汽車保有量的增加導(dǎo)致交通事故頻發(fā),引起了人們的廣泛關(guān)注。城市道路擁擠狀態(tài)與事故率、事故嚴(yán)重度等多項(xiàng)指標(biāo)密切相關(guān),交通擁堵導(dǎo)致事故發(fā)生的同時(shí),事故發(fā)生惡性循環(huán)又加劇了擁擠。隨著智能交通系統(tǒng)的大力發(fā)展,實(shí)現(xiàn)事故位置、道路交通狀態(tài)、車輛風(fēng)險(xiǎn)狀態(tài)的實(shí)時(shí)可視化顯示,對(duì)后續(xù)交通控制、交通誘導(dǎo)、風(fēng)險(xiǎn)控制以及規(guī)劃層面的交通擁擠、風(fēng)險(xiǎn)防控治理方法的提出有理論和實(shí)踐意義。因此本文從智能交通的角度出發(fā),對(duì)交通狀態(tài)判別、險(xiǎn)態(tài)辨識(shí)分析相關(guān)理論進(jìn)行深入研究,在提出基于模糊C均值（FCM）聚類與支持向量機(jī)（SVM）的交通狀態(tài)判別方法和基于主成分分析（PCA）與等價(jià)關(guān)系模糊聚類（FCA）的險(xiǎn)態(tài)辨識(shí)分析方法的基礎(chǔ)上,開(kāi)發(fā)了一套道路與車輛的監(jiān)控系統(tǒng),實(shí)現(xiàn)了交通狀態(tài)判別與車輛險(xiǎn)態(tài)辨識(shí)的可視化顯示。主要工作包括以下內(nèi)容:第一,對(duì)交通狀態(tài)判別與險(xiǎn)態(tài)辨識(shí)涉及到的聚類方法進(jìn)行了分析,在深入研究了模糊聚類和支持向量機(jī)運(yùn)行原理和優(yōu)缺點(diǎn)的基礎(chǔ)上,提出了基于FCM-SVM的交通狀態(tài)判別方法,并通過(guò)真實(shí)數(shù)據(jù)驗(yàn)證了該算法在交通狀態(tài)判別上的準(zhǔn)確性。第二,提出了基于PCA-FCA的險(xiǎn)態(tài)辨識(shí)分析方法,并通過(guò)實(shí)際交通事故統(tǒng)計(jì)數(shù)據(jù)驗(yàn)證了該算法對(duì)車輛險(xiǎn)態(tài)... 

【文章來(lái)源】：西南交通大學(xué)四川省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：106 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

原始數(shù)據(jù)分布圖

圖 3-4 原始數(shù)據(jù)預(yù)處理將預(yù)處理樣本中存在的孤立點(diǎn)或野值點(diǎn)予以剔除，篩選出新的樣本 7593 組，本可以很好的替代原樣本。（2）二叉樹(shù)頂層的形成。設(shè)定 c =2，將訓(xùn)練樣本二分類，得到P1S 和N1S ，并樣本在 和 上的隸屬度平均值，見(jiàn)表 3-4 所示。表 3-4 頂層聚類隸屬度平均值類暢通 0.965 0.035

問(wèn)題的推廣；采用網(wǎng)格搜索和交叉驗(yàn)證（五折交 。得出參數(shù)如下表 3-8 所示。表 3-8 SVM1~SVM4 最優(yōu)參數(shù)分類訓(xùn)練樣本ac 最優(yōu)值 最優(yōu)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最優(yōu)參數(shù)用于四個(gè) SVM 的訓(xùn)練，以文獻(xiàn)[53]本的交通狀態(tài)。1000 個(gè)新測(cè)試樣本的分類情況持向量機(jī)算法，驗(yàn)證算法的準(zhǔn)確度，初始的樣效果圖如圖 3-6（b~e）所示，測(cè)試結(jié)果如表 3-1

【參考文獻(xiàn)】：
期刊論文
[1]基于SVR的城市道路刮擦事故評(píng)估模型的研究[J]. 唐智慧,董維,王志鵬.  交通運(yùn)輸工程與信息學(xué)報(bào). 2019(01)
[2]基于MapReduce和聚類算法的交通狀態(tài)識(shí)別[J]. 馮青平,李星毅.  信息技術(shù). 2017(05)
[3]交通狀態(tài)劃分的參數(shù)權(quán)重聚類方法研究[J]. 張亮亮,賈元華,牛忠海,廖成.  交通運(yùn)輸系統(tǒng)工程與信息. 2014(06)
[4]基于模糊理論的交通狀態(tài)快速識(shí)別與躍遷轉(zhuǎn)變方法[J]. 郭義榮,張曉棟,董寶田,吳蕾.  中南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2013(S1)
[5]基于參數(shù)預(yù)測(cè)的高速公路交通狀態(tài)判別[J]. 韋清波,蘇奎,何兆成,聶佩林,楊敬鋒.  交通信息與安全. 2012(06)
[6]冰雪天氣下的區(qū)域交通狀態(tài)實(shí)時(shí)判別[J]. 楊慶芳,張彪,韓振波,梅朵.  吉林大學(xué)學(xué)報(bào)(工學(xué)版). 2013(04)
[7]基于單目視覺(jué)傳感器的車距測(cè)量與誤差分析[J]. 余厚云,張為公.  傳感器與微系統(tǒng). 2012(09)
[8]基于地圖匹配的城市道路實(shí)時(shí)交通狀態(tài)模糊綜合判別方法[J]. 劉偉銘,田世艷.  公路交通科技. 2011(10)
[9]基于非參數(shù)回歸的路段速度估算方法[J]. 張宇,馬壽峰,賈寧.  計(jì)算機(jī)應(yīng)用研究. 2011(10)
[10]鑒別道路交通事故黑點(diǎn)的聚類分析方法研究[J]. 陳彥偉,宇仁德,孫連超.  交通標(biāo)準(zhǔn)化. 2011(11)

碩士論文
[1]基于智能手機(jī)的車輛檢測(cè)與車距測(cè)量[D]. 顧兆倫.浙江大學(xué) 2017
[2]基于面部信息的疲勞駕駛檢測(cè)方法研究[D]. 趙曉琳.吉林大學(xué) 2016
[3]基于模糊聚類算法的道路交通安全狀況研究[D]. 張令杰.北京交通大學(xué) 2012
[4]基于實(shí)時(shí)信息的城市道路交通狀態(tài)判別方法研究[D]. 賈森.北京交通大學(xué) 2007



本文編號(hào)：3440753