基于小波支持向量机的交通事件实时检测研究

摘要

受人、车、路、环境等各种复杂因素的影响，高速公路交通系统的运行状态时常发生着变化，发生在高速公路上的交通事件也具有随机性，如何快速、准确地检测和确定事件发生的时间、地点，并及时采取救援措施，为其他驾驶员提供实时路况信息，是交通事件检测所研究的重要内容，也是保障高速公路快速、高效、安全运行的关键技术。
　　 本文首先介绍了国内外交通事件检测方法的研究概况，特别对近年来支持向量机的发展情况做了总结，并总结了支持向量机在交通事件检测中的主要应用和研究方向。
　　 介绍了交通流及其参数，并以交通流参数为基础，分析了事件状态和非事件状态下高速公路交通流的不同变化特性，并根据该特性选定同一时刻上下游检测器之间的速度变化量和占有率变化量为模型的输入向量。在分析了交通事件检测原理的基础上，给出了事件检测算法的评价指标，并从驾驶员特性、交通流时空分布特性和道路特性等方面探讨了导致交通事件发生的影响因素。
　　 支持向量机是在统计学习理论基础上发展起来的一种新的机器学习技术，其基本出发点是结构风险最小化原则，对训练样本的需求较小，有效克服了机器学习中普遍存在的过学习和欠学习问题，并且在解决非线性以及高维问题上有着良好的表现。论文在对VC维、推广性的界、结构风险最小化原则等统计学习理论的关键问题以及机器学习问题进行介绍的基础上，对支持向量机分类的原理、结构等做了详细的阐述。
　　 对交通数据进行去噪处理，减少或消除原始数据中的各种噪声和误差，提高交通数据的质量，是提升交通事件检测算法检测效果的一项重要措施。论文介绍了小波去噪的原理，给出了小波基函数及阈值的选取原则和方法，进而结合支持向量机，构建了一种小波去噪SVM模型，给出了模型的基本结构，设计了算法的实现步骤，分别采用网格搜索算法、遗传算法和粒子群优化算法来优化模型参数。
　　 根据小波理论，母小波函数在一定条件下可以生成小波框架，用小波框架构造的核函数若满足Mercer条件，则可作为支持向量机的核函数来使用。论文简要介绍了小波框架理论，运用Morlet母小波函数构造了小波核函数，进而结合支持向量机，构建了一种小波核函数SVM模型，给出了模型的基本结构，设计了算法的实现步骤。
　　 分别采用AYE仿真数据和I-880实测数据对小波去噪SVM模型和小波核函数SVM模型进行仿真实验，结果表明，对于交通事件检测，小波核函数SVM模型无论在算法的有效性还是可移植性方面都优于小波去噪SVM模型，在训练样本较少的情况下，网格搜索算法的参数寻优时间要比遗传算法和粒子群优化算法的参数寻优时间短。