基于神经网络分类器级联融合的城市道路交通状态检测方法

摘要

一种基于神经网络分类器级联融合的城市道路交通状态检测方法，包括以下步骤：1)交通特征参数包括车辆平均速度v(m/s)、车流量f(veh/s)、时间占有率s、行程时间t(s)；实时监测路段的交通特征参数，并提取交通特征参数，得到测试样本集；2)将测试样本集输入SVM-BP的两层级联分类器，包括以下处理过程：2.1)运用SVM训练函数分别进行训练后和测试集样本数据一起被输入到SVM分类函数中，判定是否属于畅通状态，如果是，则判定当前状态为畅通状态，如果否，则进入2.2)；2.2)利用BP神经网络方法训练并对测试样本集集进行测试判定属于繁忙状态和拥堵状态。本发明能有效提高准确性。

主权项

一种基于神经网络分类器级联融合的城市道路交通状态检测方法，其特征在于：所述检测方法包括以下步骤：1)交通特征参数包括车辆平均速度v(m/s)、车流量f(veh/s)、时间占有率s、行程时间t(s)，分别定义为$v=\frac{{\Sigma }_{i=1}^{n_{\tau }}{v}_i}{n_{\tau }},i=\mathrm{1,2},...n_{\tau },---\left(1\right)$$f=\frac{n_{\tau }}{\tau },---\left(2\right)$$S=\frac{t_2-t_1}{\tau },---\left(3\right)$t=t₂‑t₁,          (4)上式中，v_i为每辆车经过某断面的车速，τ为设定的收集数据的时间间隔，n_τ为时间间隔τ内通过该断面的车辆总个数，t₁为车辆开始进入该设定路段的时刻，t₂为车辆完全通过该路段的时刻；式(1)表示在指定的时间间隔内在固定的观测地点测得的车速的平均值；式(2)表示单位时间内该路段通过的车辆个数；式(3)表示车辆通过该路段的总得时间占固定时间间隔τ的比率，即时间占有率；式(4)定义了行程时间；行程时间表示车辆通过道路某一路段所需的总时间，包括行驶时间和延误时间；实时监测路段的交通特征参数，并提取交通特征参数，得到测试样本集；2)将测试样本集输入SVM‑BP的两层级联分类器；所述的SVM‑BP的两层级联分类器包括以下处理过程：2.1)运用SVM训练函数分别进行训练后和测试集样本数据一起被输入到SVM分类函数中，检测出当前交通状态，过程如下：(2.1.1)对速度、流量、占有率、行程时间四个输入特征参数设置权重，即对交通状态影响大的特征参数速度和流量数据相乘的积，作为一个新的输入特征维，使SVM训练输入参数维数增加到5维，再对交通数据样本集的数据归一化；(2.1.2)利用归一化后的训练集样本训练SVM分类器，利用交叉验证的思想找出优化后的参数C、γ，得到交通状态分类器；参数γ是多项式、高斯径向基、两层感知机核函数的γ参数，参数C是设置SVM的惩罚参数，惩罚参数C为非负数；(2.1.3)利用测试样本集数据和训练得到的分类器进行测试，判定是否属于畅通状态，如果是，则判定当前状态为畅通状态，如果否，则进入2.2)；2.2)利用BP神经网络方法训练并对测试样本集进行测试：(2.2.1)对测试样本集的数据归一化；(2.2.2)利用归一化后的训练集样本训练BP神经网络分类器，得到交通状态分类器；所述分类器是一个三层的前馈网络，输入层有4个节点，代表输入的4个道路交通特征，隐层有12个节点，输出层有2个节点，代表2种交通状态类型，隐层和输出层的激活函数采用Sigmoid函数；(2.2.3)利用测试集样本和训练得到的分类器进行测试，判定属于繁忙状态和拥堵状态；即对2.1)中判定结果为非畅通的样本进行繁忙与拥堵状态的判别，将判别结果作为最终分类结果。