一种基于耦合隐马尔可夫模型的城市道路异常交通流检测方法

摘要

本发明公开了一种基于耦合隐马尔可夫模型的城市道路异常交通流检测方法，是从大规模车辆GPS轨迹数据中检测出异常交通流的方法，该方法分为异常交通流建模和在线实时检测两部分内容。通过异常交通流建模获得与道路交通流状态和交通流量之间概率关系、以及与道路状态之间相互影响的概率关系。在在线实时检测过程中结合异常交通流建模参数计算实时车辆GPS轨迹数据的流量似然度，当似然度低于给定阈值时，认为发生了异常。本发明使用基于CHMM模型来检测车辆GPS轨迹数据中的异常交通流，能够充分利用道路的拓扑信息；本发明针对道路交通特点，在CHMM模型中引入了线性耦合系数，能够在时间、空间上都十分高效的检测出道路上的异常交通流。

主权项

一种基于耦合隐马尔可夫模型的城市道路异常交通流检测方法，所述交通流是指交通管理部门的中心计算机中的道路交通信息；依据车辆GPS轨迹数据进行异常交通流建模和在线实时检测两部分内容；其特征在于：异常交通流建模的步骤有：步骤一：时间段划分；从提取交通流量的开始时间至结束时间记为总时间T，当使用长度为τ的单位时间对所述的T进行等长划分称为时间段，即T＝{t₁,t₂,…,t_j‑1,t_j,t_j+1,…,t_l}，j,l表示时间段的标识号，t₁表示第一个时间段，t₂表示第二个时间段，t_j‑1表示时间段t_j的前一个时间段，t_j表示当前一个时间段，也称为任意一个时间段，t_j+1表示时间段t_j的后一个时间段，t_l表示最后一个时间段；步骤二：统计各个时间段下各个道路的交通流量；对于任意一时间段t_j，任意一道路Road_M拥有一个状态变量和一个观察变量所述观察变量是指道路Road_M在时间段t_j里统计得到的交通流量，而交通流量是行驶于道路Road_M上的车辆数目；对于任意一道路Road_M在总时间T的所有观察变量记为对于所有道路在总时间T的所有观察变量记为步骤三：进行道路交通流状态和交通流量之间概率关系的获取；在步骤三中，分别记先后两次迭代计算得到的状态‑流量似然值为lh_bm_old和lh_bm_new；在步骤三中，设置状态‑流量阈值为ε‑BM，且ε‑BM＞0；所述的ε‑BM是用来衡量lh_bm_old和lh_bm_new之间的差别是否为足够小；步骤301：初始化状态‑平均流量通过任意道路Road_M在总时间T内的车辆GPS轨迹数据中统计得出的最大流量最小流量然后采用得到初始化的状态‑平均流量执行步骤302；任意一个状态的标识记为State_N；步骤302：初始化状态先验概率任意道路Road_M处于状态State_N下的初始化状态先验概率为执行步骤303；步骤303：依据状态‑平均流量与观察变量计算，得到状态‑观测概率！表示阶乘运算，e为自然底数；执行步骤304；步骤304：依据状态先验概率和状态‑观测概率计算，得到道路交通流状态后验概率分布的充分统计量执行步骤305；步骤305：依据道路交通流状态后验概率分布的充分统计量和道路的流量计算，更新状态‑平均流量为执行步骤306；步骤306：依据道路交通流状态后验概率分布的充分统计量计算，更新状态先验概率为执行步骤307；步骤307：依据状态先验概率和状态‑观测概率计算，得到本次迭代的状态‑流量概率分布似然值若不是第一次执行步骤307，则执行步骤308；若是第一次执行步骤307，则执行步骤309；步骤308：若lh_bm_new‑lh_bm_old＜ε‑BM，则结束步骤三；若lh_bm_new‑lh_bm_old≥ε‑BM，执行步骤309；步骤309：依据本次迭代的状态‑流量概率似然值lh_bm_new更新上次迭代的状态‑流量概率似然值lh_bm_old；返回执行步骤303；步骤四：进行相邻道路交通流状态转移概率关系的获取；在步骤四中，分别记前后两次迭代计算得到的道路模型似然值为lh_cl_old和lh_cl_new；在步骤四中，设置道路模型阈值为ε‑CL，满足ε‑CL＞0；所述道路模型阈值ε‑CL用来衡量lh_cl_old和lh_cl_new之间的差别是否为足够小；步骤401：初始化状态转移概率；任意道路Road_M的任意一条相邻道路处于状态下并使得道路Road_M处于状态state_N的初始化状态转移概率为执行步骤402；步骤402：初始化线性耦合系数任意道路Road_M的所有相邻道路中，任意一相邻道路对道路Road_M的影响占有的初始化权重为执行步骤403；步骤403：依据状态‑平均流量与观察变量计算，得到状态‑观测概率其中！