（交通信息工程及控制专业论文）GASVM在高速公路交通事件检测中的应用研究.pdf

西南交通大学硕士研究生学位论文第1 页 摘要 近年来，频繁发生的交通事件，严重损坏了高速公路“安全、快速、高 效、舒适、环保”的形象。如何快速地检测、判断事件的发生并及时采取措 施，以有效的减少交通延误、保障道路安全、减少环境污染已成为备受关注 的问题。随着计算机网络技术、通信技术、自动控制技术等不断发展，智能 事件自动检测系统为解决上述问题提供了有效的途径，而事件检测算法是自 动检测系统的核心内容，其性能好坏直接影响事件检测系统的效率，对其研 究具有非常重要的意义。 本文通过对常用事件检测方法的分析与总结发现，虽然这些方法能够获 得良好的检测效果，但因交通数据样本有限、输入特征过于简单或冗余、参 数设置无法达到最优等问题的影响而无法获得更优的性能。针对以上问题， 在分析支持向量机分类原理及其优势的基础上，论文综合运用针对有限样本 的支持向量机技术和遗传算法优化技术，详细设计了基于遗传算法的不同类 型支持向量机模型参数及特征同步选取方法，以优化每种支持向量机的模型 参数的同时选取模型对应的最优特征组合。鉴于上述方法理论上针对有限样 本仍有较好的可推广性，并具有对特征进行选取和参数进行优化的能力，论 文采用i 8 8 0 实测数据集，构建了各种遗传支持向量机事件检测模型。将得 到的数据结果从检测性能、推广能力和判定速度三个方面进行评比分析，得 出最优模型。并与构建的基于网格搜索法的支持向量机模型和神经网络模型 进行对比分析，验证了选取最优特征组合的必要性、遗传选取方法的有效性 和支持向量机的优越性。 遗传支持向量机利用有限的交通数据样本，合适的交通输入特征，优化 的模型参数，获得了满意的检测效果，为设计高性能的事件检测算法提供了 方法，具有一定的现实意义。 关键词：交通事件检测；s v m ；遗传算法；同步选取 西南交通大学硕士研究生学位论文第1 i 页 a b s tr a c t i nr e c e n ty e a r s ，t h et r a f i l ea c c i d e n t sh a v eo c c u r r e dv e r yo f t e n ，a n di th a sg r e a t l y a f f e c t e dt h e “s a f e ，f a s t ，h i g he f f i c i e n t ，e n v i r o n m e n t a lp r o t e c t i n g i m a g eo ff r e e w a y h o wt od e t e c tf l e e t l y , m a k et h ej u d g m e n t ，a n dt a k et h em e a s u r e st i m e l y ，t or e d u c e t h et r a f f i cd e l a ye m c i e n t l y , e n s u r et h es a f e t yo nt h er o a da n dd e c r e a s ee n v i r o n m e n t a l p r o t e c t i o n b e c o m e sah i g ha t t e n t i o n w i t ht h ed e v e l o p m e n to fn e t w o r kt e c h n o l o g y , c o m m u n i c a t i o nt e c h n o l o g y , a n da u t o m a t i cc o n t r o lt e c h n o l o g y , t h ei n t e l l i g e n t a c c i d e n t sa u t o m a t i cd e t e c t i o ns y s t e mh a sp r o v i d e dt h ee f f i c i e n tw a yo fs o l v i n gt h e a b o v ep r o b l e m s w h i l et h ea c c i d e n t sd e t e c t i o na l g o r i t h mi st h ec o r ec o n t e n to f a u t o m a t i cd e t e c t i o ns y s t e m i t sp e r f o r m a n c ec a na f f e c tt h ee f f i c i e n c yo fa c c i d e n t s d e t e c t i o ns y s t e md i r e c t l y , s ot h es t u d yo ni th a st h ev e r yv i t a ls i g n i f i c a n c e t 1 1 r o u g ha n a l y s i sa n ds u m m a r yo fc o m m o n l yu s e di n c i d e n