国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種基于貝葉斯網(wǎng)絡(luò)模型的公交環(huán)境動(dòng)態(tài)變化預(yù)報(bào)方法

      文檔序號(hào):6630235閱讀:333來(lái)源:國(guó)知局
      一種基于貝葉斯網(wǎng)絡(luò)模型的公交環(huán)境動(dòng)態(tài)變化預(yù)報(bào)方法
      【專利摘要】本發(fā)明涉及一種基于貝葉斯網(wǎng)絡(luò)模型的公交環(huán)境動(dòng)態(tài)變化預(yù)報(bào)方法,包括以下步驟:篩選影響公交客流波動(dòng)或行駛時(shí)間變化的眾多因素;將這些外部環(huán)境隨機(jī)干擾條件和客流或行駛時(shí)間決策變量抽象為貝葉斯網(wǎng)絡(luò)的結(jié)點(diǎn),確定結(jié)點(diǎn)集合及其取值范圍,對(duì)它們的歷史信息數(shù)據(jù)集進(jìn)行離散化處理;分析外部環(huán)境干擾輸入節(jié)點(diǎn)和客流或行駛時(shí)間決策節(jié)點(diǎn)之間影響關(guān)系,建立公交動(dòng)態(tài)環(huán)境預(yù)報(bào)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)圖;確定條件和決策節(jié)點(diǎn)之間的條件概率表;計(jì)算某種公交客流或行駛時(shí)間發(fā)生時(shí)的后驗(yàn)概率,從而實(shí)現(xiàn)預(yù)報(bào)公交環(huán)境動(dòng)態(tài)變化。本發(fā)明結(jié)合車聯(lián)網(wǎng)環(huán)境下的交通事件檢測(cè),實(shí)現(xiàn)動(dòng)態(tài)預(yù)報(bào)客流時(shí)空變化的功能,為公交日常運(yùn)營(yíng)管理提供數(shù)據(jù)支撐。
      【專利說(shuō)明】-種基于貝葉斯網(wǎng)絡(luò)模型的公交環(huán)境動(dòng)態(tài)變化預(yù)報(bào)方法

      【技術(shù)領(lǐng)域】
      [0001]本發(fā)明涉及公交信息化【技術(shù)領(lǐng)域】,具體地說(shuō)是一種基于貝葉斯網(wǎng)絡(luò)模型的公交環(huán) 境動(dòng)態(tài)變化預(yù)報(bào)方法。

      【背景技術(shù)】
      [0002] 公交客流和行駛時(shí)間是公交運(yùn)營(yíng)計(jì)劃編制的數(shù)據(jù)基礎(chǔ),當(dāng)現(xiàn)實(shí)中的隨機(jī)因素千擾 致使公交客流或行駛時(shí)間變化時(shí),這引起公交運(yùn)力和運(yùn)量失衡,從而公交調(diào)度方案失效。因 此,預(yù)警公交環(huán)境動(dòng)態(tài)變化,為公交動(dòng)態(tài)調(diào)度提供可靠、準(zhǔn)備的數(shù)據(jù)基礎(chǔ),極具有理論價(jià)值 和現(xiàn)實(shí)意義。
      [0003] 影響公交客流或行駛時(shí)間的影響因素眾多且異常復(fù)雜,如:天氣變化、交通擁堵、 大型活動(dòng)等,它們之間相互關(guān)聯(lián)。目前,眾多國(guó)內(nèi)外學(xué)者關(guān)注預(yù)測(cè)公交環(huán)境動(dòng)態(tài)變化,主要 研究思路有二: 一、將公交客流或行駛時(shí)間的預(yù)測(cè)過(guò)程看作一個(gè)系統(tǒng),關(guān)注外部因素對(duì)其影響,揭示它 們之間內(nèi)在關(guān)聯(lián)性。該方法的優(yōu)點(diǎn)是可以直接量化外部環(huán)境的變化和公交客流或行駛時(shí)間 之間表達(dá)式,并分析進(jìn)行靈敏性分析,但是對(duì)外部環(huán)境的數(shù)據(jù)可靠性要求較高,這進(jìn)一步限 制了該方法的推廣應(yīng)用。傳統(tǒng)的方法涉及線性回歸、結(jié)構(gòu)方程,現(xiàn)代的方法包括神經(jīng)網(wǎng)絡(luò)、 決策樹(shù)、決策支持向量機(jī)等。