表示阶乘运算，e为自然底数；执行步骤404；步骤404：依据任意道路Road_M在t₁时段的状态‑观测概率及状态先验概率计算，得到初始状态分布执行步骤405；步骤405：依据任意道路Road_M在t₁时段的状态‑观测概率及初始状态分布计算，得到任意道路Road_M在t₁时段的联合概率变量执行步骤406；步骤406：设置当前的时间段标号j＝1，执行步骤407；步骤407：依据任意道路Road_M在t_j时段的联合概率变量计算，得到任意道路Road_M在t_j时段的流量概率变量执行步骤408；步骤408：依据任意道路Road_M在t_j时段的联合概率变量及流量概率变量计算，得到任意道路Road_M在t_j时段的前向概率变量执行步骤409；步骤409：若当前时间段标号j＜l，则执行步骤410；若当前时间标号j＝l，则执行步骤412；步骤410：对于任意道路Road_M和其任意一条相邻道路依据线性耦合系数在t_j时段的前向概率变量状态转移概率以及在t_j+1时段的状态‑观测概率计算，得到道路Road_M在t_j+1时段的联合概率变量执行步骤411；步骤411：将当前时间标号j增加1，执行步骤407；步骤412：对于任意道路Road_M及任意状态State_N，初始化任意道路Road_M在时间段T下的后向概率变量为执行步骤413；步骤413：设置当前时间段标号为j＝l；执行步骤414；步骤414：若当前时间段标号j＞1，则将当前时间段标号减一(j‑1),并执行步骤415；否则，若当前时间段标号j＝1，执行步骤416；步骤415：对于任意道路Road_M和其任意一条相邻道路依据线性耦合系数状态转移概率以及在t_j+1时段的状态‑观测概率流量概率变量计算，得到道路Road_M在当前时间段的后验概率变量为；执行步骤412；步骤416：对于任意道路Road_M和其任意一条相邻道路依据状态转移概率线性耦合系数前向概率变量后向概率变量相邻道路的流量概率变量道路的流量概率变量状态‑观测概率计算，得到状态转移后验概率执行步骤417；步骤417：更新状态转移概率对于任意道路Road_M和其任意一条相邻道路依据状态转移后验概率计算，得到更新的状态转移概率执行步骤418；步骤418：更新线性耦合系数对于任意道路Road_M和其任意一条相邻道路依据更新的状态转移概率计算，得到更新的线性耦合系数执行步骤419；步骤419：依据任意时段tj的流量概率变量计算，得到本次迭代的道路模型似然值若不是第一次执行步骤419，则执行步骤420；若是第一次执行步骤419，则执行步骤421；步骤420：若lh_cl_new‑lh_cl_old＜ε‑CL，则结束步骤四；否则，若lh_cl_new‑lh_cl_old≥ε‑CL，则执行步骤421；步骤421：依据本次迭代计算得出的道路模型似然值lh_cl_new更新上次迭代计算得出的道路模型似然值lh_cl_old；返回执行步骤404；异常交通流实时检测的步骤有：设置了异常程度阈值记为ε‑OT，且满足0≤ε‑OT≤1；步骤A：若当前时段标号为j＝1，执行步骤B；否则，若当前时间段标号为j＞1，执行步骤D；步骤B：依据任意道路Road_M在t₁时段的状态‑观测概率及状态先验概率计算，得到初始状态分布执行步骤C；步骤C：依据任意道路Road_M在t₁时段的状态‑观测概率及初始状态分布计算，得到任意道路Road_M在t₁时段的联合概率变量执行步骤E；步骤D：对于任意道路Road_M和其任意一条相邻道路依据线性耦合系数在t_j‑1时段的前向概率变量状态转移概率以及在t_j时段的状态‑观测概率计算，得到道路Road_M在t_j时段的联合概率变量执行步骤E；步骤E：依据任意道路Road_M在t_j时段的联合概率变量计算，得到任意道路Road_M在t_j时段的流量概率变量执行步骤F；步骤F：依据任意道路Road_M在t_j时段的联合概率变量及流量概率变量计算，得到任意道路Road_M在t_j时段的前向概率变量执行步骤G；步骤G：依据线性耦合系数状态转移概率以及当前时段t_j的前向概率变量计算，得到状态后验概率执行步骤H；步骤H：对于任意道路Road_M，依据道路Road_M的状态‑平均流量和当前时段t_j的实际流量状态后验概率计算，得到交通流异常程度其中！表示阶乘运算，e为自然底数；执行步骤I；步骤I：对于任意道路Road_M，若其在当前时段t_j下的交通流异常程度则判定道路Road_M在时段t_j的交通流为异常交通流；若道路Road_M在当前时段t_j下的交通流异常程度则判定道路Road_M在时段t_j的交通流为正常交通流，结束异常交通流实时检测。