CN110210509A - 一种基于mfd+谱聚类+svm的路网交通状态判别方法 - Google Patents
一种基于mfd+谱聚类+svm的路网交通状态判别方法 Download PDFInfo
- Publication number
- CN110210509A CN110210509A CN201910161798.0A CN201910161798A CN110210509A CN 110210509 A CN110210509 A CN 110210509A CN 201910161798 A CN201910161798 A CN 201910161798A CN 110210509 A CN110210509 A CN 110210509A
- Authority
- CN
- China
- Prior art keywords
- mfd
- svm
- classification
- spectral clustering
- road
- 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
- 238000000034 method Methods 0.000 title claims abstract description 84
- 230000003595 spectral effect Effects 0.000 title claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 230000006855 networking Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 35
- 238000012360 testing method Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 description 71
- 230000006399 behavior Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000007418 data mining Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及神经网络技术方法领域，更具体地，涉及一种基于MFD+谱聚类+SVM的路网交通状态判别方法，具体步骤如下：(1)首先利用谱聚类算法对路网MFD进行交通状态等级划分；(2)然后使用划分好的路网MFD参数训练SVM多分类器，并给出基于混淆矩阵的模型分类结果精度评价方法；(3)最后搭建车联网仿真平台，选取BP神经网络分类器作为比较分类器，进行实证分析。本发明一种基于MFD+谱聚类+SVM的路网交通状态判别方法，利用谱聚类算法对路网MFD进行交通状态等级划分，然后使用划分好的路网MFD参数训练SVM多分类器，并给出基于混淆矩阵的分类结果精度评价方法，最后搭建车联网仿真平台，选取BP神经网络分类器作为比较分类器，进行实证分析。
Description
技术领域
本发明涉及神经网络技术方法领域，更具体地，涉及一种基于MFD+谱聚类+SVM的路网交通状态判别方法。
背景技术
路网交通状态客观反映路网交通运行情况，是提升城市交通控制与管理效率的关键所在。路网交通状态判别方法一直是智能交通领域的研究热点，总体上，可划分为基于数据挖掘方法和基于交通流基本图方法等两大类。
(1)基于数据挖掘方法
基于数据挖掘方法是指利用神经网络、深度学习、聚类算法、支持向量机、贝叶斯方法等机器学习算法进行数据挖掘，从而对路网交通状态进行自动判别。如Montazeri-Gh(2011)等浮动车采集的平均速度、加速度、空闲时间百分比为数据集，采用K-means算法对实际路网交通状态进行判别。杨庆芳(2014)等提出以大、小车速度变化情况为基础，采用FCM聚类方法对高速公路交通状态进行判别。邴其春(2015)等为提高交通状态判别的精度，采用投影寻踪技术和动态聚类方法构造地点交通参数与交通状态之间的投影指标函数，并利用混合蛙跳算法来优化投影指标函数的投影方向，最后通过仿真数据对交通状态判别阈值进行标定。何兆成(2016)等构建基于拥堵源与拥堵评价点之间的函数关系的可视化模型，利用梯度方向直方图与主成分分析法提取交通运行状态数据的特征值，采用高斯混合聚类方法划分区域交通拥堵的空间分布模式。Zhang(2016)等以速度、交通流量、交通密度为数据集，利用灰色关联分析和粗糙集理论，定义了多维属性信息之间的关联关系，建立了灰色关联聚类模型，然后将灰色关联隶属度排序算法(GMRC)引入判别聚类优先级，从而分析城市路网的拥堵程度。Yang(2017)等为了提取交通流变化特征，利用无监督学习的谱聚类算法，以路段交通流量为数据集，分析区域路网的日交通状态变化。吴志勇(2017)等针对交通流产生的大数据信息，结合深度学习算法提出一种离散化交通状态的判别方法。商强(2017)等为了提高城市快速路交通状态判别的准确性，构建了一种基于谱聚类与随机子空间集成K最近邻(RS-KNN)的交通状态判别模型。
(2)基于交通流基本图方法
基于交通流基本图方法是指利用流量与密度的关系呈现出一条单峰抛物线(称为基本图)，对路网交通状态进行判别。依据基本图可将路网交通状态初步划分为二相交通流，即拥挤流和非拥挤流。在二相交通流的基础上，Kerner(2002)根据实测数据，将路网交通状态划分为自由流、同步流和宽移动阻塞三个相位。关伟(2007)等在分析城市快速路网交通流速度好密度概论分布特征的基础上，将交通流划分为4个稳态相位，即自由流、谐动流、同步流和堵塞。尹婧(2012)等依据车流量、车速和占有率等实际检测数据，将交通状态划分通畅、缓慢、拥堵、锁死等4种状态。基于基本图的交通状态判别研究一直进展缓慢。随着MFD的揭示，部分学者运用MFD从宏观层面判别路网交通状态。如王福建(2012)等通过仿真数据确定路网MFD，并以交通密度或速度为交通状态判别参数，将路网交通状态划分为5个拥堵等级：自由流、稳定流、不稳定流、限制流以及强制流。朱琳(2012)等使用实测与仿真数据，建立北京市三环的MFD，对路网交通流参数进行标定，研究了平均流量与平均密度在时段上的分布差异，从而确定路网交通状态。Xu(2013)等依据观测的路网MFD，将路网交通状态划分为自由流，积累流和拥塞流。岳圆圆(2014)等借助远程交通检测器的交通数据，建立了北京市西三环的MFD模型，设计了基于速度里程分布的快速路宏观交通状态指数，将快速路交通状态划分为5个等级，包括畅通、基本畅通、轻度拥堵、中度拥堵和阻塞等。丁恒(2018)等基于浮动车检测数据估测快速路网的MFD，然后初步将快速路网划分为5种状态，根据路网实时数据，通过聚类算法进一步对路网状态参数进行修正。
