专利名称：基于多种神经网络分类器投票的城市道路交通状态检测方法
技术领域：
本发明涉及一种城市道路交通状态检测方法。
背景技术：
城市道路交通的运营管理中存在的最为突出的问题是交通拥挤和交通事故。通过对交通状态检测算法进行研究，可以减少交通事件对公路运行带来的负面效应。通过对交通状态的快速检测、并运用交通流诱导、交通控制等手段，可以在全局上最大限度地减少交通拥堵对路网运行产生的不良影响，避免拥堵状态的扩大，确保车辆安全、舒适地行驶。
国内外研究者对城市道路和高速公路的交通状态判别做了一些研究。最早使用的 自动事件检测算法是加利福尼亚算法。该方法通过比较邻近环型线圈检测器获得的占有率数据，对可能存在的突发交通事件进行判别。Li和McDonald提出了一种基于浮动车的高速公路交通事件检测算法。该算法基于平均行程时间和相邻两时段平均行程时间差双变量分析模型而设计。史忠科等采用扩展Kalman滤波方法对高速公路交通密度进行预测。王国林等使用一种面向全景视频的交通状态检测方法。窦慧丽等提出了一种交通状态预报的K近邻非参数回归模型用于城市道路不同预报时长的分级交通状态的概率预报实验。皮晓亮等采用聚类分析方法，实现了一种基于环形线圈检测器采集信息的交通状态分类方法。庄斌等分析路段上环形线圈采集到的占有率数据，给出城市道路路段上交通拥挤的平均占有率自动检测算法。
发明内容
为了克服已有城市道路交通状态检测方法的准确性较差的不足，本发明提供一种有效提高准确性的基于多种神经网络分类器投票的城市道路交通状态检测方法。本发明解决其技术问题所采用的技术方案是一种基于多种神经网络分类器投票的城市道路交通状态检测方法，所述检测方法包括以下步骤I)交通特征参数包括车辆平均速度V (m/s)、车流量f(veh/s)、时间占有率S、行程时间t (S)，分别定义为v = SiZij i = i_2 ,Ur,(I)
nT、yf =与,(2)s =(3)t=t2-t1,(4)上式中，Vi为每辆车经过某断面的车速，T为设定的收集数据的时间间隔，nT为时间间隔T内通过该断面的车辆总个数为车辆开始进入该设定路段的时刻，t2为车辆完全通过该路段的时刻；式(I)表示在指定的时间间隔内在固定的观测地点测得的车速的平均值；式(2)表示单位时间内该路段通过的车辆个数；式(3)表示车辆通过该路段的总得时间占固定时间间隔T的比率，即时间占有率；式(4)定义了行程时间；行程时间表示车辆通过道路某一路段所需的总时间，包括行驶时间和延误时间。实时监测路段的交通特征参数，并提取交通特征参数，得到测试样本集；2)采用SVM、BP、SVM-BP级联分类器相融合的分类方法，具体如下2. I)运用SVM训练函数分别进行训练后和测试集样本数据一起被输入到SVM分类函数中，检测出当前交通状态，过程如下(2. I. I)对速度、流量、占有率、行程时间四个输入特征参数设置权重，即对交通状态影响大的特征参数速度和流量数据相乘的积，作为一个新的输入特征维，使SVM训练输入参数维数增加到5维，再对交通数据样本集的数据归一化；(2. 1.2)利用归一化后的训练集样本训练SVM分类器，利用交叉验证的思想找出 优化后的参数C、Y，得到交通状态分类器。参数Y是多项式、高斯径向基、两层感知机(Sigmoid)核函数的Y参数。参数C是设置SVM的惩罚参数，惩罚参数C为非负数；(2. I. 3)利用测试样本集数据和训练得到的分类器进行测试，判定属于畅通状态、繁忙状态或拥堵状态；2. 2)利用BP神经网络方法训练并对测试样本集集进行测试(2. 2. I)对测试样本集的数据归一化；(2. 