一种基于双贝叶斯的路口动态转向比例两步预测方法

摘要

本发明公开了一种基于双贝叶斯的路口动态转向比例两步预测方法，该方法利用路口各进出口道检测的路段流量，首先结合历史流量数据，设计第1贝叶斯组合方法预测下一个时段的进出口道流量，并在此基础上设计改进卡尔曼滤波和改进反向传播神经网络两种算法分别预测之后第一和第二个时段的动态转向比例，进一步结合历史转向比例数据修正预测误差，设计第2贝叶斯组合方法标定并动态更新权重，得到双贝叶斯组合方法的动态转向比例单步和两步预测值。现有方法仅能得到动态转向比例单步预测值，且精度和效率各具优缺点，本方法综合体现各种方法优点，避免局部过大偏差，精度高，且能同时得到单步和两步预测结果，可以为智能交通控制系统提供基础支撑。

说明书

技术领域

本发明属于智能交通控制技术领域，具体涉及一种基于双贝叶斯的路口动态转向比 例两步预测方法，用于路口智能信号控制系统的开发。

背景技术

路口作为城市道路网的重要节点，各流向交通量具有非线性、时变性的特点，科学 合理的路口信号控制和交通组织方案应当以准确、实时的交通量为基础，而动态转向流量、 尤其未来时段的动态转向流量预测值是路口智能信号控制的基础数据。在现有的交通流检测 技术条件下，进口道上游和出口道下游各车道的路段流量容易通过检测得到，而实时的动态 转向流量难以获得，未来时段的动态转向流量更是很难预测得到。

路口动态转向比例估计模型可以根据路口进出口流量的时间序列，反推得到路口动 态转向比例，随着智能交通技术的发展，该模型受到广泛关注，提出了递推估计算法(1987)、 Bell车队扩散法(1991)、遗传算法(2005)、卡尔曼滤波算法(2006)、基本反向传播(Back  propagation，简称BP)神经网络算法(2007)等路口动态转向比例估计方法。上述方法中大 部分都仅能得到动态转向比例在当前时段的实时估计值，仅卡尔曼滤波算法和BP神经网络 算法具有预测功能。

卡尔曼滤波算法是在递推估计算法的基础上发展起来的时域方法，求得最小方差意 义下动态转向比例的变化特征，属于状态变量的最优估计值，其递推算法的本质决定了该算 法效率较高但精度相对欠佳，同时其仅具有单步预测功能；BP神经网络算法根据进口道上游 检测器检测得到的各车道流量的历史数据进行训练和学习，得到估计的转向比例，并与实际 数据进行比较得到误差，再使用最速下降法，通过反向传播误差来不断调整网络的权值和阈 值，使网络的误差平方和最小，在稳定的权值和阈值条件下实现对当前数据的估计，同时具 备预测功能，但是其学习率是常数，具有训练速度慢、易陷入局部最优等不足之处。

为了精确预测未来时段的动态转向比例，给智能信号控制系统提供支撑，首先综合 运用时间序列分析的方法，预测下一个时段路口各进出口道的路段流量，并综合利用历史流 量数据修正预测偏差，采用贝叶斯组合模型的方法提高路段流量预测的精度；另外为体现卡 尔曼滤波算法收敛速度快的特点，发挥BP神经网络算法对于历史数据学习效率高的优势， 同时为了避免各种单独算法可能出现的局部过大偏差，在改进上述两种方法的基础上，综合 利用历史预测偏差和当前预测偏差，采用贝叶斯公式修正并动态更新权重，进一步将以上两 种改进方法预测得到的动态转向比例预测值进行加权组合，得到能够实时应用的基于双贝叶 斯的路口动态转向比例两步预测方法，该方法可同时获得当前时段之后第一和第二个时段的 动态转向比例预测值，对于路口的信号控制具有重要意义。

发明内容

本发明要解决的技术问题是现有技术无法实时检测得到路口动态转向比例；部分方 法仅能实时估计当前时段的转向比例，而无法进行预测；仅有的两种具备预测功能的方法中， 卡尔曼滤波方法仅能预测单步结果，而BP神经网络方法计算速度慢、且易陷入局部最优结 果。

