基于固定检测器的动态交通故障数据识别与修复

针对固定检测器在采集动态交通数据过程中易发生交通数据异常、数据缺失等问题,为实现故障数据有效识别及修复,提出了基于离群距离检测的故障数据识别算法及改进的DE-LSTM数据修复模型。利用时序数据的自身连续性,采用直接离群点定位和离群距离检测对故障数据进行有效识别。采用差分进化算法优化长短期记忆神经网络的隐含层神经元个数和初始学习率,并引入自适应控制策略改进传统DE算法中的变异因子、交叉因子,建立了基于改进差分进化算法优化长短期记忆神经网络的修复模型,并与固定阈值结合交通流机理、LSTM神经网络模型及DE-LSTM修复模型进行对比。实例验证结果表明：与固定阈值结合交通流机理法相比,离群距离检测算法识别率更为高效,改进的DE-LSTM模型具有良好的计算效率及修复性能。     

基于改进孤立森林算法的交通流异常数据检测模型

针对交通流异常数据实时检测问题,提出一种基于改进孤立森林算法与K-Means++算法相结合的交通流异常数据检测模型。首先,使用交通流量和交通流速度数据构建交通流序列;然后,利用改进孤立森林算法,构建交通流数据的异常评分模型,并通过K-Means++算法构建滑动窗口计算出异常评分的阈值,以此来实现对交通流数据异常值的实时检测;最后,通过实例分析验证模型的合理性和可行性。研究结果表明：改进孤立森林算法与K-Means++结合的方法可以准确地确定异常评分的阈值进而检测出异常数据;该模型与仅考虑交通流流量的模型、传统孤立森林模型相比,AUC分别高出29.7%和5.3%,与其他常用的LOF、ABOD、OCSVM方法相比,AUC均有所提高。该模型准确率明显提升,在交通流异常数据检测中具有更好的适用性,能够为交通管理部门提供交通状况检测支持,提高交通管理效率。     

城市路网交通状态的小波分析检测方法

选取交叉口进口饱和度和路段平均行程速度作为路网状态检测的基本参数,采用小波包变换的时频高分辨率特性,以能量分析方法识别进口饱和度和路段平均行程速度的突变与异常状况,并定义了交通状态系数来定量描述交通状态变化,设计了基于小波分析的交通状态检测算法,并采用贝叶斯算法对交通状态进行预测。仿真分析结果表明:小波包变换可有效识别节点能量分布的突变区间,据此可准确判别交通状态发生变化的时段;当采样数据的模极大值点为200～243时,此段节点能量变化比较剧烈,信号在此出现突变,由较平稳向非平稳状态变化,对应的路段交通状态系数大于0.300h.km-1,为拥挤状态。该方法原理简单,检测响应时间短,检测结果可靠。     

基于改进FCM聚类算法的高速公路交通状态识别

为有效识别高速公路交通状态,提高路网服务水平,基于改进的模糊C均值(Fuzzy CMeans, FCM)聚类算法对高速公路交通数据进行分析。首先,采用熵权法确定交通流量、空间占有率、平均速度和路网充裕度4个交通状态分类指标的权重,并对每个样本赋予不同的加权系数。然后,将样本权重计算纳入算法迭代过程,进而实现高速公路交通状态识别。最后,比较改进FCM算法与传统FCM算法的目标函数值、迭代次数及运行时间,结果表明:与传统FCM算法相比,改进FCM算法的目标函数值较小,迭代次数较少,运行时间较短,在数据中表现出更好的适应性;由改进FCM算法得到的聚类结果能准确、全面地反映交通数据的变化情况,实现道路交通状态的有效识别。     

基于GPS数据的高速公路车辆异常行为检测

车辆异常行为是造成高速公路交通隐患的主要原因之一。为了提高高速公路的安全管理,通过对车辆GPS数据进行分析,将连续11次定位的车辆速度、加速度作为输入参数,进行神经网络分类器的设计与训练,设计基于GPS数据的车辆异常行为分级检测算法。通过GPS实验和VISSIM模拟仿真各类车辆异常行为,分析检验检测算法,结果表明提出的分级检测算法具有较高的检测率,能够有效的识别各类车辆异常行为。     

一种基于手机定位数据的出行行程识别方法

提出并实现了一种基于手机定位轨迹数据的出行行程识别方法.通过速度对轨迹点进行划分,将低于一定速度阈值以下的轨迹点合并为候选停留位置,再利用距离阈值和时间阈值对候选停留位置进行合并,从而确定出真正的停留点,继而自动统计出行次数和出行时间.该方法解决了手机定位数据的定位漂移和抖动的问题,行程识别精度高,识别结果可为交通规划工作提供相关数据,并具有比传统交通调查方法更低的成本和更短的数据更新周期.     

