一種基于深度學(xué)習(xí)的離散化交通狀態(tài)判別方法，屬于交通狀態(tài)判別
技術(shù)領(lǐng)域：
。
背景技術(shù)：
：隨著社會(huì)城市化進(jìn)程加快，全球大中城市均面臨交通擁堵壓力。同樣，我國(guó)家用汽車保有量近年來(lái)持續(xù)快速增長(zhǎng)，城市交通擁堵已成為大眾出行討論焦點(diǎn)，為解決交通擁堵問(wèn)題，通常有三種解決方案：(1)通過(guò)行政手段控制車輛出行，例如我國(guó)部分城市實(shí)施的單雙號(hào)限行制度，該方案簡(jiǎn)單易行，但會(huì)導(dǎo)致“有車不行”的尷尬境地；(2)擴(kuò)展交通設(shè)施和新建交通道路，該方案需要投入大量人力、物力和成本，建設(shè)周期長(zhǎng)，在工程實(shí)施過(guò)程中會(huì)出現(xiàn)“越修越堵”的問(wèn)題；(3)通過(guò)技術(shù)手段判別交通狀態(tài)，適時(shí)調(diào)整交通信號(hào)控制策略提高通行效率，該方案具有低成本、見(jiàn)效快等特點(diǎn)。可見(jiàn)，交通狀態(tài)判別是交通控制和交通流誘導(dǎo)技術(shù)的先決條件，也是交通工程
技術(shù)領(lǐng)域：
多年來(lái)研究的熱點(diǎn)。交通狀態(tài)判別方法主要包括人工判別和自動(dòng)判別兩種形式，人工判別主要是針對(duì)簡(jiǎn)單區(qū)域內(nèi)的交通管理通過(guò)視頻圖像目視來(lái)判斷交通擁堵與流量的大小，因此人工判別的實(shí)際效果和可靠性較差。自動(dòng)判別則是結(jié)合多種交通監(jiān)測(cè)設(shè)備和智能算法來(lái)識(shí)別交通環(huán)境情況，隨著技術(shù)的發(fā)展，國(guó)內(nèi)外學(xué)者針對(duì)自動(dòng)判別技術(shù)提出了多種解決方案，具體而言包括以下幾種：(1)LUHP等基于大數(shù)據(jù)驅(qū)動(dòng)技術(shù)研究了一種實(shí)時(shí)交通狀態(tài)識(shí)別方法，在分析交通大數(shù)據(jù)特點(diǎn)后，結(jié)合FCM(FuzzyC-Means)模糊算法構(gòu)建了一種交通狀態(tài)聚類模型。(2)ANTONIOUC等采用無(wú)線傳感技術(shù)獲取交通流、交通密度、速度等特征數(shù)據(jù)后，分別利用K近鄰聚類算法和神經(jīng)網(wǎng)絡(luò)算法構(gòu)建分類模型判別交通狀態(tài)。(3)PANTL等人綜合利用交通時(shí)間、空間信息組成的交通流量特征提出一種采用隨機(jī)單元傳輸模型進(jìn)行短時(shí)交通狀態(tài)預(yù)測(cè)的方法。從之前的研究來(lái)看，交通狀態(tài)特征屬性的選擇基本通過(guò)人工完成，例如交通流量、密度、速度、時(shí)間等，然后利用機(jī)器學(xué)習(xí)算法進(jìn)行聚類或分類分析以確定交通狀態(tài)，因此現(xiàn)有技術(shù)中的自動(dòng)判別方法還普遍存在有如下缺陷：(1)交通狀態(tài)的特征選擇需要交通專家的參與，判定效果的好壞依賴于交通專家的經(jīng)驗(yàn)。(2)交通狀態(tài)在真實(shí)交通環(huán)境中是一種復(fù)雜的因素組合，人工設(shè)定狀態(tài)特征的方式會(huì)丟失相關(guān)的有價(jià)值信息。(3)已構(gòu)建的交通狀態(tài)判別模型應(yīng)用于新的交通環(huán)境具有適應(yīng)性差的問(wèn)題。