基於多種神經網絡分類器投票的城市道路交通狀態檢測方法
2023-05-07 04:24:01 1
專利名稱：基於多種神經網絡分類器投票的城市道路交通狀態檢測方法
技術領域：
本發明涉及一種城市道路交通狀態檢測方法。
背景技術：
城市道路交通的運營管理中存在的最為突出的問題是交通擁擠和交通事故。通過對交通狀態檢測算法進行研究，可以減少交通事件對公路運行帶來的負面效應。通過對交通狀態的快速檢測、並運用交通流誘導、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運行產生的不良影響，避免擁堵狀態的擴大，確保車輛安全、舒適地行駛。
國內外研究者對城市道路和高速公路的交通狀態判別做了一些研究。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型線圈檢測器獲得的佔有率數據，對可能存在的突發交通事件進行判別。Li和McDonald提出了一種基於浮動車的高速公路交通事件檢測算法。該算法基於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計。史忠科等採用擴展Kalman濾波方法對高速公路交通密度進行預測。王國林等使用一種面向全景視頻的交通狀態檢測方法。竇慧麗等提出了一種交通狀態預報的K近鄰非參數回歸模型用於城市道路不同預報時長的分級交通狀態的概率預報實驗。皮曉亮等採用聚類分析方法，實現了一種基於環形線圈檢測器採集信息的交通狀態分類方法。莊斌等分析路段上環形線圈採集到的佔有率數據，給出城市道路路段上交通擁擠的平均佔有率自動檢測算法。
發明內容
為了克服已有城市道路交通狀態檢測方法的準確性較差的不足，本發明提供一種有效提高準確性的基於多種神經網絡分類器投票的城市道路交通狀態檢測方法。本發明解決其技術問題所採用的技術方案是一種基於多種神經網絡分類器投票的城市道路交通狀態檢測方法，所述檢測方法包括以下步驟I)交通特徵參數包括車輛平均速度V (m/s)、車流量f(veh/s)、時間佔有率S、行程時間t (S)，分別定義為v = SiZij i = i_2 ,Ur,(I)
nT、yf =與,(2)s =(3)t=t2-t1,(4)上式中，Vi為每輛車經過某斷面的車速，T為設定的收集數據的時間間隔，nT為時間間隔T內通過該斷面的車輛總個數為車輛開始進入該設定路段的時刻，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在固定的觀測地點測得的車速的平均值；式(2)表示單位時間內該路段通過的車輛個數；式(3)表示車輛通過該路段的總得時間佔固定時間間隔T的比率，即時間佔有率；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。實時監測路段的交通特徵參數，並提取交通特徵參數，得到測試樣本集；2)採用SVM、BP、SVM-BP級聯分類器相融合的分類方法，具體如下2. I)運用SVM訓練函數分別進行訓練後和測試集樣本數據一起被輸入到SVM分類函數中，檢測出當前交通狀態，過程如下(2. I. I)對速度、流量、佔有率、行程時間四個輸入特徵參數設置權重，即對交通狀態影響大的特徵參數速度和流量數據相乘的積，作為一個新的輸入特徵維，使SVM訓練輸入參數維數增加到5維，再對交通數據樣本集的數據歸一化；(2. 1.2)利用歸一化後的訓練集樣本訓練SVM分類器，利用交叉驗證的思想找出 優化後的參數C、Y，得到交通狀態分類器。參數Y是多項式、高斯徑向基、兩層感知機(Sigmoid)核函數的Y參數。