基于支持向量机的高速公路异常状态检测

doi:10.3969/j.issn.1674-0696.2019.05.01

重庆交通大学学报（自然科学版） ›› 2019, Vol. 38 ›› Issue (05): 1-7.DOI: 10.3969/j.issn.1674-0696.2019.05.01

• 交通+大数据人工智能 • 下一篇

基于支持向量机的高速公路异常状态检测

孙静怡1，牟若瑾2，苏晓波3

(1.昆明理工大学交通工程学院，云南昆明 650500； 2. 合肥城市轨道交通有限公司，安徽合肥 230041； 3. 安徽华电工程咨询设计有限公司，安徽合肥 230022)

收稿日期:2017-11-19 修回日期:2017-12-20 出版日期:2019-05-15 发布日期:2019-05-15
作者简介:孙静怡(1968—)，女，湖南益阳人，副教授，博士，主要从事综合交通系统优化与管理方面的研究。E-mail：jysun@kmust.edu.cn。通信作者：牟若瑾（1993—），女，辽宁丹东人，硕士，主要从事高速公路管理方面的研究。E-mail：568427938@qq.com。

Highway Abnormal State Detection Based on Support Vector Machine (SVM)

SUN Jingyi1, MOU Ruojin2, SU Xiaobo3

(1. Faculty of Transportation Engineering, Kunming University of Science and Technology, Kunming 650500, Yunnan P. R. China; 2. Hefei Urban Rail Transit Co. Ltd., Hefei 230041, Anhui, P. R. China; 3. Anhui Huadian Engineering Consultating & Design Co. Ltd., Hefei 230022, Anhui, P. R. China)

Received:2017-11-19 Revised:2017-12-20 Online:2019-05-15 Published:2019-05-15

摘要/Abstract

摘要： 针对意外事件所引发的高速公路异常状态，提出了基于支持向量机模型的高速公路异常状态检测方案。首先应用VISSIM仿真软件建立了昆玉高速单向三车道基本路段的车辆抛锚事故模型；对不同条件下的异常事件进行了仿真，并分析了异常状态对高速断面通行能力的影响；然后基于支持向量机模型建立了高速公路异常状态检测模型，分析单侧与双侧输入差异。仿真结果表明：所建立的支持向量机异常状态检测模型综合性能较好，单侧输入也可以较好地检测异常状态的发生。

关键词: 交通工程, 高速公路, 事件检测, VISSIM仿真, 支持向量机

Abstract: Aiming at the abnormal state caused by expressway accidents, the detection program of expressway abnormal states on the basis of support vector machine (SVM) was proposed. Firstly, the vehicle breakdown accident model at one-way three-lane basic section of Kun-Yu Expressway was established by VISSIM simulation software and the abnormal events under different conditions were simulated; furthermore, the influence of abnormal states on the traffic capacity of highway section was analyzed. Then, based on SVM model, the abnormal state detection model of expressway was established, and the difference between unilateral and bilateral input was analyzed. The results of the simulation demonstrate that: the established SVM model for detection of abnormal states has good comprehensive performance; with unilateral input, it can also provide satisfactory detection results of the occurrence of abnormal states.

Key words: traffic engineering, highway, event detection, VISSIM simulation, support vector machine

中图分类号:

U491.3

孙静怡1，牟若瑾2，苏晓波3. 基于支持向量机的高速公路异常状态检测[J]. 重庆交通大学学报（自然科学版）, 2019, 38(05): 1-7.

SUN Jingyi1, MOU Ruojin2, SU Xiaobo3. Highway Abnormal State Detection Based on Support Vector Machine (SVM)[J]. Journal of Chongqing Jiaotong University(Natural Science), 2019, 38(05): 1-7.

