基于改进的SVM交通信息融合算法及应用研究

摘要

近年来，我国在智能交通系统（ITS）领域已开展了大量的研究工作，交通管理系统已获取了丰富的交通基础数据，但是这些数据并没有发挥应有的效用，利用率较低。如何充分利用已获取的交通监测信息，满足日益增长的交通需要，用于提高交通控制与管理力度、优化路网结构，是目前需亟待解决的关键问题之一。 本文依托于国家高技术研究发展计划（863计划）“分布式交通系统信息互操作技术”课题（2007AA11E226），在对交通数据特性分析的基础上，提出基于改进的SVM交通信息融合算法。主要从事了以下几个方面的研究： 1）围绕依托课题，在对我国江西省、陕西省以及北京市等省市的高速公路管理信息系统信息应用现状深入调研基础上，对系统现场采集数据进行研究，分析了交通监测信息的内在特性。 2）针对实际研究课题和传统SVM的不足，提出了基于改进的SVM的信息融合算法，即决策树-支持向量机算法（Decision Tree Method-Support Vector Mechines，DTM-SVM）。该算法以“一对多”的方式有效克服了常规SVM仅适用于二分类问题的局限性，解决了多分类问题，满足了更广泛的应用需求。 3）围绕DTM-SVM算法，建立了DTM-SVM的分层结构模型，并详细描述了融合流程中支持向量机训练、训练结果评价以及支持向量机测试的三个重要环节。 4）依托课题研究背景，在建立了高速公路交通状态识别评价指标体系的基础上，将DTM-SVM模型应用于解决高速公路交通状态识别问题。应用结果表明，该算法有效地克服了传统SVM二分类问题局限性问题，可以在更为广泛的领域进行应用。

目录

文摘

英文文摘

声明

致谢

1 绪论

1.1 研究背景及意义

1.2 研究技术路线及方法

1.3 论文结构及主要内容

2 文献综述

2.1 高速公路信息化研究现状

2.1.1 国外研究现状

2.1.2 国内研究现状

2.2 信息融合技术研究综述

2.2.1 多源信息融合一般方法

2.2.2 多源信息融合层次结构

2.2.3 多源信息融合常用模型

2.2.4 信息融合系统体系结构

2.3 信息融合技术在交通信息处理中的应用

2.4 本章小结

3 高速公路交通监测信息特性分析

3.1 概述

3.2 高速公路交通监测信息调研

3.3 高速公路交通监测信息特性分析

3.4 本章小结

4 基于改进的SVM信息融合算法研究

4.1 支持向量机算法

4.1.1 SVM算法基本思想

4.1.2 SVM算法计算原理

4.1.3 核函数及其选择

4.2 SVM算法的优势与不足

4.2.1 SVM算法的优势

4.2.2 SVM算法的不足

4.3 SVM算法改进

4.3.1 SVM改进方法DTM-SVM

4.3.2 DTM-SVM信息融合模型设计

4.3.3 DTM-SVM信息融合步骤

4.4 本章小结

5 基于DTM-SVM的交通信息融合设计研究

5.1 交通信息融合层次结构

5.2 交通信息融合模型设计

5.3 交通信息融合流程

5.4 本章小结

6 DTM-SVM在高速公路交通状态识别中的应用

6.1 问题描述

6.1.1 高速公路路段交通状态分析

6.1.2 交通状态识别问题描述

6.2 高速公路路段交通状态评价体系

6.2.1 评价体系建立

6.2.2 评价指标体系涉及交通参数

6.2.3 交通参数特性分析

6.3 输入量确定

6.4 DTM-SVM信息融合算法实现

6.4.1 DTM-SVM结构

6.4.2 算法步骤

6.4.3 算法流程图

6.5 算例分析

6.5.1 测试结果

6.5.2 核函数分析

6.5.3 参数分析

6.6 本章小结

7 结论

7.1 主要结论

7.2 展望

参考文献

附录

作者简历