td e t e c t i o nm e t h o d s ， i ti sf o u n dt h a ta l t h o u g ht h e s em e t h o d sc a np e r f o r mw e l l ，t h e ya r ea l s ou n a b l et o a c h i e v eam o r es u p e r i o rp e r f o r m a n c e ，b e c a u s eo ft h ep r o b l e m ss u c ha st h et r a f f i c d a t as a m p l ei sl i m i t e d ，t h ei n p u tf e a t u r ei st o os i m p l eo rr e d u n d a n ta n dt h ep a r a m e t e r e s t a b l i s h m e n ti su n a b l et oa c h i e v et h em o s te x c e l l e n t i nv i e wo ft h ea b o v eq u e s t i o n s ， b a s e do nt h ea n a l y s i so ft h ec l a s s i f i c a t i o np r i n c i p l ea n dp r e d o m i n a n c eo fs u p p o r t v e c t o rm a c h i n e ，t h ep a p e rd e s i g n e ds u p p o r tv e c t o rm a c h i n e sm o d e lp a r a m e t e ra n d f e a t u r e s y n c h r o n i z a t i o n s e l e c t i o nm e t h o db a s e do ng e n e t i ca l g o r i t h mi nd e t a i l ， c o m p r e h e n s i v e l yu s i n gt h es u p p o r tv e c t o rm a c h i n et e c h n o l o g yw h i c hi s i nv i e wo f l i m i t e ds a m p l ea n dg e n e t i ca l g o r i t h mo p t i m i z a t i o nt e c h n i q u e ，i no r d e rt oo p t i m i z e e a c hs u p p o r tv e c t o rm a c h i n e sm o d e lp a r a m e t e r sa n ds e l e c tt h eb e s tm o d e l c o r r e s p o n d i n gf e a t u r ec o m b i n a t i o na tt h es a m et i m e i nv i e wo ft h ef a c tt h a tt h e a b o v em e t h o d st h e o r e t i c a l l yh a sg e n e r a l i z a t i o na b i l i t yi na l l u s i o nt ol i m i t e ds a m p l e a n dh a sa b i l i t yt os e l e c tf e a t u r e sa n do p t i m i z ep a r a m e t e r s ，t h ep a p e rc o n s t r u c t se a c h k i n do fg e n e t i c s u p p o r tv e c t o rm a c h i n ei n c i d e n td e t e c t i o nm o d e l ，u s i n gt h e1 - 8 8 0 a c t u a ld a t as e t i na n a l y s i s ，ac o m p a r i s o na n da p p r a i s a li na s p e c to fd e t e c t i o n p e r f o r m a n c e ，e x t e n s i v ea b i l i t ya n dd e t e r m i n a t i o ns p e e dh a sb e e nm a d et oo b t a i nt h e m o s ts u p e r i o rm o d e l i no r d e rt ov e r i f yt h en e c e s s i t yt os e l e c tt h em o s ts u p e r i o r f e a t u r ec o m b i n a t i o na