基于AdaBoost集成PSO-RBF的高速公路交通事件检测算法研究

摘要

高速公路，作为引领现代文化交流，促进经济快速发展的纽带，在我国已得到迅速蓬勃的发展，给人们的生产生活带来了极大的方便和快捷。与此同时其安全、畅通、效率等问题也同样引起了人们的普遍关注。由于现代高速公路的复杂性和特殊性，道路一旦发生任何形式的交通事件，其通行能力都会严重受阻，甚至会威胁到人们的生命财产安全。如果不及时采取措施，其后果不堪设想。因此，如何准确快速的检测出交通事件，进而采取合理有效的措施，把损失降到最低点，是人们一直研究探讨的课题。交通事件检测算法作为交通事件检测的核心，其综合性能的好坏直接关系到整个检测系统的稳定性。因此，对交通事件检测算法的研究具有十分重要的意义。
　　交通事件检测模型的建立是以交通事件发生点上下游交通流参数变化为依据。本文也遵循这种思路，根据交通流参数突变原理，设计了基于RBF交通事件检测模型。鉴于RBF网络参数的确定过分依赖人为经验等因素，这里采用了PSO算法对RBF网络参数进行改进优化;针对基本粒子群算法优化精度不高等问题，本文运用不同方式对标准PSO算法进行优化改进，建立了基于IPSO-RBF的事件检测模型，并取得了较好的检测效果。最后根据弱分类器差异越大，其集成效果越好的原则，采用AdaBoost算法集成不同模型结构的IPSO-RBF弱分类器，利用该模型实现对交通事件的检测。
　　本文对比分析了交通数据信息采集的不同方式，最终设计实现了基于视频图像采集交通流数据信息的方法。以I-880交通数据为依托，运用MATLAB R2013a平台进行仿真。通过分析实验仿真结果可知，采用基于AdaBoost方法集成IPSO-RBF的事件检测模型具有收敛速度快、分类精度高等优点，并在高速公路交通事件检测中取得不错的效果。

目录

声明

摘要

第1章 绪论

1．1 研究背景及意义

1．1．1 课题研究背景

1．1．2 研究目的及意义

1．2 国内外研究现状及发展趋势

1．2．1 国外交通事件检测算法研究

1．2．2 国内交通事件检测研究及发展趋势

1．3 论文主要研究内容与结构框架分布

第2章 高速公路交通事件检测原理及算法分析

2．1 交通事件基本概念

2．2 交通事件检测原理分析

2．2．1 交通流特征参数

2．2．2 交通事件与交通流参数变化的关系

2．3 交通事件检测技术及交通流数据采集分析

2．3．1 交通事件自动检测技术分类

2．3．2 基于视频图像的事件检测系统分析

2．3．3 基于视频图像的交通数据信息采集

2．4 AID算法

2．4．1 AID算法介绍

2．4．2 AID算法的评价指标

2．5 本章小结

第3章 基于RBF神经网络模型算法的交通事件检测分析

3．1 RBF神经网络原理及理论分析

3．1．1 RBF神经网络基本原理

3．1．2 RBF神经网络数学分析

3．1．3 RBF网络模型用于交通事件检测的优势

3．2 RBF神经网络设计

3．2．1 RBF网络隐结点函数的选择

3．2．2 RBF神经网络隐层中心的确定

3．3 基于RBF模型的交通事件检测仿真

3．3．1 数据来源

3．3．2 数据规范化及仿真

3．4 本章小结

第4章 基于IPSO_RBF模型算法的交通事件检测研究

4．1 基本粒子群算法分析

4．1．1 基本PSO算法概念和原理

4．1．2 基本PSO算法流程

4．2 改进的PSO算法分析研究

4．2．1 惯性权重取值分析

4．2．2 学习因子的选择分析

4．2．3 综合优化粒子群

4．2．4 综合改进的PSO算法仿真对比

4．3 基于IPSO_RBF模型的交通事件检测算法分析设计

4．3．1 基于IPSO模型的交通事件检测关键点

4．3．2 基于IPSO算法的流程设计

4．4 实验仿真及其分析

4．4．1 基于PSO_RBF算法的交通事件检测实验仿真

4．4．2 仿真实验比较

4．5 本章小结

第5章 集成IPSO_RBF模型的交通事件检测

5．1 集成学习思想原理分析

5．1．1 集成学习基本概念

5．1．2 集成学习的优势

5．2 AdaBoost集成IPSO_RBF的交通事件检测

5．2．1 AdaBoost算法基本原理

5．2．2 弱分类器解析

5．2．3 AdaBoost集成IPSO_RBF模型的交通事件检测

5．3 改进集成弱分类器

5．3．1 弱分类器集成改进方式

5．3．2 各种检测算法综合性能比较

5．4 本章小结

总结与展望

致谢

参考文献

攻读硕士学位期间发表的论文