基于粗模糊神经网络的高速公路路段交通事件识别

高精度、快速的高速公路路段交通事件自动识别将为合理诱导交通流,提高事故救援反应速度提供基础技术支持。设计了一个基于粗模糊神经网络的事故识别算法,用于高速公路路段交通事件识别。首先,利用粗糙集的数据约简技术提取精简的规则,得到系统的原始输入输出数据集。然后,建立交通突发事件识别的模糊神经网络系统,以交通流特征数据及其识别结果作为训练数据集进行系统参数及模糊规则的训练与确定,直到误差在控制范围之内。最后,利用VISSIM软件进行系统仿真检测,检测结果表明系统具有良好的应用性能。     

基于模糊C均值聚类的快速路交通流相态划分

交通相态的识别问题是智能交通系统里一个关键问题,基于模糊C均值聚类分析可以很好地解决这种没有先验知识情况下的分类问题。文中介绍了三相流理论,根据我国实测快速路交通流数据,利用模糊C均值聚类方法对交通流相态的分类进行了研究,实现了一种交通相态的划分方法,研究结果表明：该方法能够识别出三相流理论中的自由流和同步流状态。     

基于因子分析和最小最大概率机的交通事件检测算法

为了进一步提高交通事件检测的精度与效率,在多角度构建事件检测初始交通变量的基础上,设计了1种基于因子分析和最小最大概率机的交通事件检测算法。通过分析交通事件上下游交通流参数的变化规律,构建了11种初始交通事件检测变量,利用因子分析方法对初始交通变量进行特征提取,实现初始交通变量的有效降维,并分别采用核函数最小最大概率机算法和线性最小最大概率机算法进行交通事件检测。最后,采用美国I‐880数据库的实测数据进行实验验证和对比分析,实验结果表明,FA‐M PM算法较M PM算法事件检测率提高3.5%,误报率降低0.17%,平均检测事件减少了27.5s,且最小最大概率机算法的交通事件检测效果明显优于支持向量机算法和BP神经网络算法。      

基于自适应模糊神经网络的交通流状态预测

研究交通流状态的分类、识别与预测,建立了基于模糊聚类及模式识别的交通流状态自适应模糊神经推理系统.对大量交通流历史特征数据采用模糊聚类法进行状态分类并进行模式识别,得到系统的原始输入输出数据集.建立交通流状态预测的自适应模糊神经系统,以交通流特征数据及其识别结果作为训练数据集进行系统参数及模糊规则的训练与确定,直到误差在控制范围内,并进行系统检测和复核.仿真及其检测和复核结果表明系统预测的准确率在 95%以上.     

基于模糊聚类和判别分析的交通状态提取算法

针对交通状态的模糊性和不确定性,在综合考虑交通流3个参数（流量、速度、占有率）的基础上,设计了城市道路交通状态提取算法。采用模糊聚类技术,对覆盖所有交通状态的历史数据进行聚类分析;根据聚类结果,对交通数据进行判别分析,判断其所属交通状态;用实测交通数据进行了状态提取实验,并和问卷调研的统计结果进行了对比分析,结果表明该方法能够有效地进行交通状态的提取,可以准确反应道路使用者的真实感觉。     

基于模糊支持向量机的旁车道车辆并线意图识别方法

为检测旁车道车辆驾驶员的并线意图,利用机器学习技术基于模糊支持向量机建立了并线意图识别器。识别器的训练样本由实际交通环境中的车辆并线数据获得,包括主车道与旁车道车辆的7个运动属性,其中对不能直接利用传感器信息获取的属性由Kalman滤波器预估得到。由于在并线初始时刻的并线样本不能有效区别于非并线样本,所以在支持向量机的求解中引入样本模糊隶属度系数以提高并线意图识别器训练的准确性,同时对支持向量机中的参数基于交互检验正确率进行网格优化。在实际交通环境中对并线意图识别器进行了试验,结果表明,识别器工作有效,经过简单处理后的识别结果可有效反映驾驶员的并线意图。     

