基于生成模型从实时观测中学习交通异常
机器学习
2025-07-15 v5 人工智能
计算机视觉与模式识别
摘要
准确检测交通异常对于有效的城市交通管理和缓解拥堵至关重要。我们使用时空生成对抗网络（STGAN）框架，该框架结合了图神经网络和长短期记忆网络，以捕捉交通数据中复杂的时空依赖关系。我们将 STGAN 应用于来自瑞典哥德堡 42 个交通摄像头在 2020 年数月间收集的实时逐分钟观测数据。图像经过处理以计算代表车辆密度的流量指标，并作为模型的输入。模型使用 2020 年 4 月至 11 月的数据进行训练，并在 2020 年 11 月 14 日至 23 日的独立数据集上进行验证。我们的结果表明，该模型能够以高精度和低误报率有效检测交通异常。检测到的异常包括摄像头信号中断、视觉伪影以及影响交通流的极端天气条件。
引用
@article{arxiv.2502.01391,
title = {Learning Traffic Anomalies from Generative Models on Real-Time Observations},
author = {Fotis I. Giasemis and Alexandros Sopasakis},
journal= {arXiv preprint arXiv:2502.01391},
year = {2025}
}