[发明专利]基于PCA‑GA‑SVM算法的高速公路拥堵识别方法

权利要求书

1.一种基于PCA-GA-SVM算法的高速公路拥堵识别方法，其特征在于：包括如下步骤：

步骤1：获取固定车检器数据，并对固定车检器数据进行预处理；

步骤2：选取拥堵判别SVM算法特征向量

步骤21：选取训练样本的特征向量；

步骤22：利用PCA对初始特征参数进行加权降维处理；

步骤3：训练拥堵判别SVM算法参数

步骤31：选取SVM算法核函数；

步骤32：利用遗传算法优化核函数参数；

步骤4：拥堵状态判别：根据交通事件的严重程度分为无事件状态、轻度拥堵状态和严重拥堵状态；采用“一对一”算法，组合两个二分类器构造SVM多分类器来得到判别结果，将二分类器问题延伸到处理多分类问题。

2.根据权利要求1所述的基于PCA-GA-SVM算法的高速公路拥堵识别方法，其特征在于：所述步骤1中，对固定车检器数据进行预处理的方法如下：

步骤11：对于原始数据进行故障的分析与判断，判定其是否为故障数据，且当车速和占有率同时很高时判断为失真，当流量、车速和占有率均为0时判断为丢失；

步骤21：对于故障数据的剔除与补充修复，采用当前路段的实测数据与历史数据的加权方式得出的值来对故障数据进行补充修复，公式如下：

其中，为t时段的数据修复值；

x(t-1)为t-1时段的实际检测值；

x′(t)为同一时刻前n天的采集数据的历史均值；

α为遗忘因子，α∈[0,1]，α取值的大小决定对于历史的数据依赖程度。

3.根据权利要求1所述的基于PCA-GA-SVM算法的高速公路拥堵识别方法，其特征在于：所述步骤21中，分析高速公路异常状态交通参数，选取异常发生时刻上下游流量、占有率、车速数据作为训练样本的特征向量，共选择出6个特征向量。

4.根据权利要求3所述的基于PCA-GA-SVM算法的高速公路拥堵识别方法，其特征在于：所述步骤22中，利用PCA对初始特征参数进行加权降维处理的方法如下：

步骤221：利用n个训练样本，每个训练样本观测选取的6个指标，将原始数据写成矩阵如下所示：

其中，i为训练样本数量，i＝1,2,…n；

j为观测指标数量，j＝1,2,…6；

x_ij是原始数据中第i个样本第j个观测指标数据；

将原始数据标准化加权后，原始数据矩阵转化为：

其中，i为训练样本数量，i＝1,2,…n；

j为观测指标数量，j＝1,2,…6；

x'_ij是原始数据中第i个样本第j个观测指标标准化后的数据；

β_ij是对应x'_ij的权重，且0＜β_ij＜1，并且β_i1+β_i2+…+β_i6＝1；

步骤222：建立变量的相关系数阵，如下所示：

R＝(r_ij)_6×6

其中，r_ij为第i个样本第j个观测指标对应的相关系数，如下：

其中，是所有原始数据中观测指标标准化后的数据的平均值。

求得R的特征根λ1≥λ2≥…≥λ6>0，特征向量如下：

步骤223：计算主成分，公式如下：

F_i＝a_1iX₁+a_2iX₂+…+a_jiX_j…+a_6iX₆

其中，i为训练样本数量，i＝1,2,…n；

j为观测指标数量，j＝1,2,…6；

X_j为第j个观测指对应的样本数据；

a_ji为根据样本数据求得的相关系数阵的第i个样本第j个观测指标对应的特征根的特征向量；

计算主成分贡献率及累计贡献率如下：

贡献率：

累计贡献率：

其中，i为主成分个数，i＝1,2,…,6

取累计贡献率达设定值以上的特征值所对应的前m个主成分，其中，m≤6。