因此，設(shè)計(jì)出一種可全面真實(shí)描述交通狀態(tài)、無(wú)需專家參與交通特征選擇、可半監(jiān)督自動(dòng)實(shí)現(xiàn)交通狀態(tài)判別模型構(gòu)建的方法成為亟待解決的問(wèn)題。技術(shù)實(shí)現(xiàn)要素：本發(fā)明要解決的技術(shù)問(wèn)題是：克服現(xiàn)有技術(shù)的不足，提供一種可全面真實(shí)描述交通狀態(tài)、無(wú)需專家參與交通特征選擇、可半監(jiān)督自動(dòng)實(shí)現(xiàn)交通狀態(tài)判別模型構(gòu)建的基于深度學(xué)習(xí)的離散化交通狀態(tài)判別方法。本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是：該基于深度學(xué)習(xí)的離散化交通狀態(tài)判別方法，其特征在于：包括如下步驟：步驟a，利用設(shè)置在路口各個(gè)方向的監(jiān)測(cè)設(shè)備對(duì)路口在多個(gè)不同時(shí)刻的交通狀態(tài)進(jìn)行采集，對(duì)應(yīng)得到多組交通狀態(tài)信息；步驟b，按照離散化編碼流程對(duì)多組交通狀態(tài)信息分別進(jìn)行離散化編碼描述，對(duì)應(yīng)得到路口在不同時(shí)刻的離散化編碼數(shù)據(jù)；步驟c，根據(jù)步驟b中的得到的離散化編碼數(shù)據(jù)構(gòu)建基于深度學(xué)習(xí)的交通狀態(tài)判別模型；步驟d，利用步驟c構(gòu)建的交通狀態(tài)判別模型進(jìn)行交通狀態(tài)的判別。優(yōu)選的，步驟b中所述的離散化編碼流程，包括如下步驟：步驟b-1，對(duì)道路進(jìn)行網(wǎng)格化；在所述路口各個(gè)方向上長(zhǎng)度為l的道路上，以長(zhǎng)度c為單位長(zhǎng)度對(duì)道路的每條并行車道進(jìn)行網(wǎng)格化，在每條并行的車道上形成l/c個(gè)單元，并得到離散化后的交通狀態(tài)向量；步驟b-2，定義交通狀態(tài)向量；定義車輛存在狀態(tài)向量a，用于對(duì)每個(gè)網(wǎng)格內(nèi)是否存在有車輛進(jìn)行表示，定義車輛速度狀態(tài)向量b，用于對(duì)每個(gè)網(wǎng)格內(nèi)車輛的行駛速度進(jìn)行表示；步驟b-3，利用步驟b-2中定義的交通狀態(tài)向量，對(duì)所述路口在T時(shí)刻的交通狀態(tài)進(jìn)行表示，并分別形成路口每個(gè)方向在T時(shí)刻反應(yīng)交通狀態(tài)向量的數(shù)值表；步驟b-4，提取路口在T時(shí)刻每個(gè)方向的交通狀態(tài)向量的數(shù)值表。優(yōu)選的，步驟b-1中所述的交通狀態(tài)向量為：其中：E向量表示存儲(chǔ)車道單元是否有車輛存在的信息，V向量表示存儲(chǔ)車輛速度信息，P向量表示當(dāng)前交通信號(hào)相位，則T時(shí)刻，交通狀態(tài)可表示為sT∈S。優(yōu)選的，步驟b-2中所述的車輛存在狀態(tài)向量a利用二值數(shù)據(jù)表示，1表示該網(wǎng)格內(nèi)有車輛，0表示該網(wǎng)格內(nèi)無(wú)車輛；車輛速度狀態(tài)向量b利用連續(xù)值數(shù)據(jù)表示的向量b，0表示該網(wǎng)格內(nèi)存在的車輛車速為0或無(wú)車輛，非0表示該車道在限速內(nèi)的車輛速度格式化值，取值空間為[0，1]。