[發(fā)明專利]基于欠抽樣面向不平衡數(shù)據(jù)集的交通事件自動(dòng)檢測(cè)方法

無(wú)效

• 申請(qǐng)?zhí)枺?/td>: 201410177414.1
• 申請(qǐng)日: 2014-04-29
• 公開（公告）號(hào): CN103927874A
• 公開（公告）日: 2014-07-16
• 發(fā)明（設(shè)計(jì)）人: 陳淑燕;李苗華;王煒
• 申請(qǐng)（專利權(quán)）人: 東南大學(xué)
• 主分類號(hào): G08G1/01
• 分類號(hào): G08G1/01;G06K9/66
• 代理公司: 江蘇永衡昭輝律師事務(wù)所 32250
• 代理人: 王斌

技術(shù)領(lǐng)域

本發(fā)明屬于交通智能管理和控制技術(shù)領(lǐng)域，涉及一種基于欠抽樣面向不平衡數(shù)據(jù)集的交通事件自動(dòng)檢測(cè)方法。

背景技術(shù)

交通事件不僅引起擁堵和延誤，還容易引發(fā)二次事故。準(zhǔn)確、快速地檢測(cè)出交通事件，及時(shí)進(jìn)行事件救援和處理，能有效地減少由交通事件產(chǎn)生的交通擁堵和延誤，避免二次事故的發(fā)生。交通事件自動(dòng)檢測(cè)(AutomaticIncident?Detection，AID)是現(xiàn)代交通監(jiān)控系統(tǒng)的重要組成部分，是先進(jìn)的交通管理系統(tǒng)和出行者信息系統(tǒng)的基礎(chǔ)，對(duì)大幅度降低由交通事件引起的延誤、擁擠和事故，提高道路交通安全和服務(wù)水平具有極為重要的意義。

近年來(lái)，AID算法的研究主要集中在神經(jīng)網(wǎng)絡(luò)、模糊理論、小波分析以及支持向量機(jī)等新技術(shù)的應(yīng)用方面。相對(duì)于傳統(tǒng)的事件檢測(cè)算法，上述交通事件檢測(cè)算法能夠在一定程度上提高算法的檢測(cè)性能。但是，在現(xiàn)實(shí)世界中，交通正常運(yùn)行狀態(tài)遠(yuǎn)遠(yuǎn)多于交通事件狀態(tài)，交通事件檢測(cè)實(shí)質(zhì)上是不平衡分類問題，而以往的交通事件自動(dòng)檢測(cè)算法較少考慮這個(gè)問題。上述交通事件檢測(cè)算法多是基于平衡數(shù)據(jù)集進(jìn)行分類的算法，用于交通事件檢測(cè)時(shí)往往導(dǎo)致較高的誤報(bào)率、較低的檢測(cè)率和較長(zhǎng)的平均檢測(cè)時(shí)間，檢測(cè)效果令人失望。

支持向量機(jī)(SupportVectorMachine，SVM)已用于交通事件檢測(cè)，但其在處理不平衡分類問題時(shí)表現(xiàn)出明顯的“有偏性”，不利于少數(shù)類樣本的學(xué)習(xí)。為了克服上述缺陷，本發(fā)明基于鄰域清理規(guī)則，結(jié)合支持向量機(jī)，提出一種基于欠抽樣面向不平衡數(shù)據(jù)集的交通事件自動(dòng)檢測(cè)方法。首先通過基于鄰域清理規(guī)則的欠抽樣方法對(duì)訓(xùn)練集中的多數(shù)類進(jìn)行欠抽樣以降低其不平衡性，而后使用相對(duì)平衡的訓(xùn)練集訓(xùn)練支持向量機(jī)，使之作為分類器進(jìn)行交通事件自動(dòng)檢測(cè)。

發(fā)明內(nèi)容

技術(shù)問題：本發(fā)明提供一種降低訓(xùn)練集中類間樣本數(shù)目的不平衡性，能夠適應(yīng)現(xiàn)實(shí)世界中不平衡交通數(shù)據(jù)的基于欠抽樣面向不平衡數(shù)據(jù)集的交通事件自動(dòng)檢測(cè)方法。

技術(shù)方案：本發(fā)明的基于欠抽樣面向不平衡數(shù)據(jù)集的交通事件自動(dòng)檢測(cè)方法，包括如下步驟：

1)利用最大-最小規(guī)范化方法對(duì)實(shí)測(cè)交通流數(shù)據(jù)進(jìn)行規(guī)范化處理，得到原始訓(xùn)練集和測(cè)試集；

2)基于鄰域清理規(guī)則對(duì)步驟1)得到的原始訓(xùn)練集中的多數(shù)類進(jìn)行欠抽樣處理，降低訓(xùn)練集的不平衡性，得到新的相對(duì)平衡的訓(xùn)練集；

3)基于步驟1)得到的原始訓(xùn)練集，支持向量機(jī)的核函數(shù)采用徑向基函數(shù)，采用改進(jìn)的網(wǎng)格搜索算法優(yōu)化支持向量機(jī)的懲罰因子C和核參數(shù)g，得到支持向量機(jī)懲罰因子C的最佳值和核參數(shù)g的最佳值；

4)根據(jù)步驟3)得到的支持向量機(jī)懲罰因子C的最佳值和核參數(shù)g的最佳值，使用步驟2)得到的新的相對(duì)平衡的訓(xùn)練集訓(xùn)練支持向量機(jī)，得到面向不平衡數(shù)據(jù)集的交通事件自動(dòng)檢測(cè)模型；

5)使用訓(xùn)練好的面向不平衡數(shù)據(jù)集的交通事件自動(dòng)檢測(cè)模型，對(duì)步驟1)得到的測(cè)試集進(jìn)行交通事件自動(dòng)檢測(cè)，根據(jù)模型的輸出結(jié)果判定是否發(fā)生交通事件。

本發(fā)明方法的優(yōu)選方案中，步驟1)中的實(shí)測(cè)交通流數(shù)據(jù)包括檢測(cè)器在每個(gè)采樣周期檢測(cè)到的檢測(cè)路段上游和下游的速度、占有率和流量三類數(shù)據(jù)。

本發(fā)明方法的優(yōu)選方案中，步驟1)中的最大-最小規(guī)范化方法為根據(jù)下式對(duì)實(shí)測(cè)交通流數(shù)據(jù)進(jìn)行處理：

xij‾=xij-xminjxmaxj-xminj,]]>