(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211078711.1 (22)申请日 2022.09.05 (71)申请人 同济大学 地址 200092 上海市杨 浦区四平路1239号 (72)发明人 李健　刘根旺　 (74)专利代理 机构 上海科盛知识产权代理有限 公司 312 25 专利代理师 蔡彭君 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/06(2012.01) G06Q 50/26(2012.01) (54)发明名称 一种基于贝叶斯神经网络的快速路事件检 测方法和装置 (57)摘要 本发明涉及一种基于贝叶斯神经网络的快 速路事件检测方法和装置， 其中， 方法的步骤包 括： 获取快速路感应线圈数据， 并进行预处理， 得 到原始数据集； 将原始数据集输入训练好的快速 路事件检测模型， 得到快速路事件预测结果； 基 于指标和不确定度对快速路事件预测结果进行 评估； 贝叶斯神经网络模型的训练过程包括： 基 于LeNet‑5结果设计神经网络， 采用概率分布估 计的方法采样得到神经网络的权重； 采用变分推 断的方法得到权重的后验概率分布， 根据后验概 率分布得到模 型目标函数； 根据模 型目标函数和 原始数据集对神经网络进行训练， 得到快速路事 件检测模型。 与现有技术相比， 本发明具有事件 检测准确度高、 准确评价预测结果置信度等优 点。 权利要求书3页 说明书6页 附图1页 CN 115511159 A 2022.12.23 CN 115511159 A 1.一种基于贝叶斯神经网络的快速路事 件检测方法， 其特 征在于， 包括以下步骤： 获取快速路感应线圈数据， 并进行 预处理， 得到原 始数据集； 将所述原 始数据集输入训练好的快速路事 件检测模型， 得到快速路事 件预测结果； 基于指标和不确定度对所述快速路事件预测结果进行评估， 所述指标包括检测率、 误 报率和准确率， 所述 不确定度包括随机不确定度和认知不确定度； 其中， 所述贝叶斯神经网络模型的训练过程包括： 基于LeNet ‑5结果设计神经网络， 采用概率分布估计的方法采样得到所述神经网络的 权重； 基于所述权重， 采用变分推断的方法得到权重的后验概率分布， 根据所述后验概率分 布得到模型目标函数， 所述模型目标函数的表达式为： 其中， D表示原始数据集， qθ(ω(i)|D)为第i 次采样的近似后验概率， p(ω(i))为第i次采 样的先验概率， p(D|ω(i))为第i次采样的条件概率， n为采样的总次数， θ为概率分布qθ (ω(i)|D)的形状参数； 根据所述模型目标函数和原始数据集对神经网络进行训练， 得到快速路事件检测模 型。 2.根据权利要求1所述的一种基于贝叶斯神经网络的快速路事件检测方法， 其特征在 于， 根据所述后验概 率分布得到模型目标函数 具体为： 基于后验概 率分布得到模型的优化目标， 所述优化目标的表达式为： 其中， θopt表示最优的概率分布qθ(ω|D)的形状参数θ， p(ω|D)表示神经网络权重的后 验概率， qθ(ω|D)表示神经网络权重的近似后验概率， KL[qθ(ω|D)||p(ω|D)]为后验概率 分布； 从近似后验概率qθ(ω|D)中采样， 根据n次采样的结果对近似后验概率的数学期望进行 近似； 根据近似后的近似后验概 率的数学期望和模型的优化目标 得到模型目标函数。 3.根据权利要求2所述的一种基于贝叶斯神经网络的快速路事件检测方法， 其特征在 于， 所述根据n次采样的结果对近似后验概 率的数学期望进行近似， 具体的表达式为： 其中， 为神经网络权重的近似后验概率qθ(ω|D)的数学期望， n为采样的总次 数。 4.根据权利要求1所述的一种基于贝叶斯神经网络的快速路事件检测方法， 其特征在 于， 所述检测率、 误报率和准确率的计算表达式为：权　利　要　求　书 1/3 页 2 CN 115511159 A 2其中， DR为检测率， FAR为误报率， ACC为准确率， Nd为检测到的事件总数， Na为真实事件 的数量， Nf为错误检测的事件总数， Naa为算法研判次数， Nc为正确识别的事件或非事件数 量， Ni为采集到的事 件和非事 件总数。 5.根据权利要求1所述的一种基于贝叶斯神经网络的快速路事件检测方法， 其特征在 于， 对所述快速路事 件预测结果进行评估具体为： 基于贝叶斯神经网络模型预测结果的方差评估快速路事件预测结果， 所述方差的表达 式为： 其中， x*表示观测到的交通流数据， y*表示贝叶斯神经网络预测的标签值， 表示对于输入x*和输出y*， 权重 的方差， 为给定交通 流数据， 模型预测的变分分布的概率， 为预测的 的形状参数， 为对于 的 的 期望 ， 为对于 的y*的 期望 ， 为对于 的y*的逆矩阵的期望 。 6.根据权利要求1所述的一种基于贝叶斯神经网络的快速路事件检测方法， 其特征在 于， 所述随机不确定度的具体表达式为： 其中， p(y*|x*,ω)为输入为x*， 权重为ω的y*的分布， 为对于p(y*|x*, ω)的y*的期望， 为对于p(y*|x*,ω)的y*的逆矩阵的期望， 为预测 的神经网络 权重的近似后验概 率。 7.根据权利要求1所述的一种基于贝叶斯神经网络的快速路事件检测方法， 其特征在 于， 所述认知不确定度的具体表达式为： 其中， 为对于p(y*|x*,ω)的y*的期望， 为对于 的y*的期望， 为对于 的y*逆矩阵的期望 。 8.根据权利要求1所述的一种基于贝叶斯神经网络的快速路事件检测方法， 其特征在 于， 所述获取 快速路感应线圈数据， 并进行 预处理， 得到原 始数据集具体为：权　利　要　求　书 2/3 页 3 CN 115511159 A 3