基于Bagging算法和遗传神经网络的交通事件检测

合集下载

基于神经网络的交通拥堵预测算法研究

基于神经网络的交通拥堵预测算法研究一、引言近年来，随着城市化进程的不断加快和互联网技术的不断发展，交通拥堵已成为城市发展中的一大难题。

交通拥堵不仅给城市居民出行带来了诸多不便，同时还会影响到城市的经济发展和社会安全。

因此，如何精准地预测交通拥堵，对于优化城市交通运行，提高城市交通效率、减少能源消耗具有重要意义。

二、神经网络模型神经网络是一种具有自适应性和学习能力的信息处理系统，广泛应用于各个领域。

在交通拥堵预测中，神经网络模型是一种常用的预测模型。

通过对历史数据的分析，建立神经网络模型，可以在一定程度上预测未来交通拥堵情况。

1. 基本原理神经网络是由大量的神经元组成的网络。

每个神经元接收到输入信号经过处理后产生输出信号，并将输出信号传递给下一层神经元。

神经网络的训练过程就是通过对输入信号和输出信号的不断调整，建立一个适应性很强的模型。

在交通预测中，输入信号可以是路段的历史车流量、历史速度等，输出信号相对应包括未来的路段车流量、速度等。

2. 建模步骤神经网络模型建立需要经过以下几步：（1）数据预处理：清洗、筛选和整合历史数据，去除异常数据。

（2）特征提取：提取历史数据中的重要特征，如时间、天气、路段等。

（3）网络构建：选择网络拓扑结构和设置各神经元的参数。

（4）模型训练：通过调整神经网络的输出和实际输出之间的误差，反向调整各个参数。

（5）模型预测：使用模型预测未来的交通拥堵情况。

三、案例分析以下是一篇基于神经网络的交通拥堵预测算法研究的具体案例。

以某城市高速路的交通拥堵预测为例，本研究首先清洗、整合了历史交通数据，并对数据进行了特征提取，如时间特征、天气特征、路段特征等，最终得到了一份清晰、完整的历史交通数据集。

随后，本研究采用BP神经网络算法，建立了高速路交通拥堵的预测模型。

该模型以交通运行数据为输入，将交通状态划分为畅通、缓行、拥堵三个等级，然后利用BP神经网络进行训练。

训练完毕后，模型的预测准确率达到了90%以上。

基于概率神经网络的高速公路事件检测

２００７，４３（１５）１引言事件是指偶发性的事情，如交通事故、车辆故障、货物散落、路面临时维护等。

事件的发生会扰乱正常的交通流、引起行车延误、影响交通安全与畅通、造成巨大的经济损失。

事件检测是交通管理与控制系统的重要组成部分，如何准确、快速地检测和确定事件发生的时间、地点及性质，是交通管理与控制系统能否成功运行的关键。

事件检测实质上是一个模式分类问题，有事件的交通模式与无事件的交通模式区分开来。

几十年来，事件检测算法一直是交通工程领域重要的研究课题。

事件检测算法包含直接检测算法和间接检测算法［１］。

直接检测算法是指使用图像处理技术来发现停驶车辆的一类方法，该方法需要比较密集地设置检测站（摄像机），资金投入较高，而且气象条件对其影响也较大。

同时，由于要处理大量的图像数据，因而数据处理时间较长。

间接检测算法包含模式识别算法、流体力学算法、统计预测算法、滤波算法以及智能检测算法。

近年来的研究主要集中于智能检测算法，智能检测算法主要包括模糊逻辑算法、神经网络算法、模糊神经网络算法、支持向量机算法、小波分析算法、遗传算法以及混合智能算法。

神经网络是一种功能强大的模式识别和分类工具，它从有代表性的交通流数据出发，直接归纳出交通流的规律，这就避免了运用数学建模的方法难以解决交通流的不确定性和非线性问题。

文献［２］用ＢＰ神经网络进行交通事件检测，这种ＢＰ神经网络当训练样本数据较少时，泛化能力差，而当训练样本数据较多时，学习速度又较慢，因此必须研究泛化能力更好、学习速度更快的神经网络事件检测算法。

