，计算训练后的因果贝叶斯网络预测多拥堵原因的准确率，作为本次交叉验证的准确率；

步骤103-5，判断j的数值是否小于等于K，得到第一判断结果；

步骤103-6，若所述第一判断结果为“是”，则令j的数值增加1，返回步骤103-2；

步骤103-7，若所述第一判断结果为“否”，则输出训练后的因果贝叶斯网络，计算每次交叉验证的准确率的平均值，得到准确率平均值；

步骤103-8，判断所述准确率平均值是否达到准确率阈值，得到第二判断结果；

步骤103-9，若所述第二判断结果表示否，则令j的数值等于1，返回步骤103-2；

步骤103-10，若所述第二判断结果表示是，则输出训练后的因果贝叶斯网络结构；

步骤104，当前拥堵发生时，将获取的研究区域范围内的城市道路当前交通状态的n个可观测数据，输入训练后的因果贝叶斯网络，因果贝叶斯网络的输出即为识别的当前拥堵的多原因。