智能模式識別方法在道路交通工程中的應用研究

張麗莉，韓冰源，唐 震

(東北林業大學交通學院，哈爾濱150040)

目前，智能化模式識別方法已經廣泛地應用于交通工程領域，包括空中交通、水運交通和道路交通等，涉及到道路交通的主要包括交通狀態的檢測、交通預測、優化控制和交通評價等方面。其中主要的模式識別方法包括模糊識別方法、支持向量機方法、神經網絡方法以及多種模式識別方法的組合即融合方法等。本文以模式識別、交通為檢索詞，在中文期刊網上進行檢索，對2000年至今的300多篇相關研究文獻的內容進行歸納整理和分析，得出了各種模式識別方法在不同時期研究論文的數量比例統計結果，如圖1所示。

圖1 模式識別方法應用于道路交通工程的比例.Fig.1Pr oport ionof int el l igent pat ter nrecognitionmet hodusedonr oadt raf f icengineer ing.

由圖1可見，神經網絡模式識別方法一直占有很大的比例，2004年至今，支持向量機方法和融合方法有上升的趨勢，尤其對于交通預測和優化控制方面，各種方法的簡要應用情況見表1。

1 模式識別方法在道路交通檢測領域的應用及改進

目前，模式識別方法在道路交通檢測中的應用主要包括交通狀態和交通事件的檢測、交通標志信息的識別等。

表1 模式識別方法的應用情況簡表Tab.1 Application of pattern recognition

1.1 在交通狀態檢測領域的應用及方法改進

對于交通狀態的檢測，最早采用的方法是模糊識別方法，該法將影響交通狀態的主要因素用多級模糊隸屬度進行判別，以解決建模中諸多不確定因素的問題，戴紅對使用速度、占有率和信號交叉口平均停車延誤3個參數進行多因素模糊模式識別判別交通狀態，并對深圳某主干道進行了狀態檢測［1］;王力等將探測車探測的車輛平均速度、擁堵系數、停車時間比例、加速度噪聲和平均速度梯度作為交通擁堵表征量，應用多級模糊識別方法進行交通狀態判別［2］;焦軍彩等根據流量、速度和占有率，構造不用交通流狀態的隸屬函數，對高速公路交通流狀態進行檢測［3］。這些方法都比普通建模方法得到了較低的誤報率和較少的檢測時間。

神經網絡方法由于具有良好的非線性影射逼近性能而廣泛地應用于交通狀態的檢測，并在方法上不斷地進行改進和優化，從傳統的BP神經網絡，并針對其收斂慢，精度低的特點，對其進行優化，包括將原始數據進行小波檢測或進行粗集預處理，或者改進神經網絡的收斂算法，如RBF神經網絡，自適應神經網絡等等，使得檢測程度有了不同程度的提高，具體應用見表2。

此外，融合方法應用于交通狀態檢測的研究也日漸增多，該方法將各種模式識別方法的優點加以融合，王輝等采用基于模糊聚類的交通流狀態自適應神經網絡模糊推理系統，對交通流狀態進行檢測［4］;王琪采用BP神經網絡建立模型，獲取交通流參數的殘差，再用支持向量機良好的分類性能將殘差所預示的交通模式予以分類，具有檢測率高，誤報率低以及檢測時間短等優點［5］。

1.2 在道路交通信息獲取領域的應用及方法改進

對于道路交通信息的獲取，目前采用的模式識別方法主要有模糊識別方法、支持向量機方法、神經網絡以及融合算法等。

應用模糊識別方法，謝宇等采用特征分離和模糊識別，根據每類車輛感應曲線的特點，識別車型［6］;林琴等采用層次聚類分析法，對軌道交通車站進行分類識別［7］;楊立才等采用人工免疫聚類算法，實現了交通時段的自動劃分［8］;應用支持向量機方法，劉智平等以高速公路交通流參數為研究對象，建立了基于SVM的信息融合算法［9］;王浩等采集視頻交通流進行處理和分析，用支持向量機進行訓練，從而動態跟蹤車輛，實現流量、速度和車型的識別［10］。

