【技術實現步驟摘要】
本專利技術屬于道路交通安全分析與管理，涉及一種研究交通流隨機性的基于隨機微分方程(sde)和高斯過程回歸(gpr)的高速公路交通流風險識別方法及系統。
技術介紹
1、現代城市交通管理中，準確可靠的數據分析扮演著關鍵角色，使得實時交通監控、預測和優化成為可能。然而，交通數據的異常值由于系統復雜性而產生，可能負面影響分析和模型構建。離群點檢測不僅用于識別交通流異常，還能辨別道路擁堵、交通事故和緊急事件。但現有方法難以有效應對交通數據的隨機性和不確定性，且在非高斯數據和大數據集中檢測離群值時挑戰重重。
技術實現思路
1、專利技術目的：本專利技術目的在于提供一種基于sde和gpr的高速公路交通流風險識別方法及系統，利用交通流流量數據進行風險檢測，以解決交通工程領域中傳統的交通流預測方法在擬合性能和算法效率方面的缺陷，該方法能夠充分考慮交通流的不確定性和時變規律，具有較強的魯棒性和實用性。
2、技術方案：為實現上述目的，本專利技術提供一種基于sde和gpr的高速公路交通流風險識別方法，包括以下步驟：
3、(1)數據采集，包括用于高速公路道路斷面監測的卡口數據和高速公路事故數據；
4、(2)對步驟(1)采集的斷面監測數據進行分析和預處理，獲得交通流量數據，建立高斯先驗分析，得到高斯均值與方差；從事故數據中提取事故特征，所述事故特征用于計算修正系數用來調整檢測閾值；
5、(3)對步驟(2)中處理過的交通流量數據建立隨機微分方程模型，計算擴散函數和漂
6、(4)應用鯨魚優化算法對步驟(3)建立的隨機微分方程模型進行超參數優化，所述超參數包括高斯核函數的均值和方差；
7、(5)使用步驟(4)訓練得到的模型進行風險檢測，通過生成自舉樣本，對檢測數據計算統計檢驗閾值，實現有效控制虛警率；
8、(6)對步驟(4)訓練得到的模型計算漂移估計，并與步驟(5)的檢驗閾值進行比較，判斷數據的異常與否。
9、作為優選，步驟(2)中，將采集的交通流量按高斯分布3σ原則，對于高斯回歸均值為μ，方差為σ2的樣本，將(μ-3σ,μ+3σ)之外的樣本數據剔除，得到的處理后樣本用于后續分析。
10、作為優選，步驟(3)中，交通流量數據來自高速公路上的卡口檢測器，時間間隔為δt，每隔δt記錄檢測器位置處的車輛累計通過；建立隨機微分方程模型包括如下步驟：
11、(31)對交通流數據總時間t內的數據集進行劃分，得到時間t的離散點集合{t0,t1,...,ti,...,tn-1,tn},ti∈[0,t]，時間間隔δt＝t/n,其中n為數據點間隔數量；設xt為數據點流量的隨機過程表示，其隨機微分方程可表示為：
12、
13、其中f(xt)為隨機微分方程的漂移函數，為隨機微分方程的擴散項，dwt為布朗運動的變化量；
14、(32)擴散估計可由觀察量yd＝(xt+δt-xt)2/δt得到，其擴散函數d(x)和誤差ζ被建模為：
15、
16、函數擬合計算中x為連續變量，物理意義與xt相同，擴散函數d(x)由流量數據點向量格萊姆矩陣kd和協方差向量kd(x)組成，其中λ為數據點xt高斯回歸偏差ζt平方的均值，i為單位矩陣，kd(·,·)為協方差函數；
17、
18、[kd]ij＝kd(xi,xj)
19、kd(x)＝[kd(x,x0)kd(x,x1)...kd(x,xi)]t
20、為流量的觀察量向量，表示流量變量的觀察量在時間ti時刻的數據點，x0?x1……xi表示在第i個隨機過程的數據點流量；
21、(33)漂移估計對應的觀察量y＝(xt+δt-xt)/δt，漂移函數f(x)服從均值方差高斯分布其中∑為噪聲矩陣，格萊姆矩陣k和向量k(x)組成與kd和kd(x)相同，高斯核函數為兩套參數μ1,σ1和μ2,σ2。
22、作為優選，步驟(4)中，應用鯨魚優化算法尋找模型核函數參數的最優解，包括如下步驟：
23、(41)代理模擬鯨魚的行為通過氣泡網不斷收縮搜索范圍，鯨魚通過環繞、攻擊和搜索三種策略搜索最優參數；其中，鯨魚坐標xm隨時間迭代，第m代坐標計算如下所示：
24、xm+1＝xm-a·d
25、
26、a＝2×a×r-a
27、c＝2×r
28、其中，a和c是鯨魚優化算法定義的參數，a包含一個從2到0變化的隨機數，d為獵物和鯨魚的距離，a和r是鯨魚算法產生的隨機向量。
29、(42)鯨魚通過螺旋式環繞逼近獵物，沿著ebl螺旋線更新坐標左邊如下所示：
30、
31、其中d'表示當前搜索距離，b和l為螺旋線形狀參數，p為鯨魚做出決策時產生的隨機數。
32、作為優選，在步驟(5)中，根據測試數據集計算動態的異常風險閾值，包括如下步驟：
33、(51)根據測試數據新建訓練好的隨機微分方程設f(xt)＝μ(yt)，則基于吉爾薩諾夫定理變換后漂移函數為：
34、
35、其中xt為數據點流量的隨機過程表示，yt表示數據點的觀察量，σ(xt)表示擴散函數，f(xt)表示漂移函數，μ(yt)表示轉換后的漂移函數；
