国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于支持向量機的高速公路事件檢測算法研究

2014-04-04 01:46周林英張立成郝茹茹
西安工業(yè)大學學報 2014年9期
關鍵詞:路段函數(shù)算法

周 洲,周林英,張立成,郝茹茹

(長安大學 信息工程學院,西安710064)

隨著我國交通行業(yè)的快速發(fā)展,高速公路的大力建設在產生巨大的經濟和社會效益的同時,也帶來了不斷加劇的交通擁擠以及不斷增加的交通事故,這成為了高速公路日常運營管理中的一大難題.加強對高速公路事件檢測算法的研究,提高高速公路事件檢測的準確性,使管理部門能夠對高速公路突發(fā)事件進行及時的處理和管控,最大限度的確保人員和車輛安全,提高高速公路的運營效率,充分發(fā)揮高速公路的優(yōu)越性.

與傳統(tǒng)的高速公路事件檢測理論相比,SVM理論是以統(tǒng)計學習理論和結構風險最小化原理為基礎的 學習模型,具有數(shù)學公式簡潔、幾何解釋直觀、泛化能力良好、能夠有效避免局部最優(yōu)解等優(yōu)點.因此,利用SVM解決高速公路事件檢測中普遍所存在的事件樣本少、樣本采集困難、檢測效果不夠理想等問題具有良好的應用[1-9].

SVM可分為SVM,線性不可分SVM,非線性可分SVM三種類型.其核心思想是根據(jù)最大間隔原則求得最優(yōu)分類面,從而判斷任意輸入所屬的類別.線性不可分SVM需要優(yōu)化懲罰參數(shù)C,對于非線性可分SVM,選擇不同的核函數(shù),可構成不同的支持向量機.目前,在分類問題方面常用的核函數(shù)主要有

1)多項式函數(shù)核函數(shù):K(x,xj)= ((x·xi)+coefo2,(coefo≥0,d)為階數(shù),d∈ N.特別地,當coef0=0時為齊次多項式核函數(shù).

2)高斯徑向基核函數(shù)

<k(x,xi)=exp(-r‖x-xi‖2,r>0

3)雙曲線正切核函數(shù)

<k(x,xi)=tanh(r(x,xi)+c),r>0

1 基于SVM-AID的算法步驟和工作流程

基于支持向量的事件檢測算法流程如圖1所示.

① 數(shù)據(jù)準備階段:包括交通數(shù)據(jù)選取、交通數(shù)據(jù)采集、數(shù)據(jù)優(yōu)化處理等過程,并將數(shù)據(jù)分為訓練數(shù)據(jù)集和測試數(shù)據(jù)集兩部分.

②SVM核函數(shù)模型選擇階段:選擇不同的SVM核函數(shù)模型,根據(jù)相對應的數(shù)據(jù)空間,利用特定的算法找出各個核函數(shù)模型所對應的最優(yōu)參數(shù),利用訓練數(shù)據(jù)集分別對不同的SVM核函數(shù)模型進行訓練.

③測試階段:利用測試數(shù)據(jù)集對訓練好的SVM模型進行測試,如果測試結果達到預先設定的條件,測試結束.否則,返回第②步,重新進行參數(shù)優(yōu)化確定模型,并重新訓練.

1.1 交通參數(shù)選擇

選擇上游檢測點t、t-1、t-2、t-3、t-4時刻測得的流量、速度和占有率以及下游檢測點t、t-1、t-2時刻測得的流量、速度和占有率作為SVM的輸入,因此SVM有24個輸入向量.用“+1”標識有事件發(fā)生的特征向量,用“-1”標識無事件發(fā)生的特征向量.同時,定義當輸出節(jié)點數(shù)為1個,輸出值為“+1”時,代表有事件狀態(tài),輸出值為“-1”時,代表無事件狀態(tài).