为解决上述技术问题，本发明提供一种基于双贝叶斯的路口动态转向比例两步预测 方法：

本发明提供的预测方法包括两个贝叶斯组合模型，分别为基于非线性回归方法、移 动平均方法及自回归方法的路段交通量单步预测第1贝叶斯组合模型，以及基于改进卡尔曼 滤波和改进反向传播神经网络的动态转向比例单步和两步预测第2贝叶斯组合模型，两个组 合模型共同构成的双贝叶斯预测方法可以预测当前时段之后第一及第二个时段的路口动态转 向比例，其主要步骤如下：

步骤1：在路口进出口道运行路段流量检测器，检测得到时间间隔k内的进出口道交 通流量，即Q_i(k)，i＝1，2，…，r表示时段k自进口道i流入路口的流量，Y_j(k)，j＝1，2，…，s表示时 段k自出口道j流出路口的流量；

步骤2：以检测得到的路口进出口道交通流量为已知量，在远端计算机中运行非线性 回归、移动平均和自回归三种方法分别预测下一个时段的进出口道交通流量；

步骤3：引入历史进出口道路段流量数据，在远端计算机中运行路段交通量预测的第 1贝叶斯组合模型程序，综合应用历史和当前预测偏差标定三种方法的权重，将三种方法的 预测结果加权，得到修正后的下一个时段路口进出口道交通流量的预测值；

步骤4：将进出口道交通流量检测值及预测值作为已知量，在远端计算机中运行改进 的卡尔曼滤波算法和改进的反向传播神经网络算法程序，求解两种算法分别得到的动态转向 比例单步和两步预测值；

步骤5：引入历史转向比例数据，在远端计算机中运行动态转向比例预测第2贝叶斯 组合模型程序，综合应用历史和当前预测偏差标定两种算法的权重，将两种算法的预测结果 加权，得到修正后的动态转向比例单步和两步预测值；

步骤6：更新路段流量预测及动态转向比例预测的当前预测偏差，返回步骤1进行下 一时段动态转向比例的预测，直至全天各时段动态转向比例预测结束，更新历史预测偏差数 据，并进行下一天各时段动态转向比例的预测；

步骤7：将得到的动态转向比例单步和两步预测值传输到信号控制系统，为当前时段 之后第一及第二个时段的信号控制方案的生成提供基础数据。

为同时预测当前时段之后第一和第二个时段的路口动态转向比例，首先分别应用非 线性回归、移动平均及自回归三种方法，分别预测下一个时段的路口进出口道交通流量；

为综合利用三种方法的优势，使预测值局部偏差保持稳定，达到总体最优，引入历 史进出口道路段流量数据，采用贝叶斯加权的方法，修正三种方法预测的进出口道路段流量； 通过三种方法的计算，得到非线性回归方法的历史预测值x^NLR，H(k+1)和当前预测值 x^NLR(k+1)、移动平均方法的历史预测值x^MA，H(k+1)和当前预测值x^MA(k+1)、自回归方法的 历史预测值x^AR，H(k+1)和当前预测值x^AR(k+1)；

定义为贝叶斯加权修正后的进出口流量预测值，W^NLR(k+1)为非线性回归方 法的贝叶斯权重、W^MA(k+1)为移动平均方法的贝叶斯权重、W^AR(k+1)为自回归方法的贝叶 斯权重，建立路段流量预测的第1贝叶斯组合模型：

$\tilde{x}(k+1)=W^{\mathrm{NLR}}(k+1)x^{\mathrm{NLR}}(k+1)+W^{\mathrm{MA}}(k+1)x^{\mathrm{MA}}(k+1)+W^{\mathrm{AR}}(k+1)x^{\mathrm{AR}}(k+1)$

其中，以三种方法路段流量的历史预测值与历史真实值的偏差作为历史预测偏差， 同时以当前时段的前5个时段内三种方法的预测值与贝叶斯加权修正值的偏差作为当前预测 偏差，每个时段内各方法的贝叶斯权重由历史和当前预测偏差共同标定并动态更新。

为满足实时在线系统预测精度高、收敛速度快的要求，并充分利用历史数据调整预 测值，分别采用基于改进卡尔曼滤波的预测算法和基于改进反向传播神经网络的算法，来预 测路口动态转向比例；

