使用对概率相关性和环境数据的建模与分析的交通预报

当前位置:首页老子有钱lzyq888 >

老子有钱lzyq888

使用对概率相关性和环境数据的建模与分析的交通预报

时间:2019-12-11本站浏览次数:197

       

使用对概率相关性和环境数据的建模与分析的交通预报

本发明描述了基于统计的机器学习构造预测模型的系统和方法,这些预测模型可基于将交通系统抽象成一组随机变量来进行关于交通流量和拥塞的预报,这组随机变量包括表示直至关键的麻烦多的地点处会有拥塞、及拥塞将解除的时间量的变量。观测的数据包括交通流量和动态,以及诸如一天中的时间和一周中的日子、假期、学校状况、诸如体育比赛等大型集会的时间安排和性质、天气报告、交通事件报告、和建设与封路等其它环境数据。该预报方法用于报警,即在移动设备或桌面上显示关于拥塞的预测的图形信息,并用于离线和实时的自动路线推荐和计划。

在一个示例性方法中,预测模型102(可包括多个模型)可包括诸如构建贝叶斯网络的学习过程等统计机器学习方法、和包括动态贝叶斯网络在内的时间变量、和连续时间贝叶斯网络、以及诸如支持矢量机和神经网络方法等其它统计分类器。可通过结构搜索和参数优化以设计可最好地解释关于基础等级推论和关于意外实例的数据的模型的方式来构造预测模型。在预测模型102的一种示例性创建中,可构造和分析捕捉世界的结果在观测者模型的环境中定义为意外的案例或情况的案例库。此类训练组(案例库)会根据世界的事件和对意外事件的定义而有所不同。

转到图16,图示了示出各变量和可由本文中所述的预测模型预测的意外事件之间的相关性的网络1600。例如,该网络包括表示天气、道路特定区域的事故、道路内的拥塞状态、一天中的时间、一周中的日子、是否有体育比赛或竞赛等的节点。由此,可将网络1600与一般地预测交通图、和具体地预测未来可能发生的意外交通图的健壮预测模型相关联。

共同参考图13-15,提供了示出各变量和交通状况之间的相关性的网络的图形表示,其中关于生成预测未来交通状况的预测模型可使用此类状态图。特别转到图13,图示了示出表示工作日的变量和与道路的不同部分的不同拥塞相关联的时间安排之间的相关性的示例性贝叶斯网络模型1300的图形描述。在一例中,可通过结构学习的方式生成网络模型1300,并可关于预测涉及交通的参数对其进行利用。举一具体例子,某天是否是工作日可能影响与标记为15并由节点1302表示的的道路的部分相关联的时间安排。由此,节点1304所表示的变量指示当前日是否是工作日,并且该节点1304涉及网络1300内的多个节点。在另一例中,变量1304影响直至节点1306所表示的道路的一部分(标记为部分14)不再高度阻塞的时间。存在各种其它相关性,并且一旦查看了网络模型1300即可轻易了解这些相关性。日历应用程序或其它机制可确定节点1304的值(例如,可用第一个值表示某天是工作日,并可用第二个值表示某天不是工作日)。

现在参考图3,图示了便于生成对将来可能发生的意外情况的预测的系统300。系统300包括生成对未来意外事件的预测、还可生成与这些预测相关联的概率的预测模型302。预测模型302根据所收到的环境数据和所收到的历史数据生成对意外事件(或非典型/反常事件)的预测。预测模型302包括用户中心的信息304,由此使预测模型302能够确定会使用户感到意外的事件。更具体地,预测模型302可使用用户中心的信息304来确定哪些所预测的意外事件对用户来说是重要的。作为例子,用户可每天在3:00离开工作地点,并行经某路线以返回住处,其中该路线通常不会出现交通拥塞。因此,如果预测模型302预测在用户通常采取的路线上将产生拥塞,则预测模型302可向用户通知此所预测的拥塞。但是,如果预测模型302预测在用户不行经的路线上有拥塞,则可能不需要向用户提供此类预测(因为它不涉及该用户)。

图10是使用户能够根据所定义的行进路线和时间定制警告的工具的示例性截屏图。

图22所示是所要求保护的主题的一个或多个方面的实际应用的截屏图。

还可利用机器学习来推理与将会是特别具有挑战性或特别困难的结果相关联的未来情况,因为可能的结果可能还未曾被建模,或者可能存在预测模型102可判定它在某些情况中不能胜任的情况。以前述方案的方式,可捕获发现结果在预测模型102或其它模型内未显式未显式建模、或系统在意外方式中失败的情况。可结合此类对机器学习的利用来分析关于即将来临的很可能的失败的案例的案例库。为了构建即将到来的未建模情况或基于对未建模情况的处理不当的不能胜任的情况的预测模型,或仅仅标识未建模情况,可构造即将到来的未建模情况或不当相应的情况的案例库,并且可通过预测模型102来预测此类情况。可通过从一组训练案例来构造预测模型102、并对照为此目的而保留的测试数据组来测试此类模型102的预测能力的方式,来测试所构造的预测模型102的预测能力。

