基于固定检测器的BIL—LSVM移动瓶颈自动判别模型研究  

作　　者：刘艳忠 

机构地区：[1]河南省城乡规划设计研究总院有限公司,郑州450044 [2]河南省城市交通规划研究中心,郑州450044

出　　处：《低碳世界》2015年第27期246-247,共2页Low Carbon World

摘　　要：依据固定检测器数据采集的特点和交通流特性，选取速度、时间占有率、流量、流量差与速度差之积等四个参数为交通状态的特征向量，构建批处理增量学习的Lagrange支持向量机的移动瓶颈发生判别算法。试验表明，相对于加利福尼亚算法、McMaster算法、模糊数学算法等经典判别算法和神经网络算法、支持向量机算法等人工智能算法，批处理增量学习的Lagrange支持向量机模型对移动瓶颈判断的有效性和可移植性等效果均有明显提高。

关 键 词：批处理增量学习的Lagrange支持向量机 移动瓶颈 固定检测器 自动判别 

分 类 号：U491[交通运输工程—交通运输规划与管理]