參數C是設置SVM的懲罰參數，懲罰參數C為非負數；(2. I. 3)利用測試樣本集數據和訓練得到的分類器進行測試，判定屬於暢通狀態、繁忙狀態或擁堵狀態；2. 2)利用BP神經網絡方法訓練並對測試樣本集集進行測試(2. 2. I)對測試樣本集的數據歸一化；(2. 2. 2)利用歸一化後的訓練集樣本訓練BP神經網絡分類器，得到交通狀態分類器；所述分類器是一個三層的前饋網絡，輸入層有4個節點，代表輸入的4個道路交通特徵，隱層有12個節點，輸出層有3個節點，代表3種交通狀態類型，即暢通狀態、繁忙狀態或擁堵狀態，隱層和輸出層的激活函數採用Sigmoid函數；(2. 2. 3)利用測試集樣本和訓練得到的分類器進行測試，判定屬於暢通狀態、繁忙狀態和擁堵狀態；2. 3)將測試樣本集輸入SVM-BP的兩層級聯分類器；所述的SVM-BP的兩層級聯分類器包括以下處理過程(2. 3. I)運用SVM訓練函數分別進行訓練後和測試集樣本數據一起被輸入到SVM分類函數中，檢測出當前交通狀態，過程如下(2. 3. I. I)對速度、流量、佔有率、行程時間四個輸入特徵參數設置權重，即對交通狀態影響大的特徵參數速度和流量數據相乘的積，作為一個新的輸入特徵維，使SVM訓練輸入參數維數增加到5維，再對交通數據樣本集的數據歸一化；(2. 3. I. 2)利用歸一化後的訓練集樣本訓練SVM分類器，利用交叉驗證的思想找出優化後的參數C、Y，得到交通狀態分類器。參數Y是多項式、高斯徑向基、兩層感知機(Sigmoid)核函數的Y參數。參數C是設置SVM的懲罰參數，懲罰參數C為非負數；(2. 3. I. 3)利用測試樣本集數據和訓練得到的分類器進行測試，判定是否屬於暢通狀態，如果是，則判定當前狀態為暢通狀態，如果否，則進入2. 3. 2)；(2. 3. 2)利用BP神經網絡方法訓練並對測試樣本集集進行測試(2. 3. 2. I)對測試樣本集的數據歸一化；(2. 3. 2. 2)利用歸一化後的訓練集樣本訓練BP神經網絡分類器，得到交通狀態分類器；所述分類器是一個三層的前饋網絡，輸入層有4個節點，代表輸入的4個道路交通特徵，隱層有12個節點，輸出層有2個節點，代表2種交通狀態類型，即繁忙狀態或擁堵狀態，隱層和輸出層的激活函數採用Sigmoid函數；(2. 3. 2. 3)利用測試集樣本和訓練得到的分類器進行測試，判定屬於繁忙狀態和擁堵狀態；2. 4)若步驟2. I)、2. 2)、2. 3)的分類類別相同，則將該檢測樣本歸為此類；如果其中2個類別相同，那麼將類別相同的2個權值之和與不同類別的權值進行比較，以確定兩者較大的值為分類結果；如果3個類別都不相同，那麼將權值最高的分類器所識別的結果作為融合後的結果。進一步，所述步驟(2. 2. 3)和(2. 3. 2. 3)中，利用時間序列，通過對多個連續時間點的分類結果進行融合，得到最終的判別結果，具體過程如下a、採用SVM分類器或SVM-BP分類器作為測試的基礎分類器； b、對最初n次數據樣本進行分類並記錄分類結果，其結果即作為最終判別結果進行發布；C、在記錄第n+1次數據樣本分類結果後，採用集成學習的投票方式，對前n+1個分類結果進行投票，得出一個判別結果，作為第n+1次數據樣本的判別狀態進行發布。本發明的技術構思為對於我國城市快速道路車輛密度高、間距小、車速較低、常發性的交通擁堵路段多的運行狀況，本文利用了 SVM、BP網絡分類算法融合，設計一個SVM、BP、SVM-BP級聯分類器投票融合的分類方法。