高速公路交通运行状态分类方法研究.pdf

该【高速公路交通运行状态分类方法研究 】是由【小屁孩】上传分享，beplayapp体育下载一共【6】页，该beplayapp体育下载可以免费在线阅读，需要了解更多关于【高速公路交通运行状态分类方法研究 】的内容，可以使用beplayapp体育下载的站内搜索功能，选择自己适合的beplayapp体育下载，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此beplayapp体育下载到您的设备，方便您编辑和打印。:..第5卷第10期2010年10月中国科技论文在线SCIENCEPAPERONLINE743高速公路交通运行状态分类方法研究徐婷,陈志建,程琳(东南大学交通学院,南京210096)摘要:为了更加细致地了解高速公路交通运行状态,为突发事件的应急处理提供高效、可靠的决策支持,利用高速公路交通流参数的变化规律建立基于支持向量机的高速公路交通运行状态分类模型。以道路服务水平为依据将交通运行状态划分为第Ⅰ类交通状态、第Ⅱ类交通状态、第Ⅲ类交通状态、第Ⅳ类交通状态和第Ⅴ类交通状态,设计分类模型的工作步骤,以I-880数据库为例,采用Matlab软件对所设计的方法进行仿真实验。结果表明,所设计的方法通用性强、有较好的分类效果。关键词:支持向量机;事件检测;交通状态分类中图分类号:U491文献标志码:A文章编号:1673-7180(2010)10-0743-6ResearchonmethodsofhighwaytrafficstateclassificationXuTing,ChenZhijian,ChengLin(SchoolofTransportation,SoutheastUniversity,Nanjing210096,China)Abstract:mandofthetrafficrunningstateonhighwaysandprovidereliableefficientdecisionsupportindisposinganemergency,amodelabouttrafficstateclassificationonhighwaysisproposedbasedonsupportvectormachine,,thetrafficstateisdividedintofiveclasses:thetrafficstateⅠ,thetrafficstateⅡ,thetrafficstateⅢ,thetrafficstateⅣandthetrafficstateⅤ.DesigntheworkstepsoftheclassificationmodelandtakedatafromI-:SVM;incidentdetection;trafficstateclassification高速公路是世界经济发展的重要推动力,为人们提支持向量机是基于统计学****理论发展起来的一种供了快捷、高效、舒适的运输环境。但高速公路在快速新型的机器学****算法,有效解决了困扰以往机器学****算发展的同时,汽车保有量也在不断增加,高速公路不可法的许多问题,如神经网络中的模型选择问题、过学****避免地出现了交通拥堵、交通事故等问题,严重阻碍了与欠学****问题、非线性和维数灾难问题等,而且,支持其高速发展的步伐。为了提高高速公路运行的安全和畅向量机能较好地解决小样本问题,当训练样本有限时使通,许多学者致力于包括交通事故、货物散落、车辆抛用该方法得到的决策规则对独立的测试集仍然能够得锚等交通事件的检测方法研究,如加州算法、神经网络到较小的误差。目前对支持向量机算法的研究主要集中方法等。其中,基于支持向量机(supportvectormachine,在SVM与其他算法的结合、SVM模型的优化、SVMSVM)的交通事件检测方法是目前事件检测研究的一个与粗糙集、模糊集的结合等方面[1-4]。热点。最早将支持向量机技术应用到交通事件检测中的收稿日期:2010-09-20基金项目:国家高技术研究发展计划(863计划)项目(2009AA11Z219)作者简介:徐婷(1987-),女,硕士研究生,主要研究方向:交通规划、交通管理通信联系人:程琳,教授,主要研究方向:交通规划、交通管理,******@seu.:..第5卷第10期744中国科技论文在线SCIENCEPAPERONLINE2010年10月是新加坡国立大学的FangYuan和RueyLongCheu,在映了函数集的学****能力,VC维越大则学****机器越复杂。建立了SVM模型之后,分别通过模拟数据和实测数据支持向量机是建立在统计学****理论和结构风险最进行测试,并与多层前反馈神经网络测试结果进行比小化原理之上的一种新型的机器学****方法。在解决分类较,发现支持向量机算法的检测结果具有明显优势[5]。