利用闭路电视监控视频与多源数据增强城市交通管理：当前状态预测与频繁情节挖掘
机器学习
2025-10-14 v1 人工智能
摘要
快速城市化加剧了交通拥堵、环境压力和交通系统的低效率，迫切需要智能且自适应的交通管理解决方案。依赖静态信号和人工监控的传统系统难以应对现代交通的动态特性。本研究旨在开发一个统一框架，集成闭路电视监控视频与多源数据描述符，以增强实时城市交通预测。所提出的方法结合了时空特征融合、用于序列交通模式发现的频繁情节挖掘（FEM）以及用于稳健交通状态预测的混合LSTM-Transformer模型。该框架在包含46个摄像头、313,931个标注边界框的CityFlowV2数据集上进行了评估。它实现了98.46%的高预测准确率，宏精确率为0.9800，宏召回率为0.9839，宏F1分数为0.9819。FEM分析揭示了显著的序列模式，例如置信度超过55%的中度-拥堵转换。系统生成了46个持续拥堵警报，这显示了主动拥堵管理的实用价值。这强调了将视频流分析与多源数据相结合，以设计实时、响应式、可适应的多层次智能交通系统的必要性，从而使城市出行更智能、更安全。
引用
@article{arxiv.2510.09644,
title = {Enhanced Urban Traffic Management Using CCTV Surveillance Videos and Multi-Source Data Current State Prediction and Frequent Episode Mining},
author = {Shaharyar Alam Ansari and Mohammad Luqman and Aasim Zafar and Savir Ali},
journal= {arXiv preprint arXiv:2510.09644},
year = {2025}
}
备注
24 pages, 9 figures