[发明专利]一种基于贝叶斯网络的交通路网动态预测方法及系统

权利要求书

1.一种基于贝叶斯网络的交通路网动态预测方法，其特征在于，包括：

采集预测范围内设定时间的交通路网的车流信息，形成预测范围内每个路段的交通状态量的时间序列；所述预测范围为需要预测的交通路网的范围；

对所述时间序列进行相关性分析，确定训练集；

通过所述训练集对贝叶斯网络结构进行训练，得到预测模型；

基于所述预测模型对预测范围内不同时延下各路段进行预测，得到不同时刻各路段的预测结果；所述预测结果为各路段的交通状态量；

根据所述预测结果，确定不同时延下交通路网中可预测的路段，得到最大连通子团；针对每一个不同预测时间延迟下的路网，将有预测结果的路段标记为可预测路段，没有预测结果的路段标记为不可预测的路段，并将不可预测路段在此时间延迟下的路网中删去，在删去不可预测节点的路网中利用求解最大连通子团算法寻找到此预测时间延迟下的路网最大连通子团；最大连通子团是指在删去网络中一定节点后，剩余仍能保持互相到达的连通节点集合；

确定所述最大连通子团的相变时刻，为交通路网的可预测时延；

基于所述交通路网的可预测时延，确定交通路网动态预测结果；求解完不同预测时延下的路网最大连通子团，与预测时刻的最大连通子团进行对比计算精度，得到不同预测时延下路网最大连通子团的预测精度，根据预测时延的变化绘制路网最大连通子团的预测曲线，在曲线中找到路网最大子团预测精度相变的时刻点，作为路网整体可预测相变的起始点，得到路网整体的可预测时延，路网整体可预测时延以及路网最大连通子团的预测变化曲线作为路网的预测结果。

2.根据权利要求1所述的基于贝叶斯网络的交通路网动态预测方法，其特征在于，所述对所述时间序列进行相关性分析，确定训练集，具体包括：

基于所述时间序列，计算不同时间延迟下预测目标路段和预测范围内所有路段的皮尔逊相关性系数；

选取皮尔逊相关性系数大于设定阈值的时间序列为训练集。

3.根据权利要求1所述的基于贝叶斯网络的交通路网动态预测方法，其特征在于，所述基于所述预测模型对预测范围内不同时延下各路段进行预测，得到不同时刻各路段的预测结果，具体包括：

计算不同延迟下各路段的预测联合矩阵，所述预测联合矩阵由所述预测模型的父代结构和子代结构确定；所述父代结构为训练集，所述子代结构为预测结果；父代是指贝叶斯网络模型中需要筛选出作为输入信息的路网过去时间段的一些路段的时间序列，子代是指贝叶斯网络模型中作为预测目标的路网中的一个路段；针对每一个需要预测的子代，把父代按着预测时间延迟由早到晚进行排列，形成十个预测矩阵，在形成最早预测时间延迟的联合矩阵时，把具有最早的预测时间延迟的父代和子代写入联合矩阵，在形成之后的预测时间延迟下的联合矩阵时，依次加入其他预测时间延迟的父代，形成十个父代依次增多的预测联合矩；

确定各所述预测联合矩阵的最优分布数；

分别将各所述预测联合矩阵和所述最优分布数输入到混合高斯分布模型中，计算得到不同延迟下的预测结果。

4.根据权利要求3所述的基于贝叶斯网络的交通路网动态预测方法，其特征在于，所述确定各所述预测联合矩阵的最优分布数，具体包括：

计算各所述预测联合矩阵的不同分布数的赤池信息量；

选取赤池信息量最小的分布数作为最优分布数。