優(yōu)選的，步驟c中所述的構(gòu)建基于深度學(xué)習(xí)的交通狀態(tài)判別模型，包括如下步驟：步驟4-1，開(kāi)始；針對(duì)離散化編碼數(shù)據(jù)，設(shè)置可接收二值狀態(tài)編碼的深度置信網(wǎng)絡(luò)和可接收連續(xù)值狀態(tài)編碼的深度置信網(wǎng)絡(luò)；步驟4-2，是否小于網(wǎng)絡(luò)層數(shù)，系統(tǒng)判斷是否小于網(wǎng)絡(luò)層數(shù)，如果小于網(wǎng)絡(luò)層數(shù)，執(zhí)行步驟4-3，如果不小于網(wǎng)絡(luò)層數(shù)，執(zhí)行步驟4-9；步驟4-3，當(dāng)前層是否完成數(shù)據(jù)類型初始化，如果完成數(shù)據(jù)類型初始化，順序執(zhí)行步驟4-5～步驟4-8，如果未完成數(shù)據(jù)類型初始化，執(zhí)行步驟4-4；步驟4-4，進(jìn)行數(shù)據(jù)初始化，并返回步驟4-3；步驟4-5，是否小于訓(xùn)練次數(shù)；系統(tǒng)判斷已完成的訓(xùn)練次數(shù)是否小于預(yù)設(shè)定的訓(xùn)練次數(shù)，如果小于訓(xùn)練次數(shù)，則需要對(duì)模型進(jìn)行下一次的訓(xùn)練，執(zhí)行步驟4-6，如果不小于訓(xùn)練次數(shù)，返回執(zhí)行步驟4-3；步驟4-6，是否小于訓(xùn)練記錄數(shù)；系統(tǒng)判斷已存在訓(xùn)練記錄數(shù)是否小于預(yù)設(shè)定的訓(xùn)練記錄數(shù)，如果小于訓(xùn)練記錄數(shù)，順序執(zhí)行步驟4-7～步驟4-8，如果不小于訓(xùn)練記錄數(shù)，則利用已存在的訓(xùn)練記錄數(shù)進(jìn)行訓(xùn)練，然后返回執(zhí)行步驟4-5；步驟4-7，計(jì)算當(dāng)前可見(jiàn)單元和隱藏單元的條件概率；步驟4-8，更新當(dāng)前層權(quán)重和偏置參數(shù)；步驟4-9，基于BP算法進(jìn)行反向傳播控制調(diào)整；步驟4-10，結(jié)束，基于深度學(xué)習(xí)的交通狀態(tài)判別模型構(gòu)建完成。優(yōu)選的，在進(jìn)行步驟4-5中所述的模型訓(xùn)練時(shí)，設(shè)交通狀態(tài)數(shù)據(jù)集為其中，R表示訓(xùn)練樣本數(shù)量，xei表示數(shù)據(jù)集ds中第i個(gè)樣本的車輛存在二值狀態(tài)向量，xvi表示數(shù)據(jù)集ds中第i個(gè)樣本的交通車速連續(xù)值狀態(tài)向量，yi∈{1,2,3}是第i個(gè)樣本對(duì)應(yīng)的交通狀態(tài)標(biāo)簽值，其中1表示堵塞，2表示擁擠，3表示通暢；利用最大化對(duì)數(shù)似然函數(shù)θ以擬合交通狀態(tài)訓(xùn)練數(shù)據(jù)集ds，即其中，θ表示參數(shù)向量，則針對(duì)交通車輛存在的二值數(shù)據(jù)θ1和交通車速的連續(xù)數(shù)據(jù)θ2的參數(shù)向量分別為{w,a,b}和{w,a,b,σ}，其中w表示連接受限玻爾茲曼機(jī)RBM可見(jiàn)層和隱藏層之間的無(wú)向權(quán)值向量，a和b分別表示可見(jiàn)層和隱藏層的偏置向量，σ表示可見(jiàn)層單元高斯噪聲的標(biāo)準(zhǔn)偏差向量。優(yōu)選的，在所述的步驟4-7中，計(jì)算當(dāng)前可見(jiàn)單元和隱藏單元的條件概率時(shí)，針對(duì)BBRBM和GBRBM模型計(jì)算第m個(gè)可見(jiàn)單元和第n個(gè)隱藏單元的條件概率的計(jì)算公式分別為：其中，為sigmoid激活函數(shù)，表示均值u和方差σ2的高斯概率密度函數(shù)，s表示隱藏單元個(gè)數(shù)，t表示可見(jiàn)單元個(gè)數(shù)，并利用公式：更新BBRBM的參數(shù)，利用公式：更新GBRBM的參數(shù)。