專利名稱：一種融合svm與bp神經(jīng)網(wǎng)絡(luò)的城市道路交通狀態(tài)檢測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種城市道路交通狀態(tài)檢測方法。
背景技術(shù)：
城市道路交通的運(yùn)營管理中存在的最為突出的問題是交通擁擠和交通事故。通過對交通狀態(tài)檢測算法進(jìn)行研究，可以減少交通事件對公路運(yùn)行帶來的負(fù)面效應(yīng)。通過對交通狀態(tài)的快速檢測、并運(yùn)用交通流誘導(dǎo)、交通控制等手段，可以在全局上最大限度地減少交通擁堵對路網(wǎng)運(yùn)行產(chǎn)生的不良影響，避免擁堵狀態(tài)的擴(kuò)大，確保車輛安全、舒適地行駛。國內(nèi)外研究者對城市道路和高速公路的交通狀態(tài)判別做了一些研究。最早使用的自動事件檢測算法是加利福尼亞算法。該方法通過比較鄰近環(huán)型線圈檢測器獲得的占有率數(shù)據(jù)，對可能存在的突發(fā)交通事件進(jìn)行判別。Li和McDonald提出了一種基于浮動車的高速 公路交通事件檢測算法。該算法基于平均行程時間和相鄰兩時段平均行程時間差雙變量分析模型而設(shè)計。史忠科等采用擴(kuò)展Kalman濾波方法對高速公路交通密度進(jìn)行預(yù)測。王國林等使用一種面向全景視頻的交通狀態(tài)檢測方法。竇慧麗等提出了一種交通狀態(tài)預(yù)報的K近鄰非參數(shù)回歸模型用于城市道路不同預(yù)報時長的分級交通狀態(tài)的概率預(yù)報實(shí)驗。皮曉亮等采用聚類分析方法，實(shí)現(xiàn)了一種基于環(huán)形線圈檢測器采集信息的交通狀態(tài)分類方法。莊斌等分析路段上環(huán)形線圈采集到的占有率數(shù)據(jù)，給出城市道路路段上交通擁擠的平均占有率自動檢測算法。

發(fā)明內(nèi)容
為了克服已有城市道路交通狀態(tài)檢測方法的準(zhǔn)確性較差的不足，本發(fā)明提供一種有效提高準(zhǔn)確性的融合SVM與BP神經(jīng)網(wǎng)絡(luò)的城市道路交通狀態(tài)檢測方法。本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是一種融合SVM與BP神經(jīng)網(wǎng)絡(luò)的城市道路交通狀態(tài)檢測方法，所述檢測方法包括以下步驟I)交通特征參數(shù)包括車輛平均速度V (m/s)、車流量f(veh/s)、時間占有率S、行程時間t (S)，分別定義為v = ^^,i=l,2, ...nT,(I)/ = 7-(2)S = tjT1-(3 Jt=t2-t1,(4)上式中，Vi為每輛車經(jīng)過某斷面的車速，T為設(shè)定的收集數(shù)據(jù)的時間間隔，nT為時間間隔T內(nèi)通過該斷面的車輛總個數(shù)為車輛開始進(jìn)入該設(shè)定路段的時刻，t2為車輛完全通過該路段的時刻；式(I)表示在指定的時間間隔內(nèi)在固定的觀測地點(diǎn)測得的車速的平均值；式(2)表示單位時間內(nèi)該路段通過的車輛個數(shù)；式(3)表示車輛通過該路段的總得時間占固定時間間隔T的比率，即時間占有率；式(4)定義了行程時間；行程時間表示車輛通過道路某一路段所需的總時間，包括行駛時間和延誤時間。實(shí)時監(jiān)測路段的交通特征參數(shù)，并提取交通特征參數(shù)，得到測試樣本集；2)將測試樣本集輸入SVM1-SVM2/BP的兩層級聯(lián)分類器；所述的SVM1-SVM2/BP的兩層級聯(lián)分類器包括以下處理過程2. I)運(yùn)用SVMl訓(xùn)練函數(shù)分別進(jìn)行訓(xùn)練后和測試集樣本數(shù)據(jù)一起被輸入到SVM I分類函數(shù)中，檢測出當(dāng)前交通狀態(tài)，過程如下(2. I. I)對速度、流量、占有率、行程時間四個輸入特征參數(shù)設(shè)置權(quán)重，即對交通狀 態(tài)影響大的特征參數(shù)速度和流量數(shù)據(jù)相乘的積，作為一個新的輸入特征維，使SVM訓(xùn)練輸入?yún)?shù)維數(shù)增加到5維，再對交通數(shù)據(jù)樣本集的數(shù)據(jù)歸一化；(2. I. 2)利用歸一化后的訓(xùn)練集樣本訓(xùn)練SVMl分類器，利用交叉驗證的思想找出優(yōu)化后的參數(shù)C、Y，得到交通狀態(tài)分類器。