交通事件检测算法的参数敏感度研究

在交通事件发生条件下,对交通流占有率、车辆占有率、速度3个特性参数进行分析,研究交通参数对于交通事件检测算法的敏感程度。通过TSIS交通仿真软件获得交通流的实时数据,最终得到交通事件检测算法中交通流参数的选择方法。     

基于因子分析和最小最大概率机的交通事件检测算法

为了进一步提高交通事件检测的精度与效率,在多角度构建事件检测初始交通变量的基础上,设计了1种基于因子分析和最小最大概率机的交通事件检测算法。通过分析交通事件上下游交通流参数的变化规律,构建了11种初始交通事件检测变量,利用因子分析方法对初始交通变量进行特征提取,实现初始交通变量的有效降维,并分别采用核函数最小最大概率机算法和线性最小最大概率机算法进行交通事件检测。最后,采用美国I‐880数据库的实测数据进行实验验证和对比分析,实验结果表明,FA‐M PM算法较M PM算法事件检测率提高3.5%,误报率降低0.17%,平均检测事件减少了27.5s,且最小最大概率机算法的交通事件检测效果明显优于支持向量机算法和BP神经网络算法。      

基于D-S理论的城市快速路交通事件自动检测算法

为有效提高快速路交通事件检测的覆盖率,解决算法误判率较高的问题,本文通过分析交通事件发生时交通流参数在时间维与空间维的变化,分别提出了基于固定检测器的多参数判别算法与基于浮动车的时空二维判别算法.当两个数据源算法同时满足检测条件时,研究以D-S理论为基础,将两个子算法有效地结合,实现事件的综合检测.最后,研究利用北京市...     

基于核密度模型的上海市快速路交通事件空间自相关分析

伴随着城市快速路的发展,城市快速路交通事件发生的频次和严重程度也随之增加,对交通参与者的生命和财产安全构成了巨大的威胁,因此交通事件多发点的检测有着极大的意义。为此引入了核密度模型,寻求交通事件点之间的空间自相关性,通过特征值的聚类找出交通事件多发的路段,并提供直观的可视化密度云图,为相关管理人员后期改善措施的提出打下基础。最后根据上海市2010年4月至2012年12月间的中心城快速路交通事件数据进行了样例分析。     

基于小波变换的城市道路交通事件检测

利用出租车浮动车数据对城市道路行程车速的表达能力,针对出租车空车和重车2种数据运用小波变换技术分析了城市道路交通状态突变点,据此进行了城市道路交通事件的检测。区别于以往小波变换技术,首先运用于数据降噪,再将处理数据运用交通事件检测算法判断,直接采用小波变换技术实现了对城市道路间断流的交通事件的检测。并利用实际采集数据对提出的交通事件检测算法进行了验证,结果表明算法能够对交通事件进行更综合的检测,检测准确度得到了提高,能够为城市交通信息发布和交通诱导提供更加可靠的信息。     

基于检测器脉冲数据的高速公路事件自动检测算法研究

提出了一种全新的高速公路事件自动检测算法,直接利用车辆检测器输出的脉冲宽度和脉冲间隔作为参数,运用LVQ神经网络对获得的脉冲宽度数据和脉冲间隔数据进行处理来判断是否有事件发生,从而大大减少了检测时间,为交通事件的快速处理提供了可靠的依据。此外,该算法利用神经网络的自学习能力,可以很好地确定各条道路发生交通事件的门限值。仿真结果表明:该算法具有较高的事件检测率(约为97%)、较短的检测时间和较低的误警率(约为0 41%),具有很好的应用前景。     

数据融合技术在交通事件检测中的应用综述

为了进一步提高交通事件检测系统的性能,在对基于单源信息的交通事件检测方法进行分析的基础上,从基于多信息源的交通事件自动检测数据级融合和基于多信息源的交通事件检测方法决策级融合2个方面,分析、总结了数据融合技术在交通事件检测中的应用现状,并指出了目前研究存在的主要问题及后续研究的发展趋势。     