n dt h ev a l i d i t yo ft h eg e n e t i cs e l e c t i o nm e t h o d ，b a s e do ng r i d 西南交通大学硕士研究生学位论文第1 i i 页 s e a r c hm e t h o d t h es u p p o r tv e c t o rm a c h i n el n c i d e n td e t e c t i o nm o d e lh a sb e e n c o n s t r u c t e d a i m e dt op r o v et h es u p e r i o r i t yo fs u p p o r tv e c t o rm a c h i n em e t h o d ，t h e n e u r a ln e t w o r ki n c i d e n td e t e c t i o nm o d e lh a sb e e nc o n s t r u c t e dt om a k ec o m p a r i s o n w i t ht h ea b o v et w om o d e l s w i t ht h el i m i t e dt r a f f i cd a t as a m p l e ，a p p r o p r i a t et r a f f i ci n p u tf e a t u r e s ，o p t i m i z e d m o d e lp a r a m e t e r s ，t h eg e n e t i c s u p p o r tv e c t o rm a c h i n eh a so b t a i n e dt h es a t i s f a c t o r y e x a m i n a t i o ne f f e c t ，w h i c hp r o v i d e sam e t h o df o rd e s i g nh i g hp e r f o r m a n c e si n c i d e n t d e t e c t i o na l g o r i t h m t h e r e f o r et h i sr e s e a r c h h a sap r a c t i c a ls i g n i f i c a n c e 。 k e y w o r d s ：t r a f f i ci n c i d e n td e t e c t i o n ；s u p p o r tv e c t o rm a c h i n e ；g e n e t i ca l g o r i t h m ； s y n c s e l e c t i n g 西南交通大学 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国 家有关部门或机构送交论文的复印件和电了版，允许论文被查阅和借阅。本人授权西南交 通大学可以将本论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或 扫描等复印手段保存和汇编本学位论文。 本学位论文属于 1 保密口，在年解密后适用本授权书； 2 不保密彤使用本授权书。 ( 请在以上方框内打“) 学位论文作者签名：衔啤论 指导老师签名： 日期：泌p 1 日期： z 印罗 ， 西南交通大学学位论文创新性声明 本人郑重声明：所呈交的学位论文，是在导师指导下独立进行研究工作所 得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体 已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在 文中作了明确的说明。本人完全意识到本声明的法律结果由本人承担。 本学位论文的主要创新点如下： 1 分析s v m 分类原理及其优势，针对常用a i d 方法未解决的问题，引 入基于遗传算法的s v m 特征与参数同步选取方法，并详细设计了遗传操作的每 个步骤。 2 针对多种s v m ，构建了g a s v m 事件检测模型，对交通输入特征进 行了最优组合选取并对s v m 模型参数进行了优化。通过评比分析发现，得到的 最优模型比其它方法获得了更好的检测效果。 臂章狰 西南交通大学硕士研究生学位论文第1 页 第1 章绪论 1 1 研究背景及意义 1 1 1 研究背景 高速公路是当前等级最高的公路。它设有四条以上车道和中央隔离带， 分隔双向车辆行驶；全线为全封闭，路旁设有防护栏，严禁产生横向干扰， 专供汽车高速行驶；在与铁路或其它公路相交时，全部设置立体交叉设施； 设有专用的自动化交通监控系统以及必要的沿线服务设施。因此，高速公路 显示“速度快、效率高、时间省、效益好 等一般公路所不具有的优点e 1 。 从总体上讲，高速公路安全性优于普通公路。但高速公路交通量大，车 速高，一旦出现交通事故，车辆的排队长度、堵塞时间、车辆损坏和人员伤 亡程度都较普通公路严重，即恶性事故多。大雾天气的偶然驾驶差错，能造 成很多车辆尾撞。