參數(shù)Y是多項式、高斯徑向基、兩層感知機(jī)(Sigmoid)核函數(shù)的Y參數(shù)。參數(shù)C是設(shè)置SVM的懲罰參數(shù)。懲罰參數(shù)C為非負(fù)數(shù)；(2. I. 3)利用測試樣本集數(shù)據(jù)和訓(xùn)練得到的分類器進(jìn)行測試，判定是否屬于暢通狀態(tài)，如果是，則判定當(dāng)前狀態(tài)為暢通狀態(tài)，如果否，則進(jìn)入2. 2)；2. 2)對測試樣本集進(jìn)行第二層的SVM2與BP網(wǎng)絡(luò)分類器的投票融合分類，具體包括以下過程(2. 2. I)運(yùn)用SVM2訓(xùn)練函數(shù)分別進(jìn)行訓(xùn)練后和測試集樣本數(shù)據(jù)一起被輸入到SVM2分類函數(shù)中，檢測出當(dāng)前交通狀態(tài)，包括如下過程(2. 2. I. I)對速度、流量、占有率、行程時間四個輸入特征參數(shù)設(shè)置權(quán)重，即對交通狀態(tài)影響大的特征參數(shù)速度和流量數(shù)據(jù)相乘的積，作為一個新的輸入特征維，使SVM訓(xùn)練輸入?yún)?shù)維數(shù)增加到5維，再對交通數(shù)據(jù)樣本集的數(shù)據(jù)歸一化；(2. 2. I. 2)利用歸一化后的訓(xùn)練集樣本訓(xùn)練SVM2分類器，利用交叉驗證的思想找出優(yōu)化后的參數(shù)C、Y，得到交通狀態(tài)分類器。參數(shù)Y是多項式、高斯徑向基、兩層感知機(jī)(Sigmoid)核函數(shù)的Y參數(shù)。參數(shù)C是設(shè)置SVM的懲罰參數(shù)。懲罰參數(shù)C為非負(fù)數(shù)；(2. 2. I. 3)利用測試樣本集數(shù)據(jù)和訓(xùn)練得到的分類器進(jìn)行測試，判定屬于繁忙狀態(tài)和擁擠狀態(tài)；(2. 2. 2)利用BP神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練并對測試樣本集進(jìn)行測試，具體如下(2. 2. 2. I)對測試樣本集的數(shù)據(jù)歸一化；(2. 2. 2. 2)利用歸一化后的訓(xùn)練集樣本訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)分類器，得到交通狀態(tài)分類器；所述分類器是一個三層的前饋網(wǎng)絡(luò)，輸入層有4個節(jié)點(diǎn)，代表輸入的4個道路交通特征，隱層有12個節(jié)點(diǎn)，輸出層有2個節(jié)點(diǎn)，代表2種交通狀態(tài)類型，隱層和輸出層的激活函數(shù)采用Sigmoid函數(shù)；(2. 2. 2. 3)利用測試集樣本和訓(xùn)練得到的分類器進(jìn)行測試，判定屬于繁忙狀態(tài)和擁堵狀態(tài)；(2. 2. 3)利用BP神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練并對測試樣本集進(jìn)行測試，具體如下若(2. 2. I)和(2. 2. 2)的分類類別相同，則將該檢測樣本歸為此類；如果兩個類別不相同，則將權(quán)值高的分類器所識別的結(jié)果作為投票的結(jié)果。進(jìn)一步，所述步驟(2. 2. I. 3)和(2. 2. 2. 