问题时,不但要求经验风险最小,同时还要使VC维尽梁新荣等[6]等根据交通事件对交通流参数的影响规律,量小,从而缩小置信范围,使期望风险最小,最终使得提出了一种基于支持向量机分类的建模方法,研究高速所建立的算法尽可能地贴近输入输出值之间真实的依公路交通事件检测问题。陈斌[7]建立了基于支持向量机赖关系,尽可能地提高预测输出的可信度。的高速公路意外交通事件检测模型,利用自主开发的首先,支持向量机算法的本质是一种机器学****方EAD2Simulations仿真平台生成的交通流数据库进行仿法。机器学****目的是根据给定的训练样本,求出对系统真试验,研究了单侧输入与双侧输入、不同输入特征因S输入输出之间依赖关系的估计,使它能够对未知输出素组合、不同核函数等情况下支持向量机的检测性能指尽可能准确的预测。其基本问题模型如图1所示,其中,标。裴瑞平等[8]提出了一种基于小波变换和最小二乘支系统S是研究对象,它在给定一定输入x下得到一定的持向量机的交通事件自动检测算法,利用小波变换提取输出y,LM是我们所求的学****机器,预测输出为y?。特征数据,使用最小二乘支持向量机进行分类。但是,目前对于支持向量机方法在交通事件检测中应用的研究,都集中在对交通流2种状态,即事件状态与非事件状态的划分,把交通事件的检测转化成一个简单的二分类问题,这样就不可避免地存在以下几个问题:图1机器学****的基本模型图1)对分类要求定的过高,,从而使检测率大打折扣。2)对分类要求定的过低,会导致一些本来不是事其次,支持向量机应用了结构风险最小化原则,拥件的情况也被误认为是事件,使得误分率增加,为交通有更优良的泛化能力。结构风险最小化原理的基本思想管理带来不必要的麻烦。是:如果要求风险最小,就要使得经验风险与置信范围3)检测得到结果仅为简单的有事件或无事件2种相互平衡,共同趋于极小;并且,在获得学****模型风险状态,并不能确定事件的严重程度,因此不能为交通事最小的同时,希望模型的泛化能力尽可能的大,如图2件紧急预案的制定提供很好的决策支持。所示。笔者以支持向量机理论为基础,设计一种高速公路事件状态分类方法,并以美国I-880数据为例,通过Matlab软件对所设计的方法进行仿真实验,证明该方法的可行性与有效性。。,并在这些界的基础上建立小样本归纳推理准则,从而设计实现这些新的原则的实际方支持向量机的线性分类原理如图3所示。图中,“●”法。其中,最有指导性的理论结果是推广性的界的结论,和“○”分别代表2类样本,H为分类线。H1、H2分别与此相关的一个核心概念是VC维,它是指在一个函数为各类中离分类线最近的样本且平行于分类线的直线。集P(x,w),w∈?中,能够被集合中的函数以所有可能所谓最优分类线就是要求分类线不但能将2类正确分开的2h种方式分成2类的向量x,x,…,x的最大数目h,(训练错误率为0),而且使它们之间的分类间隔(margin)12h亦即能够被这个函数集打散的向量的最大数目。VC维反最大。:..第5卷第10期2010年10月高速公路交通运行状态分类方法研究745H1另外,在非线性分类时还引入了松弛变量和惩罚因子,HH2以减小误差。。当交通流处于正常运行状态,即非事件状态margin=2/w时,各交通流参数(交通量、车速、交通密度和占有率图3最优分类线与支持向量等)的关系相对稳定,变化过程平缓。,即处于事件状态时,事发地点上对于支持向量机的非线性分类,则引入了核空间理游会产生一个导致拥挤的压缩波,使车辆聚集,上游检论,将低维的输入空间数据通过非线性映射函数映射到测站的流量会有所减少,同时占有率明显增加、速度显高维属性空间,将分类问题转化到属性空间进行。可以著降低;事发地点下游则会产生一个扩张波,使车辆稀证明,如果选用适当的映射函数,输入空间线性不可分疏,占有率降低,速度会恢复到甚至高于事件发生之前问题在属性空间将转化为线性可分问题,这种非线性映的水平,流量通常会低于道路的正常通行能力。事件状射函数被称为核函数,目前常用的核函数有线性核函态与非事件状态下交通流特性变化图如图4所示。数、多项式核函数、径向基核函数和Sigmoid核函数。-freestatus2基于支持向量机的高速公路交通状态分类稳定,推广性也好,因此选择径向基核函数构建SVM方法模型,对其他核函数情况暂时不做深入分析。径向基核函数的基本形式如下:,'exp'/=??2。(1)事件检测是交通状态分类的基础,根据事件状态与()()非事件状态下高速公路交通流变化的不同特性,利用交该模型中包含c和g2个参数,分别为模型的惩罚通流参数设计输入向量,通过建立支持向量机模型来进参数和核函数的调节参数,参数寻优采用网格搜索算行交通事件的检测。?1010?1010法,在c∈(2,2)和g∈(2,2)中寻求c、g的最目前常用的支持向量机核函数主要有线性核函数、优搭配值,步长都设为1。