随着城市化的进展和汽车的日益普及，交通拥挤加剧， 交通事故频发，交通环境恶化。早期的通过修建大量的道路，初步缓解了交 通运行中存在的问题，提高了道路的通行能力。然而交通拥挤的状况仍然十 分严重，交通事故仍然呈增长趋势 2 0 1 。传统的交通控制方法缓解交通问题的 效果也是有限的，并不能从实质上解决现存的各种交通问题。高速公路交通 事件出现频繁，事件一旦出现，跟随而来的是偶发的交通拥挤，而且容易诱 发成交通事故。高速公路突然发生的事件产生的地点、时刻又具有不确定性。 因此，需要建立一种实时、准确、高效的交通监控系统来监测这些事件的发 生。随着计算机网络技术、通信技术、自动控制技术等的不断发展，人们意 识到利用这些新技术把车辆、道路、使用者紧密结合起来，这不仅能够有效 的解决交通阻塞问题，而且对交通事故的应急处理、环境的保护、能源的节 约都有显著的效果。从2 0 世纪8 0 年代后期，美国、欧洲和日本等发达国家 竞相投入了大量人力、物力和资金，率先开展了大规模的智能交通基础设施 建设和智能交通监控技术的研究【如。智能运输系统的产生，为解决道路的拥 挤问题提供了有效的途径。 1 1 2 研究意义 智能运输系统越来越引起人们的重视，它的发展对人们的日常生活、社 西南交通大学硕士研究生学位论文第2 页 会的进步、经济的发展都起着重要的作用。交通事件检测系统作为智能交通 系统的重要组成部分，更起着举足轻重的作用，它可以迅速检测和处理已发 生的交通事件，减少由于交通事件所带来的人员伤亡、财产损失等影响，避 免二次事件的发生，节约能源，减少污染【2 】。本论文选题的重要意义和实用 价值主要体现在以下几个方面： 1 保障高速公路的高效运行 交通事件自动检测( a u t o m a t i ci n c i d e n t sd e t e c t i o n ，a i d ) 算法是交通事件 检测系统的核心内容，一个快速准确的事件检测算法能够提高检测效率，为 交通工作人员及时提供信息，以便尽快的采取措施疏导交通或进行援助，从 而保障高速公路的高效运行。 2 使整个交通控制系统协调运行 事件检测系统还影响着其它智能子系统的性能，以及高度公路匝道控制 与城市信号控制之间的协调性1 3 】，只有建立一个快速、可靠的事件检测系统， 才能为其它子系统提供重要的非周期性交通流状态变化信息( 这种信息是无 法从历史数据中得到的，也是交通流变化实时性的表现) ，才能建立真正意义 上的集成式高速公路城市道路控制系统。 3 为设计高性能的事件检测算法提供方法 通过采用先进的支持向量机( s u p p o r tv e c t o rm a c h i n e ，s v m ) 分类技术为高 速公路事件检测提供新的方法。并采用遗传算法( g e n e t i ca l g o r i t h m ，g a ) 对 s v m 模型参数与输入特征进行同步选取，得到的遗传支持向量机模型 ( g a s v m ) 可以解决事件检测算法存在的各种问题。g a s v m 利用有限的交 通数据样本，合适的交通输入特征，优化的模型参数，获得较好的检测性能 和可推广性。为设计高性能的事件检测算法提供了方法，具有一定的现实意 义。 综上所述，一个交通事件检测系统不仅要提高事件检测精度，降低错误 检测率，而且还要满足实时性的要求。而这些都是由实现它的检测算法来决 定的。因此，交通事件检测算法作为交通事件检测系统的核心内容，其性能 好坏直接影响事件检测系统的效率，对其研究具有非常重要的意义。 1 2 国内外现状 1 2 1 国外事件检测算法的研究 事件检测系统自2 0 世纪6 0 年代发展以来，形成了各种各样的检测方法和 西南交通大学硕士研究生学位论文第3 页 技术。交通事件的检测主要有两种方法 1 6 1 ：人工发现( 非自动检测) 和自动 检测方法，非自动的检测方法需要运用较大的人力物力，成本高，并且易受 时间和天气的影响，检测效率低。而自动检测方式是通过运行自动检测算法 来实现检测的，成本低，检测速度快，因此近4 0 年来得到了各国研究者的欢 迎。他们针对自动检测算法的缺点，不断的进行研究和改进。 1 9 6 5 - - 1 9 7 0 年之间，加利福尼亚算法以及基于该算法的改进a i d 方法【4 5 】 是最早投入使用的a i d 算法，主要是通过比较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。接着德克萨斯州交通协会( t t i ) 在19 7 0 1 9 7 5 年期间开发了以判别突发交通事件为主要功能的标准偏差 ( s n d ) 算法1 6 ，用于休斯顿海湾公路的交通监视和控制中心。1 9 7 8 年l e v i n 和 k r a u s e 开发了贝叶斯算法【7 】，该方法在加州算法的基础上，通过计算突发交通 事件或常发性拥挤引起的占有率变化的条件概率完成对拥挤事件的自动判 别。1 9 7 9 年a h m e d 和c o o k 运用b o x j e n k i n s 随机时间序列分析技术中的白回归 移动平均方法a r i m a ( a u t or e g r e s s i v ei n t e g r a t e dm o v i n ga v e r a g e ) 开发了一 种突发交通事件的判别算法【8 】。