基于突变强度的交通事件自动检测算法

为设计1 种检测率高的快速路交通事件自动检测(Automatic Incident Detection， AID)算法，基于突变强度理论，分析交通事件下流量、速度、占有率突变强度在纵向时间序列的变化特征，得出事件时段，交通参数突变强度值较大. 本文以三参数突变强度乘积为事件评价指数设计了1 种快速路AID 算法. 新算法与3 种AID 算法对比得出：新算法检测率高 (100.00%)，误检率低(5.75%)；与横向时间序列相比，纵向时间序列数据稳定性更好；参数数量的增加可提高检测率. 新算法适用于各种流量，在低峰检测率为100.00%，误检率为0，检测效果最佳；高峰时段保持100.00%高检测率，误检率为5.66%，误检事件多发生在上下班早晚高峰和午休3个交通流量变化较大的时段.     

基于突变强度的交通事件自动检测算法

为设计1 种检测率高的快速路交通事件自动检测(Automatic Incident Detection， AID)算法，基于突变强度理论，分析交通事件下流量、速度、占有率突变强度在纵向时间序列的变化特征，得出事件时段，交通参数突变强度值较大. 本文以三参数突变强度乘积为事件评价指数设计了1 种快速路AID 算法. 新算法与3 种AID 算法对比得出：新算法检测率高 (100.00%)，误检率低(5.75%)；与横向时间序列相比，纵向时间序列数据稳定性更好；参数数量的增加可提高检测率. 新算法适用于各种流量，在低峰检测率为100.00%，误检率为0，检测效果最佳；高峰时段保持100.00%高检测率，误检率为5.66%，误检事件多发生在上下班早晚高峰和午休3个交通流量变化较大的时段.     

城市快速路交通状态自动判别解决方案

为满足社会公众对实时交通状态信息发布服务的需求,对城市快速路交通状态自动判别解决方案的关键技术进行研究。在总结已有研究成果的基础上,对快速路交通状态判别指标、判别标准及空间对象进行分析,选取平均行程车速作为快速路交通状态的判别指标。设计了交通状态自动判别软件构架,对平均行程车速实时估计算法模块进行了详细分析。基于研究成果开发的快速路交通状态自动判别系统软件已经应用于上海市快速路监控中心。对软件的实际运行效果进行评估,结果表明,道路交通状态判别平均精度达到95％以上。     

交通事件检测算法研究进展

自动事件检测系统利用检测算法来分析交通数据和快速检测事件的发生，以便于尽量减少事件所造成的不利影响．自20世纪60年代以来。人们开发了各种各样的公路交通事件检测算法，如：基于交通流理论、模式识别、统计理论和近年来发展起来的人工智能与模糊逻辑的检测算法等．文中总结评述了现有的各类算法。指出了改善算法性能的研究方向．     

城市快速路交通事件检测的自适应算法研究

针对城市快速路交通事件检测问题,提出了-种基于自适应遗传算法与神经网络相结合的自动检测算法.通过改进的自适应遗传算法优化神经网络结构和权值参数,保证了神经网络能以较小规模和最优的权值参数来描述事件发生与交通参数间的映射关系,从而提高检测效果.利用PARAMICS交通软件模拟了北京市京通快速路从大望桥到四惠桥路段间的一组交通数据,仿真结果表明,该算法同现有的典型算法相比较,具有较高的检测率和较快的检测速度.     

一种基于多信息融合的事件检测算法

高速公路事件自动检测算法是高速公路事件管理系统的核心.目前的事件自动检测算法普遍采用流量、速度和/或占有率作为检测参数,这些参数可由道路主线上的检测器得到.但这种检测方法要求路上埋设有一定密度的检测器.而目前在我国的很多高速公路上都存在着埋设检测器数量少、间距大的现象,以至这些算法在实际应用中检测效果很不理想.针对高速公路检测器的埋设现状,提出了一种新的事件检测算法,将主线检测器得到的信息和收费口处得到的信息进行融合来判断交通事件的发生.仿真试验表明:与传统事件检测算法相比,该算法具有更高的检测率、更低的误报率,可以明显改善检测效果.     

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．     

高速公路交通事件自动检测系统与算法设计

据估计发达国家高速公路中60 %~ 70 %的延误是由交通事件引起的, 而交通事件的早期检测与及早分流可以使由其引起的延误大幅度降低。自2 0世纪60年代开始的交通事件自动检测(AID) 系统的目标一直是协助交通管理部门处理交通事件。尽管已开发并投入使用了多个AID系统, 但是居高不下的误警率(FAR) 和令人失望的检测效果, 让一些交通管理者不得不放弃它的使用。为了提高AID系统的可靠性和实用性, 提出了一种具有三级报警制度的高速公路交通事件自动检测系统框架, 并以人工神经网络技术为依托, 设计了基于单个检测设施的AID算法。模拟计算表明, 基于单个路段交通流参数标定的模型可以应用于其它路段交通事件的检测。在检测率(DR)、误警率(FAR) 和平均检测时间(MTTD) 方面都优于目标方法, 而且由于每个检测器站只需安装一个检测器, 也降低了高速公路事件管理系统的建设成本。     

基于神经网络和多信息融合的高速公路交通事件检测算法

高速公路事件检测是事件管理过程的核心和关键,在总结国内基于神经网络事件检测算法的基础上,提出基于LVQ网络模型和信息融合的交通事件检测新算法,将主线检测器得到的信息和收费站处得到的信息进行融合来判断交通事件的发生。将LVQ神经网络作为分类器进行交通事件自动检测,为进一步提高神经网络的泛化能力,采用改进的Boosting算法,进行网络集成。仿真实验表明:该算法具有更高的检测率、更低的误报率,可以明显改善检测效果。     

基于模糊C均值聚类的城市道路交通状态判别

为及时判别城市道路交通状态,考虑城市道路交通特征的差异性和交通流的波动特性,对状态指标的合理性进行分析;将交通状态划分为畅通、缓行、拥堵、阻塞4类,提出一种基于模糊C均值聚类（FC M ）判别城市道路交通状态的算法。选取车速、流量、占有率作为交通状态判断指标,根据不同指标设计3种方案,用MATLAB模糊逻辑工具箱分析出仿真数据的聚类中心,对不同指标组合下的各样本交通状态进行判断,验证算法判别的可行性。结果表明,以速度、流量、占有率为参数的FCM算法能较好地判别城市道路交通状态,精度较高。