路网MFD可从宏观层面对路网交通状态进行判别，但其等级划分过于理想化。若能够将数据挖掘与MFD相结合起来，将大大提高路网交通状态判别的准确率。随着大数据挖掘算法的快速发展，出现了K-means、FCM、谱聚类等多种聚类分析方法，并在交通状态判别得到推广应用。与此同时，以人工神经网络(Artificial Neural Network，ANN)和支持向量机(Support Vector Machine，SVM)为代表的有监督学习机器算法也在交通状态判别中得到应用。近期研究表明，将聚类分析方法与有监督学习机器算法结合起来，进行交通状态判别更加准确。其中谱聚类是基于谱图理论的新型聚类方法，在语音识别、视频分割、图像分割、VLSI设计、网页划分、文本挖掘等方面得到了广泛的应用，在交通领域的应用才刚刚起步。SVM方法具有严密数学理论基础，已经成为聚类分析、模式识别、状态判别、预测预报、回归分析等领域的热点技术，备受国内外学者的广泛关注。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于MFD+谱聚类+SVM的路网交通状态判别方法，利用谱聚类算法对路网MFD进行交通状态等级划分，然后使用划分好的路网MFD参数训练SVM多分类器，并给出基于混淆矩阵的分类结果精度评价方法，最后搭建车联网仿真平台，选取BP神经网络分类器作为比较分类器，进行实证分析。
为解决上述技术问题，本发明采用的技术方案是：
提供一种基于MFD+谱聚类+SVM的路网交通状态判别方法，具体步骤如下：
(1)首先利用谱聚类算法对路网MFD进行交通状态等级划分；
(2)然后使用划分好的路网MFD参数训练SVM多分类器，并给出基于混淆矩阵的模型分类结果精度评价方法；
(3)最后搭建车联网仿真平台，选取BP神经网络分类器作为比较分类器，进行实证分析。
优选地，在步骤(1)中，利用谱聚类算法对路网MFD进行交通状态等级划分，具体步骤如下：
(1)定义样本数据集X＝{xi|i＝1,2,…,n}，确定聚类数目K，其中xi为路网MFD上的第i个散点，xi＝{路网MFD加权交通密度xi1，路网加权交通流量xi2}，K＝4(即顺畅、稳定、拥挤、拥堵四个等级)；
(2)样本数据归一化处理，其公式如下：
式中，xjmax，xjmin——第j个特征向量的最大值和最小值；
xij——第j个特征向量的第i个元素的初始值；
x′ij——第j个特征向量的第i个元素归一化处理的标准值；
(3)计算相似矩阵A，其公式如下：
式中，||xi-xj||——样本xi和样本xj的欧氏距离；
σ——样本的标准差，本算法中取值0.9；
(4)计算拉普拉斯矩阵L，其公式如下：
L＝D-1/2AD-1/2 (3)
式中，D为相似矩阵A的对角化矩阵，其满足条件：
(5)计算拉普拉斯矩阵L的前K个最大特征值(λ1,λ2,…,λk)以及相应特征向量(u1,u2,…,uk)，将特征向量按特征值大小进行降序排列，构造矩阵U，U＝{u1,u2,…,uk}∈Rn×k；
(6)将矩阵U的行向量进行归一化处理，得到矩阵Y，其公式如下
(7)将Y矩阵中的每一行向量yij∈Rk(i＝1,2,…,n)当做一点，利用Kmeans算法对yi进行聚类，得到K个聚类C1,C2,…,Ck；
(8)输出结果：聚类A1,A2,…,Ak,Ai＝{j|yj∈Ci}。
优选地，在步骤(1)中，路网MFD的估测方法公式为：
式中，T——数据统计间隔时间(s)；
r——路网中路段总数；
n——数据统计间隔时间T内所有车辆数(veh)；
li——路段i的长度(km)；
tj——数据统计间隔时间T内第j辆车的行驶时间(s)；
dj——数据统计间隔时间T内第j辆车的行驶距离(m)。
优选地，在步骤(1)中，SVM多分类器的构造过程包括直接法和间接法；
直接法为直接在同一个最优化问题中合并求解多个分类面的参数，从而对多个类别实现“一次性”分类；
间接法为构造由多个SVM二分类器组合而成的SVM多分类器。
优选地，SVM多分类器的间接法的具体步骤如下：
(1)首先，对k个类别的样本进行两两任意组合，为每个组合样本设计一个SVM，形成k(k-1)/2个SVM；
(2)然后，当对一个未知样本进行分类时，每个SVM都判别未知样本的类别，并对判别的对应类别进行投票；
(3)最后，判定未知样本的类别为得票最多的类别。
优选地，对SVM多分类器的间接法的精度评价包括准确率、实际召回率、实际漏分率、预测精确率以及预测错分率。
优选地，准确率(Accuracy)为所有测试样本中预测正确的比率，其公式如下：
优选地，实际召回率(对于第i类，Recall)为第i类实际分类中，该实际类别的正确预测值占该实际类别总数的比例；其公式如下：
Recalli＝xii/xi+ (8)。
优选地，实际漏分率(对于第i类，omission)为第i类实际分类中，将该实际类别错误预测为其它类别值占该实际类别总数的比例，其公式如下：
omissioni＝xi+-xii/xi+ (9)。
优选地，预测精确率(对于第j类，Precision)为在第j类预测类别中，该类预测正确值占该预测类别样本总数的比例，其公式如下：
Precisionj＝xjj/x+j (10)；
预测错分率(对于第j类，commission)为在第j类预测类别中，错误预测为该类别的值占该预测类别样本总数的比例，其公式如下：
commissionj＝x+j-xjj/x+j (11)。
与现有技术相比，本发明的有益效果是：
本发明提供一种基于MFD+谱聚类+SVM的路网交通状态判别方法，利用谱聚类算法对路网MFD进行交通状态等级划分，然后使用划分好的路网MFD参数训练SVM多分类器，并给出基于混淆矩阵的分类结果精度评价方法，最后搭建车联网仿真平台，选取BP神经网络分类器作为比较分类器，进行实证分析。
附图说明
图1为实施例的路网MFD示意图。
