基于K近鄰和支持向量機的醉酒駕駛識別方法的對比分析

李振龍，韓建龍，趙曉華，朱明浩，董文會

（北京工業(yè)大學城市交通學院，北京100124）

基于K近鄰和支持向量機的醉酒駕駛識別方法的對比分析

李振龍*，韓建龍，趙曉華，朱明浩，董文會

（北京工業(yè)大學城市交通學院，北京100124）

醉酒駕駛嚴重威脅道路交通安全，對醉酒駕駛進行準確識別意義重大.利用駕駛模擬艙進行駕駛實驗，提取醉酒駕駛和正常駕駛的駕駛行為參數(shù).首先，通過方差分析和均值分析選取方向盤轉(zhuǎn)角作為識別特征，并采用滑動數(shù)據(jù)窗求取方向盤轉(zhuǎn)角均值序列，構建識別特征參數(shù)；然后，分別采用K近鄰(KNN)和支持向量機(SVM)對駕駛狀態(tài)進行識別，得到兩種分類方法在不同道路線形的最高識別準確率及其相對應的最優(yōu)數(shù)據(jù)窗；最后，對兩種分類方法進行了對比分析.結果表明，SVM對醉酒駕駛的識別性能優(yōu)于KNN；數(shù)據(jù)窗對KNN的識別準確率影響顯著，對SVM的識別準確率影響不明顯.

智能交通；醉酒駕駛識別；K近鄰；支持向量機；數(shù)據(jù)窗

1 引言

隨著社會經(jīng)濟的不斷發(fā)展，機動車保有量急劇增長，交通事故越來越多.據(jù)統(tǒng)計，2014年1～2月國內(nèi)生產(chǎn)安全事故發(fā)生130起，其中交通事故89起，占事故總數(shù)的68.46%.交通事故的死亡人數(shù)占總死亡人數(shù)的71.51%，交通事故的受傷人數(shù)占總受傷人數(shù)的88.17%[1].造成人員死亡和重傷的酒后駕駛交通事故占酒后駕駛交通事故總數(shù)的68.5%[2].酒后駕駛對駕駛員本人和社會生命財產(chǎn)安全帶來巨大的威脅.因此，對酒后駕駛進行快速、準確識別意義重大.

目前，酒后駕駛的識別主要分為三類.第一類，基于駕駛員血液酒精濃度的識別.國內(nèi)交通管理部門通過呼氣式酒精檢測儀和血液抽樣來識別駕駛員的駕駛狀態(tài)；Minoru等設計了不接觸的、通過呼出氣的正負電荷來剔除干擾氣體的呼氣酒精檢測器[3]；Huang設計了基于呼出氣的PIC檢測預警系統(tǒng)[4].這類方法存在一個弊端，即當駕駛員處于醉酒狀態(tài)時一般不會主動使用這些裝置，造成不能及時識別駕駛員的狀態(tài).第二類，基于生、心理信號的識別.Kohji等設計了非侵入式的生理傳感器系統(tǒng)，通過測量駕駛員的生理信號，建立基于頻域時間序列分析的傳感器系統(tǒng)，從而來識別酒后駕駛[5]；鄒陽等研究了醉酒者和正常者的腦電信號的樣本熵，證明了醉酒者的樣本熵普遍大于正常者的樣本熵[6]；歐居尚證明了利用飲酒對r腦電波造成的顯著影響判定酒駕是可行的[7].這類方法所采用的設備會對駕駛員的駕駛操作行為產(chǎn)生一定的影響，并且駕駛員的生理信號和心理信號受情緒影響明顯，對駕駛狀態(tài)判別產(chǎn)生影響.第三類，基于圖像處理的識別.利用攝像頭獲取的駕駛員瞳孔信息、方向盤搖擺信息等與正常駕駛狀態(tài)進行比較，從而判斷是否酒后駕駛.Wu等設計了利用攝像頭監(jiān)測駕駛員臉部并與酒精檢測器結合的自動防酒駕系統(tǒng)[8].這類方法受光線影響明顯，而且算法設計復雜，難以實現(xiàn).

