本文選題：智能交通 + 事故預(yù)測(cè)　； 參考：《計(jì)算機(jī)應(yīng)用》2017年01期

【摘要】：傳統(tǒng)的道路交通事故預(yù)測(cè)是對(duì)交通事故次數(shù)及其造成的損失的歷史趨勢(shì)進(jìn)行預(yù)測(cè),針對(duì)其不能反映交通事故與實(shí)時(shí)交通特性關(guān)系、不能有效地預(yù)防事故發(fā)生的問(wèn)題,提出一種基于AdaBoost分類(lèi)器的交通事故實(shí)時(shí)預(yù)測(cè)的方法。首先,將交通道路劃分為正常、危險(xiǎn)兩種交通狀態(tài),利用實(shí)時(shí)采集的交通流數(shù)據(jù)作為特征變量對(duì)不同的狀態(tài)進(jìn)行表征,將事故的實(shí)時(shí)預(yù)測(cè)問(wèn)題轉(zhuǎn)化為分類(lèi)問(wèn)題;然后,采用Parzen窗非參數(shù)估計(jì)的方法對(duì)兩種狀態(tài)在不同時(shí)間尺度下候選交通流特征的概率密度函數(shù)(PDF)進(jìn)行估計(jì),利用基于概率分布的可分性判據(jù)分析估計(jì)的密度函數(shù),選擇合適的特征變量及時(shí)間尺度,確定樣本數(shù)據(jù);最后,根據(jù)樣本數(shù)據(jù)訓(xùn)練AdaBoost分類(lèi)器對(duì)不同的交通狀態(tài)進(jìn)行分類(lèi)識(shí)別。實(shí)驗(yàn)結(jié)果表明,采用交通流特性的標(biāo)準(zhǔn)差特征對(duì)測(cè)試樣本分類(lèi)的正確率比平均值特征高7.9%,更能反映不同交通狀態(tài)的差別,獲得更好的分類(lèi)結(jié)果。
[Abstract]:The traditional prediction of road traffic accidents is to predict the historical trend of the number of traffic accidents and the losses caused by them. It can not reflect the relationship between traffic accidents and real-time traffic characteristics, and can not effectively prevent the occurrence of accidents. A method of real-time traffic accident prediction based on AdaBoost classifier is proposed. First of all, the traffic road is divided into two traffic states: normal and dangerous. The traffic flow data collected in real time are used as characteristic variables to represent the different states, and the real-time prediction of accidents is transformed into classification. The probability density function (PDF) of the candidate traffic flow characteristics of two states at different time scales is estimated by using the Parzen window nonparametric estimation method. The estimated density function is analyzed by using the divisibility criterion based on the probability distribution. The appropriate feature variables and time scales are selected to determine the sample data. Finally, the AdaBoost classifier is trained to classify different traffic states according to the sample data. The experimental results show that the correct rate of classification of test samples by using the standard deviation features of traffic flow characteristics is 7.9 higher than that of average features, which can reflect the differences of different traffic states and obtain better classification results.
【作者單位】： 天津大學(xué)電氣與自動(dòng)化工程學(xué)院;
【分類(lèi)號(hào)】：U491.31;O213

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王海川,張立明;一種新的Adaboost快速訓(xùn)練算法[J];復(fù)旦學(xué)報(bào)(自然科學(xué)版);2004年01期

2 李振;;基于Adaboost的人臉檢測(cè)[J];科技信息(科學(xué)教研);2007年31期

3 李亞瓊;趙春暉;潘泉;張紹武;;新的AdaBoost算法評(píng)價(jià)體系[J];計(jì)算機(jī)工程與應(yīng)用;2009年08期

4 何海燕;施培蓓;;基于改進(jìn)AdaBoost算法的行人檢測(cè)方法[J];安慶師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2009年03期

5 戴青云;程俊紅;;AdaBoost算法在人臉識(shí)別中的應(yīng)用[J];黑龍江科技信息;2009年36期

6 劉禮輝;;基于Adaboost的快速人臉檢測(cè)系統(tǒng)[J];科技風(fēng);2009年03期

7 呂慧娟;武澎;;基于改進(jìn)的AdaBoost算法的人臉檢測(cè)[J];河南大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年01期

8 李銳;王卷樂(lè);任正超;;基于AdaBoost算法的城鎮(zhèn)建設(shè)用地遙感動(dòng)態(tài)提取研究[J];國(guó)土資源遙感;2010年02期

9 李文輝;倪洪印;;一種改進(jìn)的Adaboost訓(xùn)練算法[J];吉林大學(xué)學(xué)報(bào)(理學(xué)版);2011年03期

