基于SVM的危险交通流状态实时识别模型

交通事故风险与交通流状态存在显著关系,危险的交通流状态易诱发交通事故。为降低交通事故的发生率,保障交通系统的运营安全,通过实时监测道路交通流参数的变化情况,构建支持向量机模型(Support Vector Machine,SVM)对易引发交通事故的危险交通流状态进行识别,及时预判潜在的交通事故。首先选用实际交通事故发生前的交通流状态作为危险交通流状态的判别标准,分析交通流特性,提取24个交通事故前兆特征变量。为提高模型性能,降低其计算复杂度,设计相关性选择算法(Relevance Selection Algorithm,RSA)对24个特征变量进行降维,该算法充分考虑各前兆特征变量与交通流状态类别的相关性以及各前兆特征变量之间的相关性,最终保留4个交通事故前兆特征变量。接着采用改进的网格搜索算法优化支持向量机模型的惩罚参数C和核函数参数γ,参数寻优效率比传统的网格搜索算法提高了98.3%,极大地节省了搜索时间。最后根据所构建的危险交通流状态实时识别模型,以某城市快速路的事故数据为例进行数值计算。结果表明:该模型具有较快的危险交通流状态识别能力和潜在交通事故的预警能力,且识别正确率比经典的K近邻算法提高5%、比BP神经网络算法提高22.3%。该方法能有效地对危险交通流状态进行实时识别,可为交通管理部门制订城市快速路交通事故风险管控方案提供理论依据。