基于一類學習的高速公路事件檢測方法.pdf

1、高速公路突發(fā)事件通常是指在高速公路上行駛的車輛發(fā)生碰撞、刮擦、翻車、失火或爆炸等所造成的車貨損壞及人員傷亡，這些不可預知的交通事件給國家和人民帶來極大的損失，嚴重影響高速公路的正常運行。 當高速公路發(fā)生突發(fā)事件時，發(fā)生路段在短時間內，上游交通流出現(xiàn)擁擠，車速變慢，密度超過正常平均值；下游交通流出現(xiàn)疏散，密度小于平均值，這將會導致通行能力迅速下降。如果下降到低于交通需求時，就會產(chǎn)生偶發(fā)性交通擁擠，致使交通癱瘓。 然而，交通

2、事件的發(fā)生頻率一般比較小，大部分時間為無事件發(fā)生情況，即對于采集的樣本數(shù)據(jù)，大量的樣本會集中在某一個緊湊區(qū)域，稱為正常樣本；而少量事件樣本會根據(jù)事件發(fā)生時的特征散布在緊湊區(qū)域的周圍。為了達到檢測目的，本論文引入基于SVM的一類學習方法來解決此問題。該方法在特征空間上建立學習樣本分布區(qū)域的模型并構造判決函數(shù)，當未知樣本落入判決區(qū)域內部時判為正常，否則判為異常。該方法無須對樣本的分布給出任何先驗的統(tǒng)計假設，即使樣本分布是非凸、非連通的也可以

3、得到很好的判決函數(shù)，學習的過程也不存在局部收斂問題。并且對于事件檢測時的漏報和誤報，只需讓判決函數(shù)盡可能緊湊的覆蓋學習樣本即可。 針對高速公路事件發(fā)生時各個交通參數(shù)變化的特征，論文中采用對事件發(fā)生敏感度最高的3個交通參數(shù)的變換量作為特征值，根據(jù)實地數(shù)據(jù)進行樣本的訓練學習，標定了判別模型；對于實際中存在的檢測率和誤報率之間的對立矛盾，采用折中的處理方式，保證檢測率較高的前提下，降低事件的誤報率，增強實時處理能力，實驗檢測結果表明該