[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

说明书

本发明涉及一种基于贝叶斯神经网络的快速路事件检测方法和装置，其中，方法的步骤包括：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快速路事件预测结果进行评估；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神经网络的权重；采用变分推断的方法得到权重的后验概率分布，根据后验概率分布得到模型目标函数；根据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。与现有技术相比，本发明具有事件检测准确度高、准确评价预测结果置信度等优点。

技术领域

本发明涉及交通事件检测领域，尤其是涉及一种基于贝叶斯神经网络的快速路事件检测方法和装置。

背景技术

交通拥堵作为各大城市的常见问题，导致城市运行效率的降低和环境污染的增加。快速路拥堵通常被归纳为常发性拥堵和非常发性拥堵。常发性拥堵受交通需求的波动影响，常在早晚高峰时段被观测到。非常发性拥堵由事件引起，导致交通流暂时急剧的变化。事件通常会降低出行时间可靠性，引起次生事件及增加空气污染。及时的事件检测有助于采取交通管控措施，降低经济和时间花费。

因此，事件检测对于快速路管理来说至关重要。有关事件检测的方法可分为基于数理统计的方法和基于机器学习的方法，随着深度学习技术的发展，基于机器学习的方法在事件检测应用时表现出高精度自动化的优点。然而，受交通数据中存在的噪声的影响，以及模型拟合真实交通流运行状态的偏差，在模型预测交通事件的结果存在不确定性，事件检测的准确度低。现有大多数基于机器学习的方法无法评估模型预测结果的不确定性，预测结果的置信度低。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供的一种事件检测准确度高、准确评价预测结果置信度的基于贝叶斯神经网络的快速路事件检测方法和装置。

本发明的目的可以通过以下技术方案来实现：

一种基于贝叶斯神经网络的快速路事件检测方法，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。

进一步地，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：