先进Fuzzy-Logic-Based交通事件检测算法

文摘

这项研究展示了一个使用气象和交通事件检测算法参数改善穷人的自动事件检测(援助)算法在极端天气条件下,有效地利用气象设备先进的高速公路。该算法由一个事件检测模块是基于学习矢量量化(LVQ)和气象影响因素模块。字段数据从Yuwu获得高速公路在重庆,中国,来验证算法。此外,该算法的性能评估使用平均检测时间等常用的标准(MTTD),假警报率(远),和检出率(博士)。最初,一个实验进行选择算法架构,收益最佳的检测性能。此外,使用加州算法进行对比实验,指数平滑算法、标准正态偏差算法,麦克马斯特的算法。实验结果表明,该算法在这项研究的特点是高博士,低远,相当适合应用程序的援助。

1。介绍

高速公路的发展引入了显著的经济和社会效益1]。然而,高速公路事故的数量显著增加,增加高速公路通车里程和网络建设,导致一些交通问题,包括减少交通安全,降低交通效率,增加了环境污染,能源消耗增加。高速公路事件必须及时发现,避免严重的交通堵塞,二次交通事故,交通延误。因此,各种援助算法开发。在这些援助算法采取了各种方法来区分交通流状态的变化范围的基础上(即交通参数。,queue length, speed, and occupancy) obtained from inductive loop detectors, and these methods have been effective to various degrees in real detection systems. We can rapidly predict the occurrence of traffic parameters. The AID algorithms are closely related to the traffic parameters, which reflect the state of traffic.

然而,交通参数表现出剧烈的变化在不同天气条件下(2- - - - - -4];如果这种变化是被忽视的,鲁棒性会非常差,错误率会高,和检测率低,类似于观察现有的援助算法。一个算法,可以考虑各种天气条件的影响交通事故检测用于这项研究来解决这个问题;此外,我们开发一个算法,考虑了不同天气条件下对交通事故的影响检测。该算法提出了一种新颖的方法确定因素反映了交通事故的发生之间的关系和天气。此外,该算法使用这个因素和各种交通参数和LVQ神经网络实时检测事件的发生。该算法表现出良好的事件检测性能即使在恶劣天气条件下,从而克服现有检测算法的局限性。

此外,本文的其余部分可以分为四个部分。部分2回顾以往的研究在援助算法,提出了一种广泛的算法设计的总结。节3提出的算法,考虑到气象影响因素。此外,评估该算法使用模拟数据集部分4。随后,该算法相比于加州算法未来说明其性能。最后,部分5概述这项工作的未来以及结束语。

2。文献综述

援助方法主要分为直接检测和间接检测方法(5]。直接检测方法主要是执行目标跟踪和识别以及交通流检测使用视频和图像处理方法。根据间接检测方法检测事件对交通流的影响。援助的主要技术方法包括数据收集、各种检测算法的适用条件,布局和优化设置的交通检测器(固定和移动),多源数据融合规则和报警系统,和选择各种事件的检测技术。此前,模式识别等算法,(6)和统计预测(7),申请执行事件检测。这些早期的援助算法被用来构建模型在理论推导的基础上,假设,简化之间的关系和交通流参数的改变规则。在过去的几十年里,一些援助算法与先进技术8测试过。这些包括模糊逻辑(9),贝叶斯方法(10),人工神经网络(11),偏最小二乘回归(12),组合(融合)的算法13,14),而支持向量机(SVM) [15]。