圖1 基于SVM的事件檢測算法工作步驟Fig.1 Main workflow of the incident detection algorithm based on SVM

1.2 交通數(shù)據(jù)來源

本文采用美國加利福尼亞州I-880數(shù)據(jù)庫[10]作為交通數(shù)據(jù)來源,I-880數(shù)據(jù)庫是美國Berkeley大學《Freeway Service Patrol Project》項目所采集的交通流數(shù)據(jù).采集路段為美國加利福尼亞州Hayward的I-880高速公路,該路段全長9.41英里,車道數(shù)為3~5個,向北方向車道共埋設環(huán)形線圈18組,向南方向車道共埋設環(huán)形線圈17組.數(shù)據(jù)庫的原始數(shù)據(jù)主要包括環(huán)形線圈數(shù)據(jù)集、浮動車數(shù)據(jù)集和交通事件數(shù)據(jù)集三部分.

1.3 模型及核函數(shù)的選擇

不同的SVM模型、不同的核函數(shù)及其參數(shù)都會對算法的性能指標產生影響[11-12],本文分別采用線性不可分SVM、齊次多項式核函數(shù)、高斯徑向基核函數(shù)和雙曲線正切核函數(shù)等4種不同的SVM模型對事件檢測算法進行仿真分析,同時與經典的加利福尼亞算法進行對比.針對不同的核函數(shù),需要對其相應的參數(shù)進行優(yōu)化設定,本文采用網格搜索算法分別對多項式核函數(shù)的階數(shù),高斯徑向基核函數(shù)中的參數(shù),以及雙曲線正切核函數(shù)中函數(shù)的參數(shù)和等參數(shù)進行優(yōu)化,然后對給定的參數(shù)進行5-折交叉驗證,通過反復實驗,最終獲得分類效果最好的一組參數(shù).

2 算法仿真

設計4組實驗,在每組實驗中分別用基于線性不可分SVM、齊次多項式核函數(shù)、高斯徑向基核函數(shù)、雙曲線正切核函數(shù)等4種模型對事件檢測算法進行仿真,不同算法中的參數(shù)尋優(yōu)、模型訓練、結果測試都采用臺灣林智仁副教授提供的Libsvm工具箱[13]完成.其中,實驗1(訓練、測試數(shù)據(jù)均源自南向路段)和實驗2(訓練、測試數(shù)據(jù)均源自北向路段)用來驗證算法的有效性.實驗3(訓練數(shù)據(jù)源自南向路段,測試數(shù)據(jù)源自北向路段)和實驗4(訓練數(shù)據(jù)源自北向路段,測試數(shù)據(jù)源自南向路段)用于驗證算法的可移植性.各實驗選取的模型及數(shù)據(jù)來源見表1.

表1 各實驗選取的模型及數(shù)據(jù)Tab.1 Models and data of various experiments

2.1 仿真實驗一

本實驗用到的訓練數(shù)據(jù)集、測試數(shù)據(jù)集均來自南向路段,利用表1中的數(shù)據(jù)對SVM模型進行訓練和測試,用以驗證算法的有效性.

1)線性不可分SVM在進行仿真實驗之前首先利用2.3節(jié)提到的參數(shù)優(yōu)化方法確定懲罰參數(shù)C的最優(yōu)值.在對懲罰參數(shù) 進行優(yōu)化的過程中,其取值范圍的選擇非常重要,選取不同的初始值,優(yōu)化結果會產生較大差異,從而影響算法的最終分類效果.通過多次試驗,選取不同的參數(shù)范圍,最后得到線性不可分SVM的最優(yōu)懲罰參數(shù)C=0000795262.經過仿真,可以計算出相應的基于線性不可分SVM的事件檢測算法的檢測率為95%,誤檢率為0.52%,平均檢測時間為103.26s.

2)采用齊次多項式作為核函數(shù)時,需要對懲罰參數(shù)C和階數(shù)d進行優(yōu)化設定.通過對不同初始值的設定檢驗,最終得到最優(yōu)懲罰參數(shù) ,再根據(jù)階數(shù)取值的不同得到不同的檢測率、誤檢率和平均檢測時間.

