基于代价敏感神经网络的交通状态判别

交通流不同状态在实际中出现的频率存在很大差异,且不同交通状态之间的误判所造成的影响程度是不同的。因此,可以认为交通状态判别是一个类不平衡及代价敏感的分类问题。本文通过分析交通状态的类不平衡特性,结合了少数类样本合成的过采样技术和阈值移动方法,在给定的代价敏感矩阵引导下,对训练样本集进行过采样和对神经网络输出值进行阈值移动,并得到最终的判别结果。通过对广深高速公路上采集的数据进行测试,实验结果表明,所提出算法可以有效降低拥堵和缓慢状态的误判率。     

基于车用柴油机不平衡数据集的故障识别组合模型

基于车用柴油机的不平衡数据集,根据对应故障发生频次高与低,将模型建立对象分为样本丰富的大数据量故障与样本集不完备的小数据量故障两种。面向前者,基于XGBoost （Extreme Gradient Boosting） 分类算法构建故障识别模型,面向后者,基于模糊神经网络构建故障识别模型,然后针对两类模型进行参数调节以获得最优效果,并分别建立评估机制。模型评估结果表明,该故障识别组合模型能够较为精确、全面地识别大多数故障种类,是一种对数据量要求不高且总识别率超过80%的多适应性识别模型算法,可作为汽车维保工作中的重要工具使用。     

基于采样技术和机器学习算法的交通事故严重程度预测

针对交通事故数据中人员伤亡严重程度的不平衡性,本文结合采样方法以及类别组合方法,改善数据的不平衡性,提高其在机器学习算法中的预测效果。本文首先分别使用了随机过采样、随机欠采样、Smote(Synthetic Minority Over-sampling Technique)采样算法对数据进行处理,然后使用三种分类算法,即决策树、随机森林和adaboost,对事故严重程度进行预测,并采用类别准确率以及几何平均值作为评价指标对比分析分类算法的性能。此外,本文还对五分类问题转变为三分类问题进行研究。结果表明,采样算法可以显著提高不平衡事故数据中少数类的预测准确率;在五分类问题中,使用随机森林和随机欠采样的组合预测效果最优,该组合在三分类的交通事故严重程度预测中也取得了最优的效果。     

考虑数据不平衡的城市道路乘用车致命事故率分析

城市道路交通事故频发,而事故数据存在明显不平衡,不同因素间的耦合作用对城市道路乘用车致命事故率分析造成极大挑战。为此提出了1种集成重采样、贝叶斯网络（Bayesian networks,BN）和关联规则（association rule method,ARM）的三阶段事故率分析方法。基于国家事故深度调查体系的1 105例城市道路乘用车事故数据,从驾驶人、车辆、道路、环境这4个方面选取16个潜在特征变量构建BN模型;鉴于数据不平衡时会导致BN模型性能下降的问题,提出在构建BN模型前利用合成少数类过采样技术（Synthetic Minority Over-sampling Technique,SMOTE）和聚类中心进行数据重采样,并比较分析各类采样技术下不同BN模型的综合性能;基于最优BN模型并结合ARM,推理不同影响因素及因素的耦合作用对致命事故率的影响。结果表明：重采样方法可以显著提升BN模型的综合性能,以及识别风险因素的能力。其中SMOTE采样技术结合GTT算法构建的BN模型的AUC最高,达0.793。此外,相较于原始不平衡数据构建的BN模型,经SMOTE采样后构建的BN模型多挖掘了...     

基于自适应模糊神经网络的交通流状态预测

研究交通流状态的分类、识别与预测,建立了基于模糊聚类及模式识别的交通流状态自适应模糊神经推理系统.对大量交通流历史特征数据采用模糊聚类法进行状态分类并进行模式识别,得到系统的原始输入输出数据集.建立交通流状态预测的自适应模糊神经系统,以交通流特征数据及其识别结果作为训练数据集进行系统参数及模糊规则的训练与确定,直到误差在控制范围内,并进行系统检测和复核.仿真及其检测和复核结果表明系统预测的准确率在 95%以上.     

