【技术实现步骤摘要】
一种基于MFD+谱聚类+SVM的路网交通状态判别方法
本专利技术涉及神经网络技术方法领域，更具体地，涉及一种基于MFD+谱聚类+SVM的路网交通状态判别方法。
技术介绍
路网交通状态客观反映路网交通运行情况，是提升城市交通控制与管理效率的关键所在。路网交通状态判别方法一直是智能交通领域的研究热点，总体上，可划分为基于数据挖掘方法和基于交通流基本图方法等两大类。(1)基于数据挖掘方法基于数据挖掘方法是指利用神经网络、深度学习、聚类算法、支持向量机、贝叶斯方法等机器学习算法进行数据挖掘，从而对路网交通状态进行自动判别。如Montazeri-Gh(2011)等浮动车采集的平均速度、加速度、空闲时间百分比为数据集，采用K-means算法对实际路网交通状态进行判别。杨庆芳(2014)等提出以大、小车速度变化情况为基础，采用FCM聚类方法对高速公路交通状态进行判别。邴其春(2015)等为提高交通状态判别的精度，采用投影寻踪技术和动态聚类方法构造地点交通参数与交通状态之间的投影指标函数，并利用混合蛙跳算法来优化投影指标函数的投影方向，最后通过仿真数据对交通状态判别阈值进行标定。...
【技术保护点】
1.一种基于MFD+谱聚类+SVM的路网交通状态判别方法，其特征在于，具体步骤如下：(1)首先利用谱聚类算法对路网MFD进行交通状态等级划分；(2)然后使用划分好的路网MFD参数训练SVM多分类器，并给出基于混淆矩阵的模型分类结果精度评价方法；(3)最后搭建车联网仿真平台，选取BP神经网络分类器作为比较分类器，进行实证分析。
【技术特征摘要】
1.一种基于MFD+谱聚类+SVM的路网交通状态判别方法，其特征在于，具体步骤如下：(1)首先利用谱聚类算法对路网MFD进行交通状态等级划分；(2)然后使用划分好的路网MFD参数训练SVM多分类器，并给出基于混淆矩阵的模型分类结果精度评价方法；(3)最后搭建车联网仿真平台，选取BP神经网络分类器作为比较分类器，进行实证分析。2.根据权利要求1所述的基于MFD+谱聚类+SVM的路网交通状态判别方法，其特征在于，在步骤(1)中，利用谱聚类算法对路网MFD进行交通状态等级划分，具体步骤如下：(1)定义样本数据集X＝{xi|i＝1,2,…,n}，确定聚类数目K，其中xi为路网MFD上的第i个散点，xi＝{路网MFD加权交通密度xi1，路网加权交通流量xi2}，K＝4(即顺畅、稳定、拥挤、拥堵四个等级)；(2)样本数据归一化处理，其公式如下：式中，xjmax，xjmin——第j个特征向量的最大值和最小值；xij——第j个特征向量的第i个元素的初始值；x′ij——第j个特征向量的第i个元素归一化处理的标准值；(3)计算相似矩阵A，其公式如下：式中，||xi-xj||——样本xi和样本xj的欧氏距离；σ——样本的标准差，本算法中取值0.9；(4)计算拉普拉斯矩阵L，其公式如下：L＝D-1/2AD-1/2(3)式中，D为相似矩阵A的对角化矩阵，其满足条件：(5)计算拉普拉斯矩阵L的前K个最大特征值(λ1,λ2,…,λk)以及相应特征向量(u1,u2,…,uk)，将特征向量按特征值大小进行降序排列，构造矩阵U，U＝{u1,u2,…,uk}∈Rn×k；(6)将矩阵U的行向量进行归一化处理，得到矩阵Y，其公式如下(7)将Y矩阵中的每一行向量yij∈Rk(i＝1,2,…,n)当做一点，利用Kmeans算法对yi进行聚类，得到K个聚类C1,C2,…,Ck；(8)输出结果：聚类A1,A2,…,Ak,Ai＝{j|yj∈Ci}。3.根据权利要求1所述的基于MFD+谱聚类+SVM的路网交通状态判别方法，其特征在于，在步骤(1)中，路网MFD的估测方法公式为：式中，T——数据统计间隔时间(s)；r——路网中路段总数；n——数据统计间隔时间T内所有车辆数(veh)；li——路段i的长度(km)；tj——数据统计间隔时间T内第j辆车的行驶时间(s)；dj——数据统计间隔时间T内第j...
【专利技术属性】
技术研发人员：林晓辉，黄良，曹成涛，黎新华，
申请(专利权)人：广东交通职业技术学院，
类型：发明
国别省市：广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。