在检测流量及下一时段预测流量的基础上，根据卡尔曼滤波状态方程的递推和观测 方程的修正，即可得到动态转向比例的单步预测值；进一步根据在没有观测方程修正的情况 下、卡尔曼滤波状态方程的单步预测功能，即可得到动态转向比例的两步预测值；对于预测 的动态转向比例结果进行裁切和标准化的处理，使各进口的动态转向比例均小于1且总和等于 1，利用MATLAB的M语言编程顺序卡尔曼滤波算法，得到所述改进卡尔曼滤波的动态转向比 例单步和两步预测值；

在改进BP神经网络中，输入层有3个神经元，分别对应进口道上游各车道的进口流量， 当进口道上游车道数量不同时，神经元数量做相应变化；隐藏层有15个神经元，传递函数采 用对数S型函数，其输出值在[0，1]的区间范围内；输出层有3个神经元，采用线性传递函数， 对应左转、直行、右转3个方向的转向比例，共有3个输出值；采用动量-自适应学习速率调整 算法，来修正误差反向传播过程中的权值和阈值，使反向传播神经网络算法既可以找到全局 最优解，又能缩短训练时间；在检测流量及下一时段预测流量的基础上，根据反向传播神经 网络的预测功能，即可得到动态转向比例的单步和两步预测值；利用Matlab的M语言编程， 求解反向传播神经网络，得到所述反向传播神经网络的动态转向比例单步和两步预测值。

为综合利用改进卡尔曼滤波和改进反向传播神经网络两种算法的优势，使预测值局 部偏差保持稳定，达到总体最优，采用贝叶斯加权的方法，修正两种算法预测的路口动态转 向比例；

通过两种算法的计算，得到改进卡尔曼滤波算法的历史预测值和当前预测值反向传播神经网络算法的历史预测值 和当前预测值

定义和为贝叶斯加权修正后的动态转向比例预测值，和 为所述改进卡尔曼滤波的贝叶斯权重、和为所述改进反向传播 神经网络的贝叶斯权重，建立动态转向比例预测的第2贝叶斯组合模型，分别得到单步和两步 预测值：

${\tilde{B}}_{\mathrm{ij}}(k+1)=W_{\mathrm{ij}}^{\mathrm{KF}}(k+1)B_{\mathrm{ij}}^{\mathrm{KF}}(k+1)+W_{\mathrm{ij}}^N(k+1)B_{\mathrm{ij}}^N(k+1)$

${\tilde{B}}_{\mathrm{ij}}(k+2)=W_{\mathrm{ij}}^{\mathrm{KF}}(k+2)B_{\mathrm{ij}}^{\mathrm{KF}}(k+2)+W_{\mathrm{ij}}^N(k+2)B_{\mathrm{ij}}^N(k+2)$

其中，以改进卡尔曼滤波和反向传播神经网络两种算法动态转向比例的历史预测值 与历史真实值的偏差作为历史预测偏差，同时以当天前5个时段两种算法的预测值与贝叶斯加 权修正值的偏差作为当前预测偏差，每个时段内各子算法的贝叶斯权重由历史和当前预测偏 差共同标定并动态更新。

本发明的上述技术方案相对于现有技术具有以下有益效果：

①本发明综合利用路口进出口道检测器得到的路段流量、以及基于非线性回归、移 动平均和自回归三种方法的第1贝叶斯组合模型预测得到的下一个时段路段流量，采用改进 的卡尔曼滤波算法和改进的BP神经网络算法进行动态转向比例预测，能够同时得到动态转向 比例的单步和两步预测值。

②本发明在改进卡尔曼滤波和改进BP神经网络预测结果的基础上，进一步引入历史 转向流量数据修正预测偏差，采用贝叶斯公式修正并动态更新权重，将以上两种改进方法预 测得到的动态转向比例预测值进行加权修正，得到整体更优的、第2贝叶斯组合模型得到的 动态转向比例单步和两步预测值，从而吸收各种现有方法的优点，克服其缺点，避免预测结 果局部误差过大，提高了动态转向比例预测的精度和稳定性。

