基于 ACO-SVM 的交通状态分类精度研究

来源：计算机技术与发展杂志2020年第07期北京时间：

作者：运杰伦;郭元术;林欣欣

摘要：随着道路里程不断增加,机动车辆成为了主要的交通方式。 为了满足机动车更好的行驶和道路的最大化利用,首先运用现阶段的车联网大数据等高科技来获取交通流数据,对错误的数据进行删除、丢失少量数据忽略不计,得到有效的数据,并进行融合处理;其次,先用单一的支持向量机对道路交通状态进行分类识别,同时用蚁群算法对支持向量机中的各参数进行最终寻优,得到 ACO-SVM 状态分类识别融合模型;最后,先用单一的支持向量机对各级别的交通状态的分类精度进行仿真分析计算,结果为 91.33% ,然后用 ACO-SVM 融合模型进行分析计算得到在经过 14 次的迭代时可以找到最优解 c = 6.884, δ= 0.731,将分类精度作为蚁群算法的适应度函数值,最终分类精度比单一 SVM 模型有所提升并达到94.6% 。 仿真分析结果证明了该融合模型的有效性。

关键词：蚁群算法;SVM;融合算法;状态识别;路径优化