基于强空间集成的交通状态判别方法

《基于强空间集成的交通状态判别方法》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、基于强空间集成的交通状态判别方法刘擎超蔡英凤江浩斌何友国胨龙江苏大学汽车工程研究院为研宄服务于交通诱导的路网宏观交通状态判别模型，依据集成学习理论，基于强空间集成，提出一种交通状态判别方法。采用K-近邻规则寻找与待判别交通流数据相似的一组训练样本，构成待判别数据的邻域，挖掘交通状态学习器的强空间，进而输出交通运行状态等级标签。采用交通状态混淆矩阵，奔全率、查准率等进行实验，结果表明该方法能够较准确地判断路网交通状态，满足交通状态判别的实际应用。关键词：智能交通;交通状态判别;强空间;混淆矩阵;学习器;基金：国家自然科学基金(U1564

2、201,61601203，61403172)AutomaticConditionIdentificationMethodBasedonStrongSpaceIntegrationLIUQingchaoCAIYingfengJIANGHaobinHEYouguoCHENLongAutomotiveEngineeringResearchInstitute，JiangsuUniversity;Abstract：Inordertoresearchtheroadnetworkmacroscopicautomaticconditionidenti

3、ficationmodelwhichisusedintrafficguidance,accordingtotheensemblelearningtheory,thispaperproposesanautomaticconditionidentificationmethodbasedonstrongspaceintegration.ItusesK-nearestneighborruletofindasetoftrainingsamplessimilartothetrafficdatatobediscriminated,theneighb

4、orhoodofthedatatobediscriminated,andexcavatesthestrongspaceoftheautomaticconditionlearner，thenoutputstheautomaticconditionlevellabel.Automaticconditionconfusionmatrix,recallrateandprecisionrateareusedintheexperiment.Experimentalresultsshowthatthismodelcanaccuratelyident

5、ifytheautomaticconditionoftheroadnetworkandmeetthepracticalapplicationoftheautomaticconditionidentification.Keyword：intelligenttransportation;automaticconditionidentification;strongspace;confusionmatrix;learner;0概述随着新的交通信息釆集技术和通信技术的出现交通管理部门可以获得大量、实时的交通流参数数据［4-5L并能对其实现冇效

6、传输，这为新算法开发提供丫更多的交通参数选择［6-7］。新的数据分析技术(如机器学习、模式识别、知识发现等)的成熟也力新交通状态判别(AutomaticConditionIdentification,ACI)算法的开发奠定了分析数据的技术基础文献［11］以定量分析路网中交通状态指标和模糊C均值聚类历史数据为基础，分析路网空间分布密度，从而计算各交通状态类中心簇的中心点，并对城市道路实时采集的交通流数据进行线上实时判别。文献［12］提出棊于神经网络的交通状态预测模型，为确定神经网络输入层的参数引入相关系数法。在预测的基础上以实测值与预测

7、值之间的差值作为判别的依据，判别道路的交通状态。文献［13］运用模糊C均值聚类对交通状态边界进行划分，进而利用灰色聚类模型对交通状态进行判别。文献［M］采用改进模糊C均值算法实现了4种交通状态的聚类分析，利用蒙特卡罗模拟方法建立交通状态辨识模型，并采用交通状态辨识平均精度、召冋率和F-度量等指标进行综合评价。交通状态自动判别问题实质上属于多分类学习问题，将交通状态划分为多种交通状态等级，如畅通、缓行、拥堵等，并对其进行识别。因此，以历史交通流数据为基础，构建多分类学习器，由此掌握交通状态的变化规律，从而实现对城市道路交通流进行状态等级

8、判别。0前绝大多数学者构建的交通状态判别分类学习器属于单学习器，然而单学习器学习能力弱，无法考虑完整的交通状态信息，直接影响分类学习器的普适性。本文采用集成学习理论，构建多分类学习器集成，避免单分类学习器的片面性，集合多