一种基于混合核相关向量机的快速道路交通事件检测方法

技术领域

本发明属于交通安全技术领域，特别涉及了一种快速道路交通事件检测方法。

背景技术

据世界卫生组织统计，全世界每年死于道路交通事故的人数约有130万，另有数千万人不同程度受伤。道路交通事故已成为人类社会的重大公害，交通安全问题也已成为重大的社会问题。研究表明，二次事故造成的严重程度比初次事故大很多，危险相较于初次事故增加600％。事件的处理时间越长，造成二次事故的概率就越大。因此，如何在尽可能短的时间内，准确而高效地检测并识别道路交通事件是交通领域研究的重点。

当前，虽然有很多学者提出交通事件检测的方法，但方法中存在很多不足有待改进。譬如，检测模型检测时间较长；检测模型在非平衡数据集中表现不佳；检测模型检测率低等；另一方面也缺少一个通用的交通事件检测框架体系。

发明内容

为了解决上述背景技术提到的技术问题，本发明提出了一种基于混合核相关向量机的快速道路交通事件检测方法。

为了实现上述技术目的，本发明的技术方案为：

一种基于混合核相关向量机的快速道路交通事件检测方法，包括以下步骤：

(1)获取快速道路交通检测器的上、下游交通流参数数据，分析交通事件引起的交通流参数的显著变化；

(2)利用步骤(1)采集的数据，分析事件地点上游和下游交通流参数的变化趋势，根据上、下游交通流参数的实测值及其参数基本数学运算组合，构建初始变量集；

(3)采用条件生成式对抗网络学习少数类样本信息，训练生成器生成少数类补充样本，平衡数据分布；

(4)基于初始变量集，采用XGBoost算法的变量重要性度量筛选出关键变量；

(5)建立基于局部高斯核和全局多项式核的混合核相关向量机模型；

(6)采用改进的果蝇优化算法优化混合核相关向量机模型参数，利用优化后的模型检测快速道路交通事件。

进一步地，在步骤(1)中，采集的交通流参数包括交通流量、交通速度和交通占有率。

进一步地，在步骤(2)中，构建的初始变量集包括如下变量：

上游检测器的交通流量、上游检测器的速度、上游检测器的占有率、下游检测器的交通流量、下游检测器的速度、下游检测器的占有率、下游检测器的占有率、上游检测器的交通流量与占有率的比值、上游检测器的交通流量与速度的比值、上游检测器的速度与占有率的比值、下游检测器的交通流量与占有率的比值、下游检测器的交通流量与速度的比值、下游检测器的速度与占有率的比值、上游检测器的速度与该检测器历史速度均值的比值、上游检测器的占有率与该检测器历史占有率的比值、上游检测器的流量与该检测器历史流量的比值、下游检测器的速度与该检测器历史速度均值的比值、下游检测器的占有率与该检测器历史占有率的比值、下游检测器的流量与该检测器历史流量的比值、上下游相邻检测器的流量差、上下游相邻检测器的速度差值、上下游相邻检测器的占有率差值。

进一步地，在步骤(3)中，所述条件生成式对抗网络的表达式如下：

上式中，V(D,G)为目标函数，G为生成器，D为判别器，x为真实数据集，y为分类标签，λ为噪声，

进一步地，在步骤(4)中，基于初始变量集数据，使用XGBoost算法计算特征重要性并排序；然后每次删除重要性最小的特征，并使用剩余特征重新计算XGBoost算法的分类正确率，逐次迭代，直到所有特征搜索完为止，最终通过特征重要度进行排序，筛选出关键变量。

进一步地，在步骤(5)中，所述混合核相关向量机模型如下：

上式中，y(x；w)为模型输出，K

进一步地，在步骤(6)中，改进的果蝇优化算法如下：

(a)初始化模型参数，设定最大迭代次数K

(b)根据果蝇个体的嗅觉，为每个群体独立赋值；将决策变量值代入适应度函数，从而计算每个果蝇个体该位置的适应度值；

(c)找出每个子群中具有最优适应值的果蝇；

(d)判断每个子群的适应度是否优于先前的迭代适应度，如果是，则更新每个子群的最优适应值，并且此时每个子群将使用视觉独立地朝向该位置飞行；

(e)更新全局最优适应度和最优位置；

(f)执行联合局部搜索；

(g)如果当前迭代次数K≥K

采用上述技术方案带来的有益效果：

1、本发明通过分析道路交通检测器的上下游交通流参数变化特点，采用交通参数多组合方式构建变量集，易于区别事件数据和非事故数据，便于后期交通事件检测，提高事件检测率。

