英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料
基于动态贝叶斯推理的智能红绿灯控制系统研究
关键词：
智能红绿灯 动态贝叶斯网络智能决策模型 动态贝叶斯推理
摘要
智能红绿灯是智能交通系统的重要组成部分。本文运用贝叶斯网络理论，建立了基于动态贝叶斯网络的红绿灯独立智能决策模型。根据交通状况的实时动态信息，建议采用动态贝叶斯网络近似推理算法实现在线推理，确定最佳交通灯时间。该算法将时间窗口与改进的前向后算法相结合。通过调整算法的时间窗口宽度，可以使用证据信息最大化在线推理。与基于界面算法的现有时间窗口相比，它证明提出的推理算法效率更高。研究成果对解决交通拥堵问题，减少红绿灯交叉口人群的等候时间具有重要的现实意义。
copy; 2020 埃尔塞维尔有限公司保留所有权利。1. 介绍
城市交通问题，如道路交通堵塞、尾气污染和交通事故，已成为世界性问题之一。政府和交通领域的学者和专家正在积极寻找解决这个问题的办法，而中国早在2006年就已找到解决办法。提出了并制定了交通运输技术发展的战略目标。交通系统研究领域的重要研究方向之一就是智能交通系统（ITS）[1，2]，其中被认为是解决城市道路交通问题的有效方法之一。中国是交通需求增长最快的国家之一，交通在社会经济发展和人民生活中起着决定性的作用。同时，便捷的交通也是一个国家或地区经济繁荣和科技发展的标志。越来越便捷的交通状况正在带动经济，然而，城市道路交通拥堵现象日益普遍，对环境、人身出行安全和社会经济发展产生了不利影响。因此，城市交通体制改革势在必行。
本文针对 CAEE 的常规问题。
经主编处理并批准出版的审查相应的作者。
电子邮件地址：xiaoxing@szpt.edu.cn（X正兴）、jiangqing@iim.ac.cn（J青）、niezhe@szpt.edu.cn（N.哲）、rjwang@iim.ac.cn（W.鲁京），zyzhang@iim.ac.cn（Z.正永），hhuang@iim.ac.cn（H鹤），bysun@iim.ac.cn冰玉），lswang@iim.ac.cn（W.柳山），yywei@iim.ac.cn（W.媛媛）。
https://doi.org/10.1016/j.compeleceng.2020.106635 0045-7906/copy; 2020
埃尔塞维尔有限公司保留所有权利。
2 X.正兴，J.青和N，哲计算机与电气工程 84 （ 2020 ） 106635
国内智能交通研究主要侧重于交通流量的微模拟和模拟、交叉口交通控制策略的优化、交通流量参数的检测和交通流量监测。大连理工大学根据视频虚拟监控线的特点，在 PC 上实施建立了交通流量参数检测系统，并在不同的典型天气和流量下的视频进行了测试。结果表明，该系统具有较高的流量统计精度。西南交通大学提出了交叉信号的评价指标、系统构成原理和信号控制的通用方法。交叉点，分析交叉口的安全性、交通容量和车辆延误等主要技术指标。大连海事大学采用模糊逻辑、遗传算法、神经网络等智能理论，对单路口进行研究，确保交通畅通，最短延迟，以便减轻城市交通拥堵造成的危害。哈尔滨工业大学分析了智能交通信号控制的关键技术和发展现状，建立了基于图像处理的智能红绿灯控制系统，并通过实验验证了该系统的有效性。近年来，贝叶斯网络已广泛应用于实际问题领域。贝叶斯决策理论的概念及其不确定性表明和计算技术已融入人工智能不确定性处理的主流。贝叶斯网络[3-7]已演变为传统的贝叶西亚网络的两个分支，即静态贝叶西亚网络（SBNs）和动态贝叶西亚网络（DBNs）[8，9]。目前，贝叶斯网络的研究领域主要集中在以下三个方面：贝叶斯网络的推理、贝叶斯网络的学习和贝叶斯网络的应用。贝叶斯推论的目的是在给定的网络结构和已知条件下，通过联合概率分布公式计算事件发生的概率。从理论上讲，鉴于网络结构和概率分布表，任何查询都可以通过反复应用贝叶斯公式、产品和总结公式来获得。常见的推理方法可分为两种类型：精确推理和近似推理。准确的推理完全按照概率基本公式回答查询。一些当前的精确算法可以解决大部分现实中的问题.然而，受知识的限制，精确推理算法仍面临许多极待解决的问题。网络拓扑是影响推理复杂性的主要原因。典型的精确推理算法是：基于消息传播的推理算法、基于消除的推理算法和基于交汇树算法的推理算法。从理论上讲，精确的推理可以满足任何推理任务。然而，随着网络规模的扩大，精确推理的时间难以预测。同时，网络拓扑学的一个小变化可能使相对简单的问题变得相当复杂，因此研究近似推理算法变为一个相当活跃的领域。流行的近似推理算法有一个蒙特卡洛方法，高维数据的更有效方法是（马尔科夫链蒙特卡洛 （MCMC） [10-13] 方法。然而，就算法的复杂性而言，准确和近似的推理都是 NP 问题（非确定性多面体）。