图2为实施例车联网仿真平台路网布局图。
图3为实施例的仿真路网MFD二维图。
图4为实施例的仿真路网MFD三维图。
图5为实施例的基于谱聚类的路网MFD划分结果的示意图。
图6为实施例的基于Kmeans的路网MFD划分结果的示意图。
图7为实施例的SVM多分类器的分类结果的示意图。
图8为实施例的BP神经网络分类器的分类结果。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
实施例
如图1至8所示为本发明一种基于MFD+谱聚类+SVM的路网交通状态判别方法的实施例，具体步骤如下：
(1)首先利用谱聚类算法对路网MFD进行交通状态等级划分；
(2)然后使用划分好的路网MFD参数训练SVM多分类器，并给出基于混淆矩阵的模型分类结果精度评价方法；
(3)最后搭建车联网仿真平台，选取BP神经网络分类器作为比较分类器，进行实证分析。
其中，在步骤(1)中，利用谱聚类算法对路网MFD进行交通状态等级划分，
具体步骤如下：
(1)定义样本数据集X＝{xi|i＝1,2,…,n}，确定聚类数目K，其中xi为路网MFD上的第i个散点，xi＝{路网MFD加权交通密度xi1，路网加权交通流量xi2}，K＝4(即顺畅、稳定、拥挤、拥堵四个等级)；
(2)样本数据归一化处理，其公式如下：
式中，xjmax，xjmin——第j个特征向量的最大值和最小值；
xij——第j个特征向量的第i个元素的初始值；
x′ij——第j个特征向量的第i个元素归一化处理的标准值；
(3)计算相似矩阵A，其公式如下：
式中，||xi-xj||——样本xi和样本xj的欧氏距离；
σ——样本的标准差，本算法中取值0.9；
(4)计算拉普拉斯矩阵L，其公式如下：
L＝D-1/2AD-1/2 (3)
式中，D为相似矩阵A的对角化矩阵，其满足条件：
(5)计算拉普拉斯矩阵L的前K个最大特征值(λ1,λ2,…,λk)以及相应特征向量(u1,u2,…,uk)，将特征向量按特征值大小进行降序排列，构造矩阵U，U＝{u1,u2,…,uk}∈Rn×k；
(6)将矩阵U的行向量进行归一化处理，得到矩阵Y，其公式如下
(7)将Y矩阵中的每一行向量yij∈Rk(i＝1,2,…,n)当做一点，利用Kmeans算法对yi进行聚类，得到K个聚类C1,C2,…,Ck；
(8)输出结果：聚类A1,A2,…,Ak,Ai＝{j|yj∈Ci}。
其中，谱聚类算法(Spectral Clustering)是机器学习领域的研究热点，它是一种基于谱图理论的点对聚类算法，将数据聚类问题转化为图的最优划分问题。与典型的聚类算法(如K-means聚类、FCM聚类等)相比，适用于任意形状的空间聚类问题，并且能得到全局最优解。基于图论的划分准则对谱聚类结果好坏关系最为紧密。常见的划分准则有Minicut，Average cut，Normalized cut，Min-max cut，Ratio cut，MNcut等。依据划分准则，可将SC算法划分为二路SC算法、多路SC算法等两大类，其中二路SC算法有PF算法、SM算法、SLH算法、KVV算法、Mcut算法等；多路SC算法包括NJW算法、MS算法。从各类谱聚类的应用效果来看，NJW算法效果最佳，
另外，在步骤(1)中，路网MFD的估测方法公式为：
式中，T——数据统计间隔时间(s)；
r——路网中路段总数；
n——数据统计间隔时间T内所有车辆数(veh)；
li——路段i的长度(km)；
tj——数据统计间隔时间T内第j辆车的行驶时间(s)；
dj——数据统计间隔时间T内第j辆车的行驶距离(m)。
另外，MFD是路网的固有属性，它客观地反映路网加权交通流量与路网加权交通密度的普遍关系。在车联网环境下，可获取所有车的行车轨迹数据，则采用Edie(1963)提出的行车轨迹估测法，得到路网加权交通流量和加权交通密度，从而估测路网MFD。
路网MFD可从宏观层面对路网交通状态进行监测，如图所示。
刚开始路网中车辆数较少，路网加权交通密度和加权交通流量都较小，随着路网中车辆的增加，路网加权交通密度上升，加权交通流量随着加权交通密度的提高而增加，此时将路网车流定义为顺畅状态；随着路网车流的不断增加，路网加权交通密度和加权交通流量也不断上升，但是路网车流还是比较顺畅，此时将路网车流定义为平稳状态；当车流不断驶入路网，路网加权交通密度再度提升，路网中车流会产生相互干扰，路网加权交通量随着路网加权交通密度继续增大，当路网加权交通密度继续上升到一定范围时，路网车辆速度的变化不稳定，路网交通流量达到最大值，此时路网车流定义为拥挤状态；当车辆继续源源不断的涌入路网，路网加权交通密度继续增大，路网车速和加权交通量随之不断下降，交通需求已超过了路网供给能力，交通运行效率不断下降，路网进入了过饱和状态，此时将路网车流定义为拥堵状态，随着车流继续增加，交通密度继续增大，达到路网阻塞密度，路网车速和交通流量接近于零，整个路网处于瘫痪状态。
仅从表面上依据路网MFD，将路网交通状态划分为顺畅、稳定、拥挤、拥堵等4个等级。为了对路网交通状态进行量化划分，王福建(2012)等依据路网MFD，分析流量Q、密度K、速度V三者之间的关系，通过路网运行指标的极值求解，将路网交通状态划分为自由流、稳定流、不稳定流、限制流、强制流等5个等级，对应的评价指标如表1所示。
表1交通运行状态判别及拥堵级别划分
从理论上来看，上述方法依据路网交通密度或车速大小，将路网交通状态进行划分为5个等级，是可行的，但路网交通密度或车速直接按等分点来划分，太过于理想化，在实际运用过程中，交通状态等级不一定准确。
其中，在步骤(1)中，SVM多分类器的构造过程包括直接法和间接法；
直接法为直接在同一个最优化问题中合并求解多个分类面的参数，从而对多个类别实现“一次性”分类；
间接法为构造由多个SVM二分类器组合而成的SVM多分类器。
另外，SVM多分类器的间接法的具体步骤如下：
(1)首先，对k个类别的样本进行两两任意组合，为每个组合样本设计一个SVM，形成k(k-1)/2个SVM；
(2)然后，当对一个未知样本进行分类时，每个SVM都判别未知样本的类别，并对判别的对应类别进行投票；
(3)最后，判定未知样本的类别为得票最多的类别。
其中，对SVM多分类器的间接法的精度评价包括准确率、实际召回率、实际漏分率、预测精确率以及预测错分率。
另外，准确率(Accuracy)为所有测试样本中预测正确的比率，其公式如下：