3)中，利用時間序列，通過對多個連續(xù)時間點(diǎn)的分類結(jié)果進(jìn)行融合，得到最終的判別結(jié)果，具體過程如下a、采用SVM分類器或BP分類器作為測試的基礎(chǔ)分類器；b、對最初n次數(shù)據(jù)樣本進(jìn)行分類并記錄分類結(jié)果，其結(jié)果即作為最終判別結(jié)果進(jìn)行發(fā)布；C、在記錄第n+1次數(shù)據(jù)樣本分類結(jié)果后，采用集成學(xué)習(xí)的投票方式，對前n+1個分類結(jié)果進(jìn)行投票，得出一個判別結(jié)果，作為第n+1次數(shù)據(jù)樣本的判別狀態(tài)進(jìn)行發(fā)布。本發(fā)明的技術(shù)構(gòu)思為對于我國城市快速道路車輛密度高、間距小、車速較低、常發(fā)性的交通擁堵路段多的運(yùn)行狀況，本文利用了 SVM1、SVM2、BP網(wǎng)絡(luò)分類算法融合，設(shè)計一個兩層級聯(lián)分類器，對城市道路交通狀態(tài)進(jìn)行分類判斷。首先，利用SVMl分類器將我國城市道路交通的特征參數(shù)預(yù)處理后作為訓(xùn)練分類器的樣本，設(shè)置輸入特征參數(shù)的權(quán)重，優(yōu)化SVMl參數(shù)，將暢通狀態(tài)分類出來。對第一層未檢測分類出來的繁忙與擁堵的測試集樣本進(jìn) 行第二層的SVM2與BP網(wǎng)絡(luò)分類器的投票融合分類。第二層的投票規(guī)則是對同一個測試集樣本，若兩個分類器的分類類別相同，則將該檢測樣本歸為此類；如果兩個類別不相同，則將權(quán)值高的分類器所識別的結(jié)果作為投票的結(jié)果。計算檢測準(zhǔn)確率該方法能夠有效地提高城市交通狀態(tài)檢測準(zhǔn)確性。本發(fā)明的有益效果主要表現(xiàn)在有效地提高城市交通狀態(tài)檢測準(zhǔn)確性。。


圖I是支持向量機(jī)的結(jié)構(gòu)的示意圖。圖2是BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)示意圖。圖3是交通數(shù)據(jù)樣本各特征參數(shù)數(shù)據(jù)分布圖。
具體實(shí)施例方式下面結(jié)合附圖對本發(fā)明作進(jìn)一步描述。參照圖I 圖3，一種融合SVM與BP神經(jīng)網(wǎng)絡(luò)的城市道路交通狀態(tài)檢測方法，交通特征參數(shù)主要包括車輛平均速度、車流量、車輛時間占有率等。交通參數(shù)檢測的方法很多，主要有超聲波檢測、紅外檢測、環(huán)形感應(yīng)圈檢測、計算機(jī)視覺檢測。超聲波檢測精度不高，容易受車輛遮擋和行人的影響，檢測的距離短(一般不超過12m)。紅外線檢測受車輛本身熱源的影響，抗噪聲的能力不強(qiáng)，檢測精度不高。環(huán)形感應(yīng)器檢測精度高，但要求設(shè)置于路面土木結(jié)構(gòu)中，對路面有損壞，施工和安裝不便，而且安裝的數(shù)量多。計算機(jī)視覺檢測近年來隨著計算機(jī)技術(shù)、圖像處理、人工智能、模式識別等技術(shù)的不斷發(fā)展，在交通流檢測中獲得越來越廣泛的應(yīng)用。該課題的交通參數(shù)數(shù)據(jù)來自杭州市公交部門提供的杭州城區(qū)主要道路的微波數(shù)據(jù)和視頻數(shù)據(jù)及軟件VISSIM仿真得到的數(shù)據(jù)。特征參數(shù)車輛平均速度V (m/s)、車流量f(veh/s)、時間占有率S、行程時間t (S)的定義為V =[肖1\ i=l, 2, . . . nT,(5)
nTf = T'(6)s = ——(7)
t=t2-t1；(8)上式中，Vi為每輛車經(jīng)過某斷面的車速，T為設(shè)定的收集數(shù)據(jù)的時間間隔，nT為時間間隔T內(nèi)通過該斷面的車輛總個數(shù)為車輛開始進(jìn)入該設(shè)定路段的時刻，t2為車輛完全通過該路段的時刻。式(5)表示在指定的時間間隔內(nèi)在固定的觀測地點(diǎn)測得的車速的平均值。式(6)表示單位時間內(nèi)該路段通過的車輛個數(shù)。式(7)表示車輛通過該路段的總得時間占固定時間間隔T的比率，即時間占有率。式(8)定義了行程時間。行程時間表示車輛通過道路某一路段所需的總時間，包括行駛時間和延誤時間。本文將道路交通狀態(tài)分為三個等級暢通、繁忙、擁堵。