基于SVM的危險(xiǎn)交通流狀態(tài)實(shí)時(shí)識(shí)別模型

孫然然，張靜萱，朱廣宇

(1.北京交通大學(xué) 北京市城市交通信息智能感知與服務(wù)工程技術(shù)研究中心，北京 100044；2.北京交通大學(xué) 綜合交通運(yùn)輸大數(shù)據(jù)應(yīng)用技術(shù)交通運(yùn)輸行業(yè)重點(diǎn)實(shí)驗(yàn)室，北京 100044；3. 國(guó)家鐵路局規(guī)劃與標(biāo)準(zhǔn)研究院，北京 100055)

0 引言

實(shí)時(shí)高效的對(duì)道路交通狀況進(jìn)行識(shí)別，有助于降低交通事故的發(fā)生率，保障交通系統(tǒng)的運(yùn)營(yíng)安全。交通事故是各種事件在特定的動(dòng)態(tài)交通系統(tǒng)中互為因果、綜合作用的結(jié)果[1]，往往呈現(xiàn)為多種形態(tài)，主要包括突發(fā)型、漸進(jìn)型、混合型等。事故發(fā)生的前期通常會(huì)表現(xiàn)出某些交通運(yùn)營(yíng)狀況的漸變或突變[2]，不同程度地體現(xiàn)在交通流參數(shù)上。因此，通過(guò)實(shí)時(shí)監(jiān)測(cè)道路交通流參數(shù)的變化情況，可有效對(duì)易引發(fā)交通事故的危險(xiǎn)交通流狀態(tài)進(jìn)行識(shí)別，及時(shí)預(yù)判潛在的交通事故，為相關(guān)管理部門(mén)制訂相應(yīng)的管控措施提供依據(jù)，以達(dá)到減少交通事故的目的[3]。

早期對(duì)交通流狀態(tài)的研究，側(cè)重于交通事故檢測(cè)與交通擁堵判別，主要有California算法[4]、靜態(tài)判別McMaster算法[5]、基于數(shù)理統(tǒng)計(jì)的平滑算法[6]等。上述經(jīng)典算法主要通過(guò)辨識(shí)道路斷面交通流量、地點(diǎn)車速、交通密度等交通參數(shù)變化的單一方法對(duì)交通流進(jìn)行分析與處理，快速判定是否有交通事故及交通擁擠發(fā)生，且算法檢測(cè)效率低，誤報(bào)率高。后期，國(guó)內(nèi)外先進(jìn)交通流檢測(cè)設(shè)備的涌現(xiàn)，為交通事故預(yù)測(cè)與異常交通狀態(tài)辨識(shí)的研究提供了便利，可通過(guò)監(jiān)測(cè)實(shí)時(shí)交通流數(shù)據(jù)來(lái)研究交通流運(yùn)行狀態(tài)，常見(jiàn)的有基于視頻數(shù)據(jù)處理的異常交通流狀態(tài)識(shí)別技術(shù)[7-10]。例如：方曉瑩等[7]運(yùn)用數(shù)字圖像處理技術(shù)獲取交通參數(shù)的變化情況，進(jìn)而對(duì)各時(shí)刻的異常交通狀態(tài)檢測(cè)并根據(jù)各參數(shù)的變化趨勢(shì)預(yù)測(cè)異常交通狀態(tài)。林震等[11]分析交通事故與車速偏差量之間具有顯著的相關(guān)性，以車速指標(biāo)的不穩(wěn)定性來(lái)表征異常交通運(yùn)行狀態(tài)，構(gòu)建基于貝葉斯理論的交通事故最小風(fēng)險(xiǎn)預(yù)測(cè)模型，及時(shí)準(zhǔn)確地評(píng)估異常交通流狀態(tài)。徐鋮鋮等[12]分析高速公路交通流數(shù)據(jù)與事故數(shù)據(jù)，構(gòu)建交通安全實(shí)時(shí)評(píng)價(jià)指標(biāo)體系，運(yùn)用Fisher判別分析方法，構(gòu)造關(guān)于實(shí)時(shí)交通流參數(shù)的線性判別函數(shù)，根據(jù)判別函數(shù)值判斷實(shí)時(shí)交通流狀態(tài)。

