基于粒子群优化SVM的高速公路交通事件检测

为了更加准确地检测出高速公路上的偶发性交通事件,采用一种粒子群优化SVM参数的高速公路交通事件检测算法,提升事件检测效果。文中运用高速公路实测数据集（L880）,对支持向量机算法进行分类性能测试,并且采用改进的粒子群优化算法对支持向量机的参数进行优化,进而利用测试集数据对该模型进行验证比较,获得满意的检测效果。     

城市信号主干道网络交通事件检测

本文论述了用向量机（SVM）技术检测城市主干道交通事件的发展应用。用来自固定检测器和浮动车的数据作为输入向量,经过以下五个步骤完成事件检测：采用ARFIMA模型处理交通输入数据,用SVM训练原始数据,运用模糊逻辑训SVM样本,融合从固定检测器和浮动车获取的数据,推断路段及路网状态。     

基于SVM的交通事件检测技术

为减少交通事件引起的交通延误,提出了一种基于支持向量机(SVM)的交通事件自动检测(SVM-AID)算法.采用实际高速公路交通参数数据库(I-880数据库),对SVM-AID算法的分类性能进行测试,并分析了SVM中各参数对分类效果的影响.结果表明,SVM中参数对分类效果的影响很大,必须慎重选择;SVM-AID算法对不同...     

基于特征脸和二叉树支持向量机的人脸识别

提出使用特征脸和二叉树支持向量机（BT-SVM）分类器相结合的方法进行人脸识别。首先从训练图像中求得特征脸空间,然后将训练集和测试集图像投影到特征脸空间得到投影系数,使用训练样本投影系数训练BT—SVM分类器,再使用BT—SVM分类器对测试图像进行识别。在ORL人脸库进行模拟试验,结果表明BT-SVM分类算法获得比SVM分类算法更高的识别率。     

基于神经网络和多信息融合的高速公路交通事件检测算法

高速公路事件检测是事件管理过程的核心和关键,在总结国内基于神经网络事件检测算法的基础上,提出基于LVQ网络模型和信息融合的交通事件检测新算法,将主线检测器得到的信息和收费站处得到的信息进行融合来判断交通事件的发生。将LVQ神经网络作为分类器进行交通事件自动检测,为进一步提高神经网络的泛化能力,采用改进的Boosting算法,进行网络集成。仿真实验表明:该算法具有更高的检测率、更低的误报率,可以明显改善检测效果。     

����֧���������ij��е�·��ͨ״̬ģʽʶ���о�

城市道路交通状态识别是现代智能交通系统的重要组成部分,是交通智能控制、诱导和协同系统的基础.基于支持向量机建立车流量、平均速度和占有率的三维反映空间,以堵塞流、拥挤流、平稳流和顺畅流为标签对道路交通状态进行分类;并在MATLAB平台下利用LiBSVM工具包进行实验分析,对SVM各种核函数的分类效果进行比较研究,实现了支持向量机技术的交通状态模式识别.结果表明：选择的指标能很好地反映交通状态的特征,SVM核函数可以以较高的分类精度区分开交通流的状态识别,数据的归一化对分类的结果具有重要的影响.     

事件检测概率神经网络模型的建立与验证

在对概率神经网络(PNN)的分类机理、输入向量选取和网络设置进行分析的基础上,建立了用于识别两类事件模式(无事件模式和有事件模式)的事件检测PNN模型。采用高速公路路段1-880实地线圈数据集和事件数据集验证模型,通过比较PNN模型与多层前向神经网络(MLF)模型的结果,发现无论对于向北、向南或混合方向的高速公路事件检测,PNN模型的检测率(DR)比MLF模型高;平均检测时间(MTTD)比MLF模型短:但误报率(FAR)也较高。概率神经网络是高速公路事件检测的一种有效算法,其在理论基础、算法和学习速度等方面比多层前向神经网络具有优势。     

