具有在線優(yōu)化能力的高速公路交通事件持續(xù)時(shí)間預(yù)測(cè)方法
【專利摘要】本發(fā)明公開(kāi)了一種具有在線優(yōu)化能力的高速公路交通事件持續(xù)時(shí)間預(yù)測(cè)方法，本發(fā)明選擇三種具有更新能力的單體預(yù)測(cè)模型實(shí)現(xiàn)融合預(yù)測(cè)，通過(guò)動(dòng)態(tài)分析各單體預(yù)測(cè)模型的誤差，利用誤差反比例法來(lái)動(dòng)態(tài)分配各自的權(quán)值；當(dāng)獲取一定的新交通事件后，對(duì)各單體預(yù)測(cè)模型及其參數(shù)進(jìn)行修正優(yōu)化，并對(duì)比分析修正前后的模型優(yōu)劣，選擇更優(yōu)的模型參與融合預(yù)測(cè)。待又獲得一定新的交通事件后，再對(duì)模型進(jìn)行優(yōu)化處理，并對(duì)比擇優(yōu)使用。在優(yōu)化過(guò)程中，若有新的交通事件需要預(yù)測(cè)時(shí)，則沿用原模型實(shí)施預(yù)測(cè)，待優(yōu)化完成后擇優(yōu)使用?？墒沟妹看晤A(yù)測(cè)時(shí)預(yù)測(cè)模型不必存儲(chǔ)和檢索大量數(shù)據(jù)，也可保障預(yù)測(cè)的時(shí)效性。提高高速公路交通事件持續(xù)時(shí)間的預(yù)測(cè)精度，提高公路網(wǎng)運(yùn)行效率。
【專利說(shuō)明】具有在線優(yōu)化能力的高速公路交通事件持續(xù)時(shí)間預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及交通運(yùn)行狀態(tài)分析領(lǐng)域，特別涉及一種高速公路交通事件持續(xù)時(shí)間在 線融合預(yù)測(cè)技術(shù)。
【背景技術(shù)】
[0002] 交通擁堵已經(jīng)成為世界上很多國(guó)家面臨的主要交通問(wèn)題之一，交通事件（如交通 事故、車輛拋錨、天氣狀況等）是造成高速公路交通擁堵的主要原因之一。近年來(lái)隨著我國(guó) 社會(huì)和經(jīng)濟(jì)的快速發(fā)展、汽車工業(yè)的迅速擴(kuò)張，城市化進(jìn)程逐步加快，我國(guó)機(jī)動(dòng)車擁有量猛 增，交通需求迅速增長(zhǎng)。隨著交通流量的增加，車速的加快、危險(xiǎn)品運(yùn)輸種類的增加等，高速 公路交通擁擠、交通事故等頻頻發(fā)生，由交通事件造成的交通堵塞、交通延誤及二次事故的 發(fā)生也必然上升，造成嚴(yán)重的人員傷亡和財(cái)產(chǎn)損失。此外，公路的安全和暢通一直是國(guó)家主 干公路網(wǎng)交通管理中的兩大重心，而交通突發(fā)事件情況下的應(yīng)急處置管理，則是非常態(tài)交 通管理的核心。若能夠及時(shí)獲得高速路網(wǎng)上的交通信息、準(zhǔn)確地掌握路網(wǎng)的交通擁擠狀態(tài)， 將有助于道路交通管理人員充分利用交通系統(tǒng)的時(shí)空資源，確定最佳的緊急救援方案、交 通管控措施以和安全隱患排除對(duì)策，對(duì)道路的交通流進(jìn)行管理和引導(dǎo)，緩解交通擁擠，從而 有效地減少交通延誤、減少交通運(yùn)行風(fēng)險(xiǎn)、提高交通事件管理的水平。為此，對(duì)交通事故持 續(xù)時(shí)間實(shí)施有效的預(yù)測(cè)，對(duì)于事件現(xiàn)場(chǎng)狀況和未來(lái)走勢(shì)的理解和預(yù)測(cè)、應(yīng)急資源需求和資 源調(diào)度、應(yīng)急預(yù)案生成和交通組織管理決策優(yōu)化等方面，具有重要的意義。
[0003] 在交通事件持續(xù)時(shí)間預(yù)測(cè)方面，當(dāng)前國(guó)內(nèi)外對(duì)此研究的預(yù)測(cè)方法主要可以分為兩 大塊：一類是基于統(tǒng)計(jì)分析的模型，主要包括基于概率分布的預(yù)測(cè)方法、基于條件概率的 預(yù)測(cè)方法、回歸分析模型、時(shí)間序列模型等；一類是不考慮分布特點(diǎn)的預(yù)測(cè)模型，主要包括 模糊邏輯模型、決策樹(shù)預(yù)測(cè)模型、非參數(shù)回歸模型等。各種方法都具有一定的優(yōu)點(diǎn)，但也存 在局限性。交通事件是隨機(jī)事件，它不僅受道路交通系統(tǒng)中各要素的制約，還受到社會(huì)、自 然等多種偶然因素的影響（如天氣、事故類型、到場(chǎng)時(shí)間、占用車道數(shù)、涉及車輛數(shù)、傷亡人 數(shù)、救援車輛數(shù)等隨機(jī)因素），而當(dāng)前單一的交通事件持續(xù)時(shí)間預(yù)測(cè)模型，均不能在不同時(shí) 亥IJ、不同情況下保持絕對(duì)較好的預(yù)測(cè)精度，并且，不同的預(yù)測(cè)模型各有其優(yōu)點(diǎn)和缺點(diǎn)，相互 間并不排斥，而是相互聯(lián)系、相互補(bǔ)充。為此，可以通過(guò)融合不同預(yù)測(cè)模型，取長(zhǎng)補(bǔ)短，以提 高預(yù)測(cè)精度。對(duì)于融合預(yù)測(cè)方法，其關(guān)鍵的一個(gè)方面是對(duì)各單體預(yù)測(cè)模型權(quán)值的動(dòng)態(tài)確定， 權(quán)值確定的合理程度直接決定著預(yù)測(cè)精度的高低。
[0004] 清華大學(xué)的李瑞敏和趙小強(qiáng)基于多元回歸模型、決策樹(shù)模型（CHAID和CART樹(shù)的 決策樹(shù)模型）、離散選擇模型（多元Logit模型、順序Probit模型），建立了層析分析綜合 預(yù)測(cè)方法。通過(guò)比較不同預(yù)測(cè)模型的誤差，用層次分析方法求取各模型的權(quán)值，進(jìn)而對(duì)各單 體預(yù)測(cè)模型的預(yù)測(cè)結(jié)果加權(quán)疊加以實(shí)現(xiàn)融合預(yù)測(cè)。結(jié)果表明層次分析綜合模型提高了預(yù)測(cè) 精度。采用多個(gè)單體預(yù)測(cè)模型實(shí)施融合預(yù)測(cè)更具有效。
[0005] 隨著時(shí)間推移，道路行車環(huán)境的變化或改善以及運(yùn)管部門對(duì)交通事件管控能力的 提升等，交通事件特性會(huì)發(fā)生變化，未來(lái)影響交通事件的相關(guān)顯著性因素將會(huì)與當(dāng)前和歷 史事件有所區(qū)別，并且同一類型事件的持續(xù)時(shí)間也將發(fā)生變化。而當(dāng)前國(guó)內(nèi)外已提出的單 體預(yù)測(cè)模型、融合預(yù)測(cè)模型使用的是靜態(tài)和離線的算法，無(wú)法對(duì)模型中的參數(shù)值和內(nèi)部結(jié) 構(gòu)進(jìn)行在線調(diào)整，這將導(dǎo)致預(yù)測(cè)模型預(yù)測(cè)精度的下降。
【發(fā)明內(nèi)容】
[0006] 有鑒于此，本發(fā)明所要解決的技術(shù)問(wèn)題是提供一種具有在線優(yōu)化能力的高速公路 交通事件持續(xù)時(shí)間預(yù)測(cè)方法。
[0007] 本發(fā)明的目的是這樣實(shí)現(xiàn)的：
[0008] 本發(fā)明提供的具有在線優(yōu)化能力的高速公路交通事件持續(xù)時(shí)間預(yù)測(cè)方法，包括以 下步驟：
[0009] 步驟1 :從事件數(shù)據(jù)庫(kù)中讀取當(dāng)前待預(yù)測(cè)交通事件的屬性信息，并判別當(dāng)前待預(yù) 測(cè)交通事件所屬的事件類型；
[0010] 步驟2 :基于當(dāng)前待預(yù)測(cè)交通事件的信息，利用各單體預(yù)測(cè)模型對(duì)當(dāng)前待預(yù)測(cè)交 通事件的持續(xù)時(shí)間分別進(jìn)行單獨(dú)預(yù)測(cè)，獲得各單體預(yù)測(cè)模型的預(yù)測(cè)結(jié)果；
[0011] 步驟3 :將各單體預(yù)測(cè)模型實(shí)施融合預(yù)測(cè)；根據(jù)誤差反比例法的加權(quán)疊加融合策 略進(jìn)行預(yù)測(cè)結(jié)果融合生成融合預(yù)測(cè)結(jié)果；
[0012] 步驟4 :將單體預(yù)測(cè)模型各自預(yù)測(cè)結(jié)果及融合預(yù)測(cè)結(jié)果存儲(chǔ)于事件數(shù)據(jù)庫(kù)中，同 時(shí)存儲(chǔ)交通事件信息，并在事件數(shù)據(jù)庫(kù)中做預(yù)測(cè)結(jié)果標(biāo)識(shí)以區(qū)分不同模型的預(yù)測(cè)結(jié)果；做 事件標(biāo)識(shí)以區(qū)分不同的交通事件；
[0013] 步驟5 :完成當(dāng)前待預(yù)測(cè)交通事件持續(xù)時(shí)間預(yù)測(cè)后，獲取交通事件的實(shí)際持續(xù)時(shí) 間，同時(shí)計(jì)算各單體預(yù)測(cè)模型對(duì)當(dāng)前交通事件的預(yù)測(cè)誤差，存于事件數(shù)據(jù)庫(kù)中，并與當(dāng)前事 件及其預(yù)測(cè)結(jié)果匹配；若當(dāng)前事件持續(xù)時(shí)間在規(guī)定的一定時(shí)間內(nèi)一直被記錄為空或?yàn)椹柕?異常情況，則交通事件不做處理，直接轉(zhuǎn)至步驟10 ;
