[发明专利]基于欠抽样面向不平衡数据集的交通事件自动检测方法

说明书

技术领域

本发明属于交通智能管理和控制技术领域，涉及一种基于欠抽样面向不平衡数据集的交通事件自动检测方法。

背景技术

交通事件不仅引起拥堵和延误，还容易引发二次事故。准确、快速地检测出交通事件，及时进行事件救援和处理，能有效地减少由交通事件产生的交通拥堵和延误，避免二次事故的发生。交通事件自动检测(AutomaticIncident Detection，AID)是现代交通监控系统的重要组成部分，是先进的交通管理系统和出行者信息系统的基础，对大幅度降低由交通事件引起的延误、拥挤和事故，提高道路交通安全和服务水平具有极为重要的意义。

近年来，AID算法的研究主要集中在神经网络、模糊理论、小波分析以及支持向量机等新技术的应用方面。相对于传统的事件检测算法，上述交通事件检测算法能够在一定程度上提高算法的检测性能。但是，在现实世界中，交通正常运行状态远远多于交通事件状态，交通事件检测实质上是不平衡分类问题，而以往的交通事件自动检测算法较少考虑这个问题。上述交通事件检测算法多是基于平衡数据集进行分类的算法，用于交通事件检测时往往导致较高的误报率、较低的检测率和较长的平均检测时间，检测效果令人失望。

支持向量机(SupportVectorMachine，SVM)已用于交通事件检测，但其在处理不平衡分类问题时表现出明显的“有偏性”，不利于少数类样本的学习。为了克服上述缺陷，本发明基于邻域清理规则，结合支持向量机，提出一种基于欠抽样面向不平衡数据集的交通事件自动检测方法。首先通过基于邻域清理规则的欠抽样方法对训练集中的多数类进行欠抽样以降低其不平衡性，而后使用相对平衡的训练集训练支持向量机，使之作为分类器进行交通事件自动检测。

发明内容

技术问题：本发明提供一种降低训练集中类间样本数目的不平衡性，能够适应现实世界中不平衡交通数据的基于欠抽样面向不平衡数据集的交通事件自动检测方法。

技术方案：本发明的基于欠抽样面向不平衡数据集的交通事件自动检测方法，包括如下步骤：

1)利用最大-最小规范化方法对实测交通流数据进行规范化处理，得到原始训练集和测试集；

2)基于邻域清理规则对步骤1)得到的原始训练集中的多数类进行欠抽样处理，降低训练集的不平衡性，得到新的相对平衡的训练集；

3)基于步骤1)得到的原始训练集，支持向量机的核函数采用径向基函数，采用改进的网格搜索算法优化支持向量机的惩罚因子C和核参数g，得到支持向量机惩罚因子C的最佳值和核参数g的最佳值；

4)根据步骤3)得到的支持向量机惩罚因子C的最佳值和核参数g的最佳值，使用步骤2)得到的新的相对平衡的训练集训练支持向量机，得到面向不平衡数据集的交通事件自动检测模型；

5)使用训练好的面向不平衡数据集的交通事件自动检测模型，对步骤1)得到的测试集进行交通事件自动检测，根据模型的输出结果判定是否发生交通事件。

本发明方法的优选方案中，步骤1)中的实测交通流数据包括检测器在每个采样周期检测到的检测路段上游和下游的速度、占有率和流量三类数据。

本发明方法的优选方案中，步骤1)中的最大-最小规范化方法为根据下式对实测交通流数据进行处理：

xij‾=xij-xminjxmaxj-xminj,]]>