專利名稱：基于神經(jīng)網(wǎng)絡(luò)分類器級(jí)聯(lián)融合的城市道路交通狀態(tài)檢測(cè)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(cè)方法。
背景技術(shù)：
城市道路交通的運(yùn)營(yíng)管理中存在的最為突出的問(wèn)題是交通擁擠和交通事故。通過(guò)對(duì)交通狀態(tài)檢測(cè)算法進(jìn)行研究，可以減少交通事件對(duì)公路運(yùn)行帶來(lái)的負(fù)面效應(yīng)。通過(guò)對(duì)交通狀態(tài)的快速檢測(cè)、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(duì)路網(wǎng)運(yùn)行產(chǎn)生的不良影響，避免擁堵?tīng)顟B(tài)的擴(kuò)大，確保車輛安全、舒適地行駛。
國(guó)內(nèi)外研究者對(duì)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(dòng)事件檢測(cè)算法是加利福尼亞算法。該方法通過(guò)比較鄰近環(huán)型線圈檢測(cè)器獲得的占有率數(shù)據(jù)，對(duì)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(dòng)車的高速公路交通事件檢測(cè)算法。該算法基于平均行程時(shí)間和相鄰兩時(shí)段平均行程時(shí)間差雙變量分析模型而設(shè)計(jì)。史忠科等采用擴(kuò)展Kalman濾波方法對(duì)高速公路交通密度進(jìn)行預(yù)測(cè)。王國(guó)林等使用一種面向全景視頻的交通狀態(tài)檢測(cè)方法。竇慧麗等提出了一種交通狀態(tài)預(yù)報(bào)的K近鄰非參數(shù)回歸模型用于城市道路不同預(yù)報(bào)時(shí)長(zhǎng)的分級(jí)交通狀態(tài)的概率預(yù)報(bào)實(shí)驗(yàn)。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(cè)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(dòng)檢測(cè)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(cè)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)確性的基于神經(jīng)網(wǎng)絡(luò)分類器級(jí)聯(lián)融合的城市道路交通狀態(tài)檢測(cè)方法。本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是一種基于神經(jīng)網(wǎng)絡(luò)分類器級(jí)聯(lián)融合的城市道路交通狀態(tài)檢測(cè)方法，所述檢測(cè)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(shí)間占有率S、行程時(shí)間t (S)，分別定義為V =...nT, (I)
nT/ = 7-(2)S = ^,(3)t=t2-t1, (4)上式中，Vi為每輛車經(jīng)過(guò)某斷面的車速，T為設(shè)定的收集數(shù)據(jù)的時(shí)間間隔，nT為時(shí)間間隔T內(nèi)通過(guò)該斷面的車輛總個(gè)數(shù)為車輛開(kāi)始進(jìn)入該設(shè)定路段的時(shí)刻，t2為車輛完全通過(guò)該路段的時(shí)刻；式(I)表示在指定的時(shí)間間隔內(nèi)在固定的觀測(cè)地點(diǎn)測(cè)得的車速的平均值；式(2)表示單位時(shí)間內(nèi)該路段通過(guò)的車輛個(gè)數(shù)；式(3)表示車輛通過(guò)該路段的總得時(shí)間占固定時(shí)間間隔T的比率，即時(shí)間占有率；式(4)定義了行程時(shí)間；行程時(shí)間表示車輛通過(guò)道路某一路段所需的總時(shí)間，包括行駛時(shí)間和延誤時(shí)間。實(shí)時(shí)監(jiān)測(cè)路段的交通特征參數(shù)，并提取交通特征參數(shù)，得到測(cè)試樣本集；2)將測(cè)試樣本集輸入SVM-BP的兩層級(jí)聯(lián)分類器；