隨著計(jì)算機(jī)技術(shù)以及智能交通運(yùn)輸體系的發(fā)展，人工智能算法在道路異常交通流狀態(tài)研究中逐漸占主導(dǎo)地位，神經(jīng)網(wǎng)絡(luò)、模糊算法和支持向量機(jī)等被廣泛應(yīng)用[13-20]。姜桂艷等[13]利用高速公路流量和車道占有率兩項(xiàng)指標(biāo)，基于神經(jīng)網(wǎng)絡(luò)構(gòu)建了一種適用于高速公路的具有3級(jí)報(bào)警制度的交通事件自動(dòng)檢測(cè)系統(tǒng)，結(jié)果表明其檢測(cè)率與檢測(cè)時(shí)間均優(yōu)于傳統(tǒng)算法。向懷坤等[14]提取反映交通流特性的路段車輛占有率和車輛運(yùn)行速度特征，構(gòu)建基于粒子群(PSO)算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型，結(jié)果顯示PSO神經(jīng)網(wǎng)絡(luò)算法提高了交通事件的檢測(cè)效率。神經(jīng)網(wǎng)絡(luò)具有檢測(cè)率高的特點(diǎn)，但在訓(xùn)練過(guò)程中對(duì)樣本的需求量比較大。由于交通流狀態(tài)是不斷變化的，楊奎河等[15]改善以往單一檢測(cè)方式，融合多種檢測(cè)數(shù)據(jù)，建立基于模糊聚類的交通流狀態(tài)識(shí)別，試驗(yàn)表明, 該方法能更加準(zhǔn)確地識(shí)別交通流狀態(tài)，有助于判別路段危險(xiǎn)交通狀況。模糊算法基于規(guī)則將一些難以量化的參數(shù)模糊處理，應(yīng)用具有局限性。在眾多人工智能算法中，支持向量機(jī)模型憑借其良好的學(xué)習(xí)能力與泛化能力以及在小樣本、高維非線性樣本下也可獲得最優(yōu)解而被廣泛用于道路交通事故風(fēng)險(xiǎn)預(yù)測(cè)問(wèn)題[16-20]。Yuan等[18]分別采用不同非線性核函數(shù)的兩個(gè)支持向量機(jī)模型對(duì)道路交通事故進(jìn)行檢測(cè)，試驗(yàn)結(jié)果表明，在分類率、檢測(cè)時(shí)間方面，支持向量機(jī)優(yōu)于多層前向神經(jīng)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)模型。周洲等[19]根據(jù)高速公路交通流的特點(diǎn)，設(shè)計(jì)了基于不同核函數(shù)的SVM模型用于有無(wú)交通事件發(fā)生的檢測(cè)，結(jié)果表明，合適的SVM模型和核函數(shù)可提高檢測(cè)率，縮短檢測(cè)時(shí)間。后期，游錦明等[20]基于支持向量機(jī)模型實(shí)時(shí)檢測(cè)高速公路上的不良交通流狀態(tài)，為提高支持向量機(jī)分類器性能，首先運(yùn)用主成分分析法對(duì)交通流參數(shù)進(jìn)行分析處理，網(wǎng)格遍歷法優(yōu)化模型中的懲罰參數(shù)C和核函數(shù)參數(shù)γ。

上述研究均表明交通事故風(fēng)險(xiǎn)往往與交通流運(yùn)行中某些實(shí)時(shí)狀態(tài)參數(shù)(如交通流，車速等)存在顯著關(guān)系，即危險(xiǎn)的交通流狀態(tài)易誘發(fā)交通事故，交通事故的發(fā)生也常伴隨著危險(xiǎn)交通流狀態(tài)的存在。因此，危險(xiǎn)交通流狀態(tài)的實(shí)時(shí)識(shí)別可轉(zhuǎn)化為分類問(wèn)題，故選用上述分類性能良好的支持向量機(jī)模型作為交通流狀態(tài)識(shí)別模型。針對(duì)參數(shù)分析不全面以及算法識(shí)別效率低等問(wèn)題，本研究對(duì)基于支持向量機(jī)的危險(xiǎn)交通流狀態(tài)識(shí)別算法進(jìn)一步優(yōu)化研究。主要研究?jī)?nèi)容如下：(1)數(shù)據(jù)預(yù)處理；(2)提取交通事故發(fā)生的相關(guān)前兆特征變量，并通過(guò)相關(guān)性選擇算法(Relevance Selection Algorithm，RSA)對(duì)特征變量降維處理；(3)提出基于改進(jìn)網(wǎng)格搜索算法的支持向量機(jī)模型對(duì)危險(xiǎn)交通流狀態(tài)進(jìn)行識(shí)別，應(yīng)用于某市快速路的事故數(shù)據(jù)進(jìn)行案例分析。

