论文部分内容阅读
随着城镇化人口增多,城市机动车数量逐年增长,引发的交通问题已成为政府急需解决的难题。近年来科学家认为智能交通系统(Intelligent Transportation System,ITS)是解决当前城市交通问题最有效的方法,而车流量监测及预测是智能交通系统中一项重要的研究内容,但传统方法准确率低、速度慢。因此,本文立足人工智能技术,在现有深度学习算法基础上提出优化算法实现车流监测及预测功能,主要内容如下:1.深度学习目标检测算法的分析与研究。首先分析深度学习卷积神经网络结构,而后研究分析Faster R-CNN、YOLOv1、YOLOv2及YOLOv3等目标检测算法原理,最后制作车流数据集进行训练,实验结果表明:Faster R-CNN检测每帧约0.12s、YOLO系列约0.025s;YOLOv3召回率与平均精确度均值超99%、YOLOv2均值约92%、Faster R-CNN均值约为90%、YOLOv1平均仅约为72%。2.YOLOv3车流检测算法性能优化。针对YOLOv3密集车辆漏检问题,使用空间金字塔池化特征增强模块优化YOLOv3来获得更加全面的特征信息,得YOLOv3-P1与YOLOv3-P3检测算法。使用车流数据集进行训练,实验结果表明:不同场景及不同天气下,YOLOv3-P1与YOLOv3-P3的召回率、精确率、平均精确度较YOLOv3提高近0.1%,且YOLOv3-P3算法漏检较少。3.车流量统计算法研究。针对单条虚拟检测线仅统计单车道车辆数量问题,提出可同时统计多车道车辆的双检测线匹配法。双检测线匹配法在调整统计区域宽度的同时也判断跟踪当前帧中车辆是否在上一帧完成统计,另外,探究了统计区域宽度及隔帧统计对车流统计的影响,实验结果表明:统计准确率受统计区域宽度与隔帧数影响较大,正常天气下车流统计准确率最高可达100%,且在恶劣天气时车流统计准确率超96%。4.基于LSTM组合车流预测算法研究。针对长短期记忆(Long Short Term Memory,LSTM)循环神经网络、支持向量机(Support Vector Machine,SVM)与线性回归(Linear Regression,LR)等算法车流预测中存在均方根误差(Root Mean Square Error,RMSE)、平均绝对误差(Mean Absolute Error,MAE)与平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)较高问题。首先研究用LSTM做初步预测,然后使用SVM算法再次预测优化,形成LSTM+SVM算法,研究发现该组合算法较SVM算法,RMSE、MAE、MAPE平均约分别减少7.4%、9.5%、9.8%,较LSTM算法,RMSE、MAE、MAPE约分别减少13.4%、10.3、10.1%;接着,将LSTM算法与LR算法进行组合,提出LSTM+LR组合车流预测算法,实验结果表明:该组合预测算法较LR算法,RMSE、MAE、MAPE平均约分别减少5%、6.5%、7.3%,较LSTM算法,RMSE、MAE、MAPE约分别减少11.2%、7.3%、6.8%。综上所述,优化后的YOLOv3算法可提高车辆检测的精度,提出的双检测线匹配法能提升车辆统计的准确率,通过LSTM组合算法可提升车流预测性能。研究成果为车流监测与预测提供了一种新的研究思路及整套可行方案。