優(yōu)選的，在進(jìn)行步驟4-9中所述的基于BP算法進(jìn)行反向傳播控制調(diào)整時(shí)，通過(guò)最小化代價(jià)函數(shù)J(θ1,θ2)進(jìn)行反向傳播控制調(diào)整，其公式為：與現(xiàn)有技術(shù)相比，本發(fā)明所具有的有益效果是：通過(guò)本基于深度學(xué)習(xí)的離散化交通狀態(tài)判別方法，可全面真實(shí)描述交通狀態(tài)、無(wú)需專家參與交通特征選擇、可半監(jiān)督自動(dòng)實(shí)現(xiàn)交通狀態(tài)判別模型的構(gòu)建。交通環(huán)境通常表現(xiàn)為某交叉口各方向車道上的車輛狀況，常用的描述方法包括：車道滯留車輛數(shù)、交通流量狀態(tài)和交通控制器狀態(tài)等。在交通狀態(tài)判定中其狀態(tài)描述的合理性決定了交通管理措施的選擇，若狀態(tài)信息缺失，將直接影響整個(gè)交通管理能力。在本基于深度學(xué)習(xí)的離散化交通狀態(tài)判別方法中，綜合考慮了各種狀態(tài)描述方法，采用一種離散交通狀態(tài)編碼方法。與其它方法相比，該方法能夠完整表達(dá)交通狀態(tài)，為深度學(xué)習(xí)交通狀態(tài)提供了數(shù)據(jù)基礎(chǔ)。附圖說(shuō)明圖1為基于深度學(xué)習(xí)的離散化交通狀態(tài)判別方法流程圖。圖2為基于深度學(xué)習(xí)的離散化交通狀態(tài)判別系統(tǒng)組成示意圖。圖3為基于深度學(xué)習(xí)的離散化交通狀態(tài)判別方法交通狀態(tài)編碼示意圖。圖4為基于深度學(xué)習(xí)的離散化交通狀態(tài)判別方法模型構(gòu)建流程圖。圖5為基于深度學(xué)習(xí)的離散化交通狀態(tài)判別方法模型學(xué)習(xí)過(guò)程示意圖。圖6為基于深度學(xué)習(xí)的離散化交通狀態(tài)判別方法模型結(jié)構(gòu)示意圖。具體實(shí)施方式圖1～6是本發(fā)明的最佳實(shí)施例，下面結(jié)合附圖1～6對(duì)本發(fā)明做進(jìn)一步說(shuō)明。參照?qǐng)D2，在本基于深度學(xué)習(xí)的離散化交通狀態(tài)判別系統(tǒng)由以下幾個(gè)部分組成：交通狀態(tài)描述模塊、交通狀態(tài)監(jiān)測(cè)模塊、狀態(tài)深度學(xué)習(xí)模塊以及交通狀態(tài)判別模塊。交通狀態(tài)監(jiān)測(cè)模塊按照東、西、南、北四個(gè)方向分為四組，分別用于檢測(cè)每一個(gè)路口東、西、南、北四個(gè)方向的實(shí)際車輛通行狀態(tài)，在本基于深度學(xué)習(xí)的離散化交通狀態(tài)判別系統(tǒng)中，交通狀態(tài)監(jiān)測(cè)模塊通過(guò)目前常規(guī)的監(jiān)測(cè)設(shè)備(或手段)實(shí)現(xiàn)，如地磁傳感器、無(wú)線傳感器、微波和視頻等。交通狀態(tài)監(jiān)測(cè)模塊將路口各個(gè)方向的交通信息數(shù)據(jù)進(jìn)行采集并送入交通狀態(tài)描述模塊，由交通狀態(tài)描述模塊對(duì)路口各個(gè)方向的交通信息數(shù)據(jù)按照預(yù)設(shè)定的方式進(jìn)行描述，然后送入狀態(tài)深度學(xué)習(xí)模塊，由狀態(tài)深度學(xué)習(xí)模塊從交通信息數(shù)據(jù)中自動(dòng)提取有效信息，并最終由交通狀態(tài)判別模塊對(duì)路口的交通狀態(tài)進(jìn)行判定。