CN101271625A - 集成支持向量机检测高速公路交通事件的方法 - Google Patents
集成支持向量机检测高速公路交通事件的方法 Download PDFInfo
- Publication number
- CN101271625A CN101271625A CNA2008100232361A CN200810023236A CN101271625A CN 101271625 A CN101271625 A CN 101271625A CN A2008100232361 A CNA2008100232361 A CN A2008100232361A CN 200810023236 A CN200810023236 A CN 200810023236A CN 101271625 A CN101271625 A CN 101271625A
- Authority
- CN
- China
- Prior art keywords
- vector machine
- support vector
- traffic
- incident
- detecting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
集成支持向量机检测高速公路交通事件的方法可显著提高检测系统的检测能力,并且避免了对支持向量机训练参数寻优而增加的时间开销。其方法是采用Boosting或Bagging方法训练多个支持向量机,训练支持向量机的每个实例包括检测区域上游检测站和下游检测站的交通流量、占有率、速度以及交通状态,交通状态取值1或-1,分别表示事件发生或无事件发生;使用每个支持向量机判定交通事件是否发生;而后通过多数表决或加权表决合成各个支持向量机的判定结果,根据合成结果判断高速公路检测区当前交通状态,由此检测事件的有无。
Description
技术领域
本发明基于支持向量机和集成学习技术,提出一种通过集成支持向量机自动检测高速公路交通事件的方法,涉及交通智能管理和控制技术。
背景技术
我国交通问题日益严重,交通事件频发、交通拥堵严重,由此引起的生产力损失、财产损失、人身伤害达数亿万元,已严重影响了城市的可持续发展和人民生命和财产的安全,成为一个急待解决的社会问题。交通事件自动检测(Automatic Incident Detection,AID)是现代交通监控系统的重要组成部分,对道路交通安全具有极为重要的意义。自20世纪60年代开始,交通事件自动检测研究就受到各国交通工程专家的重视,基于交通流理论、模式识别、时间序列和统计技术等已提出多种交通事件自动检测算法。自20世纪90年代开始,人工神经网络、模糊逻辑和支持向量机等先进的信息处理技术也逐渐被引入AID领域。
尽管目前多个交通事件自动检测系统已开发并投入使用,但是居高不下的误警率和令人失望的检测效果,限制了AID系统的应用,迫切需要研究新的技术和方法。支持向量机(Support Vector Machine,SVM)具有优秀的分类性能,通过对交通状态进行分类,从而实现交通事件的自动检测。但是,SVM的核函数及其参数对分类性能有很大影响,如何选择合适的核函数及其参数是一挑战性的工作,目前一般是通过大量费力耗时的实验摸索,因此,SVM的应用效果完全依赖于使用者的经验,这就影响了其检测交通事件的能力,限制了它的应用。
发明内容
技术问题:为了克服上述方法的缺陷,本发明提出了一种集成支持向量机检测高速公路交通事件的方法,可显著提高检测系统的检测能力,并且避免了对支持向量训练参数寻优而增加的时间开销。
技术方案:本发明的集成支持向量机检测高速公路交通事件的具体方法为:
训练多个支持向量机,使用每个支持向量机判定交通事件是否发生;而后合成各个支持向量机的判定结果,根据合成结果判断高速公路检测区当前交通状态,由此检测事件的有无。
集成支持向量机有两个关键的问题,一是如何生成集成中的个体支持向量机,二是怎样结合多个支持向量机的判定结果?方法如下:
训练多个支持向量机采用Boosting或Bagging方法训练生成;训练支持向量机的每个实例包括检测区域上游检测站和下游检测站的交通流量、占有率、速度以及交通状态;交通状态取值1或-1,分别表示事件发生或无事件发生。
使用每个支持向量机判定交通事件是否发生时,大于0表示事件发生,否则无事件发生。
合成各个支持向量机的判定结果的方法是通过多数表决或加权表决合成各个支持向量机的判定结果,使用加权表决时,各个支持向量机的权重通过线性、非线性动态规划及神经网络等方法确定。
根据合成结果判断高速公路检测区当前交通状态的方法是:若合成大于0表示检测区内发生事件,否则为正常交通运行状态。
有益效果:集成通过训练多个支持向量机并将各个个体的判定结果进行合成,可显著提高检测系统的检测能力,并且避免了对支持向量训练参数寻优而增加的时间开销。此外,在实际应用时,我们无法预先知道哪个支持向量机检测性能最好,因此使用支持向量机集成具有实际应用价值。集成效果显著,即使是缺乏支持向量机使用经验的普通工程技术人员也可从中受益。因此,该技术是一种非常有效的工程化方法。
附图说明
图1是本发明的生成支持向量机集成的步骤流程图,
图2是本发明使用支持向量机集成检测事件的步骤流程图,其中:k是集成所含的支持向量机个数。
具体实施方式
下面将参考附图具体说明发明的实施方式。
