抽象性

研究显示事件检测算法使用气象交通参数提高异常天气条件自动事件检测算法的不良性能并高效使用高级高速公路气象设备算法由事件检测模块组成,该模块基于学习向量量化和气象因素模块现场数据取自中国重庆尤武高速公路验证算法此外,使用常用标准评价算法性能,如平均检测时间、假报警速率和检测速率初始实验选择算法架构产生最优检测性能并使用加利福尼亚算法、指数平滑算法、标准正常偏差算法和McMaster算法进行比较实验实验结果显示,本研究中提议的算法特征高DR、低FAR和相当适合AID应用

开工导 言

高速公路开发带来了显著的经济和社会效益一号..高速公路里程和网络建设增加后高速公路事件数大增,导致交通安全下降、运输效率下降、环境污染增加和能源消耗增加等几大交通问题高速公路事件必须及时检测以避免严重交通阻塞、二次交通事件和交通延迟结果开发出各种AID算法AID算法中采用了各种方法,根据从感知环路检测器获取的流量参数变化范围(即队列长度、速度和占用率)区分流量状态,这些方法在实战检测系统不同度有效快速预测流量参数AID算法与流量参数密切相关,这些参数反映流量状态

交通参数显示在不同天气条件下发生巨变2-4万事通偏差率高 检测率低 类似于现有AID算法所观察到的算法可考虑各种天气条件对交通事故检测的影响深入开发算法 考虑不同天气条件对交通事故检测的影响算法建议提出了一种新的方法来确定因子,反映交通事故发生与天气之间的关系算法使用此因子和各种流量参数以及LVQ神经网络实时检测事件算法显示即使在恶劣天气条件下事件检测性能良好,从而克服现有检测算法的限制

此外,本文件剩余部分可划分为四节段内2检视AID算法前科 并泛泛概述算法设计内段3显示算法时会考虑气象因素并用模拟数据集评价拟议算法4.后拟算法与加利福尼亚算法比较后显示性能最后一节5未来这项工作提纲以及总结性评论

二叉文献评论

AID方法主要归为直接检测法和间接检测法5..直接检测方法主要执行目标跟踪识别以及使用视频图像处理方法检测流量间接检测方法根据对流量的影响检测事件开发协会方法的主要技术包括数据收集、各种检测算法的适用条件、交通检测器布局优化设置(固定和移动)、多源数据聚变规则与报警系统以及选择各种事件检测技术原型算法,如模式识别6和统计预测7service检测事件早期AID算法用于建模型 基础理论推理假设 简化关系 并改变交通流参数规则前几十年数项AID算法先进技术8测试包括模糊逻辑九九贝叶斯方法10人工神经网络11偏最小平方回归12组合算法13,14svm支持向量机15..

使用各种数学模型,此题目的研究可分类为几类,基于输入数据、检测技巧和检测逻辑复杂性举例说,开发高级数据收集技术和数据聚变法,整合流量数据提高AID算法检测性能立契CP16高效率收集车辆流量数据法和系统Faouzi等[17提议解决双站检测器适配问题然而,大多数研究工作侧重于获取准确数据而不考虑输入数据对算法的影响此外,发现不同检测算法应用条件、优劣也不同同时,数位学者为创建新模型或改进原创模型投入了大量努力,结果增加了这些模型的复杂性。AID算法倾向于多理论消除单理论缺陷,AID算法结构从单输入单输出模块转换成包含多模块的统一整体,每个模块都显示独特的函数王等[18号向AID建议混合法,该方法将机器学习与时间序列分析结合起来Puerer等[19号拟以视频和音频传感器为基础对事件检测进行多式监控

此外,交通参数无法完全反映公路上的实际交通条件20码..各种因素,如路速限制、交通检测器定位、事件类型和环境,将影响AID算法性能前几十年,大量研究致力于揭示不同天气条件对交通事故发生率的影响Hassan和Abdel-Aty等[21号探索高速公路事故与实时流量数据可见度之间的关系并观察流量数据增速并观察流量事件增速与低可见度连通Akin等[22号研究天气对高速公路流量特征的影响并得出结论说流量参数在不同天气条件下显示不同特征虽然上述研究显示气象因素对交通事故的影响,但很少努力考虑AID算法中的气象因素。Lam等[23号提议AID算法,可用于无雨日与雨日并证明交通条件可能受各种降雨强度下交通速流密度关系以及关键交通参数的影响然而,根据这种方法,只有降水对AID算法的这种效果才能进一步考虑这种方法不考虑所有气象因素

