基于AF-SVR的城市快速路多源交通信息融合研究

doi:10.3778/j.issn.1002-8331.1506-0107

计算机工程与应用 ›› 2017, Vol. 53 ›› Issue (5): 266-270.DOI: 10.3778/j.issn.1002-8331.1506-0107

• 工程与应用 • 上一篇

基于AF-SVR的城市快速路多源交通信息融合研究

丁宏飞1，2，秦政1，刘博1，李演洪1

1.西南交通大学交通运输与物流学院，成都 610031
2.四川省交通运输厅公路规划勘察设计研究院，成都 610041

出版日期:2017-03-01 发布日期:2017-03-03

Study on urban expressways’ multi-source traffic data fusion technology based on AF-SVR model

DING Hongfei1，2, QIN Zheng1, LIU Bo1, LI Yanhong1

1.School of Transportation and Logistics, Southwest Jiaotong University, Chengdu 610031, China
2.Highway Planning, Survey, Design and Research Institute, Sichuan Provincial Transport Department, Chengdu 610041, China

Online:2017-03-01 Published:2017-03-03

摘要/Abstract

摘要： 针对单一检测器所得到的交通数据不能够全面准确地反映实际的交通状态，提出一种基于AF-SVR模型的城市快速路多源交通信息融合的方法。首先通过将相同路段中不同检测器的速度数据作为学习样本输入到支持向量机回归模型（Support Vector Regression，SVR）中进行训练。然后利用鱼群算法（Artificial Fish，AF）对支持向量机回归模型中的参数进行优化，获得最优的信息融合模型，用于多源交通信息的融合，输出为能准确反映真实交通状态的速度数据，并用人工采集的速度数据作为真值进行验证。最后将此方法应用于成都市三环快速路路段上的多源交通信息融合，取得了令人满意的结果。

关键词: 多源交通信息, 信息融合, 支持向量机回归, 城市快速路, 鱼群算法

Abstract: Various detectors’ data can not fully reflect actual traffic conditions, each one of them contains limited traffic information, therefore a multi-source traffic data fusion technology of urban express way based on AF-SVR model is proposed in this paper. Firstly, th etraffic data collected by different detectors is used to train the Support Vector Regression（SVR） model. Secondly, the parameters of Support Vector Regression model are calibrated by Artificial Fish（AF） to build optimal model formulti-source traffic data fusion, the output can reflect actual traffic conditions, which is verified by field velocity data. Finally, this multi-source traffic data fusion technology is applied on 3rd Ring Road Expressway in Chengdu, the result of which turns out to be satisfactory.

Key words: multi-source traffic data, data fusion, Support Vector Regression（SVR）, urban expressway, Artificial Fish（AF）

丁宏飞1，2，秦政1，刘博1，李演洪1. 基于AF-SVR的城市快速路多源交通信息融合研究[J]. 计算机工程与应用, 2017, 53(5): 266-270.

DING Hongfei1，2, QIN Zheng1, LIU Bo1, LI Yanhong1. Study on urban expressways’ multi-source traffic data fusion technology based on AF-SVR model[J]. Computer Engineering and Applications, 2017, 53(5): 266-270.

[1]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[2]	刘畅，邱卫根，张立臣. 基于可变形掩膜对齐卷积模型的行人再识别[J]. 计算机工程与应用, 2021, 57(5): 146-152.
[3]	陈坤峰，潘志松，王家宝，施蕾，张锦，焦珊珊. 跨模态行人再识别的协同学习方法[J]. 计算机工程与应用, 2021, 57(12): 115-125.
[4]	张红，程传祺，徐志刚，李建华. 基于深度学习的数据融合方法研究综述[J]. 计算机工程与应用, 2020, 56(24): 1-11.
[5]	杨宇，曾国辉，黄勃. 基于双树复小波包和改进SVM的轴承故障诊断[J]. 计算机工程与应用, 2020, 56(17): 231-235.
[6]	杨泉，孙玉泉. 基于《同义词词林》深度的词义相似度计算研究[J]. 计算机工程与应用, 2020, 56(17): 48-54.
[7]	韩二东. 概率语言术语集多准则决策方法研究进展[J]. 计算机工程与应用, 2020, 56(10): 27-35.
[8]	牛晋财，李茂青，张雁鹏. 基于人工鱼群算法的列车运行调整方法研究[J]. 计算机工程与应用, 2019, 55(7): 259-264.
[9]	阮凯，邱卫根. 多信息融合的深度学习人脸表情识别算法研究[J]. 计算机工程与应用, 2019, 55(5): 192-196.
[10]	李果，马春阳，马建晓. 基于DPCA和改进证据理论的融合式故障诊断[J]. 计算机工程与应用, 2019, 55(20): 197-201.
[11]	邹德龙，王宝华. 一种混合优化算法面向高维函数优化的研究[J]. 计算机工程与应用, 2019, 55(20): 122-127.
[12]	陈金广1，2，王星辉1，2，马丽丽1，2，张馨东1，2，巩林明1，2. 采用分段RTS的CPHD平滑算法[J]. 计算机工程与应用, 2019, 55(1): 50-55.
[13]	姚凌波，戴月明，王艳. 反向自适应高斯变异的人工鱼群算法[J]. 计算机工程与应用, 2018, 54(1): 179-185.
[14]	王家海，陈煜. 数据驱动的Job Shop生产调度知识挖掘及优化[J]. 计算机工程与应用, 2018, 54(1): 264-270.
[15]	崔丽群，黄殿平，宋晓. 基于云模型鱼群算法的多阈值图像分割研究[J]. 计算机工程与应用, 2017, 53(6): 204-208.

基于AF-SVR的城市快速路多源交通信息融合研究

Study on urban expressways’ multi-source traffic data fusion technology based on AF-SVR model

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