附图说明

图1是路口进出口道路段流量与转向流量的关系图

图2是基于双贝叶斯的路口动态转向比例两步预测方法结构图

图3是路口各进出口道路段流量单步预测第1贝叶斯组合方法流程图

图4是路口动态转向比例两步预测第2贝叶斯组合方法流程图

图5是动态转向比例两步预测过程中路口进出口道路段流量更新方法示意图

具体实施方式

下面结合附图详细说明本发明技术方案中所涉及的各个细节问题。应指出的是，所描 述的实施方式仅旨在便于对本发明的理解，而对其不起任何限定作用。

路口进出口道路段流量与转向流量的关系如图1所示，本发明要解决的技术问题就 是根据检测到的进出口道路段流量，采用基于双贝叶斯的路口动态转向比例两步预测方法， 实时预测当前时段之后第一和第二个时段的路口动态转向比例。

基于双贝叶斯的路口动态转向比例两步预测方法结构图如图2所示。图2左半部分是 实际路口、检测器及信号控制系统，检测器在路口的进出口道路段检测得到进出口流量Q_i(k) 和Y_j(k)，作为已知数据，传输到远端计算机。图2右半部分表示了基于双贝叶斯的路口动态 转向比例两步预测方法的原理，根据检测到的进出口道路段流量，首先采用三种时间序列方 法得到路段流量的单步预测值，并应用第1贝叶斯组合方法预测下一个时段的进出口道路段 流量；在此基础上应用改进的卡尔曼滤波和改进的BP神经网络分别计算动态转向比例的单 步和两步预测值；进一步综合利用历史预测偏差和当前预测偏差，根据贝叶斯公式将两种方 法预测的动态转向比例进行加权处理，得到第2贝叶斯组合方法的动态转向比例单步和两步 预测值；更新当前和历史预测的偏差，并将预测结果输出到信号控制系统，为智能信号控制 提供基础数据。

基于双贝叶斯的路口动态转向比例两步预测方法流程由以下7个步骤组成：(1)路 口进出口道路段流量检测、(2)三种时间序列方法的路段交通量单步预测、(3)第1贝叶 斯组合方法的路段交通量单步预测、(4)改进卡尔曼滤波和改进BP神经网络的动态转向比 例单步和两步预测、(5)第2贝叶斯组合方法的动态转向比例单步和两步预测、(6)当前 和历史预测偏差的更新、(7)传输至信号控制系统的应用。具体步骤包括：

步骤1：路口进出口道路段流量检测

利用设置在路口进出口道路段处的各车道流量检测器，检测得到时间间隔k内的进出 口道交通流量，即Q_i(k)，i＝1，2，…，r表示时段k自进口道i流入路口的流量，Y_j(k)，j＝1，2，…，s 表示时段k自出口道j流出路口的流量，并传输到远端计算机进行处理。

步骤2：三种时间序列方法的路段交通量单步预测

根据检测得到的路口进出口道路段流量，分别采用非线性回归、移动平均和自回归 三种时间序列方法，预测下一个时段的路段流量值。

所述非线性回归方法的函数形式可以采用多项式、幂函数、指数函数、对数函数、 以及组合函数等多种形式，根据路段流量的变化规律具体确定；

所述移动平均方法具体采用的是加权移动平均方法，平均时距项数和权重根据路段 流量的变化规律具体确定；

所述自回归方法如下：

x^AR(k+1)＝γ₁x^AR(k)+γ₂x^AR(k-1)+…+γ_px^AR(k-p+1)

其中，x^AR(k+1)为自回归方法的单步预测值，k为时段编号，p是自回归方法的阶数， γ_i(i＝1，2，…p)是自回归方法的系数；

对于路段流量的自回归单步预测来说，相关的阶数、系数等均根据路段流量的变化 规律具体确定。

步骤3：第1贝叶斯组合方法的路段交通量单步预测

图3表示了路口各进出口道路段流量单步预测的第1贝叶斯组合方法流程。

将非线性回归、移动平均和自回归三种方法的历史预测值与对应的路段流量历史真 实值作比较，得到平均绝对百分比误差，进而由以下公式得到根据历史预测偏差选择所述非 线性回归方法的概率Pr(H^NLR)、选择所述移动平均方法的概率Pr(H^MA)和选择所述自回归方 法的概率Pr(H^AR)：

