基于神经网络的交通事件检测算法

回顾了几种传统的交通事件检测算法，提出从多层前向人工神经网络角度建立模型，并运用ＢＰ算法予以实现。在将ＢＰ算法与传统算法进行比较之后，发现ＢＰ算法具有检测率高、误报率低、检测时间短的优点，同时也存在不足之处，指出了今后进一步研究的方向。     

视频交通事件检测系统在京秦高速公路中的应用

实时视频交通事件检测系统作为全程监控系统建设项目的重要组成部分,实现了交通事件的快速、准确检测以及及时有效的处理。文中对京秦高速公路视频交通事件检测系统的构成、功能及应用状况进行了分析,针对应用中存在的问题提出了改进建议。     

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。     

基于车辆积压长度的高速公路交通事件检测算法

为了准确、快速地检测高速公路上发生的交通事件,提出一种基于车辆积压长度的检测算法,该方法利用上、下游检测点同步采集的交通流量实时估计检测点之间的车辆积压长度,并以车辆积压长度的移动平均值作为特征指标来实时检测交通事件.仿真分析结果表明,该特征指标对交通事件敏感,所提算法具有检测率高、误检率低和检测时间短的优点,具有良好...     

高速公路交通事件检测系统研究

章主要分析交通事件对交通流的影响、交通拥挤的判别、交通事件检测算法及其在高速公路交通事件检测系统中的实现。     

基于动态神经网络模型的交通事件检测算法

本文将一种新型的动态神经网络结构与传统的基于状态估计的故障检测方法相结合，提出了一种基于动态神经网络的交通事件检测算法。该网络借鉴静态BP网络的训练算法，并针对其训练方法中收敛速度慢及容易陷入局部极小点的缺点采用一种改进的算法，改善了训练效果。最后利用Matlab对提出的算法进行仿真，得到令人满意的效果。     

基于图像识别与追踪技术的高速公路交通事件有效检测范围

针对视频交通事件检测器的有效检测范围目前在行业内产生的广泛争议,结合摄像机安装高度、安装角度、摄像机性能指标,通过理论计算和试验验证,得到视频交通事件检测系统对相关交通事件的合理检测范围,从而为高速公路全程视频监控系统外场监控摄像机的布设间距、布设方式提供数据支持,实现高速公路全程无盲区智能化监控识别。计算结果表明,对于小汽车停驶等交通事件,其有效检测距离大于1 000 m的传统说法是不准确的,目前的技术水平很难达到,其合理检测距离应该在500 m左右,试验数据验证了这一说法,但视频交通事件检测系统的有效检测距离后续会随着摄像机性能的不断增强而有所提高,从而满足高速公路监控系统不断提高的监控需求。     

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。     

一种组合式高速公路交通事件检测算法

传统的高速公路事件检测算法原理简单、容易实现,但很难达到高检测率和低误报率的效果。国内外学者越来越偏向于研究复杂算法,虽在理论上取得了较好的效果,但因数据传输量大、数据处理繁琐、对设备要求高等特征,降低了这些算法的实用性。因此,如何构建适合现状高速公路检测设备和软件系统,且具有良好检测效果的实用性算法,成为目前高速公路事件检测技术的热点话题。文中基于降低硬件成本和运行费用、提高检测效果这一目标,利用不同情况下各自算法特征值的变化规律,提供了一种基于California算法和滤波算法的组合算法。仿真研究表明,与单独应用California算法或滤波算法相比,这一组合算法在软硬件费用不增加的情况下,具有较高的检测率,且能有效降低误报率。     

基于RBF神经网络识别路面谱的新方法

路面不平度是车辆行驶中振动的重要激励。为了识别路面不平度的功率谱密度函数(路面谱),提出了一种基于径向基函数(RBF)神经网络识别路面谱的新方法。该方法以7自由度汽车振动模型为基础,以MATLAB软件仿真得到的汽车车身质心垂直加速度谱为神经网络理想输入样本,以GB7031-86建议的路面谱为神经网络理想输出样本,应用RBF神经网络建立汽车车身质心垂直加速度谱和路面谱之间的非线性映射模型。另取一组仿真得到的车身质心垂直加速度谱代入已训练好的网络进行路面谱识别。结果表明:该方法具有较强的抗噪声能力和较理想的识别精度,识别的路面谱与拟合的路面谱吻合一致。     

