[发明专利]一种基于MFD+谱聚类+SVM的路网交通状态判别方法

说明书

本发明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，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。本发明一种基于MFD+谱聚类+SVM的路网交通状态判别方法，利用谱聚类算法对路网MFD进行交通状态等级划分，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分类结果精度评价方法，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。

技术领域

本发明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。

背景技术

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。何兆成(2016)等构建基于拥堵源与拥堵评价点之间的函数关系的可视化模型，利用梯度方向直方图与主成分分析法提取交通运行状态数据的特征值，采用高斯混合聚类方法划分区域交通拥堵的空间分布模式。Zhang(2016)等以速度、交通流量、交通密度为数据集，利用灰色关联分析和粗糙集理论，定义了多维属性信息之间的关联关系，建立了灰色关联聚类模型，然后将灰色关联隶属度排序算法(GMRC)引入判别聚类优先级，从而分析城市路网的拥堵程度。Yang(2017)等为了提取交通流变化特征，利用无监督学习的谱聚类算法，以路段交通流量为数据集，分析区域路网的日交通状态变化。吴志勇(2017)等针对交通流产生的大数据信息，结合深度学习算法提出一种离散化交通状态的判别方法。商强(2017)等为了提高城市快速路交通状态判别的准确性，构建了一种基于谱聚类与随机子空间集成K最近邻(RS-KNN)的交通状态判别模型。

(2)基于交通流基本图方法