基于隐马尔可夫模型的车辆行程时间顽 测方法研究
基于隐马尔可夫模型的车辆行程时间顽测方法研究本文采用基于隐马尔可夫模型的技术实现对城市中车辆道路行程时间的估计。研
究了基于聚类的隐马尔可夫预测模型和基于非参数估计的隐马尔可夫在线预测模型，
Ｗ及基于Ｎ阶路网的隐马尔可夫预测模型，在此基础上针对短时交通中车辆行程时间
估计的实际需求，分别提出了相应的算法。本论文的创新点在于：
１、提出了一种基于时间性与关联性聚类的隐马尔可夫模型预测模型一ＣＨＭＭ模
型
为了解决交通数据的离散性距离度量问题，利用信息滴理论，改进了初始时间序
列数据的距离计算，实现了数据的时间性和前后关联性的统一，并给出了相应的距离
计算标准，在此基础上提出了更加具有鲁棒性的自适应聚类算法，使得聚类过程能够
自适应的找出聚类个数，不需要人为提前设定，最终达到自适应分段聚类的目的。针
对基于聚类的隐马尔可夫模型的状态序列学习问题，改进了维特比算法。为了保证基
于该聚类方法的隐马尔可夫预测模型能够适用于多步预测，增大模型的预测区间，还
提出了一种迭代优化模型的方法，提高了模型的多步预测能力。通过在公共数据集上
验证，该算法能够准确的预测交通行程时间，提高车辆行程时间预测的步长，并在一
定程度上解决了离散点距离度量问题。
２、提出了一种基于非参数估计的隐马尔可夫模型在线预测模型一ＨＤＰ－ＣＨＭＭ模
型
基于历史数据的隐马尔可夫预测模型通常实时性处理能较弱，对于实际交通数据
的利用并不充分，算法耗时较多．同时，隐马尔可夫模型本身的一些假设前提，也限
制了预测模型在实际应用环境中的预测能力。本文提出非参数估计的方法扩展隐马尔
可夫模型，使得隐马尔可夫模型不再被隐状态空间限制，能够适用于在线预测，另外
还提出了加速模型参数的采样算法，使得模型参数的训练收敛更快，算法耗时降低。
通过在公共数据集、道路车辆数据集和一般数据上进行实验验证，该算法能够执行在
线预测任务，在预测精度和实时性方面强于己有的隐马尔可夫预测模型。
３、提出了一种基于Ｎ阶路网的隐马尔可夫模型预测模型一Ｎ－ＨＭＭ模型
在基于聚类的隐马尔可夫模型和非参数估计的隐马尔可夫模型的基础上，本文结
合道路交通的实际情况，考虑局部路段间具有前后关联性的特点，建立预测目标车辆
与目的地间的Ｎ阶近邻的路网模型，解决了道路的关联性问题，提高了预测模型的可
控性。根据该路网模型进一步建立７多依赖的状态矩阵，突破了传统隐马尔可夫模型
的一阶依赖限制，更加符合实际应用。为了能够对单车行程时间做出预测，给出了结
合两种预测模型的行程时间估计方法。实验结果表明，该模型对单车在起始点与目的
地间的行程时间能够做出准确预测，同时能够将该模型应用于实时的交通环境中。
页:
[1]