多项式核函数、径向基核函数和Sigmoid核函数,各种基于支持向量机的高速公路交通事件检测结构如核函数性能的优劣视样本的具体情况而定,通过实验对图5所示。比,发现径向基核函数支持向量机的分类效果较好且较:..第5卷第10期746中国科技论文在线SCIENCEPAPERONLINE2010年10月输出(决策规则?S?y=sgn?∑αy·K()x,x+b?iii?i=1?权值wi=αiyi基于S个支持向量X1,X2,…,XS的非线性变换(内积)输入向量x=(x1,x2,…,xS)Ⅲ类交通状态,事件状态,事件对交通流的影响根据交通事件发生后对交通流产生影响和不同交程度一般,事件地点上游路段的服务水平为D级,交通通事件对交通流影响程度的不同,将高速公路交通运行流处于稳定交通流的较差部分,速度和驾驶自由度受到状态划分为5类:严格约束,驾驶的舒适度低下。第Ⅰ类交通状态,事件状态,事件对交通流的影响第Ⅳ类交通状态,事件状态,事件对交通流的影响程度很大,事件地点上游路段的服务水平为F级,交通程度较小,事件地点上游路段的服务水平为C级,交通处于强制流状态,车辆经常排成队,跟着前面的车辆走处于稳定流范围的中间部分,车辆之间有一定的相互影走停停,极不稳定。响,驾驶舒适度不高,驾驶员需谨慎留意其他车辆。第Ⅱ类交通状态,事件状态,事件对交通流的影响第Ⅴ类交通状态,非事件状态,交通流正常,事件程度较大,事件地点上游路段的服务水平为E级,交通地点上游路段的服务水平为B级以上,交通运行状态良流处于不稳定流状态。好,驾驶速度不受其他车辆的干扰,驾驶舒适度较高。,在使用SVM方法对事件样本量的数量可以用来表征我们对于交通状态分类的严格进行分类时,输入向量的选择是进行事件状态分类的基程度:设计较多的输入向量,方法拥有充分的信息支持,础,对分类的准确与否起着很重要的作用。设计输入向对于事件的感知能力也就越强,事件的检测率也就得到:..第5卷第10期2010年10月高速公路交通运行状态分类方法研究747了相应的提高但是平均检测时间增加;设计较少的输入游占有率ot-4、ot-3、ot-2、ot-1、ot,上游速度vt-4、vt-3、vt-2,向量,方法拥有的信息支持减少,对于事件的感知能力vt-1、vt,下游流量qt-2、qt-1、qt,下游占有率ot-2、ot-1、降低,事件检测率也随着降低,但平均检测时间却有所ot,下游速度vt-2、vt-1、vt。减少。通过控制输入向量的数目,可以调节事件与非事③对所建SVM模型进行训练、测试,若输出+1,件状态之间的分界线。根据这种原理,笔者设计一种新则为事件样本,若输出-1,则为非事件样本。的事件状态分类方法,其流程如图6所示。2)第二、三次分类①对事件样本进行处理,设计输入向量,选取合适①提取第一次分类得到的事件样本,划分新的训练的核函数与参数构建SVM模型,对所建模型进行训练、集与测试集。测试,将样本划分为事件状态与非事件状态2类,输出②设计事件检测的输入变量由15个节点组成,事为+1则为事件状态,输出为-1则为非事件状态;件发生位置上游检测站3个时间间隔、下游检测站2个②从第一步分类的结果中提取出事件状态样本,再时间间隔内所有车道平均流量、占有率和速度(每个时次设计输入向量进行分类,若输出为-1,则定为第Ⅲ间间隔为30s),即上游流量qt-2、qt-1、qt,上游占有率类交通状态,若输出为+1,则提取出来用于③;ot-2、ot-1、ot,上游速度vt-2、vt—1、vt,下游流量qt-1、qt③对于②提取的样本,再次设计输入向量进行分下游占有率ot-1、ot,下游速度vt-1、vt。类,若输出为-1,则定为第Ⅱ类交通状态,若输出为③再次分类,若输出-1,则定为第Ⅲ类交通状态,+1,则定为第Ⅰ类交通状态;若输出+1,选出该样本,继续下一步。④对于非事件样本,重新设计输入向量并进行分④设计事件检测的输入变量由9个节点组成,事件类,若输出为+1,则定为第Ⅳ类交通状态,若输出为发生位置上游检测站2个时间间隔、下游检测站1个时-1,则定为第Ⅴ类交通状态。间间隔内所有车道平均流量、占有率和速度(每个时间通过以上步骤,),即上游流量qt-1、qt,上游占有率ot-1、ot,所定义的交通状态结合起来,可以细致描述高速公路上游速度vt-1、vt-,下游流量qt,下游占有率ot,下游速上的交通情况,为事件的处理提供有利的决策支持,度vt。同时,第四步的增加还提高了交通事件的检测率,降⑤再次分类,若输出-1,则定为第Ⅱ类交通状态,低了误分率。若输出+1,则定为第Ⅰ类交通状态。3)第四次分类3实证研究①提取第一次分类得到的非事件样本,。为了检验所设计方法的可行性和有效性,采用美国②设计事件检测的输入变量由39个节点组成,事加利福尼亚州I-880数据库,通过Matlab仿真软件进行件发生位置上游检测站8个时间间隔、下游检测站5个仿真实验。通过对I-880数据的整理,挑选出45个事件时间间隔内所有车道平均流量、占有率和速度(每个时作为事件数据,其中,向北的事件22个,向南的23个。