使用各种数学模型,研究这一主题可以分为几类基于输入数据,检测技术,检测逻辑的复杂性。例如,先进的数据采集技术和数据融合方法已经发展为集成交通数据来改善算法的检测性能援助。里奇CP [16)提出了一个高效的收集车辆交通数据的方法和系统。Faouzi et al。17)提出了一个解决问题的办法,dual-station探测器适应。然而,大部分的研究工作都集中在获得准确的数据没有考虑输入数据对该算法的影响。此外,应用条件下,不同的检测算法的优势,缺点也观察到是不同的。与此同时,一些学者已经投入了相当大的努力创造新的模型或改善原始模型,导致增加了这些模型的复杂性。援助算法往往采用多种理论克服单一理论的不足,和援助算法的结构转变对于输入和输出)模块包含多个模块成一个统一的整体,每一个都表现出独特的功能。王等人。18援助]提出了一种混合方法,结合机器学习与时间序列分析。穿孔等。19]提出的多通道监控执行事件检测基于视频和音频传感器。

此外,实际的道路交通条件不能完全反映在交通参数(20.]。各种因素,如道路速度限制,交通检测器位置,事件类型,和环境,会影响算法性能的援助。在过去几十年里,大量的研究工作一直致力于揭示不同天气条件的影响交通事故的发生。哈桑和Abdel-Aty et al。21]探索高速公路事故之间的关系和可见性使用实时交通流数据和观察到的交通流率增加的交通事件数据和观察到的增加率与低能见度。类似et al。22]研究了天气对高速公路的交通流特性的影响,得出交通流参数不同天气条件下表现出不同的特点。尽管上述研究提出了气象因素对交通事故的影响,小的努力一直致力于援助算法考虑气象因素。林等。23)提出了一个援助算法可以应用在雨天,天不下雨。进一步,他们证明了交通状况可能会影响到交通speed-flow-density关系在不同的降雨强度以及交通参数的关键。然而,在这种方法中,只有这种效应的进一步援助算法被认为是降雨;这种方法不考虑所有的气象因素。

基于文献回顾,我们发现,(1]分析之前进行的论文相对简单,使用的变量和描述执行(2]这些分析不能产生一个量化值反映天气之间的关系和事件发生的频率。根据上述的观察,我们可以得出结论,一个方法需要分析事件的频率和量化气象参数之间的关系。

由于不同天气条件的影响交通事故的发生,通常描述的模糊特征以错误的方式,就像大或小,模糊逻辑可以有效地处理它们。处理后的气象因素之间的关系,使用模糊逻辑发生交通事故,随后的任务是结合气象因素与大量的高速公路上的交通参数检测的事件。LVQ神经网络作为关键技术被广泛应用在数据融合领域,解决这个问题,这种方法被认为是一种有效的分类方法(24,25]。因此,我们利用LVQ结合交通参数和气象因素进行事件检测提高援助算法的性能。

以下两个模块是本研究的核心:(1)事件检测模块的基础上LVQ网络和(2)气象影响因子模块模糊逻辑的基础上。第二模块典型气象参数采用量化交通事故的发生之间的关系和天气状况作为标准使用模糊逻辑值。降雨和能见度的主要参数选为建模。事件检测模型采用LVQ神经网络的使用因素和交通参数检测交通事故。网络的输出表示使用二进制值(1表示事件的发生,而0表示没有事故发生)。

3所示。方法

3.1。基于模糊逻辑的气象影响因子模型

交通事故我们选择敏感的参数作为模型参数中大量的气象因素。降雨和可见性被选为代表的气象因素在这个算法。因为气象影响因素的状态没有明确的边界,我们介绍了模糊理论和使用模糊语言学干扰参数的变化减少边界环境的影响。模糊推理的例程是一个序列的四个部分:(1)隶属度函数;(2)规则库;(3)模糊推理过程;和(4)去模糊化。

3.1.1。隶属度函数

在这个模型中,使用两个主要气象措施包括6个小时的降雨和每小时的可见性。根据交通事故和气象参数之间的关系,一个合适的单位时间内入射频率(如果)被用来描述各种天气条件对交通事故的影响,表示如下:

从数据1和2,它可以观察到,气象条件有明显影响交通事故的频率根据获得的数据从重庆高速公路项目。它随降雨量的增加上升,尽管能见度恶化每单位时间。确定函数成员,三个不同地区划分,以降雨影响水平(R)和可见性(V);降雨是分为大型、中型和小型而能见度分为高、中、低。模糊集是相应的 和 ,宇宙的话语用吗 和 (和表示从历史最大值)。气象措施的影响交通事故的频率分为三个层次,包括小、中、大;此外, 。

