CN106846816A - 一种基于深度学习的离散化交通状态判别方法 - Google Patents

Abstract

一种基于深度学习的离散化交通状态判别方法，属于交通状态判别技术领域。包括如下步骤：步骤a，利用设置在路口各个方向的监测设备对路口在多个不同时刻的交通状态进行采集，对应得到多组交通状态信息；步骤b，按照离散化编码流程对多组交通状态信息分别进行离散化编码描述，对应得到路口在不同时刻的离散化编码数据；步骤c，根据步骤b中的得到的离散化编码数据构建基于深度学习的交通状态判别模型；步骤d，利用步骤c构建的交通状态判别模型进行交通状态的判别。通过本基于深度学习的离散化交通状态判别方法，可全面真实描述交通状态、无需专家参与交通状态特征选择、可半监督自动实现交通状态判别模型的构建。

Description

一种基于深度学习的离散化交通状态判别方法

技术领域

一种基于深度学习的离散化交通状态判别方法，属于交通状态判别技术领域。

背景技术

随着社会城市化进程加快，全球大中城市均面临交通拥堵压力。同样，我国家用汽车保有量近年来持续快速增长，城市交通拥堵已成为大众出行讨论焦点，为解决交通拥堵问题，通常有三种解决方案：(1)通过行政手段控制车辆出行，例如我国部分城市实施的单双号限行制度，该方案简单易行，但会导致“有车不行”的尴尬境地；(2)扩展交通设施和新建交通道路，该方案需要投入大量人力、物力和成本，建设周期长，在工程实施过程中会出现“越修越堵”的问题；(3)通过技术手段判别交通状态，适时调整交通信号控制策略提高通行效率，该方案具有低成本、见效快等特点。可见，交通状态判别是交通控制和交通流诱导技术的先决条件，也是交通工程技术领域多年来研究的热点。

交通状态判别方法主要包括人工判别和自动判别两种形式，人工判别主要是针对简单区域内的交通管理通过视频图像目视来判断交通拥堵与流量的大小，因此人工判别的实际效果和可靠性较差。自动判别则是结合多种交通监测设备和智能算法来识别交通环境情况，随着技术的发展，国内外学者针对自动判别技术提出了多种解决方案，具体而言包括以下几种：(1)LUHP等基于大数据驱动技术研究了一种实时交通状态识别方法，在分析交通大数据特点后，结合FCM(Fuzzy C-Means)模糊算法构建了一种交通状态聚类模型。(2)ANTONIOU C等采用无线传感技术获取交通流、交通密度、速度等特征数据后，分别利用K近邻聚类算法和神经网络算法构建分类模型判别交通状态。(3)PAN T L等人综合利用交通时间、空间信息组成的交通流量特征提出一种采用随机单元传输模型进行短时交通状态预测的方法。从之前的研究来看，交通状态特征属性的选择基本通过人工完成，例如交通流量、密度、速度、时间等，然后利用机器学习算法进行聚类或分类分析以确定交通状态，因此现有技术中的自动判别方法还普遍存在有如下缺陷：

(1)交通状态的特征选择需要交通专家的参与，判定效果的好坏依赖于交通专家的经验。

(2)交通状态在真实交通环境中是一种复杂的因素组合，人工设定状态特征的方式会丢失相关的有价值信息。

(3)已构建的交通状态判别模型应用于新的交通环境具有适应性差的问题。

因此，设计出一种可全面真实描述交通状态、无需专家参与交通特征选择、可半监督自动实现交通状态判别模型构建的方法成为亟待解决的问题。

发明内容

本发明要解决的技术问题是：克服现有技术的不足，提供一种可全面真实描述交通状态、无需专家参与交通特征选择、可半监督自动实现交通状态判别模型构建的基于深度学习的离散化交通状态判别方法。