針對上述酒后駕駛識別方法存在的不足，本文采用駕駛行為參數(shù)來識別是否醉酒駕駛.首先利用駕駛模擬艙進行駕駛實驗，提取醉酒和正常駕駛狀態(tài)下的駕駛行為參數(shù).通過方差分析和均值分析選取方向盤轉(zhuǎn)角為識別特征.采用滑動數(shù)據(jù)窗求取方向盤轉(zhuǎn)角均值序列，構建識別特征參數(shù)，分別采用K近鄰（KNN）和支持向量機（SVM）對駕駛員的駕駛狀態(tài)進行識別，得到了兩種分類方法在不同道路線形的最高識別準確率及其相對應的最優(yōu)數(shù)據(jù)窗.最后對這兩種分類方法的性能進行了對比分析，并研究了數(shù)據(jù)窗對這兩種分類方法性能的影響.

2 實驗設計

駕駛實驗在駕駛模擬艙進行，實驗招募了25名合格的駕駛員，駕駛員平均年齡25歲（年齡標準差4.1歲），平均駕齡3.6年.實驗中采用北京牛欄山二鍋頭56度白酒作為飲用酒，用礦泉水在實驗中控制駕駛員所飲液體總量.用吹氣式酒精檢測儀測取駕駛員的血液酒精濃度（Blood Alcohol Concentration，BAC）水平[9].本文對駕駛員醉酒駕駛（BAC水平為0.09%）和正常駕駛（BAC水平為0.00%）時的駕駛行為進行研究.

實驗設計了三條駕駛路線，每條路線由三種半徑（200 m、500 m、800 m）的左右兩個轉(zhuǎn)向的彎道和直線道路組成.為減少駕駛員因熟悉路線對數(shù)據(jù)質(zhì)量的影響，每次實驗時駕駛員隨機選擇駕駛路線[9].實驗采集了車輛速度、加速度、偏離中心線距離、加速踏板踩踏深度、制動踏板踩踏深度、方向盤轉(zhuǎn)角等駕駛參數(shù).本文選取的路線為三種半徑的左右兩個轉(zhuǎn)向彎道:200Z（半徑為200 m的左轉(zhuǎn)彎道）、200Y（半徑為200 m的右轉(zhuǎn)彎道）、500Z（半徑為500 m的左轉(zhuǎn)彎道）、500Y（半徑為500 m的右轉(zhuǎn)彎道）、800Z（半徑為800 m的左轉(zhuǎn)彎道）、800Y（半徑為800 m的右轉(zhuǎn)彎道）.

3 特征提取

采用單因素方差分析方法，對實驗采集的六種道路線形的醉酒駕駛和正常駕駛的偏離中心線距離、方向盤轉(zhuǎn)角、制動踏板的踩踏深度、加速踏板的踩踏深度、速度和加速度的標準差分別進行分析，如表1所示.

表1 方差分析結果Table1The results of variance analysis

如表1所示，醉酒駕駛和正常駕駛的方向盤轉(zhuǎn)角標準差在大多數(shù)道路線形都具有顯著性差異.為進一步分析方向盤轉(zhuǎn)角在醉酒駕駛狀態(tài)和正常駕駛狀態(tài)的不同，對所有駕駛員方向盤轉(zhuǎn)角均值的絕對值進行了分析，如圖1所示.

圖1 方向盤轉(zhuǎn)角均值的絕對值Fig.1 The absolute value of the mean of the steering wheel angel

從圖1可以看出，醉酒駕駛方向盤轉(zhuǎn)角均值的絕對值在6種道路線形均大于正常駕駛.綜上分析，本文選取方向盤轉(zhuǎn)角為駕駛狀態(tài)識別特征，采用滑動數(shù)據(jù)窗提取特征參數(shù)，具體步驟如下：

Step 1提取方向盤轉(zhuǎn)角的數(shù)值序列{sw1,sw2,…,swn}；

Step 2給定數(shù)據(jù)窗l(fā),計算方向盤轉(zhuǎn)角均值

Step 3每次向后移動m個數(shù)據(jù)點，計算方向盤轉(zhuǎn)角均值

4 醉酒駕駛識別

4.1 基于KNN的醉酒駕駛識別

4.1.1 KNN分類方法

KNN的分類思想是：給定一個未知樣本，取未知樣本的K個近鄰，這K個近鄰中，多數(shù)樣本的類別屬性就是未知樣本的類別屬性[10].由于KNN分類方法中K值的選擇沒有固定的計算公式，并且K值的大小對識別結果有一定影響.本文通過實驗分析了不同K值對駕駛狀態(tài)識別準確率的影響，如圖2所示，選定K=5.