基于可见性的线性分布和降雨,梯形和三角形函数被选中来描述模糊集。该方法用于比较领域事件频率与入射频率,预计使用模糊模型可能使模糊函数在实际情况一致。

例如,预期的事件在不同降雨条件下频率可以描述如下: 在哪里 , ,和表示平均入射频率的范围 , ,和 ,分别表示小、中型和大型降雨,分别。

我们可以画出不同的曲线调整的范围 , ,和通过不断的测试。选择最小的区别这两个曲线确定模糊集的范围通过比较不同曲线与实际事件频率在不同降雨范围图1。根据最优曲线,的价值是0.29,是0.37,的0.46在本研究中。的方法被用于确定的范围 , ,和被用来确定可视性的成员函数。降雨和可视性的成员函数都用图表示3。

3.1.2。规则库

规则库包括一组规则是用于描述之间的关系输入(和 )和输出( )。描述的三个条件的规则库(小、中、和严重)是构建未来的知识。如图4,R(事件频率与降雨每六个小时)V(事件频率和每小时的可见性)是用X和Y分别;有九个地区除以X和Y,说明这个规则库包含九个规则。例如,当X很小,Y低,气象条件的影响严重。使用假设的形式,并给出了推理规则表1。

3.1.3。模糊推理过程

和表示模糊集的隶属度函数的降雨和可见性,分别。根据图4,X和Y表示变量的模糊集和 ,分别。首先,让输入 和 。此外,(从1到4)规则可能会选择对于一个给定的一对和 。因为之间的关系和可以被描述为”和“规则库,我们使用Mamdani推理(26)作为确定每个选定的规则推理方法。选择规则的隶属程度可以构造如下: 在哪里表示规则的隶属程度 , 表示的隶属程度 ,和表示的隶属程度 。

在表1模糊集的输出可以拥有三个后果,描述 , ,和 ,这表示小、中、分别和严重。因此,相同数量的影响对不同的对所有选定的规则和没有观察到保持不变。确定所选规则的程度相同的结果,使用max推理方法在这个模型中,可以给出如下: 在哪里表示选择规则的隶属程度相同的结果,和表示程度的规则在一个特定的结果,和表示数量的可能的后果。

3.1.4。去模糊化过程

在最后的模型的过程,一个脆值,揭示了气象条件对交通事故的影响是通过模糊结果的应用;这个值可以构造如下: 在哪里表示气象影响因素。获得的气象影响因素,基于模糊逻辑是描绘在图5。

3.2。LVQ神经网络模型

LVQ),引入了Kohonen et al。27),是一种有效的分类方法。如图4,LVQ网络包含以下三层:输入层,其中包含一个节点为每个输入特性和完全与Kohonen层;输出层,提出了每个类的一个节点;和Kohonen层,执行和输出层部分的分类和学习。

LVQ算法相结合的监督学习和竞争学习。假设每个权向量和输入向量的第一层和 ,分别。此外,两个向量之间的欧几里得距离在Kohonen层可以应用下面的公式计算:

竞争学习而言,重量向量(是它的指数)最近的输入向量将获胜神经元。

在监督学习的过程中,彼此竞争的类找到输入向量,这是最相似的,和欧氏距离最小的声明为获胜者。只有胜者将采用钢筋消极或积极的学习算法来修改它的重量取决于分类。因此,分类被认为是准确如果类变成了类似于赢得输入向量。重量将会增加更近似输入向量。基本的学习过程可以反映在方程如下:

在上面的方程中,权重向量 和用来表示 和 ,分别,而和用来表示输入向量和学习速率,分别在哪里 。这是建议应该是相当小的,如小于0.1;此外,将继续减少,按照给定的方程如下: 在哪里和表示指定的阈值和类的数量,分别。

