DeepFlow：基于孪生网络的异常交通流检测
机器学习
2021-08-30 v1
摘要
如今，许多城市配备了监控系统与交通控制中心，以监控车辆交通保障道路安全与效率。监控过程大多人工完成，效率低且成本高。近年来，文献中提出了若干数据驱动的解决方案，利用机器学习技术自动分析交通流数据。然而，现有方案需要大型且全面的数据集进行训练，而这些数据集不易获取，从而限制了其应用。本文中，我们开发了一种称为 DeepFlow 的交通异常检测系统，基于孪生神经网络，适用于仅含小规模训练数据集的场景。我们的模型可通过分析车队中车辆采集的轨迹数据来检测异常交通流。为评估 DeepFlow，我们在 SUMO 中使用了真实的车辆交通仿真。结果表明，DeepFlow 以 78% 的 F1 分数检测异常交通模式，优于其他现有方法，包括：动态时间规整（DTW）、全局对齐核（GAK）与 iForest。
引用
@article{arxiv.2108.12016,
title = {DeepFlow: Abnormal Traffic Flow Detection Using Siamese Networks},
author = {Sepehr Sabour and Sanjeev Rao and Majid Ghaderi},
journal= {arXiv preprint arXiv:2108.12016},
year = {2021}
}
备注
7 pages, 12 figures, 3 tables