張麗莉，韓冰源，唐 震

(東北林業(yè)大學(xué)交通學(xué)院，哈爾濱150040)

目前，智能化模式識別方法已經(jīng)廣泛地應(yīng)用于交通工程領(lǐng)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(tài)的檢測、交通預(yù)測、優(yōu)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(jīng)網(wǎng)絡(luò)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(wǎng)上進行檢索，對2000年至今的300多篇相關(guān)研究文獻的內(nèi)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(shù)量比例統(tǒng)計結(jié)果，如圖1所示。

圖1 模式識別方法應(yīng)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(jīng)網(wǎng)絡(luò)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(yù)測和優(yōu)化控制方面，各種方法的簡要應(yīng)用情況見表1。

1 模式識別方法在道路交通檢測領(lǐng)域的應(yīng)用及改進

目前，模式識別方法在道路交通檢測中的應(yīng)用主要包括交通狀態(tài)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(yīng)用情況簡表Tab.1 Application of pattern recognition

1.1 在交通狀態(tài)檢測領(lǐng)域的應(yīng)用及方法改進

對于交通狀態(tài)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(tài)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(shù)進行多因素模糊模式識別判別交通狀態(tài)，并對深圳某主干道進行了狀態(tài)檢測［1］;王力等將探測車探測的車輛平均速度、擁堵系數(shù)、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(yīng)用多級模糊識別方法進行交通狀態(tài)判別［2］;焦軍彩等根據(jù)流量、速度和占有率，構(gòu)造不用交通流狀態(tài)的隸屬函數(shù)，對高速公路交通流狀態(tài)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(jīng)網(wǎng)絡(luò)方法由于具有良好的非線性影射逼近性能而廣泛地應(yīng)用于交通狀態(tài)的檢測，并在方法上不斷地進行改進和優(yōu)化，從傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)，并針對其收斂慢，精度低的特點，對其進行優(yōu)化，包括將原始數(shù)據(jù)進行小波檢測或進行粗集預(yù)處理，或者改進神經(jīng)網(wǎng)絡(luò)的收斂算法，如RBF神經(jīng)網(wǎng)絡(luò)，自適應(yīng)神經(jīng)網(wǎng)絡(luò)等等，使得檢測程度有了不同程度的提高，具體應(yīng)用見表2。

此外，融合方法應(yīng)用于交通狀態(tài)檢測的研究也日漸增多，該方法將各種模式識別方法的優(yōu)點加以融合，王輝等采用基于模糊聚類的交通流狀態(tài)自適應(yīng)神經(jīng)網(wǎng)絡(luò)模糊推理系統(tǒng)，對交通流狀態(tài)進行檢測［4］;王琪采用BP神經(jīng)網(wǎng)絡(luò)建立模型，獲取交通流參數(shù)的殘差，再用支持向量機良好的分類性能將殘差所預(yù)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(yōu)點［5］。

1.2 在道路交通信息獲取領(lǐng)域的應(yīng)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(jīng)網(wǎng)絡(luò)以及融合算法等。

應(yīng)用模糊識別方法，謝宇等采用特征分離和模糊識別，根據(jù)每類車輛感應(yīng)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(xiàn)了交通時段的自動劃分［8］;應(yīng)用支持向量機方法，劉智平等以高速公路交通流參數(shù)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(xùn)練，從而動態(tài)跟蹤車輛，實現(xiàn)流量、速度和車型的識別［10］。

表2 神經(jīng)網(wǎng)絡(luò)模式識別方法在交通狀態(tài)檢測領(lǐng)域的應(yīng)用Tab.2 Application of NN pattern recognition on traffic state detection

對于神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)作為分類器對提取的特征分類［11］;范必雙在文獻 ［11］的基礎(chǔ)上，采用模糊小波神經(jīng)網(wǎng)絡(luò)進行識別［12］;郭磷等將GGA(遺傳－梯度學(xué)習算法)和RBF神經(jīng)網(wǎng)絡(luò)結(jié)合，用于城市道路交通信息的識別［13］。

應(yīng)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(jù)理論算法結(jié)合，改善了浮動車收集數(shù)據(jù)的精確度問題［14］。楊立才等將模糊聚類與RBF神經(jīng)網(wǎng)絡(luò)算法結(jié)合，融合交通信息［15］。張斌將人工神經(jīng)網(wǎng)絡(luò)的激活函數(shù)由模糊邏輯來實現(xiàn)，用于交通標志識別［16］。李清泉，焦軍彩等應(yīng)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(yōu)化控制領(lǐng)域的應(yīng)用及改進

