基于贝叶斯网络的城市道路交通拥堵多原因自动实时识别

面对城市道路交通拥堵原因动态实时、复杂多变,识别方法主观性强、精度低、实时性差、不能自动等问题,提出了一种基于贝叶斯网络的城市道路交通拥堵多原因自动实时识别方法。将研究区域范围内城市道路交通状态的可观测变量作为输入,交通拥堵原因的0-1离散类型作为输出,将历史数据作为训练集,从而将问题转化为数据驱动的多分类问题。该方法首先对城市道路交通的动态可观测变量和多个拥堵原因之间的关系进行系统的机理分析和仿真验证,从而构建贝叶斯网络结构。再以获取的实测历史数据进行参数学习训练,得到完整的贝叶斯网络模型。最后,将该道路工作状态下交通可观测变量输入该贝叶斯网络模型,就能同时自动实时识别出交通拥堵的多个原因。该方法灵活性高、能更好地表达节点相关性、可解释性强、能充分利用专家经验知识,且能做到自动实时。对泉州市泉秀街2019年2月25日至3月3日晚高峰交通进行了案例研究。结果表明:基于贝叶斯网络的城市道路交通拥堵多原因识别模型在有行人影响、车流高峰、停车占道、信号配时不合理和过街车流影响的网络构建上较为合理;与反向传播神经网络法、多标签k近邻算法及多标签岭回归法对比,该方法的平均识别准确率总体表现较优。