所述的SVM-BP的兩層級(jí)聯(lián)分類器包括以下處理過(guò)程2. I)運(yùn)用SVM訓(xùn)練函數(shù)分別進(jìn)行訓(xùn)練后和測(cè)試集樣本數(shù)據(jù)一起被輸入到SVM分類函數(shù)中，檢測(cè)出當(dāng)前交通狀態(tài)，過(guò)程如下(2. I. I)對(duì)速度、流量、占有率、行程時(shí)間四個(gè)輸入特征參數(shù)設(shè)置權(quán)重，即對(duì)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(gè)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(duì)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SVM分類器，利用交叉驗(yàn)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(xiàng)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(cè)試樣本集數(shù)據(jù)和訓(xùn)練得到的分類器進(jìn)行測(cè)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)利用BP神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練并對(duì)測(cè)試樣本集集進(jìn)行測(cè)試(2. 2. I)對(duì)測(cè)試樣本集的數(shù)據(jù)歸一化；(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)分器；所述分類器是一個(gè)三層的前饋網(wǎng)絡(luò)，輸入層有4個(gè)節(jié)點(diǎn)，代表輸入的4個(gè)道路交通特征，隱層有12個(gè)節(jié)點(diǎn)，輸出層有2個(gè)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. 3)利用測(cè)試集樣本和訓(xùn)練得到的分類器進(jìn)行測(cè)試，判定屬于繁忙狀態(tài)和擁堵?tīng)顟B(tài)；即對(duì)2. I)中判定結(jié)果為分暢通的樣本進(jìn)行繁忙與擁堵?tīng)顟B(tài)的判別，將判別結(jié)果作為最終分類結(jié)果。進(jìn)一步，所述步驟2)中，SVM-BP的兩層級(jí)聯(lián)分類器采用基于短時(shí)段內(nèi)多層分類器疊加融合，具體過(guò)程如下Stepl、以所有數(shù)據(jù)樣本集作為訓(xùn)練樣本，生成SVM-BP的兩層級(jí)聯(lián)分類器作為基礎(chǔ)分類器I ;St印2、將數(shù)據(jù)樣本集分成n份，n為自然數(shù)，3 ^ n ^ 12，標(biāo)記為R”i = 1,2,.. ，n ;用基礎(chǔ)分類器I對(duì)&進(jìn)行測(cè)試，將判斷錯(cuò)誤的數(shù)據(jù)樣本集分離出來(lái)，記為W1 ;將W1與R2一同作為訓(xùn)練樣本生成基礎(chǔ)分類器2 ;并用基礎(chǔ)分類器I對(duì)基礎(chǔ)分類器2的訓(xùn)練樣本W(wǎng)1與R2進(jìn)行測(cè)試，分離出錯(cuò)誤判斷的數(shù)據(jù)樣本W(wǎng)2 ；St印3、將W2與R3 —同作為訓(xùn)練樣本生成基礎(chǔ)分類器3 ;并用基礎(chǔ)分類器2對(duì)基礎(chǔ)分類器3的訓(xùn)練樣本W(wǎng)2與R3進(jìn)行測(cè)試，分離出錯(cuò)誤判斷的數(shù)據(jù)樣本集W3 ；Step4、依此類推，共生成n個(gè)基礎(chǔ)分類器，將此n個(gè)基礎(chǔ)分類器采用集成學(xué)習(xí)方法融合，得到一個(gè)增強(qiáng)分類器為測(cè)試時(shí)采用的SVM-BP的兩層級(jí)聯(lián)分類器。再進(jìn)一步，所述步驟(2. 2. 3)中，利用時(shí)間序列，通過(guò)對(duì)多個(gè)連續(xù)時(shí)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(guò)程如下
a、采用SVM-BP分類器作為測(cè)試的基礎(chǔ)分類器；b、對(duì)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(duì)前n+1個(gè)分類結(jié)果進(jìn)行投票，得出一個(gè)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(duì)于我國(guó)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 SVM、BP網(wǎng)絡(luò)分類算法融合，設(shè)計(jì)一個(gè)兩層級(jí)聯(lián)分類器。利用SVM分類器將我國(guó)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SVM參數(shù)，將暢通狀態(tài)分類出來(lái)。再利用BP神經(jīng)網(wǎng)絡(luò)對(duì)第一層分類器未分類的繁忙與擁堵?tīng)顟B(tài)分類。該方法能夠有效地提高城市交通狀態(tài)檢測(cè)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(cè)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(duì)本發(fā)明作進(jìn)一步描述。參照?qǐng)DI 圖3，一種基于神經(jīng)網(wǎng)絡(luò)分類器級(jí)聯(lián)融合的城市道路交通狀態(tài)檢測(cè)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(shí)間占有率等。