城市道路状况概率神经网络判别方法

doi:10.3778/j.issn.1002-8331.2009.13.063

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (13): 214-216.DOI: 10.3778/j.issn.1002-8331.2009.13.063

城市道路状况概率神经网络判别方法

郭庚麒^1,2,曹成涛^1,2,徐建闽¹

1.华南理工大学，广州 510640
2.广东交通职业技术学院，广州 510650

收稿日期:2008-12-13 修回日期:2009-02-13 出版日期:2009-05-01 发布日期:2009-05-01
通讯作者: 郭庚麒

Traffic condition recognition based on probability neural network

GUO Geng-qi^1,2,CAO Cheng-tao^1,2,XU Jian-min¹

1.South China University of Technology，Guangzhou 510640，China
2.Guangdong Communication Polytechnic，Guangzhou 510650，China

Received:2008-12-13 Revised:2009-02-13 Online:2009-05-01 Published:2009-05-01
Contact: GUO Geng-qi

摘要/Abstract

摘要： 针对移动交通流检测信息的特点，在分析概率神经网络与Global K-means聚类算法的基础上，提出了一种基于移动交通流检测信息的城市路况概率神经网络判别方法。通过分析路况的相关因素，同时考虑信号控制交叉口红灯对车辆行程时间延误的影响，利用Global K-means算法改进的概率神经网络对探测车采集的实时交通信息进行处理，进而得出城市的道路状况。应用结果表明该方法能够有效地判别和跟踪道路状况的变化，比不考虑交叉口红灯的影响时能够更准确地反映城市道路的路况信息。

关键词: 城市路况, 探测车, 概率神经网络, 智能交通系统信息平台

Abstract: A traffic condition recognition method based on floating car data is proposed by analyzing Probability Neural Network（PNN） and Global K-means algorithm.The related factors of traffic condition and the collection method of floating car data are presented.Considering the influence of traffic control intersection delay to travel time，a probability neural network classifier is designed using Global K-means algorithm and applied to the recognition of traffic condition with floating car data.The experiment results show that the method can recognize traffic condition well，which can reflect traffic condition better than that without considering traffic control intersection delay.

Key words: traffic condition, floating car, probability neural network, Intelligent Transport System（ITS） information platform

郭庚麒^1,2,曹成涛^1,2,徐建闽¹. 城市道路状况概率神经网络判别方法[J]. 计算机工程与应用, 2009, 45(13): 214-216.

GUO Geng-qi^1,2,CAO Cheng-tao^1,2,XU Jian-min¹. Traffic condition recognition based on probability neural network[J]. Computer Engineering and Applications, 2009, 45(13): 214-216.

[1]	鞠维欣1，赵希梅1，2，魏宾2，王国栋1. 深度学习模型GoogleNet-PNN对肝硬化的识别[J]. 计算机工程与应用, 2019, 55(5): 112-117.
[2]	李洋1，高岭1，孙骞2，付志耀1. 基于RSOPNN的无线传感器网络节点故障诊断算法[J]. 计算机工程与应用, 2017, 53(9): 111-116.
[3]	李丹，胡晓光. 基于VxWorks下PNN故障诊断的冗余容错系统[J]. 计算机工程与应用, 2016, 52(15): 13-18.
[4]	王金明，徐玉龙，徐志军，马振. 基于指纹特征融合的通信辐射源个体识别研究[J]. 计算机工程与应用, 2014, 50(19): 217-221.
[5]	周明伟，刘渊. 融合NBC与PNN的网络异常分类[J]. 计算机工程与应用, 2013, 49(17): 89-93.
[6]	许行，杨旭红，卢栋青，张国铎，刘永晓. 基于遗传概率神经网络的变压器励磁涌流识别[J]. 计算机工程与应用, 2013, 49(16): 252-254.
[7]	尚丽1，崔鸣1，杜吉祥2，3. 应用非负矩阵分解和RBPNN模型的掌纹识别方法[J]. 计算机工程与应用, 2012, 48(4): 199-203.
[8]	王怡1，2，郭躬德1，2，孔祥增1，2. 基于数据划分和集成的方法预测信号肽[J]. 计算机工程与应用, 2012, 48(36): 238-244.
[9]	葛平淑1，郭烈2. 参数自调整的月球车路径跟踪模糊控制器设计[J]. 计算机工程与应用, 2012, 48(11): 55-59.
[10]	蒋丰，温建明，冯奇. 概率神经网络在舰艇冲击损伤决策中的应用[J]. 计算机工程与应用, 2011, 47(23): 232-234.
[11]	李春英1，汤志康2，曹元大3. 神经网络集成的城市道路状态判别模型研究[J]. 计算机工程与应用, 2011, 47(15): 225-228.
[12]	崔建国1，3，郑新起1，李忠海1，李跃中2，刘利秋1. 经验模态分解和AR模型在飞行器健康诊断中的应用[J]. 计算机工程与应用, 2011, 47(14): 204-206.
[13]	高全华1，杨富社1，孙锋利2. 一种边界总和最大化的车牌汉字特征融合[J]. 计算机工程与应用, 2011, 47(10): 186-189.
[14]	徐波，程显毅. 改进的概率神经网络的语义区域分类[J]. 计算机工程与应用, 2010, 46(24): 182-184.
[15]	王祥涛，冯燕，吴政. 高光谱数据分类新方法研究[J]. 计算机工程与应用, 2010, 46(10): 153-156.

城市道路状况概率神经网络判别方法

Traffic condition recognition based on probability neural network

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