[发明专利]一种基于贝叶斯神经网络的快速路事件检测方法和装置

权利要求书

1.一种基于贝叶斯神经网络的快速路事件检测方法，其特征在于，包括以下步骤：

获取快速路感应线圈数据，并进行预处理，得到原始数据集；

将所述原始数据集输入训练好的快速路事件检测模型，得到快速路事件预测结果；

基于指标和不确定度对所述快速路事件预测结果进行评估，所述指标包括检测率、误报率和准确率，所述不确定度包括随机不确定度和认知不确定度；

其中，所述贝叶斯神经网络模型的训练过程包括：

基于LeNet-5结果设计神经网络，采用概率分布估计的方法采样得到所述神经网络的权重；

基于所述权重，采用变分推断的方法得到权重的后验概率分布，根据所述后验概率分布得到模型目标函数，所述模型目标函数的表达式为：

其中，D表示原始数据集，q_θ(ω⁽ⁱ⁾|D)为第i次采样的近似后验概率，p(ω⁽ⁱ⁾)为第i次采样的先验概率，p(D|ω⁽ⁱ⁾)为第i次采样的条件概率，n为采样的总次数，θ为概率分布q_θ(ω⁽ⁱ⁾|D)的形状参数；

根据所述模型目标函数和原始数据集对神经网络进行训练，得到快速路事件检测模型。

2.根据权利要求1所述的一种基于贝叶斯神经网络的快速路事件检测方法，其特征在于，根据所述后验概率分布得到模型目标函数具体为：

基于后验概率分布得到模型的优化目标，所述优化目标的表达式为：

其中，θ^opt表示最优的概率分布q_θ(ω|D)的形状参数θ，p(ω|D)表示神经网络权重的后验概率，q_θ(ω|D)表示神经网络权重的近似后验概率，KL[q_θ(ω|D)||p(ω|D)]为后验概率分布；

从近似后验概率q_θ(ω|D)中采样，根据n次采样的结果对近似后验概率的数学期望进行近似；

根据近似后的近似后验概率的数学期望和模型的优化目标得到模型目标函数。

3.根据权利要求2所述的一种基于贝叶斯神经网络的快速路事件检测方法，其特征在于，所述根据n次采样的结果对近似后验概率的数学期望进行近似，具体的表达式为：

其中，为神经网络权重的近似后验概率q_θ(ω|D)的数学期望，n为采样的总次数。

4.根据权利要求1所述的一种基于贝叶斯神经网络的快速路事件检测方法，其特征在于，所述检测率、误报率和准确率的计算表达式为：

其中，DR为检测率，FAR为误报率，ACC为准确率，N_d为检测到的事件总数，N_a为真实事件的数量，N_f为错误检测的事件总数，N_aa为算法研判次数，N_c为正确识别的事件或非事件数量，N_i为采集到的事件和非事件总数。

5.根据权利要求1所述的一种基于贝叶斯神经网络的快速路事件检测方法，其特征在于，对所述快速路事件预测结果进行评估具体为：

基于贝叶斯神经网络模型预测结果的方差评估快速路事件预测结果，所述方差的表达式为：

其中，x^*表示观测到的交通流数据，y^*表示贝叶斯神经网络预测的标签值，表示对于输入x^*和输出y^*，权重的方差，为给定交通流数据，模型预测的变分分布的概率，为预测的的形状参数，为对于的的期望，为对于的y^*的期望，为对于的y^*的逆矩阵的期望。