基于径向基函数神经网络的交通量预测

采用了径向基函数神经网络进行未来年的交通量预测,它具有收敛速度快、唯一最佳逼近且无局部极小等优点。在进行交通量预测时,选取公路里程、汽车保有量、国民生产总值、国民收入和人口作为交通量影响因子,通过2个网络模型,在输出层输出该年的预测交通量。     

高速公路突发交通事件疏导措施决策

针对高速公路发生突发交通事件,通过VISSIM仿真软件模拟事发后采取各种疏导措施的实施效果。为便于措施的分析与决策,采用事发点通过交通量、平均排队长度和平均延误3个指标表征实施效果,依据实施效果对各措施特点及实施条件进行研究。通过多目标决策技术,结合仿真结果进行了最优措施决策,并依据措施的分析结果对最优决策结果进行了进一步的确定,保证了决策过程的可靠性。结果表明,该决策过程及决策方法简单实用,便于操作,在高速公路遭遇突发交通事件时能根据事发状态迅速进行疏导措施的决策选取。     

基于径向基函数神经网络的GPS高程转换方法

针对GPS高程与正常高程的转换问题，给出了基于径向基函数（Radial Basis Function，RBF）神经网络的模型。该模型隐含层选用Gauss函数作为基函数，学习算法采用自组织选取中心法策略。用实际观测数据进行了试验和仿真，结果表明，用RBF神经网络转换GPS高程的精度优于最小二乘法。对RBF神经网络方法和反向传播（Back-Propagation，BP）神经网络方法转换GPS高程的精度进行了比较，虽然两种方法的结果相近，但RBF神经网络方法在学习速度方面远比BP神经网络方法快。由此可见，RBF神经网络方法用于转换GPS高程是可行和有效的。     

基于偏差分析的交通事件自动检测算法

高速公路事件检测是交通管理与控制中十分重要的环节。将交通流动态预测与事件检测相结合,探讨了基于偏差分析的事件识别方法。该方法对3个主要的交通流参数,交通量、地点车速和时间占有率进行动态预测,对预测值与实际值的偏差进行统计分析,明确了事件检测的具体步骤和事件发生概率的计算模型。该方法不受检测路段具体位置和时间的限制,具有较高的检测率和较小的误报率,有助于管理人员制定决策。     

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。     

基于速度分类算法的交通事件实时视频检测

交通事件实时视频检测技术是当前流行的事件检测技术。通过对交通事件的特征分析,综合对比面积分布和速度分布信息对视频检测效果的影响,提出基于速度分类算法的交通事件实时视频检测方法。在此基础上给出运动目标的速度提取算法以及事件判定准则,并完成事件判定。最终给出算法的实际场景实验结果并对结果进行分析。     

Cox Regression模型在交通事件持续时间研究中的应用

有效的交通事件管理要求交通管理者全面了解交通事件的各种特征才能准确估计事件持续时间,从而及时地疏导交通拥堵。利用某高速公路应急指挥中心管理系统中记录的近3 a的交通事件持续时间数据,建立Cox Regression模型探索影响持续时间的危险因素并评价其作用强度和方向。研究表明,日夜、报警方式、事件类型、占用车道数、涉及车辆数、涉及死亡、救护车、牵引车、吊车、驳车、涉及货车等11项是交通事件持续时间的显著影响因素,因此,交通管理者对这些因素进行改善可有效提高交通事件管理效率和安全性。     

基于分布式强化学习的高速公路控制模型

针对公路交通流非线性、不确定性和模糊性特点,提出了面向控制的交通网络宏观动态离散模型,并且引入分布式强化学习来解决交通网络的控制与诱导问题。以传统网络交通流模型Metanet为基础,对其作了改进,引入起讫点的因素到模型中,提出基于OD的网络交通流动态模型Metanet-OD。根据交通网络的特点,将分布式强化学习DRL引入到交通网络中,进行匝道控制和可变显示牌的诱导控制,设定了强化学习的动作空间,并给出了DRL算法。在仿真试验中对控制效果进行了验证。     

基于情景分析的高速公路事件检测决策系统研究

高速公路事件检测是为了及时、准确地检测偶发性事件的发生,以便于尽量减少事件所造成的不利影响,使事件总的影响降到最低。目前,事件检测算法多种多样,可以从不同的角度对其进行分类。在对高速公路的交通流量进行情景分析的基础上,提出了一种新的事件检测决策系统。即使在高速公路不同的服务水平下,这种系统也都能很好地实现对事件的准确检测。