其中，实际召回率(对于第i类，Recall)为第i类实际分类中，该实际类别的正确预测值占该实际类别总数的比例；其公式如下：
Recalli＝xii/xi+ (8)。
另外，实际漏分率(对于第i类，omission)为第i类实际分类中，将该实际类别错误预测为其它类别值占该实际类别总数的比例，其公式如下：
omissioni＝xi+-xii/xi+ (9)。
其中，预测精确率(对于第j类，Precision)为在第j类预测类别中，该类预测正确值占该预测类别样本总数的比例，其公式如下：
Precisionj＝xjj/x+j (10)；
预测错分率(对于第j类，commission)为在第j类预测类别中，错误预测为该类别的值占该预测类别样本总数的比例，其公式如下：
commissionj＝x+j-xjj/x+j (11)。
支持向量机(SVM)由Cortes和Vapnik于1995年所提出，主要用于解决数据的分类问题。该方法具有严密理论基础，属于有监督的机器学习方法，已经广泛应用于模式识别、数据分类、数据挖掘、计算智能、预测分析等领域。SVM方法在交通状态判别、交通标志识别、车型识别、交通需求预测、交通事故严重程度、行人检测等交通领域也得到推广应用。SVM分类器起初主要用于解决数据的二分类问题，对于交通状态判别等多分类问题，需要构造合适的SVM多分类器，其构造方法有两种：直接在同一个最优化问题中合并求解多个分类面的参数，从而对多个类别实现“一次性”分类，称为直接法；通过构造由多个SVM二分类器组合而成的SVM多分类器，称为间接法。直接法看似简单，但其模型求解较为复杂，实现起来比较困难，求解过程中变量远多于间接法，且训练速度不及间接法，仅适合小型多分类问题，因此，在实际应用中间接法更为常用。间接法的主要方法有一对多(One-Versus-Rest，OVRSVMs)、一对一(One-Versus-One，OVO SVMs)、决策树SVM(DTSVM)，有向无环图SVM(DAG-SVM)，纠错输出编码SVM(ECOC-SVM)等[i]。
本实施例采用台湾大学林智仁(Lin Chih-Jen)教授所开发设计的LIBSVM软件包，实现SVM多分类器。该软件包属于OVO SVMs，其基本原理为：对k个类别的样本进行两两任意组合，为每个组合样本设计一个SVM，形成k(k-1)/2个SVM。当对一个未知样本进行分类时，每个SVM都判别未知样本的类别，并对判别的对应类别进行投票，最后判定未知样本的类别为得票最多的类别。每个SVM分类器的基本思想是寻找一个最优超平面，根据正例和反例对样本数据进行分割，使其分类间隔(margin)最大。SVM多分类器需要提前准备的样本数据包括训练样本(train)及对应的实际分类结果(train_group)，测试样本(test)及对应的实际分类结果(test_group)。利用LIBSVM软件包实现SVM多分类器，首先利用训练样本(train)及对应的实际分类结果(train_group)训练SVM多分类器，然后利用测试样本(test)及对应的实际分类结果(test_group)测试SVM多分类器。
将SVM分类器的测试分类结果转化为混淆矩阵，如表2所示。
表2 SVM多分类器分类结果的混淆矩阵
依据混淆矩阵，可从准确率、实际召回率、实际漏分率、预测精确率、预测错分率等5个评价指标对SVM多分类器的分类结果进行精度评价。
具体实施例如下：
选取广州市天河区核心路网交叉口群作为实验区域，如图2所示。依据路网布局图、实际道路车道布局情况、交叉口平面布局情况、交通流量数据、交叉口信号控制方案、交通组织方式等信息，搭建基于Vissim软件的车联网微观交通仿真平台。
将100％车辆设定为联网车，每隔15秒读取一次每辆联网车的相关数据，选取数据统计周期为120s，仿真时间为32400s。将仿真结果的联网车数据文件(*.fzp)导入EXCEL文件中，利用VBA宏编程实现NCD估测法，最后得到270个路网加权交通流量qNCD、路网加权交通密度kNCD，绘制仿真路网的MFD，如图3和图4所示。
对路网MFD的数据点进行函数拟合，并计算临界加权交通密度kc、临界加权交通流量qc，如表3所示。
表3 MFD的拟合函数
(1)基于NJW谱聚类算法的路网MFD划分结果
利用车联网仿真平台的路网MFD，在Matlab软件中，编程实现NJW算法，输入路网MFD参数，输出交通状态划分结果，如图5所示。为了更好分析谱聚类算法的效果，选取Kmeans算法做对比，对路网MFD参数进行聚类分析，如图6所示。
由图5、图6可知，基于Kmeans的路网MFD划分结果仅考虑MFD参数的大小，未考虑MFD散点的具体位置，错误地将部分拥挤状态散点并入了拥堵状态中和将个别拥堵散点并入拥挤状态，而基于谱聚类的路网MFD划分结果比较合理，能够较好的区分交通状态划分为顺畅、平稳、拥挤、拥堵等4个状态。依据图5、图6，得到两种聚类方法的交通状态划分范围，同时根据表4中整个路网的MFD拟合函数，采用王福建(2012)等提出的理想化交通状态等级划分方法，计算出路网交通状态划分的理论值，如表4所示。
表4交通状态参数划分范围
由表4可知，与基于Kmeans的路网交通状态划分结果相比，基于谱聚类的路网交通状态划分结果更加接近理论值。
(2)SVM多分类器训练
按照上述基于谱聚类的路网交通状态划分结果，以路网MFD的270个数据作为样本数据，顺畅、平稳、拥挤、拥堵等4个等级交通状态分别用1、2、3、4编号表示，奇数样本的加权交通密度作为训练集(train)，奇数样本对应的交通状态作为训练集分类结果(train_group)，偶数样本的加权交通密度作为测试集(test)，偶数样本对应的交通状态作为测试集的实际交通状态(test_group)。利用台湾大学林智仁(Lin Chih-Jen)教授所开发的LIBSVM软件包，在Matlab软件中实现SVM多分类器。
(3)SVM多分类器精度评价
为了更好地分析SVM多分类器的性能，选取BP神经网络分类器作为对比分类器。两类分类器的分类结果如图7、图8所示。将两类分类器的分类结果整理成混淆矩阵，并计算各自的精度评价指标，如表5、表6所示。
表5 SVM多分类器分类结果的混淆矩阵及精度评价指标
表6 BP神经网络分类结果的混淆矩阵及精度评价指标