圖2 K值與識別準確率的關系Fig.2 The relationship between K and the recognition accuracy

4.1.2 基于KNN的醉酒駕駛識別

采用KNN進行醉酒駕駛識別分為以下3步：

Step 1數(shù)據(jù)預處理.

提取駕駛實驗采集的方向盤轉(zhuǎn)角數(shù)據(jù)，采樣點n=600，采用式（3）將數(shù)據(jù)歸一到[-1,1].

Step 2構建樣本集.

給定數(shù)據(jù)窗，求取方向盤轉(zhuǎn)角均值序列，構造識別特征參數(shù)，形成樣本集.合理的選取數(shù)據(jù)窗l(fā)和移動間隔m可以避免有用信息的丟失、提高醉酒駕駛特征參數(shù)的分類能力，本文選取l=10、20、30、40、50、60、100、120、150，m=l.

Step 3分類效果測試.

選取5個醉酒駕駛樣本和5個正常駕駛樣本構成測試樣本集，采用KNN進行識別，得到最優(yōu)數(shù)據(jù)窗（得到最高識別準確率時所對應的數(shù)據(jù)窗，并且在此數(shù)據(jù)窗下特征參數(shù)維數(shù)最多）和最高識別準確率，如圖3所示.?

圖3 KNN識別結果Fig.3 The recognition results of KNN

從圖3可以看出，采用KNN進行識別，平均識別準確率為68.3%，其中在200Z和800Y識別準確率最高（80%）；在絕大多數(shù)的道路線形最優(yōu)數(shù)據(jù)窗為10，在500Y最優(yōu)數(shù)據(jù)窗為20.

4.2 基于SVM的醉酒駕駛識別

支持向量機（Support vector machine，SVM）是Vapnik等人在統(tǒng)計學習理論的基礎上提出的一種模式識別的新方法.SVM通過定義適當?shù)暮撕瘮?shù)將輸入向量映射到高維空間中，然后在高維空間求最優(yōu)分類面[10].由于支持向量機在解決小樣本、非線性及高維模式識別問題中表現(xiàn)出許多優(yōu)勢，而且能夠推廣到非線性回歸等問題中[10]，因此，很多學者對支持向量機進行了研究.本文采用臺灣大學林智仁博士等開發(fā)設計的LIBSVM算法，LIBSVM可以解決分類問題（support vector classification，SVC）、回歸問題（support vector regression，SVR）和分布估計（One-class SVM）等問題[11].LIBSVM提供了線性、多項式、RBF函數(shù)、Sigmod等核函數(shù).

采用式（3）對方向盤轉(zhuǎn)角進行歸一化.在構建訓練模型時，選取的核函數(shù)為RBF函數(shù)：k(x,y)=exp{-g|x-y|^2}，但RBF函數(shù)性能優(yōu)劣跟懲罰系數(shù)C和RBF的系數(shù)g的關系很大[11]，因此采用網(wǎng)格搜索來對C和g尋優(yōu).基于SVM的醉酒駕駛識別流程如圖4所示.

圖4 SVM醉酒駕駛識別流程Fig.4 The drunk driving recognition process of SVM

基于圖4所示識別流程，選用與上述KNN一致的訓練樣本集和測試樣本集，對SVM的識別效果進行測試，結果如圖5所示.

圖5 SVM識別結果Fig.5 The recognition results of SVM

從圖5可以看出，采用SVM的平均識別準確率為81.7%，在800Y識別準確率最高（90%）；最優(yōu)數(shù)據(jù)窗在不同道路線形分布較分散.

4.3 KNN和SVM分類方法對比分析

4.3.1 KNN和SVM分類方法識別效果對比分析

為進一步分析兩種分類方法的識別效果，采用查全率和查準率[12]對兩種分類方法進行對比分析.同時，使用F1測試值來綜合考慮這兩個指標[13].

運用測試樣本集進行測試的實驗結果如表2和圖6所示.

表2 兩種分類方法的分類效果比較Table 2The comparison of the classification effect of the two algorithms

圖6 兩種分類方法的F1值比較Fig.6 The comparison of F1 of the two algorithms

從表2和圖6可知，SVM的識別準確率超過KNN 17.2%，SVM的查全率比KNN高出19.9%，SVM在各個類別處的F1值基本均大于KNN，平均高出18.6%.可見，SVM比KNN在醉酒駕駛識別方面有更好的識別性能.

