高速公路實時交通狀態(tài)判別方法研究.pdf

1、高速公路實時交通狀態(tài)的準確判別是科學制定交通管理決策的重要基礎?，F(xiàn)階段交通狀態(tài)的判別以單參數(shù)閾值判斷和交通事件檢測為主，判別結(jié)果的準確性和時效性有待進一步提升。基于此，本文利用海量歷史數(shù)據(jù)，基于模糊C聚類算法和支持向量機多分類模型，研究構(gòu)建高速公路實時交通狀態(tài)判別模型，在保證方法可行性的基礎上提升判別結(jié)果的時效性和準確性。
　　首先，闡述高速公路交通流參數(shù)及參數(shù)之間的關系，確定實時交通狀態(tài)判別模型中使用的特征參數(shù)，整合參數(shù)數(shù)據(jù)的預

2、處理方法，提出高速公路交通狀態(tài)劃分標準。其次，研究分析傳統(tǒng)模糊C均值聚類算法在判別高速公路交通狀態(tài)中存在的問題。通過單一參數(shù)特征向量的聚類分析，結(jié)合實際算例，對不同參數(shù)的重要程度和選取多參數(shù)進行聚類的必要性進行分析。針對傳統(tǒng)模糊聚類算法并未考慮不同參數(shù)的重要性差異，采用熵權(quán)法為參數(shù)賦權(quán)從而實現(xiàn)模糊聚類算法的改進，在海量歷史數(shù)據(jù)基礎上，通過多參數(shù)聚類獲取不同狀態(tài)類別下的數(shù)據(jù)樣本，并利用誤判率交叉估計法對聚類結(jié)果進行評估。然后，將聚類結(jié)果劃

3、分為支持向量機模型的訓練集和測試集，確定核函數(shù)類型，并采用網(wǎng)格搜索法、遺傳算法和粒子群算法對支持向量機的參數(shù)進行優(yōu)化，得到使模型分類準確率達到最大值的參數(shù)組，以此建立起支持向量機多分類模型。結(jié)合改進模糊C均值聚類算法提出高速公路實時交通狀態(tài)判別方法，闡述方法的基本流程和主要步驟，分析判別結(jié)果的時效性和準確性。
　　最后，在高速公路實測數(shù)據(jù)基礎上，對建立的高速公路實時交通狀態(tài)判別模型進行實例驗證。結(jié)果表明，改進的模糊C均值聚類算法聚