间间隔为30s),即上游流量qt-7、qt-6、qt-5、qt-4、qt-3、从事件开始到结束时间段内的所有交通流数据的状态qt-2、qt-1、qt,上游占有率ot-7、ot-6、ot-5、ot-4、ot-3、ot-2、皆为事件状态,因此都作为事件样本,其他无事件的交ot-1、ot,上游速度vt-7、vt--6、vt-5、vt-4、vt-3、v1-2、vt-1、v1,通流数据作为非事件样本。下游流量qt-4、qt-3、qt-2、qt-1、qt,下游占有率ot-4、ot-3、-2、ot-1、ot,下游速度vt-4、vt-3、vt-2、vt-1、vt。根据模型要求和算法步骤,针对I-880数据的实验③再次分类,若输出+1,则定为第Ⅳ类交通状态,设计如下:输出-1,则定为第Ⅴ类交通状态。1)①划分训练集与测试集。1)仿真实验②设计事件检测的输入变量由24个节点组成,事结果如表1和图7所示,其中DR为检测率(detection件发生位置上游检测站5个时间间隔、下游检测站3个rate),MCR为误分率(misclassificationrate),MTTD为时间间隔内所有车道平均流量、占有率和速度(每个时平均检测时间(meantimetodetect)。间间隔为30s),即上游流量qt-4、qt-3、qt-2、qt-1、qt,上:..第5卷第10期748中国科技论文在线SCIENCEPAPERONLINE2010年10月表1仿真实验分类结果Table1Simulationresultsofforeclassifications向北方向向南方向混合方向分类DR/%MCR/%MTTD/sDR/%MCR/%MTTD/sDR/%MCR/%MTTD/,但为了更加高效、有力地掌握高速公路交通运行状态,还应该对交通事件的类型进行鉴别。因此,下一步将针对高速公路交通事件类型的检测判断做深入研究。[参考文献](References)[1]ChenShuyan,WangWei,[J].ExpertSystemswithApplication,2009,36(8):10976-10986.[2]WangWei,ChenShuyan,[J].TransportationResearchPartC,2008,16(1):54-[3]YangMinghui,[J].TheJournalofChinaUniversities2)munications,2008,15(3):59-63.[4]郭倩,[J].表1是对交通状态进行四次分类之后的结果,其中计算机工程与应用,2008,44(35):203-;从第二、第三次GuoQian,,减少输入向量对事件样本单独分setsandsupportvectormachine[J].ComputerEngineeringand类,不但提高了检测率,降低了误分率,而且有效地降Applications,2008,44(35):203-205.(inChinese)[5]FangYuan,;从第四次分类结果可以看出,增加machines[J].TransportationResearchPartC,2003,11(3/4):输入向量数目对第一次分类中得到的非事件样本单独309-,可以有效地分离出影响较小的交通事件,在总体[6]梁新荣,刘智勇,孙德山,,降低误分率,但检测时间较长。测[J].计算机工程与应用,2006,42(14):212-,LiuZhiyong,SunDeshan,,通过该表detectionbasedonsupportvectormachines[J].Computer我们可以直观的发现该段高速公路在该时间段内的交EngineeringandApplication,2006,42(14):212-214.(inChinese)通运行状况。[7][J].中国公路学报,2006,19(6):107-[J].ChinaJournalofHighwayandTransport,2006,19(6):利用支持向量机分类原理,在研究事件检测方法的107-112.(inChinese)基础上针对现有基于支持向量机的事件检测研究中存[8]裴瑞平,梁新荣,-SVM的事件检测在的几个问题,设计了一种基于支持向量机的高速公路算法[J].计算机工程与应用,2007,43(1):229-,LiangXinrong,,并通过实例验证了该方法的可algorithmbasedonwavelettransformandLS-SVM[J].Computer行性和有效性,一方面通过进一步分离出小影响交通事EngineeringandApplication,2007,43(1):229-231.(inChinese)件提高检测率、降低误分率;另一方面将事件状态进一步细分,更好地描述高速公路上交通状态,同时为突发事件的应急处理提供有效的决策支持。