基于SVM的数据层多源ITS数据融合方法初探

交通运输系统工程与信息 ›› 2007, Vol. 7 ›› Issue (2): 32-338 .

• 智能交通系统与信息技术 • 上一篇下一篇

基于SVM的数据层多源ITS数据融合方法初探

赵娜乐¹，于雷^1,2，耿彦斌³，陈旭梅¹

1 北京交通大学交通运输学院，北京100044；2 德克萨斯南方大学美国休斯顿，77004；3交通部规划研究院交通仿真与决策支持研究中心，北京 100029

收稿日期:2006-07-13 修回日期:1900-01-01 出版日期:2007-04-20 发布日期:2007-04-20

AN SUPPORT VECTOR MACHINE-BASED APPROACH TO DATA-LAYER MULTI-SOURCE ITS DATA FUSION

ZHAO Na-le¹, YU Lei^{1, 2}, GENG Yan-bin³ , CHEN Xu-mei¹

1 School of Traffic and Transportation, Beijing Jiaotong University, Beijing 100044;
2 Texas Southern University, Houston, TX 77004, U.S.A;
3 Decision Support Research Center, Transportation Planning and Research Institute, Ministry of Communications, Beijing 100044

Received:2006-07-13 Revised:1900-01-01 Online:2007-04-20 Published:2007-04-20

摘要/Abstract

摘要： 在阐明ITS数据融合的意义及层次性的基础上，分析了数据层多源ITS数据融合及支持向量机的特点，根据支持向量机（SVM）的原理设计了利用支持向量机进行多源ITS数据融合的思路，并从支持向量机训练、训练结果评价以及支持向量机测试三个方面提出了该思路的实现步骤。在对日本阪神公路上堺入口的二源交通流数据进行支持向量机融合后，比较融合前后的数据，证明所提出的基于支持向量机技术的数据层多源ITS数据融合方法能够有效地进行数据质量控制，提高数据的精确度。

关键词: 支持向量机（SVM）, 数据层, 多源ITS数据, 数据融合

Abstract: Through a characteristics analysis of multi-sources ITS data fusion on data layer and support vector machine, this paper proposes a multi-sources ITS data fusion approach using support vector machine on the basis of theory of support vector machine (SVM), and designs implementation processes of this approach from support vector machine training, training result evaluation, and support vector machine test. The comparison of data for before and after support vector machine fusion, when applying to two-source traffic flow data from BanShen highway ShangJie on-ramp in Japan, demonstrates that the proposed fusion approach can process the data quality control effectively, which improves the level of the data accuracy.

Key words: Support Vector Machine (SVM), Data Layer, Multi-source ITS Data, Data Fusion

赵娜乐,于雷, 耿彦斌,陈旭梅. 基于SVM的数据层多源ITS数据融合方法初探[J]. 交通运输系统工程与信息, 2007, 7(2): 32-338 .

ZHAO Na-le, YU Lei, GENG Yan-bin, CHEN Xu-mei. AN SUPPORT VECTOR MACHINE-BASED APPROACH TO DATA-LAYER MULTI-SOURCE ITS DATA FUSION[J]. Journal of Transportation Systems Engineering and Information Technology, 2007, 7(2): 32-338 .