如圖1所示，一種基于深度學(xué)習(xí)的離散化交通狀態(tài)判別方法，包括如下步驟：步驟1，開(kāi)始；開(kāi)始進(jìn)行基于深度學(xué)習(xí)的離散化交通狀態(tài)判別方法；步驟2，交通數(shù)據(jù)采集；利用設(shè)置在路口各個(gè)方向的監(jiān)測(cè)設(shè)備對(duì)路口在多個(gè)不同時(shí)刻的交通狀態(tài)進(jìn)行采集，對(duì)應(yīng)得到多組交通狀態(tài)信息。步驟3，離散化交通狀態(tài)編碼描述；在本基于深度學(xué)習(xí)的離散化交通狀態(tài)判別方法中，通過(guò)離散交通狀態(tài)編碼的方式對(duì)路口的交通信息數(shù)據(jù)進(jìn)行描述，對(duì)應(yīng)得到路口在不同時(shí)刻的離散化編碼數(shù)據(jù)，具體如下：定義參數(shù)l為某個(gè)路口任意一個(gè)方向上可檢測(cè)車輛狀況的長(zhǎng)度，然后定義參數(shù)c為小型車的車長(zhǎng)，因此在距離l上沿車道方向可分為l/c個(gè)單元，離散化后的交通狀態(tài)向量S可表示為：其中：E向量表示存儲(chǔ)車道單元是否有車輛存在的信息，V向量表示存儲(chǔ)車輛速度信息，P向量表示當(dāng)前交通信號(hào)相位，則某一個(gè)監(jiān)測(cè)時(shí)刻T，交通狀態(tài)可表示為sT∈S。結(jié)合圖3，表示某路口在某一個(gè)監(jiān)測(cè)時(shí)刻T的交通狀態(tài)情況，在圖3中設(shè)每一個(gè)方向的道路上設(shè)置有三條并行的車道，并分別以字母E、W、S、N表示該路口的東、西、南、北四個(gè)方向，在圖3中以白色三角表示正處于行進(jìn)狀態(tài)的車輛，以黑色三角表示處于停車狀態(tài)的車輛，車長(zhǎng)大于c的車輛(如大型車)以長(zhǎng)三角進(jìn)行表示。根據(jù)上述的定義，將長(zhǎng)度為l的道路按照車長(zhǎng)c對(duì)道路進(jìn)行網(wǎng)格化，并分別利用向量Ea、Wa、Sa、Na表示路口東、西、南、北四個(gè)方向的網(wǎng)格內(nèi)是否存在有車輛，向量Ea、Wa、Sa、Na采用二值數(shù)據(jù)表示，1表示該網(wǎng)格內(nèi)有車輛，0表示該網(wǎng)格內(nèi)無(wú)車輛；然后分別利用向量Eb、Wb、Sb、Nb表示路口東、西、南、北四個(gè)方向的網(wǎng)格內(nèi)車輛的行進(jìn)速度，向量Eb、Wb、Sb、Nb采用連續(xù)值表示，0表示該網(wǎng)格內(nèi)存在的車輛車速為0或無(wú)車輛，非0表示該車道在限速內(nèi)的車輛速度格式化值，取值空間為[0，1]。以路口東側(cè)車道自西向東方向?yàn)槔蛄縀a和向量Eb可分別用表1和表2進(jìn)行表示：111010000001110000100010100100001表1T時(shí)刻路口東側(cè)車道向量Ea車輛存在情況數(shù)值表00000.100000000000000.4000000.1000.300000.7表2T時(shí)刻路口東側(cè)車道向量Eb車輛車速情況數(shù)值表在表1以及表2中第1～3行對(duì)應(yīng)表示路口東側(cè)道路的三條并行的車道，第1～11列表示自路口開(kāi)始自西向東的依次對(duì)應(yīng)的網(wǎng)格。