1 數(shù)據(jù)預(yù)處理

本研究的對(duì)象為某市快速路的某個(gè)路段，危險(xiǎn)交通流的判別以該路段交通事故發(fā)生前的交通運(yùn)行參數(shù)為依據(jù)。提取2015年6月11日—2015年11月11日的事故數(shù)據(jù)與事故發(fā)生前上游(a1、a2)、下游(a3、a4)各兩個(gè)檢測(cè)器的交通流數(shù)據(jù)(流量F、速度V和時(shí)間占有率U)。數(shù)據(jù)集劃分為事故發(fā)生的“案例組”和未發(fā)生事故的“對(duì)照組”，比例為1∶1，為保證試驗(yàn)結(jié)果的準(zhǔn)確性，兩組數(shù)據(jù)選取規(guī)則為：無(wú)重大天氣變化情況下，所選地點(diǎn)、時(shí)間段均相同，僅日期不同。

Pande等[21]指出：交通流狀態(tài)的識(shí)別以5 min的時(shí)間長(zhǎng)度集計(jì)較佳。此外，危險(xiǎn)交通流狀態(tài)的識(shí)別需具備一定的超前性，故選取事故發(fā)生前T1(5～10 min)和T2(10～15 min)兩個(gè)時(shí)間片段進(jìn)行研究。因此，一個(gè)事故點(diǎn)包含8條(4個(gè)檢測(cè)器×2個(gè)時(shí)間段)數(shù)據(jù)記錄，事故發(fā)生的前兆特征變量可初定為24個(gè)，如表1所示。其中F(a1,T1)代表a1檢測(cè)器所檢測(cè)的交通事故發(fā)生前T1時(shí)間段的交通流量。原始數(shù)據(jù)因檢測(cè)器突發(fā)故障等因素，會(huì)存在數(shù)據(jù)不完整、數(shù)據(jù)異常錯(cuò)誤等，需要對(duì)數(shù)據(jù)進(jìn)一步清洗，最終經(jīng)過(guò)數(shù)據(jù)提取與預(yù)處理，得到案例組和對(duì)照組樣本各123個(gè)，記為數(shù)據(jù)集A，部分?jǐn)?shù)據(jù)如表2所示。每個(gè)樣本有24個(gè)特征變量和1個(gè)類別標(biāo)簽(“1”記為危險(xiǎn)狀態(tài)，“0”記為正常狀態(tài))。

表1 交通事故前兆特征變量Tab.1 Characteristic variables of traffic accident precursor

表2 數(shù)據(jù)預(yù)處理Tab.2 Data preprocessing

2 交通事故前兆特征變量降維

由于特征變量的量綱不一致,首先對(duì)其進(jìn)行歸一化處理。為降低模型的計(jì)算復(fù)雜度、提高分類器性能，本研究構(gòu)造了一種相關(guān)性選擇算法(Relevance Selection Algorithm，RSA)首先對(duì)路段上事故發(fā)生的前兆特征變量進(jìn)行降維處理。

(1) 特征變量與類別間相關(guān)性

記D(i)值表示第i個(gè)特征變量與類別的相關(guān)性，D(i)值越大，表示特征變量與類別強(qiáng)相關(guān)，反之，為弱相關(guān)或不相關(guān)。

diff(x(i,j),x(i,jnm))，

(1)

diff(x(i,j),x(i,jnh))=min(|x(i,j)-

x(i,k)|)，

(2)

diff(x(i,j),x(i,jnm))=min(|x(i,j)-

x(i,h)|)，

(3)

