论文部分内容阅读
交通事件检测算法是把握道路异常运行状态、进行高速公路运营管理的前提和关键技术。其中California算法作为最早出现的交通事件检测算法,能在一定程度上较好地描述交通流实际运行状态,但在复杂场景中算法的误报警率还较高,并且当外界环境变化时算法的自适应性差。因此解决这些问题对改善交通事件检测效果和帮助提高高速公路管理水平具有重要的理论和实际意义。论文针对上述问题,以California算法为研究对象,通过分析算法检测特性改进算法模型,降低误报警率。进而提出一种基于智能算法的参数自整定方法,在此基础上设计一种检测灵敏度系数,并探讨了一种基于事件检测性能的自整定条件,改善算法自适应性。主要研究内容包括:(1)California算法及模型改进。本文首先对交通事件检测California算法的原理和基本流程进行描述,并总结现阶段California算法的改进现状,通过实验对现有的California算法模型进行分析和进一步改进,提出了一种改进的多参数California算法。(2)California算法及改进模型参数自整定。针对现有的研究趋势及缺陷,本文比较分析现有的智能学习算法,提出了一种基于智能算法的California算法参数自整定方法,离线和在线调整算法参数;同时为了帮助建立更高效的救援减少资源浪费,在自整定基础上提出一种检测灵敏度系数,调整误报率与漏报率之间的平衡,为管理者提供主观调节的使用参考。(3)基于事件检测性能的自整定条件研究。针对California算法参数自整定方法在整定过程中遇到的自整定条件设置问题,本文提出一种基于事件检测性能的自整定条件,在考虑时空影响因素的基础上,通过利用多元统计分析的方法,建立了基于事件检测性能的自整定条件模型。(4)参数自整定方法实例分析。将参数自整定方法加入California算法和本文改进的算法中,并运用于渝武高速公路部分路段上进行实例分析。针对多条路段多时间段,当外界环境发生变化时,本文提出的方法可以在一定时间内检测到算法性能变差,并自主整定算法的阈值参数,使检测率和误报率保持在原有水平。本文方法可以明显改善事件检测California算法的实用性和自适应性,帮助建立更高效的救援,减少资源浪费。