本发明解决其技术问题所采用的技术方案是：该基于深度学习的离散化交通状态判别方法，其特征在于：包括如下步骤：

步骤a，利用设置在路口各个方向的监测设备对路口在多个不同时刻的交通状态进行采集，对应得到多组交通状态信息；

步骤b，按照离散化编码流程对多组交通状态信息分别进行离散化编码描述，对应得到路口在不同时刻的离散化编码数据；

步骤c，根据步骤b中的得到的离散化编码数据构建基于深度学习的交通状态判别模型；

步骤d，利用步骤c构建的交通状态判别模型进行交通状态的判别。

优选的，步骤b中所述的离散化编码流程，包括如下步骤：

步骤b-1，对道路进行网格化；在所述路口各个方向上长度为l的道路上，以长度c为单位长度对道路的每条并行车道进行网格化，在每条并行的车道上形成l/c个单元，并得到离散化后的交通状态向量；

步骤b-2，定义交通状态向量；定义车辆存在状态向量a，用于对每个网格内是否存在有车辆进行表示，定义车辆速度状态向量b，用于对每个网格内车辆的行驶速度进行表示；

步骤b-3，利用步骤b-2中定义的交通状态向量，对所述路口在T时刻的交通状态进行表示，并分别形成路口每个方向在T时刻反应交通状态向量的数值表；

步骤b-4，提取路口在T时刻每个方向的交通状态向量的数值表。

优选的，步骤b-1中所述的交通状态向量为：

其中：E向量表示存储车道单元是否有车辆存在的信息，V向量表示存储车辆速度信息，P向量表示当前交通信号相位，则T时刻，交通状态可表示为s_T∈S。

优选的，步骤b-2中所述的车辆存在状态向量a利用二值数据表示，1表示该网格内有车辆，0表示该网格内无车辆；

车辆速度状态向量b利用连续值数据表示的向量b，0表示该网格内存在的车辆车速为0或无车辆，非0表示该车道在限速内的车辆速度格式化值，取值空间为[0，1]。

优选的，步骤c中所述的构建基于深度学习的交通状态判别模型，包括如下步骤：

步骤4-1，开始；

针对离散化编码数据，设置可接收二值状态编码的深度置信网络和可接收连续值状态编码的深度置信网络；

步骤4-2，是否小于网络层数，***判断是否小于网络层数，如果小于网络层数，执行步骤4-3，如果不小于网络层数，执行步骤4-9；

步骤4-3，当前层是否完成数据类型初始化，如果完成数据类型初始化，顺序执行步骤4-5～步骤4-8，如果未完成数据类型初始化，执行步骤4-4；

步骤4-4，进行数据初始化，并返回步骤4-3；

步骤4-5，是否小于训练次数；***判断已完成的训练次数是否小于预设定的训练次数，如果小于训练次数，则需要对模型进行下一次的训练，执行步骤4-6，如果不小于训练次数，返回执行步骤4-3；

步骤4-6，是否小于训练记录数；***判断已存在训练记录数是否小于预设定的训练记录数，如果小于训练记录数，顺序执行步骤4-7～步骤4-8，如果不小于训练记录数，则利用已存在的训练记录数进行训练，然后返回执行步骤4-5；

步骤4-7，计算当前可见单元和隐藏单元的条件概率；

步骤4-8，更新当前层权重和偏置参数；

步骤4-9，基于BP算法进行反向传播控制调整；

步骤4-10，结束，基于深度学习的交通状态判别模型构建完成。

优选的，在进行步骤4-5中所述的模型训练时，设交通状态数据集为

其中，R表示训练样本数量，xe_i表示数据集ds中第i个样本的车辆存在二值状态向量，xv_i表示数据集ds中第i个样本的交通车速连续值状态向量，y_i∈{1,2,3}是第i个样本对应的交通状态标签值，其中1表示堵塞，2表示拥挤，3表示通畅；

利用最大化对数似然函数θ以拟合交通状态训练数据集ds，即

其中，θ表示参数向量，则针对交通车辆存在的二值数据θ₁和交通车速的连续数据θ₂的参数向量分别为{w,a,b}和{w,a,b,σ}，其中w表示连接受限玻尔兹曼机RBM可见层和隐藏层之间的无向权值向量，a和b分别表示可见层和隐藏层的偏置向量，σ表示可见层单元高斯噪声的标准偏差向量。

优选的，在所述的步骤4-7中，计算当前可见单元和隐藏单元的条件概率时，针对BBRBM和GBRBM模型计算第m个可见单元和第n个隐藏单元的条件概率的计算公式分别为：

