论文部分内容阅读
城市化快速发展使大量人口向城市聚集,人们出行产生的交通需求已超过城市道路的交通供给能力,使得交通基础设施出现超负荷现象。而经常性发生的交通堵塞、交通事故、交通污染、乱停车、停车位不足等问题,对居民的生活质量造成严重影响。因此,怎样对道路的交通状态进行实时判定,对道路交通状态进行预测成为研究的主要问题。基于此现状,本文利用设计的KFCM-PSO-SVM算法模型对道路拥堵状态进行准确的划分和判定,并使用改进的支持向量机算法对拥堵判定参数进行预测,在保证建立模型的可行性的前提下,对判别和预测的结果进行改进和提升。研究成果主要有以下几方面:首先,对美国明尼苏达大学交通数据研究实验室采集的原始数据进行处理,因原始数据以.traffic文件形式储存,需通过python程序提取为.csv文件,并对数据进行降噪等预处理,然后通过SPSS软件对数据特性进行分析,最后对交通拥挤概念和类型进行介绍,根据交通流参数的选取原则选择交通参数(车流量和占有率)以及确定评价拥堵等级的指标。其次,通过针对传统聚类算法在道路交通状态判定中存在的不足,对传统聚类算法进行改进。通过实例验证K均值聚类算法对于初始化的聚类中心依赖性很大,所以本文采用间隔统计算法,确定最优的样本数据的初始聚类中心k;考虑到噪声和孤立点对算法的鲁棒性有一定的影响,为了解决此问题,将核函数引入到模糊C均值算法中,引入的核函数为高斯径向基函数,其目的是为了让原始的样本数据映射到特征的空间中。原始的低维样本数据被映射到高维的空间中,将原本的非线性问题因数据被映射到高维空间而转化为线性问题,在本质上将问题变得简单化。虽然在特征空间中,函数的维数很高,但当引入的高斯径向基函数的内积比特征空间中的内积小时,可以提高模型算法的计算速度。本文设计的KFCM-PSO-SVM算法模型的核心主要是利用改进的支持向量机算法对改进的模糊C均值聚类算法进行加强聚类,使对交通状态判定的准确度更加精准;然后跟K-means-PSO-SVM算法和模糊C均值聚类算法、改进的模糊C均值聚类算法的结果进行比较,得到新算法KFCM-PSO-SVM的准确度更高;再者,利用粒子群算法(PSO)优化支持向量机(SVM)对道路拥堵判定参数进行回归预测,并对道路交通状态进行划分。最后,利用处理的数据进行模型验证。结果表明改进的新算法KFCM-PSO-SVM的预测精度比K-means-PSO-SVM算法的预测精度提高了2.4306%,改进算法的准确度较高。