暢通的服務(wù)水平是最高的。I)暢通該等級服務(wù)水平在自由流和穩(wěn)定流范圍內(nèi)。其高限為自由流，每個車輛基本不受交通流中其他車輛的影響，有很高的自由度來選擇所期望的速度。其低限為每個車輛要開始注意到交通流中其他使用者對他的影響，但選擇速度的自由度還不太受影響。2)繁忙該等級服務(wù)水平仍在穩(wěn)定流范圍內(nèi)，車輛間的相互作用變得大起來，選 擇速度受到其他車輛的制約，舒適和便利程度有明顯下降。3)擁堵該等級服務(wù)水平由穩(wěn)定流過度到不穩(wěn)定流，速度和駕駛自由度均受到嚴(yán)格約束，舒適和便利程度低下，在信號交叉口有很長的排隊車輛。當(dāng)交通量有少量增加就會在運(yùn)行方面出現(xiàn)問題。當(dāng)某路段的交通量達(dá)到或超過該路段的通行能力時，便會引起交通堵塞。此時隊列中的運(yùn)行出現(xiàn)停停走走的現(xiàn)象，它們極不穩(wěn)定。車輛在交叉口有很長的停車延誤，有些車輛甚至要等兩個信號周期才能通過交叉口。數(shù)據(jù)的獲得是通過利用仿真軟件VISSIM仿真數(shù)據(jù)與杭州市體育場路-鳳起路(北向南)的微波數(shù)據(jù)結(jié)合的方式。根據(jù)杭州市交通部門提供的杭州市體育場路-鳳起路(北向南)的微波數(shù)據(jù)，利用VISSM軟件仿真該路口全天各個時段的交通狀況，共獲得交通數(shù)據(jù)樣本3170個。本文所用數(shù)據(jù)仿真了全天各個時段的交通狀態(tài)的數(shù)據(jù)。雖然分類準(zhǔn)確率沒有其他文獻(xiàn)所述方法高，但是推廣能力比它們強(qiáng)。其中訓(xùn)練集樣本1730個，其暢通、繁忙、擁堵的類別數(shù)分別為878、669、183。測試集樣本1440個，其暢通、繁忙、擁堵的類別數(shù)分別為740、565、135。交通數(shù)據(jù)樣本各特征參數(shù)數(shù)據(jù)分布如圖3所示。本實(shí)施例中，SVM的主要思想是建立一個分類超平面作為決策曲面，使得正例和反例之間的隔離邊緣被最大化。SVM的理論基礎(chǔ)是統(tǒng)計學(xué)習(xí)理論，是結(jié)構(gòu)風(fēng)險最小化的近似實(shí)現(xiàn)。此原理基于事實(shí)學(xué)習(xí)機(jī)器測試數(shù)據(jù)上的誤差率(泛化誤差率)以訓(xùn)練誤差率和一個依賴于Vapnik-Chervonenkis (VC)維數(shù)的項之和為界；在可分模式情況下，支持向量機(jī)對于前一項的值為零，并且使第二項最小化。在支持向量Xi和輸入控件抽取的向量X之間的內(nèi)積核這一個概念是構(gòu)造支持向量機(jī)學(xué)習(xí)算法的關(guān)鍵。支持向量集是由算法從訓(xùn)練數(shù)據(jù)中抽取的小的子集構(gòu)成。支持向量機(jī)的結(jié)構(gòu)如圖I所示。圖I中，k( )為核函數(shù)，其種類主要有I)線性核函數(shù)k (x，Xi) =X1Xi;2)多項式核函數(shù)k(x, XiX Y X1Xi+!")15, y >0;3)1 卩徑向基核函數(shù)土(叉，叉1)=6叉？(-丫 I X-Xi |2)，Y >0;4) Sigmoid 兩層感知器核函數(shù)k (x, Xi) =tanh ( Y X1Xi+!")。SVM基于結(jié)構(gòu)風(fēng)險最小化原則，將整個求解過程轉(zhuǎn)化為一個凸二次規(guī)劃問題，其解全局最優(yōu)且唯一。交叉驗證(Cross Validation)是驗證分類器性能的一種統(tǒng)計分析方法。它的基本思想是在某種意義下將原始數(shù)據(jù)進(jìn)行分組，一部分作為訓(xùn)練集，另一部分作為驗證集。首先用訓(xùn)練集對分類器進(jìn)行訓(xùn)練，再利用驗證集來測試訓(xùn)練得到的模型，以此作為評價分類器的性能指標(biāo)。BP神經(jīng)網(wǎng)絡(luò)是當(dāng)前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。