10 韓敏;穆大蕓;;基于Adaboost算法的回聲狀態(tài)網(wǎng)絡(luò)預(yù)報(bào)器[J];控制理論與應(yīng)用;2011年04期

相關(guān)會(huì)議論文 前10條

1 Wen Feng;;A Novel Lips Detection Method Combined Adaboost Algorithm and Camshift Algorithm[A];2012年計(jì)算機(jī)應(yīng)用與系統(tǒng)建模國(guó)際會(huì)議論文集[C];2012年

2 張超;苗振江;;基于AdaBoost的面部信息感知[A];第十三屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2007）論文集[C];2007年

3 郭翌;汪源源;;基于Adaboost算法的頸動(dòng)脈粥樣硬化判別方法[A];中國(guó)儀器儀表學(xué)會(huì)第十一屆青年學(xué)術(shù)會(huì)議論文集[C];2009年

4 張紅梅;高海華;王行愚;;抑制樣本噪聲的AdaBoost算法及其在入侵檢測(cè)中的應(yīng)用[A];2007年中國(guó)智能自動(dòng)化會(huì)議論文集[C];2007年

5 陸文聰;鈕冰;金雨歡;;基于AdaBoost算法的亞細(xì)胞位置預(yù)測(cè)[A];中國(guó)化學(xué)會(huì)第26屆學(xué)術(shù)年會(huì)化學(xué)信息學(xué)與化學(xué)計(jì)量學(xué)分會(huì)場(chǎng)論文集[C];2008年

6 陳宏偉;劉建偉;費(fèi)向東;;一種半監(jiān)督環(huán)境下的Adaboost算法[A];2008'中國(guó)信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（二）[C];2008年

7 唐曉丹;苗振江;;基于AdaBoost和粒子濾波的目標(biāo)跟蹤[A];第十四屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2008年

8 張彬;金連文;;基于AdaBoost的手寫(xiě)體漢字相似字符識(shí)別[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

9 ;Using Skin Color and HAD-AdaBoost Algorithm for Face Detection in Color Images[A];Information Technology and Computer Science—Proceedings of 2012 National Conference on Information Technology and Computer Science[C];2012年

10 肖磊;李麗;肖佳文;;基于AdaBoost-SVM的上市公司信用風(fēng)險(xiǎn)評(píng)估[A];2012管理創(chuàng)新、智能科技與經(jīng)濟(jì)發(fā)展研討會(huì)論文集[C];2012年

相關(guān)博士學(xué)位論文 前4條

1 佟旭;基于復(fù)雜網(wǎng)絡(luò)理論的糖尿病腎病辨證建模研究[D];北京中醫(yī)藥大學(xué);2016年

2 劉沖;模擬電路故障診斷AdaBoost集成學(xué)習(xí)方法研究[D];大連海事大學(xué);2011年

3 張?zhí)珜?人眼注視點(diǎn)估計(jì)方法的研究[D];南開(kāi)大學(xué);2013年

4 趙培英;基于智能計(jì)算的膜蛋白結(jié)構(gòu)與相互作用預(yù)測(cè)研究[D];東華大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 皮麗琴;基于AdaBoost-GASVM算法和LDA主題模型的短文本分類(lèi)研究[D];華南理工大學(xué);2015年

2 孫斌;一種基于Adaboost的實(shí)時(shí)行人檢測(cè)算法[D];華南理工大學(xué);2015年

3 蔡澤彬;基于視頻分析的行人檢測(cè)及統(tǒng)計(jì)方法研究[D];華南理工大學(xué);2015年

4 游晴;Adaboost人臉檢測(cè)算法研究及其在硬件平臺(tái)上的實(shí)現(xiàn)[D];昆明理工大學(xué);2015年

5 宋雨;基于視覺(jué)圖片的腦—機(jī)接口控制研究[D];天津理工大學(xué);2015年

6 林欣;基于改進(jìn)膚色模型的AdaBoost人臉檢測(cè)算法研究[D];陜西科技大學(xué);2015年

7 袁浩杰;Adaboost算法的并行化及其在目標(biāo)分類(lèi)中的應(yīng)用[D];華南理工大學(xué);2015年

8 張恒;基于近紅外圖像的疲勞駕駛檢測(cè)研究與系統(tǒng)實(shí)現(xiàn)[D];長(zhǎng)安大學(xué);2015年

9 朱非易;基于不平衡學(xué)習(xí)的蛋白質(zhì)—維生素綁定位點(diǎn)預(yù)測(cè)研究[D];南京理工大學(xué);2015年

10 張?jiān)?一種基于AdaBoost的組合分類(lèi)算法研究[D];四川師范大學(xué);2015年

，

本文編號(hào)：1999309