表2 神經網絡模式識別方法在交通狀態檢測領域的應用Tab.2 Application of NN pattern recognition on traffic state detection

對于神經網絡方法，許忠仁等采用不變矩方法提取道路交通標志的特征向量，利用神經網絡作為分類器對提取的特征分類［11］;范必雙在文獻 ［11］的基礎上，采用模糊小波神經網絡進行識別［12］;郭磷等將GGA(遺傳－梯度學習算法)和RBF神經網絡結合，用于城市道路交通信息的識別［13］。

應用融合算法能夠在很大程度上提高交通信息的獲取精度。方廷健等將支持向量機與證據理論算法結合，改善了浮動車收集數據的精確度問題［14］。楊立才等將模糊聚類與RBF神經網絡算法結合，融合交通信息［15］。張斌將人工神經網絡的激活函數由模糊邏輯來實現，用于交通標志識別［16］。李清泉，焦軍彩等應用模糊隸屬度進行評價［17－18］，通過集成SVM修正單純模糊隸屬度的局限性，用于高速公路信息識別等等。

2 模式識別方法在道路交通優化控制領域的應用及改進

模式識別在優化控制中的應用主要包括城市道路的交通信號控制、指揮誘導以及高速公路的優化控制等，目前采用的方法以神經網絡方法為主，并在算法上不斷改進，具體應用情況見表3。

表3 模式識別方法在道路交通優化控制領域的應用Tab.3 Application of pattern recognition method on traffic optimizing control

3 模式識別方法在道路交通評價領域的應用及改進

交通評價主要包括交通環境的評價、交通事故安全評價以及服務質量評價。很多學者將模糊方法、神經網絡方法應用于交通評價領域。

張謙等采用模糊識別方法，對城市交通環境影響作出合理的評價［19］。袁玲采用MATLAB語言編程，建立LVQ神經網絡模型，將監測點的大氣污染物C/、Nox，TSP濃度以及噪聲等效聲級作為網絡的樣本輸出，用來評價道路沿線大氣環境質量［20］。樓文高采用BP神經網絡對道路交通環境質量進行了綜合評價［21］，克服了物元分析等綜合評價方法存在的不確定性。

李電生等采用SOFM(自組織特征映射)神經網絡對不同原因的道路交通事故進行了分類評價［22］;顏培欽應用RBF神經網絡對道路交通事故損失因子進行研究［23］;潘艷榮等提出一種基于灰色聚類理論和神經網絡的綜合評價方法［24］。陳君等應用BP神經網絡評價模型進行高速公路交通安全評價［25］。于德新等提出了基于遺傳神經網絡的區域交通控制效果評價方法［26］。王媛等采用基于神經網絡的模糊綜合評價方法模型對區域交通控制效果進行評價［27］，具有很好的效果。

此外，模式識別方法還用于交通服務質量評價，邵祖峰將AHP法、ABC法與BP神經網絡相結合用于建立城市公共交通服務質量評價模型［28］;馬健霄等建立城市道路交通安全評價體系，從而大幅度地提高了城市公共交通服務質量的評價精度［29］。

4 模式識別方法在道路交通預測領域的應用及改進

模式識別方法在交通量預測領域的應用最為廣泛，這也是智能交通的中的重要理論基礎和方法體系之一，主要包括交通量預測、交通環境預測、交通事故預測以及交通需求預測等，

4.1 在交通量預測領域的應用

對于交通量的預測，目前研究較多的方法主要為神經網絡方法，其基本思想是利用神經網絡的自學習能力和聯想記憶能力，從BP算法到收斂算法的改進，如采用遺傳算法、遞歸算法、集成算法以及徑向基算法等等，同時在原始數據的收集和預處理上也有不同的改進，如采用灰色理論，主成分分析法、模糊理論和混沌理論、偏最小二乘法以及采用S型函數標準化預處理技術等，同時采用現代化的GPS進行數據采集，實現在線預測，大大提高了預測的精度和可行性。還有學者在認識到神經網絡方法不足的基礎上，利用支持向量機能夠在小樣本，高維數，非線性以及局部最小情況下具有出色學習能力的特點，將其逐步應用于交通量的預測，并不斷改進其核函數，以提高訓練速度和學習能力。以時間為順序，對交通量預測方法的改進過程進行歸納整理見表4。