[0014] 步驟6 :該類交通事件新增計(jì)數(shù)值自增1 ;
[0015] 步驟7 :對(duì)當(dāng)前待預(yù)測(cè)交通事件和歷史交通事件持續(xù)時(shí)間數(shù)據(jù)進(jìn)行處理，獲取當(dāng) 前待預(yù)測(cè)交通事件的實(shí)際持續(xù)時(shí)間和歷史交通事件持續(xù)時(shí)間的均值，對(duì)該類交通事件的持 續(xù)時(shí)間參數(shù)估計(jì)值進(jìn)行修正；
[0016] 步驟8 :根據(jù)交通事件的類型，在事件數(shù)據(jù)庫(kù)中找尋同類型的事件，并獲取各歷史 交通事件的信息，計(jì)算各單體預(yù)測(cè)模型對(duì)該類各歷史交通事件持續(xù)時(shí)間的預(yù)測(cè)誤差e/ ;
[0017] 步驟9 :利用各單體預(yù)測(cè)模型預(yù)測(cè)誤差求取各模型的融合權(quán)重；求取各單體預(yù)測(cè) 模型對(duì)該類型交通事件的預(yù)測(cè)誤差之和及其平均值，獲得各單體預(yù)測(cè)模型的預(yù)測(cè)誤差值； 并利用誤差反比例法求取各單體預(yù)測(cè)模型的融合權(quán)重；
[0018] 步驟10 :判斷該類型交通事件是否大于預(yù)測(cè)次數(shù)閾值n，如果否，則判斷有無(wú)新的 交通事件需要預(yù)測(cè)，如果是，則返回至步驟1 ;
[0019] 步驟11 :將新增的n起交通事件與歷史交通事件進(jìn)行綜合分析，對(duì)各單體預(yù)測(cè)模 型的參數(shù)進(jìn)行優(yōu)化；
[0020] 步驟12 :判斷模型或參數(shù)是否優(yōu)化完成，若優(yōu)化完成，則轉(zhuǎn)至步驟13 ;否則判斷當(dāng) 前是否有新的交通事件需要預(yù)測(cè)其持續(xù)時(shí)間，若有，則返回步驟1，并利用原模型實(shí)施預(yù)測(cè)， 若無(wú)，則繼續(xù)判斷模型或參數(shù)是否優(yōu)化完成；
[0021] 步驟13 :將重新標(biāo)定參數(shù)或重新修正后的各單體預(yù)測(cè)模型與原單體預(yù)測(cè)模型作 對(duì)比分析；在事件數(shù)據(jù)庫(kù)中，隨機(jī)選擇各類事件若干，利用各單體預(yù)測(cè)模型的新舊模型分別 對(duì)不同的交通事件持續(xù)時(shí)間進(jìn)行預(yù)測(cè)，并統(tǒng)計(jì)各事件預(yù)測(cè)的精度；針對(duì)某一類交通事件，若 新模型的預(yù)測(cè)精度優(yōu)于原模型，則采用新模型實(shí)施下次預(yù)測(cè)，同時(shí)，存儲(chǔ)各自預(yù)測(cè)結(jié)果及誤 差；否則，沿用原模型實(shí)施下次預(yù)測(cè)；
[0022] 步驟14 :利用擇優(yōu)后的模型對(duì)未來(lái)交通事件的持續(xù)時(shí)間實(shí)施預(yù)測(cè)，若有新的交通 事件需要預(yù)測(cè)其持續(xù)時(shí)間，則返回步驟1。
[0023] 進(jìn)一步，所述步驟3中的融合預(yù)測(cè)采用誤差反比例法的加權(quán)疊加融合策略進(jìn)行， 具體過(guò)程如下：
[0024] S31 :讀取三種單體預(yù)測(cè)模型各自的預(yù)測(cè)結(jié)果；
[0025]S32 :讀取三種單體預(yù)測(cè)模型各自的融合權(quán)重；
[0026] S33 :利用融合權(quán)重對(duì)各單體預(yù)測(cè)模型預(yù)測(cè)結(jié)果加權(quán)求和；
[0027] S34 :獲得交通事件持續(xù)時(shí)間融合預(yù)測(cè)結(jié)果；
[0028] S35 :將預(yù)測(cè)結(jié)果存儲(chǔ)于事件數(shù)據(jù)庫(kù)中。
[0029] 進(jìn)一步，所述步驟7中的持續(xù)時(shí)間參數(shù)估計(jì)值修正具體過(guò)程如下：
[0030] S71 :剔除明顯非有效數(shù)據(jù)，所述明顯非有效數(shù)據(jù)包括事件持續(xù)時(shí)間為0、事件本 身信息記錄缺少數(shù)據(jù)項(xiàng)較多、信息重復(fù)錄入的數(shù)據(jù)；
[0031]S72:計(jì)算持續(xù)時(shí)間數(shù)據(jù)的均值和三倍均方差3 0t，若離群值的偏差大于3 0t，則 判定為異常值并剔除；
[0032] S73 :求取經(jīng)數(shù)據(jù)預(yù)處理后的事件持續(xù)時(shí)間數(shù)據(jù)的均值，并對(duì)模型中的相關(guān)持續(xù)時(shí) 間參數(shù)估計(jì)值進(jìn)行修正。
[0033] 進(jìn)一步，所述步驟9中的融合權(quán)重計(jì)算采用通過(guò)誤差均值的倒數(shù)求取，具體過(guò)程 如下：
[0034] S911 :初始化各單體預(yù)測(cè)模型的融合權(quán)重均設(shè)置為0 ;
[0035] S912 :獲得三種單體預(yù)測(cè)模型近k次的預(yù)測(cè)誤差；
[0036] S913 :分別求取三種單體預(yù)測(cè)模型近k次的預(yù)測(cè)誤差之和；
[0037] S914 :判斷某單體預(yù)測(cè)模型誤差和是否為0,如果是，則對(duì)該單體預(yù)測(cè)模型的誤差 之和賦值為〇. 01 ;
[0038] S915 :如果否，則分別求取三種單體預(yù)測(cè)模型近k次誤差的均值；
[0039]S916 :分別求取三種預(yù)測(cè)模型誤差均值的倒數(shù)；
[0040]S917 :分別求取三種預(yù)測(cè)模型誤差均值的倒數(shù)之和；
[0041]S918 :分別求取各模型誤差均值的倒數(shù)占三模型誤差均值倒數(shù)之和的比例；
[0042] S919 :獲得三種單體預(yù)測(cè)模型各自的融合權(quán)重。
[0043] 進(jìn)一步，所述步驟9中的融合權(quán)重計(jì)算采用通過(guò)誤差和的倒數(shù)求取，具體過(guò)程如 下：
[0044] S921 :初始化各單體預(yù)測(cè)模型的融合權(quán)重均設(shè)置為0 ;
[0045]S922 :獲得三種單體預(yù)測(cè)模型近k次的預(yù)測(cè)誤差；
[0046] S923 :分別求取三種單體預(yù)測(cè)模型近k次的預(yù)測(cè)誤差之和；
[0047] S924 :判斷某單體預(yù)測(cè)模型誤差和是否為0,如果是，則對(duì)該單體預(yù)測(cè)模型的誤差 之和賦值為0. 01 ;
[0048] S925:如果否，則分別求取各模型誤差之和的倒數(shù)占三模型誤差和的倒數(shù)之和的 比例；
[0049] S926 :獲得三種單體預(yù)測(cè)模型各自的融合權(quán)重。
[0050] 進(jìn)一步，所述步驟11中的各單體預(yù)測(cè)模型參數(shù)優(yōu)化具體過(guò)程如下：
[0051] S111 :數(shù)據(jù)預(yù)處理，以剔除異常數(shù)據(jù)，并將數(shù)據(jù)信息數(shù)字化、統(tǒng)一規(guī)范化處理；包 括如下兩大部分：
[0052] 1)去噪處理，剔除異常數(shù)據(jù)，包括事件持續(xù)時(shí)間為0、持續(xù)時(shí)間過(guò)長(zhǎng)、事件本身信 息記錄缺少數(shù)據(jù)項(xiàng)和信息重復(fù)錄入數(shù)據(jù)；去噪的方法采用對(duì)比同樣特征事件的持續(xù)時(shí)間數(shù) 據(jù)，剔除出其中離群較遠(yuǎn)的點(diǎn)，并判斷事件信息記錄的完整性；實(shí)施步驟如下：
[0053] A.首先，剔除明顯非有效數(shù)據(jù)，包括事件持續(xù)時(shí)間為0、事件本身信息記錄缺少數(shù) 據(jù)項(xiàng)較多、信息重復(fù)錄入等數(shù)據(jù)；
[0054] B.其次，計(jì)算持續(xù)時(shí)間數(shù)據(jù)的均值和三倍均方差3〇 t，即若離群值的偏差大于 3 〇t，則判定為異常值并剔除；
[0055] C.最后，將處理后的事件數(shù)據(jù)存儲(chǔ)于有效事件數(shù)據(jù)表中；
[0056] 2)數(shù)字化處理，對(duì)文字的記錄信息做數(shù)字化處理，將影響因素的定性描述進(jìn)行定 量標(biāo)定，并對(duì)其賦值；對(duì)于事件數(shù)據(jù)信息的數(shù)字化處理，將事件信息存儲(chǔ)于歷史事件數(shù)據(jù)庫(kù) 時(shí)，同時(shí)實(shí)現(xiàn)對(duì)各種信息的數(shù)字化預(yù)處理，并將處理結(jié)果與事件信息匹配存儲(chǔ)于歷史事件 數(shù)據(jù)庫(kù)中；
