随着城市道路基础设施的建设，交通拥堵状况越发严重。建立智能交通系统，可以为出行者提供实时精确的交通道路状况，制定最优的出行方案，缓解和改善交通堵塞问题。采用合理的算法精确判别实时交通状况具有重要的应用价值，但智能交通判别中不同方法得到的分类结果不同。国外最先提出的智能交通状况判别算法是California算法[1]，在21世纪初期，支持向量机技术也被应用到智能交通中[2]。巫威眺等[3]运用BP神经网络算法对交通状况进行了判别。李世欣[4]采用集成模糊分类器的方法对交通状况进行了判别，最终分类结果达到97.5%。王春娥[5]在基于数据融合的城市道路交通判别算法中得到了有效的试验结果。本文选取支持向量机的算法，随机选取青岛市道路样本，并对路段单位时段内的交通流量数据进行分析，得到该路段准确的交通实时情况分类，对该路段的智能交通情况进行判别。1交通数据的选取流程采集交通路段内各项交通流参数，获取数据样本；综合采集到的交通流参数信息，对数据样本进行分类，将所有数据划分为畅通、拥挤、拥堵；对已分类的数据进行预处理，排除错分数据，将数据归一化至小区间内，提升数据准确率；将处理后的数据按比例分为训练集和测试集；建立支持向量机模型，选取训练集数据进行训练；训练结束后选取测试集数据进行测试，分析测试结果的正确率。2交通数据的选取及预处理交通拥堵情况一般通过交通流等一系列参数作为判别依据，而判别交通拥堵情况的交通流参数大致分为宏观和微观两类。文章阐述的交通流仅指车流量。宏观参数包含交通流量、平均车速、车道占有率、交通流密度以及排队长度等；微观参数则主要包含车头间距以及车头时距等。通过调查，选用车速、交通量以及道路占有率等3类交通流参数作为判别依据。道路占有率是指在某一特定路段内，车辆长度与该路段总长度的比值。道路占有率示意图如图1所示。10.19301/j.cnki.zncs.2023.05.011.F001图1道路占有率示意图空间占有率：RS=1S∑i=1nsi （1）式中：RS—空间占有率（%）；S—观测路段总长度（m）；Si—第i辆车的长度（m）；n—观测路段内的车辆数（辆）。采集青岛市5条道路2021年3月7日至2021年3月16日，共计9天的道路数据。取每日7∶00~19∶00的交通数据作为样本，检测器每5 min进行一次数据采集，采集到的数据按不同道路分为5组，每组数据包含1 330个样本。前3组数据为普通城市路段数据，后2组数据为城市快速路数据。对数据进行归一化处理，提升仿真结果的精度和后续数据处理时的便利性。归一化公式：y=xi-xmin(xmax-xmin) （2）式中：xi—归一化前的样本值；y—归一化后的样本值；xmin—样本集合中的最小值；xmax—样本集合中的最大值。预处理得到的数据即为最后进行仿真实验的数据，数据样本统计如表1所示。10.19301/j.cnki.zncs.2023.05.011.T001表1数据样本统计样本组第1类第2类第3类第1组529431322第2组583412315第3组571395351第4组813261243第5组767314211个3支持向量机计算支持向量机（Support Vector Machine，SVM）在1995年由俄罗斯统计学家Vladimir Naumovich Vapnik教授首次提出[6-7]，是在统计学理论的基础上，用于解决非线性不可分问题的分类理论。支持向量机是基于统计学习理论的新的、有效的机器学习方法[8]。支持向量机的基本思想为寻找最优分类超平面，将寻找最优线性超平面的算法归结为求解凸规划的问题。目的是在小样本、推广性和模型复杂程度之间找到最佳方案，在模型不太复杂的情况下达到需要的预测精度。支持向量机分类图如图2所示，图2中两条虚线之间的间隙就是最大化的分类间隙。10.19301/j.cnki.zncs.2023.05.011.F002图2支持向量机分类图设输入样本集合由两类样本点组成，若wx+b≥1，则为第1类，f(x)=1；若wx+b1，则为第2类，f(x)=-1。f(x)=∫1,wx+b≥1-1,wx+b1 （3）M=2w （4）求解最大分类间隙，即求解2w最大值。由于w是单调函数，为求导方便，可进行系数变化：max2w→min12w2 （5）由于凸规划问题，不会有局部最优解，因此，需要转化为对偶问题，并进行优化求解。此式的拉格朗日目标函数：L(w,b,a)=12w2-∑i=1nαiyiwTxi+b-1 （6）首先让L关于w，b最小化，分别令L关于w，b的偏导数为0，得到关于原问题的表达式：∂L∂w=0⇒w=∑i=1nαiyixi （7）∂L∂b=0⇒∑i=1nαiyi=0 （8）将两式带入式（6）得到：L(w,b,a)=12∑i=1nαi-12∑i,j=1nαiαjyiyjxiTxj （9）加限制条件后，最终优化式：maxα∑i=1nαi-12∑i,j=1nαiαjyiyjxiTxj （10）s.t. αi≥0,i=1,2,⋯,n∑i=1nαiyi=04仿真结果分析及改进支持向量机为分类3种交通状况，需要建立3个支持向量机模型，用来分类3种不同种类的交通情况。数据需要分为训练集和测试集，支持向量机训练结束后用测试集数据进行测试，得到结果，即分类精确度。技术路线流程如图3所示。10.19301/j.cnki.zncs.2023.05.011.F003图3技术路线流程选取5组数据中的第1组进行仿真，运行编辑完成的程序，测试集的分类正确率仅为56.14%。此时3类交通情况分别对应的分类准确率如图4所示。10.19301/j.cnki.zncs.2023.05.011.F004图4原始详细分类结果分类数据分布如图5所示。由图5可知，多类支持向量机较为准确地找出了分类样本的最优超平面，将3类不同种类的数据进行划分。经过分析和各类尝试后发现，主要影响分类准确度的因素包括数据数量、数据样本中存在错分的情况。建立支持向量机模型时，通过核函数将样本空间映射到高维中，可以大幅提高分类精度，使用不同种类的核函数，会对最后的分类准确率有较大影响。10.19301/j.cnki.zncs.2023.05.011.F005图5分类数据分布针对影响分类结果准确率的原因进行改进，得到最佳的测试结果，第1、2、3类的精度分别为100%、83%、93%。选用其他4组数据分别进行仿真，每次仿真调试出最优结果。统计汇总5组仿真结果如表2所示。10.19301/j.cnki.zncs.2023.05.011.T002表2各组仿真结果样本组仿真分析第1类第2类第3类第1组95.03100.0083.0093.00第2组95.00100.0090.0091.00第3组95.11100.0089.0094.00第4组93.7999.0078.0087.00第5组91.7397.0081.0084.00%由表2可知，用支持向量机算法进行智能交通判别的总体效果良好，该算法适合智能交通状况判别。5结语文章对道路采集数据进行训练，通过支持向量机算法对道路交通情况进行实时判别，包括程序设计、仿真和调试等。科学智能地对交通情况进行分类判别，进而为城市出行人员提供实时准确的路况信息，实现交通诱导，是智能交通中的重要组成部分。