针对浮动车异常数据的增强型在线异常点检测算法

在智能交通系统(ITS)中,为了从浮动车数据中获取准确动态的交通信息,需要实时识别并剔除异常数据。为了检测异常浮动车数据,本文提出一种独特的增强型在线非监督离群点检测算法(EOSA)。该算法由SS算法和K-means聚类算法组成,其中,SS算法可采用基于离散变量和连续变量的概率模型来计算异常分值,将K-means聚类算法与SS算法相结合可以有效提高检测精度。本文采用了深圳市浮动车数据来验证EOSA算法,试验结果表明,该算法能够成功检测到异常的数据,其中包含车辆停放和停车等待时的异常GPS记录。此外,通过试验比较,本文提出的EOSA算法比现有六种常用算法都具有更高的异常数据检测精度。EOSA算法有望应用于基于浮动车数据的智能交通系统。     

基于LOF改进的K-means算法在交通事故黑点识别中的应用

为改进传统K-means聚类算法受初始聚类中心及异常点影响较大的问题,提出使用离群点检测(LOF)改进的K-means聚类算法,并应用到交通事故的黑点识别中.使用数据集为2018年7月1日至2018年12月31日于美国洛杉矶发生的交通事故数据.首先,利用LOF对事故点坐标数据集进行离群点检测;其次,剔除掉原数据集中的离...     

远场弱磁信号的小波域自适应检测研究

探讨了基于Mallat算法的自适应小波阈值消噪在复杂磁环境下运动目标磁场弱信号检测方面的应用.阈值的选取是算法的关键,基于对目标磁场频谱分析,采用与尺度相关的自适应ARMA模型的阈值算法,改进在不同的小波分解层阈值滤波的性能.对实测数据进行算法仿真,并与Donoho阈值算法检测效果对比表明,自适应ARMA模型阈值滤波算法显著提高对目标磁场弱信号的检测和提取能力.     

基于RBF的城市快速路交通异常事件自动检测算法分析

通过对城市快速路交通异常事件自动检测方法的分析,提出用MATLAB神经网络工具箱建立交通异常事件自动检测RBF模型,并通过采集的实测交通异常事件数据对RBF神经网络在自动检测算法中进行仿真研究。结果表明RBF神经网络算法具有检测率高、误报率低和检测速度快等优点。     

���ڸ��������ݵij��п���·��ͨ�¼�����㷨�о�

交通事件是引发快速路交通延误的主要因素,迅速、有效的检测事件是快速路交通管理与控制的重要组成部分。本文利用CUSUM理论提出了基于浮动车数据的城市快速路交通事件自动检测算法;通过采集北京市快速路上的真实事件信息以及浮动车探测数据,对不同采样间隔条件下的算法性能进行了实际验证,并与传统的基于浮动车数据的UCB算法验证结果进行了对比分析。结果表明：所提算法在采样间隔为1分钟条件下的检测性能要优于采样间隔为5分钟条件下的检测性能;相对于UCB算法而言,所提算法的检测性能大大提高,在同一误报率条件下检测率可提高10%左右。     