本文提出一种基于概率神经网络（ＰｒｏｂａｂｉｌｉｓｔｉｃＮｅｕｒａｌＮｅｔｗｏｒｋ，ＰＮＮ）的高速公路事件检测算法，并进行了仿真研究。

２ＰＮＮ的结构与训练ＰＮＮ是由径向基函数网络发展而来的一种前馈型神经网络，特别适合于求解分类问题，ＰＮＮ的网络结构［３］如图１所示。

图１中ＩＷ１，１表示第一层（径向基函数层）的权值矩阵，ＩＷ１，１为Ｑ×Ｒ矩阵，Ｑ为训练样本对的数量，即第一层的神经元个数，Ｒ为网络输入的维数，Ｋ为预定义的分类类别数，即第二基于概率神经网络的高速公路事件检测梁新荣１，２，裴瑞平２，易少芹２ＬＩＡＮＧＸｉｎ－ｒｏｎｇ１，２，ＰＥＩＲｕｉ－ｐｉｎｇ２，ＹＩＳｈａｏ－ｑｉｎ２１．华南理工大学交通学院，广州５１０６４０２．五邑大学信息学院，广东江门５２９０２０１．ＣｏｌｌｅｇｅｏｆＴｒａｆｆｉｃａｎｄＣｏｍｍｕｎｉｃａｔｉｏｎｓ，ＳｏｕｔｈＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｇｕａｎｇｚｈｏｕ５１０６４０，Ｃｈｉｎａ２．ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎ，ＷｕｙｉＵｎｉｖｅｒｓｉｔｙ，Ｊｉａｎｇｍｅｎ，Ｇｕａｎｇｄｏｎｇ５２９０２０，ＣｈｉｎａＥ－ｍａｉｌ：ｘｒｌｉａｎｇ５５＠１２６．ｃｏｍＬＩＡＮＧＸｉｎ－ｒｏｎｇ，ＰＥＩＲｕｉ－ｐｉｎｇ，ＹＩＳｈａｏ－ｑｉｎ．Ｆｒｅｅｗａｙｉｎｃｉｄｅｎｔｄｅｔｅｃｔｉｏｎｂａｓｅｄｏｎｐｒｏｂａｂｉｌｉｓｔｉｃｎｅｕｒａｌｎｅｔｗｏｒｋ．ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２００７，４３（１５）：２２７－２２９．Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｏｆｎｏｎｌｉｎｅａｒｃｌａｓｓｉｆｉｃａｔｉｏｎｉｎｆｒｅｅｗａｙｉｎｃｉｄｅｎｔｄｅｔｅｃｔｉｏｎ，ａｎｉｎｃｉｄｅｎｔｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎＰｒｏｂａｂｉｌｉｓｔｉｃＮｅｕｒａｌＮｅｔｗｏｒｋ（ＰＮＮ）ｉｓｐｒｏｐｏｓｅｄ．ＴｈｅｓｔｒｕｃｔｕｒｅａｎｄｔｒａｉｎｉｎｇａｌｇｏｒｉｔｈｍｏｆＰＮＮａｒｅｆｏｒｍｕｌａｔｅｄ．Ｔｈｅｎｔｈｅｉｎｆｌｕｅｎｃｅｏｆａｎｉｎｃｉｄｅｎｔｏｎｔｈｅｔｒａｆｆｉｃｆｌｏｗｉｓａｎａｌｙｚｅｄ，ａｎｄｔｈｅＰＮＮｉｎｐｕｔｖａｒｉａｂｌｅｓａｒｅｓｅｌｅｃｔｅｄｒｅａｓｏｎａｂｌｙ．Ｓｉｍｕｌａｔｉｏｎｒｅｓｅａｒｃｈｉｓｃａｒｒｉｅｄｏｕｔｗｉｔｈｔｈｅｓａｍｐｌｅｄａｔｅｐｒｏｖｉｄｅｄｂｙｔｈｅｆｒｅｅｗａｙａｄｍｉｎｉｓｔｒａｔｉｖｅｏｆｆｉｃｅ．ＳｉｍｕｌａｔｉｏｎｅｘｐｅｒｉｍｅｎｔｓｓｈｏｗｔｈａｔＰＮＮｉｎｃｉｄｅｎｔｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｈａｓｓｕｃｈａｄｖａｎｔａｇｅｓａｓｆａｓｔｌｅａｒｎｉｎｇｓｐｅｅｄ，ｇｏｏｄｇｅｎｅｒａｌｉｚａｔｉｏｎａｂｉｌｉｔｙａｎｄｈｉｇｈｄｅｔｅｃｔｉｏｎｒａｔｅ．Ｉｔｉｓｆｏｕｎｄｔｏｂｅｐｏｔｅｎｔｉａｌｌｙａｐｐｌｉｃａｂｌｅｉｎｐｒａｃｔｉｃｅ．Ｋｅｙｗｏｒｄｓ：ｔｒａｆｆｉｃｅｎｇｉｎｅｅｒｉｎｇ；ｆｒｅｅｗａｙ；ｉｎｃｉｄｅｎｔｄｅｔｅｃｔｉｏｎ；ｐｒｏｂａｂｉｌｉｓｔｉｃｎｅｕｒａｌｎｅｔｗｏｒｋ；ｃｌａｓｓｉｆｉｃａｔｉｏｎ摘要：针对高速公路事件检测这一非线性分类问题，提出一种基于概率神经网络的事件检测方法。

