[发明专利]交通诱导统计模型校对方法及装置

权利要求书

1.一种交通诱导统计模型校对方法，其特征在于，所述方法包括步骤：

基于预设的交通诱导统计模型，组建模型预测模块；

获取车辆的实测路段信息，所述实测路段信息包括车辆的标识信息、对路径的选择信息以及出行时间信息；

将所述实测路段信息中的出行时间信息输入至所述模型预测模块，得到模型预测值；

根据所述模型预测值以及所述实测路段信息，构建贝叶斯校正模型，得到校正预测值；

其中，所述根据所述模型预测值以及所述实测路段信息，构建贝叶斯校正模型，得到校正预测值的步骤包括：

将所述模型预测值变换为对数发生比；

根据对路径的选择信息，分为拒绝诱导的第一组群以及接受诱导的第二组群；

将所述第一组群及第二组群的对数发生比根据预设的统计分布模型分别拟合得到第一似然值及第二似然值；

根据所述第一似然值以及预设的拒绝诱导的先验概率，组建第一贝叶斯方程，计算得到校正后的拒绝诱导的第一后验概率；

根据所述第二似然值以及预设的接受诱导的先验概率，组建第二贝叶斯方程，计算得到校正后的接受诱导的第二后验概率；所述校正预测值包括所述第一后验概率及第二后验概率。

2.如权利要求1所述的交通诱导统计模型校对方法，其特征在于，所述将所述模型预测值变换为对数发生比的步骤具体包括：

根据如下公式计算得到对数发生比s:

其中，E为所述实测路段信息，p(+|E)为运用所述模型预测模块得到的拒绝诱导的模型预测值，p(-|E)为运用所述模型预测模块得到的接受诱导的模型预测值。

3.如权利要求2所述的交通诱导统计模型校对方法，其特征在于，所述预设的统计分布模型包括正态分布或广义极值分布。

4.如权利要求3所述的交通诱导统计模型校对方法，其特征在于，所述第一贝叶斯方程为：

其中，p(s|+)为所述第一似然值，p(+)为预设的拒绝诱导的先验概率；C为所有拒绝诱导及接受诱导的样本；∑_C∈{+，-}p(C)·p(s|C)为所有拒绝诱导及接受诱导的样本的先验概率及对应似然值的乘积之和；

所述第二贝叶斯方程为：

其中，p(s|-)为所述第二似然值，p(-)为预设的接受诱导的先验概率。

5.如权利要求4所述的交通诱导统计模型校对方法，其特征在于，在所述计算得到校正后的接受诱导的第二后验概率的步骤之后还包括：

根据各个样本的所述校正预测值计算对应的对数损失函数，具体计算方式为：

logloss＝δ(C，+)logp(+|s)+δ(C，-)logp(-|s)

其中，logloss为对数损失函数，δ函数值等于1；

根据各个样本的所述校正预测值计算对应的方差，具体计算方式为：

SE＝δ(C，+)(1-p(+|s))²+δ(C，-)(1-p(-|s))²

其中，SE为方差，δ函数值等于1。

6.如权利要求5所述的交通诱导统计模型校对方法，其特征在于，在所述根据所述校正预测值计算方差的步骤之后还包括：

根据各个样本的总的对数损失函数，计算每个样本的平均对数损失函数；

根据各个样本的总的方差，计算每个样本的平均方差。