      [0004] 二、把公交客流或行駛時(shí)間看作一個(gè)黑匣子,基于時(shí)間序列預(yù)測(cè)技術(shù),研究公交客 流或行駛時(shí)間隨時(shí)間變化的演化趨勢(shì)。該方法避免了上述方法需要大量外部環(huán)境影響因素 數(shù)據(jù),僅知道過(guò)去和現(xiàn)在的客流或行駛時(shí)間序列,雖然可以準(zhǔn)確地預(yù)測(cè)未來(lái)的演化趨勢(shì),但 是無(wú)法量化分析影響公交環(huán)境變化的原因。傳統(tǒng)的方法涉及指數(shù)平滑法、函數(shù)逼近、差分法 等,現(xiàn)代的方法包括神經(jīng)網(wǎng)絡(luò)、卡爾曼濾波等。
      [0005] 由上可知,現(xiàn)有研究辦法無(wú)法解決隨機(jī)千擾引起的公交環(huán)境動(dòng)態(tài)變化連鎖反應(yīng)過(guò) 程,應(yīng)該從整體出發(fā),揭示影響客流或行駛時(shí)間變化的影響因素如何發(fā)生,以及它們之間相 互引發(fā)、干涉、轉(zhuǎn)化和耦合等復(fù)雜關(guān)系,預(yù)測(cè)復(fù)雜交通環(huán)境變化情形下的公交客流或行駛時(shí) 間及其發(fā)生概率。
      [0006] 貝葉斯網(wǎng)絡(luò)是一種刻畫(huà)事物之間因果關(guān)系的概率圖模型,非常適合對(duì)突發(fā)事件的 發(fā)生及其引起的鏈?zhǔn)椒磻?yīng)過(guò)程進(jìn)行建模分析。基于此,本發(fā)明分析影響公交客流或行駛時(shí) 間的外部環(huán)境因素,將其輸入視為客流或行駛時(shí)間變化的原因,輸出是客流或行駛時(shí)間變 化的結(jié)果,控制輸入可以控制部分狀態(tài)的變化,據(jù)此構(gòu)建突發(fā)時(shí)間貝葉斯網(wǎng)絡(luò)中的各外部 環(huán)境條件節(jié)點(diǎn)輸入-因果關(guān)系狀態(tài)-客流或行駛時(shí)間決策節(jié)點(diǎn)輸出的三層拓?fù)渚W(wǎng)絡(luò)結(jié)構(gòu), 實(shí)現(xiàn)預(yù)測(cè)復(fù)雜交通環(huán)境變化情形下的公交客流或行駛時(shí)間及其發(fā)生概率,為公交動(dòng)態(tài)調(diào)度 提供可靠的數(shù)據(jù)基礎(chǔ)。


      【發(fā)明內(nèi)容】

      [0007] 本發(fā)明提供了一種基于貝葉斯網(wǎng)絡(luò)模型的公交環(huán)境動(dòng)態(tài)變化預(yù)報(bào)方法,在分析影 響公交客流或行駛時(shí)間變化的外部環(huán)境各種影響因素基礎(chǔ)上,結(jié)合實(shí)際的公交動(dòng)態(tài)數(shù)據(jù), 刻畫(huà)它們之間的因果關(guān)系,當(dāng)根據(jù)智能公交調(diào)度平臺(tái)檢測(cè)外部環(huán)境影響因素取值范圍時(shí), 利用概率推理各種復(fù)雜交通環(huán)境下的公交客流或行駛時(shí)間波動(dòng)值及其發(fā)生概率。本發(fā)明主 要用于根據(jù)公交外部動(dòng)態(tài)環(huán)境變化預(yù)警客流或行駛時(shí)間,為公交動(dòng)態(tài)調(diào)度提供數(shù)據(jù)支撐。
      [0008] 本發(fā)明方案是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的: 本發(fā)明提供一種基于貝葉斯網(wǎng)絡(luò)模型的公交環(huán)境動(dòng)態(tài)變化預(yù)報(bào)方法,包括:篩選影響 公交客流波動(dòng)或行駛時(shí)間波動(dòng)的眾多因素;公交環(huán)境變化參數(shù)歸一化、離散化和統(tǒng)計(jì)分析, 即確定各變量的取值范圍及先驗(yàn)概率分布;構(gòu)建公交環(huán)境動(dòng)態(tài)變化預(yù)報(bào)的貝葉斯網(wǎng)絡(luò)模 型;客流或行駛時(shí)間推理預(yù)測(cè)過(guò)程。
