CN102737508B - 一种融合svm与bp神经网络的城市道路交通状态检测方法 - Google Patents

Abstract

一种融合SVM与BP神经网络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ν(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)将测试样本集输入SVM1-SVM2/BP的两层级联分类器，包括以下处理过程：2.1)运用SVM1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SVM1分类函数中，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2.2)；2.2)对测试样本集进行第二层的SVM2与BP网络分类器的投票融合分类，判定属于繁忙状态和拥堵状态。本发明能有效提高准确性。

Description

一种融合SVM与BP神经网络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融合SVM与BP神经网络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：

一种融合SVM与BP神经网络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：

1)交通特征参数包括车辆平均速度ν(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

$\mathrm{\ν}=\frac{{\mathrm{\Σ}}_{i=1}^{n_{\mathrm{\τ}}}{\mathrm{\ν}}_i}{n_{\mathrm{\τ}}},$ i=1，2，...n_τ，                         (1)

$f=\frac{n_{\mathrm{\τ}}}{\mathrm{\τ}},---\left(2\right)$

$s=\frac{t_2-t_1}{\mathrm{\τ}},---\left(3\right)$

t=t₂-t₁，                            (4)

上式中，ν_i为每辆车经过某断面的车速，τ为设定的收集数据的时间间隔，n_τ为时间间隔τ内通过该断面的车辆总个数，t₁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(1)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τ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)将测试样本集输入SVM1-SVM2/BP的两层级联分类器；

所述的SVM1-SVM2/BP的两层级联分类器包括以下处理过程：

2.1)运用SVM1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 1分类函数中，检测出当前交通状态，过程如下：

(2.1.1)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SVM1分类器，利用交叉验证的思想找出优化后的参数C、γ，得到交通状态分类器。参数γ是多项式、高斯径向基、两层感知机(Sigmoid)核函数的γ参数。参数C是设置SVM的惩罚参数。惩罚参数C为非负数；

(2.1.3)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2.2)；

2.2)对测试样本集进行第二层的SVM2与BP网络分类器的投票融合分类，具体包括以下过程：

(2.2.1)运用SVM2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 2分类函数中，检测出当前交通状态，包括如下过程：

(2.2.1.1)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；

(2.2.1.2)利用归一化后的训练集样本训练SVM2分类器，利用交叉验证的思想找出优化后的参数C、γ，得到交通状态分类器。参数γ是多项式、高斯径向基、两层感知机(Sigmoid)核函数的γ参数。参数C是设置SVM的惩罚参数。惩罚参数C为非负数；

(2.2.1.3)利用测试样本集数据和训练得到的分类器进行测试，判定属于繁忙状态和拥挤状态；

(2.2.2)利用BP神经网络方法训练并对测试样本集进行测试，具体如下：

(2.2.2.1)对测试样本集的数据归一化；

(2.2.2.2)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2个节点，代表2种交通状态类型，隐层和输出层的激活函数采用Sigmoid函数；

(2.2.2.3)利用测试集样本和训练得到的分类器进行测试，判定属于繁忙状态和拥堵状态；

(2.2.3)利用BP神经网络方法训练并对测试样本集进行测试，具体如下：若(2.2.1)和(2.2.2)的分类类别相同，则将该检测样本归为此类；如果两个类别不相同，则将权值高的分类器所识别的结果作为投票的结果。

进一步，所述步骤(2.2.1.3)和(2.2.2.3)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SVM1、SVM2、BP网络分类算法融合，设计一个两层级联分类器，对城市道路交通状态进行分类判断。首先，利用SVM1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SVM1参数，将畅通状态分类出来。对第一层未检测分类出来的繁忙与拥堵的测试集样本进行第二层的SVM2与BP网络分类器的投票融合分类。第二层的投票规则是对同一个测试集样本，若两个分类器的分类类别相同，则将该检测样本归为此类；如果两个类别不相同，则将权值高的分类器所识别的结果作为投票的结果。