基于Darknet框架下YOLO v2算法的车辆多目标检测方法

针对道路车辆目标检测传统方法需随场景变化提取不同特征, 检测率较低与鲁棒性差的问题, 提出了一种基于Darknet框架下YOLO v2算法的车辆多目标检测方法; 根据目标路段场景与车流量的变化对YOLO-voc网络模型进行改进, 基于ImageNet数据集和微调技术获得分类训练网络模型, 对训练结果和车辆目标特征进行分析后进一步调整改进的算法参数, 最终获得更适合于道路车辆检测的YOLO-vocRV网络模型下车辆多目标检测方法; 为验证检测方法的有效性和完备性, 采用不同车流密度进行了车辆多目标检测试验, 并与经典YOLO-voc、YOLO9000模型进行了对比; 采用改进YOLO-vocRV网络模型, 选取20 000次迭代, 分析了多目标检测结果。试验结果表明: 在阻塞流样本条件下, YOLO9000网络模型检测率为93.71%, YOLO-voc网络模型检测率为94.48%, 改进YOLO-vocRV网络模型检测率达到了96.95%, 因此, 改进网络模型YOLOvocRV检测率较高; YOLO-vocRV模型精确度和召回率均聚集在0.95, 因此, 在获得较好精确度的条件下损失的召回率明显较小, 达到了很好的折中; 采用混合样本训练后, 基于YOLO-vocRV模型的车辆多目标检测方法的检测率在自由流状态下可达99.11%, 同步流状态下可达97.62%, 阻塞流状态下可达到97.14%, 具有较小的误检率和良好的鲁棒性。      

交通事件视频图像自动识别系统的研究

如何有效利用高速公路视频图像信息,实时全天候自动智能检测交通事件,提升交通管理部门应急处置能效,是当前公路视频监控亟需解决的问题．本文基于视频图像处理技术,开展交通事件自动识别算法和系统的研究：采用中值滤波、亮度缩放等图像预处理方法,提取交通视频图像的前景目标边界并抑制噪声;基于灰度阈值化方法,对车辆前景进行二值化分割处理;提出一种二值化场景图像连通区域标定算法,对交通事件前景目标进行特征提取与检测识别,并基于上述算法和识别流程开发了交通事件视频自动识别系统．试验表明,该系统对噪声干扰抑制能力较强,识别准确率较高．     

基于BP神经网络的交通异常事件自动检测算法

对现有公路交通异常事件自动检测算法进行介绍,在此基础上提出从人工神经网络角度方向建立检测模型,摆脱以往使用仿真数据研究的局限,利用广深高速实测交通异常事件数据对BP神经网络（Back Propagation NN）在交通异常事件自动检测算法中的应用进行研究。结果表明BP神经网络算法具有检测率高、误报率低和检测速度快等优点。     

BP小波神经网络模型及其在交通事件检测中的应用

将小波变换和BP神经网络进行紧致型结合,提出了基于BP小波神经网络的高速公路交通事件检测算法,即采用小波函数代替BP神经网络的隐层节点函数,相应的输入层到隐层的权值以及隐层阈值分别由小波函数的尺度参数和平移参数代替,以上下游检测器的速度、流量和占有率作为算法的输入,采用梯度下降法进行网络训练,构建适合于交通事件检测的小波神经网络模型。最后在Matlab中实现了对新加坡AYE仿真数据的实例分析,并将其与现有的经典算法进行了对比分析。结果表明,BP小波神经网络算法在检测率和平均检测时间方面具有明显的优势。     

船舶异常行为的一致性检测算法

为了准确检测船舶的操纵异常行为和降低异常行为误报警率,提出了船舶异常行为的一致性检测算法;在船舶轨迹点中引入能够体现操纵模式的特征,以转向行为与变速行为度量了操纵行为相似性;将空间位置相似性与操纵行为相似性进行组合,定义了船舶综合行为相似性,计算了单个轨迹点与训练轨迹序列中的最近邻特征点,构建了一致性检测的样本序列;为克服样本重叠的类分布情形,改进了一致性检测算法的奇异值度量,并用综合行为相似性计算样本间的非一致性得分,利用单个轨迹点的随机性检验值判断该轨迹点与样本序列的分布一致性;以琼州海峡实测AIS数据作为正常数据,以计算机模拟随机产生异常轨迹和人工自定义操纵异常行为作为异常数据,分别进行异常检测试验。试验结果表明:随机产生的异常轨迹检测正确率为100%,但是轨迹评价集中有一部分正常轨迹被错误划分成异常轨迹,在指定置信度水平分别为99.0%和99.7%的情形下,误报警率分别为0.6%和0.2%,分别低于显著性水平0.01和0.003,因此,利用一致性检测算法能有效检测计算机产生的随机异常轨迹,并可通过指定显著性水平严格控制检测误报警率,能有效检测人工自定义的船舶变速与转向异常行为,而且检测结果能随船舶行为改变而变化。     