基于文献审查,我们观察到一号前文分析相对简单,使用描述变量执行2分析无法产生量化值以反映天气和事件频发之间的关系基于上述观察,我们可以得出结论,需要一种方法分析事件频率与量化气象参数之间的关系。

因不同天气条件对交通事件发生的影响,通常以不精确的方式描述模糊特征,就像大小模糊逻辑一样,可以有效处理这些特征。处理气象因素和交通事件用模糊逻辑发生之间的关系后,下一步的任务是将气象因素与大量交通参数结合起来检测高速公路事件LVQ神经网络被广泛应用为关键技术解决数据聚变域问题,这种方法被视为高效分类法24码,25码..因此,我们使用LVQ综合交通参数和气象因素执行事件检测提高AID算法性能

以下两个模块对本研究至关重要:(1)事件检测模块基于LVQ网络和(2)气象因素模块基于模糊逻辑第二模块采用典型气象参数量化交通事故与天气条件之间的关系,并使用模糊逻辑作为标准值降水和可见度选择为建模的主要参数事件检测模型使用LVQ神经网络使用因子和流量参数检测交通事故网络输出使用二进制值表示(1表示事件发生,0表示没有事件发生)。

3级方法论

3.1.气象影响基于模糊逻辑的因子模型

我们选择对交通事故敏感参数,从大数组气象因素中选取模型参数降水和可见度被选为算法中气象因素的代表气象因素状态没有确定边界,我们引入模糊理论并使用模糊语言干扰参数变换减少边界环境影响模糊推理例程由四大构件组成:(1)成员函数规则基础三维模糊推理程序和(4)解构

3.1.1成员函数

模型使用两大气象测量法,包括6小时雨量和小时可见度基于交通事故和气象参数之间的关系,采用适当的事件频率/单位时间描述各种天气条件对交通事故的影响,说明如下:

从图一号并2从重庆高速公路项目获取的数据看,气象条件显然影响了交通事故频率增量随降水量增加而增加,而可见度每单元周期下降函数成员划分三大区,其特征为降水影响度(降水影响度)(R和可见度V级)!雨量分类为大中小,可见度分类为高中低模糊集相应 并 ,所讲之宇宙表示 并 高山市 并 表示历史最大值)气象测序对交通事件频率的影响划分为三级,包括小事件、中事件和大事件远道 .

基于可见度和雨量线性分布选择套接式函数和三角函数描述模糊集现场事件频率比较法使用模糊模型预期事件频率可使模糊函数在现实世界中保持一致

举例说,在不同降雨条件下预期事件频率 可描述如下: 去哪儿 , ,并 表示平均事件频率 , ,并 ,分别表示小中大雨

可绘制不同的曲线 调整范围 , ,并 通过连续测试选择两个曲线最小差是为了比较不同曲线以判定模糊集范围 曲线与实事件频率分布于不同雨量范围一号.显示最优 曲线值 0.29 0.37和 研究中为0.46方法判定范围 , ,并 用于判定成员可见性函数成员雨能函数表示图3.

3.1.2规则基础

由规则集组成规则库用于描述输入关系 并 )和输出 )规则基础描述三大条件 微量、介质和重度建构未来知识图中描述4,R事件频率每六小时降雨量V级事件频率时可见度表示X级并Y级相选九大区域除法X级并Y级表示此规则基础包含九大规则比方说 何时X级小和Y级低度气象条件冲击严重使用IF-HEN表格推理规则见表一号.

3.1.3模糊推理程序

并 表示会籍函数混淆数组雨量和可见度图显示4,X级并Y级表示模糊集变量 并 ,互斥优先输入 并 .再者 一对规则可选择 并 .因为关系 并 Mamdani推理26以推理法判定所选规则成员程度选择规则可构造如下: 去哪儿 表示成员程度规则 , 表示成员程度 ,并 表示成员程度 .

