基于模糊支持向量机的高速公路交通事件的自动检测

利用支持向量机的全局优化、适应性强、泛化性能好等优点,针对实时交通流数据的随机性、高维、非线性和时变等特性,将模糊支持向量机应用于高速公路交通事件检测问题中。在识别阶段利用60组实测数据训练模糊支持向量机,利用60组实测数据进行测试,测试结果表明,利用FSVM进行交通事件检测,识别率达到96.7%。

基于PCA和SVM的交通事件自动检测算法

支持向量机分类在处理高维的小样本学习问题上具有优异的表现,特别是具有很好的范化能力。然而其在处理一些高维的原始数据时维数会有冗余,那么样本的主要特征必须被首先选出来以改善支持向量机的性能。将主成分分析技术引入以减少原始样本的特征维数,并且预先有效地预选取主要的特征。在所选取的特征空间中构建支持向量机改善学习速度和检测性能。在对I-880高速公路事件数据的仿真结果表明,所提出的基于主成分分析的支持向量机减少了误警率和平均检测时间。

激光测距仪/GPS下城市道路SVM-AID算法研究

为减少交通事件引起的交通延误,有效预防偶发性交通事件导致二次事故的发生,提出一种基于支持向量机(SVM)和数据融合技术的城市道路交通事件自动检测(AID)算法。利用车载激光测距仪采集本车与前车的距离,利用搭载全球定位系统(GPS)的浮动车采集本车瞬时速度。将这2种交通数据按一定的规则进行数据级融合,然后运用线性、多项式和径向基(RBF)3种核函数的SVM模型分别进行事件检测。最后,用实测数据对其进行验证。结果表明:核函数为RBF的非线性SVM模型检测率(DR)值最大,误判率(FAR)值最小,检测指标均优于经典算法,说明算法检测性能良好。

基于模糊理论的高速公路交通事件的自动检测

根据交通流量、速度和占有率,构造不同交通流状态的隶属函数,根据最大隶属度原则进行交通流状态的识别;利用支持向量机的全局优化、适应性强、泛化性能好等优点,针对实时交通流数据的随机性、高维、非线性和时变等特性,将模糊支持向量机(FSVM)应用于高速公路交通事件检测问题中。在识别阶段利用60组实测数据训练模糊支持向量机,利用60组实测数据进行测试,测试结果表明,利用FSVM进行交通事件检测,识别率达到96.7%,从而验证本文的方法是切实可行的。