表4 模式識別方法在道路交通量預測領域的應用Tab.4 Application of pattern recognition method on traffic forecasting

續表4 模式識別方法在道路交通量預測領域的應用

4.2 在交通事故預測領域的應用

模式識別方法用于交通事故的預測也是近年來研究的熱點，其不但可以以聲音和頻段等信息進行預測，還可以從道路與事故的數據關系預測，并可以對交通災害進行預測，可以在很大程度提高預報率，減少損失，其具體應用情況見表5。

表5 模式識別方法在道路交通事故預測領域的應用Tab.5 Application of pattern recognition method on traffic accident forecasting

4.3 在交通需求預測領域的應用

交通需求預測是交通規劃的重要組成部分，對交通需求的預測方法的研究也受到更多學者和專家的關注，其預測的內容涉及很多方面，包括能源的需求，交通分配，交通出行，交通分布和劃分等等［30］，模式識別方法能夠在獲取較少樣本的前提下實現智能聯想和記憶，有很多相關的方法也用于交通需求預測領域，取得了很大的進展，見表6。

表6 模式識別方法在道路交通需求預測領域的應用Tab.6 Application of pattern recognition method on traffic demand forecasting

此外，有些學者也將模式識別方法用于道路交通環境的預測，張繼萍等應用人工神經網絡進行道路交通噪聲預測［31］;楊忠振等利用人工神經網絡技術設計了映污染物濃度與交通流參數、氣象參數和道路空間特征等因素之間數學關系的人工神經網絡結構［32］，并進行訓練，取得了精度令人滿意的預測模型。

5 結束語

隨著機動車保有量的增加，以及人口資源的不協調日益顯現，發展智能交通是目前國際上通用的做法，智能模式識別方法已經在諸多領域不同程度地解決了交通問題。總結如上，目前的主要方法集中在一種或兩種模式識別方法以及技術的不斷改進上，對于全局控制以及多信息融合的應用還不夠廣泛。未來發展的趨勢應更加注重多信息的融合和決策，即解決從數據層融合到決策層融合的問題，發展多種信息識別的多種模式識別方法的集成化智能交通模式識別系統，并注重大區域的協調優化控制，以實現方便，快捷的道路交通系統，加快智能化交通的進程。

［1］戴 紅.基于模糊模式識別的城市道路交通狀態檢測算法［J］.吉林工程技術師范學院學報，2005，21(3):41－45.

［2］王 力，范耀祖張 海.基于探測車技術和多級模糊模式識別的道路交通狀態評價方法［J］.公路交通科技，2007，24(9):92 －96.

［3］焦軍彩，唐 健.基于模糊模式識別的高速公路交通事件的自動檢測［J］.常州工學院學報，2006，19(2):8 －11.

［4］王 輝，王孝坤，王 權.一種交通流狀態智能推理系統［J］.系統工程，2007，25(12):7 －13.

［5］王 琪.基于BP神經網絡與支持向量機的高速公路交通模式識別［J］.科技信息，2007，34(3):371 －372.

［6］謝 宇，康景利，董 巍.全國慶智能交通系統中車型分類的模糊模式識別方法［J］.北京理工大學學報，1999，19(2):171 －175.

［7］林 琴，杜彩軍，譚駿珊.聚類分析在城市軌道交通車站分類中的應用［J］.鐵路計算機應用，2006，15(6):4 －7.

