基于 YOLOv11-DIoU 与 GRU-Attention 的高速公路拥堵预警技术研究
计算机视觉与模式识别
2025-11-05 v2
摘要
高速公路拥堵严重降低旅行效率并阻碍区域互联。现有“检测-预测”系统存在关键缺陷：在遮挡情况下车辆感知精度低，且在拥堵预测中难以捕获长序列依赖关系。本研究提出一个集成技术框架以解决上述问题。对于交通流感知，优化了两个基线算法。传统 YOLOv11 升级为 YOLOv11-DIoU，通过替换 GIoU Loss 为 DIoU Loss 实现。DeepSort 通过融合 Mahalanobis（运动）和余弦（外观）距离进行改进。在常熊高速公路视频实验中，YOLOv11-DIoU 实现了 95.7% mAP（较基线高出 6.5 个百分点），遮挡漏检率为 5.3%。DeepSort 达到 93.8% MOTA（较 SORT 高出 11.3 个百分点），仅有 4 次 ID 切换。在采用 Greenberg 模型（针对 10-15 vehicles/km 高密度场景）的实验中，速度与密度呈强烈负相关（r=-0.97），符合交通流理论。对于拥堵预警，构建了一个 GRU-Attention 模型以捕获拥堵前兆。经 300 轮训练，使用流量、密度和速度数据，实现了 99.7% 测试准确率（较传统 GRU 高出 7-9 个百分点）。在 30 分钟拥堵的 10 分钟提前预警中，时间误差 ≤ 1 分钟。使用独立视频进行验证，显示 95% 的预警准确率，拥堵点空间重叠率超过 90%，在高流量（>5 vehicles/second）场景下表现稳定。这一框架为高速公路拥堵控制提供了量化支持，具有广泛的智能交通应用前景。
关键词
引用
@article{arxiv.2509.13361,
title = {Research on Expressway Congestion Warning Technology Based on YOLOv11-DIoU and GRU-Attention},
author = {Tong Yulin and Liang Xuechen},
journal= {arXiv preprint arXiv:2509.13361},
year = {2025}
}