近年来，贝叶斯网络已广泛应用于实际问题领域。贝叶斯决策理论的概念及其不确定性表示和计算技术已融入人工智能不确定性处理的主流。涵盖的领域包括图像识别、自然语言处理、机器人导航、规划、机器学习以及利用贝叶斯技术构建和分析软件系统。综上所述，贝叶斯网络以前的应用主要有以下几点：
（1）诊断：找出原因故障，基于故障的特征，发生，和执行实时根据经常发生的故障或系统现有状态进行监控和故障预防。例如，微软 Windows 软件中的故障排除可以帮助用户解决他们遇到的硬件和软件问题。工业故障诊断系统是辅助美国通用电气公司的涡轮诊断。航天故障诊断系统是美国宇航局和美国宇航局联合研制的航天飞机推进系统的诊断波克韦尔;（2）专家系统：提供专家级推理，模拟人体智力，解决专业领域的实际问题。例如，贝叶斯网络用于医学
（3） 规划：根据因果概率估计各类事件的可能性，获取特定目标的项目计划：省钱或节省时间;
（4）学习：帮助学习。帮助初学者快速掌握事件的因果关系和模式
（5） 排序：贝叶斯网络用于集群分析和分类。它在数据挖掘和模式识别中发挥着重要作用。
由于贝叶斯网络是联合概率分布和因果表示的完美结合，因此贝叶斯网络优于机械学习方法，如生产规则、决策树、人工神经网络和聚类。作为图形建模工具，贝叶斯网络具有以下优点：
（1）贝叶斯网络将周期图与概率理论相结合，为概率理论提供正式基础，并更直观地表示知识。一方面，它直接向周期图表达人类所拥有的因果知识。另一方面，它以有条件概率的形式将统计数据整合到模型中。先前的信息或领域知识在建模中很重要，尤其是在样本数据稀少或难以获取数据的情况下
（2） 与一般知识表示方法不同，贝叶斯网络是问题领域的模型。当条件或行为发生变化时，模型不会变化
（3） 贝叶斯网络没有定义
X ，正兴，J.青和N，哲等人/计算机和电气工程84（2020）106635
输入或输出节点。节点相互作用。获取任何节点或干扰任何节点都会影响其他节点，并且可以使用贝叶斯网络推论进行估计和预测。目前，中国城市的红绿灯几乎总是固定的。随着城市的发展和机动车数量的增加，这种控制方法很可能会造成交通拥堵。为了克服现有方法的不足，在上述贝叶斯方法的基础上，利用K2算法获取网络结构，进行结构学习，然后结合贝叶斯网络推理，实现红绿灯的智能决策。通过模拟实验，该算法可以根据真实收集的信息动态的预测模型时间，和使交通灯处于最好的时间。这种自主的情报模式可以更全面、更现实地反映交通状况，实现智能化交通，提高道路利用效率。本文的其余部分如下。第2节介绍了贝叶斯网络的理论知识，以及基于时间窗口的前进和后向算法在红绿灯自主智能决策模型中的应用。在第 3 节中，给出模拟环境和相关参数配置。第4节基于动态贝叶斯网络研究红绿灯自主智能决策模型在交通中的应用效果，分析算法的复杂性和有效性。第5节总结了全文。、
2. 建议的方法
贝叶斯网络是指示一个周期图形，表示变量之间的概率依赖性。贝叶斯统计学和图形理论的发展为贝叶斯网络理论的引入提供了坚实的理论基础。人工智能、专家系统和机器学习在实践中的广泛应用，已成为贝叶斯网络生成和发展的催化剂。在贝叶斯网络建模中，两个关键任务是网络参数学习和网络结构学习。从数据中学习贝叶斯网络是当前机器学习的热点问题之一。贝叶斯网络推理基本上是在任何给定证据下回答查询问题，包括预测和诊断。
2.1. 贝叶斯网络
2.1.1.贝叶斯网络的性质贝叶斯网络主要具有以下属性：
（1）有条件独立假设贝叶斯网络中的任何节点 Vi，鉴于父节点，该条件独立于任何 V 是非后裔节点设置，此独立性记录为：I（，A（）|P（）。其中 A （） 是任何 的一组非子节点，而 P（） 是的一组父节点。假设V1，V2hellip;VN 是贝叶斯网络中的节点。基于上述有条件独立的假设，联合概率为：
