[发明专利]一种基于稀疏轨迹点数据的细粒度旅行时间分配方法

摘要

本发明涉及一种基于稀疏轨迹点数据的细粒度旅行时间分配方法，属于城市智能交通技术领域。本发明以细粒度的方式进行旅行时间分配，分析相邻交通信号间的延迟模式，再依据相邻路段之间的延迟依赖条件，对其状态转移概率进行建模，将一个交通信号周期内不同车辆等待红灯时间的差异区分开来，从而提高配时结果的精确度；针对细粒度旅行时间分配过程中，车辆在一个路段或一个子路段旅行时间及交通信号周期不容易直接得到的问题，提出了一个新隐马尔可夫模型，使得相邻路段间的延迟模式由路段间的状态转移概率决定，再用条件迭代模型来计算出隐马尔可夫模型的参数。本发明实现了细粒度旅行时间分配，从而有效提高了配时结果的精确度与正确性。

主权项

1.一种基于稀疏轨迹点数据的细粒度旅行时间分配方法，其特征在于：以细粒度的方式进行旅行时间分配，其核心思想为：分析相邻交通信号间的延迟模式，并基于延迟模式中相邻路段之间的延迟依赖条件，对相邻路段之间的状态转移概率进行建模，将一个交通信号周期内不同车辆等待红灯时间的差异区分开来，从而提高配时结果的精确度；针对细粒度旅行时间分配过程中，车辆在一个路段或是一个子路段上的旅行时间及交通信号周期也不容易直接得到的问题，即为了解决间接观察值的问题，提出了一个新隐马尔可夫模型，使得相邻路段间的延迟模式由路段间的状态转移概率决定，再用条件迭代模型来计算出隐马尔可夫模型的参数，包括以下步骤：步骤1:定义稀疏轨迹点数据集和旅行时间分配结果数据集，具体为：1.1定义稀疏轨迹点数据集：所述的稀疏轨迹点数据集定义为{X(i),1≤i≤U}；其中，i的变化范围是1到U，U为大于1的整数；1.2定义旅行时间分配结果数据集：所述的旅行时间分配结果数据集定义为{Y(i),1≤i≤U}；步骤2:定义隐马尔可夫模型变量和隐马尔可夫模型参数；其中，隐马尔可夫模型，即描述一个含有隐含未知参数的马尔可夫过程的模型，Hidden Markov Model缩写为HMM；步骤2定义的HMM变量为Oij和Si；其中，Oij代表子路段旅行时间，具体表示第i个路段上的第j个子路段上分配的旅行时间；Si代表路段隐藏状态，具体表示车辆在第i个路段上等待红灯的个数；下标i代表路段编号；步骤2所定义的隐马尔可夫模型参数，即HMM参数为以及π；其中，代表子路段上的旅行时间分布，其中，x₁代表子路段起始位置，具体表示子路段的起始点与所在路段i起点之间的距离；x₂代表子路段结束位置，具体表示子路段的终点与所在路段i起点之间的距离；S_i代表路段i的隐藏状态；在路段i的隐藏状态S_i已知的情况下，子路段上的旅行时间、子路段起始位置x₁和子路段结束位置x₂这三个变量服从于一个高斯正态分布其中，子路段上的旅行时间分布是一个概率密度函数；代表路段状态转移概率，具体表示第i‑1个路段的隐藏状态S_i‑1与第i个路段的隐藏状态S_i之间的状态转移概率，其中，路段i的隐藏状态S_i取决于它前一个路段i‑1的隐藏状态S_i‑1，我们用一阶马尔可夫性质假设对相邻路段i和i‑1之间的状态转移概率进行建模，因此，对于每个路段i,都有其特定的矩阵；π代表路段初始状态分布，具体表示第1个路段的初始状态的多重分布，其中，π是一个k维向量，用来对初始路段l1的多个状态的多重分布进行参数化设置；步骤3:确定步骤2中HMM参数的初始值，推导出HMM变量的初始值；其中，HMM参数，具体为和π；HMM变量，具体为O_ij、S_i；3.1确定HMM参数的初始值，具体为:3.1.1对大量浮动车GPS采样数据进行数据分析，得到在特定的路段i上的旅行时间观察值集合{t(i),1≤i≤V}；其中，i的变化范围是1到V，V为大于1的整数；该旅行时间观察值集合服从一个高斯混合模型，并且，波峰会周期性地出现，这