1 9 8 0 年，一种宏观检测方法一动态模型算法【，1 i 扫w i l l s k ye t a l 提出，他运用交通流“速度密度 关系和“流量一密度关系 来进行突发交通事件的判别。另外还有根据突变理论开发的m c m a s t e r 算法 t o ，i i ，不仅可以判别交通拥挤的发生，并且还能判断拥挤类型，具有同时使 用流量和占有率作为输入，并且检测时间比较短的优点。 以上各算法都是代表应用不同理论的经典模型，经历了从加州的模式识 别法，到德克萨斯州的统计分析方法，以及概率模型检测方法，再至l j a h m e d s h c o o k 的时间序列法，至l j w i l l s k ye t a l 提出的动态模型法，一直到基于突变理 论的m c m a s t e r 算法。这些方法代表了不同时期研究前沿的技术，虽然存在着 不足，但目前仍常常用来做评价新算法的标准。 近年来，伴随着电子、检测、通信以及计算机技术的飞速发展和与智能 交通系统技术的渗透，一系列人工智能算法相继出现。 神经网络作为一种自适应、自学习的智能算法模型最早应用于自动事件 检测。1 9 9 1 年c h e w 等人 1 2 1 设计了高速公路突发交通事件判别的人工神经网络 结构模型，取得了较好的效果。接着在1 9 9 5 年c h e w 又与r i t c h i e 结合【1 2 】，将由 三层结构构成的多层前馈网络( m l f ) 的算法应用于事件检测中。a b d u l h a i t l 3 】 在1 9 9 6 年首次将交通事件发生的先验概率、道路条件和误判损失( 如错误划 分严重事故的损失) 等参数引入a i d 算法开发中。b e r t h 0 1 年i d i a m o n d 在19 9 8 年对概率神经网络进行了改进后应用于事件检测中1 1 4 ，并给出了详细的 西南交通大学硕士研究生学位论文第4 页 c p n n 结构和它的训练算法。目前，神经网络在事件检测中仍是一个研究的 热点。 支持向量机是根据统计学理论提出的一种新的学习方法，建立在计算学 习理论的结构风险最小化的原则上，具有较好的泛化能力，适合解决两类问 题和线性不可分问题，已经有一些研究开始将其应用到事件检测中。2 0 0 3 年， f a n gy u a n 币h r u e yl o n gc h e u t l 5 1 最早将支持向量机技术应用至i j a i d 算法中，分 别运用主干路网的模拟数据和加利福尼亚的i 8 8 0 高速公路实测数据进行测 试，并与多层前反馈神经网络测试结果比较，得到了较好的检测效率与效果。 为a i d 算法提供了一个新的研究方向。 除了以上方法，自上世纪9 0 年代以后，还出现了k 最邻近分类，粗糙集， 模糊逻辑算法，模糊逻辑与遗传算法混合，小波分析，模糊逻辑、小波和神 经网络综合等一系列人工智能算法，虽然有些算法尚处于原型阶段，还有许 多值得研究的问题，但他们在交通事件的检测效率与效果方面表现出突出的 优势。 1 2 2 国内事件检测算法的研究 国内对于事件检测方面的研究起步相对较晚，但是随着经济的发展，车 辆的增加，国家逐渐对提高交通质量重视起来。在跟踪国际交通研究的前沿 基础上，一些专家学者在检测算法的设计以及应用上取得了一定的研究成果。 在算法设计上主要采用以下几种方法： 1 突变理论：1 9 9 4 年邓卫等人基于高速公路交通突变理论最早对a i d 算法进行了研究 2 s 】。 2 小波理论：刘伟铭、李文江、高昕等人分别采用小波变换的方法进行 交通事件检测和交通数据的分析，结果表明其具有突出的优点1 t 6 1 。 3 神经网络：2 0 0 0 年，姜紫峰 1 7 1 运用b p 算法实现多层前向人工神经 网络模型，与传统算法进行比较，发现b p 算法具有检测率高、误报率低、 检测时间短的优点，指出了今后进一步研究的方向。接着姜桂艳s l 以人工神 经网络技术为依托，设计了基于单个检测设施的交通事件检测算法。周雪铭 ( 2 0 0 2 ) 1 9 1 通过小波变换对原始采样信号进行奇异点检测，然后通过神经网络 对小波变换的结果进行分类仿真，实验证明该方法相对于传统的事件检测算 法能更准确、快速地实现分类。吕琪提出了一种基于动态神经网络的交通事 件检测算法z o 】，将一种新型的动态神经网络结构与传统的基于状态估计的故 障检测方法相结合，改善了以往神经网络算法都是应用静态前馈神经网络对 西南交通大学硕士研究生学位论文第5 页 事件进行模式识别的缺点，增强了网络的动态性，实时性。2 0 0 4 年，李海峰 等提出基于s n n ( s t a t i s t i c a ln e u r a ln e t w o r k s ，简称s n n ) 软件系统的神经网络 交通事件检测算法1 2 。刘伟铭等【2 2 】运用l v q 神经网络以车辆检测器输出的脉 冲宽度和脉冲间隔作为参数设计了高速公路交通事件自动检测算法。温娟等 【：，l 将粗集作为神经网络的预处理环节，尽可能精简属性集，从而减少了神经 网络的输入，减少了神经网络的复杂度和训练时间，提高了交通事件的自动 检测速度。