在集成中个体支持向量机的生成,最经典而重要的技术是Boosting和Bagging方法。在Boosting算法中,各支持向量机的训练集由在其之前产生的支持向量机的表现决定,被已有支持向量机错误判断的示例将以较大的概率出现在新支持向量机的训练集中。这样,新支持向量机将能够很好地处理对已有支持向量机来说很困难的示例。
Bagging是与Boosting相似的技术,其基础是可重复取样。在该方法中,各支持向量机的训练集从原始训练集中随机选取,训练集的规模通常与原始训练集相当,训练例允许重复选取。因此,原始训练集中某些示例可能包含在多个新的训练集中,也可能不在任何一个新的训练集中。Bagging方法通过重复选取训练集增加了支持向量机集成的差异度,从而提高了泛化能力。
个体支持向量机的训练集中每个实例有多个属性,包括检测区域上游检测站和下游检测站的交通流量、占有率、速度、检测区交通状态。交通状态用1或-1,分别表示事件发生或无事件发生。使用已训练的支持向量机判定交通状态时,当其输出大于0表示事件发生,否则无事件发生。
集成的输出由各个支持向量机的判定通过多数表决或加权表决产生。设训练了M个支持向量机,fk(x)(k=1,2,…,M)是第k个支持向量机对于实例x的判定结果,即fk∈{-1,1},采用多数表决,则支持向量机的合成为,
其中,sgn(·)是符号函数,自变量大于0时返回1,否则返回-1。
若采用加权表决,设wk(k=1,2,…,M)是第k个支持向量机的权重,则支持向量机的合成为,
各个支持向量机的权重可以通过线性、非线性动态规划及神经网络等方法确定通过线性、非线性动态规划及神经网络等方法确定。
本实验用加利福尼亚旧金山海湾地区的I-880高速公路上采集的真实交通数据(I-880数据)测试该发明所述方法检测交通事件的性能。数据每隔30秒采集一次,包括上下游的交通流量、速度和车道占有率,每个实例有7个属性。现有45个事件范例,其中随机选择22个范例(2100个实例)用于训练,与43418个正常事件数据合并作为训练集,剩下的23个范例(2036个实例)与43102个正常事件数据合并用作检测集。
首先,使用训练数据集分别训练若干个具有不同核函数的SVM分类器,各个核函数的参数和SVM参数,即惩罚参数C,在有效范围内随机产生,一共训练了92个使用多项式核的SVM分类器,36个使用径向基函数核的SVM分类器,48个使用Sigmoid核的SVM分类器。现在测试集上测试所有分类器检测交通事件的能力,评价指标有检测率DR、误警率FAR和平均检测时间MTTD。每一类SVM分类器的平均测试结果见表1。有一半使用Sigmoid核的SVM分类器检测率DR=0,误警率FAR=0,删除这些极端SVM分类器,计算SVM分类器的平均检测率、平均误警率和平均检测时间,见表中最后一行。
表1.具有不同核函数的SVM分类器检测事件的性能
核函数 | DR(%) | FAR(%) | MTTD(分钟) |
多项式核 | 83.37 | 1.55 | 6.32 |
径向基函数核 | 83.09 | 1.60 | 3.67 |
Sigmoid核 | 24.73 | 0.07 | 13.38 |
平均 | 76.78 | 1.40 | 6.44 |
其次,基于Bagging方法训练SVM集成中的个体,为了提高个体之间的差异,从而提高集成的分类性能,SVM的核函数及其参数均使用随机方法产生。每个集成由7个SVM个体组成,集成输出分别采用多数表决和加权表决,在加权表决中使用1/7作为个体权重。一共生成10个SVM集成,现用相同的测试数据评价每个集成的性能,并求集成的平均检测性能,见表2前两行。
而后,基于Boosting方法产生SVM集成中的个体,集成大小k从集合{3,4,5,7,9,11,13,15}中随机产生,一共得到10个SVM集成。集成输出分别采用多数表决和加权表决,在加权表决中每个个体权重根据其训练误差得到。现用相同的测试数据评价每个集成的性能,并求集成的平均检测性能,见表2最后两行。
表2.基于Bagging的SVM集成检测事件的性能
比较表1和表2,可以看出,SVM集成的平均检测率为84.78%,平均检测时间为3.91分钟,明显优于单个SVM的平均检测率76.78%,平均检测时间6.44分钟。不过,SVM集成的平均误警率为1.81%,劣于单个SVM的平均误警率1.40%,但是两者仅差0.41,而且,1.81%的误警率并不高,在可接受范围内。值得注意的是,在实际运用SVM检测交通事件时,我们无法预先知道使用什么样的核函数和参数有最好的检测性能,而SVM集成不需要对核函数和参数寻优,并且集成可以获得比单个SVM更好的的性能,检测率高,平均检测时间短。鉴于此,我们认为SVM集成在检测事件中优于单个SVM分类器。
Claims (4)
1.一种集成支持向量机检测高速公路交通事件的方法,其特征在于训练多个支持向量机,使用每个支持向量机判定交通事件是否发生;而后合成各个支持向量机的判定结果,根据合成结果判断高速公路检测区当前交通状态,由此检测事件的有无;多个支持向量机采用Boosting或Bagging方法训练生成;训练支持向量机的每个实例包括检测区域上游检测站和下游检测站的交通流量、占有率、速度以及交通状态;交通状态取值1或-1,分别表示事件发生或无事件发生。
2.按权利要求1所述的集成支持向量机检测高速公路交通事件的方法,其特征在于使用每个支持向量机判定交通事件是否发生时,大于0表示事件发生,否则无事件发生。
