面向交通事故检测的类别不平衡时空交通流数据深度表示
机器学习
2021-08-24 v1
摘要
交通事故的自动检测对改善交通、公共安全和路径规划具有关键作用。通过缩短事故发生与救援队伍派出之间的时间，可挽救许多生命；通过通知驾驶员选择替代路线，可节省大量出行时间。该问题的主要挑战在于事故的稀少性以及环境空间异质性。本文研究使用长短期记忆（LSTM）网络对环形检测器数据进行深度表示，以实现高速公路事故的自动检测。该基于 LSTM 的框架在编码特征空间中增大了类可分性，同时降低了数据维度。我们在明尼苏达州双城都会区高速公路收集的真实事故与环形检测器数据上的实验表明，使用 LSTM 网络对交通流数据进行深度表示有潜力在 18 分钟内以 0.71 的真正率和 0.25 的假正率检测高速公路事故，优于同等设置下的其他竞争方法。
引用
@article{arxiv.2108.09506,
title = {Deep Representation of Imbalanced Spatio-temporal Traffic Flow Data for Traffic Accident Detection},
author = {Pouya Mehrannia and Shayan Shirahmad Gale Bagi and Behzad Moshiri and Otman Adam Al-Basir},
journal= {arXiv preprint arXiv:2108.09506},
year = {2021}
}