本文選題：交通工程　切入點：交通事件檢測　出處：《浙江大學(xué)學(xué)報(工學(xué)版)》2017年07期

【摘要】：為了進一步提高交通事件檢測的效果,提出基于變量選擇和核極限學(xué)習(xí)機(KELM)的自動事件檢測(AID)算法.根據(jù)交通事件上、下游交通流參數(shù)的變化特點,構(gòu)建較全面的交通事件檢測初始變量集.采用隨機森林—遞歸特征消除(RF-RFE)算法,從中選擇重要變量.以重要變量作為輸入,訓(xùn)練KELM并通過萬有引力搜索算法(GSA)優(yōu)化參數(shù).使用美國I-880數(shù)據(jù)庫,對AID算法的效果進行驗證和對比分析.因為數(shù)據(jù)庫中的事件樣本數(shù)遠少于非事件樣本數(shù),采用SMOTE平衡兩類樣本.結(jié)果表明,使用重要變量能夠提高交通事件的檢測效果,KELM的檢測效果優(yōu)于反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)和支持向量機(SVM).
[Abstract]:In order to improve the effect of traffic event detection, an automatic event detection (AIDD) algorithm based on variable selection and kernel limit learning machine (KELM) is proposed.According to the characteristics of traffic flow parameters in the downstream of traffic events, a more comprehensive set of initial variables for traffic incident detection is constructed.The RF-RFE (Random Forest Recursive feature Elimination) algorithm is used to select important variables.Using important variables as input, KELM is trained and optimized by gravitational search algorithm.I-880 database is used to verify and compare the effect of AID algorithm.Because the number of event samples in the database is much less than that of non-event samples, SMOTE is used to balance the two kinds of samples.The results show that using important variables can improve the detection effect of traffic events. The detection effect of KELM is better than that of BPNN (back propagation neural network) and support vector machine (SVM).
【作者單位】： 吉林大學(xué)交通學(xué)院;吉林大學(xué)吉林省道路交通重點實驗室;青島理工大學(xué)汽車與交通學(xué)院;
【基金】：國家“十二五”科技支撐計劃資助項目(2014BAG03B03) 國家自然科學(xué)基金資助項目(51408257,51308248)
【分類號】：TP181;U491

【相似文獻】

相關(guān)期刊論文 前10條

1 童劍軍;;設(shè)計是關(guān)鍵——高速公路交通事件檢測技術(shù)的設(shè)計、使用與評測[J];中國交通信息產(chǎn)業(yè);2007年09期

2 童劍軍;;能干啥 想干啥——高速公路交通事件檢測技術(shù)的設(shè)計、使用與評測之二[J];中國交通信息產(chǎn)業(yè);2007年12期

3 童劍軍;;好不好 值不值——交通事件檢測技術(shù)的設(shè)計、使用與評測之三[J];中國交通信息產(chǎn)業(yè);2008年02期

4 羅鵑;何彥輝;;秦嶺終南山公路隧道火災(zāi)和交通事件檢測研究[J];中國交通信息化;2011年05期

5 張云偉,劉躍明;交通事件檢測的一種濾波算法[J];云南工業(yè)大學(xué)學(xué)報;1998年04期

6 姜紫峰,劉小坤;基于神經(jīng)網(wǎng)絡(luò)的交通事件檢測算法[J];西安公路交通大學(xué)學(xué)報;2000年03期

7 呂琪,王慧;基于動態(tài)神經(jīng)網(wǎng)絡(luò)模型的交通事件檢測算法[J];公路交通科技;2003年06期

8 溫慧敏,楊兆升;交通事件檢測技術(shù)的進展研究[J];交通運輸系統(tǒng)工程與信息;2005年01期

9 李傳志;胡如夫;;公路交通事件檢測技術(shù)的研究與展望[J];交通科技與經(jīng)濟;2008年05期

10 鄭玉興;;交通事件檢測系統(tǒng)在高速公路中的應(yīng)用[J];北方交通;2009年07期

相關(guān)會議論文 前6條

1 溫慧敏;楊兆升;姜桂艷;邵長豐;;基于多層感知器神經(jīng)網(wǎng)絡(luò)的高速公路交通事件檢測方法[A];第七屆北京青年科技論文評選獲獎?wù)撐募痆C];2003年

2 姚智勝;邵春福;;基于v-支持向量分類機的交通事件檢測方法研究[A];可持續(xù)發(fā)展的中國交通——2005全國博士生學(xué)術(shù)論壇（交通運輸工程學(xué)科）論文集（上冊）[C];2005年

3 溫慧敏;;交通事件檢測數(shù)據(jù)融合技術(shù)研究[A];第一屆中國智能交通年會論文集[C];2005年

4 高穎;;快速路交通事件檢測算法研究[A];提高全民科學(xué)素質(zhì)、建設(shè)創(chuàng)新型國家——2006中國科協(xié)年會論文集（下冊）[C];2006年

5 覃頻頻;牙韓高;黃大明;;基于Logit模型的城市道路交通事件檢測仿真[A];第一屆中國智能交通年會論文集[C];2005年

6 劉小明;蔣新春;張杰;吳家宇;;基于視頻檢測的高速公路車輛交通行為安全狀態(tài)分析[A];2008第四屆中國智能交通年會論文集[C];2008年

相關(guān)重要報紙文章 前1條

1 王國忠 李岸;我省高速公路信息監(jiān)控中心二期工程將重點建五大系統(tǒng)[N];山西日報;2008年

相關(guān)博士學(xué)位論文 前1條

1 蔡志理;高速公路交通事件檢測及交通疏導(dǎo)技術(shù)研究[D];吉林大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 張凱;高速公路交通事件檢測與仿真研究[D];長安大學(xué);2009年

2 沈舒;高速路網(wǎng)運行狀態(tài)評估模型、仿真及技術(shù)實現(xiàn)[D];南京大學(xué);2013年

3 謝聰;基于CGA-PNN的高速公路交通事件檢測算法研究[D];西南交通大學(xué);2016年

4 李桂林;基于視頻圖像的逆行交通事件檢測方法的研究[D];安徽工程大學(xué);2016年

5 周林;基于ER算法的公路交通事件檢測研究[D];合肥工業(yè)大學(xué);2016年

6 張文明;藍牙交通流量檢測系統(tǒng)及交通事件檢測算法研究[D];江蘇科技大學(xué);2016年

7 丁俊杰;交通事件檢測算法研究及其DSP實現(xiàn)[D];東北大學(xué);2013年

8 劉清泉;基于混合支持向量機多分類器的交通事件檢測方法研究[D];長沙理工大學(xué);2009年

9 曾鋼;高速公路交通事件檢測建模及應(yīng)用研究[D];中南大學(xué);2009年

10 邵士雨;基于視頻的交通事件檢測算法研究[D];山東大學(xué);2013年

，

本文編號：1727003