它是一種多層前饋網(wǎng)絡(luò)，它按誤差逆?zhèn)鞑ニ惴ㄟM(jìn)行訓(xùn)練。BP網(wǎng)絡(luò)能學(xué)習(xí)和存儲 大量的輸入輸出模式映射關(guān)系。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層、隱層和輸出層。BP網(wǎng)絡(luò)是對非線性可微分函數(shù)進(jìn)行權(quán)值訓(xùn)練的反向傳播網(wǎng)絡(luò)，BP算法屬于S算法，是一種監(jiān)督式的學(xué)習(xí)算法，主要思想是對于q個輸入學(xué)習(xí)樣本Xl，X2, , xq,已知其對應(yīng)的輸出樣本為ypy2，...，yq。利用網(wǎng)絡(luò)的實(shí)際輸出與目標(biāo)矢量之間的誤差來修正其權(quán)值，使得網(wǎng)絡(luò)輸出層的誤差平方達(dá)到最小。BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖2所示。本實(shí)施例中，第一層先由SVMl分類器判別出暢通狀態(tài)，第二層由SVM2與BP融合的方式對余下的測試集樣本進(jìn)行繁忙與擁堵的投票判別。實(shí)驗步驟如下I)生成分類器 SVMl，SVM2 利用LIBSVM分類器訓(xùn)練并測試樣本集(本文采用LIBSVM工具箱完成參數(shù)尋優(yōu)、模型訓(xùn)練和結(jié)果的測試)將提取的交通特征參數(shù)的車輛平均速度、車流量、車輛時間占有率、行程時間特征以及判定的狀態(tài)特征進(jìn)行預(yù)處理，運(yùn)用SVM訓(xùn)練函數(shù)分別進(jìn)行訓(xùn)練后和測試集樣本數(shù)據(jù)一起被輸入到SVM分類函數(shù)中，檢測出當(dāng)前交通狀態(tài)。(I. I)對速度、流量、占有率、行程時間四個輸入特征參數(shù)設(shè)置權(quán)重。即對交通狀態(tài)影響大的特征參數(shù)速度和流量數(shù)據(jù)相乘的積，V f,作為一個新的輸入特征維,使SVM訓(xùn)練輸入?yún)?shù)維數(shù)增加到5維。再對交通數(shù)據(jù)樣本集的數(shù)據(jù)歸一化。利用歸一化后的訓(xùn)練集樣本訓(xùn)練SVM分類器，利用交叉驗證的思想找出優(yōu)化后的參數(shù)C、Y，得到交通狀態(tài)分類器。參數(shù)Y是多項式、高斯徑向基、兩層感知機(jī)(Sigmoid)核函數(shù)的Y參數(shù)。參數(shù)C是設(shè)置SVM的懲罰參數(shù)。懲罰參數(shù)C為非負(fù)數(shù)，它的大小表示對訓(xùn)練集樣本中的離群點(diǎn)的重視程度的大小。不同的SVM模型、不同的核函數(shù)及其參數(shù)都影響著算法的性能指標(biāo)。本文采取4種SVM模型線性、多項式、高斯徑向基、Sigmoid核函數(shù)進(jìn)行分析。采用交叉驗證的思想針對不同的SVM模型和核函數(shù)進(jìn)行參數(shù)優(yōu)化。通過取不同的參數(shù)范圍反復(fù)實(shí)驗，最終獲得分類效果最優(yōu)的一組參數(shù)。(I. 2)訓(xùn)練生成 SVMl，SVM2 SVMl是判別交通狀態(tài)為暢通與非暢通狀態(tài)的二分類器，SVM2是判別交通狀態(tài)為繁忙與擁堵狀態(tài)的二分類器。2)利用BP神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練并對測試集進(jìn)行測試(2. I)對交通數(shù)據(jù)樣本集的數(shù)據(jù)歸一化。(2.2)利用歸一化后的訓(xùn)練集樣本訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)分類器，得到交通狀態(tài)分類器。