36、(52)得到可計算的似然比ζi，f1和f1分別為訓練集和測試集的漂移函數：
37、
38、其中與分別為訓練集和測試集的對應函數，根據統計檢驗，可根據分位數計算得到閾值η，并對閾值進行后處理，結合事故數據計算的系數c對修正后閾值η'進行計算，若似然比大于計算閾值，則分類此處為異常風險，若小于閾值，則分類此處為常規點。分位數α表達式如下：
39、η′＝c*η
40、
41、其中表示分布函數，ⅱ(ζi>η′)表示指示函數求得的0-1變量，符合條件是函數取1，其他情況取0，b為自舉樣本數量。
42、作為優選，步驟(6)中，還預計異常點所在的時間位置，并結合事故數據特征分析異常點與風險點的相關性，包括空間相關性和風險關聯性系數。
43、一種基于sde和gpr的高速公路交通流風險識別系統，包括：
44、數據采集模塊，用于數據采集，包括卡口道路斷面監測數據和高速公路事故數據；
45、預處理模塊，用于對采集的斷面監測數據進行分析和預處理，獲得交通流量數據，建立高斯先驗分析，得到高斯均值與方差，從事故數據中提取事故特征，所述事故特征用于計算修正系數用來調整檢測閾值；
46、模型構建模塊，用于對處理過的流量數據建立隨機微分方程模型，計算擴散函數和漂移函數，實現考慮隨機性的交通流數據預測和分析；
47、參數優化模塊，用于利用鯨魚優化方法對建立的隨機微分方程模型進行超參數優化，所述超參數包括高斯核函數的均值和方差；...
【技術保護點】
1.一種基于SDE和GPR的高速公路交通流風險識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于SDE和GPR的高速公路交通流風險識別方法，其特征在于，步驟(2)中，將采集的交通流量按高斯分布3σ原則，對于高斯回歸均值為μ，方差為σ2的樣本，將(μ-3σ,μ+3σ)之外的樣本數據剔除，得到的處理后樣本用于后續分析。
3.根據權利要求1所述的一種基于SDE和GPR的高速公路交通流風險識別方法，其特征在于，步驟(3)中，交通流量數據來自高速公路上的卡口檢測器，時間間隔為Δt，每隔Δt記錄檢測器位置處的車輛累計通過；建立隨機微分方程模型包括如下步驟：
4.根據權利要求1所述的一種基于SDE和GPR的高速公路交通流風險識別方法，其特征在于，步驟(4)中，應用鯨魚優化算法尋找模型核函數參數的最優解，包括如下步驟：
5.根據權利要求1所述的一種基于SDE和GPR的高速公路交通流風險識別方法，其特征在于，在步驟(5)中，根據測試數據集計算動態的異常風險閾值，包括如下步驟：
6.根據權利要求1所述的一種基于SDE和G
7.一種基于SDE和GPR的高速公路交通流風險識別系統，其特征在于，包括：
8.一種計算機系統，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序/指令，其特征在于，所述計算機程序/指令被處理器執行時實現根據權利要求1-6任一項所述的一種基于SDE和GPR的高速公路交通流風險識別方法的步驟。
9.一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現根據權利要求1-6任一項所述的一種基于SDE和GPR的高速公路交通流風險識別方法的步驟。
10.一種計算機程序產品，包括計算機程序/指令，其特征在于，所述計算機程序/指令被處理器執行時實現根據權利要求1-6任一項所述的一種基于SDE和GPR的高速公路交通流風險識別方法的步驟。
...【技術特征摘要】
1.一種基于sde和gpr的高速公路交通流風險識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于sde和gpr的高速公路交通流風險識別方法，其特征在于，步驟(2)中，將采集的交通流量按高斯分布3σ原則，對于高斯回歸均值為μ，方差為σ2的樣本，將(μ-3σ,μ+3σ)之外的樣本數據剔除，得到的處理后樣本用于后續分析。
3.根據權利要求1所述的一種基于sde和gpr的高速公路交通流風險識別方法，其特征在于，步驟(3)中，交通流量數據來自高速公路上的卡口檢測器，時間間隔為δt，每隔δt記錄檢測器位置處的車輛累計通過；建立隨機微分方程模型包括如下步驟：
4.根據權利要求1所述的一種基于sde和gpr的高速公路交通流風險識別方法，其特征在于，步驟(4)中，應用鯨魚優化算法尋找模型核函數參數的最優解，包括如下步驟：
5.根據權利要求1所述的一種基于sde和gpr的高速公路交通流風險識別方法，其特征在于，在步驟(5)中，根據測試數據集計算動態的異常風險閾值，包括如下步驟：
6...
【專利技術屬性】
技術研發人員：余小晴，代貴淇，虞安軍，劉志遠，童蔚蘋，余佳，張晨洋，
申請(專利權)人：江西贛粵高速公路股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。