在最北側(cè)車道上停留有大型車輛，該車輛占用了最北側(cè)車道自西向東的第2～3個(gè)網(wǎng)格，因此表1中相應(yīng)的兩個(gè)數(shù)值均為1。同理，路口西側(cè)道路自西向東方向的向量Wa和向量Wb可分別用表3和表4進(jìn)行表示：000000010010010010001101000100111表3T時(shí)刻路口西側(cè)車道向量Wa車輛存在情況數(shù)值表00000000.2000000.5000.30000000.50000.200000表4T時(shí)刻路口西側(cè)車道向量Wb車輛車速情況數(shù)值表路口南側(cè)道路自北向南方向的向量Sa和向量Sb可分別用表5和表6進(jìn)行表示：110010000000110100100010100100001表5T時(shí)刻路口西側(cè)車道向量Wa車輛存在情況數(shù)值表0.10.1000.400000000.10.100.3000.50000.100.2000.400000.8表6T時(shí)刻路口西側(cè)車道向量Wb車輛車速情況數(shù)值表路口北側(cè)道路自北向南方向的向量Na和向量Nb可分別用表7和表8進(jìn)行表示：000000101011001000011100000010001表7T時(shí)刻路口西側(cè)車道向量Wa車輛存在情況數(shù)值表0000000.300.200.10.7000.500000.10.10.10000000.40000.1表8T時(shí)刻路口西側(cè)車道向量Wb車輛車速情況數(shù)值表交通環(huán)境通常表現(xiàn)為某交叉口各方向車道上的車輛狀況，常用的描述方法包括：車道滯留車輛數(shù)、交通流量狀態(tài)和交通控制器狀態(tài)等。在交通狀態(tài)判定中狀態(tài)描述的合理性決定了交通管理措施的選擇，若狀態(tài)信息缺失，將直接影響整個(gè)交通管理能力。在本基于深度學(xué)習(xí)的離散化交通狀態(tài)判別方法中，綜合考慮了各種狀態(tài)描述方法，采用一種離散交通狀態(tài)編碼方法。與其它方法相比，該方法能夠完整表達(dá)交通狀態(tài)，為深度學(xué)習(xí)交通狀態(tài)提供了數(shù)據(jù)基礎(chǔ)。在經(jīng)過(guò)大量的監(jiān)測(cè)時(shí)刻獲得大量交通向量數(shù)據(jù)之后，將交通向量數(shù)據(jù)送入交通狀態(tài)編碼數(shù)據(jù)集內(nèi)，可用作訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)，為后續(xù)構(gòu)建模型提供數(shù)據(jù)基礎(chǔ)。步驟4，基于深度學(xué)習(xí)的交通狀態(tài)判別模型構(gòu)建；如圖4所示，構(gòu)建基于深度學(xué)習(xí)的交通狀態(tài)判別模型，包括如下步驟：步驟4-1，開(kāi)始；如圖5所示，在本基于深度學(xué)習(xí)的離散化交通狀態(tài)判別方法中，首先設(shè)置可接收二值狀態(tài)編碼的深度置信網(wǎng)絡(luò)(定義為TEDBN)和可接收連續(xù)值狀態(tài)編碼的深度置信網(wǎng)絡(luò)(定義為TVDBN)，然后由交通狀態(tài)樣本集中的訓(xùn)練數(shù)據(jù)記錄分別輸出車輛存在狀態(tài)向量表和車輛速度狀態(tài)向量表，車輛存在狀態(tài)向量表和車輛速度狀態(tài)向量表分別送入可接收二值狀態(tài)編碼的深度置信網(wǎng)絡(luò)和可接收連續(xù)值狀態(tài)編碼的深度置信網(wǎng)絡(luò)內(nèi)進(jìn)行特征學(xué)習(xí)。