基于隐马尔科夫模型的短时交通流状态预测方法

摘要

本发明涉及智能交通系统领域，尤其是涉及利用路段的参数值序列对短时交通流状态进行预测。一种基于隐马尔科夫模型短时交通流状态预测方法，包括以下步骤：对采集的数据进行处理和统计，通过设定预测窗口，对预测窗口起始时刻测得值以及预测窗口内参数平均值和序列对比度离散化，构成隐马尔科夫模型的隐状态和观察状态集合，然后利用Baum-Welch算法结合训练数据对模型参数进行学。最后，对于一定的预测窗口，在已知观察状态序列的基础上，利用Viterbi算法求得最优的隐状态序列，则最优隐状态序列的最后的状态即为预测状态。本发明方法可以对未来短时的交通状态进行预测，是一种有效的短时交通状态预测方法。

主权项

1.一种基于隐马尔科夫模型的短时交通流状态预测方法，其特征在于：包括如下步骤：（1）、确定隐马尔科夫模型的隐状态集合和观察状态集合，具体如下：I、以采集周期δ对通过某路段横截面的某一交通流状态参数进行采集，得到对应于该参数在已检测时段内的以采集周期δ为间隔的数据序列；Ⅱ、设定固定的时段长度作为预测窗口Φ，即短时预测时长，所述预测窗口Φ是采集周期δ的整数倍，因此预测窗口Φ内含有Φ/δ个某一交通流状态参数值组成的数据序列；设定转移窗口Δ，表示预测窗口Φ以转移窗口Δ为单位在时间轴上依次向后滑动转移，所述转移窗口Δ是采集周期δ的整数倍，范围为δ≤Δ≤Φ；据此确定在已检测时段内预测窗口Φ的数量；利用灰度联合共生矩阵C，确定每个预测窗口Φ内数据序列的对比度CON；如下：灰度联合共生矩阵C中的元素c_ij表示数据点的强度值为i及其相邻的数据点的强度值为j这样的数据组合出现的频率，即则$\mathrm{CON}={\Sigma }_{i,j}|j-i|(j-i)c_{\mathrm{ij}};$每个预测窗口Φ均对应有一个参数平均值每个预测窗口Φ内的起始时刻参数值θ_t作为观察值，则所有观察值构成观察值序列O={O₁,O₂,...,O_T}；Ⅲ、统计所有观察值的变化范围，根据统计结果，将观察值的变化范围进行离散化为M个区间，同时得到对应于区间的等级，即将所有观察值离散化为M级，设定等级即为观察状态o_i(i=1,2,...,M)，得到观察状态集合O={o₁,o₂,...,o_M}；同理，统计预测窗口Φ内的参数平均值和对比度CON的变化范围，根据统计结果，将参数平均值和对比度CON分别进行离散化为m个和n个区间，同时得到对应于区间的等级，即将参数平均值离散化为m级、对比度CON离散化为n级，则利用参数平均值和对比度CON的等级的二维全因子联合描述隐状态就是m×n个，得到隐状态集合S={s₁,s₂,...,s_N}，N=m×n；（2）、在确定了隐马尔科夫模型的隐状态集合和观察状态集合之后，对隐马尔科夫模型进行训练，得到适于交通流的隐马尔科夫模型$\bar{\lambda }=(\bar{\Pi },\bar{A},\bar{B}),$具体如下：首先利用随机赋值对隐马尔科夫模型参数进行初始化，得到了隐马尔科夫初始化模型λ_initial=(Π,A,B)，根据λ_initial=(Π,A,B)和已知的观察值序列O={O₁,O₂,...,O_T}，利用隐马尔科夫重估公式迭代得到新的隐马尔科夫模型可以证明对重估过程继续迭代直到收敛，此时的即为所求的适于交通流的隐马尔科夫模型$\bar{\lambda }=(\bar{\Pi },\bar{A},\bar{B});$（3）、在给定的适用于交通流的隐马尔科夫模型和观察值序列的基础上，利用Viterbi算法求得与观察值序列对应的最优隐状态序列，则隐状态序列中的最后状态即为已检测时段后的所预测的交通流状态，并依次推移进行短时交通流状态预测。