基于深度学习的车辆异常事件检测研究

基于全连接神经网络以及在高速公路场景下采集的真实车辆数据,设计一种车辆异常事件检测方法。所设计的方法利用激光雷达检测出目标与车道线信息,经过计算组成具备时空特征的输入数据,在将目标数据制作成数据集后,利用神经网络进行训练并提取输入数据的多维度特征,实现车辆异常事件检测。之后利用异常事件检测的时间信息与激光雷达和视频相机的目标融合数据,在视频数据中进行事件取图并加以验证。所述方法的总体检出率为 97.11%,准确率为 97.10%,相关值均高于传统事件检测算法,且算法耗时与传统事件检测算法相比更少。试验证明相应方法能更快速、更准确地识别车辆异常事件。     

基于多源数据的城市群枢纽间多模式交通系统异常状态影响研究

为探究城市群多模式交通系统异常状态的影响范围,从需求端非常态客流变化和供给端运输能力下降两方面对多模式交通系统异常环境进行分类,提出了基于手机信令数据、意向出行调查及客票信息等多源数据的异常状态影响范围识别流程和分析方法;以京津冀城市群为例,确定强链接枢纽间通道客流动态安全阈值,提出了基于贝叶斯预测的通道客流异常检测方法;利用提升度、余弦相似度及其标准化值来区分枢纽关联规则的有效性,提出了基于强关联规则确定异常状态影响范围的方法。研究表明：基于贝叶斯预测的通道客流异常检测方法具有实时性,提高了客流安全阈值精度;基于实际手机数据和假定异常情况下的意向调查数据并结合关联规则确定枢纽影响范围,可为利用数据挖掘技术分析突发异常状态的影响和对策提供借鉴。     

基于轨迹特征的船舶停留行为识别与分类

为准确评估大规模轨迹数据中的船舶停留活动，构建了两阶段船舶轨迹停留点提取策略，提出了特征驱动的船舶停留行为识别与自动分类方法；以距离、时间和轨迹点数量为约束条件构建了规则模型，检测了原始轨迹中的停留候选轨迹，引入孤立森林算法检测和去除异常离群点，提取了高聚集度的船舶停留轨迹集合；基于船舶靠泊和锚泊的时空特征，定义了轨迹点重复率、相邻点平均距离和最远点对距离3个指标，构建了新的轨迹相似性度量模型，量化了船舶停留轨迹点的分布特征和聚合程度，并利用K近邻算法完成了船舶锚泊行为与靠泊行为的自动分类；采用提出的方法处理了3个不同水域的船舶轨迹数据，准确获取了船舶停留行为的分类结果，并验证了船舶锚泊与靠泊在轨迹时空特征上的差异性，以人工标注结果为参考依据评估了船舶停留行为识别与分类的准确性。研究结果表明:船舶靠泊的轨迹点重复率在80%以上，最远点对距离和相邻点平均距离分别为6~11和1~2 m，船舶锚泊的轨迹点重复率在10%以下，最远点对距离和相邻点平均距离分别为150~250和8~10 m，说明轨迹点重复率、相邻点平均距离和最远点对距离这3个时空特征对船舶靠泊和锚泊具有显著的区分能力；提出的方法对船舶停留识别分类的正确率在98%以上，充分证明了其有效性；采用提出的方法可更新已有码头和锚地的空间位置，自动识别规则水域外的船舶异常停留和规则水域内的超长时间船舶异常停留，掌握在港船舶停留分布情况，识别不同季节、不同时段的热点码头和锚地，从而辅助优化港口规划布局和交通组织。      

һ�����͵��˶�Ŀ��ʶ��������㷨�о�

提出了一种应用于智能交通监控系统的运动目标识别和跟踪方法。针对帧间差分提取运动目标的缺陷与不足,提出了一种基于冗余小波变换的运动目标识别算法,即直接在冗余小波变换域提取运动区域,从而检测出运动目标。对于检测出来的运动目标,本文对mean-shift算法进行了改进,采用自适应mean-shift算法,对目标进行跟踪。实验结果表明,本文提出的算法可以有效地提取运动目标,即使目标与背景具有较高的相似度,也可以较准确的提取出前景运动信息,效果要好于传统的帧差法;跟踪目标准确度高,不受目标大小变化的影响。本算法具较高的实用价值和应用前景。