4.3.2 數(shù)據(jù)窗對KNN和SVM識別準確率的影響

首先采用ANOVA分析了數(shù)據(jù)窗對識別準確率的影響（KNN：F=3.188,p=0.006;SVM：F=0.987,p=0.459），可見數(shù)據(jù)窗對KNN識別準確率產(chǎn)生了顯著影響，對SVM識別準確率的影響不明顯.其次對不同數(shù)據(jù)窗的總體樣本識別準確率的平均值進行分析，如圖7所示.

圖7 數(shù)據(jù)窗對平均識別準確率影響Fig.7 Data length on average recognition accuracy

從圖7可知，l=10時采用KNN的識別準確率的平均值最高，l=100時采用SVM識別準確率的平均值最高，當l＞100時，隨著數(shù)據(jù)窗的增加平均識別準確率逐漸減少趨于穩(wěn)定，這可能是由于數(shù)據(jù)窗的增加導致了部分有用信息的丟失.

5 研究結論

本文采用駕駛模擬艙中采集的醉酒駕駛和正常駕駛的駕駛行為參數(shù)，通過對駕駛行為參數(shù)進行方差分析和均值分析，選取方向盤轉(zhuǎn)角作為識別特征.采用滑動數(shù)據(jù)窗求取方向盤轉(zhuǎn)角均值序列，構建識別特征參數(shù)，采用KNN和SVM這兩種分類方法對駕駛員的駕駛狀態(tài)進行識別，最后對這兩種分類方法進行對比分析，得出結論：

（1）KNN對醉酒駕駛的識別準確率為68.3%，識別效果一般，在絕大多數(shù)的道路線形最優(yōu)數(shù)據(jù)窗為10，方向盤轉(zhuǎn)角的最優(yōu)數(shù)據(jù)窗在不同道路線形分布較集中.

（2）SVM對醉酒駕駛的識別準確率為81.7%，在800Y識別準確率為90%，在不同道路線形方向盤轉(zhuǎn)角的最優(yōu)數(shù)據(jù)窗分布較分散.

（3）SVM在醉酒駕駛識別方面比KNN有更好的識別性能，SVM的F1值平均高出KNN18.6%.

（4）數(shù)據(jù)窗對KNN識別準確率產(chǎn)生了顯著影響，對SVM識別準確率影響不顯著.

（5）l=10時采用KNN識別準確率的平均值最高，l=100時采用SVM識別準確率的平均值最高，當l＞100時，隨著數(shù)據(jù)窗的增加平均識別準確率逐漸減少趨于穩(wěn)定.

綜上所述，SVM分類方法的識別準確率優(yōu)于KNN，但是SVM的最優(yōu)數(shù)據(jù)窗分布分散嚴重，而且在尋找核函數(shù)的最優(yōu)參數(shù)時會消耗很多時間.因此，兩者在醉酒駕駛識別方面各有利弊，在以后的使用過程中應該綜合考慮.

[1]李生才，笑蕾.2014年1-2月國內(nèi)生產(chǎn)安全事故統(tǒng)計分析[J].安全與環(huán)境學報，2014，14(2)：314-316.[LI S C,XIAO L.Statistics of industrial accidents in China during the period from january to february in 2014[J]. Journal of Safety and Environment,2014,14(2):314-316.]

[2]謝娜，張先國，張紅霞,等.酒后駕車道路交通事故流行病學研究[J].法律與醫(yī)學雜志，2004,11(4):296-299.[XIE N,ZHANG X G,ZHANG H X,et al.An epidemiological study of traffic accidents of drinkingdriving[J].Journal of Law and Medical,2004,11(4):296-299.]

[3]Minoru Sakairi,Suzuki Daisuke，Nishimura Ayako,et al. Simultaneous detection of breath-alcohol sensor for preventionofdrunkdriving[J].IEICEElectronics Express，2010，7(6)：467-472.

[4]Huang J Y.The intelligent identification and control systemsofvehiclesdrunkdriving[J].Advanced Materials Research,2014,926-930:1459-1462.

[5]KokjiMurata,EtsunoriFujita,ShigeyukiKojima. Noninvasive biological sensor system for detection of drunk driving[J].IEEE Transactions on Information Technology in Biomedicine，2011,15(1):19-25.