计算检测准确率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。。

附图说明

图1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。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～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ν(m/s)、车流量f(veh/s)、时间占有率s、行程时间t(s)的定义为

$\mathrm{\ν}=\frac{{\mathrm{\Σ}}_{i=1}^{n_{\mathrm{\τ}}}{\mathrm{\ν}}_i}{n_{\mathrm{\τ}}},$ i=1，2，...n_τ，                        (5)

$f=\frac{n_{\mathrm{\τ}}}{\mathrm{\τ}},---\left(6\right)$

$s=\frac{t_2-t_1}{\mathrm{\τ}},---\left(7\right)$

t=t₂-t₁，                            (8)

上式中，ν_i为每辆车经过某断面的车速，τ为设定的收集数据的时间间隔，n_τ为时间间隔τ内通过该断面的车辆总个数，t₁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(5)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(6)表示单位时间内该路段通过的车辆个数。式(7)表示车辆通过该路段的总得时间占固定时间间隔τ的比率，即时间占有率。式(8)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。

本文将道路交通状态分为三个等级：畅通、繁忙、拥堵。畅通的服务水平是最高的。

1)畅通：该等级服务水平在自由流和稳定流范围内。其高限为自由流，每个车辆基本不受交通流中其他车辆的影响，有很高的自由度来选择所期望的速度。其低限为每个车辆要开始注意到交通流中其他使用者对他的影响，但选择速度的自由度还不太受影响。

2)繁忙：该等级服务水平仍在稳定流范围内，车辆间的相互作用变得大起来，选择速度受到其他车辆的制约，舒适和便利程度有明显下降。

3)拥堵：该等级服务水平由稳定流过度到不稳定流，速度和驾驶自由度均受到严格约束，舒适和便利程度低下，在信号交叉口有很长的排队车辆。当交通量有少量增加就会在运行方面出现问题。当某路段的交通量达到或超过该路段的通行能力时，便会引起交通堵塞。此时队列中的运行出现停停走走的现象，它们极不稳定。车辆在交叉口有很长的停车延误，有些车辆甚至要等两个信号周期才能通过交叉口。

数据的获得是通过利用仿真软件VISSIM仿真数据与杭州市体育场路-凤起路（北向南）的微波数据结合的方式。

根据杭州市交通部门提供的杭州市体育场路-凤起路（北向南）的微波数据，利用VISSIM软件仿真该路口全天各个时段的交通状况，共获得交通数据样本3170个。本文所用数据仿真了全天各个时段的交通状态的数据。虽然分类准确率没有其他文献所述方法高，但是推广能力比它们强。其中训练集样本1730个，其畅通、繁忙、拥堵的类别数分别为878、669、183。测试集样本1440个，其畅通、繁忙、拥堵的类别数分别为740、565、135。交通数据样本各特征参数数据分布如图3所示。

本实施例中，SVM的主要思想是建立一个分类超平面作为决策曲面，使得正例和反例之间的隔离边缘被最大化。SVM的理论基础是统计学习理论，是结构风险最小化的近似实现。此原理基于事实：学习机器测试数据上的误差率（泛化误差率）以训练误差率和一个依赖于Vapnik-Chervonenkis(VC)维数的项之和为界；在可分模式情况下，支持向量机对于前一项的值为零，并且使第二项最小化。

在支持向量x_i和输入控件抽取的向量x之间的内积核这一个概念是构造支持向量机学习算法的关键。支持向量集是由算法从训练数据中抽取的小的子集构成。

支持向量机的结构如图1所示。图1中，k(·)为核函数，其种类主要有：

1)线性核函数：k(x，x_i)=x^Tx_i;

2)多项式核函数：k(x，x_i)=(γx^Tx_i+r)^p，γ>0;

3)RBF径向基核函数：k(x，x_i)=exp(-γ||x-x_i||²)，γ>0;