相反,从输入向量类的分化将会失败,表明分类是不准确的。减少重量将增加类和输入向量之间的区别。以下方程反映了基本的学习过程:

3.3。算法执行

基于上述模型,我们输入流量数据,包括体积、入住率、速度( ,和 ,分别从上游和下游,气象影响因素以上计算,到LVQ神经网络。作为一个二进制值,输出可以表示一个事件是否发生。

的关键的确定交通事故检测算法的性能在于Kohonen层的数量以及输入层。三个模型周期不同于之前的时期当前的时间上游和下游的流量测量的输入是为了找到合适的数量的输入层,在时间的基础上 ,从来 ,从来 。不同的输入模式,Kohonen层的范围可以计算使用以下经验公式的基础上,柯尔莫哥洛夫定理27。 在哪里和代表的数量输入层和Kohonen层,分别。

测试值应该是通过试错 ,在节4.3作为上述公式只能用于推荐可能的最优数量的Kohonen层。

4所示。算法的性能

4.1。字段数据

最近,重庆高速公路已开发出一系列项目基于物联网技术来提高运输效率和增强交通安全。在此背景下,一条长2.2公里的双车道Yuwu高速公路在重庆,中国,这是一个主要的项目开始从K975 K973 + 300, + 500,被选中。获得交通措施,气象条件监控,实时获得的相关数据;此外,两个微波探测器设置下游或上游,沿着路和气象仪器应安装。

本研究采用三个数据集如下:(1)交通措施收集在不同的天气条件下,从2014年2月开始和结束在9月底同年使用微波探测器安装上游和下游;(2)事件数据(2014年2月到2014年9月)获得重庆高速公路;(3)实时数据从气象仪器获得最接近测试道路。因为它没有雪在重庆,降雪和冰雹条件的本研究的范围。可见性和降雨被认为是最重要的方法对该算法中使用的相关数据。

828组数据,包括交通措施,气象数据,和事故状态,在这项研究中,使用这些数据在不同的天气条件下,获得包括阳光、大雾、暴雨。交通参数包括体积、入住率和速度区间来 。在这项研究中,检测周期是5分钟。气象数据积累在30分钟的间隔。828组,138包含事件,而其他690组无事。总的数据被分成两部分测试和训练集,如表所示2。

4.2。评估措施

通常,应该评估援助的性能模型的基础上MTTD,到目前为止,和博士,这些指标被证明是适合这个目的,已经用于一些研究[28,29日];博士、远和MTTD定义如下: 在哪里 , ,和代表事件的数量情况下成功地检测到,警报启动的时间间隔,和时间间隔发生交通事故,分别。

一个算法的有效性可以测量使用博士和,和算法的效率可以得到使用MTTD。一个理想的检测算法应该短MTTD特性;博士应该低,而应该很高。无论如何,存在一个权衡之间的关系,博士,MTTD。持久性测试可以验证算法是否满足执行测试的期望。

4.3。测试结果

进行了一个实验来确定LVQ网络体系结构的最优检测性能测试交通事故检测算法的性能。三个LVQ模型与交通措施在不同长度的时间序列和因子计算在本研究中使用的输入这个实验。上游流量的方法和下游的方法输入覆盖时间来 ,从来 ,和单在模型。按照公式计算(11)和一系列的数字(包括 ),这是 , , , , ,和 在每一个模型;验证这个值来确定Kohonen层的数量。总结了三种模式的架构表3。

包括博士在内的三个标准,和MTTD被认为,寻找最好的架构的新算法和图6表明这三个标准对各种体系结构。远的平均值和架构的博士7和19个输入第一层不如架构有13个输入。因此,交通措施来产量最优交通事件检测的性能。MTTD变化略微不同的架构图7。它可以观察到,最低和最高的博士是按照相同的架构相比,各种坐标,包括 。因此,该算法的最佳体系结构确定 。