其中，为sigmoid激活函数，表示均值u和方差σ²的高斯概率密度函数，s表示隐藏单元个数，t表示可见单元个数，

并利用公式：更新BBRBM的参数，

利用公式：更新GBRBM的参数。

优选的，在进行步骤4-9中所述的基于BP算法进行反向传播控制调整时，通过最小化代价函数J(θ₁,θ₂)进行反向传播控制调整，其公式为：

与现有技术相比，本发明所具有的有益效果是：

通过本基于深度学习的离散化交通状态判别方法，可全面真实描述交通状态、无需专家参与交通特征选择、可半监督自动实现交通状态判别模型的构建。

交通环境通常表现为某交叉口各方向车道上的车辆状况，常用的描述方法包括：车道滞留车辆数、交通流量状态和交通控制器状态等。在交通状态判定中其状态描述的合理性决定了交通管理措施的选择，若状态信息缺失，将直接影响整个交通管理能力。在本基于深度学习的离散化交通状态判别方法中，综合考虑了各种状态描述方法，采用一种离散交通状态编码方法。与其它方法相比，该方法能够完整表达交通状态，为深度学习交通状态提供了数据基础。

附图说明

图1为基于深度学习的离散化交通状态判别方法流程图。

图2为基于深度学习的离散化交通状态判别***组成示意图。

图3为基于深度学习的离散化交通状态判别方法交通状态编码示意图。

图4为基于深度学习的离散化交通状态判别方法模型构建流程图。

图5为基于深度学习的离散化交通状态判别方法模型学习过程示意图。

图6为基于深度学习的离散化交通状态判别方法模型结构示意图。

具体实施方式

图1～6是本发明的最佳实施例，下面结合附图1～6对本发明做进一步说明。

参照图2，在本基于深度学习的离散化交通状态判别***由以下几个部分组成：交通状态描述模块、交通状态监测模块、状态深度学习模块以及交通状态判别模块。交通状态监测模块按照东、西、南、北四个方向分为四组，分别用于检测每一个路口东、西、南、北四个方向的实际车辆通行状态，在本基于深度学习的离散化交通状态判别***中，交通状态监测模块通过目前常规的监测设备(或手段)实现，如地磁传感器、无线传感器、微波和视频等。

交通状态监测模块将路口各个方向的交通信息数据进行采集并送入交通状态描述模块，由交通状态描述模块对路口各个方向的交通信息数据按照预设定的方式进行描述，然后送入状态深度学习模块，由状态深度学习模块从交通信息数据中自动提取有效信息，并最终由交通状态判别模块对路口的交通状态进行判定。

如图1所示，一种基于深度学习的离散化交通状态判别方法，包括如下步骤：

步骤1，开始；开始进行基于深度学习的离散化交通状态判别方法；

步骤2，交通数据采集；

利用设置在路口各个方向的监测设备对路口在多个不同时刻的交通状态进行采集，对应得到多组交通状态信息。

步骤3，离散化交通状态编码描述；

在本基于深度学习的离散化交通状态判别方法中，通过离散交通状态编码的方式对路口的交通信息数据进行描述，对应得到路口在不同时刻的离散化编码数据，具体如下：

定义参数l为某个路口任意一个方向上可检测车辆状况的长度，然后定义参数c为小型车的车长，因此在距离l上沿车道方向可分为l/c个单元，离散化后的交通状态向量S可表示为：

其中：E向量表示存储车道单元是否有车辆存在的信息，V向量表示存储车辆速度信息，P向量表示当前交通信号相位，则某一个监测时刻T，交通状态可表示为s_T∈S。

结合图3，表示某路口在某一个监测时刻T的交通状态情况，在图3中设每一个方向的道路上设置有三条并行的车道，并分别以字母E、W、S、N表示该路口的东、西、南、北四个方向，在图3中以白色三角表示正处于行进状态的车辆，以黑色三角表示处于停车状态的车辆，车长大于c的车辆(如大型车)以长三角进行表示。