基于Bagging的交通拥堵预测研究

交通拥堵预测除了要考虑交通流参数以外，还要考虑环境因素．本文将集成学习方法应用于交通
拥堵预测，建立了以Ｂ神经网络为基学习算法的拥堵预测模型．对多种因素作出综合判断能大大增强结论的全面性、准确性和可靠性】．在现实中，交通流数据多半是不完整的、有噪声的．在用于神经网络训练前，要根据数据历史统
Ｊｎ．２０ｕ０６
［文章编号］１０７ｏ（０６００７— ４５２０）２—０５０１６— ５
基于Ｂｇｉｇ的交通拥堵预测研究ａｇｎ
汤志康，王伟智，谈蔚欣
（福州大学自动化研究所，福建福州３００）５０２
［要］针对交通拥堵原因的多元性及单个神经网络拥堵模型准确率不高的特点，设计了一个以Ｂ摘Ｐ神经网络为弱学习算法、基于Ｂｇｉｇ集成学习方法的交通拥堵预测模型．与单个神经网络模型相比，ａｇｎ
之多，对于大城市，严重拥堵时延误时间可达２ｈ，影响的车辆有千辆以上，所造成的经济损失也是
难以估量的¨ ．对于道路拥堵的治理，要防患于未然，当道路的交通状态出现拥挤现象，极有可能】
发生拥堵时，能事先发出预警信号，采取预防措施，如诱导车辆进行合理道路分配行驶、加强秩序管
类是特殊事件，用５表示，如道路维修、ＶＰ或紧急车辆通行、车辆事故或故障造成道路的封闭或部Ｉ
分堵塞．当路况正常时以０１示；当对交通发生影响时，依严重程度以０５．．表．、０９表示．第三类是时间段的影响，用表示，把一天按机动车高峰流量分布分别用０１．、０３．、０５．、．、０２．、０４．、０６０７．、０９表示．第四类是节假日的影响，用表示，ｏ１．、０８．．为非节假日，０９为节假日．．

基于Bagging算法和遗传BP神经网络的负荷预测

丁华福，柴琳
（尔滨理工大学计算机科学与技术学院，哈黑龙江哈尔滨１０８）５００
摘要：负荷预测是电力规划的基础，传统的神经网络预测方法存在对初始网络权值设置敏感、敛的速度慢、收容易陷入
局部极小值等缺点。文中引入遗传算法先对神经网络的初始值进行优化，通过神经网络进行学习和训练，出的结果再得
ｍｅｏｎｅｅｉｅｒｌｅｗｏｋｃｎａｏｉｈｉａｖｎａｅｎｔｅｔａｉｉｎｌＢＰｎｔｒｄｉｈｒｔｉｏｄｌａｎｎｎａｎｎ — ｈｔｄａｄｇｎｔｎｕａｔｒａｖｄｔｅｄｓｄａｔｇｓｉｈｄｔａｅｗｏｋａｎｅｔｇｏｅｒｉｇａｄｔｉｉｇａｃｎｒｏｎｉｓｒ
ｗｏｋｐｅｉｔｎｗａｓｉｃｕｉｇｂｅｓｔｅｔｈｎｔｌｎｔｒｅｇｔ，ｅｓｏｒｎｉｔｈｏａｎｍｕｐｉｔｔＢｒｎｓｆｒｒｒｄｃｉｙ，ｎｌｄｎｅｓｎｉｖｏｔｅｉｉｉｅｗｏｋｗｉｈｓａｙｔｎｎｏｔｅｌｃｌｍｉｉｍｏｎ，ｅｃｏｉａｉｇｏ — ｗａｄｇｎｔｃａｇｒｈｏｔｅＢＰｎｕａｅｗｏｋ，ｏｔｍｉｉｇｔｅｉｉｉｌｎｔｏｋｗｅｇｔ．Ｉｒｅｏｉｐｏｅｔｅａｃｒｃ，ｕｅｔｅＢａ — ｒｅｅｉｌｏｉｍｔｈｅｒｌｎｔｒｔｐｉｚｎｈｎｔｅｗｒｉｈｓｎｏｄｒｔｍｒｖｃｕａｙａｈｓｇｈｇｎｅｈｄｉｔｇａｅｈｅｕｔＴｒｕｈｔｅｓｕａｉｎｅｐｒｍｅｔｏａｌｂ，ｆｕｄｏｔｔｔｂｕｅｅｒｈｎｔｏｌｅＢａｇｎｉｇｍｔｏｎｅｒｔｄｔｅｒｓｌｓｈｏｇｈｉｌｔｘｅｍｏｉｎｎＭｔａｏｎｕｈａｙｏｒｒｓａｃｏｎｙｔｇｉｇｈ

