摘要：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。

摘要：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。