基于交通摄像机和天气数据的道路表面状况机器学习检测：通用模型
计算机视觉与模式识别
2026-02-11 v2 机器学习
摘要
交通部门在恶劣天气事件期间会做出关键的运营决策，包括评估道路状况和资源分配。本研究开发了机器学习模型，为纽约州交通部门（NYSDOT）提供额外支持，自动划分全州道路的当前状况。针对 NYSDOT 路侧摄像机图像和天气数据训练了卷积神经网络和随机森林，以预测道路表面状况。该任务高度依赖一套来自 NYSDOT 的约 22000 张摄像机图像的稳健手工标注数据集，其中包含六种道路表面状况：严重积雪、积雪、潮湿、干燥、能见度差或受阻。强调模型的通用性，以满足 NYSDOT 决策者的运营需求，包括集成运营数据集并使用代表性和真实的图像。本研究中的天气相关道路表面状况模型在完全未见的摄像机上实现了 81.5% 的准确率。该模型在实际部署后，有望提高对道路表面状况的时间空间感知，从而加强运营、道路维护和旅客安全的决策，尤其是在冬季天气事件期间。
引用
@article{arxiv.2510.06440,
title = {Machine Learning Detection of Road Surface Conditions: A Generalizable Model using Traffic Cameras and Weather Data},
author = {Carly Sutter and Kara J. Sulia and Nick P. Bassill and Christopher D. Wirz and Christopher D. Thorncroft and Jay C. Rothenberger and Vanessa Przybylo and Mariana G. Cains and Jacob Radford and David Aaron Evans},
journal= {arXiv preprint arXiv:2510.06440},
year = {2026}
}
备注
Accepted for publication in the International Journal of Transportation Science and Technology (IJTST)