基于深度学习的交通事故预测与分析

基于深度学习的交通事故预测与分析交通事故是当今社会面临的重要问题之一。

每年都有大量的人在交通事故中受伤或丧生，给社会和个人带来巨大的损失。

因此，交通事故的预测与分析变得至关重要。

随着人工智能和深度学习技术的快速发展，基于深度学习的交通事故预测与分析逐渐成为研究的热点。

本文将探讨基于深度学习的交通事故预测与分析的方法和应用，并分析其对交通安全的意义。

一、深度学习在交通事故预测与分析中的应用深度学习作为一种强大的机器学习技术，已经取得了在图像识别、语音识别和自然语言处理等领域的重要突破。

在交通事故预测与分析中，深度学习也具有潜力。

通过深度学习技术，研究人员可以利用大量的历史交通数据进行训练和模型构建，从而预测未来的交通事故风险。

在基于深度学习的交通事故预测与分析中，最常用的方法是卷积神经网络（Convolutional Neural Network，CNN）和递归神经网络（Recurrent Neural Network，RNN）的结合。

卷积神经网络主要用于提取输入数据中的空间特征，而递归神经网络则用于捕捉输入序列数据中的时间特征。

这两种网络的结合使得模型可以同时充分利用交通数据中的空间和时间信息，提高预测准确性。

另外，还有一些基于深度学习的交通事故预测与分析方法利用了循环神经网络的变种，如长短时记忆网络（Long Short-Term Memory，LSTM）和门控循环单元（Gated Recurrent Unit，GRU）。

