小波理论及其在交通事件检测中的应用

简介小流变换的基本原理，给出Ｍａｌｌａｔ塔式算法的公式，采用小波变换的方法进行交通事件检测，并给出了利用小波变换进行交通事件检测方法的程序流程图。利用实际数据进行了分析，分析结果表明小波分析用于交通流数据分析有其优越之处。     

基于小波包变换的交通事件检测

简介小波包变换的基本原理。采用小波包变换的方法进行交通事件检测，并给出了利用小波包变换进行交通事件检测方法的步骤。经与实际数据分析、比较，表明小波包变换用于交通流数据分析有其优越之处。     

基于小波变换的车牌图像检测定位算法研究

在讨论二维二进可分离小波及图像小波去噪的基础上，研究一种基于小波变换并结合其他多种图像处理方法的车牌图像检测定位的算法。实验表明，该算法对含噪的车牌图像能较好地完成检测定位。     

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。     

基于小波分析和神经网络的交通事件自动检测

提出了利用小波分析和神经网络进行交通事件自动检测的方法，其基本思想是通过小波变换对原始采样信号进行奇异点检测，然后通过神经网络对小波变换的结果进行分类，最后给出交通事件的信息。通过MATLAB仿真实验，证明该方法相对于传统的事件检测算法能更准确、快速地实现分类。     

基于改进递归小波变换的交通流异常点与变点检测算法

为准确界定交通流状态,辅助交通管理者对交通异常事件进行及时处理,提出了一种基于改进递归小波变换的异常点与变点快速检测算法,并将其应用于交通流实时监控与预警。首先,对历史交通流序列建立自回归模型,将残差序列的标准化有效分数向量作为统计量,利用3-Sigma原则,提出为统计量差分时序设定监控阈值的方法,实现了交通流状态的实时预警。其次,利用改进递归小波变换统计量,结合小波复合信息并综合考虑真实变点与估计变点之间的差异,选取小波变换特征频率与最优搜索长度,快速检测并估计交通流异常点与变点,实现了交通流状态的在线监控。最后,仿真试验和实例分析验证了算法的合理性与可行性。研究结果表明:设定的阈值对交通流变化趋势掌控明显,能够对交通异常状态进行及时预警;结合特征频率的复小波变换信息,能够有效检测并区分交通流异常点与变点;与基于有效分数向量的传统变点检测算法相比,算法的检测性能在延迟与收敛性两方面均有明显改善。该算法能够对交通流状态进行在线监控,这将为断面车流实时预警提供支持。     

城市快速路三维集成交通事件自动检测算法

为了及时、准确地检测交通事件并采取有效的管理手段,提高城市快速路交通管理水平,在总结现有交通事件自动检测算法优缺点的基础上,提出了一种基于二维空间和一维时间的交通流异常变化的三维集成交通事件自动检测算法(集成AID算法),并利用北京市二环快速路上现有的交通流数据及相应的交通事件信息,对提出的集成AID算法进行验证,对其有效性和实用性进行分析。结果表明:该算法能够对快速路交通事件进行有效检测,与各个维度的子算法相比,能有效提高检测率,降低误报率,能够满足实际工程应用的需求。     

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。     

基于语义层次组成的ST-MRF交通事故检测算法

针对目前大部分交通事故检测算法没有考虑车辆相互遮挡的影响,导致在交通量比较大的情况下,算法运行结果比较差,为了解决这一问题,提出了基于类组成的时空马尔可夫随机场(简称ST-MRF)交通事故检测算法.该方法应用ST-MRF模型进行车辆跟踪,得到车辆的目标地图和运动矢量,获得交通流基本参数,结合安装在道路下游的检测器获得的交通流数据,采用语义层次算法对交通事件进行检测.为了验证算法的准确性,对该算法与仅仅使用基于ST-MRF车辆跟踪的得出的交通流数据来判断事故的发生的算法进行比较,发现本算法检测率要高.通过研究得出:基于语义层次组成的ST-MRF算法能在交通比较拥挤且车辆出现相互遮挡的情况下,准确检测到交通事件.      

小波分析在高速公路事件检测中的应用

采用小波分析方法研究高速公路事件检测问题,介绍小波变换和多孔算法,阐述事件检测原理,给出事件检测步骤,并对实际例子进行分析。试验结果表明,将小波分析用于高速公路事件检测中有其优越之处。     

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。     

一种改进的小波消噪算法

针对传统小波变换在信号消噪中计算的不足,设计了一种改进的小波消噪算法.该算法保留了小波分析处理时变信号的优势所在,但较传统的消噪应用,算法相对简单,易于实现.利用实际数据对该消噪算法进行了数据验证,并与传统小波消噪算法等对比算法进行了效果对比.验证结果表明,所提出的新算法效果较好,具有一定实用性.     

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。     

基于EMD-Wavelet模型的实时交通流噪声数据清洗方法

针对实时交通流数据的噪声污染,将具有处理非平稳非线性信号优势的经验模式分解方法(EMD)和小波变换(wavelet)相结合,构建EMD-Wavelet组合清洗模型.该模型首先将实时交通流序列进行经验模式分解,然后将含有噪声的高频分量用小波变换进行软阈值去噪,最后将去噪后的高频分量、未去噪的低频分量和残量进行重构,形成清洗后数据序列.通过实验表明:该方法的去噪效果要好于单独使用小波变换和EMD法,是一种有效可靠的实时交通量噪声数据清洗方法.     

基于小波消噪的ARIMA与SVM组合交通流预测

针对实际交通系统时变复杂和变化的不确定性所带来的交通流量非线性和强干扰性的特征,首先应用小波分析方法,对原始交通数据进行了消噪处理,使消噪后的数据更能反映交通流的本质及变化规律;然后采用自回归求和滑动平均(ARIMA)和支持向量机(SVM)的结合预测模型对交通流进行了预测,最后用实测交通数据进行了验证分析,得到了两个结论:一是组合预测模型比单个预测模型的预测精度高;二是小波分析消噪后的组合预测模型比没有消噪的组合预测模型预测精度高.结果表明消噪后的组合预测模型具有较高的预测精度,可用于交通流的实时动态预测.     

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。     

基于模糊综合识别的事件检测算法

在分析拥挤交通流特性的基础上，提出了一种基于模糊综合识别的事件检测算法，并可以确定拥挤成因，仿真研究结果比较表明该算法效果很好。     

行驶车辆振动信号的小波分析

本文介绍了小波分析的理论方法，并上小波分析方法应用到了行驶车辆振动的分析中，即：通过二进离散小波变换，把实际振动信号进行多层小波分解，使异常信号和非平稳高频信号得到良好的时间定位和图形显示，并把信号的路面激励与本体振动分离开来。     

城市快速路交通流分形预测算法的研究

根据城市快速路交通网络几何结构及交通流的混沌性,在分析交通流分形特性的基础上,应用小波系数方差法求解Hurst系数,同时建立了城市快速路交通流分形预测模型.利用实测数据,运用分形预测模型对上海市高架路的交通流进行了预测及误差分析,探讨了交流量不同状态下,即不同时段相同时间尺度,同一时段不同时间尺度;同一时段同一时间尺度下不等长数据序列的交通流分形特性及预测结果,并与传统方法进行比较,验证了模型的有效性及正确性.     

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。