由表5和表6可知，从每个类别的分类结果来看，与BP神经网络分类器相比，类别1的SVM多分类器预测精度一致，实际召回率低了9.7％；类别2的SVM多分类器预测精度提高0.2％，实际召回率提高8.3％；类别3的SVM多分类器预测精度提高8.2％，实际召回率提高3％；类别4的SVM多分类器预测精度低了5.2％，实际召回率提高了0.7。从总体的预测结果来看，SVM多分类器的准确率为96.3％，BP神经网络分类器的准确率为95.6％，前者的准确率比后者提高了0.7％。由此可见，SVM多分类器精度高于BP神经网络分类器。
本实施例基于MFD的交通状态判别方法过于理想化问题，结合谱聚类算法和SVM算法的优势，提出基于MFD+谱聚类+SVM的交通状态判别方法。首先利用谱聚类算法对路网MFD进行交通状态等级划分，然后使用划分好的路网MFD参数训练SVM多分类器，并给出基于混淆矩阵的模型分类结果精度评价方法，最后通过搭建车联网仿真平台进行了实证分析。结果表明，本文算法能够从宏观层面对路网交通状态进行更加有效地判别。在进一步研究中，将依据路网交通状态的判别结果，对过饱和交叉口群进行基于MFD的边界控制，从而缓解过饱和交叉口群的交通拥堵，提高整理路网的交通运行效率。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于MFD+谱聚类+SVM的路网交通状态判别方法，其特征在于，
具体步骤如下：
(1)首先利用谱聚类算法对路网MFD进行交通状态等级划分；
(2)然后使用划分好的路网MFD参数训练SVM多分类器，并给出基于混淆矩阵的模型分类结果精度评价方法；
(3)最后搭建车联网仿真平台，选取BP神经网络分类器作为比较分类器，进行实证分析。
2.根据权利要求1所述的基于MFD+谱聚类+SVM的路网交通状态判别方法，其特征在于，在步骤(1)中，利用谱聚类算法对路网MFD进行交通状态等级划分，具体步骤如下：
(1)定义样本数据集X＝{xi|i＝1,2,…,n}，确定聚类数目K，其中xi为路网MFD上的第i个散点，xi＝{路网MFD加权交通密度xi1，路网加权交通流量xi2}，K＝4(即顺畅、稳定、拥挤、拥堵四个等级)；
(2)样本数据归一化处理，其公式如下：
式中，xjmax，xjmin——第j个特征向量的最大值和最小值；
xij——第j个特征向量的第i个元素的初始值；
x′ij——第j个特征向量的第i个元素归一化处理的标准值；
(3)计算相似矩阵A，其公式如下：
式中，||xi-xj||——样本xi和样本xj的欧氏距离；
σ——样本的标准差，本算法中取值0.9；
(4)计算拉普拉斯矩阵L，其公式如下：
L＝D-1/2AD-1/2 (3)
式中，D为相似矩阵A的对角化矩阵，其满足条件：
(5)计算拉普拉斯矩阵L的前K个最大特征值(λ1,λ2,…,λk)以及相应特征向量(u1,u2,…,uk)，将特征向量按特征值大小进行降序排列，构造矩阵U，U＝{u1,u2,…,uk}∈Rn×k；
(6)将矩阵U的行向量进行归一化处理，得到矩阵Y，其公式如下
(7)将Y矩阵中的每一行向量yij∈Rk(i＝1,2,…,n)当做一点，利用Kmeans算法对yi进行聚类，得到K个聚类C1,C2,…,Ck；
(8)输出结果：聚类A1,A2,…,Ak,Ai＝{j|yj∈Ci}。
3.根据权利要求1所述的基于MFD+谱聚类+SVM的路网交通状态判别方法，其特征在于，在步骤(1)中，路网MFD的估测方法公式为：
式中，T——数据统计间隔时间(s)；
r——路网中路段总数；
n——数据统计间隔时间T内所有车辆数(veh)；
li——路段i的长度(km)；
tj——数据统计间隔时间T内第j辆车的行驶时间(s)；
dj——数据统计间隔时间T内第j辆车的行驶距离(m)。
4.根据权利要求1所述的基于MFD+谱聚类+SVM的路网交通状态判别方法，其特征在于，在步骤(1)中，SVM多分类器的构造过程包括直接法和间接法；
直接法为直接在同一个最优化问题中合并求解多个分类面的参数，从而对多个类别实现“一次性”分类；
间接法为构造由多个SVM二分类器组合而成的SVM多分类器。
5.根据权利要求4所述的基于MFD+谱聚类+SVM的路网交通状态判别方法，其特征在于，SVM多分类器的间接法的具体步骤如下：
(1)首先，对k个类别的样本进行两两任意组合，为每个组合样本设计一个SVM，形成k(k-1)/2个SVM；
(2)然后，当对一个未知样本进行分类时，每个SVM都判别未知样本的类别，并对判别的对应类别进行投票；
(3)最后，判定未知样本的类别为得票最多的类别。
6.根据权利要求5所述的基于MFD+谱聚类+SVM的路网交通状态判别方法，其特征在于，对SVM多分类器的间接法的精度评价包括准确率、实际召回率、实际漏分率、预测精确率以及预测错分率。
7.根据权利要求5所述的基于MFD+谱聚类+SVM的路网交通状态判别方法，其特征在于，准确率(Accuracy)为所有测试样本中预测正确的比率，其公式如下：
8.根据权利要求5所述的基于MFD+谱聚类+SVM的路网交通状态判别方法，其特征在于，实际召回率(对于第i类，Recall)为第i类实际分类中，该实际类别的正确预测值占该实际类别总数的比例；其公式如下：
Recalli＝xii/xi+ (8)。
9.根据权利要求5所述的基于MFD+谱聚类+SVM的路网交通状态判别方法，其特征在于，实际漏分率(对于第i类，omission)为第i类实际分类中，将该实际类别错误预测为其它类别值占该实际类别总数的比例，其公式如下：
omissioni＝xi+-xii/xi+ (9)。
10.根据权利要求5所述的基于MFD+谱聚类+SVM的路网交通状态判别方法，其特征在于，预测精确率(对于第j类，Precision)为在第j类预测类别中，该类预测正确值占该预测类别样本总数的比例，其公式如下：
Precisionj＝xjj/x+j (10)；
预测错分率(对于第j类，commission)为在第j类预测类别中，错误预测为该类别的值占该预测类别样本总数的比例，其公式如下：