参考文献

［1］崔志宾.基于支持向量机的交通事件检测建模与分析［D］.北京：北京交通大学，2008.
CUI Zhibin. Modeling and Analysis of Traffic Incident Detection Based on Support Vector Machines［D］. Beijing: Beijing Jiaotong University, 2008.
［2］高昕，贺国光，马寿峰.小波理论及其在交通事件检测中的应用［J］.公路交通科技，1999，16(3)：63-65.
GAO Xin, HE Guoguang, MA Shoufeng. Wavelet theory and its application in traffic incident detection［J］. Journal of Highway and Transportation Research and Development, 1999, 16(3): 63-65.
［3］尹春娥，陈宽民，万继志.基于小波方程的高速公路交通事故自动检测方法［J］.中国公路学报，2014，27(12)：106-112.
YIN Chune, CHEN Kuanmin, WAN Jizhi. Automatic detection methods for expressway traffic accidents based on wavelet equation［J］. China Journal of Highway and Transport, 2014, 27(12): 106-112.
［4］杨志勇，马红伟，陈小平.基于模糊逻辑的高速公路事件检测算法研究［J］.重庆交通大学学报(自然科学版)，2013，32(6)：122-125.
YANG Zhiyong, MA Hongwei, CHEN Xiaoping. Freeway incident detection algorithm based on fuzzy logic［J］. Journal of Chongqing Jiaotong University(Natural Science), 2013, 32(6): 122-125.
［5］姜紫峰，刘小坤.基于神经网络的交通事件检测算法［J］.西安公路交通大学学报，2000，20(3)：67-69.
JIANG Zifeng, LIU Xiaokun. Artificial neural network(ANN) algorithm for traffic incidents detection［J］. Journal of Xian Highway University, 2000, 20(3): 67-69.
［6］周林英，朱斌，赵忠杰.基于支持向量机的高速公路事件检测算法［J］.系统仿真技术，2010，6(3)：224-227.
ZHOU Linying, ZHU Bin, ZHAO Zhongjie. An automatic incident of freeway detection algorithm based on support vector machine［J］. System Simulation Technology, 2010, 6(3): 224-227.
［7］张海军，张珏，杨晓光.异常事件下高速道路交通状态的分析与仿真［J］.交通运输工程学报，2008，8(2)：116-121.
ZHANG Haijun, ZHANG Jue, YANG Xiaoguang. Analysis and simulation of traffic state on expressway during incident［J］. Journal of Traffic and Transportation Engineering, 2008, 8(2): 116-121.
［8］王文博，周继彪，陈红，等.基于VISSIM仿真的事故路段通行能力估算方法［J］.公路交通科技，2015，32(12)：120-127.
WANG Wenbo, ZHOU Jibiao, CHEN Hong, et al. A simulation method for capacity in traffic accident section based on VISSIM［J］. Journal of Highway and Transportation Research and Development, 2015, 32(12): 120-127.
［9］郭晶，程金良，王俊骅，等.基于仿真的高速公路紧急事件交通流特征研究［J］.中国安全生产科学技术，2009，5(4)：42-46.
GUO Jing, CHENG Jinliang, WANG Junhua, et al. Study on highway traffic flow characteristics in condition of traffic incidents based on microscopic simulation［J］. Journal of Safety Science and Technology, 2009, 5(4): 42-46.
［10］ BANKS J H. Two-capacity phenomenon at freeway bottlenecks: a basis for ramp metering［J］. Journal of Transportation Research Record, 1991, 1320: 83-90.
［11］杜璇，陆建.突发交通事件后高速公路有效通行能力估算［J］.公路交通科技，2010，27(11)：154-158.
DU Xuan, LU Jian. Estimation the effective capacity of unexpected traffic incident on expressway［J］. Journal of Highway and Transportation Research and Development, 2010, 27(11): 154-158.
［12］姜桂艳，温慧敏，杨兆升.高速公路交通事件自动检测系统与算法设计［J］.交通运输工程学报，2001，1(1)：77-81.
JIANG Guiyan, WEN Huimin, YANG Zhaosheng. Design of freeway automatic incident detection system and algorithm［J］. Journal of Traffic and Transportation Engineering, 2001, 1(1): 77-81.
［13］余胜威. MATLAB优化算法案例分析与应用［M］. 北京：清华大学出版社，2014.
YU Shengwei. Case Analysis and Application of MATLAB Optimization Algorithm［M］. Beijing: Tsinghua University Press, 2014.
［14］姜紫峰，荆便顺，韩锡令.高速公路入口匝道控制的仿真研究［J］.中国公路学报，1997，10(2)：83-89.
JIANG Zifeng, JING Bianshun, HAN Xiling. Simulation study on-ramp control in freeway［J］. China Journal of Highway and Transport, 1997, 10(2): 83-89.
［15］陈斌. 基于支持向量机的高速公路意外事件检测模型［J］.中国公路学报，2006，19(6)：107-112.
CHEN Bin. Freeway accident detection model based on support vector machine［J］. China Journal of Highway and Transport, 2006, 19(6): 107-112.

[1]	唐继强1, 2，钟鑫伟2，刘健1，李天瑞3. 基于时间序列季节分类模型的轨道交通客流短期预测[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 31-38.
[2]	戚春华，王笑男，朱守林，李航天. 基于驾驶员视觉兴趣区域的交通工程设施信息量阈值研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 53-60.
[3]	邓天民1，朱杰2，朱凯家1，屈治华3. 基于iForest+Biscting K-means的驾驶风格辨识方法研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 1-6.
[4]	许茂增,张莉. 基于双射软决策理论的路段拥堵影响力识别[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 7-11.
[5]	王涛1，谢思红1，黎文皓1,2，李文勇1. 基于FFOS-ELM和PF的短时交通流自适应预测模型[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 21-27.
[6]	张诚1，汪成银1，陈志伟2，张正向3，张子磊3. 基于空间流量度的城市路网关键节点挖掘方法[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 28-35.
[7]	王永岗，张衡，彭志鹏，周琬琦. 基于结构方程模型的出租车事故影响因素分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 36-42.
[8]	朱顺应，李维吉，林小媛，肖文彬，王红. 特色小镇游客车辆无复检管控点布设研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 52-58.
[9]	郑义彬，蔡航鹏，赖伟伟，刘冠宇. 基于复杂网络的湖北省高速公路网特性分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 31-37.
[10]	潘兵宏1,2，胡炜1，任卉1,单慧敏1. 基于TruckSim仿真下弯道货车侧滑速度模型研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 38-45.
[11]	吴文静，孙刃超，宗芳，贾洪飞. 居民低碳通勤出行的主观态度识别及影响分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 53-58.
[12]	李军，邓育新. 基于非负矩阵分解的出租车时空行为聚类分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 59-65.
[13]	余曼,赵炜华,吴玲,李郁菡. 基于K-均值聚类和支持向量机的电动汽车行驶工况研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 129-139.
[14]	成卫1，刘翔1，雷建明2. 基于RBF神经网络预测的交叉口信号周期时长优化[J]. 重庆交通大学学报（自然科学版）, 2021, 40(04): 13-18.
[15]	史天亮，王文光. 信息观和粒子群算法在城市交通拥堵中的研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(04): 19-25.

基于支持向量机的高速公路异常状态检测

Highway Abnormal State Detection Based on Support Vector Machine (SVM)

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics