基于GIS的交通状态判别与险态辨识研究

发布时间：2021-10-17 00:13

　　汽车保有量的增加导致交通事故频发,引起了人们的广泛关注。城市道路拥挤状态与事故率、事故严重度等多项指标密切相关,交通拥堵导致事故发生的同时,事故发生恶性循环又加剧了拥挤。随着智能交通系统的大力发展,实现事故位置、道路交通状态、车辆风险状态的实时可视化显示,对后续交通控制、交通诱导、风险控制以及规划层面的交通拥挤、风险防控治理方法的提出有理论和实践意义。因此本文从智能交通的角度出发,对交通状态判别、险态辨识分析相关理论进行深入研究,在提出基于模糊C均值（FCM）聚类与支持向量机（SVM）的交通状态判别方法和基于主成分分析（PCA）与等价关系模糊聚类（FCA）的险态辨识分析方法的基础上,开发了一套道路与车辆的监控系统,实现了交通状态判别与车辆险态辨识的可视化显示。主要工作包括以下内容:第一,对交通状态判别与险态辨识涉及到的聚类方法进行了分析,在深入研究了模糊聚类和支持向量机运行原理和优缺点的基础上,提出了基于FCM-SVM的交通状态判别方法,并通过真实数据验证了该算法在交通状态判别上的准确性。第二,提出了基于PCA-FCA的险态辨识分析方法,并通过实际交通事故统计数据验证了该算法对车辆险态... 

【文章来源】：西南交通大学四川省 211工程院校 教育部直属院校

【文章页数】：106 页

【学位级别】：硕士

【部分图文】：

原始数据分布图

图 3-4 原始数据预处理将预处理样本中存在的孤立点或野值点予以剔除，筛选出新的样本 7593 组，本可以很好的替代原样本。（2）二叉树顶层的形成。设定 c =2，将训练样本二分类，得到P1S 和N1S ，并样本在 和 上的隶属度平均值，见表 3-4 所示。表 3-4 顶层聚类隶属度平均值类畅通 0.965 0.035

问题的推广；采用网格搜索和交叉验证（五折交 。得出参数如下表 3-8 所示。表 3-8 SVM1~SVM4 最优参数分类训练样本ac 最优值 最优1 2 3 4 5{S ,S ,S },{S ,S } 3.00 5.001 2 3{S ,S },{S } 1.00 4.004 5{S },{S } 5.54 6.431 2{S },{S } 1.00 43.7最优参数用于四个 SVM 的训练，以文献[53]本的交通状态。1000 个新测试样本的分类情况持向量机算法，验证算法的准确度，初始的样效果图如图 3-6（b~e）所示，测试结果如表 3-1

【参考文献】：
期刊论文
[1]基于SVR的城市道路刮擦事故评估模型的研究[J]. 唐智慧,董维,王志鹏.  交通运输工程与信息学报. 2019(01)
[2]基于MapReduce和聚类算法的交通状态识别[J]. 冯青平,李星毅.  信息技术. 2017(05)
[3]交通状态划分的参数权重聚类方法研究[J]. 张亮亮,贾元华,牛忠海,廖成.  交通运输系统工程与信息. 2014(06)
[4]基于模糊理论的交通状态快速识别与跃迁转变方法[J]. 郭义荣,张晓栋,董宝田,吴蕾.  中南大学学报(自然科学版). 2013(S1)
[5]基于参数预测的高速公路交通状态判别[J]. 韦清波,苏奎,何兆成,聂佩林,杨敬锋.  交通信息与安全. 2012(06)
[6]冰雪天气下的区域交通状态实时判别[J]. 杨庆芳,张彪,韩振波,梅朵.  吉林大学学报(工学版). 2013(04)
[7]基于单目视觉传感器的车距测量与误差分析[J]. 余厚云,张为公.  传感器与微系统. 2012(09)
[8]基于地图匹配的城市道路实时交通状态模糊综合判别方法[J]. 刘伟铭,田世艳.  公路交通科技. 2011(10)
[9]基于非参数回归的路段速度估算方法[J]. 张宇,马寿峰,贾宁.  计算机应用研究. 2011(10)
[10]鉴别道路交通事故黑点的聚类分析方法研究[J]. 陈彦伟,宇仁德,孙连超.  交通标准化. 2011(11)

硕士论文
[1]基于智能手机的车辆检测与车距测量[D]. 顾兆伦.浙江大学 2017
[2]基于面部信息的疲劳驾驶检测方法研究[D]. 赵晓琳.吉林大学 2016
[3]基于模糊聚类算法的道路交通安全状况研究[D]. 张令杰.北京交通大学 2012
[4]基于实时信息的城市道路交通状态判别方法研究[D]. 贾森.北京交通大学 2007



本文编号：3440753