[0057]S112 :影響因素顯著性分析；
[0058] 利用方差分析法對(duì)各因素進(jìn)行顯著性分析，取顯著性水平為0. 01至0. 05,若分析 后獲得的顯著因素太少或模型需要包含較多變量時(shí)，則增大顯著性水平，取值為〇. 1 ;
[0059] S113 :對(duì)各單體預(yù)測(cè)模型做參數(shù)優(yōu)化或模型修正，具體如下：
[0060] 1)對(duì)于多元回歸預(yù)測(cè)模型，在新增交通事件后，對(duì)各因素重新做顯著性分析，重 新選擇或補(bǔ)充模型變量，采用逐步回歸方法按以下步驟來(lái)實(shí)現(xiàn)并重新標(biāo)定各變量的回歸系 數(shù)：
[0061] SA1 :完成數(shù)據(jù)處理及因素的顯著性分析；
[0062] SA2 :對(duì)變量標(biāo)準(zhǔn)化；
[0063] SA3 :計(jì)算相關(guān)系數(shù)矩陣；
[0064]SA4 :確定F檢驗(yàn)值（FI、F2);
[0065]SA5 :開(kāi)始實(shí)施逐步計(jì)算；
[0066]SA6:變量引入處理：計(jì)算未引入變量的偏回歸平方和Vi，比較大小并計(jì)算最大者 的F值；
[0067] SA7:判斷檢驗(yàn)值F>F1是否成立，如果否，則輸出原始回歸方程，并做效果檢驗(yàn)、 完成并輸出結(jié)果，結(jié)束處理；
[0068]SA8 :如果是，則已入選變量數(shù)增1 ;
[0069] SA9:做相關(guān)系數(shù)矩陣變換；
[0070]SA10:判斷已入選變量數(shù)< 2是否成立，如果是，則返回步驟SA6;
[0071] SA11 :如果否，則進(jìn)行變量剔除處理：計(jì)算已引入變量的偏回歸平方和Vi，比較大 小并計(jì)算最小者的F值；
[0072] SA12 :判斷F<F2是否成立，如果否，則返回步驟SA6 ;
[0073] SA13 :如果是，則已引入變量數(shù)減1 ;返回步驟SA9。
[0074] 2)對(duì)于貝葉斯決策樹(shù)預(yù)測(cè)模型，模型優(yōu)化具體過(guò)程如下：
[0075] SB1 :完成數(shù)據(jù)處理及因素的顯著性分析；
[0076] SB2:判斷當(dāng)前各顯著性因素是否已處理完成，如果是，則求取該類交通事件實(shí)際 持續(xù)時(shí)間的均值；并修正模型中的持續(xù)時(shí)間估計(jì)值；進(jìn)入到步驟SB6 ;如果否，則判斷是否 存在某一新的顯著因素，進(jìn)入下一步；
[0077] SB3:如果是，則根據(jù)受該因素影響的事件來(lái)修正模型結(jié)構(gòu)及持續(xù)時(shí)間估計(jì)值，進(jìn) 入到步驟SB6 ;
[0078] SB4 :如果否，判斷是否存在多個(gè)影響顯著的新因素，如果否，則進(jìn)入到步驟SB6 ;
[0079] SB5 :如果是，則利用貝葉斯推理方法重構(gòu)決策樹(shù)結(jié)構(gòu)；
[0080] SB6 :輸出模型的優(yōu)化結(jié)果；
[0081] SB7:結(jié)束分析處理。
[0082] 3)對(duì)于基于生存分析的預(yù)測(cè)模型，模型優(yōu)化具體過(guò)程如下：
[0083] SCI:完成數(shù)據(jù)處理及因素的顯著性分析；
[0084] SC2 :采用參數(shù)加速失效模型建立模型的基本形式；
[0085] SC3 :確定模型的變量組；
[0086] SC4 :利用極大似然估計(jì)法求解模型的參數(shù)值；
[0087] SC5 :求取模型對(duì)應(yīng)的AIC值；
[0088] SC6 :判斷全部處理完成是否成立，如果否，則返回步驟SC3 ;
[0089] SC7 :如果是，則找尋AIC值為最小的模型及對(duì)應(yīng)的參數(shù)值；
[0090] SC8 :輸出模型及對(duì)應(yīng)的參數(shù)值。
[0091] 本發(fā)明的有益效果在于：本發(fā)明提供的一種具有在線優(yōu)化能力的高速公路交通事 件持續(xù)時(shí)間預(yù)測(cè)方法，對(duì)模型進(jìn)行在線優(yōu)化更新，適應(yīng)隨時(shí)間變化的交通事件特性，可以提 高高速公路交通事件持續(xù)時(shí)間的預(yù)測(cè)精度，進(jìn)而，有助于提升高速路網(wǎng)交通管控的智能化 水平，提高對(duì)公眾的服務(wù)水平，促進(jìn)公路網(wǎng)運(yùn)行效率的提高。由于實(shí)施運(yùn)行中，需要已建立 了歷史事件數(shù)據(jù)庫(kù)、交通事件持續(xù)時(shí)間預(yù)測(cè)事件數(shù)據(jù)庫(kù)（統(tǒng)稱為事件數(shù)據(jù)庫(kù)），并設(shè)已存儲(chǔ) 有各單體預(yù)測(cè)模型針對(duì)不同類型事件的預(yù)測(cè)結(jié)果及誤差；此外，預(yù)測(cè)時(shí)需能夠較及時(shí)地獲 取交通事件的屬性信息，并存儲(chǔ)于事件數(shù)據(jù)庫(kù)中，因?yàn)槭掳l(fā)時(shí)能較及時(shí)地獲取交通事件的 屬性信息并存儲(chǔ)于歷史事件數(shù)據(jù)庫(kù)中，可保障預(yù)測(cè)的有效實(shí)施。并且，對(duì)新發(fā)生事件的各屬 性信息的記錄均是按規(guī)定進(jìn)行有效的記錄，僅會(huì)存在極少的錯(cuò)誤記錄。
[0092] 在該融合預(yù)測(cè)方法中，將各單體預(yù)測(cè)模型融合權(quán)值的分析確定和模型優(yōu)化及擇優(yōu) 處理置于預(yù)測(cè)完成后進(jìn)行，可使得每次預(yù)測(cè)時(shí)預(yù)測(cè)模型不必存儲(chǔ)和檢索大量數(shù)據(jù)，也可保 障預(yù)測(cè)的時(shí)效性。
[0093] 本發(fā)明選擇三種具有更新能力的單體預(yù)測(cè)模型實(shí)現(xiàn)融合預(yù)測(cè)，通過(guò)動(dòng)態(tài)分析各單 體預(yù)測(cè)模型的誤差，利用誤差反比例法來(lái)動(dòng)態(tài)分配各自的權(quán)值；當(dāng)獲取一定的新交通事件 后，對(duì)各單體預(yù)測(cè)模型及其參數(shù)進(jìn)行修正優(yōu)化，并針對(duì)不同類型的事件，對(duì)比分析修正前后 的模型優(yōu)劣，通過(guò)精度對(duì)比的擇優(yōu)機(jī)制，選擇更優(yōu)的模型參與融合預(yù)測(cè)。待又獲得一定新的 交通事件后，再對(duì)模型進(jìn)行優(yōu)化處理，并對(duì)比擇優(yōu)使用。在優(yōu)化過(guò)程中，若有新的交通事件 需要預(yù)測(cè)時(shí)，則沿用原模型實(shí)施預(yù)測(cè)，待優(yōu)化完成后擇優(yōu)使用。
【專利附圖】
【附圖說(shuō)明】
[0094] 為了使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖對(duì)本發(fā)明作進(jìn) 一步的詳細(xì)描述，其中：
[0095] 圖1示出了具有在線優(yōu)化能力的高速公路交通事件持續(xù)時(shí)間預(yù)測(cè)方法的流程示 意圖；
[0096] 圖2示出了各單體預(yù)測(cè)模型融合預(yù)測(cè)流程圖；
[0097] 圖3示出了各單體預(yù)測(cè)模型融合權(quán)重通過(guò)誤差均值的倒數(shù)求取來(lái)確定的流程圖；
[0098] 圖4示出了各單體預(yù)測(cè)模型融合權(quán)重通過(guò)誤差和的倒數(shù)求取來(lái)確定的流程圖； [0099] 圖5示出了多元回歸預(yù)測(cè)模型優(yōu)化流程圖；
[0100] 圖6示出了貝葉斯決策樹(shù)模型優(yōu)化流程圖；
[0101] 圖7示出了貝葉斯決策樹(shù)修正前示意圖；
[0102] 圖8示出了貝葉斯決策樹(shù)修正后示意圖；
[0103] 圖9示出了基于生存（風(fēng)險(xiǎn)）分析的預(yù)測(cè)模型優(yōu)化流程圖。
【具體實(shí)施方式】
[0104] 以下將參照附圖，對(duì)本發(fā)明的優(yōu)選實(shí)施例進(jìn)行詳細(xì)的描述。應(yīng)當(dāng)理解，優(yōu)選實(shí)施例 僅為了說(shuō)明本發(fā)明，而不是為了限制本發(fā)明的保護(hù)范圍。
[0105] 實(shí)施例1
[0106] 如附圖所示，本發(fā)明提供的具有在線優(yōu)化能力的高速公路交通事件持續(xù)時(shí)間預(yù)測(cè) 方法，包括以下步驟：
[0107] 步驟1 :從事件數(shù)據(jù)庫(kù)中讀取當(dāng)前待預(yù)測(cè)交通事件的屬性信息，并判別當(dāng)前待預(yù) 測(cè)交通事件所屬的事件類型；
[0108] 步驟2 :基于當(dāng)前待預(yù)測(cè)交通事件的信息，利用各單體預(yù)測(cè)模型對(duì)當(dāng)前待預(yù)測(cè)交 通事件的持續(xù)時(shí)間分別進(jìn)行單獨(dú)預(yù)測(cè)，獲得各單體預(yù)測(cè)模型的預(yù)測(cè)結(jié)果；