这些方法通过引入记忆单元和门控机制，可以更好地捕捉输入序列数据中的长期依赖关系，进一步提高预测的准确性。

二、基于深度学习的交通事故预测与分析的意义基于深度学习的交通事故预测与分析对于交通安全有着重要的意义。

首先，通过事故预测，交通管理者可以根据预测结果采取针对性的措施，及时调整交通流量和路况，以减少事故发生的可能性。

这样可以有效提高道路的通行效率和交通运输的安全性。

其次，深度学习的交通事故预测与分析还可以帮助交通管理者优化交通规划。

基于深度学习的高速公路交通事件检测与预测系统设计

基于深度学习的高速公路交通事件检测与预测系统设计高速公路交通事故是严重影响公共安全和交通畅通的重要因素之一。

为了有效地检测和预测高速公路交通事件，深度学习技术提供了一种强大的方法。

本文将介绍基于深度学习的高速公路交通事件检测与预测系统的设计。

一、引言在现代社会，随着车辆数量的快速增长和道路系统的不断扩展，高速公路交通事件的发生频率也在增加。

这些交通事件包括车辆事故、交通堵塞、行车违法等。

因此，开发一种能够及时检测和预测高速公路交通事件的系统非常重要，可以提高交通安全性和减少交通拥堵。

二、相关工作综述在过去几十年里，许多研究人员针对交通事件检测和预测问题进行了广泛的研究。

传统的方法主要依赖于基于规则的算法和浅层机器学习方法，如支持向量机和随机森林。

这些方法在一定程度上可以实现交通事件的检测和预测，但是由于对特征工程的局限性以及模型的复杂性，其效果受到限制。

三、深度学习技术在交通事件检测与预测中的应用近年来，深度学习技术的发展为解决交通事件检测与预测问题提供了新的途径。

深度学习技术可以自动地学习和提取特征，不需要进行复杂的特征工程。

同时，深度学习模型具有强大的非线性建模能力，可以更好地捕捉交通数据中的复杂关系。

以下是一些常用的深度学习模型在交通事件检测与预测中的应用：1. 卷积神经网络（CNN）：CNN在图像识别领域具有卓越的性能，在交通事件检测中也得到了广泛应用。

通过对交通摄像头拍摄的图像进行处理，CNN可以识别出交通事故或违规行为。

2. 长短期记忆网络（LSTM）：LSTM是一种适用于序列数据建模的循环神经网络。

在交通事件检测中，LSTM可以对历史交通数据进行建模，从而预测未来的交通事件。

例如，可以使用历史的交通流量数据来预测未来的交通拥堵情况。

3. 生成对抗网络（GAN）：GAN是一种由生成器和判别器组成的对抗性模型。

在交通事件检测中，可以使用GAN来生成合成的交通数据，从而增加训练样本的多样性和数量。

基于Boosting算法和RBF神经网络的交通事件检测

ＤＡＮＧｈｎ－ｉｇＣａｇｑｎ，ＺＨＡＮＧＪｎ－ｕ，ＳｉｇｈｉＨＥＮＺｉｕｎｈ－ａｙ（ｅａｔｅｔｎｒａｉｎＥｇｎｅｉ，ＴｎｓａｏｅｅａｇｈｎＨｂｉ６００Ｃｉ）ＤｐｒｎｏｆｍｔｎｉｅｒｇａｇｈｎＣｌｇ，Ｔｎｓａｅｅ０３２，ｈｎｍ２ｆＩｏｏｎｌａ
维普资讯
第２７卷第１２期
２００７年１月２
文章编号：０１９８（０７１３００１０ — ０１２０）２— １５— ３
计算机应用
ＣｏｍｐｕｅｐｉａｉｎｔｒＡｐｌｃｔｏｓ
Ｖｏ．７Ｎｏ１１２．２Ｄｅ．２０ｅ０７
ＡｂｔａｔｅｔｏａｒｐｓｄｆｒｔｆｃｉｃｄｎｓｄｔｃｉｎｂｅｎＢｏｔｇＢＦｎｕａｅｗｒ．Ｔｅｓｒｃ：ＡｎｗｍｅｈｄｗｓｐｏｏｅｏｒｉｎｉｅｔｅｅｔａｄｏｏｓｉＲｅｒｌｎｔｏｋａｏｓｎｈｉｒｖｄＢｏｔｄｐｅｅｔｏｔｃｕｒｐｒｍｅｅｓａｄｔｅｗｉｈｅａａｅｅｆｗｅｋｌｓｉｅｗｒｍｐｏｅｏｓｉａｏｔｄａｎｗｍｅｈｇｎｄｏａｑｉｅａａｔｒ，ｎｈｅｇｔｄｐｍｔｒｏａｃａｓｆｒｅｅｒｓｉｓｄｔｒｎｄｎｔｎｙｂｈｒｏａｅ，ｂｔａｓｙｔｅｒａｉｔｓｔｅｏｎｚｈｏｉｖａｐｅ．ＴｅｆａｕｅｆｆｗａｄｅｅｍｉｅｏｌｙｔｅｅｒｒｒｔｓｕｏｂｈｉｂｌｉｏｒｃｇｉｅｔｅｐｓｔｅｓｏｌｉｅｉｍｌｓｈｅｔｒｓｏｏｎｌｏｃｐｎｙｒｔｒｘｒｃｅｒｍｒｆｃｉｃｄｎｓｈｎＲＢＦｎｕａｅｒａｓｄｔｌｓｉｈｒｆｃｉｃｄｎｓｎｃｕａｃａｅｗｅｅｔａｔｄｆｅｏｔｉｎｉｅｔ．ＴｅａｅｒｎｔｋＷｕｅｏｃａｓｆｔｅｔａｉｎｉｅｔ．ＩｌｗｏｓｙｏｄｒｔｍｐｏｅｔｅｐｅｉｉｎｏｅＲＢｅｒｅｏｋｆｒｔａｉｉｃｄｎｓｄｔｃｉｎＢｏｔｇａｇｒｔｍｓｓｄｔｕｌｒｅｏｉｒｖｈｒｃｓｏｆｔＦｎｕａｎｔｒｒｆｃｎｉｅｔｅｅｔ，ｏｓｉｏｉｈｌｗｏｏｎｌｈＷａｕｅｏｂｉｄａｎｅｒｔｎｎｕａｅｗｏｋｎｉｔｇａｏ・ｅｒｎｔｒ．ＦｎｌｉｌｔｎｕｉｇＭａｌｂＷａａｒｅｕ，ａｄｔｅｒｓｔｓｏｈｔｔｉｇｒｈＣｉｌｉａｙａｓｍｕａｉｓｎｔｓｃｒｉｄｏｔｎｈｕｓｈｗｔａｈｓａｏｔｍａｌｏａｅｌｌｉｎｄｔｃｎｉｅｔａｉｌｙｕｉｇａｆｗｓｍｐｅ，ｅｅｔｉｃｄｎｓｒｐｄｙｂｓｎｅａｌｓＫｅｒｓｒａｉｎｉｅｔｅｅｔｎｙＷＯｄ：ｔｇｃｉｃｄｎｓｄｔｃｉ；Ｂｏｓｉｇｍｅｈ；ＲＢｅｒｅｗｏｋｏｏｔｔｏｎｄＦｎｕａｎｔｒｌ

