基于车辆构成和特征提取的交通状态预估模型

• 作者: 佘颢 王青松 谢兴生
• 来源期刊: 测控技术
• 学科: 工学
• 关键词: 智能交通 CNN-SVM 深度学习 交通状态预估
• 年，卷（期）: 2019,（5）
• 所属期刊栏目: 先进算法与人工智能
• 页码范围: 36-39,52
• 页数: 5页
• 分类号: TP399
• 字数: 3749字
• 语种: 中文
• DOI: 10.19708/j.ckjs.2019.05.008

摘要

准确的交通状态预估有利于车辆选择合理交通路线,缓解交通拥堵状态.针对传统方法特征提取不充分、预估准确度依赖于监测器精度等问题,提出了一种基于车辆构成和特征提取的交通状态预估模型.该模型以速度、流量、占用率和大型车辆比重为输入,将交通状态分成畅通、拥挤和拥堵三种状态,结合时间空间维度来预估交通状态.通过卷积神经网络(Convolutional Neural Network,CNN)提取交通拥堵特征,得到的特征输入支持向量机(Support Vector Machine,SVM)进行交通状态预估.实验表明,考虑车辆构成比忽略车辆构成准确率提高1.12％,CNN-SVM模型预估准确度比CNN模型提升2.25％,是一种有效的交通状态预估模型.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王青松	中国科学技术大学信息科学技术学院	50	579	12.0	23.0
2	谢兴生	中国科学技术大学信息科学技术学院	16	76	6.0	8.0
3	佘颢	中国科学技术大学信息科学技术学院	2	6	1.0	2.0