$\mathrm{Pr}\left(H^{\mathrm{NLR}}\right)=\left(\begin{array}{c}1-{\mathrm{EH}}^{\mathrm{NLR}},({\mathrm{EH}}^{\mathrm{NLR}}<1)\\ 0,({\mathrm{EH}}^{\mathrm{NLR}}\ge 1)\end{array}\right)$

$\mathrm{Pr}\left(H^{\mathrm{MA}}\right)=\left(\begin{array}{c}1-{\mathrm{EH}}^{\mathrm{MA}},({\mathrm{EH}}^{\mathrm{MA}}<1)\\ 0,({\mathrm{EH}}^{\mathrm{MA}}\ge 1)\end{array}\right)$

$\mathrm{Pr}\left(H^{\mathrm{AR}}\right)=\left(\begin{array}{c}1-{\mathrm{EH}}^{\mathrm{AR}},({\mathrm{EH}}^{\mathrm{AR}}<1)\\ 0,({\mathrm{EH}}^{\mathrm{AR}}\ge 1)\end{array}\right)$

其中，EH^NLR、EH^MA和EH^AR分别为所述非线性回归方法、移动平均方法和自回归 方法的历史预测值与对应历史真实值的平均绝对百分比误差。

平均绝对百分比误差的计算方法：其中为预测 流量，x(k)为检测得到的真实流量。

进一步考虑当前的预测偏差，为了提高精度、同时动态更新第1贝叶斯组合方法的 权重，采用非线性回归、移动平均和自回归三种方法当前预测时段的前5个时段预测值与对 应时段真实值的偏差，从而得到在历史预测偏差的前提下，根据当前预测偏差选择所述非线 性回归方法的概率Pr(D|H^NLR)、选择所述移动平均方法的概率Pr(D|H^MA)和选择所述自回 归方法的概率Pr(D|H^AR)：

$\mathrm{Pr}\left(D\right|H^{\mathrm{NLR}})=\left(\begin{array}{c}1-E^{\mathrm{NLR}},(E^{\mathrm{NLR}}<1)\\ 0,(E^{\mathrm{NLR}}\ge 1)\end{array}\right)$

$\mathrm{Pr}\left(D\right|H^{\mathrm{MA}})=\left(\begin{array}{c}1-E^{\mathrm{MA}},(E^{\mathrm{MA}}<1)\\ 0,(E^{\mathrm{MA}}\ge 1)\end{array}\right)$

$\mathrm{Pr}\left(D\right|H^{\mathrm{AR}})=\left(\begin{array}{c}1-E^{\mathrm{AR}},(E^{\mathrm{AR}}<1)\\ 0,(E^{\mathrm{AR}}\ge 1)\end{array}\right)$

其中，E^NLR、E^MA和E^AR分别为所述非线性回归方法、移动平均方法和自回归方法的 前5个时段预测值与对应真实值的平均绝对百分比误差。

求解所述非线性回归方法、移动平均方法和自回归方法的贝叶斯权重W^NLR、W^MA和 W^AR：

Pr(D)＝Pr(D|H^NLR)Pr(H^NLR)+Pr(D|H^MA)Pr(H^MA)+Pr(D|H^AR)Pr(H^AR)

$W^{\mathrm{NLR}}=\frac{\mathrm{Pr}\left(D\right|H^{\mathrm{NLR}})\mathrm{Pr}\left(H^{\mathrm{NLR}}\right)}{\mathrm{Pr}\left(D\right)}$

$W^{\mathrm{MA}}=\frac{\mathrm{Pr}\left(D\right|H^{\mathrm{MA}})\mathrm{Pr}\left(H^{\mathrm{MA}}\right)}{\mathrm{Pr}\left(D\right)}$

$W^{\mathrm{AR}}=\frac{\mathrm{Pr}\left(D\right|H^{\mathrm{AR}})\mathrm{Pr}\left(H^{\mathrm{AR}}\right)}{\mathrm{Pr}\left(D\right)}$

利用非线性回归方法、移动平均方法和自回归方法分别计算出各自的当前时段进出 口道路段流量单步预测值，根据贝叶斯加权公式，即可得到当前时段最终的路段流量单步预 测值：

$\tilde{x}(k+1)=W^{\mathrm{NLR}}(k+1)x^{\mathrm{NLR}}(k+1)+W^{\mathrm{MA}}(k+1)x^{\mathrm{MA}}(k+1)+W^{\mathrm{AR}}(k+1)x^{\mathrm{AR}}(k+1)$

步骤4：改进卡尔曼滤波和改进BP神经网络的动态转向比例单步和两步预测

综合利用当前检测到的路段流量时间序列，以及步骤3中第1贝叶斯组合方法得到的 路段流量单步预测结果，以时段k的动态转向比例B_ij(k)作为状态变量，进行路口动态转向 比例的预测，包括历史时段的预测和当前时段的预测。

在动态转向比例预测的过程中，路口进出口道路段流量的更新方法如图5所示，即 每一个时段的预测中，只有当前时段之后第一个时段的路段流量由步骤3的预测结果得到， 当前时段以及之前所有时段的路段流量均由流量检测系统直接检测得到。

很明显，路口动态转向比例应满足如下的约束条件：

①B_ij(k)≥0，i＝1，2，…，r；j＝1，2，…，s

②$\underset{j=1}{\overset{s}{\Sigma }}{B}_{\mathrm{ij}}\left(k\right)=1,i=\mathrm{1,2},...,r$

首先，运用所述改进的卡尔曼滤波算法预测动态转向比例，建立状态空间模型如下：

状态方程：B(k+1)＝B(k)+W(k+1)

观测方程：Y(k)＝Q(k)*B(k)+e(k)

式中B(k)、Q(k)、Y(k)分别为B_ij(k)、Q_i(k)、Y_j(k)的矩阵或向量形式，W(k+1) 是均值为0的高斯白噪声向量，e(k)是均值为0的观测高斯白噪声向量。

采用已有的顺序卡尔曼滤波算法求解，并修正算法流程中动态转向比例的初始值如 下：

$B_{\mathrm{ij}}\left(0\right)=\frac{L_{\mathrm{ij}}}{\underset{j}{\Sigma }{L}_{\mathrm{ij}}}$

其中，L_ij是实现由i进口道转向j出口道的车道数量，对于混合车道，各转向平均取 值。

对顺序卡尔曼滤波算法计算得到的动态转向比例，进行裁切和标准化的处理，使其 满足转向比例固有的约束条件。

在检测流量及单步预测流量的基础上，用Matlab软件的M语言编程，实现改进的卡 尔曼滤波算法。根据状态方程的递推和观测方程的修正，即可得到动态转向比例的单步预测 值，包括历史预测值和当前预测值进一步根据在没有观测方程修正的 情况下、上述卡尔曼滤波状态方程的单步预测功能，即可得到动态转向比例的两步预测值， 包括历史预测值和当前预测值

然后，运用所述改进的BP神经网络算法预测动态转向比例，算法流程如下：

设计三层的BP神经网络，包括输入层、隐藏层和输出层；

输入层：输入层有3个神经元，分别对应进口道上游各车道的进口流量，当进口道 上游车道数量不同时，神经元数量做相应变化；

隐藏层：通过反复尝试，用于路口神经网络的隐藏层神经元取15个，另外隐藏层传 递函数采用对数S型函数，其输出值在[0，1]的区间范围内，与转向比例范围吻合；

输出层：输出层采用线性传递函数，共有3个神经元，对应左转、直行、右转3个 方向的转向比例，共有3个输出值。

BP神经网络模型的信息传播包括两个方面：信号的前向传播和误差的反向传播，即 实际输出按照从输入到输出的方向进行，而权值和阈值的修正按照从输出到输入的方向进行； 为使经过初始加权后的每个神经元的输出值都接近于零，保证每个神经元的权值都能够在它 们的S型激活函数变化最大之处进行调节，取初始权值为(-1，1)之间的随机数。

为克服基本BP神经网络算法的收敛速度慢、易陷入局部最优等不足之处，采用改进 的BP神经网络算法，即动量-自适应学习速率调整算法，来修正误差反向传播过程中的权值 和阈值，使BP神经网络算法既可以找到全局最优解，又能缩短训练时间，有关变量的计算 如下：

η(N)＝2^λη(N-1)

$\lambda =\mathrm{sign}\left[\frac{\text{Δω}\left(N\right)\mathrm{\Delta \omega }(N-1)}{\eta \left(N\right)\eta (N-1)}\right]$

