[发明专利]一种基于混合核相关向量机的快速道路交通事件检测方法

说明书

本发明公开了一种基于混合核相关向量机的快速道路交通事件检测方法，根据交通事件上、下游交通流参数的变化特点，构建快速道路交通事件检测初始变量集；采用条件生成式对抗网络学习少数类样本信息，训练生成器生成少数类补充样本，平衡数据分布；采用XGBoost算法的变量重要性度量筛选出关键变量；建立基于局部高斯核和全局多项式核的组合核函数；以关键变量作为输入，训练多核相关向量机模型；通过改进的果蝇优化算法优化其参数，得到最优模型。本发明提高了交通事件检测率，及时检测快速道路上发生的交通事件，为道路应急救援争取时间，减少事件人员伤亡和财产损失，同时为道路交通安全风险预警提供技术支持。

技术领域

本发明属于交通安全技术领域，特别涉及了一种快速道路交通事件检测方法。

背景技术

据世界卫生组织统计，全世界每年死于道路交通事故的人数约有130万，另有数千万人不同程度受伤。道路交通事故已成为人类社会的重大公害，交通安全问题也已成为重大的社会问题。研究表明，二次事故造成的严重程度比初次事故大很多，危险相较于初次事故增加600％。事件的处理时间越长，造成二次事故的概率就越大。因此，如何在尽可能短的时间内，准确而高效地检测并识别道路交通事件是交通领域研究的重点。

当前，虽然有很多学者提出交通事件检测的方法，但方法中存在很多不足有待改进。譬如，检测模型检测时间较长；检测模型在非平衡数据集中表现不佳；检测模型检测率低等；另一方面也缺少一个通用的交通事件检测框架体系。

发明内容

为了解决上述背景技术提到的技术问题，本发明提出了一种基于混合核相关向量机的快速道路交通事件检测方法。

为了实现上述技术目的，本发明的技术方案为：

一种基于混合核相关向量机的快速道路交通事件检测方法，包括以下步骤：

(1)获取快速道路交通检测器的上、下游交通流参数数据，分析交通事件引起的交通流参数的显著变化；

(2)利用步骤(1)采集的数据，分析事件地点上游和下游交通流参数的变化趋势，根据上、下游交通流参数的实测值及其参数基本数学运算组合，构建初始变量集；

(3)采用条件生成式对抗网络学习少数类样本信息，训练生成器生成少数类补充样本，平衡数据分布；

(4)基于初始变量集，采用XGBoost算法的变量重要性度量筛选出关键变量；

(5)建立基于局部高斯核和全局多项式核的混合核相关向量机模型；

(6)采用改进的果蝇优化算法优化混合核相关向量机模型参数，利用优化后的模型检测快速道路交通事件。

进一步地，在步骤(1)中，采集的交通流参数包括交通流量、交通速度和交通占有率。

进一步地，在步骤(2)中，构建的初始变量集包括如下变量：

上游检测器的交通流量、上游检测器的速度、上游检测器的占有率、下游检测器的交通流量、下游检测器的速度、下游检测器的占有率、下游检测器的占有率、上游检测器的交通流量与占有率的比值、上游检测器的交通流量与速度的比值、上游检测器的速度与占有率的比值、下游检测器的交通流量与占有率的比值、下游检测器的交通流量与速度的比值、下游检测器的速度与占有率的比值、上游检测器的速度与该检测器历史速度均值的比值、上游检测器的占有率与该检测器历史占有率的比值、上游检测器的流量与该检测器历史流量的比值、下游检测器的速度与该检测器历史速度均值的比值、下游检测器的占有率与该检测器历史占有率的比值、下游检测器的流量与该检测器历史流量的比值、上下游相邻检测器的流量差、上下游相邻检测器的速度差值、上下游相邻检测器的占有率差值。

进一步地，在步骤(3)中，所述条件生成式对抗网络的表达式如下：