式中,x(i,j)為所有樣本的第j個(gè)樣本在特征變量i上的取值；x(i,jnh)為與x(i,j)同類別的最近鄰；x(i,jnm)為與x(i,j)非同類別的最近鄰；diff(x(i,j),x(i,jnh))為x(i,j)與同類別最近鄰在特征變量i上的距離；diff(x(i,j),x(i,jnm))為x(i,j)與非同類別的最近鄰在特征變量i上的距離。

(2) 特征變量間冗余性

(4)

(5)

(6)

式中，rij為第i個(gè)特征變量與第j個(gè)特征變量的相關(guān)系數(shù)。當(dāng)兩個(gè)特征變量之間的相關(guān)性越高，所含重復(fù)信息越多時(shí)，rij絕對(duì)值越大。當(dāng)兩個(gè)特征變量無(wú)相關(guān)性時(shí)，rij=0；交通事故前兆特征變量之間相關(guān)系數(shù)絕對(duì)值矩陣R表示如下：

(7)

(3) 特征變量降維算法

特征變量與類別間的相關(guān)性以及各特征變量之間的相關(guān)性計(jì)算部分結(jié)果如圖1、表3所示。為保證特征變量選取的合理性，最終設(shè)計(jì)特征變量提取算法如圖2所示。

圖1 交通事故前兆特征變量與類別相關(guān)性Fig.1 Correlation between traffic accident precursor characteristic variable and category

表3 交通事故前兆特征變量之間的相關(guān)性Tab.3 Correlation between traffic accident precursorchar-acteristic variables

圖2 特征變量提取算法Fig.2 Feature variable extraction algorithm

根據(jù)上述特征變量提取方案，最終得到包含4個(gè)特征變量(F(a3,T2)，F(xiàn)(a3,T1)，F(xiàn)(a4,T2)，F(xiàn)(a4,T1)) 的數(shù)據(jù)集B。將數(shù)據(jù)集A、B分為兩部分：60%訓(xùn)練集和40%測(cè)試集，訓(xùn)練集和測(cè)試集包含的“案例組”及“對(duì)照組”的樣本比例1∶1。

3 基于SVM的危險(xiǎn)交通流狀態(tài)識(shí)別模型

3.1 基于SVM的危險(xiǎn)交通流狀態(tài)識(shí)別

支持向量機(jī)(Support Vector Machine，SVM)在模式分類問(wèn)題上, 具有的良好的泛化性能，其主要思想是將輸入變量X通過(guò)特定的非線性映射算法映射到一個(gè)高維特征空間Z，在Z中構(gòu)造最優(yōu)分類超平面。

給定訓(xùn)練數(shù)據(jù)集：

S={(xi,yi)|i=1, 2,…,m},

(8)

式中，xi∈Rn為第i個(gè)樣本的特征變量；yi∈n為第i個(gè)樣本的標(biāo)簽且yi∈{±1}，m為樣本規(guī)模。SVM目的是尋找一個(gè)超平面H將yi以最優(yōu)的方式區(qū)分出來(lái)，即不僅可以將標(biāo)簽為1和-1分開(kāi)，同時(shí)還能使分開(kāi)的數(shù)據(jù)點(diǎn)距離H最遠(yuǎn)，如圖3所示，H為最優(yōu)超平面。超平面可表示為：

g(x)=wTx+b,

(9)

式中，x為輸入向量；w為權(quán)值向量；b為常量參數(shù)。

圖3 最優(yōu)超平面圖Fig.3 Diagram of optimal hyperplane

對(duì)于yi∈{±1}的樣本點(diǎn)，到超平面的幾何間隔為：

(10)

i=1, 2,…,m。

(11)

(2)懲罰變量

親子閱讀重在互動(dòng)，閱讀時(shí)，可以家長(zhǎng)讀孩子聽(tīng)，還可以分角色讀、輪流讀。為了鼓勵(lì)孩子開(kāi)展獨(dú)立閱讀，家長(zhǎng)可采用閱讀導(dǎo)入法，選擇一本情節(jié)跌宕起伏的故事書(shū)，先由家長(zhǎng)聲情并茂地讀給孩子聽(tīng)，然后在最精彩、最緊張的地方停下來(lái)，讓孩子接著把書(shū)中的故事讀下去。

(12)

yi(wTxi+b)≥1-ξi,i=1, 2,…,m,ξi≥0,

(13)