2 0 0 5 年，樊小红等提出遗传算法与神经网络相结合的交通事件检 测算、法【z ，应用遗传算法优化交通事件检测的神经网络模型参数，得到交通 事件发生与交通参数间的映射关系。沈晓蓉等利用i 8 8 0 实测交通数据库对 神经网络在交通事件自动检测中的实际应用进行了研究【2 5 】，结果表明神经网 络应用于交通事件自动检测技术具有较高的检测率和较低的误报率。杨旭等 提出一种基于a r t 2 神经网络的高速公路a i d 新算法 2 6 1 ，用a r t 2 神经网络 对实测数据与交通流模型估计数据的残差进行分类，以区分不同交通状态下 的交通信息，达到检测交通事件的目的。 4 模糊理论：周伟( 2 0 0 1 ) 等人在分析拥挤交通流特性的基础上，提出了 一种基于模糊综合识别的事件检测算法 2 7 j ，并可以确定拥挤成因，仿真研究 结果比较表明该算法效果很好。杨兆升( 2 0 0 3 ) 等 2 8 1 为了解决在交通事件中的 多事件多传感器的事件识别问题，应用模糊综合决策模型来进行多目标多传 感器的信息融合，并证明该模型具有信息损失少，且计算量少，具有实用性。 马红伟( 2 0 0 7 ) 【z 。】采用隶属度的概念描述交通流的具体形态，以速度与流量作 为算法参数，通过模糊推理过程判别交通事件是否发生，并建立了算法的流 程。通过对增量比较判别法的改进以及模糊逻辑的引入，提高了算法的检测 率，降低了算法的误报率。 5 支持向量机：姚智胜等在2 0 0 5 年提出基于v - 支持向量分类机的交通 事件检测方法 3 0 l ，以占有率作为输入，把交通事件是否发生看成是一个特殊 的分类问题来判别是否发生交通事件。并以微观交通模拟的数据验证模型的 效果。2 0 0 6 年，姜桂艳等提出了一类基于s v m 的高速公路交通事件检测算 法 3 u ，发现该算法只需少量训练样本，训练时间短，需设定的参数少等优点， 模拟证明了不同的s v m 模型中基于线性s v m 模型的检测效果相对较好。梁 新荣】、姚宝珍、陈斌【6 7 ，也分别将支持向量机用于高速公路事件检测。王琪【，】 利用神经网络和支持向量机分别对交通流模型估计数据与实测交通数据的残 差进行分类，相关仿真说明s v m 分类器的效果明显优于传统b p 网络模型。 2 0 0 7 年，裴瑞平等将小波变换和最j , - 乘支持向量机相结合作为交通事件自 西南交通大学硕士研究生学位论文第6 页 动检测算法 3 2 1 ，利用小波变换提取特征数据，使用最d 、- - 乘支持向量机进行 分类。覃频频【3 3 ，首先通过建立基于线性核，多项式核和径向基核的事件检测 s v m 模型，证明了s v m 是高速公路事件检测的一种有很有潜力的算法。然 后将表决融合方法引入到事件检测中，通过融合多层前向神经网络、概率神 经网络与支持向量机，建立了一种高速公路事件检测算法融合表决融合方法。 蔡志理 3 4 1 运用支持向量机技术、最优控制理论、遗传算法以及g p s 、g i s 、 g p r s 等先进的技术手段与方法，对高速公路交通事件自动检测算法及交通 疏导技术进行了深入研究，重点研究了基于s v m 的a i d 系列算法，提出了 基于固定检测器的s v m a i d 算法、基于s v m 多分类器的组合a i d 算法以 及基于s v m 多分类器的交通事件全过程自动检测算法，并给出了模拟应用 的分析结果。崔志宾( 2 0 0 8 ) 3 5 1 对i 8 8 0 的实测数据建立了支持向量机模型，并 对于基于支持向量机的交通事件检测算法的评价指标进行了改进，运用原有 指标获取了一个带有权重值的综合指标，对于方法的评价更加方便有效。 综上所述，经过4 0 多年的发展，小波理论、粗糙集、遗传算法、人工神 经网络、模糊理论和支持向量机等人工智能技术已经成为a i d 算法设计的重 要手段。尤其是神经网络和支持向量机技术。神经网络应用于事件检测领域 不到10 年就已经取得了非常显著的成果。文献3 ，17 ，2 1 ，2 3 就证明了使用神经 网络技术进行事件检测的可行性，模拟和实测数据验证结果表明其检测性能 比传统算法都优越。但是由于它在优化过程可能陷入局部极值，训练质量得 不到保证，而且基于经验风险最小，而不是期望风险最小，这就影响到它的 可推广性等问题。针对以上问题，文献 1 9 ，2 0 ，2 3 不断对神经网络进行改进或 与其他方法结合使用，但是以上问题仍得不到合适的解答。于是文献 3 0 2 1 】 转向寻找其他的检测方法。支持向量机以全局优化、适应性强、泛化性能好 等优点用于事件检测中，得到了较好的检测效果，它是针对有限样本的机器 学习理论，不仅圆满的回答了神经网络研究与应用中提出的一系列理论性问 题，而且是一种能克服神经网络局限性的方法。基于结构风险最小化，将最 小化期望风险的要求具体化为最大化异类样本之间的分类间隔，保证了学习 机器有好的泛化能力 3 5 1 。基于s v m 的交通事件检测算法研究目前处于初期 研究阶段，许多应用技术和技巧还有待于进一步的探讨。 1 3 论文的研究内容和组织结构 本文以高速公路交通事件为研究对象，通过仿真分析交通流在事件状态 西南交通大学硕士研究生学位论文第7 页 与非事件状态下表现的特性，得到交通参数对交通事件的敏感程度。