基于boosting算法的交通事件检测

Ｋｅｒｓ：ｔａｃｉｃｄｎｅｅｔｎ；ｇｎｔｌｏｔｍ；ｂｏｔｎｇｒｔｍ；ｆｚｙｃａｓｆｒｙｗｏｄｒ伍ｎｉｅｔｄｔｃｉｓｏｅｅｉａｇｒｈｃｉｏｓｇａｏｈｉｌｉｕｚｌｓｉｅｉ
ｈｖｉｌｔｄｗｉｔｌｂａｏｎｄｏｔｔｔｔｅａｇｒｔｍａｅｅｔｉｃｄｎｓｆｅｙｕｉｅｓｍｐｅａｅｓｍｕａｅｔＭａａｎｄｆｕｕｈａｈｌｏｈＣｈｉｎｄｔｃｎｉｅｔｅｔｓｎｇａｆｗａｌｓ．ｌｌ
ＣＬＣｍｂｒ：ｎｕｅＩ４１Ｊ９Ｄｏｕｍｅｏｃｎｔｃｄｅ：Ａ
０引
言
如驾驶员使用电话亭或蜂窝电话、路巡逻队、公闭路电视等．自动检测算法则基于交通流参数变化来而
检测交通事件．过自动化设备检测道路交通流通
中图分类号：Ｕ９４１文献标志码：Ａ
ＴｒｆｃＩｃｄｎｓＤｅｅｔｎＢａｅｎＢｏｓｉｇＭｅｈｄａｆｎｉｅｔｔｃｉｓｄｏｏｔｎｉｏｔｏ
ＳＵＮ，ＬａｍｉｏＸｉＩＸｉ— ａ
基于ｂｏｔｇ法的交通事件检测ｏｓｎ算ｉ
孙熙，李夏苗
（中南大学交通运输工程学院，沙４０７）长１０５
摘要：提出一种新颖的基于ｂｏｉｇ模糊分类的交通事件检测方法．该方法利用ｏｓｎｔ

基于CNN和Bagging集成的交通标志识别

基于CNN和Bagging集成的交通标志识别
田晟;宋霖
【期刊名称】《广西师范大学学报:自然科学版》
【年(卷),期】2022(40)4
【摘要】针对直接集成简单分类器对交通标志数据库进行识别出现的类别预测效果较差的问题,提出一种基于卷积神经网络(CNN)和Bagging集成学习的交通标志识别算法,采用爬虫和图像增强技术实现交通标志数据集的扩充,以CNN网络提取交通标志图像的特征,通过采用最大池化层实现图像数据下采样,采用较浅的网络深度以简化整体网络结构。

在CNN网络特征提取的基础上,利用软投票机制对多项Logistic、K近邻、SVM个体学习器进行集成,实现较准确的交通标志识别。

实验结果表明,该算法在TSRD交通标志识别数据库测试集上的识别准确率达到了93.00%,相对于未改进的卷积神经网络模型识别准确率提高了11.99个百分点,并较高于通过VGG16和ResNet50迁移学习实现的识别准确率,具有较快的收敛速度。

