应用深度学习基于时空序列数据实时检测交通事故
机器学习
2019-12-24 v2 机器学习
信号处理
摘要
事故检测是交通安全的重要一环。许多道路使用者遭受交通事故及其后果（如延误、拥堵、空气污染等）的影响。本研究利用两种先进的深度学习技术——长短期记忆网络（LSTM）与门控循环单元（GRUs）——来检测芝加哥的交通事故。选择这两种技术是因为它们在序列数据（即时间序列）上表现良好。完整数据集由选自芝加哥高速公路的241个事故案例和6038个非事故案例组成，包含交通时空数据、天气状况数据和拥堵状态数据。此外，由于数据集不平衡（即非事故案例远多于事故案例），采用了合成少数类过采样技术（SMOTE）。总体而言，两个模型表现均显著良好，曲线下面积（AUC）均为0.85。不过，就检测率而言，GRU模型略优于LSTM模型。两个模型在误报率方面表现相近。
引用
@article{arxiv.1912.06991,
title = {Applying Deep Learning to Detect Traffic Accidents in Real Time Using Spatiotemporal Sequential Data},
author = {Amir Bahador Parsa and Rishabh Singh Chauhan and Homa Taghipour and Sybil Derrible and Abolfazl Mohammadian},
journal= {arXiv preprint arXiv:1912.06991},
year = {2019}
}
备注
13 pages, 4 figures,2 tables