一种融合SVM与BP神经网络的城市道路交通状态检测方法

摘要

一种融合SVM与BP神经网络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ν(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SVM1-SVM2/BP的两层级联分类器，包括以下处理过程：2.1)运用SVM1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SVM1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)对测试样本集进行第二层的SVM2与BP网络分类器的投票融合分类，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

一种融合SVM与BP神经网络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ν(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 ν = Σ i = 1 n τ ν i n τ , i=1，2，...nτ，                    (1) f = n τ τ , - - - ( 2 ) s = t 2 - t 1 τ , - - - ( 3 ) t=t2‑t1，                       (4)上式中，νi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，nτ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SVM1‑SVM2/BP的两层级联分类器；所述的SVM1‑SVM2/BP的两层级联分类器包括以下处理过程：2.1)运用SVM1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 1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SVM1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(Sigmoid)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)对测试样本集进行第二层的SVM2与BP网络分类器的投票融合分类，具体包括以下过程：(2.2.1)运用SVM2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 2分类函数中，检测出当前交通状态，包括如下过程：(2.2.1.1)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；(2.2.1.2)利用归一化后的训练集样本训练SVM2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(Sigmoid)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；(2.2.1.3)利用测试样本集数据和训练得到的分类器进行测试，判定属于繁忙状态和拥挤状态；(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，具体如下：(2.2.2.1)对测试样本集的数据归一化；(2.2.2.2)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；(2.2.2.3)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；(2.2.3)利用BP神经网络方法训练并对测试样本集进行测试，具体如下：若(2.2.1)和(2.2.2)的分类类别相同，则将该检测样本归为此类；如果两个类别不相同，则将权值高的分类器所识别的结果作为投票的结果。