[发明专利]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

说明书

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。

本发明解决其技术问题所采用的技术方案是：

一种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，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=Σi=1nτvinτ,]]>i=1，2，...n_τ，(1)

f=nττ,---(2)]]>

s=t2-t1τ,---(3)]]>

t=t₂-t₁，(4)