      [0009] 作為一種改進(jìn),篩選影響公交客流波動(dòng)或行駛時(shí)間波動(dòng)的眾多因素過(guò)程,包括: (1) 采用閱讀文獻(xiàn)、實(shí)地調(diào)研和專家座談等方式,確定所有可能影響公交客流波動(dòng)或行 駛時(shí)間波動(dòng)的眾多因素,共有《個(gè)候選指標(biāo),如:道路類型、路況、交通事故、大型活動(dòng)、交通 管制和天氣變化等; (2) 結(jié)合智能公交調(diào)度平臺(tái),在時(shí)刻|::獲取第j個(gè)影響因素噸,以及相關(guān)聯(lián)的客流或行 駛時(shí)間X,將《條數(shù)據(jù)記錄作為樣本£),匯總為條件矩陣滅=|||||和決策向量. = ($_)? ; ⑶根據(jù)最小二乘法,評(píng)估候選因素對(duì)的影響程度向量= ,若%為正,第j個(gè)影響因素與客流或行駛時(shí)間正相關(guān);否則負(fù)相關(guān)。顯然,\的絕對(duì)值越 大,該因素對(duì)其影響越大; (4)設(shè)定閥值對(duì)_V%e古,若| :% |> $,該因素決定客流或行駛時(shí)間,獲取η個(gè)條 件和1個(gè)決策變量Ζ?尤+1}。
      [0010] 作為進(jìn)一步改進(jìn),確定各條件和決策變量的取值范圍及先驗(yàn)概率分布,包括: (1) 對(duì)各個(gè)變量νχ e ,找到其取仉的上下限陽(yáng)(義)=]; (2) 對(duì)上述變量的,進(jìn)行_個(gè)等間隔離散化處理,獲取其特征取 值狀態(tài)空間為(?,...,<),其屮= + (3) 在樣本集D中,計(jì)算各變量取值狀態(tài)j的發(fā)生概率,以 及兩個(gè)變量間先驗(yàn)概率分布仏?樣才)/奪toi:〇^+1),其中表示事件 *在樣本集D出現(xiàn)的次數(shù)。
      [0011] 作為一種優(yōu)選,根據(jù)訓(xùn)練樣本集,構(gòu)建公交環(huán)境動(dòng)態(tài)變化預(yù)報(bào)的貝葉斯網(wǎng)絡(luò)模型, 包括: (1) 結(jié)構(gòu)學(xué)習(xí),利用條件獨(dú)立性檢驗(yàn)方法,若任意兩個(gè)結(jié)點(diǎn)屬和%之間相互依賴,存 在有向邊相連接歲(? / ii) # 0,構(gòu)建一個(gè)有向無(wú)環(huán)圖,建立公交動(dòng)態(tài)環(huán)境預(yù)報(bào)的貝葉斯網(wǎng) 絡(luò)結(jié)構(gòu)圖S; (2) 參數(shù)學(xué)習(xí),利用最大似然估計(jì)方法,在給定網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)S和訓(xùn)練樣本集D,利用先 驗(yàn)知識(shí),確定貝葉斯網(wǎng)絡(luò)模型各結(jié)點(diǎn)處的條件概率密度為:

      【權(quán)利要求】
      1. 一種基于貝葉斯網(wǎng)絡(luò)模型的公交環(huán)境動(dòng)態(tài)變化預(yù)報(bào)方法,其特征在于,包括以下步 驟: (1) 采用定量和定性相結(jié)合的方法篩選影響公交客流波動(dòng)或行駛時(shí)間變化的眾多因 素,如道路類型、路況、交通事故、大型活動(dòng)、交通管制和天氣變化; (2) 將這些外部環(huán)境條件和客流或行駛時(shí)間決策變量抽象為貝葉斯網(wǎng)絡(luò)的結(jié)點(diǎn),確定 結(jié)點(diǎn)集合及其取值范圍,對(duì)它們的歷史信息數(shù)據(jù)集進(jìn)行離散化處理; (3) 分析外部環(huán)境干擾輸入節(jié)點(diǎn)和客流或行駛時(shí)間決策節(jié)點(diǎn)之間影響關(guān)系,基于條件 獨(dú)立性檢驗(yàn)方法,建立公交動(dòng)態(tài)環(huán)境預(yù)報(bào)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)圖; (4) 利用最大似然估計(jì)方法,確定外部環(huán)境干擾條件和客流或行駛時(shí)間決策節(jié)點(diǎn)之間 的條件概率表; (5) 根據(jù)網(wǎng)絡(luò)結(jié)點(diǎn)的狀態(tài),計(jì)算某種公交客流或行駛時(shí)間發(fā)生時(shí)的后驗(yàn)概率,從而實(shí)現(xiàn) 預(yù)報(bào)公交環(huán)境動(dòng)態(tài)變化。