3.按权利要求1所述的集成支持向量机检测高速公路交通事件的方法,其特征在于合成各个支持向量机的判定结果的方法是通过多数表决或加权表决合成各个支持向量机的判定结果,使用加权表决时,各个支持向量机的权重通过线性、非线性动态规划及神经网络等方法确定。
4.按权利要求1所述的集成支持向量机检测高速公路交通事件的方法,其特征在于根据合成结果判断高速公路检测区当前交通状态的方法是:若合成大于0表示检测区内发生事件,否则为正常交通运行状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008100232361A CN101271625A (zh) | 2008-04-03 | 2008-04-03 | 集成支持向量机检测高速公路交通事件的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008100232361A CN101271625A (zh) | 2008-04-03 | 2008-04-03 | 集成支持向量机检测高速公路交通事件的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101271625A true CN101271625A (zh) | 2008-09-24 |
Family
ID=40005572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2008100232361A Pending CN101271625A (zh) | 2008-04-03 | 2008-04-03 | 集成支持向量机检测高速公路交通事件的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101271625A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270279A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种短期电力负荷预测方法 |
CN101533559B (zh) * | 2009-04-14 | 2012-02-15 | 中国科学院计算技术研究所 | 车辆通过检测方法和道路用灯控制的方法以及相应系统 |
CN102360525A (zh) * | 2011-09-28 | 2012-02-22 | 东南大学 | 基于判别分析的快速道路实时交通事故风险预测方法 |
CN102637363A (zh) * | 2012-04-11 | 2012-08-15 | 天津大学 | 基于支持向量机的道路车辆行驶速度预测方法 |
CN103903441A (zh) * | 2014-04-04 | 2014-07-02 | 山东省计算中心 | 一种基于半监督学习的道路交通状态判别方法 |
CN103927874A (zh) * | 2014-04-29 | 2014-07-16 | 东南大学 | 基于欠抽样面向不平衡数据集的交通事件自动检测方法 |
CN104809465A (zh) * | 2014-01-23 | 2015-07-29 | 北京三星通信技术研究有限公司 | 分类器训练方法、目标检测、分割或分类方法和装置 |
CN108198415A (zh) * | 2017-12-28 | 2018-06-22 | 同济大学 | 一种基于深度学习的城市快速路事故预测方法 |
CN108710967A (zh) * | 2018-04-19 | 2018-10-26 | 东南大学 | 基于数据融合和支持向量机的高速路交通事故严重度预测方法 |
CN110111563A (zh) * | 2019-04-08 | 2019-08-09 | 东南大学 | 一种城市快速路的实时交通状态估计方法 |
TWI690440B (zh) * | 2018-10-17 | 2020-04-11 | 財團法人車輛研究測試中心 | 基於支持向量機之路口智慧駕駛方法及其系統 |
CN111247565A (zh) * | 2017-09-06 | 2020-06-05 | 瑞士再保险有限公司 | 用于移动远程信息处理装置的电子日志记录和跟踪识别系统及其对应方法 |
-
2008
- 2008-04-03 CN CNA2008100232361A patent/CN101271625A/zh active Pending
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101533559B (zh) * | 2009-04-14 | 2012-02-15 | 中国科学院计算技术研究所 | 车辆通过检测方法和道路用灯控制的方法以及相应系统 |
CN102270279A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种短期电力负荷预测方法 |
CN102360525A (zh) * | 2011-09-28 | 2012-02-22 | 东南大学 | 基于判别分析的快速道路实时交通事故风险预测方法 |
CN102360525B (zh) * | 2011-09-28 | 2013-10-16 | 东南大学 | 基于判别分析的快速道路实时交通事故风险预测方法 |
