收藏本站
《上海交通大学》 2013年
收藏 | 手机打开
二维码
手机客户端打开本文

智能交通中的多核支持向量机与分类器集成方法研究

肖建力  
【摘要】:在现代城市的发展进程中,智能交通系统(Intelligent Transportation Systems,简称ITS)发挥着越来越重要的作用。随着ITS数据采集技术的不断进步和数据硬件存储容量的快速增加,交通管理中心的交通数据已经达到海量级别。如何从这些海量的交通数据中获得有用的信息是交通管理者迫切需要解决的问题。数据挖掘技术是从海量的数据中挖掘出有用信息的一种新技术。本论文正是研究如何将数据挖掘技术中的多核支持向量机、分类器集成方法以及计算机视觉技术应用到智能交通中,达到完善ITS系统的功能,提高ITS系统运行效率的目的。本文重点研究了智能交通领域的三个重大问题:(1)交通事件检测;(2)交通流速度估计以及城市路网动态区域交通指数的挖掘;(3)车辆标志自动识别。具体而言,本论文主要进行了如下几个方面的研究:1.研究了多核支持向量机方法及其在交通事件检测中的应用。支持向量机(Support Vector Machine,简称为SVM)在许多领域已被广泛地使用,但是智能交通研究领域有着与其它研究领域不同的鲜明特点,一是数据量巨大而且包含严重的噪声;二是数据中的事件样本与非事件样本严重不平衡。因此,传统的SVM方法已经无法保证交通事件检测算法对稳定性及精度的要求。此外,SVM的性能往往取决于核函数及其参数的选择,目前核函数及其参数的选择主要依靠人工不断地尝试,过程非常烦琐,还没有明确的、统一的方法来选择核函数及其参数。为了解决这些难题,本文提出了一种使用多核支持向量机进行交通事件检测的方法,该方法采用多个核函数的加权组合的方式来构造核函数,从而避免了选择核函数及其参数的负担,同时该方法采用梯度下降法与SMO算法(Sequential minimal optimization)相结合的方法来求解多核支持向量机,保证了该算法的快速性。实验表明本文提出的事件检测算法具有良好的稳定性和综合检测性能,有效地避免了选择核函数及其参数的负担。2.为了更进一步地提高多核支持向量机算法在交通事件检测中的性能,本文又提出了基于多核支持向量机集成的交通事件检测方法,同时与支持向量机、支持向量机集成以及多核支持向量机进行了比较。实验结果表明基于多核支持向量机集成的方法更进一步地提高了多核支持向量机交通事件检测算法的平均性能,且在四种方法中具有最好的平均检测性能和最好的稳定性。3.研究了多核支持向量回归机方法及其在交通流速度估计和城市路网动态区域交通指数挖掘中的应用。ITS系统的一个重要功能就是对道路的交通状态进行判别,特别是对交通拥睹状态的判别,它对交通流的疏导及保证城市交通的平稳运行至关重要。交通流速度是ITS系统进行交通状态判别的主要输入。在上海,大部分地感线圈均采用单环安装方式,只能够获得饱和度、流量等交通流信息,而速度却无法直接检测。如果能够准确挖掘出流量和速度之间的关系,那么就能够由交通流的流量信息直接获得速度。本论文正是从此目的出发,研究了对交通流的速度进行估计的方法,包括常见的多项式拟合、BP神经网络、支持向量回归机等方法。为了提高这些方法的估计精度及稳定性,本文提出了采用多核支持向量回归机对交通流的速度进行估计的新方法。在研究了交通流速度估计方法的基础上,本文将该方法推广到目前智能交通领域急待解决的一个实际问题当中,用它来进行城市路网动态区域交通指数的挖掘,实现了城市路网区域的动态划分,并对划分好的区域的交通指数进行了预报和可视化显示。该研究成果已经在实验室智能交通平台上得到了实现,它既可以为出行者选择出行路线提供更加精细化的参考指标,同时也可以为交通管理与决策部门进行城市不同区域的交通协同控制提供良好的信息支撑。4.提出了一种基于尖锐度直方图的图像全局特征提取方法。为了有效提取车辆标志图像的特征,本文首先提出了一种基于轮廓尖锐度的自适应角点检测方法,该方法仅仅利用图像边缘结构的几何信息进行角点检测,它能够自动地获取尖锐度阈值,将边缘上尖锐度大于此阈值的点自动判断为候选角点;随后,该方法采用将候选角点所在的边缘片段朝着边缘的拟合直线进行投影的方法来消除伪角点;最后,如果在候选角点的支撑区域类有若干个侯选角点,该方法提出了一种有效的方案将它们融合为一个点,该点即为最终检测出的角点。