模式識別在優(yōu)化控制中的應(yīng)用主要包括城市道路的交通信號控制、指揮誘導(dǎo)以及高速公路的優(yōu)化控制等，目前采用的方法以神經(jīng)網(wǎng)絡(luò)方法為主，并在算法上不斷改進，具體應(yīng)用情況見表3。

表3 模式識別方法在道路交通優(yōu)化控制領(lǐng)域的應(yīng)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(lǐng)域的應(yīng)用及改進

交通評價主要包括交通環(huán)境的評價、交通事故安全評價以及服務(wù)質(zhì)量評價。很多學(xué)者將模糊方法、神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于交通評價領(lǐng)域。

張謙等采用模糊識別方法，對城市交通環(huán)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(jīng)網(wǎng)絡(luò)模型，將監(jiān)測點的大氣污染物C/、Nox，TSP濃度以及噪聲等效聲級作為網(wǎng)絡(luò)的樣本輸出，用來評價道路沿線大氣環(huán)境質(zhì)量［20］。樓文高采用BP神經(jīng)網(wǎng)絡(luò)對道路交通環(huán)境質(zhì)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(jīng)網(wǎng)絡(luò)對不同原因的道路交通事故進行了分類評價［22］;顏培欽應(yīng)用RBF神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)的綜合評價方法［24］。陳君等應(yīng)用BP神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)的區(qū)域交通控制效果評價方法［26］。王媛等采用基于神經(jīng)網(wǎng)絡(luò)的模糊綜合評價方法模型對區(qū)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(wù)質(zhì)量評價，邵祖峰將AHP法、ABC法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合用于建立城市公共交通服務(wù)質(zhì)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(wù)質(zhì)量的評價精度［29］。

4 模式識別方法在道路交通預(yù)測領(lǐng)域的應(yīng)用及改進

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

4.1 在交通量預(yù)測領(lǐng)域的應(yīng)用

對于交通量的預(yù)測，目前研究較多的方法主要為神經(jīng)網(wǎng)絡(luò)方法，其基本思想是利用神經(jīng)網(wǎng)絡(luò)的自學(xué)習能力和聯(lián)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(shù)據(jù)的收集和預(yù)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(shù)標準化預(yù)處理技術(shù)等，同時采用現(xiàn)代化的GPS進行數(shù)據(jù)采集，實現(xiàn)在線預(yù)測，大大提高了預(yù)測的精度和可行性。還有學(xué)者在認識到神經(jīng)網(wǎng)絡(luò)方法不足的基礎(chǔ)上，利用支持向量機能夠在小樣本，高維數(shù)，非線性以及局部最小情況下具有出色學(xué)習能力的特點，將其逐步應(yīng)用于交通量的預(yù)測，并不斷改進其核函數(shù)，以提高訓(xùn)練速度和學(xué)習能力。以時間為順序，對交通量預(yù)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(yù)測領(lǐng)域的應(yīng)用Tab.4 Application of pattern recognition method on traffic forecasting

續(xù)表4 模式識別方法在道路交通量預(yù)測領(lǐng)域的應(yīng)用

4.2 在交通事故預(yù)測領(lǐng)域的應(yīng)用

模式識別方法用于交通事故的預(yù)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(yù)測，還可以從道路與事故的數(shù)據(jù)關(guān)系預(yù)測，并可以對交通災(zāi)害進行預(yù)測，可以在很大程度提高預(yù)報率，減少損失，其具體應(yīng)用情況見表5。

表5 模式識別方法在道路交通事故預(yù)測領(lǐng)域的應(yīng)用Tab.5 Application of pattern recognition method on traffic accident forecasting

4.3 在交通需求預(yù)測領(lǐng)域的應(yīng)用

交通需求預(yù)測是交通規(guī)劃的重要組成部分，對交通需求的預(yù)測方法的研究也受到更多學(xué)者和專家的關(guān)注，其預(yù)測的內(nèi)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(xiàn)智能聯(lián)想和記憶，有很多相關(guān)的方法也用于交通需求預(yù)測領(lǐng)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(yù)測領(lǐng)域的應(yīng)用Tab.6 Application of pattern recognition method on traffic demand forecasting

此外，有些學(xué)者也將模式識別方法用于道路交通環(huán)境的預(yù)測，張繼萍等應(yīng)用人工神經(jīng)網(wǎng)絡(luò)進行道路交通噪聲預(yù)測［31］;楊忠振等利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)設(shè)計了映污染物濃度與交通流參數(shù)、氣象參數(shù)和道路空間特征等因素之間數(shù)學(xué)關(guān)系的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)［32］，并進行訓(xùn)練，取得了精度令人滿意的預(yù)測模型。