表内一号输出模糊集 可描述拥有三种结果 , ,并 ,表示微小 介质和重度相同结果数 所有选择规则对异对 并 未观察保持固定确定带相同结果的选定规则程度时,本模型使用最大推理法,可归纳如下: 去哪儿 表示成员程度选择规则并产生相同结果 并 表示规则在特定结果下的程度 表示可能后果数

3.1.4.解密程序

模型最后过程通过应用模糊结果判定显示气象条件对交通事故影响可构造此值如下: 去哪儿 表示气象影响因素图中描述根据模糊逻辑获取的气象影响因子5.

3.2LVQ神经网络模型

LVQ由Kohonen等人介绍[27号有效分类法图中描述4LVQ网络由以下三大层组成:输入层,内含每个输入特征的节点并完全连接到Kohonen层输出层显示单节点和Kohonen层演练并学习分类并部分带输出层

LVQ算法综合监督学习和竞争学习假设每个权值向量和输入向量 并 ,互斥光子层两向量间欧几里得可应用下列公式计算:

关于竞技学习,权重 向量( where 最接近输入矢量 将取胜神经元

监督学习过程期间,课堂相互竞争查找输入向量最相似,欧几里得距离最小的向量将被宣布为优胜者只有优胜者会采用强化负或正学习算法修改权值视分类而定因此,如果类类与中选输入矢量相似,分类即被视为准确性权值会提高以更近似输入矢量基本学习过程可反映在方程中如下:

在上述方程中,权向量时 并 使用表示 并 ,相继 并 用于表示输入向量和学习速率 .提议 一开始应小得多,例如小于0.1远道 继续下降方程如下 去哪儿 并 表示指定的阈值和分类数

反之,类与输入向量的差分失效,表示分类不准确权值下降会增加类与输入矢量之间的差下方程反映基础学习过程

3cm3算法执行

基于上述模型,我们输入流量数据,包括容量、占用率和速度 ,并 ,上游和下游以及气象影响因子 上图计算入LVQ神经网络二进制值输出显示事件是否会发生

确定交通事故检测性能关键在于Kohonen层数和输入层数三种模型与前一周期不同 当前时间 上下游交通量计算,输入量设计以查找输入层适当数目,并依据时间段 ,发自 至 ,发自 至 .不同的输入模式可使用基于kolmogorov定理27的下列经验公式计算Kohonen层范围 去哪儿 并 表示输入层数和Kohonen层数

值应该通过试探环绕 ,同段4.3上方公式只可用于推荐Kohonen层的可能最优数

4级算法性能

4.1.现场数据

最近重庆高速公路开发出一系列基于物联网技术的项目,提高运输效率并增强交通安全由K973+300开始至K975+500结束的主要项目中国重庆双道Yuwu高速公路长2.2公里获取交通量控器气象条件监控并实时获取相关数据下游或上游搭建两台微波探测器,沿路安装气象仪表

本研究采取三大数据集如下:(1)从2014年2月开始收集各种天气条件的通信量测法,同年9月底结束使用安装上下游的微波探测器事件数据(从2014年2月至2014年9月)取自重庆高速公路3)实时数据取自最接近测试路的气象仪重庆没有下雪 雪瀑和冰雹条件超出本研究范围可见度和雨量被认为是拟议算法中相关数据使用的最重要方法。

828组数据,包括交通量度、气象数据和事件状态都用于本研究中,这些数据是在各种天气条件下获取的,包括阳光、大雾和暴雨流量参数包括容量、占用率和间隔速度 至 .研究检测周期 5分钟气象数据以30分钟间隔累积828个团体中,138个包含事件,而其他690个团体无事件数据总数划分为测试训练组分两部分,如表所示2.