[0109] 步驟3 :將各單體預(yù)測(cè)模型實(shí)施融合預(yù)測(cè)；根據(jù)誤差反比例法的加權(quán)疊加融合策 略進(jìn)行預(yù)測(cè)結(jié)果融合生成融合預(yù)測(cè)結(jié)果；
[0110] 步驟4 :將單體預(yù)測(cè)模型各自預(yù)測(cè)結(jié)果及融合預(yù)測(cè)結(jié)果存儲(chǔ)于事件數(shù)據(jù)庫(kù)中，同 時(shí)存儲(chǔ)交通事件信息，并在事件數(shù)據(jù)庫(kù)中做預(yù)測(cè)結(jié)果標(biāo)識(shí)以區(qū)分不同模型的預(yù)測(cè)結(jié)果；做 事件標(biāo)識(shí)以區(qū)分不同的交通事件；
[0111] 步驟5 :完成當(dāng)前待預(yù)測(cè)交通事件持續(xù)時(shí)間預(yù)測(cè)后，獲取交通事件的實(shí)際持續(xù)時(shí) 間，同時(shí)計(jì)算各單體預(yù)測(cè)模型對(duì)當(dāng)前交通事件的預(yù)測(cè)誤差，存于事件數(shù)據(jù)庫(kù)中，并與當(dāng)前事 件及其預(yù)測(cè)結(jié)果匹配；若當(dāng)前事件持續(xù)時(shí)間在規(guī)定的一定時(shí)間內(nèi)一直被記錄為空或?yàn)椹柕?異常情況，則交通事件不做處理，直接轉(zhuǎn)至步驟10 ;
[0112] 步驟6 :該類交通事件新增計(jì)數(shù)值自增1 ;
[0113] 步驟7 :對(duì)當(dāng)前待預(yù)測(cè)交通事件和歷史交通事件持續(xù)時(shí)間數(shù)據(jù)進(jìn)行處理，獲取當(dāng) 前待預(yù)測(cè)交通事件的實(shí)際持續(xù)時(shí)間和歷史交通事件持續(xù)時(shí)間的均值，對(duì)該類交通事件的持 續(xù)時(shí)間參數(shù)估計(jì)值進(jìn)行修正；
[0114] 步驟8 :根據(jù)交通事件的類型，在事件數(shù)據(jù)庫(kù)中找尋同類型的事件，并獲取各歷史 交通事件的信息，計(jì)算各單體預(yù)測(cè)模型對(duì)該類各歷史交通事件持續(xù)時(shí)間的預(yù)測(cè)誤差< ;
[0115] 步驟9:利用各單體預(yù)測(cè)模型預(yù)測(cè)誤差求取各模型的融合權(quán)重；求取各單體預(yù)測(cè) 模型對(duì)該類型交通事件的預(yù)測(cè)誤差之和及其平均值，獲得各單體預(yù)測(cè)模型的預(yù)測(cè)誤差值； 并利用誤差反比例法求取各單體預(yù)測(cè)模型的融合權(quán)重；
[0116] 步驟10 :判斷該類型交通事件是否大于預(yù)測(cè)次數(shù)閾值n，如果否，則判斷有無(wú)新的 交通事件需要預(yù)測(cè)，如果是，則返回至步驟1 ;
[0117] 步驟11 :將新增的n起交通事件與歷史交通事件進(jìn)行綜合分析，對(duì)各單體預(yù)測(cè)模 型的參數(shù)進(jìn)行優(yōu)化；
[0118] 步驟12 :判斷模型或參數(shù)是否優(yōu)化完成，若優(yōu)化完成，則轉(zhuǎn)至步驟13 ;否則判斷當(dāng) 前是否有新的交通事件需要預(yù)測(cè)其持續(xù)時(shí)間，若有，則返回步驟1，并利用原模型實(shí)施預(yù)測(cè)， 若無(wú)，則繼續(xù)判斷模型或參數(shù)是否優(yōu)化完成；
[0119] 步驟13 :將重新標(biāo)定參數(shù)或重新修正后的各單體預(yù)測(cè)模型與原單體預(yù)測(cè)模型作 對(duì)比分析；在事件數(shù)據(jù)庫(kù)中，隨機(jī)選擇各類事件若干，利用各單體預(yù)測(cè)模型的新舊模型分別 對(duì)不同的交通事件持續(xù)時(shí)間進(jìn)行預(yù)測(cè)，并統(tǒng)計(jì)各事件預(yù)測(cè)的精度；針對(duì)某一類交通事件，若 新模型的預(yù)測(cè)精度優(yōu)于原模型，則采用新模型實(shí)施下次預(yù)測(cè)，同時(shí)，存儲(chǔ)各自預(yù)測(cè)結(jié)果及誤 差；否則，沿用原模型實(shí)施下次預(yù)測(cè)；
[0120] 步驟14 :利用擇優(yōu)后的模型對(duì)未來(lái)交通事件的持續(xù)時(shí)間實(shí)施預(yù)測(cè)，若有新的交通 事件需要預(yù)測(cè)其持續(xù)時(shí)間，則返回步驟1。
[0121] 所述步驟3中的融合預(yù)測(cè)采用誤差反比例法的加權(quán)疊加融合策略進(jìn)行，具體過(guò)程 如下：
[0122] S31 :讀取三種單體預(yù)測(cè)模型各自的預(yù)測(cè)結(jié)果；
[0123] S32 :讀取三種單體預(yù)測(cè)模型各自的融合權(quán)重；
[0124] S33 :利用融合權(quán)重對(duì)各單體預(yù)測(cè)模型預(yù)測(cè)結(jié)果加權(quán)求和；
[0125]S34 :獲得交通事件持續(xù)時(shí)間融合預(yù)測(cè)結(jié)果；
[0126] S35 :將預(yù)測(cè)結(jié)果存儲(chǔ)于事件數(shù)據(jù)庫(kù)中。
[0127] 所述步驟7中的持續(xù)時(shí)間參數(shù)估計(jì)值修正具體過(guò)程如下：
[0128] S71 :剔除明顯非有效數(shù)據(jù)，所述明顯非有效數(shù)據(jù)包括事件持續(xù)時(shí)間為0、事件本 身信息記錄缺少數(shù)據(jù)項(xiàng)較多、信息重復(fù)錄入的數(shù)據(jù)；
[0129] S72 :計(jì)算持續(xù)時(shí)間數(shù)據(jù)的均值和三倍均方差3 〇t，若離群值的偏差大于3 〇 t，則 判定為異常值并剔除；
[0130] S73 :求取經(jīng)數(shù)據(jù)預(yù)處理后的事件持續(xù)時(shí)間數(shù)據(jù)的均值，并對(duì)模型中的相關(guān)持續(xù)時(shí) 間參數(shù)估計(jì)值進(jìn)行修正。
[0131] 所述步驟9中的融合權(quán)重計(jì)算采用通過(guò)誤差均值的倒數(shù)求取，具體過(guò)程如下：
[0132] S911 :初始化各單體預(yù)測(cè)模型的融合權(quán)重均設(shè)置為0 ;
[0133] S912 :獲得三種單體預(yù)測(cè)模型近k次的預(yù)測(cè)誤差；
[0134] S913 :分別求取三種單體預(yù)測(cè)模型近k次的預(yù)測(cè)誤差之和；
[0135]S914 :判斷某單體預(yù)測(cè)模型誤差和是否為0,如果是，則對(duì)該單體預(yù)測(cè)模型的誤差 之和賦值為0. 01 ;
[0136]S915:如果否，則分別求取三種單體預(yù)測(cè)模型近k次誤差的均值；
[0137]S916:分別求取三種預(yù)測(cè)模型誤差均值的倒數(shù)；
[0138]S917:分別求取三種預(yù)測(cè)模型誤差均值的倒數(shù)之和；
[0139]S918:分別求取各模型誤差均值的倒數(shù)占三模型誤差均值倒數(shù)之和的比例；
[0140] S919 :獲得三種單體預(yù)測(cè)模型各自的融合權(quán)重。
[0141] 所述步驟9中的融合權(quán)重計(jì)算采用通過(guò)誤差和的倒數(shù)求取，具體過(guò)程如下：
[0142] S921:初始化各單體預(yù)測(cè)模型的融合權(quán)重均設(shè)置為0;
[0143] S922:獲得三種單體預(yù)測(cè)模型近k次的預(yù)測(cè)誤差；
[0144] S923:分別求取三種單體預(yù)測(cè)模型近k次的預(yù)測(cè)誤差之和；
[0145] S924:判斷某單體預(yù)測(cè)模型誤差和是否為0,如果是，則對(duì)該單體預(yù)測(cè)模型的誤差 之和賦值為〇. 01 ;
[0146]S925:如果否，則分別求取各模型誤差之和的倒數(shù)占三模型誤差和的倒數(shù)之和的 比例；
[0147]S926:獲得三種單體預(yù)測(cè)模型各自的融合權(quán)重。
[0148] 所述步驟11中的各單體預(yù)測(cè)模型參數(shù)優(yōu)化具體過(guò)程如下：
[0149]S111:數(shù)據(jù)預(yù)處理，以剔除異常數(shù)據(jù)，并將數(shù)據(jù)信息數(shù)字化、統(tǒng)一規(guī)范化處理；包 括如下兩大部分：
[0150] 1)去噪處理，剔除異常數(shù)據(jù)，包括事件持續(xù)時(shí)間為0、持續(xù)時(shí)間過(guò)長(zhǎng)、事件本身信 息記錄缺少數(shù)據(jù)項(xiàng)和信息重復(fù)錄入數(shù)據(jù)；去噪的方法采用對(duì)比同樣特征事件的持續(xù)時(shí)間數(shù) 據(jù)，剔除出其中離群較遠(yuǎn)的點(diǎn)，并判斷事件信息記錄的完整性；實(shí)施步驟如下：
