交通事件检测.ppt

整理ppt 整理ppt 一、交通事件概念、研究意义 交通事件：是指非周期性发生且使某段道路通行能力下降的事件。如交通事故、故障停车、货物散落、道路维修、车辆逆行、车道变换、超速、慢速、停止、交通阻塞等。 我国事故发生率居全世界之首，近几年每年公路交通死亡人数一直在十万人左右，每年因交通事故造成的损失达数百亿元。为了预防和减少交通事故，及时有效地进行事故救援和处理，有效减少由于交通事故产生交通延误及避免二次事故的发生，就必须准确、快速地对交通异常和交通事件进行检测。 二、交通事件检测的方法 目前国内外常用的几种交通信息检测技术: 环形线圈、微波、红外线视频、数字视频、超声波检测等。 其中基于环形线圈的检测技术目前市场占有率较高，技术比较成熟。但根据目前的交通管理、营运部门的需求来看，对路基无破损、实施方便灵活的视频检测技术越来越受欢迎。 交通事件检测分为人工检测和自动检测两种，其中高速公路交通事件自动检测是近几年研究的主导。 交通事件自动检测方法： 直接检测法：主要通过视频和图像处理的方法完成对目标的跟踪、识别及交通流检测，该方法需要比较密集地安装摄像机，成本较高，且受气象条件影响较大。 间接检测法：是通过对主线上设置的检测器采集到的交通参数进行分析来判断是否有事件发生。主要是根据事件对交通流的影响来检测事件的存在，成本低、简单易操作，但是存在检测率低，误报率高等问题。 三、交通事件检测算法 目前，世界上已经开发了多种交通事件自动检测算法： 加利福尼亚算法、贝叶斯算法、时间序列算法、低通滤波算法、交通流模型算法、视频检测算法、人工神经网络算法。 模式识别算法、统计预测算法、突变理论算法和神经网络算法。 思想：这些算法是根据实时采集的交通流数据信息，由算法自动判断是否有交通事件发生，并估计事件对交通流的影响。 四、间接方法—文献阅读 （一）基于SVM的高速公路事件检测 检测的交通参数：交通流、车速、占有率 检测结果：有事件、无事件 （即可看作模式识别问题，可以用支持向量机对交通事件进行分类） 检测原理：以一定的时间间隔对上下游检测站的车流量、车速和占有率数据进行采集，将数据分为训练样本和测试样本，训练样本作为SVM的输入对SVM进行训练，用测试样本对训练好的SVM进行测试，输出有两类：有事件输出1，无事件输出-1。 支持向量机(Support Vector Machine，SVM)，是一种有效的非线性问题处理工具。具有完备的统计学习理论和出色的学习性能。支持向量机是针对结构风险最小化原则提出的，具有很好的泛化能力。支持向量机算法是一个凸优化问题，局部最优解一定是全局最优解。 SVM有3种类型：线性可分SVM，线性不可分SVM，非线性可分SVM（非线性可分SVM根据采用的核函数不同可构成不同的支持向量机） 核心思想：对于线性可分问题，是根据最大分类间隔原则求得最优分类面；对于非线性分类，是折中考虑最少错分样本和最大分类间隔得到的最优分类面，从而判断任意输入所属的类别。 非线性分类中，引入了核空间理论，将低维的输入空间数据通过非线性映射函数映射到高维属性空间，将分类问题转化到属性空间进行。可以证明，如果选用适当的映射函数，输入空间线性不可分问题在属性空间将转化为线性可分问题。 常用的4种核函数：线性核函数、多项式核函数、径向基核函数（RBF）、Sigmoid核函数。 （二）基于PCASVM的交通事件检测研究 要解决的问题：交通数据样本有限、输入交通特征过于冗余、参数设置无法达到最优等问题。 解决方法： 用主成分分析法对上游检测站和下游检测站采集到的速度、流量及占有率信息进行交通特征选择，构建用于高速公路事件检测的PCA—SVM模型； 用粒子群算法进行支持向量机模型参数选择。 主成分分析(Principle Component Analysis，PCA)是利用降维的思想，将多个实测变量转换为少数几个不相关的综合指标的多元统计分析方法。 粒子群优化(Panicle Swarm Optimization，PSO)算法是基于群智能的全局优化技术，它通过粒子间的相互作用，对解空间进行智能搜索，从而发现最优解。 （三）基于粗糙集和支持向量机的的交通事件检测 要解决的问题：支持向量机算法基于统计学习理论，具有很好的学习泛化能力和分类性能，但处理包含冗余信息的大量数据存在训练时间长、速度慢的缺点。 解决方法：运用粗糙集理论对交通流数据进行预处理。去掉样本数据中的冗余属性，并消除噪声和冗余对象，然后以处理过的样本数据作为支持向量机的输入，实现最终的决策分类。 粗糙集理论(Rough Sets，RS)是一种处理模糊性与不确定性的软计算基础理论，在保持分类能力不变的前提下，通过垂直约简，消除样本的冗余；通过