基于该角点检测方法,本文接着提出了一种新的基于尖锐度直方图的图像全局特征提取方法。该方法首先提取图像的边缘,然后计算边缘上各点的尖锐度,最后计算出图像的尖锐度直方图。5.研究了加权多类支持向量机集成及其在车辆标志识别中的应用。本文提出了一种基于加权多类支持向量机集成和尖锐度直方图特征的车辆标志识别新方法,并将该方法与使用相同特征的K-最近邻及多类SVM方法进行了比较。实验结果表明与K-最近邻及多类SVM方法相比,该方法有效地提高了车辆标志识别的平均识别率,并且具有很好的稳定性。此外与多类SVM方法相比,该方法还有效地避免了选择核函数及其参数的负担。
【关键词】:多核支持向量机 分类器集成 交通事件检测 交通流速度估计 交通指数挖掘 车辆标志识别
【学位授予单位】:上海交通大学
【学位级别】:博士
【学位授予年份】:2013
【分类号】:U495;TP391.41
【目录】:
  • 摘要5-7
  • ABSTRACT7-20
  • 主要符号与英文缩略词对照表20-22
  • 第一章 绪论22-32
  • 1.1 课题的背景和意义22-23
  • 1.2 智能交通系统概述23-25
  • 1.3 支持向量机概述25-26
  • 1.4 多核学习概述26-27
  • 1.5 分类器集成概述27-28
  • 1.6 本文的主要工作与创新28-30
  • 1.7 论文结构30-32
  • 第二章 交通数据来源及其预处理32-44
  • 2.1 交通流参数的类型32-33
  • 2.1.1 流量32
  • 2.1.2 速度32-33
  • 2.1.3 密集度33
  • 2.2 交通流参数的检测设备33-36
  • 2.2.1 地感线圈检测器34
  • 2.2.2 视频交通检测器34-35
  • 2.2.3 激光交通检测器35-36
  • 2.2.4 微波雷达检测器36
  • 2.2.5 超声波检测器36
  • 2.2.6 红外检测器36
  • 2.3 实验数据来源36-39
  • 2.3.1 I-880数据库37
  • 2.3.2 Pe MS数据库37-38
  • 2.3.3 Shanghai EXPO数据库38
  • 2.3.4 Shanghai SCATS数据库38-39
  • 2.3.5 SVLD数据库39
  • 2.4 数据预处理39-43
  • 2.4.1 数据插值41
  • 2.4.2 噪声数据滤除41-43
  • 2.5 本章小结43-44
  • 第三章 多核支持向量机及分类器集成44-68
  • 3.1 标准支持向量机44-52
  • 3.1.1 处理线性分类问题的情形44-47
  • 3.1.2 处理非线性分类问题的情形47-52
  • 3.2 标准支持向量机核函数及参数的选择52-53
  • 3.3 多核支持向量机53-62
  • 3.3.1 多核支持向量机问题的导出53-54
  • 3.3.2 多核支持向量机问题的求解54-62
  • 3.4 分类器集成方法62-66
  • 3.4.1 分类器集成的主要思想62
  • 3.4.2 独立分类器的训练62-64
  • 3.4.3 独立分类器输出的复合64
  • 3.4.4 标准支持向量机集成64-65
  • 3.4.5 多核支持向量机集成65-66
  • 3.5 本章小结66-68
  • 第四章 多核支持向量机及分类器集成在交通事件检测中的应用68-92
  • 4.1 交通事件检测方法综述68-69
  • 4.2 交通事件检测问题与二元分类问题之间的关系69-70
  • 4.3 本文中比较的交通事件检测算法70
  • 4.4 交通事件检测算法的性能评价准则70-72
  • 4.4.1 检测率71
  • 4.4.2 错误报警率71
  • 4.4.3 平均检测时间71