区域高等级公路网交通状态识别与分析模型研究

为了在区域内分析高等级路网交通状态,建立了一种区域高等级路网交通状态分析模型.首先分析路网结构并对路段的交通状态进行识别分类,建立在实时交通状态下的区域高等级路网模型;然后基于路网模型运用系统结构分析法建立路网交通状态分析模型,根据不同交通状态分析需求得到不同的交通状态可达矩阵,并对可达矩阵分层分析.通过实例表明:该模型能够有效地判别路网中节点的可达性和连通性,描述路网的交通状态时空变化规律,若通过及时发布信息,出行者可根据不同的信息需求来选择最优路径,避免大范围拥挤,从而提高整个路网的运行效率.     

基于全车牌识别数据的高速公路交通拥挤识别

针对目前高速公路交通拥挤尚无统一的识别标准的状况，基于河南省高速公路全车牌识别数据研究，提出在路网实际混合交通流状态下高速公路交通拥挤识别标准，并给出了不同设计速度高速公路交通非常畅通、畅通、轻度拥挤、中度拥挤、严重拥挤对应的平均行程速度阈值，用于快速识别交通拥挤地点、拥挤类型、拥挤持续时间等信息，为高速公路管理决策提供依据。     

基于决策树模型的信号控制交叉口交通状态估计

为了探究城市干道信号控制交叉口交通状态与检测器数据之间的关系,以低频定点检测器(5 min集计)采集的流量、占有率、速度数据与交叉口离线信号配时方案作为特征变量,以路段平均行程速度为标签变量,基于分类回归树(CART)模型,提出了一种新的交通状态估计方法。首先,以车辆路段行程速度为评价指标,将交通状态分为畅通状态、拥挤状态与阻塞状态3类;然后,通过VISSIM软件建立微观仿真模型,采集不同周期时长、绿信比和饱和度下的64 000个样本对分类回归树模型进行了训练与验证。结果表明,训练集估计精度为84.41%,验证集估计精度为84.08%,模型总体估计精度在84%以上。不同因素对交通状态估计的影响程度不同,由大到小依次为:占有率、绿信比、检测器速度、流量、信号周期。最后,以107组微波检测数据与视频数据对模型进行试验验证。验证结果表明,拥挤状态下模型估计精度最高,为89.19%,其次为畅通状态,为75.00%,阻塞交通状态下模型估计精度最低,为63.15%,交通状态总体估计精度为75.70%。可见,分类回归树模型能够较为准确地估计城市干道信号控制交叉口交通状态,该精度能够基本满足我国中小城市交通状态估计需求。     

基于路网拥挤度的交通拥挤收费费率研究

针对交通拥挤路段收费费率的问题,建立了交通拥挤收费的双层规划模型,上层模型为最小化交通路网的拥挤度,下层模型为固定需求的用户平衡。在下层模型中广义出行成本函数考虑了出行时间、油耗和费率。并采用遗传算法进行求解。通过算例分析,得出结论:当广义出行成本函数考虑了油耗的因素时,要使路网的流量达到系统平衡状态,路段收费的费率是不相同的;合理的收费费率能获得最小的路网拥挤度,路网的拥挤度和用户总出行时间并不能同时达到最优。     

一种基于视频序列的城市快速路交通状态分类方法

研发智能交通系统(ITS)是目前世界上各个国家交通运输领域技术发展的热点之一.而交通状态的有效分类和识别是ITS中主要子系统和重要功能之一.针对传统提取交通参数方法在拥堵状态下准确率偏低的情况,文中提出一种基于视频序列的城市快速路交通状态分类方法.定义并从视频序列中获取时空线序列符,该时空信息存在大量的数据冗余,因此通过主成分分析方法(PCA)进行降维与特征提取;通过主观评价方式,选取畅通和拥堵交通状态下样本输入支持向量机(SVM),根据实验仿真结果选择高斯径向基核函数作为核函数来解决特征数据非线性的问题,并通过参数调优构建出交通状态二分类的最优模型.实验表明,时空线序列符和主成分分析的方法可以很好地应用于交通状态分类当中.