[0151] A.首先，剔除明顯非有效數(shù)據(jù)，包括事件持續(xù)時(shí)間為0、事件本身信息記錄缺少數(shù) 據(jù)項(xiàng)較多、信息重復(fù)錄入等數(shù)據(jù)；
[0152]B.其次，計(jì)算持續(xù)時(shí)間數(shù)據(jù)的均值和三倍均方差3〇 t，即若離群值的偏差大于 3 〇t，則判定為異常值并剔除；
[0153]C.最后，將處理后的事件數(shù)據(jù)存儲(chǔ)于有效事件數(shù)據(jù)表中；
[0154] 2)數(shù)字化處理，對(duì)文字的記錄信息做數(shù)字化處理，將影響因素的定性描述進(jìn)行定 量標(biāo)定，并對(duì)其賦值；對(duì)于事件數(shù)據(jù)信息的數(shù)字化處理，將事件信息存儲(chǔ)于歷史事件數(shù)據(jù)庫(kù) 時(shí)，同時(shí)實(shí)現(xiàn)對(duì)各種信息的數(shù)字化預(yù)處理，并將處理結(jié)果與事件信息匹配存儲(chǔ)于歷史事件 數(shù)據(jù)庫(kù)中；
[0155]S112:影響因素顯著性分析；
[0156] 利用方差分析法對(duì)各因素進(jìn)行顯著性分析，取顯著性水平為0. 01至0. 05,若分析 后獲得的顯著因素太少或模型需要包含較多變量時(shí)，則增大顯著性水平，取值為0. 1 ;
[0157]S113:對(duì)各單體預(yù)測(cè)模型做參數(shù)優(yōu)化或模型修正，具體如下：
[0158]1)對(duì)于多元回歸預(yù)測(cè)模型，在新增交通事件后，對(duì)各因素重新做顯著性分析，重 新選擇或補(bǔ)充模型變量，采用逐步回歸方法按以下步驟來(lái)實(shí)現(xiàn)并重新標(biāo)定各變量的回歸系 數(shù)：
[0159]SA1:完成數(shù)據(jù)處理及因素的顯著性分析；
[0160]SA2:對(duì)變量標(biāo)準(zhǔn)化；
[0161]SA3:計(jì)算相關(guān)系數(shù)矩陣；
[0162]SA4:確定F檢驗(yàn)值（FI、F2);
[0163]SA5:開(kāi)始實(shí)施逐步計(jì)算；
[0164]SA6:變量引入處理：計(jì)算未引入變量的偏回歸平方和Vi，比較大小并計(jì)算最大者 的F值；
[0165]SA7:判斷檢驗(yàn)值F>F1是否成立，如果否，則輸出原始回歸方程，并做效果檢驗(yàn)、 完成并輸出結(jié)果，結(jié)束處理；
[0166]SA8:如果是，則已入選變量數(shù)增1;
[0167]SA9:做相關(guān)系數(shù)矩陣變換；
[0168]SA10:判斷已入選變量數(shù)< 2是否成立，如果是，則返回步驟SA6;
[0169]SA11:如果否，則進(jìn)行變量剔除處理：計(jì)算已引入變量的偏回歸平方和Vi，比較大 小并計(jì)算最小者的F值；
[0170]SA12:判斷F<F2是否成立，如果否，則返回步驟SA6;
[0171]SA13:如果是，則已引入變量數(shù)減1;返回步驟SA9。
[0172] 2)對(duì)于貝葉斯決策樹(shù)預(yù)測(cè)模型，模型優(yōu)化具體過(guò)程如下：
[0173]SB1:完成數(shù)據(jù)處理及因素的顯著性分析；
[0174]SB2:判斷當(dāng)前各顯著性因素是否已處理完成，如果是，則求取該類交通事件實(shí)際 持續(xù)時(shí)間的均值；并修正模型中的持續(xù)時(shí)間估計(jì)值；進(jìn)入到步驟SB6;如果否，則判斷是否 存在某一新的顯著因素，進(jìn)入下一步；
[0175]SB3:如果是，則根據(jù)受該因素影響的事件來(lái)修正模型結(jié)構(gòu)及持續(xù)時(shí)間估計(jì)值，進(jìn) 入到步驟SB6;
[0176]SB4:如果否，判斷是否存在多個(gè)影響顯著的新因素，如果否，則進(jìn)入到步驟SB6;
[0177]SB5:如果是，則利用貝葉斯推理方法重構(gòu)決策樹(shù)結(jié)構(gòu)；
[0178]SB6:輸出模型的優(yōu)化結(jié)果；
[0179]SB7:結(jié)束分析處理。
[0180] 3)對(duì)于基于生存分析的預(yù)測(cè)模型，模型優(yōu)化具體過(guò)程如下：
[0181]SCI:完成數(shù)據(jù)處理及因素的顯著性分析；
[0182]SC2:采用參數(shù)加速失效模型建立模型的基本形式；
[0183]SC3:確定模型的變量組；
[0184]SC4:利用極大似然估計(jì)法求解模型的參數(shù)值；
[0185]SC5:求取模型對(duì)應(yīng)的AIC值；
[0186]SC6:判斷全部處理完成是否成立，如果否，則返回步驟SC3;
[0187]SC7:如果是，則找尋AIC值為最小的模型及對(duì)應(yīng)的參數(shù)值；
[0188]SC8:輸出模型及對(duì)應(yīng)的參數(shù)值。
[0189] 實(shí)施例2
[0190] 本實(shí)施例與實(shí)施例1的區(qū)別僅在于：
[0191] 本實(shí)施例提供的具有在線優(yōu)化能力的高速公路交通事件持續(xù)時(shí)間預(yù)測(cè)方法，包括 如下步驟：
[0192] 步驟1 :從事件數(shù)據(jù)庫(kù)中讀取當(dāng)前待預(yù)測(cè)交通事件的屬性信息，并判別該交通事 件所屬的事件類型；
[0193] 交通事件屬性信息可從事件數(shù)據(jù)庫(kù)讀取外，也可以選擇由事件信息輸入模塊直接 及時(shí)輸入，但優(yōu)選事件數(shù)據(jù)庫(kù)讀取方式。
[0194] 步驟2:基于當(dāng)前交通事件的信息，利用各單體預(yù)測(cè)模型（多元回歸預(yù)測(cè)模型、貝 葉斯決策樹(shù)預(yù)測(cè)模型、基于生存（風(fēng)險(xiǎn)）分析的預(yù)測(cè)模型）對(duì)該事件的持續(xù)時(shí)間分別進(jìn)行 單獨(dú)預(yù)測(cè)，獲得各單體預(yù)測(cè)模型的預(yù)測(cè)結(jié)果；
[0195] 步驟3:將各單體預(yù)測(cè)模型實(shí)施融合預(yù)測(cè)。根據(jù)誤差反比例法的加權(quán)疊加融合策 略進(jìn)行預(yù)測(cè)結(jié)果融合，融合預(yù)測(cè)機(jī)制參見(jiàn)圖2 ;
[0196]在相同時(shí)間下，對(duì)同一交通事件，各單體預(yù)測(cè)模型的預(yù)測(cè)精度仍有高低之分，因 此，為了進(jìn)一步提高預(yù)測(cè)精度，減少預(yù)測(cè)誤差，需要對(duì)各單體預(yù)測(cè)模型進(jìn)行融合預(yù)測(cè)。融合 的思想是充分考慮各個(gè)單體預(yù)測(cè)模型在歷史時(shí)間里的預(yù)測(cè)精度以及模型本身的適用環(huán)境。 本發(fā)明采用誤差反比例法確定權(quán)重，其原則是權(quán)重與誤差大小成反比，即誤差大的給予小 的權(quán)重，誤差小的給予大的權(quán)重。通過(guò)對(duì)各單體預(yù)測(cè)模型的預(yù)測(cè)結(jié)果加權(quán)疊加實(shí)現(xiàn)融合預(yù) 測(cè)。
[0197] 步驟4:將單體預(yù)測(cè)模型各自預(yù)測(cè)結(jié)果及融合預(yù)測(cè)結(jié)果存儲(chǔ)于歷史交通事件持續(xù) 時(shí)間預(yù)測(cè)事件數(shù)據(jù)庫(kù)中，同時(shí)存儲(chǔ)事件信息，并在事件數(shù)據(jù)庫(kù)中做預(yù)測(cè)結(jié)果標(biāo)識(shí)以區(qū)分不 同模型的預(yù)測(cè)結(jié)果、做事件標(biāo)識(shí)以區(qū)分不同的交通事件；
[0198] 步驟5:完成當(dāng)前交通事件持續(xù)時(shí)間預(yù)測(cè)后，獲取事件的實(shí)際持續(xù)時(shí)間，同時(shí)計(jì)算 各單體預(yù)測(cè)模型對(duì)當(dāng)前事件的預(yù)測(cè)誤差，存于事件數(shù)據(jù)庫(kù)中，并與當(dāng)前事件及其預(yù)測(cè)結(jié)果 匹配。若當(dāng)前事件持續(xù)時(shí)間在規(guī)定的一定時(shí)間內(nèi)（根據(jù)運(yùn)管部門對(duì)業(yè)務(wù)的要求設(shè)定，如要 求事發(fā)后24小時(shí)或48小時(shí)內(nèi)）一直被記錄為空或?yàn)?等異常情況，則此事件可不做處理， 直接轉(zhuǎn)至步驟10。
[0199] 步驟6 :該類事件新增計(jì)數(shù)值自增1，即有countE+l;
[0200] 步驟7 :對(duì)當(dāng)前事件和歷史事件持續(xù)時(shí)間數(shù)據(jù)進(jìn)行處理，獲取當(dāng)前事件的實(shí)際持 續(xù)時(shí)間和歷史交通事件持續(xù)時(shí)間的均值，以此對(duì)貝葉斯決策樹(shù)模型中該類事件的持續(xù)時(shí)間 參數(shù)估計(jì)值進(jìn)行修正；主要包括如下幾部分：
