基于支持向量机的高速公路事件检测算法讲解.ppt

体系结构 绪论（研究背景、研究现状、研究意义、研究内容） 高速公路交通流特性分析 高速公路事件检测算法（ Automatic Incident Detection, AID）研究 统计学与支持向量机(Support Vector Machine，SVM)理论 基于支持向量机的事件检测算法设计 总结与展望 一、国内外发展现状 高速公路事件是指非周期性发生且使某段道路通行能力下降的事件, 它分为不可预测类（货物散落、车辆抛锚、交通事故等）和可预测类（如大型活动、道路修筑、路面养护等）。 本文研究的交通事件是指不可预测的各种突发交通事件。 1.1 国外研究现状 经典算法： California算法、（双）指数平滑算法、McMaster算法、 Bayesian算法、高占有率算法、自回归移动平均法、Monica算法 UCB算法等 SND算法、非参数回归算法、时间序列ARIMA算法、、Dutch算法等 先进的事件检测算法：模糊逻辑理论、小波分析方法、基于神经网络方法、基于视频图像处理技术的事件检测算法。 1.2 国内发展现状 国内对交通事件检测算法的研究主要集中在近些年来发展起来的新技术和新理论的应用研究方面。包括小波变换、神经网络、模糊理论、支持向量机以及基于视频图像处理的交通事件检测算法研究。 1.3 算法性能指标 良好的事件算法应该是快和准的算法，目前主要的衡量指标有三个，即检测率（TP）、误报率（FAR）、平均检测时间（MTTD）。检测率越高越好，误报率越小越好，平均检测时间越短越好。 在实践中，通常是先设定一个可接受的误报率，在满足这个要求的前提下，检测率越高，平均检测时间越短的AID算法，性能越好 1.4 研究意义 到目前为止，从已开发的高速公路事件检测算法中，并没有一种算法的成效完全优于其它算法，不同的算法只是在不同的情况下其性能优越。利用人工神经网络训练数据进行事件检测有一定的优势，但是需要大量数据进行训练才能使其具有好的移植性。视频图像处理应用于AID是近年来的新技术，然而，需要设置密集的摄像机，导致需要较高的资金投入。 基于上述原因，有必要研究经济方便、而且泛化能力好的事件检测算法。 支持向量机( Support Vector Machine，SVM) 是建立在统计学习理论的基础上, 是针对结构风险最小化原则提出的, 具有很好的泛化能力。SVM使用核函数巧妙地将非线性空间转化到线性空间，避免了复杂的计算， 而且它适用于小样本学习，已在模式识别、回归分析、函数逼近、信号处理等领域得到了成功的应用。 正是基于SVM上述优点，我们将SVM引入到事件检测中，试图设计出一种泛化能力好，各项评价指标（检测率、误报率、平均检测时间）理想的事件检测算法。 1.5 研究内容 基于上述分析，本文采用SVM技术开展基于SVM的AID算法研究。通过深入分析高速公路交通流的运行特性，挖掘交通事件条件下交通参数的变化特征，选择合适的交通参数作为SVM的特征向量，构建基于线性不可分支持向量机、高斯径向基核函数、双曲线正切核函数的事件检测算法。 二、 事件条件下的高速公路交通流特性分析 3.1 发展历史 支持向量机(Support Vector Machine，SVM)是在统计学习理论的基础上发展起来的，是由Vapnik与其领导的贝尔实验室的研究小组一起开发出来的一种新的机器学习技术，它是统计学理论中最年轻的部分。其主要内容是在1992-1995年间才基本完成。目前仍处在不断发展的阶段。 3.2 分类问题的数学表示 已知：训练集包含 个样本点： 问题：对一个新的输入 ，找到实值函数g(x),推断它所对应的输出 是1还是-1. 决策函数：f(x)=sgn(g(x)) 实质：找到一个把 上的点分成两部分的规则. 3.4.2 线性不可分支持向量机 3.4.3. 非线性可分支持向量机 采用不同的核函数，可构成不同的SVM模型。 目前，在分类问题方面常用的核函数主要有： 多项式核函数： d为阶数 高斯径向基核函数： 双曲线正切核函数： ， 四、 基于SVM的AID算法设计 4.1 基于SVM的事件检测基本原理： 首先基于高速公路交通特性选取具有典型特征的交通参数， 由这些交通参数组成一定维数的特征向量。 将特征向量输入到SVM中进行优化计算，依据最大间隔原理 实现分类，从而达到最终的事件检测目的。 采用美国加州I-880数据库，I-880数据