交通參數(shù)檢測(cè)的方法很多，主要有超聲波檢測(cè)、紅外檢測(cè)、環(huán)形感應(yīng)圈檢測(cè)、計(jì)算機(jī)視覺(jué)檢測(cè)。超聲波檢測(cè)精度不高，容易受車輛遮擋和行人的影響，檢測(cè)的距離短(一般不超過(guò)12m)。紅外線檢測(cè)受車輛本身熱源的影響，抗噪聲的能力不強(qiáng)，檢測(cè)精度不高。環(huán)形感應(yīng)器檢測(cè)精度高，但要求設(shè)置于路面土木結(jié)構(gòu)中，對(duì)路面有損壞，施工和安裝不便，而且安裝的數(shù)量多。計(jì)算機(jī)視覺(jué)檢測(cè)近年來(lái)隨著計(jì)算機(jī)技術(shù)、圖像處理、人工智能、模式識(shí)別等技術(shù)的不斷發(fā)展，在交通流檢測(cè)中獲得越來(lái)越廣泛的應(yīng)用。該課題的交通參數(shù)數(shù)據(jù)來(lái)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(shí)間占有率S、行程時(shí)間t(s)的定義為v = ^,i=l，2，.nT，(5)
nTf = 1J-(WS = t^,(7)t=t2-t1； (8)上式中，Vi為每輛車經(jīng)過(guò)某斷面的車速，T為設(shè)定的收集數(shù)據(jù)的時(shí)間間隔，nT為時(shí)間間隔T內(nèi)通過(guò)該斷面的車輛總個(gè)數(shù)為車輛開(kāi)始進(jìn)入該設(shè)定路段的時(shí)刻，t2為車輛完全通過(guò)該路段的時(shí)刻。式(5)表示在指定的時(shí)間間隔內(nèi)在固定的觀測(cè)地點(diǎn)測(cè)得的車速的平均值。式(6)表示單位時(shí)間內(nèi)該路段通過(guò)的車輛個(gè)數(shù)。式(7)表示車輛通過(guò)該路段的總得時(shí)間占固定時(shí)間間隔T的比率，即時(shí)間占有率。式(8)定義了行程時(shí)間。行程時(shí)間表示車輛通過(guò)道路某一路段所需的總時(shí)間，包括行駛時(shí)間和延誤時(shí)間。本文將道路交通狀態(tài)分為三個(gè)等級(jí)暢通、繁忙、擁堵。暢通的服務(wù)水平是最高的。I)暢通該等級(jí)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(gè)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(lái)選擇所期望的速度。其低限為每個(gè)車輛要開(kāi)始注意到交通流中其他使用者對(duì)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(jí)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(lái)，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(jí)服務(wù)水平由穩(wěn)定流過(guò)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(hào)交叉口有很長(zhǎng)的排隊(duì)車輛。當(dāng)交通量有少量增加就會(huì)在運(yùn)行方面出現(xiàn)問(wèn)題。當(dāng)某路段的交通量達(dá)到或超過(guò)該路段的通行能力時(shí)，便會(huì)引起交通 堵塞。此時(shí)隊(duì)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(zhǎng)的停車延誤，有些車輛甚至要等兩個(gè)信號(hào)周期才能通過(guò)交叉口。數(shù)據(jù)的獲得是通過(guò)利用仿真軟件VISSIM仿真數(shù)據(jù)與杭州市體育場(chǎng)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(chǎng)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(gè)時(shí)段的交通狀況，共獲得交通數(shù)據(jù)樣本3170個(gè)。本文所用數(shù)據(jù)仿真了全天各個(gè)時(shí)段的交通狀態(tài)的數(shù)據(jù)。雖然分類準(zhǔn)確率沒(méi)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(gè)，其暢通、繁忙、擁堵的類別數(shù)分別為878、669、183。測(cè)試集樣本1440個(gè)，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(gè)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(jì)學(xué)習(xí)理論，是結(jié)構(gòu)風(fēng)險(xiǎn)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(cè)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(gè)依賴于Vapnik-Chervonenkis (VC)維數(shù)的項(xiàng)之和為界；在可分模式情況下，支持向量機(jī)對(duì)于前一項(xiàng)的值為零，并且使第二項(xiàng)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(gè)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(xiàng)式核函數(shù)kx, XiX Y X1Xi+!")15, y >0;3)RBF 徑向基核函數(shù)k(x，Xi)=exp(-Y I |x-xi| I2)，y >0;4) Sigmoid 兩層感知器核函數(shù)kx, Xi) =tanh ( y xTXi+r)。SVM基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，將整個(gè)求解過(guò)程轉(zhuǎn)化為一個(gè)凸二次規(guī)劃問(wèn)題，其解
全局最優(yōu)且唯一。交叉驗(yàn)證(Cross Validation)是驗(yàn)證分類器性能的一種統(tǒng)計(jì)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(yàn)證集。首先用訓(xùn)練集對(duì)分類器進(jìn)行訓(xùn)練，再利用驗(yàn)證集來(lái)測(cè)試訓(xùn)練得到的模型，以此作為評(píng)價(jià)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(chǔ)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(guò)反向傳播來(lái)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(duì)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8算法，是一種監(jiān)督式的學(xué)習(xí)算法，主要思想是對(duì)于q個(gè)輸入學(xué)習(xí)樣本Xl，X2, , xq,已知其對(duì)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(lái)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。SVM分類器判別暢通狀態(tài)的準(zhǔn)確率比BP網(wǎng)絡(luò)分類器判斷暢通狀態(tài)的準(zhǔn)確率高；BP 網(wǎng)絡(luò)分類器在判別擁堵?tīng)顟B(tài)時(shí)的準(zhǔn)確率比SVM判斷擁堵的準(zhǔn)確率高；故設(shè)計(jì)出第一層先由SVM判別出暢通狀態(tài)，第二層由BP判別余下的繁忙與擁堵?tīng)顟B(tài)。實(shí)驗(yàn)表明，該方法對(duì)分類準(zhǔn)確率有一定的提聞。實(shí)驗(yàn)步驟如下I)生成SVM 二分類器利用LIBSVM分類器訓(xùn)練并測(cè)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(cè)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(shí)間占有率、行程時(shí)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(cè)試集樣本數(shù)據(jù)一起被輸入到SVM分類函數(shù)中，檢測(cè)出當(dāng)前交通狀態(tài)。(I)對(duì)速度、流量、占有率、行程時(shí)間四個(gè)輸入特征參數(shù)設(shè)置權(quán)重。即對(duì)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，Vf,作為一個(gè)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(duì)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(yàn)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(xiàng)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(duì)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(xiàng)式、高斯徑向基、Sigmoid核函數(shù)進(jìn)行分析。采用交叉驗(yàn)證的思想針對(duì)不同的SVM模型和核函數(shù)進(jìn)行參數(shù)優(yōu)化。通過(guò)取不同的參數(shù)范圍反復(fù)實(shí)驗(yàn)，最終獲得分類效果最優(yōu)的一組參數(shù)。(2)訓(xùn)練得到SVM分類器其判別狀態(tài)為暢通與非暢通。2)生成BP 二分類器(I)對(duì)交通數(shù)據(jù)樣本集的數(shù)據(jù)歸一化。(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(jì)的網(wǎng)絡(luò)分類器是一個(gè)三層的前饋網(wǎng)絡(luò)。輸入層有4個(gè)節(jié)點(diǎn)，代表輸入的4個(gè)道路交通特征。隱層有12個(gè)節(jié)點(diǎn)。輸出層有2個(gè)節(jié)點(diǎn)，代表2種交通狀態(tài)類型繁忙與擁堵?tīng)顟B(tài)。隱層和輸出層的激活函數(shù)采用Sigmoid函數(shù)。(3)利用測(cè)試集樣本和訓(xùn)練得到的分類器進(jìn)行測(cè)試。BP神經(jīng)網(wǎng)絡(luò)在模式識(shí)別分類中具有良好的性能。一個(gè)具有無(wú)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SVM、BP分類器進(jìn)行融合(I)首先訓(xùn)練生成SVM、BP 二分類器。其中SVM分類暢通與非暢通，BP分類繁忙與擁堵。(2)利用SVM分類器將測(cè)試集樣本中的暢通分離出來(lái)。(3)對(duì)第一層未檢測(cè)分類出來(lái)的繁忙與擁堵的測(cè)試集樣本進(jìn)行第二層的BP網(wǎng)絡(luò)分類器分類。SVM-BP的融合是將SVM分類器與BP網(wǎng)絡(luò)分類器的優(yōu)點(diǎn)融合，摒除各自的分類缺點(diǎn)，這種兩層分類器的準(zhǔn)確率達(dá)到87. 0833%,比SVM (高斯徑向基)分類器高2個(gè)百分點(diǎn)，比BP網(wǎng)絡(luò)分類器高7個(gè)百分點(diǎn)。因此，基于SVM與BP的兩層分類器比單一的SVM或BP網(wǎng)絡(luò) 分類算法在分類效果上都要優(yōu)越。仿真結(jié)果見(jiàn)表I。
Wn訓(xùn)練樣測(cè)試樣檢測(cè)準(zhǔn)確率^
__本數(shù)量本數(shù)量__
^SVM (高斯徑向基) 1730 144085.28%____(122_40)
BP1730 144080.07%
____(1153/1440)
SVM-BP 1730 1440 87.08% ___ (1252/1440)表I本實(shí)施例中，提出基于短時(shí)段內(nèi)多層分類器疊加融合的方法來(lái)提高檢測(cè)準(zhǔn)確率。Stepl、以所有數(shù)據(jù)樣本集作為訓(xùn)練樣本，生成高斯徑向基核函數(shù)的SVM分類器或者SVM-BP的兩層級(jí)聯(lián)分類器作為基礎(chǔ)分類器I。St印2、將數(shù)據(jù)樣本集分成n份，n為自然數(shù)，3 ^ n ^ 12，標(biāo)記為R”i = 1,2,.. ，n ;用基礎(chǔ)分類器I對(duì)R1進(jìn)行測(cè)試，將判斷錯(cuò)誤的數(shù)據(jù)樣本集分離出來(lái)，記為W1 ；將W1與R2 —同作為訓(xùn)練樣本生成基礎(chǔ)分類器2 ;并用基礎(chǔ)分類器I對(duì)基礎(chǔ)分類器2的訓(xùn)練樣本W(wǎng)1與R2進(jìn)行測(cè)試，分離出錯(cuò)誤判斷的數(shù)據(jù)樣本W(wǎng)2 ；Step3、將W2與R3 —同作為訓(xùn)練樣本生成基礎(chǔ)分類器3 ;并用基礎(chǔ)分類器2對(duì)基礎(chǔ)分類器3的訓(xùn)練樣本W(wǎng)2與R3進(jìn)行測(cè)試，分離出錯(cuò)誤判斷的數(shù)據(jù)樣本集W3 ； Step4、依此類推，共生成n個(gè)基礎(chǔ)分類器，將此n個(gè)基礎(chǔ)分類器采用集成學(xué)習(xí)方法融合，得到一個(gè)增強(qiáng)分類器為測(cè)試時(shí)采用的SVM-BP的兩層級(jí)聯(lián)分類器。這種方法能克服各個(gè)基礎(chǔ)分類器的檢測(cè)盲點(diǎn)，增強(qiáng)分類器的分類能力，最終得到一個(gè)增強(qiáng)的分類器，提高分類準(zhǔn)確率。本實(shí)施例中，針對(duì)檢測(cè)實(shí)施階段，可以利用時(shí)間序列，通過(guò)對(duì)多個(gè)連續(xù)時(shí)間點(diǎn)的分類結(jié)果進(jìn)行融合，得到最終的判別結(jié)果。假定城市道路交通狀態(tài)的發(fā)布時(shí)間間隔為I分鐘，每I分鐘記錄一次數(shù)據(jù)樣本。融合算法步驟如下(I)采用SVM(高斯徑向基)、SVM_BP或前述任一種融合后的分類器作為測(cè)試的基礎(chǔ)分類器。