3)利用高斯徑向基作為核函數(shù)時,需要對懲罰參數(shù)C和核參數(shù)γ進行優(yōu)化設定.通過對不同初始值的設定檢驗,得到一組預測率最優(yōu)的參數(shù)(C,γ)=(2048,1.19209289551e-007).經過仿真,可以計算出采用高斯徑向基核函數(shù)的事件檢測算法的檢測率為91%,誤檢率為0.53%,平均檢測時間為100.55s.

4)利用雙曲線正切作為核函數(shù)時,同樣需要對懲罰參數(shù)C和核參數(shù)γ進行優(yōu)化設定,通過對不同初始值的設定檢驗,得到一組最優(yōu)的參數(shù)C=(65536,9.31322574615e-010),經過仿真,可以計算出采用雙曲線正切核函數(shù)的事件檢測算法的檢測率為94%,誤檢率為0.52%,平均檢測時間為100.1s.

由以上實驗可以得到基于線性不可分SVM、齊次多項式核函數(shù)、高斯徑向基核函數(shù)、雙曲線正切核函數(shù)情況下的算法有效性測試結果,并與經典的加利福尼亞算法進行對比,見表2.

表2 實驗1的有效性測試結果Tab.2 Simulation results of Experiment 1

2.2 仿真實驗二

本實驗用到的訓練數(shù)據(jù)集、測試數(shù)據(jù)集均來自北向路段,利用表1中的數(shù)據(jù)對SVM模型進行訓練和測試,該實驗也用以驗證算法的有效性.各模型的參數(shù)優(yōu)化方法和實驗1相同,分別獲得線性不可分SVM的最優(yōu)懲罰參數(shù)C=0.013125,齊次多項式核函數(shù)的最優(yōu)懲罰參數(shù)C=9.53674316406e-07,高斯徑向基核函數(shù)對應的最優(yōu)懲罰參數(shù)C、核參數(shù)γ的最優(yōu)參數(shù)組合為(C,γ)=9.53674316406e-07,雙曲線正切核函數(shù)的最優(yōu)參數(shù)組合為 (C,γ)=(131072,4.65661287308e-010).

由以上結果可以計算得到在實驗2的條件下基于線性不可分SVM、齊次多項式核函數(shù)、高斯徑向基核函數(shù)、雙曲線正切核函數(shù)情況下的算法有效性測試結果,并與經典的加利福尼亞算法進行對比,見表3.

表3 實驗2的有效性測試結果Tab.3 Simulation results of Experiment 2

2.3 仿真實驗三

本實驗用到的訓練數(shù)據(jù)集、測試數(shù)據(jù)集來自不同的方向,用南向路段的數(shù)據(jù)(實驗1的訓練數(shù)據(jù))作為訓練數(shù)據(jù)集對各SVM模型進行訓練,然后用北向路段的數(shù)據(jù)(實驗2的測試數(shù)據(jù))作為測試數(shù)據(jù)集對SVM進行算法測試,以此驗證算法的可移植性.因為仿真實驗3用到的訓練數(shù)據(jù)集與實驗1相同,所以各個模型相對應的最優(yōu)參數(shù)與實驗1相同.

由此可以計算得到在實驗3的條件下基于線性不可分SVM、高斯徑向基核函數(shù)、齊次多項式核函數(shù)、雙曲線正切核函數(shù)情況下的算法可移植性測試結果,并與經典的加利福尼亞算法進行對比,見表4.

表4 實驗3的可移植性測試結果Tab.4 Simulation results of Experiment 3

2.4 仿真實驗四

本實驗用到的訓練數(shù)據(jù)集、測試數(shù)據(jù)集來自不同的方向,用北向路段的數(shù)據(jù)(實驗2的訓練數(shù)據(jù))作為訓練數(shù)據(jù)集對各SVM模型進行訓練,然后用南向路段的數(shù)據(jù)(實驗1的測試數(shù)據(jù))作為測試數(shù)據(jù)集對SVM進行算法測試,以此驗證算法的可移植性.因為仿真實驗4用到的訓練數(shù)據(jù)集與實驗2相同,所以各個模型相對應的最優(yōu)參數(shù)與實驗2相同.由此可以計算得到在實驗4的條件下基于線性不可分SVM、高斯徑向基核函數(shù)、齊次多項式核函數(shù)、雙曲線正切核函數(shù)情況下的算法可移植性測試結果,并與經典的加利福尼亞算法進行對比,見表5.

