[发明专利]一种融合SVM与BP神经网络的城市道路交通状态检测方法

权利要求书

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

ν=Σi=1nτνinτ,]]>i=1，2，...n_τ，                    (1)

f=nττ,---(2)]]>

s=t2-t1τ,---(3)]]>

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。

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)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。