基于时间卷积自编码网络的实时交通事件自动检测方法

为了提高道路异常交通事件检测效率并降低误报率,提出了一种基于时间卷积自编码网络的实时交通事件自动检测方法。首先设计了基于波动相似性度量的交通模式搜索算法用来筛选具有相同交通规律的样本数据;并构造了交通流模式矩阵作为网络模型输入,以避免样本不均衡与单一样本数据随机性对交通模式学习的干扰;同时设计了新的时间卷积自编码网络对交通模式特征进行无监督提取并对未来交通参数进行合理预测;为了降低交通流参数随机波动性带来的事件判别的干扰,设计了异常状态评估方法,通过对模型预测误差分布的学习,结合当前检测数据给出最终的事件判定结果。采用美国西雅图I90公路与I405公路2015年全年的交通流检测数据与历史事故数据进行实证研究,并与6种典型交通事件检测算法进行性能对比。研究结果表明:基于时间卷积自编码网络的实时交通事件自动检测算法具有较高的检测率、较低的误报率以及更快的平均检测时间;综合各种交通运行情况下,可接受误检率分别为5%、10%时,平均检测率可分别达到93%、98%;同时算法能够自适应学习交通状态的动态变化,对不同交通运行环境具有较强适应性与稳定性。     

基于决策融合的城市道路交通事件自动检测算法研究

为了提高城市道路交通事件自动检测算法的性能,引入算法性能可靠度概念对基于浮动车数据和感应线圈数据的事件自动检测算法检测结果进行决策融合。决策融合算法包括3个模块：①感应线圈数据算法模块：选择流量、占有率、路段长度、前一个检测周期的检测参数作为输入参数,训练BP网络进行事件判别;②浮动车数据算法模块：使用误差分析理论确定满足数据精度要求的最小浮动车样本量,选择路段行程时间、行程速度作为BP网络输入参数,进行事件判别;③决策融合模块。引入算法性能可靠度概念,计算模块一和模块二判别结果的权重值,使用加权平均法进行决策融合。通过Vissim仿真获得数据,在Matlab中编程实现算法的计算,仿真结果表明决策融合算法的性能优于单数据源事件自动检测算法。     

基于数据融合的交通事件检测方法

针对传统交通事件检测方法的不足,文章提出一种基于数据融合的交通事件检测方法,该方法结合了直接检测与间接检测的优势,有效提高了交通事件自动检测的效率,对于提高高速公路的安全运营和自动化管理具有重要意义。     

船舶航行交通事件实时检测技术研究现状与展望

船舶航行交通事件检测依赖基于历史数据的离线检测方法, 检测模型适用性差, 难以满足监管人员的实时监测需求。通过分析船舶异常行为检测、航行事故检测等现有交通事件检测技术, 可以发现: 在数据层面, 监测数据来源单一、环境信息缺失; 在方法层面, 基于统计、风险评估等经典模型的事件监测方法效率高但准确性低, 基于神经网络、图像识别等机器学习的检测方法准确性高但效率低; 多源数据融合、多项技术结合的交通事件检测方法成为实时检测方法的发展趋势。在此基础上, 梳理了实时船舶航行交通事件检测的3项关键技术: (1)海事大数据技术: 高效处理船舶运动数据和航行环境数据, 统一多源异构数据结构标准, 降低数据源单一造成的事件误报率; (2)船舶行为动态建模技术: 利用知识图谱等技术融合船舶航行情境信息, 在不同船舶运动环境下利用深度学习、语义关联、图神经网络等方法构建不同的船舶行为模型, 提高检测准确性; (3)实时分析和可视化技术: 结合平行系统进行虚实系统间信息传递, 定性分析检测结果, 实时显示检测全过程, 提升监管过程中的人机交互效率。然后, 提出了包括数据采集、后台服务和客户端应用3个功能模块的交通事件平行检测系统; 该系统具备实时接收并处理船舶航行数据、分析并预测交通状态、动态检测并预警交通事件和仿真结果展示等功能。从数据融合、交通状态感知和交通虚实映射3个方面, 展望了面向海事监测实务的实时检测技术发展方向。      

基于粗模糊神经网络的高速公路路段交通事件识别

高精度、快速的高速公路路段交通事件自动识别将为合理诱导交通流,提高事故救援反应速度提供基础技术支持。设计了一个基于粗模糊神经网络的事故识别算法,用于高速公路路段交通事件识别。首先,利用粗糙集的数据约简技术提取精简的规则,得到系统的原始输入输出数据集。然后,建立交通突发事件识别的模糊神经网络系统,以交通流特征数据及其识别结果作为训练数据集进行系统参数及模糊规则的训练与确定,直到误差在控制范围之内。最后,利用VISSIM软件进行系统仿真检测,检测结果表明系统具有良好的应用性能。     

基于改进的RBF神经网络的高速公路交通事件检测

根据高速公路有交通事件发生时交通流将产生突变这一原理,采用改进的径向基函数(RBF)神经网络研究高速公路事件检测问题。分析交通流参数在有交通事件发生时的变化规影影响神经网络泛化能力的同时,加入多余节点的删除和合并策略,从而得到精简的网络结构。采用自适应学习方法进行隐含层节点的调整,使网络在不同的训练阶段能够自动选取不同的学习速率。仿真试验表明,该改进算法在高速公路交通事件检测中具有检测率高、学习速度快等优点,具有良好的应用前景。     