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract17497.shtml

http://www.tseit.org.cn/CN/Y2007/V7/I2/32

参考文献

[1] 耿彦斌，于雷，赵慧．ITS数据质量控制技术及应用研究[J]．中国安全科学学报，2005,15(1)：82-87．
Geng, Y, L. Yu, and H. Zhao．ITS Data Quality Control Techniques and Applications [J]．China Safety Science Journal, 2005, 15(1): 82-87．
[2] 汪海渊，朱彦东等．数据融合技术及其在交通领域中的应用[J]．交通与计算机，2001,19：42-45．
Wang H., Y. Zhu, D. Yang．Data Fusion Technique and Its Application in the Field of Transportation [J]．Computer and Communications, 2001, 19: 42-45．
[3] 赵慧．智能交通数据采集与融合技术研究[D]．北京交通大学，2004．
Zhao Hui. Data Collection and Fusion Techniques for Intelligent Transportation Systems [D]．Bachelor’s Thesis of Beijing Jiaotong University, 2004．
[4] 刘庆平．神经网络与支持向量机学习算法的理论及仿真研究[D]．燕山大学硕士论文，2003．
Liu, Q．A Study on Theory and Simulation of Neural Network and Support Vector Machine Learning Methods [D]．Master’s Thesis of Yanshan University, 2003．
[5] 张浩然，汪晓东．支持向量机的学习方法综述[J]．浙江师范大学学报（自然科学版），2005,28(3)：283-287．
Zhang, H and X. Wang．A Review of Support Vector Machine Learning Algorithms [J]．Journal of Zhejiang Normal University (Nat. Sci.), 2005, 28(3): 283-288．
[6] Casasent, D, and Y. C. Wang．Automatic Target Recognition Using New Support Vector Machine．Proceedings of The International Joint Conference on Neural Networks (IJCNN), 2005, VOLS 1-5: 84-89．
[7] Trafalis, T. B., and R. C. Gilbert．Maximum Margin Classifiers With Noisy Data: A Robust Optimization Approach. Proceedings of The International Joint Conference on Neural Networks (IJCNN), 2005, VOLS 1-5: 2826-2830．
[8] 刘智勇．智能交通控制理论及其应用[M]．北京：科学出版社，2003．
Liu, Z．Theory and Application of Intelligent Transportation Control [M]．Beijing: Science Press, 2003．
[9] 孙德山，吴今培．一类支持向量机在车辆识别中的应用[J]．交通运输系统工程与信息，2003,3(4):34-37．
Sun, D., and J. Wu．Vehicle Recognition Based on 1-SVM [J]．Journal of Transportation Systems Engineering and Information Technology, 2003,3(4): 34-37．
[10] 王定成．支持向量机回归与控制的研究[D]．中国科学技术大学博士论文，2003．
Wang, D．A Study on Regression and Control of Support Vector Machine [D]．The Dissertation of University of Science and Technology of China, 2003．
[11] 邓乃扬，田英杰．数据挖掘中的新方法——支持向量机[M]．北京：科学出版社，2004：93-132．
Deng, N. and Y. Tian．A New Method of Data Mining—Support Vector Machine [M]．Beijing: Science Press, 2004: 93-132．

[1]	王子甲, 贾慧慧, 朱亚迪, 陈峰. 基于智能卡数据的轨道与公交复合网络通勤方式选择行为研究[J]. 交通运输系统工程与信息, 2022, 22(1): 67-73.
[2]	李欣悦孙云华, 艾云飞. 多类信息对机场出站乘客交通方式选择的影响[J]. 交通运输系统工程与信息, 2021, 21(4): 163-170.
[3]	苏跃江，温惠英，韦清波，吴德馨. 多源数据融合驱动的居民出行特征分析方法[J]. 交通运输系统工程与信息, 2020, 20(5): 56-63.
[4]	徐龙，王力，刘莹，宋国华，李晨旭，翟志强. 基于多源数据的公交车能耗碳排放测算模型[J]. 交通运输系统工程与信息, 2020, 20(3): 174-181.
[5]	刘迎，过秀成，周润瑄，吕方. 基于多源数据融合的干线公交车辆行程时间预测[J]. 交通运输系统工程与信息, 2019, 19(4): 124-129.
[6]	林晓辉，徐建闽. 基于自适应加权平均的路网MFD估测融合方法[J]. 交通运输系统工程与信息, 2018, 18(6): 102-109.
[7]	徐龙，刘莹，张建波，吴克寒. 基于服务水平的公交车能耗评价方法[J]. 交通运输系统工程与信息, 2018, 18(5): 103-110.
[8]	段宗涛，张凯，杨云，倪园园，SAURAB Bajgain. 基于深度CNN-LSTM-ResNet组合模型的出租车需求预测[J]. 交通运输系统工程与信息, 2018, 18(4): 215-223.
[9]	金盛，沈莉潇，贺正冰. 基于多源数据融合的城市道路网络宏观基本图模型[J]. 交通运输系统工程与信息, 2018, 18(2): 108-115.
[10]	李祎承，胡钊政，胡月志，吴华伟. 基于GPS 与图像融合的智能车辆高精度定位算法[J]. 交通运输系统工程与信息, 2017, 17(3): 112-119.
[11]	赵建东，徐菲菲，张琨，白继根. 融合多源数据预测高速公路站间旅行时间[J]. 交通运输系统工程与信息, 2016, 16(1): 52-57.
[12]	闫超, 卢守峰. 基于数据融合技术的线控协调评价研究[J]. 交通运输系统工程与信息, 2011, 11(5): 61-.
[13]	刘晓玲, 贾鹏, 邬珊华, 于滨. 基于多维时空参数的道路短期交通状态预测[J]. 交通运输系统工程与信息, 2011, 11(4): 140-146.
[14]	杨忠振，靳廉洁，王明华. 基于支持向量机的巴拿马型船舶运价指数预测方法[J]. 交通运输系统工程与信息, 2011, 11(3): 50-57.
[15]	沈海燕,冯云梅. 面向路基监测的WSN分簇自适应加权融合算法[J]. 交通运输系统工程与信息, 2010, 10(6): 190-194 .

基于SVM的数据层多源ITS数据融合方法初探

AN SUPPORT VECTOR MACHINE-BASED APPROACH TO DATA-LAYER MULTI-SOURCE ITS DATA FUSION

PDF

可视化

被引次数

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