      2. 根據(jù)權(quán)利要求1所述的基于貝葉斯網(wǎng)絡(luò)模型的公交環(huán)境動(dòng)態(tài)變化預(yù)報(bào)方法,其特 征在于:所述步驟(1)中采用定量和定性相結(jié)合的方法,具體為: (11) 采用閱讀文獻(xiàn)、實(shí)地調(diào)研和專家座談等方式,確定所有可能影響公交客流波動(dòng)或 行駛時(shí)間波動(dòng)的眾多因素,共有《個(gè)候選指標(biāo),如:道路類型、路況、交通事故、大型活動(dòng)、交 通管制和天氣變化等; (12) 結(jié)合智能公交調(diào)度平臺(tái),在時(shí)刻,獲取第j'個(gè)影響因素%,以及相關(guān)聯(lián)的客流或行 駛時(shí)間Λ ,將《條數(shù)據(jù)記錄作為樣本£),匯總為條件矩陣2 = 和決策向量Κ = ; (13) 根據(jù)最小二乘法,評(píng)估候選因素對(duì)的影響程度向量5 =決為,...,?) = ,若&?為正,第J個(gè)影響因素與客流或行駛時(shí)間正相關(guān);否則負(fù)相關(guān); (14) 設(shè)定閥值,若I 61> σ,該因素決定客流或行駛時(shí)間,獲取η個(gè)條 件和1個(gè)決策變量1 = {^2>...,4}|'」^+1}。
      3. 根據(jù)權(quán)利要求1所述的基于貝葉斯網(wǎng)絡(luò)模型的公交環(huán)境動(dòng)態(tài)變化預(yù)報(bào)方法,其特 征在于:所述步驟(2)中,離散化處理的具體步驟為: (21) 對(duì)各個(gè)變量VZ; e2'找到其取值的上下限
      (22) 對(duì)上述變量的fWCiQ = faaJ ,進(jìn)行尤個(gè)等間隔離散化處理,獲取其特征取 值狀態(tài)空間為(H..Y),其中= + 尤; (23) 在樣本集0中,計(jì)算各變量取值狀態(tài)<的發(fā)生概率;《') = 〇^?£(;?/)/;^〇--?'), 以及兩個(gè)變量間先驗(yàn)概率分布/4+1) = c_3i(xf+1),其中σ〇_?(_)表示事 件*在樣本集D出現(xiàn)的次數(shù)。
      4. 根據(jù)權(quán)利要求1所述的基于貝葉斯網(wǎng)絡(luò)模型的公交環(huán)境動(dòng)態(tài)變化預(yù)報(bào)方法,其特 征在于:所述步驟(3)中的條件獨(dú)立性檢驗(yàn)方法,具體為若任意兩個(gè)結(jié)點(diǎn)本和I』·之間相互 依賴,存在有向邊相連接構(gòu)建一個(gè)有向無(wú)環(huán)圖,建立公交動(dòng)態(tài)環(huán)境預(yù)報(bào)的 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)圖s。
      5. 根據(jù)權(quán)利要求1所述的基于貝葉斯網(wǎng)絡(luò)模型的公交環(huán)境動(dòng)態(tài)變化預(yù)報(bào)方法,其特 征在于:所述步驟(4)利用最大似然估計(jì)方法,在給定網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)S和訓(xùn)練樣本集D,利用 先驗(yàn)知識(shí),確定貝葉斯網(wǎng)絡(luò)模型各結(jié)點(diǎn)處的條件概率密度為:
      6. 根據(jù)權(quán)利要求1所述的基于貝葉斯網(wǎng)絡(luò)模型的公交環(huán)境動(dòng)態(tài)變化預(yù)報(bào)方法,其特 征在于:所述步驟(5)根據(jù)車聯(lián)網(wǎng)環(huán)境下的各種交通環(huán)境變化檢測(cè)值,計(jì)算 給定網(wǎng)絡(luò)條件結(jié)點(diǎn)的狀態(tài)(4,4,...,4),據(jù)此推理公交客流或行駛時(shí)間在不同取值¥+1條 件下的最大后驗(yàn)概率
      ,從而實(shí)現(xiàn)預(yù)報(bào)公 交環(huán)境動(dòng)態(tài)變化。
      【文檔編號(hào)】G06F19/00GK104298881SQ201410544585
      【公開(kāi)日】2015年1月21日 申請(qǐng)日期:2014年10月15日 優(yōu)先權(quán)日:2014年10月15日
      【發(fā)明者】魏明, 孫博, 陳海龍 申請(qǐng)人:南通大學(xué)
      網(wǎng)友詢問(wèn)留言 已有0條留言
      • 還沒(méi)有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
      1