commissionj＝x+j-xjj/x+j (11)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910161798.0A CN110210509A (zh) | 2019-03-04 | 2019-03-04 | 一种基于mfd+谱聚类+svm的路网交通状态判别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910161798.0A CN110210509A (zh) | 2019-03-04 | 2019-03-04 | 一种基于mfd+谱聚类+svm的路网交通状态判别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110210509A true CN110210509A (zh) | 2019-09-06 |
Family
ID=67785030
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910161798.0A Pending CN110210509A (zh) | 2019-03-04 | 2019-03-04 | 一种基于mfd+谱聚类+svm的路网交通状态判别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110210509A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111163294A (zh) * | 2020-01-03 | 2020-05-15 | 重庆特斯联智慧科技股份有限公司 | 一种人工智能目标识别的建筑安全通道监测系统和方法 |
| CN111292534A (zh) * | 2020-02-13 | 2020-06-16 | 北京工业大学 | 一种基于聚类与深度序列学习的交通状态估计方法 |
| CN111598335A (zh) * | 2020-05-15 | 2020-08-28 | 长春理工大学 | 一种基于改进谱聚类算法的交通区域划分方法 |
| CN111680748A (zh) * | 2020-06-08 | 2020-09-18 | 中国人民解放军63920部队 | 航天器状态模式的识别方法及识别装置 |
| CN111739283A (zh) * | 2019-10-30 | 2020-10-02 | 腾讯科技（深圳）有限公司 | 一种基于聚类的路况计算方法、装置、设备及介质 |
| CN111783826A (zh) * | 2020-05-27 | 2020-10-16 | 西华大学 | 一种基于预分类与集成学习的驾驶风格分类方法 |
| CN113538897A (zh) * | 2021-06-03 | 2021-10-22 | 太原理工大学 | 一种考虑扰动的城市交通区域迭代学习边界控制方法 |
| CN113611116A (zh) * | 2021-08-09 | 2021-11-05 | 北京中交国通智能交通系统技术有限公司 | 一种基于用户位置的伴随式服务提供方法及系统 |
| CN113807404A (zh) * | 2021-08-24 | 2021-12-17 | 中通服咨询设计研究院有限公司 | 面向多源信息融合的智慧交通网络智能化监控与应急系统 |
| CN113870549A (zh) * | 2021-06-25 | 2021-12-31 | 太原理工大学 | 一种自适应微调算法优化交通子区迭代学习增益方法 |
| CN113947905A (zh) * | 2021-10-19 | 2022-01-18 | 交通运输部公路科学研究所 | 一种交通运行态势感知方法、模块及系统 |
| CN114419893A (zh) * | 2022-01-30 | 2022-04-29 | 重庆长安汽车股份有限公司 | 一种基于车端数据的道路问题检测方法及可读存储介质 |
| CN114882696A (zh) * | 2020-10-28 | 2022-08-09 | 华为技术有限公司 | 道路容量的确定方法、装置及存储介质 |
| CN116929781A (zh) * | 2023-06-12 | 2023-10-24 | 广州汽车集团股份有限公司 | 车辆评价方法、云端平台、车辆及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102750825A (zh) * | 2012-06-19 | 2012-10-24 | 银江股份有限公司 | 基于神经网络分类器级联融合的城市道路交通状态检测方法 |
| US20140114885A1 (en) * | 2012-10-18 | 2014-04-24 | Enjoyor Company Limited | Urban traffic state detection based on support vector machine and multilayer perceptron |
| CN105355049A (zh) * | 2015-11-05 | 2016-02-24 | 北京航空航天大学 | 一种基于宏观基本图的高速公路运行状态评价方法 |
| CN108492557A (zh) * | 2018-03-23 | 2018-09-04 | 四川高路交通信息工程有限公司 | 基于多模型融合的高速公路拥堵等级判断方法 |
| CN109272746A (zh) * | 2018-08-20 | 2019-01-25 | 广东交通职业技术学院 | 一种基于bp神经网络数据融合的mfd估测方法 |
-
2019
- 2019-03-04 CN CN201910161798.0A patent/CN110210509A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102750825A (zh) * | 2012-06-19 | 2012-10-24 | 银江股份有限公司 | 基于神经网络分类器级联融合的城市道路交通状态检测方法 |
| US20140114885A1 (en) * | 2012-10-18 | 2014-04-24 | Enjoyor Company Limited | Urban traffic state detection based on support vector machine and multilayer perceptron |
