基于支持向量机的轨道司机驾驶水平评价方法研究

发布时间：2021-04-10 14:40

　　针对轨道交通司机驾驶水平定量化评价问题,笔者在数据提取、数据降噪和数据降维的基础上,构建了基于支持向量机的轨道司机驾驶水平评价模型方法对该问题进行了研究。研究结果表明:选用高斯核函数的SVM模型在准确率和稳定性上要优于普通、线性和多项式SVM模型,和人工评价结果比较其余弦相似度均高于0.98,模型评价结果的有效性。 

【文章来源】：重庆交通大学学报(自然科学版). 2020,39(10)北大核心CSCD

【文章页数】：6 页

【部分图文】：

图1 时刻-速度曲线

笔者以Python语言编程实现所有处理和计算[7]，通过对实际数据按上述方法处理得到261个自动驾驶样本和71个人工驾驶样本，进一步对所有样本的维度进行统计，结果如图2。一次正常行驶时间一般不会低于30 s，在这个时间内会采集150个数据，如果样本维度小于150，认为此行驶过程可能存在异常，将这些样例从样例集中剔除。图2中有42个这种异常样例。

对模型的准确性而言，正则化参数C的设置有很大影响，一般C值越大SVM准确率越高。通过适当改变C的取值，观察不同核函数SVM模型准确率变化情况，进而选择最佳SVM模型，结果如图3。从图3可以看出，线性核SVM准确率随C值的增大而增大，最终当C>5后准确率稳定在97.25%。普通SVM在C=1时，准确率为94.57%，当C>5后准确率稳定在92.46%。高斯核SVM和多项式核SVM无论C值怎么变化准确率始终是100%．综合模型准确率和稳定性，笔者选择高斯核SVM作为最终的分类模型。

【参考文献】：
期刊论文
[1]基于支持向量机法的混凝土强度对拼宽T梁桥时变可靠度影响分析[J]. 邬晓光,何启龙,郑鹏,肖凯龙.  重庆交通大学学报(自然科学版). 2019(05)
[2]基于自适应分解层数和阈值的小波去噪算法[J]. 余本富,王维博,郑永康,董蕊莹.  传感器与微系统. 2017(12)
[3]基于TF-IDF和余弦相似度的文本分类方法[J]. 武永亮,赵书良,李长镜,魏娜娣,王子晏.  中文信息学报. 2017(05)
[4]机车司机驾驶疲劳风险动态量化评价研究[J]. 李响,徐玉萍,章海亮.  中国安全科学学报. 2017(02)



本文编号：3129821