【总页数】12页(P35-46)
【作者】田晟;宋霖
【作者单位】华南理工大学土木与交通学院
【正文语种】中文
【中图分类】U463.6;TP391.41
【相关文献】
1.基于感兴趣区域的CNN-Squeeze交通标志图像识别
2.基于CNN和SVM融合的交通标志识别
3.基于Mask R-CNN的无人机影像路面交通标志检测与识别
4.基于CNN算法的交通标志检测与识别
5.基于改进Cascade R-CNN的交通标志牌识别
因版权原因，仅展示原文概要，查看原文内容请购买。

基于BP神经网络的城市道路交通事件检测

基于BP神经网络的城市道路交通事件检测作者：***来源：《现代信息科技》2020年第13期摘要：通过交通流模型研究了城市道路交通拥挤对交通参数的影响，以交通异常事件检测为研究目标，从交通拥挤对于交通出行的影响出发;参考BP神经网络的全局逼近特点，使用NARMA模型改进的BP神经网络算法进行交通异常事件检测的研究;使用MATLAB进行了仿真验证了网络的性能，结果表明NARMA模型改进的交通事件检测的误报率为1.54%、检测率为96.92%、平均检测时间为0.42 min，可有效地反映交通事件发生的本质特征。

关键词：BP神经网络;城市道路;交通异常;事件检测中图分类号：U495;TP183 文献标识码：A 文章编号：2096-4706（2020）13-0061-04Abstract：This paper studies the impact of urban road traffic congestion on traffic parameters through traffic flow model，and takes the detection of traffic abnormal events as the research object，starting from the impact of traffic congestion on traffic travel;referring to the global approximation characteristics of BP neural network，this paper uses the improved BP neural network algorithm of NARMA model to detect traffic abnormal events;the performance of the network is verified by MATLAB simulation. The results show that the false alarm rate of traffic incident detection improved by NARMA model is 1.54%，the detection rate is 96.92%，and the average detection time is 0.42 min，which can effectively reflect the essential characteristics of traffic events.Keywords：BP neural network;urban road;traffic anomaly;event detection0 引言智能交通系统（ITS）是依托现代科技发展而来实现交通管理和规划的重要技术。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