［8］楊立才，賈 磊，孔慶杰，等.基于人工免疫算法的交通時段自動劃分方法［J］.控制理論與應用，2006，23(2):193 －198.

［9］劉智平，單 剛.基于支持向量機的交通信息融合算法研究［J］.信息科技，2006(12):99 －100.

［10］王 浩，李元元，琚 旭.基于支持向量機的視頻交通信息采集研究［J］.工程圖學學報，2007(4):96 －101.

［11］許忠仁，王坤明.基于不變矩和神經網絡的交通標志識別方法研究［J］.計算機應用研究，2004(3):254－256.

［12］范必雙.基于模糊小波神經網絡的交通標志識別方法研究［J］.計算機仿真，2005，22(9):201 －204.

［13］郭 磷，方廷健，葉加圣.基于GGA的RBF神經網絡及其在交通信息預測中的應用［J］.模式識別與人工智能，2006，19(6):831－835.

［14］方廷健，葉加圣，孫丙宇.基于最小二乘支持向量機和證據理論的交通數據融合［J］.中國科學技術大學學報，2007，37(6):1500－1504.

［15］楊立才，葉 楊，聶紅濤，劉慧慧，林 潔.基于免疫模糊聚類RBF網絡的交通信息融合算法［J］.山東大學學報，2008，38(5):1 －5.

［16］張 斌.基于模糊神經網絡的交通標志識別方法研究［J］.公路交通科技，2008(6):147－149.

［17］李清泉，高德荃，楊必勝.基于模糊支持向量機的城市道路交通狀態分類［J］.吉林大學學報，2009，39(S2):131 －134.

［18］焦軍彩.基于模糊支持向量機的高速公路交通事件的自動檢測［J］.鹽城工學院學報，2009，22(4):70 －72.

［19］張 謙，汪 波.城市道路交通環境影響評價的模糊模式識別方法［J］.內蒙古科技與經濟 2004，14(S1):118－119.

［20］袁 玲.基于LVQ神經網絡模型的道路交通大氣環境質量評價［J］.長安大學學報，2003，23(5):90 －93.

［21］樓文高.基于BP神經網絡的道路交通環境影響綜合評價模型［J］.交通環保，2004，25(3):3 －6.

［22］李電生，劉 凱，趙 闖.SOFM神經網絡在道路交通事故分類評價中的應用［J］.中國安全科學學報，2005，15(7):88 －92.

［23］顏培欽.基于RBF神經網絡的道路交通事故損失因子模型研究［J］.機電工程技術，2009，38(6):84 －88.

［24］潘艷榮，翟長旭.基于灰色聚類理論和人工神經網絡技術的道路交通安全評價［J］.重慶交通學院學報，2005，24(2):101－105.

［25］陳 君，李聰穎，丁光明.基于BP神經網絡的高速公路交通安全評價［J］.同濟大學學報，2008，36(7):928 －932.

［26］于德新，高 鵬，楊兆升.基于遺傳神經網絡的區域交通控制效果評價［J］.北京工業大學學報，2010，36(4):490 －494.

［27］王 媛，楊兆升，申麗萍，等.基于模糊神經網絡的區域交通控制效果評價［J］.吉林大學學報，2008，38(S2):39 －44.

［28］邵祖峰.城市公共交通服務質量評價神經網絡模型［J］.城市管理與科技，2005(7):178－180.

［29］馬健霄，孫 偉，韓寶睿.城市道路交通安全模糊評價指標體系建立及應用［J］.森林工程，2008，24(1):65 －67.

［30］張 蔓，沙 淼，王妍瑋.基于單片機的移動運送智能車設計［J］.林業機械與木工設備，2012，40(2):42 －43.

［31］張繼萍，吳碩賢.人工神經網絡在道路交通噪聲預測中的應用［J］.環境科學學報，1998，18(5):471 －477.

［32］楊忠振，崔 叢.基于神經網絡的道路交通污染物濃度預測［J］.吉林大學學報，2007，37(3):705 －708.