基于支持向量机的动力电池故障诊断

电池故障诊断是电池管理系统中一项十分重要的技术。针对电池故障和电池输出状态量之间不确定的关系,采用模糊逻辑可以对模糊关系进行准确描述。选用合适的隶属度函数来表示输出的电压、电流信号,用模糊数学理论表示不确定的电池故障与电池输出状态量之间的关系,生成模糊数据库,用支持向量机对数据进行训练和测试,由结果可知该方法有较高的准确性。     

基于主成分分析与支持向量机结合的交通流预测

为提高交通流预测的预测精度和预测速度,提出了用非线性回归支持向量机与主成分分析相结合进行交通流预测的方法。主成分分析用来对交通流预测的预测变量进行特征抽取,用较少的主成分代替原预测变量．将生成的主成分输入到非线性回归支持向量机,进行交通流预测,支持向量机的核参数利用Bayesian推理进行确定。通过对济南市交通数据的实例分析来验证该方法的有效性。结果表明,非线性回归支持向量机与主成分分析相结合进行交通流预测不但可以提高交通流预测的精度,同时还可以降低预测所需的计算量,满足交通流预测的实时性要求,预测精度比目前常用交通流预测方法的预测精度有所提高。     

一种基于ART2神经网络的高速公路交通事件自动检测算法

提出一种基于ART2伸经网络的高速公路交通事件自动检测的新算法。该算法利用高速公路交通流模型和ART2神经网络分别作观测器和分类器。观测器估计的数据和实际交通数据进行比较,得到残差序列;利用ART2神经网络对残差序列进行分类,以区分不同交通状态下的交通信息,达到检测交通事件的目的。本算法不但可以识别已知的交通事件类型。还可以识别未知的或从未出现过的交通事件类型,是一个可以边工作、边学习的检测系统。     

基于模糊逻辑的高速公路事件检测算法仿真研究

选取了一段长为1km的双向6车道高速公路为仿真对象,设定仿真模型的全局参数和相关参数后,得到了具体的仿真环境。将模糊规则划分为发生交通事件的规则和不发生交通事件的规则两大类,采用隶属函数来判断交通事件是否发生,推断得到了交通流是否正常的判别公式。选择检测率、误报率和平均检测时间三个最重要的评价指标对仿真结果进行分析,并与几种常用经典算法的性能指标进行对比,发现笔者所建的基于模糊逻辑的高速公路交通事件检测算法是一种综合性能优良的检测算法。     

基于视频检测技术的城市快速路交通状态分析研究

基于视频检测技术采集得到的北京城市快速路交通特征参数,对城市快速路交通状态进行分析研究.选择车辆行驶速度和速度方差作为城市快速路交通状态分析的决策变量,根据城市快速路交通流特征将交通状态分为自由流、谐动流、同步流和拥堵,利用模糊C均值聚类算法建立交通状态辨识算法,算法经验证表明其有效可行.     

基于时空GPSO-SVM的短时交通流预测

为了提高城市道路短时交通流预测的精度,提出了一种基于时空遗传粒子群支持向量机的短时交通流预测模型.通过主成分分析法对路网原始交通流量进行时空相关性分析,用较少的主成分代替原始交通流量并作为预测因子,在粒子群算法中引入遗传算法的交叉和变异因子,避免粒子群算法陷入局部最优.利用改进后的粒子群算法优化支持向量机参数,得到最优的支持向量机模型,并实现城市道路的短时交通流预测.以长春市路网的实测数据为基础进行了实例验证,结果表明,优化支持向量机参数时,遗传粒子群算法不会陷入局部最优,优化效果更好;与粒子群支持向量机模型和遗传粒子群支持向量机模型相比,所提出预测模型的相对误差波动较稳定,平均预测精度分别提高了4.96%和3.41%.      

