一种基于复合交通流特征提取的交通事故检测方法

中文题目：一种基于复合交通流特征提取的交通事故检测方法

录用/见刊时间：2022

论文题目：A Novel Traffic Accident Detection Method with Comprehensive Traffic Flow Features Extraction

录用期刊/会议：Signal, Image and Video Processing (2022 JCR Q4)

原文DOI：https://doi.org/10.1007/s11760-022-02233-z

作者列表：

1) 朱丽萍 中国石油大学（北京）信息科学与工程学院 计算机系

2) 王丙垚 中国石油大学（北京）信息科学与工程学院 计算机系 研19

3) 郭爽 中国石油大学（北京）克拉玛依校区 石油工程学院 计算机系

4) 田港一 中国石油大学（北京）信息科学与工程学院 计算机系 研19

摘要:

随着机动车数量的增加，交通事故的发生频率也越来越频繁，因此需要一种有效的交通异常检测算法实现对交通数据流的异常检测。现有的方法仅依靠原始交通流进行异常推断，但缺乏对深层特征的提取和表征。

在本文中，我们提出了三个有效的交通流特征表征方式，即道路拥堵程度、交通强度和交通状态不稳定性，用于更全面的交通状态表示并实现异常检测。结合残差分析、二次判别、多分辨率小波分析方法提取上述特征，而后可将其应用于交通异常检测的下游任务。实验结果表明，基于复合交通流特征的事故识别方法比原始交通流识别方法更加有效。

设计与实现:

本文实现的交通流事故检测整体流程图如下：

1.道路拥堵特征：

主要解决现有算法存在的三个问题 1）参数临界值很大程度上取决于人工分析。 （2）缺乏对不同交通检测器的参数和配置多样性的考虑。 （3）忽略了观察到的速度流量参数，且并未考虑其他特殊异常情况。下图展示了检测器S400430的交通流数据，其中X轴代表流量，y轴是占用率，颜色表示速度。

本文根据公路拥堵的实际特性，首先利用以下线性函数模型实现相关状态的映射：

根据3σ准则可认为上述残差

大于3σ的点处于道路拥堵状态，然后使用QDA算法进行学习得到分类预测模型，将该模型重新应用到该探测器的数据上，得到对应的交通拥堵的程度。

2.交通强度特征：

交通强度是指每单位时间检测器检测到的车辆数量。此外，由于工作日和假期的交通模式不同，需要对数据进行预处理以进行后续分析。根据进一步实验和验证，交通强度特征定义如下：

3.交通状态不稳定性特征：

我们设计了一种基于小波分析的方法来提取交通状态不稳定性的特征。 该方法应用于三个原始观察到的流量参数（流量，速度和占用），并获得相应的局部活动和波动强度特征，以表示交通流的整体和局部变化。

交通状态不稳定性特征定义如下：

验结果及分析:

实验基于美国PEMS系统的I80-E高速公路的流量数据。由6524个样本构成实验数据集。然后，我们使用提出的复合特征构建方法来提取60个复合特征，使用机器学习模型进行进一步的事故检测。下表展示了不同模型下的实验结果，其中RTS表示使用复合特征得到的结果，RAW则是使用原始数据得到的结果。

作者简介:

朱丽萍：博士，计算机系副教授，硕士生导师。目前主要研究方向是大数据和数据挖掘方向，尤其关注深度学习在计算机视觉方向上的应用，已发表论文多篇高水平论文。联系方式：zhuliping@cup.edu.cn