本發(fā)明涉及一種道路擁堵識別方法，具體的為一種運用pca方法、ga理論以及svm算法進行綜合的道路擁堵判別的方法。
背景技術：
隨著我國高速公路交通異常狀態(tài)日益頻發(fā)，嚴重影響高速公路的運行效率。準確把握交通運行狀態(tài)并及時檢測出交通異常，對于交通管理者制定恰當?shù)慕煌ü芸夭呗?，為駕駛員提供實時并且可靠的交通信息很有必要。交通異常狀態(tài)判別算法通過分析檢測器采集到的交通流參數(shù)來判斷道路狀態(tài)是否異常，是把握高速公路異常運行狀態(tài)、進行調控和解決交通異常問題的前提和關鍵技術。
目前國內(nèi)外存在的交通異常狀態(tài)判別算法主要包括模式識別算法、統(tǒng)計算法、時間序列和平滑/濾波算法、突變理論和人工智能事件檢測算法等，其中模式識別算法、統(tǒng)計算法、時間序列和平滑/濾波算法、突變理論算法的可移植性比較差，結果并不令人滿意。人工智能算法在近年來得到極大的發(fā)展，其中支持向量機(supportvectormachine,svm)算法綜合性能較好，首先由cortes和vapnik于1995年提出，然而目前在應用中的svm算法對高速公路交通運行狀態(tài)的劃分還不夠細致，并且還存在算法模型訓練時間過長和準確率偏低等問題，這些問題制約著算法交通狀態(tài)分類的性能，不利于健全高速公路監(jiān)控和管理系統(tǒng)和準確的把握交通運行狀態(tài)。
技術實現(xiàn)要素：
有鑒于此，為了解決現(xiàn)有技術中存在的問題，本發(fā)明的目的在于提供一種基于pca-ga-svm算法的高速公路擁堵識別方法。
為達到上述目的，本發(fā)明提供如下技術方案：
一種基于pca-ga-svm算法的高速公路擁堵識別方法，包括如下步驟：
步驟1：獲取固定車檢器數(shù)據(jù)，并對固定車檢器數(shù)據(jù)進行預處理；
步驟2：選取擁堵判別svm算法特征向量
步驟21：選取訓練樣本的特征向量；
步驟22：利用pca對初始特征參數(shù)進行加權降維處理；
步驟3：訓練擁堵判別svm算法參數(shù)
步驟31：選取svm算法核函數(shù)；
步驟32：利用遺傳算法優(yōu)化核函數(shù)參數(shù)；
步驟4：擁堵狀態(tài)判別：根據(jù)交通事件的嚴重程度分為無事件狀態(tài)、輕度擁堵狀態(tài)和嚴重擁堵狀態(tài)；采用“一對一”算法，組合兩個二分類器構造svm多分類器來得到判別結果，將二分類器問題延伸到處理多分類問題。
進一步，所述步驟1中，對固定車檢器數(shù)據(jù)進行預處理的方法如下：
步驟11：對于原始數(shù)據(jù)進行故障的分析與判斷，判定其是否為故障數(shù)據(jù)，且當車速和占有率同時很高時判斷為失真，當流量、車速和占有率均為0時判斷為丟失；
步驟21：對于故障數(shù)據(jù)的剔除與補充修復，采用當前路段的實測數(shù)據(jù)與歷史數(shù)據(jù)的加權方式得出的值來對故障數(shù)據(jù)進行補充修復，公式如下：
其中，
x(t-1)為t-1時段的實際檢測值；
x′(t)為同一時刻前n天的采集數(shù)據(jù)的歷史均值；
α為遺忘因子，α∈[0,1]，α取值的大小決定對于歷史的數(shù)據(jù)依賴程度。
進一步，所述步驟21中，分析高速公路異常狀態(tài)交通參數(shù)，選取異常發(fā)生時刻上下游流量、占有率、車速數(shù)據(jù)作為訓練樣本的特征向量，共選擇出6個特征向量。
進一步，所述步驟22中，利用pca對初始特征參數(shù)進行加權降維處理的方法如下：
步驟221：利用n個訓練樣本，每個訓練樣本觀測選取的6個指標，將原始數(shù)據(jù)寫成矩陣如下所示：
其中，i為訓練樣本數(shù)量，i＝1,2,…n；
j為觀測指標數(shù)量，j＝1,2,…6；