2、本发明采用条件生成式对抗网络(CGAN)，在GAN的基础上还拥有一个非常灵活的设计框架，各种类型的损失函数都可以整合到CGAN模型当中，针对不同的任务，直接进行采样和推断，从而提高GAN的应用效率。因此，利用一种条件生成式对抗网络对非平衡数据集进行处理，可以提高模型的检测率。

3、本发明对数据集进行特征筛选，选择重要变量输入模型，可以减少模型的检测时间。

4、本发明采用混合核的相关向量机模型，解决了单一核函数因样本数据的特征中含有不同构造的信息或者样本规模相对较大而导致其多维数据有着不规则的分布所受到的局限性。

5、本发明采用改进的果蝇优化算法，可以提高寻找全局最优参数的速度，从而减少模型的检测时间。

附图说明

图1为本发明的整体流程图；

图2为本发明中变量筛选流程图；

图3为本发明中基于混合核的相关向量机流程图；

图4为本发明中改进的果蝇优化算法流程图。

具体实施方式

以下将结合附图，对本发明的技术方案进行详细说明。

本发明设计了一种基于混合核相关向量机的快速道路交通事件检测方法，如图1所示，可以分为以下六个部分：

(1)数据采集。本发明以高速公路交通检测器数据为例。当交通流处于正常交通状态时，高速公路的交通流量、速度和占有率三个基本交通参数的变化相对比较稳定；当路段发生交通事件时，上下游检测器采集的交通参数就会发生显著变化。因此本方法分别采集事故上下游检测器的交通参数分别是交通流量、交通速度、交通占有率。

(2)构建变量集。通过分析大量高速路线圈检测器数据发现，不仅流量、速度、占有率三个基本交通参数在交通事件发生时段会发生明显变化，不同交通参数之间的组合以及上下游检测器交通参数的组合对交通事件的发生也表现出很强的敏感性。因此，该发明构建交通变量类型如表1所示。

表1交通事件检测数据变量集

(3)非平衡数据处理。由于交通事件数据为非平衡数据，利用一种条件生成式对抗网络(CGAN)，通过学习真实样本的分布使自身生成的样本更加接近真实样本，最终达到平衡数据集的目的。通过下面的计算方法可以对原始数据集进行处理。计算公式如下：

上式中，V(D,G)为目标函数，G为生成器，D为判别器，x为真实数据集，y为分类标签，λ为噪声，

(4)特征筛选。利用XGBoost算法对变量特征进行筛选，基于初始变量集数据，使用XGBoost算法计算特征重要性并排序；然后每次删除重要性最小的特征，并使用剩余特征重新计算XGBoost算法的分类正确率，逐次迭代，直到所有特征搜索完为止，最终通过特征重要度进行排序，筛选出关键变量。如图2所示。

(5)构建混合核相关向量机模型。高斯核函数是典型的局部核，它对样本点附近的小范围样本点有影响；多项式核函数是一种全局核函数，它能够考虑远离样本点的数据对样本点测试的影响，因此，通过建立基于局部高斯核和全局多项式核的组合核函数，能够保证模型既具有全局拟合能力又具有局部拟合能力。模型构建流程具体请参阅图3。以下公式为高斯核函数、多项式核函数以及混合核函数的组合方法：

上式中，K

混合核相关向量机模型可以用以下公式表示：

上式中，w

(6)基于改进果蝇的优化算法优化模型参数。通过将果蝇优化算法，从群体被分成多个子群、适应度函数直接由决策变量控制以及用气味缩小搜索半径方面优化果蝇算法，并对混合核相关向量机的参数进行寻优，得到性能最佳模型。具体请参阅图4。

S1首先初始化模型参数，设定最大迭代次数K

S2根据果蝇个体的嗅觉，为每个群体独立赋值；将决策变量值代入适应度函数，从而计算每个果蝇个体该位置的适应度值；

S3找出每个子群中具有最优适应值的果蝇；

S4判断每个子群的适应度是否优于先前的迭代适应度，如果是，则更新每个子群的最优适应值，并且此时每个子群将使用视觉独立地朝向该位置飞行；

S5更新全局最优适应度和最优位置；

S6通过执行联合局部搜索；

S7如果当前迭代次数K≥K

实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。