基于SVM分类器的道路湿滑图像分类方法研究

在恶劣天气下路面湿滑状况将发生显著变化,导致驾驶条件恶化,极易引发恶劣的交通事故.为了帮助交通管理部门实时获取路面湿滑状况信息,了解路面附着性能,并以此制定合理的车速控制和交通诱导策略,通过采集道路湿滑图像,利用设计的具体SVM分类器结合3种训练算法对道路湿滑图像进行分类学习训练,并通过训练后的SVM分类器对大量道路湿滑图像进行分类实验,对道路湿滑状态进行分类研究.实验结果表明:(1)寻找合适的核函数,选择合适的参数是使用SVM进行高效分类的一个重要因素;(2)在训练过程中,均方误差(MSE)能反映出分类器实现的正确率,SVM的训练本身的误差决定了分类的正确率,而且训练个数的增多带来了特征空间维数的增加,从而导致计算量的增大.     

�¼�������������ģ�͵Ľ�������֤

在对概率神经网络(PNN)的分类机理、输入向量选取和网络设置分析的基础上，建立了用于识别两类事件模式(无事件模式和有事件模式)的事件检测PNN模型。采用高速公路路段Ⅰ-880实地线圈数据集和事件数据集验证模型，通过比较PNN模型与多层前向神经网络(MLF)模型的结果，发现无论对于向北、向南或混合方向的高速公路事件检测,PNN模型的检测率(DR)比MLF模型高；平均检测时间(MTD)比MLF模型短；但误报率(FAR)较高。概率神经网络是高速公路事件检测的一种有效算法，其在理论基础、算法和学习速度等方面比多层前向神经网络具有优势。     

基于V-支持向量分类机的交通事件检测方法研究

基于支持向量机在解决分类问题的优势，本文提出基于V-支持向量分类机的交通事件检测方法。首先把交通事件是否发生看成是一个特殊的分类问题，选取V-支持向量分类机和核函数，根据以往的交通事件是否发生的检测数据，即分别在发生交通事件和不发生交通事件两种情况下的上下游车道占有率，计算出其当前时段的上下游车道占有率的绝对差、相对差，以及下游前两时段与当前时段车道占有率的相对差，以此作为V-支持向量分类机的输入，对其进行训练，然后输入现阶段检测到的相应车道占有率统计结果，利用训练完成的V-支持向量分类机来判别是否发生交通事件。最后，本文以微观交通模拟的数据验证模型的效果。     

基于优化SVM的城市快速路网交通流状态判别

以交通流率、速度和占有率为输入参数,采用交叉验证法优化模型惩罚参数C和核函数参数γ,建立以径向基为核函数的支持向量机模型,判断道路断面交通流状态;结合设计的道路网综合状态指数,依据自由流、拥挤流和阻塞流状态下占有率划分区间,构建城市快速路网交通流状态判别方法;最后以某一区域路网为例,进行了实证性研究．结果表明：该方法对道路断面交通流状态判别精度可达92．22％;同时能够实现道路网范围内对自由流、拥挤流和阻塞流状态的判别,判别精度可达86．67％．     

基于LVQ神经网络的交通拥堵预测研究

面对大量的交通参数数据,如何快速建立高效的分类预测模型以尽快地对拥堵状态进行判别是一个重要的问题。本文利用检测器提供的车速、流量和占有率等相关参数信息,提出了基于学习向量量化（LVQ）神经网络的交通拥堵预测模型．通过使用Matlab7．3数学软件的神经网络工具箱对该神经网络不断地训练,最终可以对道路正常状态和拥堵状态进行分类,通过交通流参数数据的输入预测出路段交通拥堵状况．最后,给出算例进行网络训练和测试,训练结果表明,运用该算法进行交通拥堵预测取得了良好的效果,具有一定的现实意义．     

高速公路交通流参数实时预测AML法

探讨了用于高速公路交通流参数实时预测类型,提出了交通流参数的线性神经网络方法,且利用该法对交通量、时间占有率和点速度的实时预测进行了应用性研究.     