(2)對(duì)最初4分鐘的4個(gè)時(shí)刻數(shù)據(jù)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。(3)在記錄第5分鐘分類結(jié)果后，采用集成學(xué)習(xí)的投票方式，對(duì)前5個(gè)分類結(jié)果進(jìn)行投票，得出一個(gè)判別結(jié)果，作為第5分鐘的判別狀態(tài)進(jìn)行發(fā)布。(4)從第6分鐘起,在第m分鐘(m>5)時(shí),在記錄其分類結(jié)果后,對(duì)第m-4,m-3,m-2,m-1，m分鐘時(shí)刻的5個(gè)分類結(jié)果進(jìn)行投票或基于集成學(xué)習(xí)的融合。得出一個(gè)判別結(jié)果，作為第m分鐘的發(fā)布結(jié)果。由于現(xiàn)實(shí)情況中，城市道路交通特征參數(shù)的數(shù)據(jù)采集工作可能存在誤差。使用的 分類器分類準(zhǔn)確率也不能達(dá)到100%。該融合算法能有效地減少因?yàn)閿?shù)據(jù)采集引起的數(shù)據(jù)不準(zhǔn)確及分類誤差引起的相關(guān)噪聲，大大提高判別交通狀態(tài)的準(zhǔn)確性。同時(shí)避免了單次誤判直接發(fā)布造成的混亂。
權(quán)利要求
1.一種基于神經(jīng)網(wǎng)絡(luò)分類器級(jí)聯(lián)融合的城市道路交通狀態(tài)檢測(cè)方法，其特征在于所述檢測(cè)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(shí)間占有率S、行程時(shí)間t (S)，分別定義為
2.如權(quán)利要求I所述的基于SVM與BP神經(jīng)網(wǎng)絡(luò)分類器級(jí)聯(lián)融合的城市道路交通狀態(tài)檢測(cè)方法，其特征在于所述步驟2)中，SVM-BP的兩層級(jí)聯(lián)分類器采用基于短時(shí)段內(nèi)多層分類器疊加融合，具體過(guò)程如下 Stepl、以所有數(shù)據(jù)樣本集作為訓(xùn)練樣本，生成SVM-BP的兩層級(jí)聯(lián)分類器作為基礎(chǔ)分類器I; St印2、將數(shù)據(jù)樣本集分成n份，n為自然數(shù)，3 Sn < 12，標(biāo)記為Ri, i = 1，2，. . .，n ;用基礎(chǔ)分類器I對(duì)R1進(jìn)行測(cè)試，將判斷錯(cuò)誤的數(shù)據(jù)樣本集分離出來(lái)，記為W1 ;將W1與R2 —同作為訓(xùn)練樣本生成基礎(chǔ)分類器2 ;并用基礎(chǔ)分類器I對(duì)基礎(chǔ)分類器2的訓(xùn)練樣本W(wǎng)1與R2進(jìn)行測(cè)試，分離出錯(cuò)誤判斷的數(shù)據(jù)樣本W(wǎng)2 ； Step3、將W2與R3 —同作為訓(xùn)練樣本生成基礎(chǔ)分類器3 ;并用基礎(chǔ)分類器2對(duì)基礎(chǔ)分類器3的訓(xùn)練樣本W(wǎng)2與R3進(jìn)行測(cè)試，分離出錯(cuò)誤判斷的數(shù)據(jù)樣本集W3 ； Step4、依此類推，共生成n個(gè)基礎(chǔ)分類器，將此n個(gè)基礎(chǔ)分類器采用集成學(xué)習(xí)方法融合，得到一個(gè)增強(qiáng)分類器為測(cè)試時(shí)采用的SVM-BP的兩層級(jí)聯(lián)分類器。
3.如權(quán)利要求I所述的基于SVM與BP神經(jīng)網(wǎng)絡(luò)分類器級(jí)聯(lián)融合的城市道路交通狀態(tài)檢測(cè)方法，其特征在于所述步驟(2.2.3)中，利用時(shí)間序列，通過(guò)對(duì)多個(gè)連續(xù)時(shí)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(guò)程如下 a、采用SVM-BP分類器作為測(cè)試的基礎(chǔ)分類器； b、對(duì)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(duì)前n+1個(gè)分類結(jié)果進(jìn)行投票，得出一個(gè)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
一種基于神經(jīng)網(wǎng)絡(luò)分類器級(jí)聯(lián)融合的城市道路交通狀態(tài)檢測(cè)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(shí)間占有率s、行程時(shí)間t(s)；實(shí)時(shí)監(jiān)測(cè)路段的交通特征參數(shù)，并提取交通特征參數(shù)，得到測(cè)試樣本集；2)將測(cè)試樣本集輸入SVM-BP的兩層級(jí)聯(lián)分類器，包括以下處理過(guò)程2.1)運(yùn)用SVM訓(xùn)練函數(shù)分別進(jìn)行訓(xùn)練后和測(cè)試集樣本數(shù)據(jù)一起被輸入到SVM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)利用BP神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練并對(duì)測(cè)試樣本集集進(jìn)行測(cè)試判定屬于繁忙狀態(tài)和擁堵?tīng)顟B(tài)。本發(fā)明能有效提高準(zhǔn)確性。
文檔編號(hào)G08G1/01GK102750825SQ20121020692
公開(kāi)日2012年10月24日 申請(qǐng)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(qǐng)人:銀江股份有限公司