2. 2)利用归一化后的训练集样本训练BP神经网络分类器，得到交通状态分类器；所述分类器是一个三层的前馈网络，输入层有4个节点，代表输入的4个道路交通特征，隐层有12个节点，输出层有3个节点，代表3种交通状态类型，即畅通状态、繁忙状态或拥堵状态，隐层和输出层的激活函数采用Sigmoid函数；(2. 2. 3)利用测试集样本和训练得到的分类器进行测试，判定属于畅通状态、繁忙状态和拥堵状态；2. 3)将测试样本集输入SVM-BP的两层级联分类器；所述的SVM-BP的两层级联分类器包括以下处理过程(2. 3. I)运用SVM训练函数分别进行训练后和测试集样本数据一起被输入到SVM分类函数中，检测出当前交通状态，过程如下(2. 3. I. I)对速度、流量、占有率、行程时间四个输入特征参数设置权重，即对交通状态影响大的特征参数速度和流量数据相乘的积，作为一个新的输入特征维，使SVM训练输入参数维数增加到5维，再对交通数据样本集的数据归一化；(2. 3. I. 2)利用归一化后的训练集样本训练SVM分类器，利用交叉验证的思想找出优化后的参数C、Y，得到交通状态分类器。参数Y是多项式、高斯径向基、两层感知机(Sigmoid)核函数的Y参数。参数C是设置SVM的惩罚参数，惩罚参数C为非负数；(2. 3. I. 3)利用测试样本集数据和训练得到的分类器进行测试，判定是否属于畅通状态，如果是，则判定当前状态为畅通状态，如果否，则进入2. 3. 2)；(2. 3. 2)利用BP神经网络方法训练并对测试样本集集进行测试(2. 3. 2. I)对测试样本集的数据归一化；(2. 3. 2. 2)利用归一化后的训练集样本训练BP神经网络分类器，得到交通状态分类器；所述分类器是一个三层的前馈网络，输入层有4个节点，代表输入的4个道路交通特征，隐层有12个节点，输出层有2个节点，代表2种交通状态类型，即繁忙状态或拥堵状态，隐层和输出层的激活函数采用Sigmoid函数；(2. 3. 2. 3)利用测试集样本和训练得到的分类器进行测试，判定属于繁忙状态和拥堵状态；2. 4)若步骤2. I)、2. 2)、2. 3)的分类类别相同，则将该检测样本归为此类；如果其中2个类别相同，那么将类别相同的2个权值之和与不同类别的权值进行比较，以确定两者较大的值为分类结果；如果3个类别都不相同，那么将权值最高的分类器所识别的结果作为融合后的结果。进一步，所述步骤(2. 2. 3)和(2. 3. 2. 3)中，利用时间序列，通过对多个连续时间点的分类结果进行融合，得到最终的判别结果，具体过程如下a、采用SVM分类器或SVM-BP分类器作为测试的基础分类器； b、对最初n次数据样本进行分类并记录分类结果，其结果即作为最终判别结果进行发布；C、在记录第n+1次数据样本分类结果后，采用集成学习的投票方式，对前n+1个分类结果进行投票，得出一个判别结果，作为第n+1次数据样本的判别状态进行发布。本发明的技术构思为对于我国城市快速道路车辆密度高、间距小、车速较低、常发性的交通拥堵路段多的运行状况，本文利用了 SVM、BP网络分类算法融合，设计一个SVM、BP、SVM-BP级联分类器投票融合的分类方法。利用SVM分类器将我国城市道路交通的特征参数预处理后作为训练分类器的样本，设置输入特征参数的权重，优化SVM参数，将交通状态分类出来；再利用BP神经网络将交通状态分类出来；接着，采用SVM-BP级联分类器，利用SVM分类器将我国城市道路交通的特征参数预处理后作为训练分类器的样本，设置输入特征参数的权重，优化SVM参数，将畅通状态分类出来，再利用BP神经网络对第一层分类器未分类的繁忙与拥堵状态分类；对同一个测试集样本，若3个分类器的分类类别相同，则将该检测样本归为此类；如果其中2个类别相同，那么将类别相同的2个权值之和与不同类别的权值进行比较，以确定两者较大的值为分类结果；如果3个类别都不相同，那么将权值最高的分类器所识别的结果作为融合后的结果。该方法能够有效地提高城市交通状态检测准确性。本发明的有益效果主要表现在有效地提高城市交通状态检测准确性。