在比较 分析常用交通事件检测算法的基础上，提出基于遗传支持向量机的交通事件 检测算法。论文围绕交通事件检测样本量有限、需要选取输入特征和设置算 法参数等问题展开，采用i 8 8 0 实测交通数据集进行算法应用仿真，并对检 测算法进行评价和比较。主要研究内容包括以下几个方面： 1 交通事件状态下的交通流特性。 2 常用a i d 方法的工作原理及优缺点，总结事件检测需要解决的问题。 3 s v m 分类原理及其优势分析。 4 输入特征及s v m 模型参数选取方法。 5 用实测数据集构建各种g a s v m 事件检测模型。 6 评价g a s v m 在交通事件检测中的应用性能，得出最优g a s v m 事 件检测模型。 7 基于网格搜索法的多项式核s v m 参数优化方法设计。 8 构建基于网格搜索法的s v m 事件检测模型和基于b p 神经网络的事 件检测模型。并将获得的最优g a s v m 事件检测模型与以上两种模型进行比 较分析。 论文的组织结构如下： 第1 章首先介绍课题研究的背景和意义，然后从国内外两个方面描述本 课题的研究发展状况并总结分析交通事件检测领域的研究热点、发展方向以 及存在的问题。 第2 章仿真分析交通事件下的交通流变化特性。通过对常用a i d 方法 的工作原理和优缺点进行总结分析，得出事件检测算法需要解决的问题，给 出常用a i d 方法对于上述问题的解决情况。 第3 章分析s v m 分类原理，并将其与它模型进行比较分析，针对s v m 模型参数及输入特征选择的问题，引入基于实值编码遗传算法的s v m 特征 与参数同步选取方法，并详细设计遗传操作的每个过程。 第4 章将各种g a s v m 模型应用于交通事件检测中，给出仿真条件和 设定仿真控制参数之后，采用i 一8 8 0 数据集进行仿真实验，分析实验结果得 出最优g a s v m 模型。 第5 章将g a s v m 模型与其它事件检测算法进行比较分析，以验证选 取最优特征组合的必要性、g a 选取的有效性及s v m 事件检测的优越性。 结论与展望总结论文的研究成果，给出下一步的研究方向。 西南交通大学硕士研究生学位论文第8 页 第2 章交通事件检测原理与a id 方法分析 根据发生交通事件时交通流发生剧烈变化，可以推测交通事件的发生， 学术界提出了包括数理统计、人工智能等多种技术的事件检测算法，虽然这 些方法取得了良好的检测效果，但尚存在一些问题影响它们性能的提高。因 此，为了研究开发准确、快速的交通事件检测方法，对常用a i d 方法的工作 原理及其性能影响因素进行总结分析，并找出事件检测算法需要解决的问题 是非常必要的。本章在阐述交通事件检测基本概念的基础上，仿真分析了交 通事件下的交通流变化特性。然后对常用a i d 方法进行总结分析。 2 1 交通事件检测基本概念 2 1 1 交通事件概念及分类 高速公路交通事件定义为经常发生的非周期性、非重复性事件，一般是 指短时间内引起道路有效通行能力下降或交通需求不正常升高的各种偶然事 件，包括交通事故、停驻车辆、车辆抛锚、货物散落、气候变化、道路养护 或施工、信号或检测器故障和临时的大型活动等 3 0 m 】。根据造成事件的原因 不同，一般分为可预测事件和不可预测事件两类【3 j ，如图2 1 所示： 图2 1 交通事件分类 对于可预测类的交通事件，通过相关部门的通知，驾驶员可以预先制订 合理的出行计划来降低其影响，但对不可预测的突发事件引起的延误，驾驶 西南交通大学硕士研究生学位论文第9 页 员却无法事先采取一定的躲避措施。这类事件的影响不仅限于交通拥挤，还 会引起二次事故，从而增加了事件的数量，并延长了清除事件的时间。这种 突发性的事件因会对人员和货物运输方面产生更大的影响而成为国内外大多 学者研究和关注的问题f 3 。1 s g l 。 在本文中，交通事件特指高速公路上的不可预测事件，其中主要指交通 事故。 2 1 2 度量参数 交通事件发生后，人们可以通过视觉和感受了解到事件的发生。很明显 地，车速减慢，道路的通行能力下降，车辆之间的距离越来越近是较容易察 觉到的。要从理论上将这些交通状态描述出来，就需要给出量化的度量参数。 将道路上川流不息运行的车辆构成的流动形态称为交通流，其中人( 驾 驶员) 、车、路是构成交通流的基本要素m 】。交通流运行状态的定性、定量特 征称为交通流特性。用来描述和反映交通流特性的物理量称为交通流参数。 交通流参数一般分为宏观参数和微观参数川。宏观参数主要描述交通流作为 整体表现出来的特性，包括交通流量、速度和交通密度或占有率。微观参数 用于描述交通流中彼此相关的个体车辆之间的运行特征，如车头时距、车头 间距等。 目前已有一些检测器技术可以直接或间接的采集到以上交通流参数的 值。固定型交通检测器就是最常用的采集方法，它可以直接或间接的提供交 通流量、占有率、速度和车头时距等交通参数 1 6 】。而流量、占有率和速度常 用作为交通特征描述的基本参数。 2 2 交通事件下交通流变化特性分析 从以上分析可知，通常固定交通检测器可以采集道路上的交通流量、速 度、占有率基本交通参数，这些参数可以用于描述交通流的特性，它们的变 化规律基本上反映了交通流的运行状态。 