[6]鄒陽,苗奪謙,王登.醉酒者和正常人的腦電的樣本熵研究[J].中國生物醫(yī)學工程學報,2010,29(6):939-942.[ZOU Y,MIAO D Q,WANG D.Research on sample entropy of alcoholic and normal people[J]. Chinese Journal of Biomedical Engineering,2010,29 (6):939-942.]

[7]歐居尚.基于腦電波分析技術的安全駕駛實驗研究[J].西南交通大學學報，2011，46(4)：696-700.[OU J S.Experimental study on safe driving based on electroencephalography[J].JournalofSouthwest Jiaotong University,2011,46(4):696-700.]

[8]WUYC，XIAY，XIE P,et al.The design of an automotive anti-drunk driving system to guarantee theuniquenessofdriver[C].Proceedings-2009 International Conference on Information Engineering and Computer Science,ICIECS 2009.

[9]張興儉.基于駕駛行為個體特征的酒后駕駛狀態(tài)識別方法研究[D].北京:北京工業(yè)大學,2014.[ZHANG X J.Research on the recognition method of drinking driving state based on individual driving behavior[D]. Beijing:Beijing University of Technology,2014.]

[10]孫亮，禹晶.模式識別原理[M].北京：北京工業(yè)大學出版社，2009.[SUN L,YU J.Pattern recognition[M]. Beijing:Beijing University of Technology Press,2009.]

[11]CHANG C C,LIN C J.LIBSVM:A library for support vector machines[J].ACM Transactions on Intelligent Systems and Technology.2011,2(3):1-27.

[12]Fabrizio Sebastiani.Machine learning in automated text categorization[J].ACM Computing Surveys,2002,34(1): 1-47.

[13]李程雄,丁月華,文貴華.SVM-KNN組合改進算法在專利文本分類中的應用[J].計算機工程與應用, 2006,42(20):193-195.[LI C X,DING Y H,WEN G H. Application ofSVM-KNN combination improvement algorithm on patent text classification[J].Computer Engineering and Applications,2006,42(20):193-195.]

投稿須知

本刊為雙月刊，設有決策論壇、綜合交通體系論壇、智能交通系統(tǒng)與信息技術、系統(tǒng)工程理論與方法、案例分析等欄目.

歡迎作者投稿，文章要求：

(1)思想新穎、觀點明確、數(shù)據(jù)真實可靠.文章全文（包括摘要和參考文獻）一般在6 000字以內(nèi)，對有價值的綜述性文章，可8000字左右.

(2)附中英文標題（20字以內(nèi)），中英文標題下分別列出所有作者中英文姓名及工作單位（名稱、所在省市及郵編）.

(3)首頁腳注須分別列出：

②第一作者簡介，包括姓名、出生年、性別、籍貫、職稱（職務）、學位；

③通訊作者的E-mail地址（第一作者為在校學生須由其導師擔任）.

(4)文章最后列出全部作者的姓名、單位、職稱、學位、E-mail地址、手機號碼、通信地址等.

(5)摘要是介紹文章主要內(nèi)容和特色的概括性文字，包括：研究目的、研究方法、研究結果和研究結論等要素.中文摘要控制在250～300字.英文摘要與中文摘要一一對應，英文摘要時態(tài):用一般現(xiàn)在時說明研究目的、敘述研究內(nèi)容、描述結果、得出結論等；用一般過去時描述已做的工作.語態(tài)：被動語態(tài)，不用將來時和完成時.盡量用簡單句.

(6)附5～8個中英文關鍵詞，關鍵詞中不能包含地名，關鍵詞之間用“分號”隔開.第1個關鍵詞建議在如下主詞中選取：綜合交通運輸（integrated transportation）、鐵路運輸（railway transportation）、公路運輸（highway transportation）、水路運輸（waterway transportation）、航空運輸（air transportation）、管道運輸（Pipeline transportation）、城市交通（urbantraffic）、智能交通（intelligent transportation）、系統(tǒng)工程（systems engineering）、信息技術（information technology）、物流工程（logistics Engineering）、交通運輸經(jīng)濟（transportation economy）、交通工程（Traffic Engineering）等；第2個關鍵詞為該文研究成果主詞；第3個關鍵詞為該研究成果所采用的方法主詞；第4個關鍵詞為該文主要研究對象；第5個及以后的關鍵詞為有利于檢索的其他名詞.