根据上述的定义，将长度为l的道路按照车长c对道路进行网格化，并分别利用向量Ea、Wa、Sa、Na表示路口东、西、南、北四个方向的网格内是否存在有车辆，向量Ea、Wa、Sa、Na采用二值数据表示，1表示该网格内有车辆，0表示该网格内无车辆；然后分别利用向量Eb、Wb、Sb、Nb表示路口东、西、南、北四个方向的网格内车辆的行进速度，向量Eb、Wb、Sb、Nb采用连续值表示，0表示该网格内存在的车辆车速为0或无车辆，非0表示该车道在限速内的车辆速度格式化值，取值空间为[0，1]。以路口东侧车道自西向东方向为例，向量Ea和向量Eb可分别用表1和表2进行表示：

1	1	1	0	1	0	0	0	0	0	0
											1	1	1	0	0	0	0	1	0	0	0
1	0	1	0	0	1	0	0	0	0	1

表1 T时刻路口东侧车道向量Ea车辆存在情况数值表

0	0	0	0	0.1	0	0	0	0	0	0
											0	0	0	0	0	0	0	0.4	0	0	0
0	0	0.1	0	0	0.3	0	0	0	0	0.7

表2 T时刻路口东侧车道向量Eb车辆车速情况数值表

在表1以及表2中第1～3行对应表示路口东侧道路的三条并行的车道，第1～11列表示自路口开始自西向东的依次对应的网格。在最北侧车道上停留有大型车辆，该车辆占用了最北侧车道自西向东的第2～3个网格，因此表1中相应的两个数值均为1。

同理，路口西侧道路自西向东方向的向量Wa和向量Wb可分别用表3和表4进行表示：

0	0	0	0	0	0	0	1	0	0	1
											0	0	1	0	0	1	0	0	0	1	1
0	1	0	0	0	1	0	0	1	1	1

表3 T时刻路口西侧车道向量Wa车辆存在情况数值表

0	0	0	0	0	0	0	0.2	0	0	0
											0	0	0.5	0	0	0.3	0	0	0	0	0
0	0.5	0	0	0	0.2	0	0	0	0	0

表4 T时刻路口西侧车道向量Wb车辆车速情况数值表

路口南侧道路自北向南方向的向量Sa和向量Sb可分别用表5和表6进行表示：

1	1	0	0	1	0	0	0	0	0	0
											0	1	1	0	1	0	0	1	0	0	0
1	0	1	0	0	1	0	0	0	0	1

表5 T时刻路口西侧车道向量Wa车辆存在情况数值表

0.1	0.1	0	0	0.4	0	0	0	0	0	0
											0	0.1	0.1	0	0.3	0	0	0.5	0	0	0
0.1	0	0.2	0	0	0.4	0	0	0	0	0.8

表6 T时刻路口西侧车道向量Wb车辆车速情况数值表

路口北侧道路自北向南方向的向量Na和向量Nb可分别用表7和表8进行表示：

0	0	0	0	0	0	1	0	1	0	1
											1	0	0	1	0	0	0	0	1	1	1
0	0	0	0	0	0	1	0	0	0	1

表7 T时刻路口西侧车道向量Wa车辆存在情况数值表

0	0	0	0	0	0	0.3	0	0.2	0	0.1
											0.7	0	0	0.5	0	0	0	0	0.1	0.1	0.1
0	0	0	0	0	0	0.4	0	0	0	0.1

表8 T时刻路口西侧车道向量Wb车辆车速情况数值表

交通环境通常表现为某交叉口各方向车道上的车辆状况，常用的描述方法包括：车道滞留车辆数、交通流量状态和交通控制器状态等。在交通状态判定中状态描述的合理性决定了交通管理措施的选择，若状态信息缺失，将直接影响整个交通管理能力。在本基于深度学习的离散化交通状态判别方法中，综合考虑了各种状态描述方法，采用一种离散交通状态编码方法。与其它方法相比，该方法能够完整表达交通状态，为深度学习交通状态提供了数据基础。在经过大量的监测时刻获得大量交通向量数据之后，将交通向量数据送入交通状态编码数据集内，可用作训练数据和测试数据，为后续构建模型提供数据基础。