本文設(shè)計的網(wǎng)絡(luò)分類器是一個三層的前饋網(wǎng)絡(luò)。輸入層有4個節(jié)點(diǎn)，代表輸入的4個道路交通特征。隱層有12個節(jié)點(diǎn)。輸出層有2個節(jié)點(diǎn)，代表2種交通狀態(tài)類型。隱層和輸出層的激活函數(shù)采用Sigmoid函數(shù)。(2. 3)利用測試集樣本和訓(xùn)練得到的分類器進(jìn)行測試。BP神經(jīng)網(wǎng)絡(luò)在模式識別分類中具有良好的性能。一個具有無限隱層節(jié)點(diǎn)的三層BP網(wǎng)絡(luò)可以實(shí)現(xiàn)任意從輸入到輸出的非線性映射。3)將訓(xùn)練生成的SVM1、SVM2、BP分類器進(jìn)行融合(3. I)首先訓(xùn)練生成SVM1、SVM2、BP 二分類器。其中SVMl分類暢通與非暢通，SVM2分類繁忙與擁堵，BP分類繁忙與擁堵。(3. 2)利用SVMl分類器將測試集樣本中的暢通分離出來。 (3. 3)對第一層未檢測分類出來的繁忙與擁堵的測試集樣本進(jìn)行第二層的SVM2與BP網(wǎng)絡(luò)分類器分類。第二層的投票規(guī)則是對同一個測試集樣本，若兩個分類器的分類類別相同，則將該檢測樣本歸為此類；如果兩個類別不相同，則將權(quán)值高的分類器所識別的結(jié)果作為投票的結(jié)果。計算檢測準(zhǔn)確率。仿真結(jié)果見表I。
WM訓(xùn)練樣測試樣檢測準(zhǔn)確率^
__本數(shù)量本數(shù)量__
^SVM (高斯徑向基) 1730 144085.28%
權(quán)利要求
1.一種融合SVM與BP神經(jīng)網(wǎng)絡(luò)的城市道路交通狀態(tài)檢測方法，其特征在于 所述檢測方法包括以下步驟 1)交通特征參數(shù)包括車輛平均速度V(m/s)、車流量f(veh/s)、時間占有率S、行程時間t (S)，分別定義為
2.如權(quán)利要求I所述的融合SVM與BP神經(jīng)網(wǎng)絡(luò)的城市道路交通狀態(tài)檢測方法，其特征在于所述步驟(2. 2. I. 3)和(2. 2. 2. 3)中，利用時間序列，通過對多個連續(xù)時間點(diǎn)的分類結(jié)果進(jìn)行融合，得到最終的判別結(jié)果，具體過程如下 a、采用SVM分類器或BP分類器作為測試的基礎(chǔ)分類器； b、對最初n次數(shù)據(jù)樣本進(jìn)行分類并記錄分類結(jié)果，其結(jié)果即作為最終判別結(jié)果進(jìn)行發(fā)布； C、在記錄第n+1次數(shù)據(jù)樣本分類結(jié)果后，采用集成學(xué)習(xí)的投票方式，對前n+1個分類結(jié)果進(jìn)行投票，得出一個判別結(jié)果，作為第n+1次數(shù)據(jù)樣本的判別狀態(tài)進(jìn)行發(fā)布。
全文摘要
一種融合SVM與BP神經(jīng)網(wǎng)絡(luò)的城市道路交通狀態(tài)檢測方法，包括以下步驟1)交通特征參數(shù)包括車輛平均速度ν(m/s)、車流量f(veh/s)、時間占有率s、行程時間t(s)；實(shí)時監(jiān)測路段的交通特征參數(shù)，并提取交通特征參數(shù)，得到測試樣本集；2)將測試樣本集輸入SVM1-SVM2/BP的兩層級聯(lián)分類器，包括以下處理過程2.1)運(yùn)用SVM1訓(xùn)練函數(shù)分別進(jìn)行訓(xùn)練后和測試集樣本數(shù)據(jù)一起被輸入到SVM1分類函數(shù)中，判定是否屬于暢通狀態(tài)，如果是，則判定當(dāng)前狀態(tài)為暢通狀態(tài)，如果否，則進(jìn)入2.2)；2.2)對測試樣本集進(jìn)行第二層的SVM2與BP網(wǎng)絡(luò)分類器的投票融合分類，判定屬于繁忙狀態(tài)和擁堵狀態(tài)。本發(fā)明能有效提高準(zhǔn)確性。
文檔編號G08G1/052GK102737508SQ20121020495
公開日2012年10月17日 申請日期2012年6月19日 優(yōu)先權(quán)日2012年6月19日
發(fā)明者孟利民, 張標(biāo)標(biāo), 彭宏, 杜克林, 沈益峰, 王輝, 裘加林, 韓露莎 申請人:銀江股份有限公司