| CN105355049A (zh) * | 2015-11-05 | 2016-02-24 | 北京航空航天大学 | 一种基于宏观基本图的高速公路运行状态评价方法 |
| CN108492557A (zh) * | 2018-03-23 | 2018-09-04 | 四川高路交通信息工程有限公司 | 基于多模型融合的高速公路拥堵等级判断方法 |
| CN109272746A (zh) * | 2018-08-20 | 2019-01-25 | 广东交通职业技术学院 | 一种基于bp神经网络数据融合的mfd估测方法 |
Non-Patent Citations (5)
| Title |
|---|
| CHAO DENG ET AL.: "Real-time Freeway Traffic State Estimation Based on Cluster Analysis and Multiclass Support Vector Machine", 《2009 INTERNATIONAL WORKSHOP ON INTELLIGENT SYSTEMS AND APPLICATIONS》 * |
| XIAOHUI LIN: "A Road Network Traffic State Identification Method Based on Macroscopic Fundamental Diagram and Spectral Clustering and Support Vector Machine", 《MATHEMATICAL PROBLEMS IN ENGINEERING》 * |
| 丁恒等: "基于宏观基本图的快速路网交通状态识别方法", 《重庆交通大学学报(自然科学版)》 * |
| 商强等: "基于谱聚类与RS-KNN的城市快速路交通状态判别", 《华南理工大学学报(自然科学版)》 * |
| 魏文钰等: "基于MFD和谱聚类的路网交通状态判别方法与仿真", 《现代信息科技》 * |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111739283B (zh) * | 2019-10-30 | 2022-05-20 | 腾讯科技（深圳）有限公司 | 一种基于聚类的路况计算方法、装置、设备及介质 |
| CN111739283A (zh) * | 2019-10-30 | 2020-10-02 | 腾讯科技（深圳）有限公司 | 一种基于聚类的路况计算方法、装置、设备及介质 |
| CN111163294A (zh) * | 2020-01-03 | 2020-05-15 | 重庆特斯联智慧科技股份有限公司 | 一种人工智能目标识别的建筑安全通道监测系统和方法 |
| CN111292534A (zh) * | 2020-02-13 | 2020-06-16 | 北京工业大学 | 一种基于聚类与深度序列学习的交通状态估计方法 |
| CN111598335A (zh) * | 2020-05-15 | 2020-08-28 | 长春理工大学 | 一种基于改进谱聚类算法的交通区域划分方法 |
| CN111783826A (zh) * | 2020-05-27 | 2020-10-16 | 西华大学 | 一种基于预分类与集成学习的驾驶风格分类方法 |
| CN111783826B (zh) * | 2020-05-27 | 2022-07-01 | 西华大学 | 一种基于预分类与集成学习的驾驶风格分类方法 |
| CN111680748A (zh) * | 2020-06-08 | 2020-09-18 | 中国人民解放军63920部队 | 航天器状态模式的识别方法及识别装置 |
| CN111680748B (zh) * | 2020-06-08 | 2024-02-02 | 中国人民解放军63920部队 | 航天器状态模式的识别方法及识别装置 |
| CN114882696B (zh) * | 2020-10-28 | 2023-11-03 | 华为技术有限公司 | 道路容量的确定方法、装置及存储介质 |
| CN114882696A (zh) * | 2020-10-28 | 2022-08-09 | 华为技术有限公司 | 道路容量的确定方法、装置及存储介质 |
| CN113538897A (zh) * | 2021-06-03 | 2021-10-22 | 太原理工大学 | 一种考虑扰动的城市交通区域迭代学习边界控制方法 |
| CN113538897B (zh) * | 2021-06-03 | 2022-11-01 | 太原理工大学 | 一种考虑扰动的城市交通区域迭代学习边界控制方法 |
| CN113870549B (zh) * | 2021-06-25 | 2023-02-03 | 太原理工大学 | 一种自适应微调算法优化交通子区迭代学习增益方法 |
| CN113870549A (zh) * | 2021-06-25 | 2021-12-31 | 太原理工大学 | 一种自适应微调算法优化交通子区迭代学习增益方法 |
| CN113611116A (zh) * | 2021-08-09 | 2021-11-05 | 北京中交国通智能交通系统技术有限公司 | 一种基于用户位置的伴随式服务提供方法及系统 |
| CN113807404B (zh) * | 2021-08-24 | 2024-02-27 | 中通服咨询设计研究院有限公司 | 面向多源信息融合的智慧交通网络智能化监控与应急系统 |
| CN113807404A (zh) * | 2021-08-24 | 2021-12-17 | 中通服咨询设计研究院有限公司 | 面向多源信息融合的智慧交通网络智能化监控与应急系统 |
| CN113947905A (zh) * | 2021-10-19 | 2022-01-18 | 交通运输部公路科学研究所 | 一种交通运行态势感知方法、模块及系统 |
| CN113947905B (zh) * | 2021-10-19 | 2022-09-06 | 交通运输部公路科学研究所 | 一种交通运行态势感知方法、模块及系统 |
| CN114419893B (zh) * | 2022-01-30 | 2023-02-28 | 重庆长安汽车股份有限公司 | 一种基于车端数据的道路问题检测方法及可读存储介质 |