表5 實驗4的可移植性測試結果Tab.5 Simulation results of Experiment 4

3 結果分析

3.1 有效性分析

從仿真實驗1和實驗2的數(shù)據(jù)可以看出1)從總體上看,基于齊次多項式核函數(shù)的模型與其他模型和算法相比,在檢測率、誤檢率、平均檢測時間等綜合性能指標方面最差.

2)線性不可分SVM、高斯徑向基核函數(shù)以及雙曲正切核函數(shù)三種支持向量機模型的綜合檢測效果都要比加利福尼亞算法好.

3)由實驗1和實驗2兩組實驗可以看出,利用不同的核函數(shù)模型對同一數(shù)據(jù)集進行測試時,檢測性能差異較大.因此,在實際應用中,需要根據(jù)數(shù)據(jù)集合的不同特點選擇合適的核函數(shù)模型,才能得到最好的檢測效果.

4)利用相同的SVM模型分別對南向路段數(shù)據(jù)集和北向路段數(shù)據(jù)集進行測試時,前者檢測效果好于后者.由于南向路段數(shù)據(jù)集的交通事件大多是多車道事件,交通流波動較大,而北向路段數(shù)據(jù)集大多為單車道事件,交通流波動較小,因此,SVM模型針對交通流波動較大的事件具有更好的檢測效果.

3.2 可移植性分析

從實驗3和實驗4的仿真結果可以看出

1)從總體上看,各種模型和算法在檢測率、誤檢率、平均檢測時間等綜合性能指標方面,線性不可分SVM模型檢測性能最好,基于齊次多項式核函數(shù)的模型檢測性能最差.

2)由實驗3和實驗4兩組實驗可以看出,利用交通流波動較大的南向路段數(shù)據(jù)集對算法進行訓練,用交通流波動較小的北向路段數(shù)據(jù)集進行算法測試時,檢測效果較差.相反,利用交通流波動較小的北向路段數(shù)據(jù)集對算法進行訓練,用交通流波動較大的南向路段數(shù)據(jù)集進行算法測試時,檢測效果較好.因此,利用交通流波動較小的數(shù)據(jù)集訓練出來的模型,算法的移植性較好.

4 結 論

1)利用SVM模型對高速公路事件進行檢測時,不同的核函數(shù)及其參數(shù)對檢測效果都有較大的影響.針對不同路段交通流的特點,選擇合適的SVM模型并通過特定方法計算出其對應的最優(yōu)參數(shù),以此得到最佳的事件檢測算法.

2)針對不同的高速公路交通事件,只要選擇合適的SVM核函數(shù)模型,其算法的有效性和可移植性與經典的加利福尼亞算法相比,都有不同程度的提高.因此,基于SVM的高速公路事件檢測算法具有良好的應用價值.

[1] 崔志賓.基于支持向量機的交通事件檢測建模與分析[D].北京:北京交通大學,2008.CUI Zhi-bin.Modeling and Analysis of Automatic Incident Detection Based on Support Vector Machine[D].Beijing:Beijing Jiaotong University,2008.(in Chinese)

[2] 任雙橋.支撐矢量機理論與應用研究[D].長沙:國防科技大學,2006.REN Shuang-qiao Study on the Theory and Application of Support Vector Machines[D].Changsha:National U-niversity of Defense Technology,2006.(in Chinese)

[3] 楊志民,劉廣利.不確定性支持向量機原理及應用[M].北京:科學出版社,2007.YANG Zhi-min,LIU guang-li.Principle and Application of Uncertain Support Vector Machines[M].Beijing:Science Press,2007.(in Chinese)