基于GA模糊聚类的城市快速路交通流状态划分

采用基于遗传算法的模糊聚类划分城市快速路交通流状态,借助模糊相关度函数分析聚类结果的有效性,以寻找交通流状态的最佳分类数。遗传算法的引入,有效改善了传统模糊聚类对初始化敏感以及容易陷入局部最优解的问题。经上海市城市快速路实测数据验证,此算法对交通流状态的划分具有可行性,且聚类有效性分析能够合理确定交通流状态最佳分类数。上述研究成果可用于城市快速路交通信息发布、服务水平评价以及交通设施的控制与管理。     

基于Lagrange支持向量回归机的短时交通流量预测模型的研究

在智能交通系统中,进行实时、准确的交通流预测是交通控制和交通流诱导的关键之一,直接影响交通控制和交通诱导的效果.基于支持向量机,提出了一种Lagrange支持向量回归机的交通流量短时预测模型,能够实现对交通流量的有效预测.仿真试验表明,Lagrange支持向量回归机具有良好的泛化性能、更快的迭代速度,预测结果优于改进的BP神经网络.     

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。     

The Application of Support Vector Machine to the Fault Identification of Vehicle Automatic Transmission

本文中提出基于支持向量机的汽车自动变速器故障识别方法.首先利用设计的虚拟测试系统采集自动变速器3种状态下的运行数据,再对数据进行整理和筛选,提取合适的数据作为训练样本,然后设计基于支持向量机的多值分类器进行故障识别,最后与基于BP人工神经网络的诊断方法进行对比.结果表明,基于支持向量机的故障识别方法具有更快的收敛速度和更强的分类能力,适用于汽车自动变速器实时故障识别和诊断.     

基于模糊的城市快速路交通流状态判别

“交通状态”具有外延不明确的模糊信息特征,交通流自身特征和评价主体的专业知识都不可忽视。因此,基于快速路检测线圈数据,引入了基于知识的模糊系统来判别快速路交通状态。在充分分析各种交通现象的基础上,提出了交通状态划分原则、依据,评价指标,以及状态判别的模糊集和模糊规则。该方法可以动态的显示路网的交通拥挤范围,为实施交通信息发布以及后期交通瓶颈的判别和改善提供依据。     

基于模糊的城市快速路交通流状态判别

"交通状态"具有外延不明确的模糊信息特征,交通流自身特征和评价主体的专业知识都不可忽视.因此,基于快速路检测线圈数据,引入了基于知识的模糊系统来判别快速路交通状态.在充分分析各种交通现象的基础上,提出了交通状态划分原则、依据,评价指标,以及状态判别的模糊集和模糊规则.该方法可以动态的显示路网的交通拥挤范围,为实施交通信息发布以及后期交通瓶颈的判别和改善提供依据.     

基于支持向量机的城市快速路交通拥堵识别方法

首先提出一种基于交通流量-交通密度的二维空间下的交通状态分类方法,在此基础上,构建对拥堵状态和非拥堵状态识别的支持向量机分类器;其次,设计基于支持向量机的城市快速路交通拥堵识别方法的步骤;最后,以西安市南二环快速路采集的交通参数数据为例,对比验证了在不同支持向量机(SVM)分离器下本文提出的城市快速路交通拥堵识别方法的有效性.研究表明:SVM线性核函数分类器的识别正确率(识别正确率均值为91.65%)高于多项式核函数等其他核函数分类器,说明交通拥堵识别的具有良好的线性可分性;不同核函数分类器的识别正确率均高于90%,说明本文设计城市快速路交通拥堵识别方法具有良好的识别性能.     

基于支持向量机的高速公路事件检测研究

高速公路事件检测（AID）系统可以有效的减少交通延误、保障道路安全，减少环境污染，是智能交通管理系统的重要组件。文章采用一种新的模式识别技术——支持向量机（SVM），来进行高速公路的事件检测。支持向量机是以统计学习理论的VC维理论和结构风险最小化原理为基础，算法上采用二次规划、拉格朗日理论，因此有效避免了过学习、局部极小点等问题。最后，采用Matlab对该方法进行了测试。