基于GA-MSVM的高速公路交通事件自动检测算法研究

摘要

截至2011年底,我国高速公路总里程达8.5万公里。居民的出行和货物的运输愈加便利,但高速公路交通事件的发生频率随之也越来越高。高速公路发生交通事件不仅会造成人员伤亡、货物损失和设备损坏,还会导致局部车道的阻塞,使局部或者整个路段的通行能力严重下降,并会引起行车延误,甚至导致二次事故的发生,严重降低了高速公路的整体通行能力和运营效率。
　　 高速公路交通事件自动检测(AID)系统有利于减少二次交通事件的发生几率,减少交通事件带来的不便,减少延误,减少有害气体的排放和缓解交通事件当事人的紧张心理。迄今为止,各国已经开发出多种高速公路交通事件检测算法,但总体看来经典算法的结果并不令人满意,因此开发具有更高检测率、更低误检率且具有良好可移植性的事件检测算法是很必要的。
　　 目前,高速公路交通事件自动检测算法以神经网络算法和支持向量机(SVM)算法为主。神经网络算法比较成熟,但是仍存在着一些缺陷,例如动态性能差,移植性差,对训练数据的依赖性较强,且模型的推广能力有限等。与传统神经网络相比,SVM采用结构风险最小化原理,取得较小的实际风险,具有更强的泛化能力。
　　 本文研究的是一种基于遗传算法优化的支持向量机多分类器(GA-MSVM)高速公路交通事件自动检测算法。传统的支持向量机算法常用于解决二分类问题,即判断有无事件两种状态。为了更加细致地了解高速公路交通运行状态,为突发事件的应急处理提供更加高效、可靠的决策支持,本文根据高速公路交通事件的发生过程,将其分为自由流状态、交通拥堵加剧状态、交通拥堵消散状态三个状态。该算法将单个支持向量机模型进行混和之后来解决多分类问题,其中SVM的核函数参数是经过遗传算法(GA)优化选取而来的。
　　 本文运用VISSIM仿真软件采集高速公路交通事件各阶段的原始数据仿真值,运用归一化处理及主成分分析法对交通输入特征向量进行降维预处理,构建了支持向量机多分类器事件检测模型,并运用遗传算法优化选取混合支持向量机模型参数。此算法降低了算法的复杂度,使得分类准确率更高,效果更优,为高速公路交通事件自动检测系统提供了方法,具有一定的现实意义。