[4] 王志龍.基于粗糙集理論與支持向量機的數(shù)據(jù)挖掘方法算法研究[D].蘭州:蘭州大學,2007.WANG Zhi-long.Research on Data Mining Methods Based on Rough Sets Theory and Support Vector Machines[D].Lanzhou:Lanzhou University,2007.(in Chinese)

[5] 王朝勇.支持向量機若干算法研究及應用[D].吉林:吉林大學,2008.WANG Chao-yong.Study of Some Support Vector Machine Algortithms and Their Applications[D].Jilin:Jilin University,2008.(in Chinese)

[6] 鄧乃揚,田英杰.數(shù)據(jù)挖掘中的新方法——支持向量機[M].北京:科學出版社,2004.DENG Nai-yang,TIAN ying-jie.A New Method for Data Mining—Support Vector Machine[M].Beijing:Science Press,2004.

[7] 彭新俊.支持向量機若干問題及應用研究[D].上海:上海大學,2008.(in Chinese)PENG Xin-jun.Issues on and Applications of Support Vector Machines[D].Shanghai:Shanghai University,2008.(in Chinese)

[8] 周林英.基于支持向量機的高速公路事件檢測算法[D].西安:長安大學,2009.ZHOU Lin-ying.An Algorithm for Freeway Incidents Detection Based on Support Vector Machine.[D].Xi’an:Chang’an University,2009.(in Chinese)

[9] 周林英,朱斌,趙忠杰.基于支持向量機的高速公路事件檢測算法[J].系統(tǒng)仿真技術,2010,6(3):224.ZHOU Lin-ying,ZHU bin,ZHAO zhong-jie.An Automatic Incident of Freeway Detection Algorithm Based on Support Vector Machine.[J].System Simulation Technology,2010,6(3):224.

[10] Karl Petty.The Analysis Software for the FSP Project[EB/OL].(1995-01-01)[2014-06-01]http://ipa.eecs.berkeley.edu/~pettyk/FSP/.

[11] 王琪.基于神經網絡和支持向量機的高速公路交通事件檢測[D].成都:西南交通大學,2006.WANG Qi.Traffic Incidents Detection Based on Neural Network and Support Vector Machine[D].Chengdu:Southwest Jiaotong University,2006.(in Chinese)

[12] 王鵬,朱小燕.基于RBF核的SVM的模型選擇及其應用[J].計算機工程與應用,2003,39(24):72.WANG Peng.ZHU Xiao-yan.Model Selection of SVM with RBF Kernel and Its Application[J].Computer Engineering and Applications,2003,39(24):72.(in Chinese)

[13] 張楠.關于支持向量機中的參數(shù)優(yōu)化的研究[D].西安:西北大學,2008.ZHANG Nan.Study of the Parameter Optimization in Support Vector Machines[D].Xi’an:Northwest University,2008.(in Chinese)

猜你喜歡
路段函數(shù)算法
冬奧車道都有哪些相關路段如何正確通行
二次函數(shù)
第3講 “函數(shù)”復習精講
二次函數(shù)
函數(shù)備考精講
基于MapReduce的改進Eclat算法
Travellng thg World Full—time for Rree
基于XGBOOST算法的擁堵路段短時交通流量預測
高速公路重要路段事件檢測技術探討
進位加法的兩種算法
磐石市| 开阳县| 弥勒县| 通渭县| 兴义市| 黎平县| 阜阳市| 祥云县| 德阳市| 平乐县| 阳春市| 五华县| 海原县| 忻州市| 灌云县| 随州市| 色达县| 云安县| 贵南县| 武定县| 同德县| 宣威市| 南岸区| 武宁县| 壶关县| 永宁县| 巴南区| 建宁县| 德清县| 榆林市| 赤壁市| 浑源县| 毕节市| 肇源县| 驻马店市| 宣化县| 于都县| 利川市| 蒙阴县| 河源市| 青州市|