(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110704791.6 (22)申请日 2021.06.24 (65)同一申请的已公布的文献号 申请公布号 CN 113409576 A (43)申请公布日 2021.09.17 (73)专利权人 北京航空航天大 学 地址 100191 北京市海淀区北京航空航天 大学 (72)发明人 李大庆　周栋　张坤　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 代理人 王爱涛 (51)Int.Cl. G08G 1/01(2006.01) G06F 30/27(2020.01) G06K 9/62(2006.01)(56)对比文件 CN 1082809 91 A,2018.07.13 CN 103942953 A,2014.07.23 US 201213 6561 A1,2012.0 5.31 KR 20190 092035 A,2019.08.07 CN 108665705 A,2018.10.16 CN 1084704 44 A,2018.08.31 牟振华 等.基 于小波降噪与贝叶斯神经网 络联合模型的短时交通 流量预测. 《科 学技术与 工程》 .2020,第20卷(第3 3期), 审查员 杜帅 (54)发明名称 一种基于贝叶斯网络的交通路网动态预测 方法及系统 (57)摘要 本发明公开了一种基于贝叶斯网络的交通 路网动态预测方法及系统。 该方法包括： 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； 对时间序列进行相关性分析， 确定训练集； 通过 训练集对贝叶斯网络结构 进行训练， 得到预测模 型； 基于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； 根据预测结果， 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； 子团的相变时刻， 为交通路网的可预测时延； 基于交通路网的可预 测时延， 确定交通路网动态预测结果。 本发明有 效地解决了在城市交通路网中预测车流信息选 择提前预测时长的问题， 能够更加精确的预测城 市交通路网。 权利要求书3页 说明书7页 附图1页 CN 113409576 B 2022.01.11 CN 113409576 B 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。权　利　要　求　书 1/3 页 2 CN 113409576 B 24.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。 5.一种基于贝叶斯网络的交通路网动态预测系统， 其特 征在于， 包括： 采集模块， 用于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； 训练集确定模块， 用于对所述时间序列进行相关性分析， 确定训练集； 训练模块， 用于通过 所述训练集对贝叶斯网络结构进行训练， 得到预测模型； 预测模块， 用于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； 最大连通子团确定模块， 用于根据所述预测结果， 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； 相变时刻确定模块， 用于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； 交通路网动态预测结果确定模块， 用于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。 6.根据权利要求5所述的基于贝叶斯网络的交通路网动态预测系统， 其特征在于， 所述 训练集确定模块具体包括： 皮尔逊相关性系数计算单元， 用于基于所述时间序列， 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； 选取单元， 用于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。 7.根据权利要求5所述的基于贝叶斯网络的交通路网动态预测系统， 其特征在于， 所述 预测模块具体包括： 预测联合矩阵计算单元， 用于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，权　利　要　求　书 2/3 页 3 CN 113409576 B 3