一种新的快速路交通事件综合检测算法

介绍了传统交通事件检测系统的组成及传统交通事件检测算法,在指出传统交通事件检测算法存在的主要问题的基础上,提出了一种新的快速路交通事件综合检测算法。该算法主要舍事件检测、检测学习、综合判断三部分,将加州算法、基于交通流模型优化的McMaster算法、基于统计的相邻车道数据比较算法、基于模糊聚类的事件检测算法的检测结果进行综合判断,从而得到交通事件信息。实验表明,该交通事件综合检测算法的判断准确度优于其他算法,且运算速度满足实际应用需要。     

高速公路交通动态数据检测技术应用研究

在分析高速公路各种交通动态数据检测技术特性和精度的基础上,通过现场调研与试验,分析交通检测技术的应用特性,重点研究超声波与微波非接触式检测技术的应用功能;通过建立交通数据采集站,系统地研究基于微波——线圈的组合应用及其数据融合。试验结果表明,非接触式交通检测技术在高速公路动态数据检测中可以使用,但不宜单独使用;应采用多种检测技术,通过多检测技术数据融合的检测精度能够提高10％～20％。     

城市快速路交通状态转变时刻确定方法研究

研究了城市快速路交通状态转变时刻的确定方法。在分析快速路拥挤状态和不拥挤状态交通流参数特性的基础上,根据Dganzo等提出的交通流参数调整累计曲线,设计了一种用于确定交通状态转变时刻的方法:利用流量和时间占有率两个参数的调整累计曲线来判定快速路交通状态转变时刻。论文利用北京快速路系统的调查数据检验了该方法,得出的交通状态转变时刻与实际情况相符,证实了该方法的有效性。交通拥挤转变时刻的确定可以应用于道路交通状态判别、交通波理论研究以及现有交通事件检测方法的技术评价。     

基于数据融合的城市道路交通事件自动检测

针对交通事件自动检测多以高速公路、城市快速路为对象以及使用数据源单一的现状,提出一种基于多源数据融合的城市道路交通事件检测方法。在对信号控制下交通事件引起的交通流变化进行分析的基础上,利用杭州市城区浮动车、SCATS、Citilog系统提供的实时交通数据,基于CUSUM算法构建差分流量和速度交通事件检测模型。该模型可以有效抑制交通信号对于交通流的周期性影响。实验表明,模型在高峰时段和平峰时段均能快速准确检测交通事件。     

交通事件持续时间预测方法综述

对交通事件持续时间的预测方法进行综述。分析了交通事件对交通拥堵的影响,解释了交通事件持续时间的含义。交通事件持续时间预测方法主要包括：基于统计分析的模型,如概率分布、条件概率、回归分析、时间序列,其次包括不需要知道其分布特点的决策树模型、非参数回归模型,模糊逻辑模型。分析了各种方法的优缺点和适用性,并指出交通事件数据的质量影响了模型的准确性和精度。大量的研究发现事件持续时间的分布近似于正态分布,并向左侧偏斜。最后,提出今后交通事件数据库的建立和交通事件的科学分类可从根本上提高基于统计学模型的精度。     

一种基于ART2神经网络的高速公路交通事件自动检测算法

提出一种基于ART2伸经网络的高速公路交通事件自动检测的新算法。该算法利用高速公路交通流模型和ART2神经网络分别作观测器和分类器。观测器估计的数据和实际交通数据进行比较,得到残差序列;利用ART2神经网络对残差序列进行分类,以区分不同交通状态下的交通信息,达到检测交通事件的目的。本算法不但可以识别已知的交通事件类型。还可以识别未知的或从未出现过的交通事件类型,是一个可以边工作、边学习的检测系统。     

基于速度分类算法的交通事件视频检测系统设计

提出基于速度分类算法的交通事件实时视频检测方法,并对交通量检测方法、车辆跨道处理、速度检测、交通状况检测及交通事件识别等进行了研究.在车辆检测与跟踪的基础上,可实现车辆停止、慢行、车道变换次数和车流拥挤等交通事件识别功能,通过自动检测车辆避障、车道变换、超速、慢速、停止和交通阻塞等事件,获得交通流量、占有率、排队长度、车型和平均车速等交通参数.与传统交通事件检测系统相比,具有直观方便、费用低等优点.