[发明专利]基于PCA‑GA‑SVM算法的高速公路拥堵识别方法

说明书

技术领域

本发明涉及一种道路拥堵识别方法，具体的为一种运用PCA方法、GA理论以及SVM算法进行综合的道路拥堵判别的方法。

背景技术

随着我国高速公路交通异常状态日益频发，严重影响高速公路的运行效率。准确把握交通运行状态并及时检测出交通异常，对于交通管理者制定恰当的交通管控策略，为驾驶员提供实时并且可靠的交通信息很有必要。交通异常状态判别算法通过分析检测器采集到的交通流参数来判断道路状态是否异常，是把握高速公路异常运行状态、进行调控和解决交通异常问题的前提和关键技术。

目前国内外存在的交通异常状态判别算法主要包括模式识别算法、统计算法、时间序列和平滑/滤波算法、突变理论和人工智能事件检测算法等，其中模式识别算法、统计算法、时间序列和平滑/滤波算法、突变理论算法的可移植性比较差，结果并不令人满意。人工智能算法在近年来得到极大的发展，其中支持向量机(Support Vector Machine,SVM)算法综合性能较好，首先由Cortes和Vapnik于1995年提出，然而目前在应用中的SVM算法对高速公路交通运行状态的划分还不够细致，并且还存在算法模型训练时间过长和准确率偏低等问题，这些问题制约着算法交通状态分类的性能，不利于健全高速公路监控和管理系统和准确的把握交通运行状态。

发明内容

有鉴于此，为了解决现有技术中存在的问题，本发明的目的在于提供一种基于PCA-GA-SVM算法的高速公路拥堵识别方法。

为达到上述目的，本发明提供如下技术方案：

一种基于PCA-GA-SVM算法的高速公路拥堵识别方法，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。

进一步，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。

进一步，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。

进一步，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′_“j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