${\omega }_{\mathrm{mn}}(N+1)={\omega }_{\mathrm{mn}}\left(N\right)+\eta \left(N\right)[(1-\mathrm{mc})\frac{\Delta {\omega }_{\mathrm{mn}}\left(N\right)}{\eta \left(N\right)}+\mathrm{mc}\frac{\Delta {\omega }_{\mathrm{mn}}(N-1)}{\eta (N-1)}]$

${\omega }_{\mathrm{lm}}(N+1)={\omega }_{\mathrm{lm}}\left(N\right)+\eta \left(N\right)[(1-\mathrm{mc})\frac{\Delta {\omega }_{\mathrm{lm}}\left(N\right)}{\eta \left(N\right)}+\mathrm{mc}\frac{\Delta {\omega }_{\mathrm{lm}}(N-1)}{\eta (N-1)}]$

${\theta }_m(N+1)={\theta }_m\left(N\right)+\eta \left(N\right)[(1-\mathrm{mc})\frac{\Delta {\theta }_m\left(N\right)}{\eta \left(N\right)}+\mathrm{mc}\frac{\Delta {\theta }_m(N-1)}{\eta (N-1)}]$

${\alpha }_n(N+1)={\alpha }_n\left(N\right)+\eta \left(N\right)[(1-\mathrm{mc})\frac{\Delta {\alpha }_n\left(N\right)}{\eta \left(N\right)}+\mathrm{mc}\frac{\Delta {\alpha }_n(N-1)}{\eta (N-1)}]$

式中N为训练次数，η为激活函数的学习率，λ为激活函数学习率的增长系数，l表 示输入层中的神经元节点编号，m表示隐藏层中的神经元节点编号，n表示输出层中的神经 元节点编号，ω为相连两层之间的权值，ω_lm为隐藏层第m个节点到输入层第l个节点之间的 权值，ω_mn为输出层第n个节点到隐藏层第m个节点之间的权值；θ_m为隐藏层第m个节点的 阈值，α_n为输出层第n个节点的阈值，θ_m和α_n随着训练过程动态更新；mc为动量因子， 0＜mc＜1，能够减小学习过程的振荡趋势，从而改善了网络的收敛性。

利用Matlab的M语言编程，实现BP神经网络的求解，输出所述改进BP神经网络 预测的动态转向比例，其中包括历史预测值和当前预测值

步骤5：第2贝叶斯组合方法的动态转向比例单步和两步预测

图4表示了路口动态转向比例两步预测的第2贝叶斯组合方法流程。

将改进卡尔曼滤波和改进BP神经网络的历史预测值与对应的动态转向比例历史真实 值作比较，得到平均绝对百分比误差，进而由以下公式得到根据历史预测偏差选择所述改进 卡尔曼滤波算法的概率Pr(H^KF)和选择所述改进BP神经网络算法的概率Pr(H^N)：

$\mathrm{Pr}\left(H^{\mathrm{KF}}\right)=\left(\begin{array}{c}1-{\mathrm{EH}}^{\mathrm{KF}},({\mathrm{EH}}^{\mathrm{KF}}<1)\\ 0,({\mathrm{EH}}^{\mathrm{KF}}\ge 1)\end{array}\right)$

$\mathrm{Pr}\left(H^N\right)=\left(\begin{array}{c}1-{\mathrm{EH}}^N,({\mathrm{EH}}^N<1)\\ 0,({\mathrm{EH}}^N\ge 1)\end{array}\right)$

其中，EH^KF和EH^N分别为所述改进卡尔曼滤波算法、改进BP神经网络算法的历史 预测值与对应历史真实值的平均绝对百分比误差。

平均绝对百分比误差的计算方法：其中为 预测值，B_ij(k)为真实值。

进一步考虑当天的预测偏差，为了提高精度、同时动态更新第2贝叶斯组合方法的 权重，采用改进卡尔曼滤波和BP神经网络当前预测时段的前5个时段预测值与对应时段组 合方法预测值的偏差，同样采用平均绝对百分比误差的计算方法，从而得到在历史预测偏差 的前提下，根据当前预测偏差选择所述改进卡尔曼滤波算法的概率Pr(D′|H^KF)和选择所述改 进BP神经网络算法的概率Pr(D′|H^N)：