式中C為用戶選定的正參數(shù)。引入拉格朗日函數(shù)，此問(wèn)題表示為：

0≤αi≤C,i=1, 2,…,m,

(14)

(15)

求解得α=(α1,α2,…,αm)T，超平面進(jìn)一步表示為：

(16)

(3)核函數(shù)

核函數(shù)的選擇是影響支持向量機(jī)模型性能的關(guān)鍵因素，核函數(shù)可將線性不可分的數(shù)據(jù)映射到一個(gè)高維的特征空間內(nèi)，使得數(shù)據(jù)在該特征空間內(nèi)是可分的。常用的徑向基核函數(shù)可將樣本映射到一個(gè)更高維的空間，參數(shù)少且數(shù)值計(jì)算相對(duì)簡(jiǎn)單。

K(xi,xj)=exp(-γ‖xi-xj‖2),γ>0。

(17)

因此，本研究選用基于徑向基核函數(shù)的支持向量機(jī)模型作為交通流狀態(tài)識(shí)別分類模型，其決策函數(shù)為：

(18)

式中，xi，yi，αi，b為模型優(yōu)化求解得到的參數(shù)；模型求解中懲罰系數(shù)C值與核函數(shù)中參數(shù)γ值影響訓(xùn)練模型的分類性能。傳統(tǒng)網(wǎng)格搜索法搜索時(shí)間較長(zhǎng)，本研究首先在大區(qū)域范圍內(nèi)確定小區(qū)域，進(jìn)一步采用較小的步長(zhǎng)搜索，首先對(duì)數(shù)據(jù)集B進(jìn)行訓(xùn)練與測(cè)試，實(shí)現(xiàn)過(guò)程和結(jié)果如下。

①參數(shù)尋優(yōu)。輸入數(shù)據(jù)集B中的訓(xùn)練集，K折交叉驗(yàn)證中K=5，設(shè)定a=1%，當(dāng)網(wǎng)格搜索的參數(shù)C，γ的取值所對(duì)應(yīng)的危險(xiǎn)交通流狀態(tài)的識(shí)別準(zhǔn)確率與前一次的準(zhǔn)確率之差比a大，則減小步長(zhǎng)，縮小搜索范圍。反之，終止搜索。C,γ初始搜索范圍：C∈[2-10,210]，γ∈[2-10,210]，步長(zhǎng)為1。初次SVM參數(shù)尋優(yōu)結(jié)果如圖4所示。

圖4 初次參數(shù)尋優(yōu)結(jié)果Fig.4 Initial parameter optimization result

圖4中X，Y，Z軸分別表示γ，C的尋優(yōu)范圍以及危險(xiǎn)交通流狀態(tài)的準(zhǔn)確率。得出最優(yōu)值C=8，γ=0.5，準(zhǔn)確率為77.702 7%，尋優(yōu)時(shí)間為2.609 4 s。根據(jù)圖4，顯然可得，當(dāng)識(shí)別準(zhǔn)確率較高時(shí)，γ∈[2-3,2-2]，C∈[22,23]，即C,γ在該范圍內(nèi)進(jìn)一步搜索，步長(zhǎng)減小為0.1，參數(shù)尋優(yōu)結(jié)果如圖5所示。

圖5 參數(shù)尋優(yōu)結(jié)果Fig.5 Parameter optimization result

根據(jù)圖5，得出支持向量機(jī)模型懲罰參數(shù)最優(yōu)為0.233 3，核函數(shù)參數(shù)最優(yōu)值為4.594 8，交通流狀態(tài)的識(shí)別準(zhǔn)確率達(dá)78.378 4%。優(yōu)化過(guò)的網(wǎng)格搜索算法在整個(gè)參數(shù)尋優(yōu)過(guò)程中共花費(fèi)時(shí)間3.4 s。兩次尋優(yōu)準(zhǔn)確率差為0.68%<1%。因此，選取參數(shù)C=0.233 3，γ=4.594 8。與傳統(tǒng)的網(wǎng)格搜索算法參數(shù)尋優(yōu)對(duì)比結(jié)果如表4所示，顯然，改進(jìn)的網(wǎng)格搜索法所需時(shí)間更短。

表4 參數(shù)尋優(yōu)結(jié)果對(duì)比Tab.4 Comparison of parameter optimization results