4)Sigmoid两层感知器核函数：k(x，x_i)=tanh(γx^Tx_i+r)。

SVM基于结构风险最小化原则，将整个求解过程转化为一个凸二次规划问题，其解全局最优且唯一。

交叉验证(Cross Validation)是验证分类器性能的一种统计分析方法。它的基本思想是在某种意义下将原始数据进行分组，一部分作为训练集，另一部分作为验证集。首先用训练集对分类器进行训练，再利用验证集来测试训练得到的模型，以此作为评价分类器的性能指标。

BP神经网络是当前应用最广泛的神经网络模型之一。它是一种多层前馈网络，它按误差逆传播算法进行训练。BP网络能学习和存储大量的输入输出模式映射关系。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层、隐层和输出层。

BP网络是对非线性可微分函数进行权值训练的反向传播网络，BP算法属于δ算法，是一种监督式的学习算法，主要思想是：对于q个输入学习样本：x₁，x₂，...，x_q，已知其对应的输出样本为y₁，y₂，...，y_q。利用网络的实际输出与目标矢量之间的误差来修正其权值，使得网络输出层的误差平方达到最小。BP神经网络拓扑结构如图2所示。

本实施例中，第一层先由SVM1分类器判别出畅通状态，第二层由SVM2与BP融合的方式对余下的测试集样本进行繁忙与拥堵的投票判别。实验步骤如下：

1)生成分类器SVM1，SVM2：

利用LIBSVM分类器训练并测试样本集(本文采用LIBSVM工具箱完成参数寻优、模型训练和结果的测试)：

将提取的交通特征参数的车辆平均速度、车流量、车辆时间占有率、行程时间特征以及判定的状态特征进行预处理，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。

(1.1)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，νf，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。

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、γ，得到交通状态分类器。参数γ是多项式、高斯径向基、两层感知机(Sigmoid)核函数的γ参数。参数C是设置SVM的惩罚参数。惩罚参数C为非负数，它的大小表示对训练集样本中的离群点的重视程度的大小。

不同的SVM模型、不同的核函数及其参数都影响着算法的性能指标。本文采取4种SVM模型：线性、多项式、高斯径向基、Sigmoid核函数进行分析。采用交叉验证的思想针对不同的SVM模型和核函数进行参数优化。通过取不同的参数范围反复实验，最终获得分类效果最优的一组参数。

(1.2)训练生成SVM1，SVM2：

SVM1是判别交通状态为畅通与非畅通状态的二分类器，SVM2是判别交通状态为繁忙与拥堵状态的二分类器。

2)利用BP神经网络方法训练并对测试集进行测试：

(2.1)对交通数据样本集的数据归一化。

(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。

本文设计的网络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。隐层和输出层的激活函数采用Sigmoid函数。