  • 4.4.4 分类正确率71
  • 4.4.5 AUC71-72
  • 4.4.6 性能指数72
  • 4.5 实验与算法的性能比较72-89
  • 4.5.1 实验中的符号和参数72-73
  • 4.5.2 实验的基本步骤73-74
  • 4.5.3 在高速道路交通事件检测中的应用74-77
  • 4.5.4 在市区道路交通事件检测中的应用77-82
  • 4.5.5 交通事件检测算法的鲁棒性测试82-89
  • 4.6 本章小结89-92
  • 第五章 多核支持向量回归机及其在交通流速度估计中的应用92-118
  • 5.1 标准支持向量回归机92-98
  • 5.1.1 处理线性回归问题的情形92-96
  • 5.1.2 处理非线性回归问题的情形96-98
  • 5.2 多核支持向量回归机98-100
  • 5.3 交通流速度估计问题的提出及研究现状100-101
  • 5.4 本文中比较的交通流速度估计算法101-103
  • 5.4.1 基于多项式拟合的交通流速度估计101-102
  • 5.4.2 基于BP神经网络的交通流速度估计102-103
  • 5.4.3 基于支持向量回归机的交通流速度估计103
  • 5.4.4 基于多核支持向量回归机的交通流速度估计103
  • 5.5 速度估计算法的评价准则103-104
  • 5.5.1 平均绝对误差104
  • 5.5.2 平均绝对百分比误差104
  • 5.5.3 均方根误差104
  • 5.6 交通流速度估计实验与算法性能的比较104-109
  • 5.6.1 实验的基本步骤105
  • 5.6.2 Shanghai SCATS数据库上的实验105
  • 5.6.3 I-880数据库上的实验105-107
  • 5.6.4 Shanghai EXPO数据库上的实验107
  • 5.6.5 实验结果分析及算法性能的比较107-109
  • 5.7 基于交通流速度估计的城市路网动态区域交通指数挖掘109-114
  • 5.7.1 交通指数的定义及其重要性109-110
  • 5.7.2 速度估计与交通指数的关系110
  • 5.7.3 城市路网区域的动态划分110-111
  • 5.7.4 交通指数的计算111-113
  • 5.7.5 交通指数的可视化113-114
  • 5.8 本章小结114-118
  • 第六章 加权多类支持向量机集成及其在车辆标志识别中的应用118-150
  • 6.1 多类支持向量机118-119
  • 6.1.1 两类支持向量机118-119
  • 6.1.2 由两类支持向量机拓展到多类支持向量机119
  • 6.2 加权多类支持向量机集成119-120
  • 6.3 一种基于轮廓尖锐度的图像全局特征提取方法120-136
  • 6.3.1 轮廓尖锐度的定义120-123
  • 6.3.2 基于轮廓尖锐度的自适应角点检测方法123-129
  • 6.3.3 基于轮廓尖锐度的自适应角点检测实验129-134
  • 6.3.4 角点检测算法小结134-135
  • 6.3.5 基于轮廓尖锐度直方图的图像全局特征提取方法135-136
  • 6.4 车辆标志识别的常用方法136-141
  • 6.5 本文中比较的车辆标志识别方法141
  • 6.6 实验与算法性能的比较141-148
  • 6.6.1 数据描述142
  • 6.6.2 实验步骤142-144
  • 6.6.3 实验结果144-145
  • 6.6.4 讨论145-148
  • 6.7 本章小结148-150
  • 第七章 结论与展望150-154
  • 7.1 论文工作总结150-152
  • 7.2 研究展望152-154
  • 参考文献154-166
  • 致谢166-168
  • 攻读博士学位期间发表的学术论文168-169

中国知网广告投放
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026