$\mathrm{Pr}\left({D^{\prime }|H}^{\mathrm{KF}}\right)=\left(\begin{array}{c}1-E^{\mathrm{KF}},(E^{\mathrm{KF}}<1)\\ 0,(E^{\mathrm{KF}}\ge 1)\end{array}\right)$

$\mathrm{Pr}\left({D^{\prime }|H}^N\right)=\left(\begin{array}{c}1-E^N,(E^N<1)\\ 0,(E^N\ge 1)\end{array}\right)$

其中，E^KF、E^N分别为所述改进卡尔曼滤波算法、改进BP神经网络算法的前5个 时段预测值与对应第2贝叶斯组合预测值的平均绝对百分比误差。

求解所述改进卡尔曼滤波算法、改进BP神经网络算法的贝叶斯权重W^KF和W^N：

Pr(D′)＝Pr(D′|H^KF)Pr(H^KF)+Pr(D′|H^N)Pr(H^N)

$W^{\mathrm{KF}}=\frac{\mathrm{Pr}\left(D^{\prime }\right|H^{\mathrm{KF}})\mathrm{Pr}\left(H^{\mathrm{KF}}\right)}{\mathrm{Pr}\left(D^{\prime }\right)}$

$W^N=\frac{\mathrm{Pr}\left(D^{\prime }\right|H^N)\mathrm{Pr}\left(H^N\right)}{\mathrm{Pr}\left(D^{\prime }\right)}$

利用改进卡尔曼滤波算法和改进BP神经网络算法分别计算出各自的当前时段动态转 向比例单步和两步预测值，根据贝叶斯加权公式，即可得到当前时段最终的动态转向比例单 步和两步预测值：

${\tilde{B}}_{\mathrm{ij}}(k+1)=W_{\mathrm{ij}}^{\mathrm{KF}}(k+1)B_{\mathrm{ij}}^{\mathrm{KF}}(k+1)+W_{\mathrm{ij}}^N(k+1)B_{\mathrm{ij}}^N(k+1)$

${\tilde{B}}_{\mathrm{ij}}(k+2)=W_{\mathrm{ij}}^{\mathrm{KF}}(k+2)B_{\mathrm{ij}}^{\mathrm{KF}}(k+2)+W_{\mathrm{ij}}^N(k+2)B_{\mathrm{ij}}^N(k+2)$

步骤6：当前和历史预测偏差的更新

将步骤3中的第1贝叶斯组合方法路段流量单步预测结果与步骤2中三种方法预测 结果的偏差作为当前时段预测偏差存入当前流量偏差数据库，将其用于计算下一个预测时段 的当前预测偏差；

将步骤5中的第2贝叶斯组合方法动态转向比例单步及两步预测结果与步骤4中两 种方法预测结果的偏差作为当前时段预测偏差存入当前转向比例偏差数据库，将其用于计算 下一个预测时段的当前预测偏差；

更新预测时段，返回步骤1进行下一时段动态转向比例的预测，直至全天各时段动 态转向比例预测结束，更新历史流量偏差数据库和历史转向比例偏差数据库，并进行下一天 各时段动态转向比例的预测。

步骤7：传输至信号控制系统的应用

将通过上述6个步骤得到的动态转向比例单步和两步预测值传输到信号控制系统， 即可用于计算当前时段之后第一和第二个时段的信号配时参数，从而为路口的智能信号控制 提供基础数据支撑。

本发明通过交通调查，将基于双贝叶斯的路口动态转向比例两步预测方法在具体路 口案例中所得的结果，与真实值以及改进卡尔曼滤波、改进BP神经网络的预测值进行对比， 基于双贝叶斯的路口动态转向比例两步预测方法的预测结果总体变化趋势与真实值保持一 致，其预测误差在总体上明显优于单独的预测方法，并且能够避免各单独算法可能出现的局 部较大误差，在满足预测精度要求的同时，保证了预测结果的稳定性，具有很好的效果，能 够支撑路口智能信号控制系统的开发和实施，提高路口通行效率。

前面已经具体描述了本发明的实施方案，应当理解，对于一个具有本技术领域的普 通技能的人，在不脱离本发明范围的任何修改或局部替换，均属于本发明权利要求书保护的 范围。