[0201] (1)首先，剔除明顯非有效數(shù)據(jù)，包括事件持續(xù)時(shí)間為0、事件本身信息記錄缺少 數(shù)據(jù)項(xiàng)較多、信息重復(fù)錄入等數(shù)據(jù)；
[0202] (2)其次，利用持續(xù)時(shí)間數(shù)據(jù)的均值和標(biāo)準(zhǔn)差做進(jìn)一步處理?？衫镁岛腿毒?方差（3 〇t)來(lái)處理，即若離群值的偏差大于3 〇t，則有理由將之判定為異常值并剔除；
[0203] (3)求取經(jīng)數(shù)據(jù)預(yù)處理后的事件持續(xù)時(shí)間數(shù)據(jù)的均值，并以此對(duì)模型中的相關(guān)持 續(xù)時(shí)間參數(shù)估計(jì)值進(jìn)行修正。
[0204] 隨著時(shí)間推移，道路行車環(huán)境的變化或改善以及運(yùn)管部門對(duì)交通事件管控能力的 提升，未來(lái)發(fā)生的交通事件的特性及其持續(xù)時(shí)間將會(huì)與歷史交通事件有所區(qū)別，為此，需要 將新交通事件的實(shí)際持續(xù)時(shí)間和歷史交通事件持續(xù)時(shí)間綜合分析，求取該類事件持續(xù)時(shí)間 的均值，重新給出持續(xù)時(shí)間估計(jì)值，這樣可將行車環(huán)境和管控能力的變化反映其中，以在一 定程度上減小貝葉斯決策樹(shù)模型對(duì)未來(lái)交通事件持續(xù)時(shí)間的預(yù)測(cè)誤差。
[0205] 步驟8:根據(jù)事件的類型，在歷史交通事件持續(xù)時(shí)間預(yù)測(cè)事件數(shù)據(jù)庫(kù)中找尋同類 型的事件，并獲取各歷史交通事件的信息，主要需包括各單體預(yù)測(cè)模型對(duì)該類各歷史交通 事件持續(xù)時(shí)間的預(yù)測(cè)誤差
[0206] 針對(duì)不同類型的交通事件，用同一種預(yù)測(cè)模型，其預(yù)測(cè)精度也存在差異，則需要根 據(jù)事件類型統(tǒng)計(jì)各單體預(yù)測(cè)模型的預(yù)測(cè)誤差。
[0207] 步驟9 :利用各單體預(yù)測(cè)模型預(yù)測(cè)誤差求取各模型的融合權(quán)重。求取各單體預(yù)測(cè) 模型對(duì)該類型交通事件的預(yù)測(cè)誤差之和及其平均值，獲得各單體預(yù)測(cè)模型的預(yù)測(cè)誤差值。 并利用誤差反比例法求取各單體預(yù)測(cè)模型的融合權(quán)重，為未來(lái)進(jìn)行該類交通事件持續(xù)時(shí)間 融合預(yù)測(cè)提供各單體預(yù)測(cè)模型的權(quán)重值。各單體預(yù)測(cè)模型的融合權(quán)重確定方法流程參見(jiàn)圖 3、圖 4 ;
[0208] 步驟10 :判斷該類型事件是否已預(yù)測(cè)n次（n> 1，即事件數(shù)據(jù)庫(kù)中該類事件已新 增n起，有countE =n)，如果預(yù)測(cè)次數(shù)未達(dá)到n次，便判斷有無(wú)新的事件需要預(yù)測(cè)，若有則 返回至步驟1。
[0209] 步驟11 :將新增的n起交通事件與歷史交通事件進(jìn)行綜合分析，對(duì)各單體預(yù)測(cè)模 型的參數(shù)進(jìn)行優(yōu)化或做模型修正；實(shí)施的主要步驟如下：
[0210] (1)數(shù)據(jù)預(yù)處理，以剔除異常數(shù)據(jù)，并將數(shù)據(jù)信息數(shù)字化、統(tǒng)一規(guī)范化處理；主要 包括如下兩大部分：
[0211] 1)去噪處理。主要是剔除異常數(shù)據(jù)，如事件持續(xù)時(shí)間為0、持續(xù)時(shí)間特別長(zhǎng)（如超 過(guò)24h)、事件本身信息記錄缺少數(shù)據(jù)項(xiàng)較多、信息重復(fù)錄入等。去噪的方法是通過(guò)對(duì)比同樣 特征事件的持續(xù)時(shí)間數(shù)據(jù)，剔除出其中離群較遠(yuǎn)的點(diǎn)，并判斷事件信息記錄的完整性。此處 可利用持續(xù)時(shí)間數(shù)據(jù)的均值和標(biāo)準(zhǔn)差來(lái)剔除離群較遠(yuǎn)的點(diǎn)。實(shí)施步驟如下：
[0212] A.首先，剔除明顯非有效數(shù)據(jù)，包括事件持續(xù)時(shí)間為0、事件本身信息記錄缺少數(shù) 據(jù)項(xiàng)較多、信息重復(fù)錄入等數(shù)據(jù)；
[0213] B.其次，利用持續(xù)時(shí)間數(shù)據(jù)的均值和標(biāo)準(zhǔn)差做進(jìn)一步處理?？衫镁岛腿毒?方差（3 〇t)來(lái)處理，即若離群值的偏差大于3 〇t，則有理由將之判定為異常值并剔除。
[0214] C.最后，將處理后的事件數(shù)據(jù)（包括事件的各屬性信息）存儲(chǔ)于"有效事件數(shù)據(jù) 表"中，以便為后續(xù)工作（如模型優(yōu)化）做數(shù)據(jù)準(zhǔn)備。
[0215] 2)數(shù)字化處理。主要是對(duì)文字的記錄信息等做數(shù)字化處理，是將影響因素的定性 描述進(jìn)行定量標(biāo)定，并對(duì)其賦值。對(duì)于事件數(shù)據(jù)信息的數(shù)字化處理，可在將事件信息存儲(chǔ)于 歷史事件數(shù)據(jù)庫(kù)時(shí)，同時(shí)實(shí)現(xiàn)對(duì)各種信息的數(shù)字化預(yù)處理，并將處理結(jié)果與事件信息匹配 存儲(chǔ)于歷史事件數(shù)據(jù)庫(kù)中。
[0216] (2)影響因素顯著性分析；
[0217] 在所有影響因素中，有的因素影響可能很大，而有的因素則影響很小。為了減少預(yù) 測(cè)成本，提高預(yù)測(cè)精度，需要從多種因素中找出主要影響因素，區(qū)別各因素的影響程度，此 夕卜，測(cè)定的變量越多，實(shí)施的難度就越大?？衫梅讲罘治龇▽?duì)各因素進(jìn)行顯著性分析，一 般可取顯著性水平為0. 01或0. 05,但若分析后獲得的顯著因素太少或模型需要包含較多 變量時(shí)，應(yīng)增大顯著性水平，如取值為〇. 1。
[0218] (3)對(duì)各單體預(yù)測(cè)模型做參數(shù)優(yōu)化或模型修正。
[0219] 1)對(duì)于多元回歸預(yù)測(cè)模型，其模型優(yōu)化機(jī)制參見(jiàn)圖5。
[0220] 由于影響事件持續(xù)時(shí)間因素繁多復(fù)雜，隨機(jī)性強(qiáng)，因此，對(duì)歷史事件所包含信息的 不斷補(bǔ)充完善，考慮更多的影響因素，將會(huì)有助于提高預(yù)測(cè)精度。此外，初始模型建立時(shí)采 用的樣本畢竟有限，對(duì)某些因素的顯著性分析可能存在欠充分，則需要在新增事件后，對(duì)各 因素重新做顯著性分析，重新選擇或補(bǔ)充模型變量，并重新標(biāo)定各變量的回歸系數(shù)，此處采 用逐步回歸方法實(shí)現(xiàn)。
[0221] 2)對(duì)于貝葉斯決策樹(shù)預(yù)測(cè)模型，模型優(yōu)化機(jī)制參見(jiàn)圖6。
[0222] 隨著時(shí)間的推移，道路行車環(huán)境的變化或改善以及運(yùn)管部門對(duì)交通事件管控能力 的提升等，會(huì)影響交通事件持續(xù)時(shí)間的長(zhǎng)短，需要將新增事件與歷史事件綜合分析，重新修 正預(yù)測(cè)時(shí)間參數(shù)估計(jì)值或決策樹(shù)結(jié)構(gòu)，此外，當(dāng)有更多的事件數(shù)據(jù)可用于進(jìn)行顯著性分析 時(shí)，可以進(jìn)一步對(duì)決策樹(shù)進(jìn)行完善和細(xì)化，有助于提高預(yù)測(cè)精度。
[0223] 3)對(duì)于基于生存（風(fēng)險(xiǎn)）分析的預(yù)測(cè)模型，模型優(yōu)化機(jī)制參見(jiàn)圖9。
[0224] 對(duì)于基于生存分析的預(yù)測(cè)模型，模型的參數(shù)估計(jì)值的時(shí)間穩(wěn)定性需要大量的數(shù)據(jù) 來(lái)驗(yàn)證。因此，在獲取新的事件后，需要將新增事件與歷史事件綜合分析，重新修正參數(shù)估 計(jì)值。在完成數(shù)據(jù)處理和因素顯著性分析后，對(duì)模型進(jìn)行參數(shù)優(yōu)化或模型修正。
[0225] 步驟12 :判斷模型或參數(shù)是否優(yōu)化完成，若優(yōu)化完成，則轉(zhuǎn)至步驟13 ;否則判斷當(dāng) 前是否有新的交通事件需要預(yù)測(cè)其持續(xù)時(shí)間，若有，則返回步驟1，并利用原模型實(shí)施預(yù)測(cè)， 若無(wú)，則繼續(xù)判斷模型或參數(shù)是否優(yōu)化完成。