同時(shí)分別由可接收二值狀態(tài)編碼的深度置信網(wǎng)絡(luò)和可接收連續(xù)值狀態(tài)編碼的深度置信網(wǎng)絡(luò)得到車輛存在狀態(tài)特征和車輛速度狀態(tài)特征，經(jīng)過(guò)無(wú)監(jiān)督的逐層特征訓(xùn)練和結(jié)合softmax多分類模型的有監(jiān)督參數(shù)優(yōu)化微調(diào)后，得到交通狀態(tài)的高層抽象特征。最后，利用交通狀態(tài)編碼數(shù)據(jù)集中的測(cè)試數(shù)據(jù)對(duì)交通狀態(tài)進(jìn)行判別以驗(yàn)證模型的有效性。步驟4-2，是否小于網(wǎng)絡(luò)層數(shù)，系統(tǒng)判斷是否小于網(wǎng)絡(luò)層數(shù)，如果小于網(wǎng)絡(luò)層數(shù)，執(zhí)行步驟4-3，如果不小于網(wǎng)絡(luò)層數(shù)，執(zhí)行步驟4-9；與傳統(tǒng)的人工提取交通特征方法不同，基于深度學(xué)習(xí)的無(wú)監(jiān)督特征提取技術(shù)可自動(dòng)的從交通狀態(tài)數(shù)據(jù)中提取有效信息。如圖6所示，本發(fā)明中構(gòu)建了兩個(gè)具有5層的DBN模型，一個(gè)是為學(xué)習(xí)交通車速的連續(xù)值數(shù)據(jù)特征TVDBN，該模型最底層使用高斯-伯努利RBM(GBRBM)接收連續(xù)值數(shù)據(jù)輸入；另一個(gè)是學(xué)習(xí)交通車輛存在的二值數(shù)據(jù)特征TEDBN，該模型最低層使用伯努利-伯努利RBM(BBRBM)接收二值數(shù)據(jù)輸入，交通狀態(tài)模型的構(gòu)建包括模型訓(xùn)練和模型微調(diào)兩個(gè)階段。步驟4-3，當(dāng)前層是否完成數(shù)據(jù)類型初始化，如果完成數(shù)據(jù)類型初始化，順序執(zhí)行步驟4-5～步驟4-8，如果未完成數(shù)據(jù)類型初始化，執(zhí)行步驟4-4；步驟4-4，進(jìn)行數(shù)據(jù)初始化，并返回步驟4-3；步驟4-5，是否小于訓(xùn)練次數(shù)；系統(tǒng)判斷已完成的訓(xùn)練次數(shù)是否小于預(yù)設(shè)定的訓(xùn)練次數(shù)，如果小于訓(xùn)練次數(shù)，則需要對(duì)模型進(jìn)行下一次的訓(xùn)練，執(zhí)行步驟4-6，如果不小于訓(xùn)練次數(shù)，返回執(zhí)行步驟4-3；訓(xùn)練次數(shù)預(yù)先由人為進(jìn)行設(shè)定，系統(tǒng)判斷每次訓(xùn)練時(shí)的次數(shù)是否小于預(yù)先設(shè)定的訓(xùn)練次數(shù)，如果尚未完成預(yù)設(shè)定的訓(xùn)練次數(shù)，則利用交通狀態(tài)編碼數(shù)據(jù)集內(nèi)的樣本進(jìn)行模型訓(xùn)練。步驟4-6，是否小于訓(xùn)練記錄數(shù)；系統(tǒng)判斷已存在訓(xùn)練記錄數(shù)是否小于預(yù)設(shè)定的訓(xùn)練記錄數(shù)，如果小于訓(xùn)練記錄數(shù)，順序執(zhí)行步驟4-7～步驟4-8，如果不小于訓(xùn)練記錄數(shù)，則利用已存在的訓(xùn)練記錄數(shù)進(jìn)行訓(xùn)練，然后返回執(zhí)行步驟4-5；訓(xùn)練記錄數(shù)即為上述的交通狀態(tài)編碼數(shù)據(jù)集內(nèi)的樣本總數(shù)，在每次訓(xùn)練時(shí)，系統(tǒng)判斷交通狀態(tài)編碼數(shù)據(jù)集內(nèi)的樣本總數(shù)是否小于預(yù)設(shè)定的樣本總數(shù)，如果小于預(yù)設(shè)定的樣本總數(shù)，執(zhí)行步驟4～7～步驟4-8。