文档介绍:基于支持向量机的高速公路事件检测算法体系结构?绪论(研究背景、研究现状、研究意义、研究内容) ?高速公路交通流特性分析?高速公路事件检测算法( Automatic Incident Detection, AID )研究?统计学与支持向量机(Support Vector Machine ,SVM) 理论?基于支持向量机的事件检测算法设计?总结与展望高速公路事件是指非周期性发生且使某段道路通行能力下降的事件, 它分为不可预测类(货物散落、车辆抛锚、交通事故等) 和可预测类(如大型活动、道路修筑、路面养护等)。本文研究的交通事件是指不可预测的各种突发交通事件。一、国内外发展现状 国外研究现状?经典算法: California 算法、(双)指数平滑算法、 McMaster 算法、 Bayesian 算法、高占有率算法、自回归移动平均法、 Monica 算法UCB 算法等 SND 算法、非参数回归算法、时间序列 ARIMA 算法、、 Dutch 算法等?先进的事件检测算法:模糊逻辑理论、小波分析方法、基于神经网络方法、基于视频图像处理技术的事件检测算法。国内对交通事件检测算法的研究主要集中在近些年来发展起来的新技术和新理论的应用研究方面。包括小波变换、神经网络、模糊理论、支持向量机以及基于视频图像处理的交通事件检测算法研究。 国内发展现状良好的事件算法应该是快和准的算法,目前主要的衡量指标有三个,即检测率( TP)、误报率( FAR )、平均检测时间( MTTD )。检测率越高越好,误报率越小越好,平均检测时间越短越好。在实践中,通常是先设定一个可接受的误报率,在满足这个要求的前提下,检测率越高,平均检测时间越短的 AID 算法,性能越好 算法性能指标 100% pfE DR E ? ? 100% etA FAR A ? ??? 11 ( ) ( ) Ni MTTD TI i AT i N ?? ??检测率是指使用某事件检测算法时,在一定时间内,所检测到的事件数与实际发生的引起通行能力下降的总事件数的比值误报率是指在一定时间内,误报事件的次数与总决策数(事件决策和非事件决策)的百分比平均检测时间是指在一定时间内,从事件发生到被算法检测到的时间差的平均值到目前为止,从已开发的高速公路事件检测算法中,并没有一种算法的成效完全优于其它算法,不同的算法只是在不同的情况下其性能优越。利用人工神经网络训练数据进行事件检测有一定的优势,但是需要大量数据进行训练才能使其具有好的移植性。视频图像处理应用于 AID 是近年来的新技术,然而,需要设置密集的摄像机,导致需要较高的资金投入。基于上述原因,有必要研究经济方便、而且泛化能力好的事件检测算法。 研究意义支持向量机( Support Vector Machine ,SVM) 是建立在统计学****理论的基础上, 是针对结构风险最小化原则提出的, 具有很好的泛化能力。 SVM 使用核函数巧妙地将非线性空间转化到线性空间,避免了复杂的计算, 而且它适用于小样本学****已在模式识别、回归分析、函数逼近、信号处理等领域得到了成功的应用。正是基于 SVM 上述优点,我们将 SVM 引入到事件检测中,试图设计出一种泛化能力好,各项评价指标(检测率、误报率、平均检测时间)理想的事件检测算法。基于上述分析,本文采用 SVM 技术开展基于 SVM 的AID 算法研究。通过深入分析高速公路交通流的运行特性,挖掘交通事件条件下交通参数的变化特征,选择合适的交通参数作为 SVM 的特征向量, 构建基于线性不可分支持向量机、高斯径向基核函数、双曲线正切核函数的事件检测算法。 研究内容