xij是原始數(shù)據(jù)中第i個樣本第j個觀測指標數(shù)據(jù)；
將原始數(shù)據(jù)標準化加權后，原始數(shù)據(jù)矩陣轉化為：
其中，i為訓練樣本數(shù)量，i＝1,2,…n；
j為觀測指標數(shù)量，j＝1,2,…6；
x′“j是原始數(shù)據(jù)中第i個樣本第j個觀測指標標準化后的數(shù)據(jù)；
βij是對應x′ij的權重，且0＜βij＜1，并且βi1+βi2+…+βi6＝1；
步驟222：建立變量的相關系數(shù)陣，如下所示：
r＝(rij)6×6
其中，rij為第i個樣本第j個觀測指標對應的相關系數(shù)，如下：
其中，
求得r的特征根λ1≥λ2≥…≥λ6>0，特征向量如下：
步驟223：計算主成分，公式如下：
fi＝a1ix1+a2ix2+…+ajixj…+a6ix6
其中，i為訓練樣本數(shù)量，i＝1,2,…n；
j為觀測指標數(shù)量，j＝1,2,…6；
xj為第j個觀測指對應的樣本數(shù)據(jù)；
aji為根據(jù)樣本數(shù)據(jù)求得的相關系數(shù)陣的第i個樣本第j個觀測指標對
應的特征根的特征向量；
計算主成分貢獻率及累計貢獻率如下：
貢獻率：
累計貢獻率：
其中，i為主成分個數(shù)，i＝1,2,…,6
取累計貢獻率達設定值以上的特征值所對應的前m個主成分，其中，m≤6。
進一步，所述步驟31中，選取高斯核函數(shù)作為svm算法核函數(shù)，如下：
其中，x1和x2是訓練集中的兩個特征向量；
σ為高斯核函數(shù)的參數(shù)。
進一步，所述步驟32中，利用遺傳算法優(yōu)化核函數(shù)參數(shù)的方法如下：
步驟321：通過二進制編碼的基因編碼策略，將所求解的空間轉化成編碼后的解空間；其中每一個待整定參數(shù)的取值范圍、設定精度及基因個數(shù)應滿足關系式如下：
ue-us＝δ(2k-1)
其中，ue-us代表參數(shù)的取值范圍；
δ代表取值精度；
k代表基因數(shù)；
步驟322：將訓練集在cv意義下的回歸準確率作為ga的適應度函數(shù)值，利用ga對svm算法的參數(shù)進行進一步優(yōu)化；
cv意義下的回歸準確率公式如下：
其中，tt為輸入的樣本總數(shù)；
tp為分類正確的有事件樣本數(shù)；
tn為分類正確的無事件樣本數(shù)；
步驟333：隨機地生成初始種群，用適應度函數(shù)評價每個個體的適應度值，根據(jù)計算的適應度值判斷是否滿足結束條件，如果滿足就輸出參數(shù)結果，如果不滿足就將選擇復制、交叉和變異等操作算子作用于種群，生成新一代種群繼續(xù)計算個體的適應度值直至滿足結束條件輸出結果為止。
進一步，所述步驟4中，在解決k分類問題中進行兩兩組合，構造二分類器個數(shù)n如下：
n＝k×(k-1)/2
其中，k為分類個數(shù)；
每個分類器只針對兩類數(shù)據(jù)進行訓練，采用投票法將類中每個類別的初始票數(shù)均設為0；對測試樣本，依次帶入決策函數(shù)進行判別，如果分類器認為樣本屬于類別i，則將類別i的票數(shù)加1，如果分類器認為樣本屬于類別j，則類別j的票數(shù)加1；n個分類器都判別完后，票數(shù)最高的那個類別就是樣本所屬類別。
本發(fā)明的有益效果在于：
本發(fā)明的基于pca-ga-svm算法的高速公路擁堵識別方法，提出了pca-ga-svm算法對道路擁堵狀態(tài)進行識別，利用支持向量機(svm)分類器延伸至解決多分類問題，利用主成分分析方法(pca)對特征參數(shù)進行加權降維處理縮短svm模型訓練時間，利用遺傳算法(ga)理論使參數(shù)最優(yōu)化提高svm分類精度；實現(xiàn)對交通狀態(tài)分類性能的改善，幫助健全高速公路監(jiān)控和管理系統(tǒng)、準確的把握和控制交通運行狀態(tài)和提高高速公路運營效率，對避免環(huán)境污染以及能源浪費等交通與社會問題具有重要意義。