步骤4，基于深度学习的交通状态判别模型构建；

如图4所示，构建基于深度学习的交通状态判别模型，包括如下步骤：

步骤4-1，开始；

如图5所示，在本基于深度学习的离散化交通状态判别方法中，首先设置可接收二值状态编码的深度置信网络(定义为TEDBN)和可接收连续值状态编码的深度置信网络(定义为TVDBN)，然后由交通状态样本集中的训练数据记录分别输出车辆存在状态向量表和车辆速度状态向量表，车辆存在状态向量表和车辆速度状态向量表分别送入可接收二值状态编码的深度置信网络和可接收连续值状态编码的深度置信网络内进行特征学习。同时分别由可接收二值状态编码的深度置信网络和可接收连续值状态编码的深度置信网络得到车辆存在状态特征和车辆速度状态特征，经过无监督的逐层特征训练和结合softmax多分类模型的有监督参数优化微调后，得到交通状态的高层抽象特征。最后，利用交通状态编码数据集中的测试数据对交通状态进行判别以验证模型的有效性。

步骤4-2，是否小于网络层数，***判断是否小于网络层数，如果小于网络层数，执行步骤4-3，如果不小于网络层数，执行步骤4-9；

与传统的人工提取交通特征方法不同，基于深度学习的无监督特征提取技术可自动的从交通状态数据中提取有效信息。如图6所示，本发明中构建了两个具有5层的DBN模型，一个是为学习交通车速的连续值数据特征TVDBN，该模型最底层使用高斯-伯努利RBM(GBRBM)接收连续值数据输入；另一个是学习交通车辆存在的二值数据特征TEDBN，该模型最低层使用伯努利-伯努利RBM(BBRBM)接收二值数据输入，交通状态模型的构建包括模型训练和模型微调两个阶段。

步骤4-3，当前层是否完成数据类型初始化，如果完成数据类型初始化，顺序执行步骤4-5～步骤4-8，如果未完成数据类型初始化，执行步骤4-4；

步骤4-4，进行数据初始化，并返回步骤4-3；

步骤4-5，是否小于训练次数；***判断已完成的训练次数是否小于预设定的训练次数，如果小于训练次数，则需要对模型进行下一次的训练，执行步骤4-6，如果不小于训练次数，返回执行步骤4-3；

训练次数预先由人为进行设定，***判断每次训练时的次数是否小于预先设定的训练次数，如果尚未完成预设定的训练次数，则利用交通状态编码数据集内的样本进行模型训练。

步骤4-6，是否小于训练记录数；***判断已存在训练记录数是否小于预设定的训练记录数，如果小于训练记录数，顺序执行步骤4-7～步骤4-8，如果不小于训练记录数，则利用已存在的训练记录数进行训练，然后返回执行步骤4-5；

训练记录数即为上述的交通状态编码数据集内的样本总数，在每次训练时，***判断交通状态编码数据集内的样本总数是否小于预设定的样本总数，如果小于预设定的样本总数，执行步骤4～7～步骤4-8。

在模型训练阶段，设交通状态数据集为：

其中，R表示训练样本数量，xe_i表示数据集ds中第i个样本的车辆存在二值状态向量，xv_i表示数据集ds中第i个样本的交通车速连续值状态向量，y_i∈{1,2,3}是第i个样本对应的交通状态标签值，其中1表示堵塞(B)，2表示拥挤(C)，3表示通畅(U)；。则交通学习的任务是获取最大化对数似然函数θ以拟合交通状态训练数据集ds，即

其中，θ表示参数向量，则针对交通车辆存在的二值数据θ₁和交通车速的连续数据θ₂分别为{w,a,b}和{w,a,b,σ}，其中w表示连接RBM可见层和隐藏层之间的无向权值向量，a和b分别表示可见层和隐藏层的偏置向量，σ表示可见层单元高斯噪声的标准偏差向量。

步骤4-7，计算当前可见单元和隐藏单元的条件概率；

因RBM的可见层和隐藏层单元之间的联合概率分布(v，h)满足能量定义，则针对BBRBM和GBRBM模型计算第m个可见单元和第n个隐藏单元的条件概率的计算公式分别如公式(5)和公式(6)所示：

其中，为sigmoid激活函数，表示均值u和方差σ²的高斯概率密度函数，s表示隐藏单元个数，t表示可见单元个数。

步骤4-8，更新当前层权重和偏置参数；

根据式(7)和(8)分别更新BBRBM和GBRBM的参数。

步骤4-9，基于BP算法进行反向传播控制调整；

在模型微调阶段，模型TVDBN和TEDBN逐层预训练结束后，将两模型获取的高层抽象特征整合形成特征向量，并在顶端增加一个softmax分类回归器，用于交通状态的判别。则TVDBN和TEDBN的参数可通过最小化代价函数J(θ₁,θ₂)进行反向传播控制调整，其公式为：

