基于CNN的城市道路交通事件检测算法

作     者：施俊庆 陈林武 李素兰 孟国连 夏顺娅 SHI Jun-qing;CHEN Lin-wu;LI Su-lan;MENG Guo-lian;XIA Shun-ya

作者机构：浙江师范大学工学院浙江金华321004 浙江师范大学浙江省城市轨道交通智能运维技术与装备重点试验室浙江金华321004 武汉市桥梁维修管理处湖北武汉430014 

出 版 物：《公路交通科技》 (Journal of Highway and Transportation Research and Development)

年 卷 期：2022年第39卷第3期

页      面：176-182页

核心收录：

学科分类：03[法学] 0306[法学-公安学] 

基　　金：浙江省自然科学基金项目(LY18E080021) 金华市科技计划项目(2021-4-346)。 

主　　题：城市交通 检测算法 卷积神经网络 交通事件 浮动车 深度学习 

摘      要：交通事件检测是预防和缓解城市路网偶发性交通拥堵的重要手段。基于卷积神经网络(CNN)和浮动车数据(FCD),提出1种改进的城市道路交通事件检测算法,形成城市道路交通流的时空特征与交通事件之间的映射关系。将道路按照交叉口分段设置,重构具有时空特征的多维信息输入张量,通过时空矩阵来描述完整的道路交通流时变信息。在隐藏层和输出层的计算中,利用多层卷积-池化结构提取数据高层次特征,选取ReLU作为卷积层激活函数,采用最大池化函数作为池化层计算依据,使用激活函数实现全连接层的非线性映射,利用SoftMax函数计算输出层,并通过误差计算修正隐藏层的权值。以武汉市出租车轨迹数据和部分交通事故数据对算法的有效性进行验证,其中的70%作为训练集,30%作为测试集。结果表明:相较于传统的BP算法,本算法的事件检测率达85.33%、误报率为2.80%,精确度为95.52%,各项性能指标均有所提升,能较好地适用于城市道路交通事件检测;多层网络结构能够更好地提取城市道路交通流的时空特征,充分学习交通流的周期性变化规律,更好地识别早晚高峰和交通事件造成的交通流异常现象。