②支持向量機(jī)訓(xùn)練。采用C=0.233 3，γ=4.594 8訓(xùn)練支持向量機(jī)，具體結(jié)果如圖6所示。

圖6 數(shù)據(jù)集B訓(xùn)練效果圖Fig.6 Training effect diagram of dataset B

選用以數(shù)據(jù)集A訓(xùn)練好的SVM應(yīng)用于A數(shù)據(jù)集中的測(cè)試集，分類結(jié)果如圖7所示。

圖7 測(cè)試集分類結(jié)果圖Fig.7 Test set classification result diagram

圖6中圓圈代表98個(gè)測(cè)試樣本的實(shí)際類別，“*”為模型分類結(jié)果?！?”與圓圈重合代表分類正確，反之錯(cuò)誤。從圖6中，我們可以得出“*”與圓圈重合的樣本有91個(gè)，即分類準(zhǔn)確率達(dá)77.55%。案例組的分類正確率達(dá)89.8%，對(duì)照組樣本分類正確率達(dá)65.3%。此外，案例組樣本錯(cuò)誤分類的數(shù)量少于對(duì)照組樣本分類錯(cuò)誤的數(shù)量。

從圖7中，我們可以得出“*”與圓圈重合的樣本僅有45個(gè)，即分類準(zhǔn)確率只有54.1%。案例組的分類正確率達(dá)59.2%，對(duì)照組樣本分類正確率達(dá)49%。顯然，案例組的分類正確率與對(duì)照組樣本分類正確率均比較低。因此，通過(guò)特征變量降維后的數(shù)據(jù)集B的危險(xiǎn)交通流狀態(tài)識(shí)別準(zhǔn)確率高于數(shù)據(jù)集A。

③分類效果評(píng)價(jià)。數(shù)據(jù)集B交通流狀態(tài)識(shí)別的混淆矩陣如圖8所示。

圖8 混淆矩陣Fig.8 Confusion matrix

圖8混淆矩陣中行表示案例樣本與對(duì)照樣本測(cè)試集預(yù)測(cè)分類標(biāo)簽，列表示案例樣本與對(duì)照樣本測(cè)試集的實(shí)際類別。從圖8可知，危險(xiǎn)交通流狀態(tài)的分類正確率為89.8%；此外，案例所研究的123起事故中有因駕駛員操作不當(dāng)或入口頻繁變換車道引起，因此排除道路、駕駛員等偶發(fā)性因素，本研究所構(gòu)建的支持向量機(jī)模型對(duì)危險(xiǎn)交通流狀態(tài)的識(shí)別準(zhǔn)確率較高。值得注意的是，該模型易把安全交通流狀態(tài)判別為危險(xiǎn)交通流狀態(tài)。但由于在日常的危險(xiǎn)交通流狀態(tài)監(jiān)測(cè)過(guò)程中，我們更注重危險(xiǎn)交通流狀態(tài)的發(fā)生。因此，本研究所構(gòu)建的危險(xiǎn)交通流狀態(tài)識(shí)別模型具有良好適用性。

3.2 結(jié)果對(duì)比分析

3.2.1 RSA算法合理性驗(yàn)證

為了驗(yàn)證RSA算法的合理性，選用數(shù)據(jù)集A來(lái)訓(xùn)練和測(cè)試支持向量機(jī)。數(shù)據(jù)集A,B的交通流狀態(tài)識(shí)別結(jié)果對(duì)比如圖9所示。算法測(cè)試結(jié)果的ROC曲線如圖10所示。

圖9 數(shù)據(jù)集A,B的交通流狀態(tài)識(shí)別對(duì)比Fig.9 Comparison of traffic flow state recognition between data set A and data set B

圖10 ROC曲線Fig.10 ROC curves

從圖9可知，不論是正常交通流狀態(tài)還是危險(xiǎn)交通流狀態(tài)，數(shù)據(jù)集B的分類精度均高于數(shù)據(jù)集A。從圖10數(shù)據(jù)集B的ROC曲線與數(shù)據(jù)集A的ROC曲線對(duì)比可知，數(shù)據(jù)集B的曲線更接近Y=1。此外，ROC曲線與Y=0以及X=1所圍的面積為AUC值，面積越大，表明分類器的性能有所提高。由圖10可知，數(shù)據(jù)集B的AUC值較大，因此本研究提出的RSA 算法可以提高分類器的分類精度及性能。

