论文部分内容阅读
交通事件自动检测是智能交通系统的一个重要组成部分，其实时性与准确性直接关系到交通控制与交通诱导的效果。为了提高城市快速路交通事件检测算法的检测率、降低误报率、缩短平均检测时间，本文设计和改进了加利福尼亚算法、神经网络检测算法等多种交通事件的自动检测算法，并研究了由交通事件引起的偶发性拥堵和常发性拥堵的辨别。这些算法均取得了比较好的检测效果。论文的主要研究成果如下：
1)研究了目前交通事件检测的原理和方法，利用PARAMICS交通仿真软件模拟北京市从大望桥与四惠桥之间的京通快速路的交通状况，得到交通事件发生前后的宏观交通参数的变化，并对该数据进行了分析。
2)分析了加利福尼亚算法目前的现状和存在的问题，提出了一种自适应遗传算法与加利福尼亚算法相结合的自动检测算法。该算法跟传统的加利福尼亚算法相比较，克服了其阈值难确定的缺点。
3)分析了神经网络算法目前的现状和存在的问题，提出了一种基于自适应遗传算法与神经网络相结合的自动检测算法，改进了神经网络参数和结构学习方法，同传统的加利福尼亚算法以及现有的神经网络算法相比较，提高了算法效率和准确度。
4)分析了交通拥堵的特点，介绍了常发性拥堵和偶发性拥堵的区别，设计了一种基于神经网络的交通拥堵自动辨别算法，利用改进的自适应梯度算法优化神经网络的权值参数，既能保证神经网络参数收敛到极小值，又具有快的学习速度，提高了神经网络的检测效果。
论文最后对研究工作进行了总结，并提出了今后需进一步深入研究的问题。