个周期恰好与红灯信号周期吻合，用一组高斯分布来表示该高斯混合模型；j的变化范围是0到K，K为大于1的整数；其中，d代表红灯信号周期，即是高斯混合模型中波峰出现的周期，在一般情况下，不同等级道路的红灯信号周期也各不相同，宽阔道路的红灯信号周期通常比狭窄道路的更大，由于道路等级不同，所以d的取值也不尽相同；将该组高斯分布中对应着的道路隐藏状态S_i的个数记为K+1；观测数据t⁽ⁱ⁾可以由高斯混合模型产生，具体为：依概率从高斯混合模型的多项分布中选择一个高斯分布分模型，再依此分模型的概率分布生成观测数据t⁽ⁱ⁾；3.1.2运用EM算法，即期望最大化算法，估计高斯混合模型的参数{μ0,d,φ,σ}；其中，μ0代表高斯混合模型的均值，d代表高斯混合模型中波峰出现的周期，φ代表高斯分布分模型，σ代表高斯混合模型的方差；其中，需要确定该高斯混合模型的对数似然函数，其计算公式为公式(1)：其中，EM算法，包括E步和M步，具体为：E步：计算在当前模型参数下观测数据t⁽ⁱ⁾来自第j个分模型的概率即计算分模型j对观测数据t⁽ⁱ⁾的响应度其中，计算公式为公式(2)：M步：计算新一轮迭代的模型参数；即根据Jensen不等式，用梯度下降算法，求函数的极大值，从而得到一组最优的参数；其中，具体为公式(3)：其中，模型参数d的梯度值，记为计算公式为公式(4)：其中，模型参数σ_j的梯度值，记为计算公式为公式(5)：其中，模型参数μ₀的梯度值，记为计算公式为公式(6)：其中，高斯分布分模型φ更新公式为公式(7)：重复进行算法的E步和M步，直至公式(1)的函数值收敛，即直至对数似然函数值不再有明显的变化为止；3.1.3基于已知路段在每个状态下旅行时间分布的均值μ、方差σ²计算出在每个状态下子路段上的旅行时间分布在交通理论中，路段上任意位置处的车辆密度满足饱和线性函数；受此理论启发，由于每单位距离长度的旅行时间与道路车辆密度成正比例，定义了一个形似车辆密度线性函数的旅行时间分配概率密度函数f(x)；又因为子路段上的旅行时间也服从高斯正态分布，其中，子路段是指从x1到x2；所以得到每个状态下子路段上的旅行时间分布，其计算公式为(8)：至此，便可确定子路段上的旅行时间分布的初始值；3.2确定HMM参数的初始值，具体为：根据已知的路段i‑1和路段i在每个路段隐藏状态下旅行时间的均值、方差，对大量车辆在路段i‑1、路段i上的旅行时间观察值进行归类统计，从而分别得出车辆在路段i‑1和路段i上的隐藏状态，从而得到路段i‑1和路段i之间的状态转移概率矩阵由此，可以确定参数的初始值；3.3确定HMM参数π的初始值，具体为：根据已知的路段i在每个状态下旅行时间的均值、方差，对大量车辆在路段i上的旅行时间观察值进行归类统计，得到在特定的路段i上的旅行时间观察值集合{t⁽ⁱ⁾,1≤i≤V}，该旅行时间观察值集合服从一个高斯混合模型，用一组高斯分布来表示该高斯混合模型，从该高斯混合模型中可以得出某一车辆在路段i上属于哪一类隐藏状态，从而得到路段i上车辆属于各种隐藏状态的概率矩阵，即确定了参数π的初始值；其中，参数π是一个k维向量，其中，k是指路段i隐藏状态的类别总数；3.4推导出变量Oij、变量Si的初始值，具体为：根据已经确定的HMM参数π的初始值，用极大似然估计法，找到一组HMM变量{O_ij,S_i}的值，可以让概率似然函数的值达到最大；其中，概率似然函数的计算公式为公式(9)：步骤4:根据步骤3确定的HMM变量的值，更新HMM参数的值；步骤5:根据步骤4更新的HMM参数的值，更新HMM变量的值；步骤6:重复进行步骤4和步骤5，直至HMM变量的值不再更新；步骤7:根据子路段旅行时间变量值，计算得出不同路段的旅行时间分配结果数据集；至此，从步骤1到步骤7，完成了一种基于稀疏轨迹点数据的细粒度旅行时间分配方法。