[0226] 步驟13 :將重新標(biāo)定參數(shù)或重新修正后的各單體預(yù)測(cè)模型與原單體預(yù)測(cè)模型作 對(duì)比分析。在事件數(shù)據(jù)庫(kù)中，隨機(jī)選擇各類事件若干，利用各單體預(yù)測(cè)模型的新舊模型分別 對(duì)不同的交通事件持續(xù)時(shí)間進(jìn)行預(yù)測(cè)，并統(tǒng)計(jì)各事件預(yù)測(cè)的精度。針對(duì)某一類交通事件，若 新模型的預(yù)測(cè)精度優(yōu)于原模型，則采用新模型實(shí)施下次預(yù)測(cè)，同時(shí)，存儲(chǔ)各自預(yù)測(cè)結(jié)果及誤 差。否則，沿用原模型實(shí)施下次預(yù)測(cè)；
[0227] 由于利用新交通事件與歷史交通事件綜合分析，重新標(biāo)定模型參數(shù)或做模型修正 后，新舊模型對(duì)各類交通事件持續(xù)時(shí)間的預(yù)測(cè)精度可能存在不一致性，需要對(duì)不同類型的 交通事件分別進(jìn)行對(duì)比分析，以對(duì)新舊模型擇優(yōu)使用。
[0228] 步驟14 :利用擇優(yōu)后的模型對(duì)未來(lái)交通事件的持續(xù)時(shí)間實(shí)施預(yù)測(cè)，若有新的交通 事件需要預(yù)測(cè)其持續(xù)時(shí)間，則返回步驟1。
[0229] 實(shí)施例3
[0230] 本實(shí)施例與實(shí)施例2的區(qū)別僅在于：
[0231] 參見(jiàn)圖1，具有在線優(yōu)化能力的高速公路交通事件持續(xù)時(shí)間預(yù)測(cè)方法，包括如下步 驟：
[0232] 步驟1 :從事件數(shù)據(jù)庫(kù)中讀取當(dāng)前待預(yù)測(cè)交通事件的屬性信息，并判別該交通事 件所屬的事件類型；
[0233] 交通事件屬性信息可從事件數(shù)據(jù)庫(kù)讀取外，也可以選擇由事件信息輸入模塊直接 及時(shí)輸入，但優(yōu)選數(shù)據(jù)庫(kù)讀取方式。
[0234] 步驟2 :基于當(dāng)前交通事件的信息，利用各單體預(yù)測(cè)模型（多元回歸預(yù)測(cè)模型、貝 葉斯決策樹(shù)預(yù)測(cè)模型、基于生存（風(fēng)險(xiǎn)）分析的預(yù)測(cè)模型）對(duì)該事件的持續(xù)時(shí)間分別進(jìn)行 單獨(dú)預(yù)測(cè)，獲得各單體預(yù)測(cè)模型的預(yù)測(cè)結(jié)果；
[0235] 步驟3 :將各單體預(yù)測(cè)模型實(shí)施融合預(yù)測(cè)。根據(jù)誤差反比例法的加權(quán)疊加融合策 略進(jìn)行預(yù)測(cè)結(jié)果融合，融合預(yù)測(cè)機(jī)制參見(jiàn)圖2 ;
[0236] 在相同時(shí)間下，對(duì)同一交通事件，各單體預(yù)測(cè)模型的預(yù)測(cè)精度仍有高低之分，因 此，為了進(jìn)一步提高預(yù)測(cè)精度，減少預(yù)測(cè)誤差，需要對(duì)各單體預(yù)測(cè)模型進(jìn)行融合預(yù)測(cè)。融合 的思想是充分考慮各個(gè)單體預(yù)測(cè)模型在歷史時(shí)間里的預(yù)測(cè)精度以及模型本身的適用環(huán)境。 本發(fā)明采用誤差反比例法確定權(quán)重，其原則是權(quán)重與誤差大小成反比，即誤差大的給予小 的權(quán)重，誤差小的給予大的權(quán)重。通過(guò)對(duì)各單體預(yù)測(cè)模型的預(yù)測(cè)結(jié)果加權(quán)疊加實(shí)現(xiàn)融合預(yù) 測(cè)。
[0237] 對(duì)預(yù)測(cè)結(jié)果進(jìn)行融合，計(jì)算公式為：
【權(quán)利要求】
1.具有在線優(yōu)化能力的高速公路交通事件持續(xù)時(shí)間預(yù)測(cè)方法，其特征在于：包括以下 步驟： 步驟1:從事件數(shù)據(jù)庫(kù)中讀取當(dāng)前待預(yù)測(cè)交通事件的屬性信息，并判別當(dāng)前待預(yù)測(cè)交 通事件所屬的事件類型； 步驟2 :基于當(dāng)前待預(yù)測(cè)交通事件的信息，利用各單體預(yù)測(cè)模型對(duì)當(dāng)前待預(yù)測(cè)交通事 件的持續(xù)時(shí)間分別進(jìn)行單獨(dú)預(yù)測(cè)，獲得各單體預(yù)測(cè)模型的預(yù)測(cè)結(jié)果； 步驟3 :將各單體預(yù)測(cè)模型實(shí)施融合預(yù)測(cè)；根據(jù)誤差反比例法的加權(quán)疊加融合策略進(jìn) 行預(yù)測(cè)結(jié)果融合生成融合預(yù)測(cè)結(jié)果； 步驟4 :將單體預(yù)測(cè)模型各自預(yù)測(cè)結(jié)果及融合預(yù)測(cè)結(jié)果存儲(chǔ)于事件數(shù)據(jù)庫(kù)中，同時(shí)存 儲(chǔ)交通事件信息，并在事件數(shù)據(jù)庫(kù)中做預(yù)測(cè)結(jié)果標(biāo)識(shí)以區(qū)分不同模型的預(yù)測(cè)結(jié)果；做事件 標(biāo)識(shí)以區(qū)分不同的交通事件； 步驟5 :完成當(dāng)前待預(yù)測(cè)交通事件持續(xù)時(shí)間預(yù)測(cè)后，獲取交通事件的實(shí)際持續(xù)時(shí)間，同 時(shí)計(jì)算各單體預(yù)測(cè)模型對(duì)當(dāng)前交通事件的預(yù)測(cè)誤差，存于事件數(shù)據(jù)庫(kù)中，并與當(dāng)前事件及 其預(yù)測(cè)結(jié)果匹配；若當(dāng)前事件持續(xù)時(shí)間在規(guī)定的一定時(shí)間內(nèi)一直被記錄為空或?yàn)?的異常 情況，則交通事件不做處理，直接轉(zhuǎn)至步驟10 ; 步驟6 :該類交通事件新增計(jì)數(shù)值自增1 ; 步驟7 :對(duì)當(dāng)前待預(yù)測(cè)交通事件和歷史交通事件持續(xù)時(shí)間數(shù)據(jù)進(jìn)行處理，獲取當(dāng)前待 預(yù)測(cè)交通事件的實(shí)際持續(xù)時(shí)間和歷史交通事件持續(xù)時(shí)間的均值，對(duì)該類交通事件的持續(xù)時(shí) 間參數(shù)估計(jì)值進(jìn)行修正； 步驟8:根據(jù)交通事件的類型，在事件數(shù)據(jù)庫(kù)中找尋同類型的事件，并獲取各歷史交通 事件的信息，計(jì)算各單體預(yù)測(cè)模型對(duì)該類各歷史交通事件持續(xù)時(shí)間的預(yù)測(cè)誤差; 步驟9 :利用各單體預(yù)測(cè)模型預(yù)測(cè)誤差求取各模型的融合權(quán)重；求取各單體預(yù)測(cè)模型 對(duì)該類型交通事件的預(yù)測(cè)誤差之和及其平均值，獲得各單體預(yù)測(cè)模型的預(yù)測(cè)誤差值；并利 用誤差反比例法求取各單體預(yù)測(cè)模型的融合權(quán)重； 步驟10 :判斷該類型交通事件是否大于預(yù)測(cè)次數(shù)閾值n，如果否，則判斷有無(wú)新的交通 事件需要預(yù)測(cè)，如果是，則返回至步驟1 ; 步驟11 :將新增的n起交通事件與歷史交通事件進(jìn)行綜合分析，對(duì)各單體預(yù)測(cè)模型的 參數(shù)進(jìn)行優(yōu)化； 步驟12 :判斷模型或參數(shù)是否優(yōu)化完成，若優(yōu)化完成，則轉(zhuǎn)至步驟13 ;否則判斷當(dāng)前 是否有新的交通事件需要預(yù)測(cè)其持續(xù)時(shí)間，若有，則返回步驟1，并利用原模型實(shí)施預(yù)測(cè)，若 無(wú)，則繼續(xù)判斷模型或參數(shù)是否優(yōu)化完成； 步驟13 :將重新標(biāo)定參數(shù)或重新修正后的各單體預(yù)測(cè)模型與原單體預(yù)測(cè)模型作對(duì)比 分析；在事件數(shù)據(jù)庫(kù)中，隨機(jī)選擇各類事件若干，利用各單體預(yù)測(cè)模型的新舊模型分別對(duì)不 同的交通事件持續(xù)時(shí)間進(jìn)行預(yù)測(cè)，并統(tǒng)計(jì)各事件預(yù)測(cè)的精度；針對(duì)某一類交通事件，若新模 型的預(yù)測(cè)精度優(yōu)于原模型，則采用新模型實(shí)施下次預(yù)測(cè)，同時(shí)，存儲(chǔ)各自預(yù)測(cè)結(jié)果及誤差； 否則，沿用原模型實(shí)施下次預(yù)測(cè)； 步驟14 :利用擇優(yōu)后的模型對(duì)未來(lái)交通事件的持續(xù)時(shí)間實(shí)施預(yù)測(cè)，若有新的交通事件 需要預(yù)測(cè)其持續(xù)時(shí)間，則返回步驟1。
2. 根據(jù)權(quán)利要求1所述的具有在線優(yōu)化能力的高速公路交通事件持續(xù)時(shí)間預(yù)測(cè)方法， 其特征在于：所述步驟3中的融合預(yù)測(cè)采用誤差反比例法的加權(quán)疊加融合策略進(jìn)行，具體 過(guò)程如下： 531 :讀取三種單體預(yù)測(cè)模型各自的預(yù)測(cè)結(jié)果； 532 :讀取三種單體預(yù)測(cè)模型各自的融合權(quán)重； 533 :利用融合權(quán)重對(duì)各單體預(yù)測(cè)模型預(yù)測(cè)結(jié)果加權(quán)求和； 534 :獲得交通事件持續(xù)時(shí)間融合預(yù)測(cè)結(jié)果； 535 :將預(yù)測(cè)結(jié)果存儲(chǔ)于事件數(shù)據(jù)庫(kù)中。