在模型訓(xùn)練階段，設(shè)交通狀態(tài)數(shù)據(jù)集為：其中，R表示訓(xùn)練樣本數(shù)量，xei表示數(shù)據(jù)集ds中第i個(gè)樣本的車輛存在二值狀態(tài)向量，xvi表示數(shù)據(jù)集ds中第i個(gè)樣本的交通車速連續(xù)值狀態(tài)向量，yi∈{1,2,3}是第i個(gè)樣本對(duì)應(yīng)的交通狀態(tài)標(biāo)簽值，其中1表示堵塞(B)，2表示擁擠(C)，3表示通暢(U)；。則交通學(xué)習(xí)的任務(wù)是獲取最大化對(duì)數(shù)似然函數(shù)θ以擬合交通狀態(tài)訓(xùn)練數(shù)據(jù)集ds，即其中，θ表示參數(shù)向量，則針對(duì)交通車輛存在的二值數(shù)據(jù)θ1和交通車速的連續(xù)數(shù)據(jù)θ2分別為{w,a,b}和{w,a,b,σ}，其中w表示連接RBM可見(jiàn)層和隱藏層之間的無(wú)向權(quán)值向量，a和b分別表示可見(jiàn)層和隱藏層的偏置向量，σ表示可見(jiàn)層單元高斯噪聲的標(biāo)準(zhǔn)偏差向量。步驟4-7，計(jì)算當(dāng)前可見(jiàn)單元和隱藏單元的條件概率；因RBM的可見(jiàn)層和隱藏層單元之間的聯(lián)合概率分布(v，h)滿足能量定義，則針對(duì)BBRBM和GBRBM模型計(jì)算第m個(gè)可見(jiàn)單元和第n個(gè)隱藏單元的條件概率的計(jì)算公式分別如公式(5)和公式(6)所示：其中，為sigmoid激活函數(shù)，表示均值u和方差σ2的高斯概率密度函數(shù)，s表示隱藏單元個(gè)數(shù)，t表示可見(jiàn)單元個(gè)數(shù)。步驟4-8，更新當(dāng)前層權(quán)重和偏置參數(shù)；根據(jù)式(7)和(8)分別更新BBRBM和GBRBM的參數(shù)。步驟4-9，基于BP算法進(jìn)行反向傳播控制調(diào)整；在模型微調(diào)階段，模型TVDBN和TEDBN逐層預(yù)訓(xùn)練結(jié)束后，將兩模型獲取的高層抽象特征整合形成特征向量，并在頂端增加一個(gè)softmax分類回歸器，用于交通狀態(tài)的判別。則TVDBN和TEDBN的參數(shù)可通過(guò)最小化代價(jià)函數(shù)J(θ1,θ2)進(jìn)行反向傳播控制調(diào)整，其公式為：步驟4-10，結(jié)束，基于深度學(xué)習(xí)的交通狀態(tài)判別模型構(gòu)建完成。步驟5，交通狀態(tài)判別；利用步驟4中構(gòu)建的基于深度學(xué)習(xí)的交通狀態(tài)判別模型進(jìn)行應(yīng)用，對(duì)實(shí)際交通狀進(jìn)行態(tài)判別。步驟6，結(jié)束；輸出判別結(jié)果，完成基于深度學(xué)習(xí)的離散化的交通狀態(tài)判別。以上所述，僅是本發(fā)明的較佳實(shí)施例而已，并非是對(duì)本發(fā)明作其它形式的限制，任何熟悉本專業(yè)的技術(shù)人員可能利用上述揭示的技術(shù)內(nèi)容加以變更或改型為等同變化的等效實(shí)施例。但是凡是未脫離本發(fā)明技術(shù)方案內(nèi)容，依據(jù)本發(fā)明的技術(shù)實(shí)質(zhì)對(duì)以上實(shí)施例所作的任何簡(jiǎn)單修改、等同變化與改型，仍屬于本發(fā)明技術(shù)方案的保護(hù)范圍。當(dāng)前第1頁(yè)1 2 3