图I是支持向量机的结构的示意图。图2是BP神经网络的拓扑结构示意图。图3是交通数据样本各特征参数数据分布图。
具体实施例方式下面结合附图对本发明作进一步描述。参照图I 图3，一种融合SVM与BP神经网络的城市道路交通状态检测方法，交通特征参数主要包括车辆平均速度、车流量、车辆时间占有率等。交通参数检测的方法很多，主要有超声波检测、红外检测、环形感应圈检测、计算机视觉检测。超声波检测精度不高，容易受车辆遮挡和行人的影响，检测的距离短(一般不超过12m)。红外线检测受车辆本身热源的影响，抗噪声的能力不强，检测精度不高。环形感应器检测精度高，但要求设置于路面土木结构中，对路面有损坏，施工和安装不便，而且安装的数量多。计算机视觉检测近年来随着计算机技术、图像处理、人工智能、模式识别等技术的不断发展，在交通流检测中获得越来越广泛的应用。该课题的交通参数数据来自杭州市公交部门提供的杭州城区主要道路的微波数据和视频数据及软件VISSIM仿真得到的数据。特征参数车辆平均速度V (m/s)、车流量f(veh/s)、时间占有率S、行程时间t(s)的定义为
权利要求
1.一种基于多种神经网络分类器投票的城市道路交通状态检测方法，其特征在于所述检测方法包括以下步骤 1)交通特征参数包括车辆平均速度V(m/s)、车流量f(veh/s)、时间占有率S、行程时间t (S)，分别定义为
2.如权利要求I所述的基于多种神经网络分类器投票的城市道路交通状态检测方法，其特征在于所述步骤(2. 2. 3)和(2. 3. 2. 3)中，利用时间序列，通过对多个连续时间点的分类结果进行融合，得到最终的判别结果，具体过程如下 a、采用SVM分类器或SVM-BP分类器作为测试的基础分类器； b、对最初n次数据样本进行分类并记录分类结果，其结果即作为最终判别结果进行发布； C、在记录第n+1次数据样本分类结果后，采用集成学习的投票方式，对前n+1个分类结果进行投票，得出一个判别结果，作为第n+1次数据样本的判别状态进行发布。
全文摘要
一种基于多种神经网络分类器投票的城市道路交通状态检测方法，包括以下步骤1)交通特征参数包括车辆平均速度v(m/s)、车流量f(veh/s)、时间占有率s、行程时间t(s)；实时监测路段的交通特征参数，并提取交通特征参数，得到测试样本集；2)采用SVM、BP、SVM-BP级联分类器投票融合的分类方法，采用SVM分类器、BP神经网路、SVM-BP级联分类器分别进行分类，如果三个的类别相同，则将该检测样本归为此类；如果其中2个类别相同，那么将类别相同的2个权值之和与不同类别的权值进行比较，以确定两者较大的值为分类结果；如果3个类别都不相同，那么将权值最高的分类器所识别的结果作为融合后的结果。本发明能有效提高准确性。
文档编号G08G1/01GK102750824SQ201210206558
公开日2012年10月24日 申请日期2012年6月19日 优先权日2012年6月19日
发明者孟利民, 彭宏, 杜克林, 王辉, 裘加林, 韩露莎, 马进田, 麻锐 申请人:银江股份有限公司