利用SVM分類器將我國城市道路交通的特徵參數預處理後作為訓練分類器的樣本，設置輸入特徵參數的權重，優化SVM參數，將交通狀態分類出來；再利用BP神經網絡將交通狀態分類出來；接著，採用SVM-BP級聯分類器，利用SVM分類器將我國城市道路交通的特徵參數預處理後作為訓練分類器的樣本，設置輸入特徵參數的權重，優化SVM參數，將暢通狀態分類出來，再利用BP神經網絡對第一層分類器未分類的繁忙與擁堵狀態分類；對同一個測試集樣本，若3個分類器的分類類別相同，則將該檢測樣本歸為此類；如果其中2個類別相同，那麼將類別相同的2個權值之和與不同類別的權值進行比較，以確定兩者較大的值為分類結果；如果3個類別都不相同，那麼將權值最高的分類器所識別的結果作為融合後的結果。該方法能夠有效地提高城市交通狀態檢測準確性。本發明的有益效果主要表現在有效地提高城市交通狀態檢測準確性。
圖I是支持向量機的結構的示意圖。圖2是BP神經網絡的拓撲結構示意圖。圖3是交通數據樣本各特徵參數數據分布圖。
具體實施例方式下面結合附圖對本發明作進一步描述。參照圖I 圖3，一種融合SVM與BP神經網絡的城市道路交通狀態檢測方法，交通特徵參數主要包括車輛平均速度、車流量、車輛時間佔有率等。交通參數檢測的方法很多，主要有超聲波檢測、紅外檢測、環形感應圈檢測、計算機視覺檢測。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，檢測精度不高。環形感應器檢測精度高，但要求設置於路面土木結構中，對路面有損壞，施工和安裝不便，而且安裝的數量多。計算機視覺檢測近年來隨著計算機技術、圖像處理、人工智慧、模式識別等技術的不斷發展，在交通流檢測中獲得越來越廣泛的應用。該課題的交通參數數據來自杭州市公交部門提供的杭州城區主要道路的微波數據和視頻數據及軟體VISSIM仿真得到的數據。特徵參數車輛平均速度V (m/s)、車流量f(veh/s)、時間佔有率S、行程時間t(s)的定義為
權利要求
1.一種基於多種神經網絡分類器投票的城市道路交通狀態檢測方法，其特徵在於所述檢測方法包括以下步驟 1)交通特徵參數包括車輛平均速度V(m/s)、車流量f(veh/s)、時間佔有率S、行程時間t (S)，分別定義為
2.如權利要求I所述的基於多種神經網絡分類器投票的城市道路交通狀態檢測方法，其特徵在於所述步驟(2. 2. 3)和(2. 3. 2. 3)中，利用時間序列，通過對多個連續時間點的分類結果進行融合，得到最終的判別結果，具體過程如下 a、採用SVM分類器或SVM-BP分類器作為測試的基礎分類器； b、對最初n次數據樣本進行分類並記錄分類結果，其結果即作為最終判別結果進行發布； C、在記錄第n+1次數據樣本分類結果後，採用集成學習的投票方式，對前n+1個分類結果進行投票，得出一個判別結果，作為第n+1次數據樣本的判別狀態進行發布。
全文摘要
一種基於多種神經網絡分類器投票的城市道路交通狀態檢測方法，包括以下步驟1)交通特徵參數包括車輛平均速度v(m/s)、車流量f(veh/s)、時間佔有率s、行程時間t(s)；實時監測路段的交通特徵參數，並提取交通特徵參數，得到測試樣本集；2)採用SVM、BP、SVM-BP級聯分類器投票融合的分類方法，採用SVM分類器、BP神經網路、SVM-BP級聯分類器分別進行分類，如果三個的類別相同，則將該檢測樣本歸為此類；如果其中2個類別相同，那麼將類別相同的2個權值之和與不同類別的權值進行比較，以確定兩者較大的值為分類結果；如果3個類別都不相同，那麼將權值最高的分類器所識別的結果作為融合後的結果。本發明能有效提高準確性。
文檔編號G08G1/01GK102750824SQ201210206558
公開日2012年10月24日 申請日期2012年6月19日 優先權日2012年6月19日
發明者孟利民, 彭宏, 杜克林, 王輝, 裘加林, 韓露莎, 馬進田, 麻銳 申請人:銀江股份有限公司