基于3DCNN-DNN 的高空视频交通状态预测

为使用高空视频识别和预测道路交通状态，提出基于三维卷积神经网络-深度神经网络(3DCNN-DNN)的交通状态预测方法. 将道路切分为D 个路段，每个路段视频片段时长 m s，基于典型3DCNN结构C3D识别路段视频片段交通状态；建立道路? 个历史时段、D 个路段的交通状态矩阵Φ ，将道路交通状态预测问题转化为以Φ 为输入，有限交通状态为输出的分类问题，构建基于DNN的短时交通状态预测模型原型；建立交通视频数据集，对DNN预测模型原型的隐藏层数量、神经元数量及训练批大小进行测试优化，提出有4 隐藏层，各层神经元数量为64/128/128/64，训练批大小为64 的优化模型DNN*.测试结果表明：C3D视频交通态识别平均F1 值为95.71%，DNN*道路交通状态预测准确率为91.18%，比DNN线性分类、KMeans 、KNN、SVM和线性分类分别高6.86%、57.85%、62.26%、26.47%、43.14%；C3D能提供准确的交通状态矩阵，3DCNN-DNN可有效识别和预测道路视频交通状态.     

阻塞流状态下城市快速路交通流时空特性

根据时间序列中的自相关函数法,判断交通流量、时间占有率与平均速度的时间序列的平稳性。根据混沌分析中的G-P算法,将非平稳的交通流参数时间序列转化为平稳的交通流参数时间序列。引入了互相关系数的概念,在阻塞流状态下,计算了上游断面对观测断面以及观测断面对下游断面的互相关系数,并应用K-S检验判断阻塞流状态下城市快速路进出口匝道的车辆到达特性。研究结果表明:交通流量和时间占有率属于非平稳时间序列,平均速度属于平稳时间序列;当时间延迟分别取2、3、5min时,在阻塞流状态下,重构的交通流量相空间嵌入维数为4;观测断面的交通流参数不仅受相邻上游断面交通流参数传递的影响,而且也受相邻下游断面交通流参数回溯的影响;在阻塞流状态下,城市快速路进出口匝道车辆到达特性符合负二项分布。     

城市快速路路段交通流状态评估方法

交通流状态分类对于选择交通控制和诱导策略有非常重要的作用,不同的快速路路段设定的交通流参数临界值及变化特性会有所不同．本文考虑到交通流参数对交通流状态判别的影响程度,给出了一种基于加权欧氏距离的相似性度量方法,并确定了交通流状态判别的关键参数．根据整个路段的交通流数据,通过聚类分析构造最小距离分类器,把个别路段的交通流数据作为样本数据．进行了对个别路段的状态评估．实证分析结果表明：在交通流状态判别过程中,密度是最关键的参数：基于最小距离分类的个别路段的状态评估结果与实际情况非常类似,这将为交通控制和管理提供决策依据．     

城市快速路交通拥挤识别方法

为了从海量动态交通数据中快速识别路网中存在的交通拥挤,通过分析拥挤的特征模式和各种数据挖掘技术的特点后,设计了一种适用于城市快速路的交通拥挤自动识别方法。该方法将占有率、速度和流量三个基础交通流参数进行组合得到新的特征变量,运用优化的多层前馈神经网络模型对特征变量进行处理来判断是否有拥挤发生,通过分析模型输出结果的变化趋势区分常发性拥挤和偶发性拥挤。模拟数据和实测数据对比结果表明,该方法可以识别城市快速路上发生的交通拥挤,具有良好的实用性。     

基于Van Aerde模型的快速路交通流特征参数辨识？

宏观交通流参数特性是交通流理论中重要研究内容,而快速路做为城市骨干路网,交通流特征参数对于快速路的控制与管理具有重要价值。基于固定检测线圈检测到的交通流数据,对数据进行错误剔除与修复,并集聚提取了快速路流量、速度与占有率值,同时通过实测数据统计分析车辆平均长度,实现占有率与密度之间的转换,进一步采用标准遗传算法与最小二乘法对Van Aerde模型进行了对比标定,辨识了快速路交通流特征变量,为城市快速路的精细化管理提供支持。