步骤4-10，结束，基于深度学习的交通状态判别模型构建完成。

步骤5，交通状态判别；

利用步骤4中构建的基于深度学习的交通状态判别模型进行应用，对实际交通状进行态判别。

步骤6，结束；输出判别结果，完成基于深度学习的离散化的交通状态判别。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (8)

1.一种基于深度学习的离散化交通状态判别方法，其特征在于：包括如下步骤：

步骤a，利用设置在路口各个方向的监测设备对路口在多个不同时刻的交通状态进行采集，对应得到多组交通状态信息；

步骤b，按照离散化编码流程对多组交通状态信息分别进行离散化编码描述，对应得到路口在不同时刻的离散化编码数据；

步骤c，根据步骤b中的得到的离散化编码数据构建基于深度学习的交通状态判别模型；

步骤d，利用步骤c构建的交通状态判别模型进行交通状态的判别。

2.根据权利要求1所述的基于深度学习的离散化交通状态判别方法，其特征在于：步骤b中所述的离散化编码流程，包括如下步骤：

步骤b-1，对道路进行网格化；在所述路口各个方向上长度为l的道路上，以长度c为单位长度对道路的每条并行车道进行网格化，在每条并行的车道上形成l/c个单元，并得到离散化后的交通状态向量；

步骤b-2，定义交通状态向量；定义车辆存在状态向量a，用于对每个网格内是否存在有车辆进行表示，定义车辆速度状态向量b，用于对每个网格内车辆的行驶速度进行表示；

步骤b-3，利用步骤b-2中定义的交通状态向量，对所述路口在T时刻的交通状态进行表示，并分别形成路口每个方向在T时刻反应交通状态向量的数值表；

步骤b-4，提取路口在T时刻每个方向的交通状态向量的数值表。

3.根据权利要求2所述的基于深度学习的离散化交通状态判别方法，其特征在于：步骤b-1中所述的交通状态向量为：

$S={(E\×V)}^{\frac{l}{c}}\×P$

其中：E向量表示存储车道单元是否有车辆存在的信息，V向量表示存储车辆速度信息，P向量表示当前交通信号相位，则T时刻，交通状态可表示为s_T∈S。

4.根据权利要求2所述的基于深度学习的离散化交通状态判别方法，其特征在于：步骤b-2中所述的车辆存在状态向量a利用二值数据表示，1表示该网格内有车辆，0表示该网格内无车辆；

车辆速度状态向量b利用连续值数据表示的向量b，0表示该网格内存在的车辆车速为0或无车辆，非0表示该车道在限速内的车辆速度格式化值，取值空间为[0，1]。

5.根据权利要求1所述的基于深度学习的离散化交通状态判别方法，其特征在于：步骤c中所述的构建基于深度学习的交通状态判别模型，包括如下步骤：

步骤4-1，开始；

针对离散化编码数据，设置可接收二值状态编码的深度置信网络和可接收连续值状态编码的深度置信网络；

步骤4-2，是否小于网络层数，***判断是否小于网络层数，如果小于网络层数，执行步骤4-3，如果不小于网络层数，执行步骤4-9；

步骤4-3，当前层是否完成数据类型初始化，如果完成数据类型初始化，顺序执行步骤4-5～步骤4-8，如果未完成数据类型初始化，执行步骤4-4；

步骤4-4，进行数据初始化，并返回步骤4-3；

步骤4-5，是否小于训练次数；***判断已完成的训练次数是否小于预设定的训练次数，如果小于训练次数，则需要对模型进行下一次的训练，执行步骤4-6，如果不小于训练次数，返回执行步骤4-3；

步骤4-6，是否小于训练记录数；***判断已存在训练记录数是否小于预设定的训练记录数，如果小于训练记录数，顺序执行步骤4-7～步骤4-8，如果不小于训练记录数，则利用已存在的训练记录数进行训练，然后返回执行步骤4-5；