(2.3)利用测试集样本和训练得到的分类器进行测试。

BP神经网络在模式识别分类中具有良好的性能。一个具有无限隐层节点的三层BP网络可以实现任意从输入到输出的非线性映射。

3)将训练生成的SVM1、SVM2、BP分类器进行融合：

(3.1)首先训练生成SVM1、SVM2、BP二分类器。其中SVM1分类畅通与非畅通，SVM2分类繁忙与拥堵，BP分类繁忙与拥堵。

(3.2)利用SVM1分类器将测试集样本中的畅通分离出来。

(3.3)对第一层未检测分类出来的繁忙与拥堵的测试集样本进行第二层的SVM2与BP网络分类器分类。

第二层的投票规则是对同一个测试集样本，若两个分类器的分类类别相同，则将该检测样本归为此类；如果两个类别不相同，则将权值高的分类器所识别的结果作为投票的结果。

计算检测准确率。仿真结果见表1。

表1

本实施例中，针对检测实施阶段，可以利用时间序列，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。

假定城市道路交通状态的发布时间间隔为1分钟，每1分钟记录一次数据样本。融合算法步骤如下：

(1)采用SVM(高斯径向基)、SVM-BP或前述任一种融合后的分类器作为测试的基础分类器。

(2)对最初4分钟的4个时刻数据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。

(3)在记录第5分钟分类结果后，采用集成学习的投票方式，对前5个分类结果进行投票，得出一个判别结果，作为第5分钟的判别状态进行发布。

(4)从第6分钟起，在第m分钟(m>5)时，在记录其分类结果后，对第m-4，m-3，m-2，m-1，m分钟时刻的5个分类结果进行投票或基于集成学习的融合。得出一个判别结果，作为第m分钟的发布结果。

由于现实情况中，城市道路交通特征参数的数据采集工作可能存在误差。使用的分类器分类准确率也不能达到100%。该融合算法能有效地减少因为数据采集引起的数据不准确及分类误差引起的相关噪声，大大提高判别交通状态的准确性。同时避免了单次误判直接发布造成的混乱。

Claims (2)

1.一种融合SVM与BP神经网络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

$v=\frac{{\mathrm{\Σ}}_{i=1}^{n_{\mathrm{\τ}}}{v}_i}{n_{\mathrm{\τ}}},i=\mathrm{1,2},...n_{\mathrm{\τ}},---\left(1\right)$

$f=\frac{n_{\mathrm{\τ}}}{\mathrm{\τ}},---\left(2\right)$

$s=\frac{t_2-t_1}{\mathrm{\τ}},---\left(3\right)$

t＝t₂-t₁，                (4)

上式中，v_i为每辆车经过某断面的车速，τ为设定的收集数据的时间间隔，n_τ为时间间隔τ内通过该断面的车辆总个数，t₁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(1)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τ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)将测试样本集输入SVM1-SVM2/BP的两层级联分类器；

所述的SVM1-SVM2/BP的两层级联分类器包括以下处理过程：

2.1)运用SVM1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SVM1分类函数中，检测出当前交通状态，过程如下：

(2.1.1)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SVM1分类器，利用交叉验证的思想找出优化后的参数C、γ，得到交通状态分类器，参数γ是多项式、高斯径向基、两层感知机(Sigmoid)核函数的γ参数，参数C是设置SVM的惩罚参数，惩罚参数C为非负数；

(2.1.3)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2.2)；

2.2)对测试样本集进行第二层的SVM2与BP网络分类器的投票融合分类，具体包括以下过程：

(2.2.1)运用SVM2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SVM2分类函数中，检测出当前交通状态，包括如下过程：

(2.2.1.1)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；

(2.2.1.2)利用归一化后的训练集样本训练SVM2分类器，利用交叉验证的思想找出优化后的参数C、γ，得到交通状态分类器，参数γ是多项式、高斯径向基、两层感知机(Sigmoid)核函数的γ参数，参数C是设置SVM的惩罚参数，惩罚参数C为非负数；

(2.2.1.3)利用测试样本集数据和训练得到的分类器进行测试，判定属于繁忙状态和拥挤状态；

(2.2.2)利用BP神经网络方法训练并对测试样本集进行测试，具体如下：

(2.2.2.1)对测试样本集的数据归一化；

(2.2.2.2)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2个节点，代表2种交通状态类型，隐层和输出层的激活函数采用Sigmoid函数；

(2.2.2.3)利用测试集样本和训练得到的分类器进行测试，判定属于繁忙状态和拥堵状态；

(2.2.3)利用BP神经网络方法训练并对测试样本集进行测试，具体如下：若(2.2.1)和(2.2.2)的分类类别相同，则将该检测样本归为此类；如果两个类别不相同，则将权值高的分类器所识别的结果作为投票的结果。

2.如权利要求1所述的融合SVM与BP神经网络的城市道路交通状态检测方法，其特征在于：所述步骤(2.2.1.3)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;

所述步骤(2.2.2.3)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。

Images