当高速公路某一路段发生事件，尤其是发生在两个车道时，事件点路段 通行能力立即下降，如果下降到低于交通需求时，交通流受到影响，各种交 通参数发生突变，产生偶发性交通拥堵。交通流特性包括了交通流的空间变 化特性和交通流的时间变化特性【，引。通常用事件发生地点的上游路段和下游 路段交通参数的变化及其差别来反映交通流的空间变化特性，而用事件发生 西南交通大学硕士研究生学位论文第1 0 页 前后上游或下游交通参数的变化及其差异来反映交通流的时间变化特性。 发生交通事件时，上游检测器附近单位时间内的占有率增加，流量减少， 速度下降：下游检测器附近单位时间内的占有率、流量都相应减少，速度变 化不明显。这是事件条件下交通流参数的总体变化特征。下面采用a y e 仿真 数据库 6 2 1 ( 具体描述详见文献 3 3 ) ，分别对事件发生前后上下游检测器采集 的交通参数，和一些组合的交通参数进行分析，研究事件发生前后交通流特 性的变化。为了便于显示，对各交通参数值进行了不同程度的调整。 1 发生事件前后上游流量、速度和占有率三者之间的相互影响分析 图2 2 是发生交通事件l 的仿真图，反映了事件发生时，速度、占有率 和流量的变化情况及相互之间的关系。仿真时间2 7 0 0 秒，检测周期3 0 秒， 共计9 0 个检测周期，事件大约发生在第1 4 检测周期左右( t 时刻) 。 速度慌量、占有率变化图 孚 c d 迥 上 ； e 卫 p - - n c s ) 图2 - 2 发生一次事件前后的上游流量、速度和占有率 从总体来看，事件发生之前各交通参数值比较平稳，其中流量和占有率 成线性关系。发生事件后占有率增大，速度和流量都会减小。在发生交通事 件之后： 1 ) 从流量和占有率的的两个曲线分析，占有率数据会升高很快，从正常 情况下的百分之十几会上升到百分之七十，占有率升高的同时，导致流量减 小后基本静止在不动的状态，实际中，也就是上游发生了严重的交通拥堵或 者是发生了交通事故。 2 ) 从流量和速度的的两个曲线分析，随着事件发生后堆积的车辆增多， 车流几乎静止不动，从交通事件发生的时间开始，行驶车辆的速度会出现一 个断层，速度急剧下降，甚至速度减小到接近零，所以流量也非常小。 西南交通大学硕士研究生学位论文第1 1 页 3 ) 从占有率和速度的两个曲线分析，可以看出，随着时间的推移，车辆 拥塞，占有率的值急剧升高，车辆几乎没有可以运行的空间，速度值随之下 降。事件处理过后，各交通参数的值逐渐恢复为事件未发生之前的正常状态。 2 发生事件前后上下游检测器各交通流参数的变化情况 图2 3 到图2 5 是发生5 次交通事件的仿真图，反映了在交通事件发生 时，上下游检测器上速度、占有率和流量的变化情况。仿真时间1 3 5 0 0 秒， 检测周期3 0 秒，共计4 5 0 个检测周期。 图2 3 上下游速度值变化图 上f 游占有率值变化图 图2 ，4 上下游占有率值变化图 西南交通大学硕士研究生学位论文第1 2 页 | = 下游流星值变化图 图2 - 5 上下游流量变化图 从图2 3 到图2 5 很明显的看到，事件发生前后，上下游的速度、占有 率发生了很大变化，而流量的变化不那么突出，也就说事件对流量的影响稍 小。从而可以推断，上下游速度和占有率的差值也可能会有较大的变化。各 交通参数上游的的变化幅度较下游的幅度大，尤其下游的速度变化幅度很小， 且上游各参数的变化频率及发生剧烈变化的时间( 仿真图出现峰值) 与事件 发生的频率和时间相符，而下游各参数的变化并没有那么明显的规律性。交 通事件在道路上发生时，由于事件引起的排队是在事件发生地点的上游发生， 因此上游的参数值变化较大，而对于下游检测器，如果检测器距离事件发生 地点较近，则检测到的速度低于正常车速，占有率和流量很小，车辆处在加 速阶段，占有率和流量逐渐增大。如果检测器距离事件发生地点较远，检测 到的交通参数值与正常状态下的值变化不大。因此，若只用单侧检测器的交 通参数指标描述交通流的特性，应选取上游检测器上的参数，且要求检测器 间距符合一定的要求。如果检测器布设密度较小，可将下游交通参数作为参 考变且【e ，6 引。 3 发生事件前后一些组合的交通参数的变化情况 从图2 2 可以看到，当交通事件发生时，上游各交通参数都有比较大的 变化，而从图2 3 到图2 5 分析可知，发生事件前后上下游速度和占有率的 差值也可能会有较大的变化，而流量的差值变化较小。为了更明显的表示出 不同交通状态之间的差异，我们考虑事件对占有率与速度的比值，速度与流 量的乘积、占有率与流量的比值和上下游速度差与占有率差的乘积的绝对值 西南交通大学硕士研究生学位论文第1 3 页 这四个组合参数的影响。图2 - 6 到图2 - 9 仍为发生交通事件l 的仿真图。 占有率比速度变4 - t _ , 图 时r 可( 8 ) 图2 - 6 占有率与速度之比变化图 流量乘速度变化图 时间( s ) 图2 7 流量与速度乘积变化图 占有率比流量变化图 时间( s ) 图2 8 占有率与流量之比变化图 彗碍忙乜 越制嵘孵爆 删煺羞褂h 篷 西南交通大学硕士研究生学位论文第1 4 页 日丁r e j ( 8 ) 图2 - 9 差的乘积的绝对值