步骤4-7，计算当前可见单元和隐藏单元的条件概率；

步骤4-8，更新当前层权重和偏置参数；

步骤4-9，基于BP算法进行反向传播控制调整；

步骤4-10，结束，基于深度学习的交通状态判别模型构建完成。

6.根据权利要求5所述的基于深度学习的离散化交通状态判别方法，其特征在于：在进行步骤4-5中所述的模型训练时，设交通状态数据集为

$ds={\left\{({\mathrm{xe}}_i,{\mathrm{xv}}_i,y_i)\right\}}_{i=1}^R$

其中，R表示训练样本数量，xe_i表示数据集ds中第i个样本的车辆存在二值状态向量，xv_i表示数据集ds中第i个样本的交通车速连续值状态向量，y_i∈{1,2,3}是第i个样本对应的交通状态标签值，其中1表示堵塞，2表示拥挤，3表示通畅；

利用最大化对数似然函数θ以拟合交通状态训练数据集ds，即

${{\mathrm{\θ}}_1}^{*}=\arg maxlog\left({\mathrm{\θ}}_1\right)=\arg max\underset{i=1}{\overset{R}{\Σ}}\log p\left({\mathrm{xe}}_i\right|{\mathrm{\θ}}_1)$

${{\mathrm{\θ}}_2}^{*}=\arg maxlog\left({\mathrm{\θ}}_2\right)=\arg max\underset{i=1}{\overset{R}{\Σ}}\log p\left({\mathrm{xv}}_i\right|{\mathrm{\θ}}_2)$

其中，θ表示参数向量，则针对交通车辆存在的二值数据θ₁和交通车速的连续数据θ₂的参数向量分别为{w,a,b}和{w,a,b,σ}，其中w表示连接受限玻尔兹曼机RBM可见层和隐藏层之间的无向权值向量，a和b分别表示可见层和隐藏层的偏置向量，σ表示可见层单元高斯噪声的标准偏差向量。

7.根据权利要求5所述的基于深度学习的离散化交通状态判别方法，其特征在于：在所述的步骤4-7中，计算当前可见单元和隐藏单元的条件概率时，针对BBRBM和GBRBM模型计算第m个可见单元和第n个隐藏单元的条件概率的计算公式分别为：

$p(v_m=1|h,{\mathrm{\θ}}_1)=\mathrm{\δ}(a_m+\underset{n=1}{\overset{s}{\Σ}}{h}_n{w}_{mn})$

$p(h_n=1|v,{\mathrm{\θ}}_1)=\mathrm{\δ}(b_n+\underset{m=1}{\overset{t}{\Σ}}{v}_m{w}_{mn})$

$p(v_m=v|h,{\mathrm{\θ}}_2)=\mathrm{\η}\left(v\right|a_m+\underset{n=1}{\overset{s}{\Σ}}{h}_n{w}_{mn},{\mathrm{\σ}}_m^2)$

$p(h_n=1|v,{\mathrm{\θ}}_2)=\mathrm{\δ}(b_n+\underset{m=1}{\overset{t}{\Σ}}\frac{v_m}{{{\mathrm{\σ}}_m}^2}{w}_{mn})$

其中，为sigmoid激活函数，表示均值u和方差σ²的高斯概率密度函数，s表示隐藏单元个数，t表示可见单元个数，

并利用公式：更新BBRBM的参数，

利用公式：更新GBRBM的参数。

8.根据权利要求5所述的基于深度学习的离散化交通状态判别方法，其特征在于：在进行步骤4-9中所述的基于BP算法进行反向传播控制调整时，通过最小化代价函数J(θ₁,θ₂)进行反向传播控制调整，其公式为：

$J({\mathrm{\θ}}_1,{\mathrm{\θ}}_2)=-\frac{1}{R}\[\underset{i=1}{\overset{R}{\Σ}}\underset{j=1}{\overset{k}{\Σ}}1\{y_i=k\}log\frac{e^{{\mathrm{\θ}}_j^T{x}_i}}{\underset{l=1}{\overset{k}{\Σ}}{e}^{{\mathrm{\θ}}_l^T{x}_i}}\]+\frac{\mathrm{\λ}}{2}\underset{i=1}{\overset{k}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\θ}}_{ij}^2.$