附圖說明
為了使本發(fā)明的目的、技術方案和有益效果更加清楚，本發(fā)明提供如下附圖進行說明：
圖1為本發(fā)明基于pca-ga-svm算法的高速公路擁堵識別方法實施例的總流程圖；
圖2為異常狀態(tài)下上下游交通流量參數(shù)變化規(guī)律圖；
圖3為異常狀態(tài)下上下游車速參數(shù)變化規(guī)律圖；
圖4為異常狀態(tài)下上下游交通占有率參數(shù)變化規(guī)律圖；
圖5為pca加權降維處理流程圖；
圖6為pca累計貢獻率圖；
圖7為ga優(yōu)化svm參數(shù)算法流程圖。
具體實施方式
下面結合附圖和具體實施例對本發(fā)明作進一步說明，以使本領域的技術人員可以更好的理解本發(fā)明并能予以實施，但所舉實施例不作為對本發(fā)明的限定。
如圖1所示，為本發(fā)明基于pca-ga-svm算法的高速公路擁堵識別方法實施例的總流程圖。本實施例的基于pca-ga-svm算法的高速公路擁堵識別方法，包括如下步驟：
步驟1：獲取固定車檢器數(shù)據(jù)，通過高速集團提供的車檢器數(shù)據(jù)，直接得到檢測斷面車檢器編碼、檢測斷面在5min內(nèi)車輛行車方向、總車流量、總平均占有率和總平均車速等。高速公路交通數(shù)據(jù)字段定義如表1所示：
表1：高速公路交通數(shù)據(jù)字段定義表
對固定車檢器數(shù)據(jù)進行預處理，獲取固定車檢器數(shù)據(jù)后需對數(shù)據(jù)進行一定的預處理，主要是對原始數(shù)據(jù)進行故障的分析與判斷，判定其是否為故障數(shù)據(jù)，對故障數(shù)據(jù)進行剔除與修復。主要有：
本實施例對固定車檢器數(shù)據(jù)進行預處理的方法如下：
步驟11：對于原始數(shù)據(jù)進行故障的分析與判斷，判定其是否為故障數(shù)據(jù)，由于檢測器或傳輸線路出現(xiàn)故障會產(chǎn)生數(shù)據(jù)失真或數(shù)據(jù)丟失，當車速和占有率同時很高時判斷為失真，當流量、車速和占有率均為0時判斷為丟失；
步驟21：對于故障數(shù)據(jù)的剔除與補充修復，采用當前路段的實測數(shù)據(jù)與歷史數(shù)據(jù)的加權方式得出的值來對故障數(shù)據(jù)進行補充修復，公式如下：
其中，
x(t-1)為t-1時段的實際檢測值；
x′(t)為同一時刻前n天的采集數(shù)據(jù)的歷史均值；
α為遺忘因子，α∈[0,1]，α取值的大小決定對于歷史的數(shù)據(jù)依賴程度。
步驟2：選取擁堵判別svm算法特征向量：選取擁堵判別svm算法特征向量是設計高速公路擁堵判別svm算法的前提，該步驟主要對高速公路異常狀態(tài)交通參數(shù)進行分析，選取算法的初始特征向量，并利用主成分分析方法(pca)對特征參數(shù)進行降維處理，以縮短svm模型的訓練時間。具體步驟如下：
步驟21：選取訓練樣本的特征向量：繪制包括道路交通擁堵和暢通狀態(tài)下固定車檢器收集的交通參數(shù)分布圖，如圖2-4所示。探討路段上下游流量、占有率和平均車速三種交通參數(shù)，分析異常狀態(tài)下的高速公路交通參數(shù)數(shù)據(jù)的波動特征，發(fā)現(xiàn)處于交通異常狀態(tài)的路段上游會產(chǎn)生一個導致?lián)頂D的壓縮波，使車輛聚集，流量有小幅度減少，車速會急劇下降，占有率明顯增大，下游則會產(chǎn)生一個擴張波，使車輛稀疏，流量通常會低于道路的正常通行能力，但流量變化緩慢，車速會逐漸下降，占有率逐漸上升。因此選取異常發(fā)生時刻上下游流量、占有率、車速數(shù)據(jù)作為訓練樣本的特征向量，共選擇出6個特征向量。
