论文部分内容阅读
交通事件不仅引起拥堵和延误，还容易引发二次事故。为了将交通事件带来的不利影响降至最低，许多国家的运输部门投入巨大资金和人力研究、开发能够及时发现道路突发情况的交通事件自动检测(Automatic Incident Detection，AID)系统。自20世纪60年代以来，各国研究人员基于不同理论开发了多种AID算法，但是现有AID算法令人失望的检测效果限制了AID系统的推广应用。 现实中，正常交通数据远多于事件数据，由这种不平衡数据集训练得到的AID算法会有不可克服的缺陷，进而影响其检测效果。但是，以往的AID算法较少考虑这个问题，相关的研究成果不多见。因此，解决交通流数据不平衡分布问题，研究新的AID算法，从而快速有效地检测交通事件是可行且具有广阔前景的。本文的研究工作和成果主要有以下三方面: (1)交通事件自动检测是不平衡分类问题 交通事件自动检测可以看作是分类问题，由于现实中正常交通数据远多于事件数据，所以交通事件自动检测实质上也是不平衡分类问题。因此，将不平衡分类的技术用于AID算法开发，期望改善其检测性能。 (2)开发了基于抽样的AID算法 从数据层面出发，利用抽样算法预处理交通流数据集，降低其不平衡性，再训练支持向量机(Support Vector Machine，SVM)进行事件检测。实验结果表明:抽样预处理可以使AID算法检测率提高，平均检测时间缩短，但误报率有所升高。 (3)开发了基于单类分类的AID算法 从算法层面出发，利用单类分类方法检测交通事件。仅用事件数据或正常交通数据训练基于支持向量数据描述(Support Vector Domain Description，SVDD)的AID算法。实验结果表明:SVDD-AID算法可以获得较好的检测效果。 本文针对交通流数据不平衡分布的事实，将不平衡分类技术运用于交通事件自动检测，提出了面向不平衡数据集的AID算法，并利用I-880数据验证了新算法的有效性。