第２７卷第１期
２１００年１月
计算机应用与软件
ＣｏｐｔｒＡｐｌｃｔｏｓａｄＳｆｗａｅｍｕｅｐｉａｉｎｎｏｔｒ
Ｖｏ．７Ｎｏ１２．１
Ｊｎ２０ａ．０１
基于Ｂｇｉｇ算法和遗传神经网络的交通事件检测ａｇｎ
ｐｏｅｔｅｃａｓｆｉｇａｉｔｆｔｅＲｅｒｎｔｒ，ａｇｎｌｏｉｍｉｕｅｏｂｉｌｉｔｇａｉｎｎｕａｅｗｏｋＴｒｕｈｔｅｓｍｕａｒｖｈｌｓｉｎｂｌｙｏＢＦｎｕ￣ｅｗｏｋＢｇｉｇａｇｒｔｓｓｄｔｕｌａｌｎｅｒｔｅｒｌｎｔｒ．ｈｏｇｈｉｌ— ｙｉｈｈｄｏ
ＴＲＡＦＩＮＣＩＮＴＤＥＴＥＣＴＩＦＣＩＤＥｏＮＢＡＳＥＤｏＮＢＡＧＧＩＮＧＥＭＴＨｏＤＡＮＤ
ＧＥＮＥＴＩＮＥＵＲＡＬＣＮＥＴＷｏＲＫ
ＺｈｎｂｎｕＨｏｇｉ
（ｏｅｅｏｏｐｔｎｎｒａｉｎｉｅｒｇＬｓｕＵｉｒｔ，ｉｕ２００，ｈｊｎＣｉａＣｌｇＣｍｕｒｄＩｏｍｔｎＥｇｎｅｎ，ｉｉｎｖｓｙＬｈｉ３０Ｚｅａｇ，ｈｎ）ｌｆｅａｆｏｉｈｅｉｓ３ｉ
朱红斌
（丽水学院计算机与信息工程学院浙江丽水３３０）２００
摘பைடு நூலகம்
要
提出一种集成遗传神经网络的交通事件检测方法，以上下游的流量和占有率作为特征，ＢＲＦ神经网络作为分类器进行
交通事件的自动分类与检测。在ＲＦ神经网络的训练过程中，Ｂ采用遗传算法ＧＧｎｔｌｒｈ对ＲＦ神经网络的隐层中心值Ａ（ｅｅｃＡｇｉｍ）ｉｏｔＢ和宽度进行优化，用递推最小Ｓ乘法训练隐层和输出层之间的权值。为了提高神经网络的分类能力，－采用Ｂｇｉｇ法，ａｇ算ｎ进行网络集成。通过Ｍｔｂ仿真实验，ａｌａ证明该方法相对于传统的事件检测算法能更准确、快速地实现分类。关键词Ｂｇｉｇ算法交通事件检测ＲＦ神经网络ａｇｎＢ遗传算法
存的法则，问题空间进行全局并行的、在随机的搜索优化，使得
ＡｂｔａｔｓｒｃＡｍｅｈｄｂｓｄｏｎｅｒｔｄＲＢｅｒｌｎｔｏｋｉｐｏｏｅｏｒｆｃｉｃｄｎｓｄｔｃｉｎＴｋｎｈｐｔａｎｏｎｔｏａｅｎｉｔｇａｅＦｎｕａｅｗｒｓｒｐｓｄｆｒｔｆｎｉｅｔｅｅｔ．ａｉｇｔｅｕｓｒｍａｄｄｗ－ａｉｏｅ
ｓｒａｆｗｎｃｕａｃａｅａｈｅｔｒｓＲＢｅｒｌｎｔｏｋｉｓｄａｌｓｉｅｕｏｔａｌｌｓｉｎｅｅｔｈｒｆｃｉｃ－ｔｍｏｓａｄｏｃｐｎｙｒｔｓｔｅｆａｕｅ，ＦｎｕａｅｗｒｓｕｅｓａｃａｓｒｔａｔｍａｉｌｃａｓｆａｄｄｔｃｅｔａｆｎｉｅｌｉｆｏｃｙｙｔｉｄｎｓＴｅｇｎｔｌｏｔｍｉｓｄｔｐｉｚｈｉｄｎｌｙｒｃｎｒＳｖｌｅａｄｗｉｔｆＲＢｅｒｌｎｔｒｎｈｅｕｓｖｅｓｅｔ．ｈｅｅｉａｇｒｈｓｕｅｏｏｔｅｔｅｈｄｅａｅｅｔｃｉｍｉｅ’ ａｕｎｄｈｏＦｎｕａｅｗｏｋａｄｔｅｒｅｒｉｅｌａｔｓｕｒｔｏｓｕｅｏｔｉｈｅｇｔｅｗｅｎｈｄｅａｅｎｕｐｔａｅｕｎｅｔｉｉｇｏｅＲＢｅｒｌｎｔｒ．ｎｏｄｒｔｉｑａｅｍｅｈｄｉｓｄｔａｎｔｅｗＪｈｓｂｔｅｉｄｎｌｙｒａｄｏｔｕｙｒｄｒｇｔｒｎｎｆｔＦｎｕａｅｗｏｋＩｒｅｍ— ｒｌｌｉｈａｈｏ
ｔｎｅｐｒｍｅｔｎＭａｌｂｗｕｄｏｔｈｔｈｌｏｉｍａｃｉｖｒｃｕａｅａｄｆｓｃａｓｆａｉｎｔａａｉｏａｉｃｄｎｅｅｔｎｉｘｅｉｎｔｅｆｎｕａｔｅａｇｒｈｃｎａｈｅｅａｍｏｅａｃｒｔｎｔｌｓｉｃｔｎｔｄｔｎｌｎｉｅｔｔｃｉｏｏａｏｔｔａｉｏｈｒｉｄｏａｇｒｔｍｓｌｏｈ．ｉＫｅｗｏｄｙｒｓＢａｇｎｔｏＴａｆｃｉｃｄｎｅｅｔｎＲｅｒｌｎｔｏｋＧｅｅｉｌｏｔｍｇｉｇｍｅｈｄｒｆｎｉｅｔｔｃｉＢＦｎｕａｅｗｒｉｄｏｎｔａｇｒｈｃｉ