5 結(jié)束語

隨著機動車保有量的增加，以及人口資源的不協(xié)調(diào)日益顯現(xiàn)，發(fā)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(jīng)在諸多領(lǐng)域不同程度地解決了交通問題?？偨Y(jié)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(shù)的不斷改進上，對于全局控制以及多信息融合的應(yīng)用還不夠廣泛。未來發(fā)展的趨勢應(yīng)更加注重多信息的融合和決策，即解決從數(shù)據(jù)層融合到?jīng)Q策層融合的問題，發(fā)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(tǒng)，并注重大區(qū)域的協(xié)調(diào)優(yōu)化控制，以實現(xiàn)方便，快捷的道路交通系統(tǒng)，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(tài)檢測算法［J］.吉林工程技術(shù)師范學(xué)院學(xué)報，2005，21(3):41－45.

［2］王 力，范耀祖張 海.基于探測車技術(shù)和多級模糊模式識別的道路交通狀態(tài)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(xué)院學(xué)報，2006，19(2):8 －11.

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

［5］王 琪.基于BP神經(jīng)網(wǎng)絡(luò)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(tǒng)中車型分類的模糊模式識別方法［J］.北京理工大學(xué)學(xué)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(yīng)用［J］.鐵路計算機應(yīng)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(yīng)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(xué)學(xué)報，2007(4):96 －101.

［11］許忠仁，王坤明.基于不變矩和神經(jīng)網(wǎng)絡(luò)的交通標志識別方法研究［J］.計算機應(yīng)用研究，2004(3):254－256.

［12］范必雙.基于模糊小波神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)及其在交通信息預(yù)測中的應(yīng)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(jù)理論的交通數(shù)據(jù)融合［J］.中國科學(xué)技術(shù)大學(xué)學(xué)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(wǎng)絡(luò)的交通信息融合算法［J］.山東大學(xué)學(xué)報，2008，38(5):1 －5.

［16］張 斌.基于模糊神經(jīng)網(wǎng)絡(luò)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(tài)分類［J］.吉林大學(xué)學(xué)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(xué)院學(xué)報，2009，22(4):70 －72.

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

［20］袁 玲.基于LVQ神經(jīng)網(wǎng)絡(luò)模型的道路交通大氣環(huán)境質(zhì)量評價［J］.長安大學(xué)學(xué)報，2003，23(5):90 －93.

［21］樓文高.基于BP神經(jīng)網(wǎng)絡(luò)的道路交通環(huán)境影響綜合評價模型［J］.交通環(huán)保，2004，25(3):3 －6.

［22］李電生，劉 凱，趙 闖.SOFM神經(jīng)網(wǎng)絡(luò)在道路交通事故分類評價中的應(yīng)用［J］.中國安全科學(xué)學(xué)報，2005，15(7):88 －92.

［23］顏培欽.基于RBF神經(jīng)網(wǎng)絡(luò)的道路交通事故損失因子模型研究［J］.機電工程技術(shù)，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(jīng)網(wǎng)絡(luò)技術(shù)的道路交通安全評價［J］.重慶交通學(xué)院學(xué)報，2005，24(2):101－105.

［25］陳 君，李聰穎，丁光明.基于BP神經(jīng)網(wǎng)絡(luò)的高速公路交通安全評價［J］.同濟大學(xué)學(xué)報，2008，36(7):928 －932.

［26］于德新，高 鵬，楊兆升.基于遺傳神經(jīng)網(wǎng)絡(luò)的區(qū)域交通控制效果評價［J］.北京工業(yè)大學(xué)學(xué)報，2010，36(4):490 －494.

［27］王 媛，楊兆升，申麗萍，等.基于模糊神經(jīng)網(wǎng)絡(luò)的區(qū)域交通控制效果評價［J］.吉林大學(xué)學(xué)報，2008，38(S2):39 －44.

［28］邵祖峰.城市公共交通服務(wù)質(zhì)量評價神經(jīng)網(wǎng)絡(luò)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(yīng)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(shè)計［J］.林業(yè)機械與木工設(shè)備，2012，40(2):42 －43.

［31］張繼萍，吳碩賢.人工神經(jīng)網(wǎng)絡(luò)在道路交通噪聲預(yù)測中的應(yīng)用［J］.環(huán)境科學(xué)學(xué)報，1998，18(5):471 －477.

［32］楊忠振，崔 叢.基于神經(jīng)網(wǎng)絡(luò)的道路交通污染物濃度預(yù)測［J］.吉林大學(xué)學(xué)報，2007，37(3):705 －708.