| CN114419893A (zh) * | 2022-01-30 | 2022-04-29 | 重庆长安汽车股份有限公司 | 一种基于车端数据的道路问题检测方法及可读存储介质 |
| CN116929781A (zh) * | 2023-06-12 | 2023-10-24 | 广州汽车集团股份有限公司 | 车辆评价方法、云端平台、车辆及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110210509A (zh) | 一种基于mfd+谱聚类+svm的路网交通状态判别方法 | |
| CN103839409B (zh) | 基于多断面视觉传感聚类分析的交通流状态判别方法 | |
| CN110059581A (zh) | 基于场景深度信息的人群计数方法 | |
| Yan et al. | Spatial-temporal chebyshev graph neural network for traffic flow prediction in iot-based its | |
| CN102750824B (zh) | 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 | |
| CN102737508B (zh) | 一种融合svm与bp神经网络的城市道路交通状态检测方法 | |
| CN101729872A (zh) | 一种基于视频监控图像自动判别道路交通状态的方法 | |
| CN113159364A (zh) | 一种大型交通场站的客流预测方法及系统 | |
| Pawar et al. | Classification of gaps at uncontrolled intersections and midblock crossings using support vector machines | |
| Azimi et al. | Categorizing freeway flow conditions by using clustering methods | |
| Lin | A road network traffic state identification method based on macroscopic fundamental diagram and spectral clustering and support vector machine | |
| CN108961758A (zh) | 一种基于梯度提升决策树的路口展宽车道探测方法 | |
| Chen et al. | Discrimination and prediction of traffic congestion states of urban road network based on spatio-temporal correlation | |
| Zhao et al. | Understand the impact of traffic states on crash risk in the vicinities of Type A weaving segments: A deep learning approach | |
| Lin et al. | Road network partitioning method based on canopy-kmeans clustering algorithm | |
| Zhang et al. | Review of clustering technology and its application in coordinating vehicle subsystems | |
| Bao | A multi-index fusion clustering strategy for traffic flow state identification | |
| Ruiqi et al. | RETRACTED ARTICLE: Research on the intelligent judgment of traffic congestion in intelligent traffic based on pattern recognition technology | |
| Jin et al. | An intelligent traffic detection approach for vehicles on highway using pattern recognition and deep learning | |
| CN115565388A (zh) | 基于多通道车辆检测与立体特征标注的交通灯控制方法 | |
| Shang et al. | Data mining technologies for Mobility-as-a-Service (MaaS) | |
| Radi et al. | Enhanced Implementation of Intelligent Transportation Systems (ITS) based on Machine Learning Approaches | |
| Prathilothamai et al. | Traffic prediction system using IoT cluster based evolutionary under sampling approach | |
| Liu | Refined Judgment of Urban Traffic State Based on Machine Learning and Edge Computing | |
| Zhao et al. | Classification of the traffic status subcategory with ETC gantry data: an improved support tensor machine approach |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190906 |