(7)正確選用圖、表，能直觀、形象、簡潔地表達正文內(nèi)容.文章中的圖、表應清晰，表號及表題寫在表的上方且居中，圖號及圖題寫在圖下方且居中，所有圖、表的中文標題均須翻譯成英文，并附在中文標題下方.我刊為黑白刊物，請將所有圖改為黑白圖，去掉圖中底色，可以占單欄的圖將寬度調(diào)整為70mm，需要占雙欄的圖將寬度調(diào)整為130mm.圖按規(guī)定大小放在正文后，圖字統(tǒng)一顯示為白體小五號字，中文圖字為宋體，數(shù)字及英文圖字為新羅馬，數(shù)字在千位處空格（如1 500）.同類圖線要統(tǒng)一寬度，坐標線使用0.75磅，圖例線使用1磅.圖中箭頭使用visio中的5號箭頭.請盡量使用visio或excel制圖，并直接將圖片粘貼在正文中，以便編輯部后期加工.

(8)數(shù)學公式應另行居中排版，并對全文公式統(tǒng)一編號.數(shù)學公式中的符號需用公式編輯器進行編輯并區(qū)分大小寫、正斜體和上下角標，以及黑白體.對公式中的符號必須在正文予以說明，且正文中相應的公式符號也必須使用公式編輯器進行編輯.公式中的字體請使用新羅馬.請不要使用word自帶的公式編輯器.

(9)參考文獻盡量引用最新成果，一般在6篇左右，綜述性論文不限.中文參考文獻均須翻譯成英文（作者姓名英譯時，姓在前且所有字母均大寫，名在后并以單/雙大寫字母簡化表示），并附在中文參考文獻后，不用另外標號；英文參考文獻無須變動.所列參考文獻均要求在正文中予以引用.參考文獻的類型以單字母方式標識，其含義為：M(普通圖書)，J(期刊)，C(會議錄)，D(學位論文)，R(報告)，N(報紙)，S(標準)，P(專利)，G(匯編)，DB(數(shù)據(jù)庫)，CP(計算機程序)，EB(電子公告)等.

(10)文章樣例請見“作者投稿系統(tǒng)”中的“模版”.

本刊通過網(wǎng)上投稿（http://www.tseit.org），不接收紙質(zhì)稿件和E-mail投稿，投稿流程：

第一步：請您先在投稿系統(tǒng)中注冊，注冊成功后即可自動進入“作者投稿系統(tǒng)”來上傳稿件.

第二步：登錄后，點擊“我的稿件”下的“我要投稿”，閱讀投稿須知后點擊“繼續(xù)”，閱讀版權轉(zhuǎn)讓協(xié)議后再點擊“繼續(xù)”（投稿時暫不需提交此協(xié)議），然后進入投稿的具體操作.

第三步：如果要查詢稿件的狀態(tài)，請登錄后，點擊“我的稿件”下的“在處理稿”，右欄中將顯示稿件編號、文題、審稿費（目前我刊暫不收取審稿費）、版面費、收稿日期和稿件狀態(tài).

Comparison of Drunk Driving Recognizing Methods Based on KNN and SVM

LI Zhen-long,HAN Jian-long,ZHAO Xiao-hua,ZHU Ming-hao,DONG Wen-hui
（College of Metropolitan Transportation,Beijing University of Technology,Beijing 100124）

Drunk driving is a serious threat to road traffic safety.It is of great significance to identify drunk driving accurately.The drunk driving experiment is conducted in a driving simulator.The driving behavior parameters under the drunk driving and normal driving are collected.The steering wheel angle is selected as the feature based on analysis of variance and analysis of mean.The average sequence of steering wheel angle is calculated using a sliding data window.KNN and SVM are used to identify the driver's state.The optimum data window and the highest recognition accuracy of the two algorithms under different road alignment are obtained.The two classification methods are analyzed.The results show that the recognition performance of the SVM is better than that of the KNN.Data window has a significant effect on the performances of KNN and has no significant effect on the performances of SVM.

intelligent transportation;drunk driving recognizing;KNN;SVM;data window

“交通7+1論壇”第四十次會議合影

“交通7+1論壇”第四十次會議會場

1009-6744（2015）05-0246-06

U491

A

名稱及項目編號（若有基金資助）；

2015-04-28

2015-06-17錄用日期：2015-06-23

李振龍（1976-），男，山西人，副教授，博士. ＊

lzl@bjut.edu.cn