CN102637363A (zh) * | 2012-04-11 | 2012-08-15 | 天津大学 | 基于支持向量机的道路车辆行驶速度预测方法 |
CN104809465A (zh) * | 2014-01-23 | 2015-07-29 | 北京三星通信技术研究有限公司 | 分类器训练方法、目标检测、分割或分类方法和装置 |
CN103903441A (zh) * | 2014-04-04 | 2014-07-02 | 山东省计算中心 | 一种基于半监督学习的道路交通状态判别方法 |
CN103927874A (zh) * | 2014-04-29 | 2014-07-16 | 东南大学 | 基于欠抽样面向不平衡数据集的交通事件自动检测方法 |
CN111247565A (zh) * | 2017-09-06 | 2020-06-05 | 瑞士再保险有限公司 | 用于移动远程信息处理装置的电子日志记录和跟踪识别系统及其对应方法 |
CN111247565B (zh) * | 2017-09-06 | 2022-06-03 | 瑞士再保险有限公司 | 用于移动远程信息处理装置的电子日志记录和跟踪检测系统及其对应方法 |
CN108198415A (zh) * | 2017-12-28 | 2018-06-22 | 同济大学 | 一种基于深度学习的城市快速路事故预测方法 |
CN108710967A (zh) * | 2018-04-19 | 2018-10-26 | 东南大学 | 基于数据融合和支持向量机的高速路交通事故严重度预测方法 |
CN108710967B (zh) * | 2018-04-19 | 2021-07-27 | 东南大学 | 基于数据融合和支持向量机的高速路交通事故严重度预测方法 |
TWI690440B (zh) * | 2018-10-17 | 2020-04-11 | 財團法人車輛研究測試中心 | 基於支持向量機之路口智慧駕駛方法及其系統 |
CN110111563A (zh) * | 2019-04-08 | 2019-08-09 | 东南大学 | 一种城市快速路的实时交通状态估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101271625A (zh) | 集成支持向量机检测高速公路交通事件的方法 | |
CN108986869B (zh) | 一种使用多模型预测的磁盘故障检测方法 | |
CN106168799B (zh) | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 | |
CN103955750B (zh) | 基于特征融合和粒子滤波的滚动轴承剩余寿命预测方法 | |
Li et al. | A fuzzy logic‐based variable speed limit controller | |
CN107784276B (zh) | 微震事件识别方法和装置 | |
CN102663264B (zh) | 桥梁结构健康监测静态参数的半监督协同评估方法 | |
CN102436740A (zh) | 一种高速公路交通事件自动检测方法 | |
CN104376400A (zh) | 基于模糊矩阵层次分析法的风险评估方法 | |
CN106897826A (zh) | 一种交通事故风险评估方法及系统 | |
CN102879677A (zh) | 基于粗糙贝叶斯网络分类器的智能故障诊断方法 | |
CN103095494A (zh) | 一种电力通信网风险评估方法 | |
CN103091603A (zh) | 一种输电线路故障智能分类和定位方法 | |
CN106776884A (zh) | 一种基于多标签组合多分类器的恐怖行为预测方法 | |
CN109118119A (zh) | 风控模型生成方法及装置 | |
CN102200981B (zh) | 面向多层文本分类的特征选择方法和装置 | |
CN100481153C (zh) | 基于偏最小二乘原理的高速公路交通事件自动检测方法 | |
Park et al. | Large imbalance data classification based on mapreduce for traffic accident prediction | |
CN103927874A (zh) | 基于欠抽样面向不平衡数据集的交通事件自动检测方法 | |
CN101871994A (zh) | 多分数阶信息融合的模拟电路故障诊断方法 | |
CN106271881A (zh) | 一种基于SAEs和K‑means的刀具破损监测方法 | |
CN105447520A (zh) | 一种基于加权投影对支持向量机的样本分类方法 | |
Binglei et al. | Fuzzy-logic-based traffic incident detection algorithm for freeway | |
KR102564191B1 (ko) | 실시간으로 재난 상황을 감지하고 대응하는 재난 대응 시스템 | |
CN105241665A (zh) | 一种基于IRBFNN-AdaBoost分类器的滚动轴承故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20080924 |