57、交通状况插值与本体映射的智能分析

交通状况插值与本体映射的智能分析

交通状况插值系统

在交通状况插值系统中，存在多种误差类型，这些误差会影响系统对交通状况的准确评估。
- 近似误差 ：学习代理通过最小化均方误差（MSE）来优化模型。MSE 是线性回归模型超平面的平方距离，随着超平面阶数的增加，近似误差会减小。
- 累积估计误差 ：估计代理根据参考道路链接的 NV 计算目标道路链接的 NV。若参考道路链接 1 没有探测数据，则从相邻道路链接估计其 NV。当估计道路链接远离有探测数据的道路链接时，累积估计误差会增加。
- 意外事件误差 ：假设不存在临时交通管制和事故，权重向量为恒定值。但意外事件和临时交通管制会影响权重值，且该系统无法降低此类误差。

这些误差可通过 MSE 的波动进行监测，同时决定系数（CD）也用于评估。CD 的计算公式如下：
[R(i) = \frac{e(i)}{p(i)}]
[p(i) = \frac{\sum_{j=1}^{m}(P_j(i) - P(i))^2}{m - 1}]
[e(i) = \frac{\sum_{j=1}^{m}(E_j(i) - E(i))^2}{m - 1}]
[E(i) = \frac{\sum_{j=1}^{m}E_j(i)}{m}]

CD 的波动情况与探测数据数量相关。当探测数据数量少于未知数数量（m < n + 1）时，CD 赋值为 0；当方程 (10) 可解时，CD 变为 1。随着探测数据数量增加，CD 先急剧下降，然后逐渐上升。