步驟22：利用pca對初始特征參數(shù)進行加權降維處理；為了縮短svm模型的訓練時間，提高算法的學習能力，本實施例采用pca方法對訓練樣本的輸入特征進行線性降維，并根據(jù)特征的重要程度角度，對訓練集中的每個特征賦予相應的權重。如圖5所示，本實施例利用pca對初始特征參數(shù)進行加權降維處理的方法如下：
步驟221：利用n個訓練樣本，每個訓練樣本觀測選取的6個指標，將原始數(shù)據(jù)寫成矩陣如下所示：
其中，i為訓練樣本數(shù)量，i＝1,2,…n；
j為觀測指標數(shù)量，j＝1,2,…6；
xij是原始數(shù)據(jù)中第i個樣本第j個觀測指標數(shù)據(jù)；
然而交通狀態(tài)異常對上下游流量、占有率、車速的影響大小是不同的，可以根據(jù)特征的重要程度角度，對訓練集中的每個特征賦予相應的權重，以提高算法的學習能力。將原始數(shù)據(jù)標準化加權后，原始數(shù)據(jù)矩陣轉化為：
其中，i為訓練樣本數(shù)量，i＝1,2,…n；
j為觀測指標數(shù)量，j＝1,2,…6；
x′ij是原始數(shù)據(jù)中第i個樣本第j個觀測指標標準化后的數(shù)據(jù)；
βij是對應x′ij的權重，且0＜βij＜1，并且βi1+βi2+…+βi6＝1；
由交通流數(shù)據(jù)特征分析可知上下游流量數(shù)據(jù)的影響較小，上下占有率和車速數(shù)據(jù)的影響較大，因此上下游流量數(shù)據(jù)可以取較小的權重，上下游占有率和車速取較大的權重。
步驟222：建立變量的相關系數(shù)陣，如下所示：
r＝(rij)6×6
其中，rij為第i個樣本第j個觀測指標對應的相關系數(shù)，如下：
其中，
求得r的特征根λ1≥λ2≥…≥λ6>0，特征向量如下：
步驟223：計算主成分，公式如下：
fi＝a1ix1+a2ix2+…+ajixj…+a6ix6
其中，i為訓練樣本數(shù)量，i＝1,2,…n；
j為觀測指標數(shù)量，j＝1,2,…6；
xj為第j個觀測指對應的樣本數(shù)據(jù)；
aji為根據(jù)樣本數(shù)據(jù)求得的相關系數(shù)陣的第i個樣本第j個觀測指標對
應的特征根的特征向量；
計算主成分貢獻率及累計貢獻率如下：
貢獻率：
累計貢獻率：
其中，i為主成分個數(shù)，i＝1,2,…,6
取累計貢獻率達設定值以上的特征值所對應的前m個主成分，其中，m≤6。pca累計貢獻率圖如圖6，本實施例取累計貢獻率達85％以上的特征值所對應的前m個主成分。
步驟3：訓練擁堵判別svm算法參數(shù)：由于選取適當?shù)哪Ｐ秃蛥?shù)可以提高算法的分類精度，并且以往模型參數(shù)的選取是結合實際應用背景和數(shù)據(jù)的先驗知識來得到的，分類精度并不理想。因此該步驟首先比較各個核函數(shù)的優(yōu)缺點選定高斯核函數(shù)，然后利用遺傳算法根據(jù)選取的核函數(shù)優(yōu)化其參數(shù)。具體步驟如下：
步驟31：選取svm算法核函數(shù)；由于高速公路異常狀態(tài)判別問題是非線性的，選擇恰當?shù)暮撕瘮?shù)才能體現(xiàn)出良好的性能。通過比較各個核函數(shù)的優(yōu)缺點發(fā)現(xiàn)，與線性核函數(shù)相比，高斯核函數(shù)可以非線性地完成映射，與多項式核函數(shù)相比，高斯核函數(shù)具有更少的核函數(shù)參數(shù)，可以更快捷地訓練支持向量機。高斯核函數(shù)作為是應用最廣泛的svm核函數(shù)，如果沒有充分獲得樣本集和分類問題的先驗信息，在光滑性假設下，高斯核函數(shù)表現(xiàn)出色。因此，本后四十里選取高斯核函數(shù)作為svm算法核函數(shù)，如下：
