基于GA-MSVM的高速公路交通事件自動(dòng)檢測(cè)算法研究.pdf

1、截至2011年底,我國(guó)高速公路總里程達(dá)8.5萬(wàn)公里。居民的出行和貨物的運(yùn)輸愈加便利,但高速公路交通事件的發(fā)生頻率隨之也越來(lái)越高。高速公路發(fā)生交通事件不僅會(huì)造成人員傷亡、貨物損失和設(shè)備損壞,還會(huì)導(dǎo)致局部車(chē)道的阻塞,使局部或者整個(gè)路段的通行能力嚴(yán)重下降,并會(huì)引起行車(chē)延誤,甚至導(dǎo)致二次事故的發(fā)生,嚴(yán)重降低了高速公路的整體通行能力和運(yùn)營(yíng)效率。
　　 高速公路交通事件自動(dòng)檢測(cè)(AID)系統(tǒng)有利于減少二次交通事件的發(fā)生幾率,減少交通事件帶來(lái)

2、的不便,減少延誤,減少有害氣體的排放和緩解交通事件當(dāng)事人的緊張心理。迄今為止,各國(guó)已經(jīng)開(kāi)發(fā)出多種高速公路交通事件檢測(cè)算法,但總體看來(lái)經(jīng)典算法的結(jié)果并不令人滿意,因此開(kāi)發(fā)具有更高檢測(cè)率、更低誤檢率且具有良好可移植性的事件檢測(cè)算法是很必要的。
　　 目前,高速公路交通事件自動(dòng)檢測(cè)算法以神經(jīng)網(wǎng)絡(luò)算法和支持向量機(jī)(SVM)算法為主。神經(jīng)網(wǎng)絡(luò)算法比較成熟,但是仍存在著一些缺陷,例如動(dòng)態(tài)性能差,移植性差,對(duì)訓(xùn)練數(shù)據(jù)的依賴性較強(qiáng),且模型的推廣

3、能力有限等。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比,SVM采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理,取得較小的實(shí)際風(fēng)險(xiǎn),具有更強(qiáng)的泛化能力。
　　 本文研究的是一種基于遺傳算法優(yōu)化的支持向量機(jī)多分類(lèi)器(GA-MSVM)高速公路交通事件自動(dòng)檢測(cè)算法。傳統(tǒng)的支持向量機(jī)算法常用于解決二分類(lèi)問(wèn)題,即判斷有無(wú)事件兩種狀態(tài)。為了更加細(xì)致地了解高速公路交通運(yùn)行狀態(tài),為突發(fā)事件的應(yīng)急處理提供更加高效、可靠的決策支持,本文根據(jù)高速公路交通事件的發(fā)生過(guò)程,將其分為自由流狀態(tài)、交通擁堵加

4、劇狀態(tài)、交通擁堵消散狀態(tài)三個(gè)狀態(tài)。該算法將單個(gè)支持向量機(jī)模型進(jìn)行混和之后來(lái)解決多分類(lèi)問(wèn)題,其中SVM的核函數(shù)參數(shù)是經(jīng)過(guò)遺傳算法(GA)優(yōu)化選取而來(lái)的。
　　 本文運(yùn)用VISSIM仿真軟件采集高速公路交通事件各階段的原始數(shù)據(jù)仿真值,運(yùn)用歸一化處理及主成分分析法對(duì)交通輸入特征向量進(jìn)行降維預(yù)處理,構(gòu)建了支持向量機(jī)多分類(lèi)器事件檢測(cè)模型,并運(yùn)用遺傳算法優(yōu)化選取混合支持向量機(jī)模型參數(shù)。此算法降低了算法的復(fù)雜度,使得分類(lèi)準(zhǔn)確率更高,效果更優(yōu),