（1）由于贝叶斯网络模型具有条件独立性，它只需要考虑与变量相关的有限变量，这大大简化了解决问题的难度，从而为许多复杂的问题提供了可行的解决方案。
（2）基于概率理论的严格推理是不确定性知识表现和推理的模型。
其推理原理以贝叶斯概率论为基础，推理过程本质上是概率计算。
（3）知识表现分为定性知识和定量知识，定性知识是指网络的结构关系，表现了事件之间的因果关系。定性关系（即因果关系、贝叶斯网络结构图）主要来源于专家经验、专业文献和统计学。定量知识包括边缘概率和有条件概率，以及影响原因的影响程度。定量关系（概率）主要来源于统计计算、专业文献和专家经验。当数据不丰富时，可以使用专家估计加统计修正进行量化。当数据丰富时，使用预期最大化 （EM） [14， 15]进行量化。使用此算法，贝叶斯网络还可用于处理数据缺失的情况。
（4） 知识获取和推理较少
4 X.正兴，J.青和N。哲
由于贝叶斯网络是有条件的独立网络，因此可以降低知识获取和推理的复杂性。也就是说，在知识获取方面，仅涉及节点附近的本地网络地图，并在推论计算中，只要知道节点的相关节点状态，节点的发生概率就可以估计。
2.1.2. 贝叶斯网络建设
构建贝叶斯网络通常有以下三个过程：第一步是识别与构建模型及其解释相关的变量。为此，你需要：
（1） 确定模型的目标，即确定对问题的解释
（2） 确定与问题相关的许多可能的观察结果，并确定模型的哪个子集值得构建
（3） 组织这些观察变成所有状态不兼容和详尽的变量。通常这样做的结果并非独一无二。在第二步中，建立了代表有条件独立断言的定向循环图。根据概率乘法公式
（2）
每个变量 xi，如果有子集 xsube;（x1，x2，。。， ximinus;1）这使得xi和{x1，x2，。。，ximinus;1}minus; pi;xi 有条件地独立，即对于任何 X，有：
（3）
因此可以获得 X 的有条件概率分布：
（4）
为了确定贝叶斯网络的结构，需要：
（1） 对变量进行排序 x1， x2，...，xn按一定顺序排列
（2） 确定变量集=西（i=1，2，hellip;，n）满足公式（3）。
从理论上讲，如何找到适合有条件独立于n变量的顺序是一个组合爆炸问题。因为您想要比较n的顺序！变量。然而，变量之间的因果关系通常可以在实际问题中确定，而这些变量之间的因果关系通常与有条件的独立性断言相对应。因此，可以通过从因子变量绘制箭头边缘到结果变量来可视化变量之间的因果关系。这一步骤本质上是贝叶斯网络的结构学习。第三步是分配本地概率分布p（xi|pi;xi）。在离散情况下，有必要将分布分配分配给每个变量的每个父节点的状态，即以一个因素的形式表示联合概率分布。这一步骤基本上是贝叶斯网络的参数学习。我们可以清楚地看到，上述步骤可能是交叉的，而不是一个简单的序列来完成，因为网络的结构和参数是根据背景知识和先前的知识确定的，因此建立的网络也被称为先验的贝叶斯网络。
2.2. 动态贝叶斯网络
数据库具有很强的动态系统状态变量表达能力，广泛应用于非线性、实时性和不确定系统。数据库是贝叶斯网络的延伸，是代表复杂随机过程的定向图模型。X，Y表示随机变量：x 和 y 表示随机变量的一定值;X1， Y1 表示随机变量集合。假设兹特表示伊思属性集 Z 的节点对应于 t，它可以是一个隐藏的可变节点、观察节点或控制节点。A DDBN由两个贝叶斯网络组成，初始网络B0和翻译网络B→B（图1）：（1）初始网络B0指定了时间过程的初始概率分布p（Z0）：1） 初始网络B0指定了时间过程的初始概率分布p（Z0）：1） 初始网络B0指定了时间过程的初始概率分布p（Z0）：b 1） 初始网络B0指定了时间过程的初始概率分布p（Z0）：1） 初始网络B0指定了时间过程的初始概率分布p（Z0）：（1）初始网络B0指定了时间过程的初始概率分布p（Z0）。（2） 转换网络 B → 指定过渡概率 p（兹特 1|Zt）用于t时间切片到t 1次切片变量设置状态为所有时间点0，1，...，T.
X。正兴，J.青和N。哲等人/计算机和电气工程 84 （2020） 106635
5 A0 B0 C0 A1 B
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[606455]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