其中，x1和x2是訓練集中的兩個特征向量；
σ為高斯核函數(shù)的參數(shù)。
步驟32：利用遺傳算法優(yōu)化核函數(shù)參數(shù)；以往的參數(shù)選取主要是結合實際應用背景和數(shù)據(jù)的先驗知識來得到的，從而導致算法的分類精度并不理想。本發(fā)明將利用遺傳算法，根據(jù)選取的核函數(shù)優(yōu)化其參數(shù)，步驟如下：
步驟321：通過二進制編碼的基因編碼策略，將所求解的空間轉化成編碼后的解空間；遺傳算法基因編碼方式包括二進制編碼、浮點編碼和符號編碼。為了使得遺傳算子的操作便于實現(xiàn)，本實施例選用遺傳算法中最常采用的二進制編碼方法，其中每一個待整定參數(shù)的取值范圍、設定精度及基因個數(shù)應滿足關系式如下：
ue-us＝δ(2k-1)
其中，ue-us代表參數(shù)的取值范圍；
δ代表取值精度；
k代表基因數(shù)；
步驟322：根據(jù)具體的研究問題，構造適應度函數(shù)。遺傳算法對一個個體(解)的好壞用適應度函數(shù)值來評價，適應度函數(shù)值越大，解的質量越好。適應度函數(shù)是遺傳算法進化過程的驅動力，也是進行自然選擇的唯一標準，它的設計應結合求解問題本身的要求而定。本實施例將訓練集在cv意義下的回歸準確率作為ga的適應度函數(shù)值，利用ga對svm算法的參數(shù)進行進一步優(yōu)化。
具體的，cv意義下的回歸準確率公式如下：
其中，tt為輸入的樣本總數(shù)；
tp為分類正確的有事件樣本數(shù)；
tn為分類正確的無事件樣本數(shù)；
步驟333：隨機地生成初始種群，用適應度函數(shù)評價每個個體的適應度值，根據(jù)計算的適應度值判斷是否滿足結束條件，如果滿足就輸出參數(shù)結果，如果不滿足就將選擇復制、交叉和變異等操作算子作用于種群，生成新一代種群繼續(xù)計算個體的適應度值直至滿足結束條件輸出結果為止。
遺傳算法優(yōu)化參數(shù)部分如圖7所示，利用遺傳算法理論來尋找出所選的高斯核函數(shù)參數(shù)σ。
步驟4：擁堵狀態(tài)判別：根據(jù)交通事件的嚴重程度分為無事件狀態(tài)、輕度擁堵狀態(tài)和嚴重擁堵狀態(tài)；采用“一對一”算法，組合兩個二分類器構造svm多分類器來得到判別結果，將二分類器問題延伸到處理多分類問題。
在解決k分類問題中進行兩兩組合，構造二分類器個數(shù)n如下：
n＝k×(k-1)/2
其中，k為分類個數(shù)；
每個分類器只針對兩類數(shù)據(jù)進行訓練，采用投票法將類中每個類別的初始票數(shù)均設為0；對測試樣本，依次帶入決策函數(shù)進行判別，如果分類器認為樣本屬于類別i，則將類別i的票數(shù)加1，如果分類器認為樣本屬于類別j，則類別j的票數(shù)加1；n個分類器都判別完后，票數(shù)最高的那個類別就是樣本所屬類別。
本實施例的基于pca-ga-svm算法的高速公路擁堵識別方法，提出了pca-ga-svm算法對道路擁堵狀態(tài)進行識別，利用支持向量機(svm)分類器延伸至解決多分類問題，利用主成分分析方法(pca)對特征參數(shù)進行加權降維處理縮短svm模型訓練時間，利用遺傳算法(ga)理論使參數(shù)最優(yōu)化提高svm分類精度；實現(xiàn)對交通狀態(tài)分類性能的改善，幫助健全高速公路監(jiān)控和管理系統(tǒng)、準確的把握和控制交通運行狀態(tài)和提高高速公路運營效率，對避免環(huán)境污染以及能源浪費等交通與社會問題具有重要意義。
以上所述實施例僅是為充分說明本發(fā)明而所舉的較佳的實施例，本發(fā)明的保護范圍不限于此。本技術領域的技術人員在本發(fā)明基礎上所作的等同替代或變換，均在本發(fā)明的保護范圍之內(nèi)。本發(fā)明的保護范圍以權利要求書為準。