此外,可将预测模型与监视该预测模型的模型分析器相关联。例如,预测模型可预测直到交通阻塞或瓶颈会在不同位置形成的时间,和阻塞一旦形成、直至消失在流中的时间。还可用指定概率来监视关于发生意外时间的预测的准确性。对于这些及其它类型的预测中的每一个,模型分析器可将预测与一段时间里实际事件的发生进行比较,并从而监视预测模型的性能。模型分析器随即可自动调整预测模型,以改善其性能,或可根据环境,仅将某预测与不准确相比,何时可能准确分程传送给用户。在进行此类关于预测准确性的自动反映的一种方法中,可构造所有从实际结果发散超过一定程度的预测错误、还有所有在基础预测时间对系统可用的观测的案例库。随后,在所有对系统可用的观测的和环境的数据的条件下,可使用机器学习来构建关于系统基础等级准确性的性能的预测模型。可测试此类描述基础等级预测的准确性的元等级模型以确定其准确性。如果这些模型是准确的,则可随基础等级的预测一起执行这些模型,并可根据关于观测和环境的细节来提供关于基础等级预测的可能的准确性的注释。在另一个称为增压(boosting)的分析中,已知为失败的案例可被收集并受到特殊的建模注意。例如,可对失败的案例进行不同的加权,或由机器学习算法中一个或多个特殊的模型处理。

现在参考图6-9,现在将通过一系列动作来描述符合所要求保护的主题的若干方法。应当理解和明白,所要求保护的主题不受动作的次序限制,因为某些动作可按不同次序发生和/或与本文中所示与所述的其它动作同时发生。例如,本领域技术人员将理解和明白,可将一种方法替换地表示为诸如状态图中所示的一系列相关的状态或事件。此外,并非所有示出的动作都是实现符合所要求保护的主题的方法所必须的。

在以累积案例库方式构建预测模型102中,可使此类库仅集中于被认为很可能以负面方式影响观测者的使用的意外未来事件上,或可使其仅集中于很可能以正面方式影响用户的未来事件。事件可集中于可能为负面或者正面类型的意外。事件还可能具有特征很不突出的效用——因为许多事件可能仅对一组观测者来说是意外的,诸如在未来的某个时间发现来自另一个太阳系的智能生命等。意外事件还包括那些不与观测者的效用相连、但可通过其它人的效用的方式相连的事件,其中意外由移情反映部分地定义。例如,观测者得知在未来的某个时间一种流行病在东南亚杀死数百万人可能会感到很意外。

如果对所收到的观测同时执行这两个模型,涉及30分钟内的瓶颈所生成的预测可能非常不同,且可用此类差异来判定30分钟内的预测很可能会使观测者感到意外的实例。在第二种方案中,可编码用户本应感到意外的一组案例,且预测模型102可至少部分地基于一组已得数据来为观测者直接编码意外情况。由此,预测模型102可发现,从较简单的平均值和标准偏差模型的视点出发,相关变量的某些设置导致“意外的”(例如,非典型或反常的)高或低的交通量。可构造预测模型102所预测的意外的现实世界的事件,并将其与某观测者所预测的在未来某个关注的时间(例如,从现在起15分钟、从现在起30分钟、从现在起I小时、或从现在起时间t之内)所期望的结果相比较,并可构造经由机器学习构建预测模型的意外模型。

30分钟内的交通量=f(现在瓶颈I的交通量(bnl),一天中的时间,一周中的日子)此信息被编码成平均值和标准偏差。但是,预测模型102可使用考虑附加变量及其相关性的更复杂的世界模型,并可将交通量编码为贝叶斯网络,如下:现在在瓶颈I处30分钟内的交通量(bnl)=f(现在交通量bnl-bn30,过去30分钟的交通趋势bnl_bn30,—天中的时间,一周中的日子,要包括的30分钟内的交通量,超音速队比赛开始时间状态,节假日状态,降雨状态)




公司地址:北仑区小港街道江南东路556-1号
联系人:张燕 15181350546
林斌 15515024784
电话:15510069838 传真:d1qzkfsh@162.com
邮箱:szis2ripi@hotmail.com

粤公网安备 44030702001579号

老子有钱网址@