3.2.2 不同算法結(jié)果對(duì)比分析

為了驗(yàn)證本研究所構(gòu)建模型的適用性，本研究選取常用的K近鄰算法和BP神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于前兆特征變量降維后的數(shù)據(jù)集B，具體對(duì)比情況如下：

(1)K-近鄰算法

K-近鄰算法中兩樣本間的距離計(jì)算常采用歐式距離度量方法。取K∈(1,40)，樣本分類準(zhǔn)確率結(jié)果如圖11所示，顯然，最佳K值為8，分類總正確率為79.59%。

圖11 不同K值算法準(zhǔn)確率Fig.11 Accuracy rates of algorithm with different K values

(2)BP神經(jīng)網(wǎng)絡(luò)算法

本研究BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建過(guò)程中，分輸入層、隱含層、輸出層3層，激勵(lì)函數(shù)選擇Sigmoid函數(shù)。通過(guò)梯度下降法來(lái)調(diào)整輸入層各節(jié)點(diǎn)與隱含層各節(jié)點(diǎn)之間的連接權(quán)重以及閾值，使誤差沿梯度方向下降。隱含層節(jié)點(diǎn)與輸出層節(jié)點(diǎn)之間的連接權(quán)重與閾值處理方法同上。迭代次數(shù)1 000次,期望誤差為10-6，學(xué)習(xí)速率0.01，試驗(yàn)結(jié)果如圖12所示。圖12中，分類正確率較高的曲線為訓(xùn)練樣本。從圖12可以明顯看出，當(dāng)隱含層的節(jié)點(diǎn)數(shù)取15時(shí)，數(shù)據(jù)集B中訓(xùn)練樣本的交通流狀態(tài)分類總正確率為84.69%，測(cè)試樣本交通流狀態(tài)分類總正確率達(dá)73.40%。3種方法的識(shí)別結(jié)果對(duì)比如圖13所示。

圖12 測(cè)試樣本分類準(zhǔn)確率Fig.12 Classification accuracy of test samples

圖13 交通流狀態(tài)識(shí)別結(jié)果對(duì)比Fig.13 Comparison of traffic flow state recognition results

由圖13可知，SVM算法對(duì)于危險(xiǎn)交通流狀態(tài)識(shí)別準(zhǔn)確率高于KNN算法和BP神經(jīng)網(wǎng)絡(luò)算法，KNN和BP神經(jīng)網(wǎng)絡(luò)算法容易將危險(xiǎn)狀態(tài)判斷為安全狀態(tài)，導(dǎo)致較多的潛在危險(xiǎn)交通流狀態(tài)無(wú)法檢測(cè)準(zhǔn)確，即基于SVM的危險(xiǎn)交通流狀態(tài)識(shí)別算法優(yōu)于KNN算法和BP神經(jīng)網(wǎng)絡(luò)算法，可為道路交通管理部門(mén)提供可靠的決策支持。

4 結(jié)論

本研究提出了基于支持向量機(jī)的危險(xiǎn)交通流狀態(tài)檢測(cè)方法。采用事故所對(duì)應(yīng)的交通流狀態(tài)作為危險(xiǎn)交通流狀態(tài)進(jìn)行研究，根據(jù)交通流特性，提取與交通事故發(fā)生相關(guān)的24個(gè)前兆特征變量，并通過(guò)相關(guān)性選擇算法實(shí)現(xiàn)降維，最終保留4個(gè)特征變量。結(jié)合支持向量機(jī)模型實(shí)現(xiàn)了對(duì)危險(xiǎn)交通流狀態(tài)的檢測(cè)識(shí)別，精度高于KNN算法和BPNN算法。此外，改進(jìn)后的網(wǎng)格搜索算法，使得懲罰參數(shù)C和核函數(shù)參數(shù)γ尋優(yōu)效率提高了98.3%，極大減少了搜索時(shí)間。因此，本研究可以有效地對(duì)危險(xiǎn)交通流狀態(tài)進(jìn)行實(shí)時(shí)識(shí)別，為交通管理部門(mén)保障城市快速路的正常運(yùn)營(yíng)提供決策依據(jù)。