4.2估计度量

典型地说,AID模型性能应依据MTTD、FAR和DR评估,这些指数已证明极佳并用于多项研究28码,29万事通DR、FAR和MTTD定义如下: 去哪儿 , ,并 表示成功检测事件数、启动报警时间间隔和发生交通事故时间间隔

算法有效性可用DR和FAR测量,算法效率可用MTTD获取理想检测算法短MTTDFAR低调,DR高调不论如何,DR、FAR和MTTD之间存在权衡关系可持续测试验证算法是否满足测试期望

4.3测试结果

进行了实验以确定LVQ网络架构最优检测性能测试交通事故检测算法性能三种LVQ模型流量测量时间序列不同并计算本项研究中输入值用于实验上游流量法和下游输入法覆盖段 至 ,发自 至 ,单片 模型中 计算公式11并列数环绕 内含 )中 , , , , ,并 插进各种模型校验数值确定Kohonen层数三大模型结构汇总表3.

三大标准,包括DR、FAR和MTTD,在寻找新算法和图最佳架构时得到了考虑6表示三种结构的三大标准FAR和DR结构中平均7和19输入第一层比13输入结构低级即时交通量控 至 产生最优交通事件检测性能MTTD图中各种架构略微变化7.可以看到,最低FAR和最高DR与各种坐标比较符合同一架构,包括各种坐标 .因此,最佳算法确定为 .

4.4.4算法竞争力

算法建议使用LVQ神经网络输入流量参数和气象参数作为基模了解气象参数对预测结果是否有影响,我们使用LVQ神经网络,但不输入气象参数同时,LVQ神经网络模型还发现最佳架构并应用到同一个验证数据库中图中比较并显示拟议算法检测性能和算法无气象参数7.

图7表示拟算法优于算法而不考虑气象参数气象参数影响预测结果,从90.24%和85.53%的DR值和3.89%和4.22%的FAR值中可见一斑。此外,两种方法的MTTD值相似,它们之间的值差仅为0.01引入气象参数不会增加算法复杂性

同时,有必要比较现有的算法和使用同一组数据集的拟议算法AID算法包括加利福尼亚算法、指数平滑算法、标准正常偏差算法和McMaster算法图中比较并描述这四种现有算法和拟议算法的事故检测性能8.

图中描述8算法优于使用同一组数据集的其他算法一套合理的AID算法是DR高于88%,FAR低于1.8%30码..FAR定值为1.8%时,建议算法DR为78.56%,高于剩余模型但仍低于标记DR值高于88%这可能是由算法标定时所考虑的道路空间过大和LVQ神经网络受限所致。然而,拟议的算法仍然可行,在不同气象条件下执行检测

需要大量测试校准阈值,使用给定数据集获取FAR和DR之间的适当权衡法,从算法实现最优性能表格显示拟议算法和四种现有算法最优测试结果4考虑FAR和DR之间的适当权衡

5级结论

研究通过考虑气象因素对高速公路的影响提出了事件检测算法算法应用模糊逻辑计算反应交通事故和天气条件关系系数并使用LVQ网络结合流量参数和气象因素检测各种事件算法建议解决不稳定DR、低DR和高FAR问题,而高FAR条件严酷变化,可能影响数个AID算法求解算法建基于重庆高速公路实战数据

第一次实验表示算法 架构表现优于其他算法基于这一观察,进行了比较实验,涉及提议的算法和其余四种现有算法结果表明,提议的算法比所有剩余算法效果都好表示拟算法显示比剩余算法性能优于AID算法性能索引

虽然可以得出结论,本研究中提议的算法可提高高速公路事件检测性能,但还需要做更多工作。由于测试环境约束本论文显示,我们使用只从Yuwu高速公路获取的现场数据验证提议的算法更多的测试道路和现场数据应用验证算法的有效性,该算法已在后续研究中提出

数据可用性

用于支持这项研究结果的训练测试数据存放在重庆高速存储库中交通事件数据支持本项研究的结果包含在文章中AID算法数据支持本研究发现目前封锁,研究结果商业化请求资料,本文章发布后6个月,将由相关作者审议

利益冲突

作者声明他们没有利益冲突

感知感知

作者感谢广西重要基础EB级云存储系统密钥技术和应用演示提供研究资助GuikeAA18118031-5和Guilin大学航空航天技术研究中心物联网大数据应用