[发明专利]一种基于MFD+谱聚类+SVM的路网交通状态判别方法

权利要求书

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＝{x_i|i＝1,2,…,n}，确定聚类数目K，其中x_i为路网MFD上的第i个散点，x_i＝{路网MFD加权交通密度x_i1，路网加权交通流量x_i2}，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，x_jmax，x_jmin——第j个特征向量的最大值和最小值；

x_ij——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，||x_i-x_j||——样本x_i和样本x_j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,…,λ_k)以及相应特征向量(u₁,u₂,…,u_k)，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,…,u_k}∈R^n×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y_ij∈R^k(i＝1,2,…,n)当做一点，利用Kmeans算法对y_i进行聚类，得到K个聚类C₁,C₂,…,C_k；

(8)输出结果：聚类A₁,A₂,…,A_k,A_i＝{j|y_j∈C_i}。

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)；

l_i——路段i的长度(km)；

t_j——数据统计间隔时间T内第j辆车的行驶时间(s)；

d_j——数据统计间隔时间T内第j辆车的行驶距离(m)。

4.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，SVM多分类器的构造过程包括直接法和间接法；

直接法为直接在同一个最优化问题中合并求解多个分类面的参数，从而对多个类别实现“一次性”分类；

间接法为构造由多个SVM二分类器组合而成的SVM多分类器。