3. 根據(jù)權(quán)利要求1所述的具有在線優(yōu)化能力的高速公路交通事件持續(xù)時(shí)間預(yù)測(cè)方法， 其特征在于：所述步驟7中的持續(xù)時(shí)間參數(shù)估計(jì)值修正具體過(guò)程如下： 571 :剔除明顯非有效數(shù)據(jù)，所述明顯非有效數(shù)據(jù)包括事件持續(xù)時(shí)間為0、事件本身信 息記錄缺少數(shù)據(jù)項(xiàng)較多、信息重復(fù)錄入的數(shù)據(jù)； 572 :計(jì)算持續(xù)時(shí)間數(shù)據(jù)的均值和三倍均方差3 〇t，若離群值的偏差大于3 〇 t，則判定 為異常值并剔除； 573 :求取經(jīng)數(shù)據(jù)預(yù)處理后的事件持續(xù)時(shí)間數(shù)據(jù)的均值，并對(duì)模型中的相關(guān)持續(xù)時(shí)間參 數(shù)估計(jì)值進(jìn)行修正。
4. 根據(jù)權(quán)利要求1所述的具有在線優(yōu)化能力的高速公路交通事件持續(xù)時(shí)間預(yù)測(cè)方法， 其特征在于：所述步驟9中的融合權(quán)重計(jì)算采用通過(guò)誤差均值的倒數(shù)求取，具體過(guò)程如下： 5911 :初始化各單體預(yù)測(cè)模型的融合權(quán)重均設(shè)置為0 ; 5912 :獲得三種單體預(yù)測(cè)模型近k次的預(yù)測(cè)誤差； 5913 :分別求取三種單體預(yù)測(cè)模型近k次的預(yù)測(cè)誤差之和； 5914 :判斷某單體預(yù)測(cè)模型誤差和是否為0,如果是，則對(duì)該單體預(yù)測(cè)模型的誤差之和 賦值為〇. 01 ; 5915 :如果否，則分別求取三種單體預(yù)測(cè)模型近k次誤差的均值； 5916 :分別求取三種預(yù)測(cè)模型誤差均值的倒數(shù)； 5917 :分別求取三種預(yù)測(cè)模型誤差均值的倒數(shù)之和； 5918 :分別求取各模型誤差均值的倒數(shù)占三模型誤差均值倒數(shù)之和的比例； 5919 :獲得三種單體預(yù)測(cè)模型各自的融合權(quán)重。
5. 根據(jù)權(quán)利要求1所述的具有在線優(yōu)化能力的高速公路交通事件持續(xù)時(shí)間預(yù)測(cè)方法， 其特征在于：所述步驟9中的融合權(quán)重計(jì)算采用通過(guò)誤差和的倒數(shù)求取，具體過(guò)程如下： 5921 :初始化各單體預(yù)測(cè)模型的融合權(quán)重均設(shè)置為0 ; 5922 :獲得三種單體預(yù)測(cè)模型近k次的預(yù)測(cè)誤差； 5923 :分別求取三種單體預(yù)測(cè)模型近k次的預(yù)測(cè)誤差之和； 5924 :判斷某單體預(yù)測(cè)模型誤差和是否為0,如果是，則對(duì)該單體預(yù)測(cè)模型的誤差之和 賦值為〇. 01 ; 5925 :如果否，則分別求取各模型誤差之和的倒數(shù)占三模型誤差和的倒數(shù)之和的比 例； 5926 :獲得三種單體預(yù)測(cè)模型各自的融合權(quán)重。
6. 根據(jù)權(quán)利要求1所述的具有在線優(yōu)化能力的高速公路交通事件持續(xù)時(shí)間預(yù)測(cè)方法， 其特征在于：所述步驟11中的各單體預(yù)測(cè)模型參數(shù)優(yōu)化具體過(guò)程如下： sill:數(shù)據(jù)預(yù)處理，以剔除異常數(shù)據(jù)，并將數(shù)據(jù)信息數(shù)字化、統(tǒng)一規(guī)范化處理；包括如 下兩大部分： 1) 去噪處理，剔除異常數(shù)據(jù)，包括事件持續(xù)時(shí)間為0、持續(xù)時(shí)間過(guò)長(zhǎng)、事件本身信息記 錄缺少數(shù)據(jù)項(xiàng)和信息重復(fù)錄入數(shù)據(jù)；去噪的方法采用對(duì)比同樣特征事件的持續(xù)時(shí)間數(shù)據(jù)， 剔除出其中離群較遠(yuǎn)的點(diǎn)，并判斷事件信息記錄的完整性；實(shí)施步驟如下： A. 首先，剔除明顯非有效數(shù)據(jù)，包括事件持續(xù)時(shí)間為0、事件本身信息記錄缺少數(shù)據(jù)項(xiàng) 較多、信息重復(fù)錄入等數(shù)據(jù)； B. 其次，計(jì)算持續(xù)時(shí)間數(shù)據(jù)的均值和三倍均方差3 〇t，即若離群值的偏差大于3 〇 t，則 判定為異常值并剔除； C. 最后，將處理后的事件數(shù)據(jù)存儲(chǔ)于有效事件數(shù)據(jù)表中； 2) 數(shù)字化處理，對(duì)文字的記錄信息做數(shù)字化處理，將影響因素的定性描述進(jìn)行定量標(biāo) 定，并對(duì)其賦值；對(duì)于事件數(shù)據(jù)信息的數(shù)字化處理，將事件信息存儲(chǔ)于歷史事件數(shù)據(jù)庫(kù)時(shí)， 同時(shí)實(shí)現(xiàn)對(duì)各種信息的數(shù)字化預(yù)處理，并將處理結(jié)果與事件信息匹配存儲(chǔ)于歷史事件數(shù)據(jù) 庫(kù)中； S112:影響因素顯著性分析； 利用方差分析法對(duì)各因素進(jìn)行顯著性分析，取顯著性水平為〇. 01至〇. 05,若分析后獲 得的顯著因素太少或模型需要包含較多變量時(shí)，則增大顯著性水平，取值為0. 1 ; S113 :對(duì)各單體預(yù)測(cè)模型做參數(shù)優(yōu)化或模型修正，具體如下： 1) 對(duì)于多元回歸預(yù)測(cè)模型，在新增交通事件后，對(duì)各因素重新做顯著性分析，重新選擇 或補(bǔ)充模型變量，采用逐步回歸方法按以下步驟來(lái)實(shí)現(xiàn)并重新標(biāo)定各變量的回歸系數(shù)： SA1 :完成數(shù)據(jù)處理及因素的顯著性分析； SA2 :對(duì)變量標(biāo)準(zhǔn)化； SA3 :計(jì)算相關(guān)系數(shù)矩陣； SA4 :確定F檢驗(yàn)值（F1、F2); SA5 :開(kāi)始實(shí)施逐步計(jì)算； SA6 :變量引入處理：計(jì)算未引入變量的偏回歸平方和Vi，比較大小并計(jì)算最大者的F值； SA7 :判斷檢驗(yàn)值F>F1是否成立，如果否，則輸出原始回歸方程，并做效果檢驗(yàn)、完成 并輸出結(jié)果，結(jié)束處理； SA8 :如果是，則已入選變量數(shù)增1 ; SA9 :做相關(guān)系數(shù)矩陣變換； SA10 :判斷已入選變量數(shù)< 2是否成立，如果是，則返回步驟SA6 ; SA11 :如果否，則進(jìn)行變量剔除處理：計(jì)算已引入變量的偏回歸平方和Vi，比較大小并 計(jì)算最小者的F值； SA12 :判斷F<F2是否成立，如果否，則返回步驟SA6 ; SA13 :如果是，則已引入變量數(shù)減1 ;返回步驟SA9 ; 2) 對(duì)于貝葉斯決策樹(shù)預(yù)測(cè)模型，模型優(yōu)化具體過(guò)程如下： SB1 :完成數(shù)據(jù)處理及因素的顯著性分析； SB2 :判斷當(dāng)前各顯著性因素是否已處理完成，如果是，則求取該類交通事件實(shí)際持續(xù) 時(shí)間的均值；并修正模型中的持續(xù)時(shí)間估計(jì)值；進(jìn)入到步驟SB6 ;如果否，則判斷是否存在 某一新的顯著因素，進(jìn)入下一步； SB3:如果是，則根據(jù)受該因素影響的事件來(lái)修正模型結(jié)構(gòu)及持續(xù)時(shí)間估計(jì)值，進(jìn)入到 步驟SB6 ; SB4 :如果否，判斷是否存在多個(gè)影響顯著的新因素，如果否，則進(jìn)入到步驟SB6 ; SB5 :如果是，則利用貝葉斯推理方法重構(gòu)決策樹(shù)結(jié)構(gòu)； SB6 :輸出模型的優(yōu)化結(jié)果； SB7 :結(jié)束分析處理； 3)對(duì)于基于生存分析的預(yù)測(cè)模型，模型優(yōu)化具體過(guò)程如下： SCI:完成數(shù)據(jù)處理及因素的顯著性分析； SC2 :采用參數(shù)加速失效模型建立模型的基本形式； SC3 :確定模型的變量組； SC4 :利用極大似然估計(jì)法求解模型的參數(shù)值； SC5 :求取模型對(duì)應(yīng)的AIC值； SC6 :判斷全部處理完成是否成立，如果否，則返回步驟SC3 ; SC7 :如果是，則找尋AIC值為最小的模型及對(duì)應(yīng)的參數(shù)值； SC8 :輸出模型及對(duì)應(yīng)的參數(shù)值。
【文檔編號(hào)】G08G1/00GK104408907SQ201410604118
【公開(kāi)日】2015年3月11日 申請(qǐng)日期:2014年10月31日 優(yōu)先權(quán)日:2014年10月31日
【發(fā)明者】孫棣華, 趙敏, 劉衛(wèi)寧, 羅例東 申請(qǐng)人:重慶大學(xué)