4.4。算法的竞争力

该算法使用LVQ神经网络作为基本模型通过输入交通流参数和气象参数。了解气象参数对预测结果产生影响,我们利用LVQ神经网络但不要输入气象参数。与此同时,LVQ神经网络模型也发现相同的验证数据库的最佳体系结构和应用。算法和算法的检测性能没有气象参数相比,呈现在图7。

图7描述,该算法优于不考虑任何气象参数的算法。是观察到的气象参数影响预测结果,证明的价值90.24%和85.53%的博士和他们的值的3.89%和4.22%。此外,MTTD值的方法是类似的,以及它们之间的价值差异只有0.01。气象参数的引入不会增加算法的复杂性。

与此同时,有必要比较现有的算法,该算法使用相同的数据集。这些援助算法包括加州算法、指数平滑算法、标准正态偏差算法,麦克马斯特的算法。事件检测表演这四个现有的算法和该算法比较,图中所示8。

如图8,该算法优于其他算法使用相同的数据集。一套合理的援助算法博士是高于88%,而远低于1.8% (30.]。将1.8%的价值时,该算法的博士是78.56%,高于其余的模型。然而,它仍然是低于马克博士价值是高于88%。这可能是由于过度的道路空间,被认为是在算法校准和LVQ神经网络的局限性。然而,该算法仍然是可行的在不同气象条件下进行检测。

相当大的测试校准所需的阈值之间使用一个给定的数据集获取适当的权衡,博士实现一个算法的最优性能。该算法的最优测试结果展示在表和四个现有的算法4通过考虑适当的远博士之间的权衡。

5。结论

在这项研究中,一个事件检测算法通过考虑气象因素对高速公路的影响。该算法适用于模糊逻辑计算因子反映了交通事故的发生之间的关系和天气条件,利用LVQ网络结合交通参数以及气象因素检测各种事件。该算法解决的问题不稳定的博士,博士低,和高不断变化的恶劣天气条件下,会影响几个援助算法。为了解决这个问题,该算法构造了基于现场数据从Yuwu获得高速公路在中国重庆。

第一个实验表示,该算法( )建筑表现优于其他算法。在此基础上观察,比较实验涉及该算法和其余四个现有的算法。结果表明,该算法比所有剩余的算法执行。这表明该算法表现出更好的检测性能比其余算法根据援助算法性能的指标。

虽然它可以得出的结论是,在这项研究中提出的算法可以提高高速公路事件检测性能,进一步的工作是必需的。因为测试环境的约束,提出了本文,我们使用了字段数据只能从Yuwu获得高速公路来验证该算法。应该使用更多的测试道路和现场数据来验证算法的有效性,提出了本研究的后续研究。

数据可用性

训练和测试数据用于支持这项研究的结果已经存入重庆高速公路库。交通事件数据用于支持本研究的结果包括在本文中。援助算法数据用于支持本研究的发现正在禁运而研究成果商业化。请求数据,6个月后出版的这篇文章中,将会被相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

作者欣然承认研究经费支持广西重要基础EB级云存储系统关键技术及应用示范(批准号Guike AA18118031-5)和桂林大学航空航天技术和物联网研究中心和大数据的应用程序。

引用

1. l .钟太阳x, y . et al .,“高速公路在中国,安全性能函数”美国交通运输研究委员会会议美国新泽西,华盛顿,2009年1月。视图:谷歌学术搜索
2. m·a·Abdel-Aty h·m·哈桑·m·艾哈迈德和a·s·阿尔哈姆迪“实时预测崩溃相关的可见性,”交通研究部分C:新兴技术,24卷,第298 - 288页,2012年。视图:出版商的网站|谷歌学术搜索
3. j . Byun和美国狗,“Speed-flow不利天气条件下的关系,”美国交通运输研究委员会第89届会议美国新泽西,页1 - 20,华盛顿,2010年1月。视图:谷歌学术搜索
4. 依Vlahogianni、m . g . Karlaftis和f p . Orfanou”建模的影响天气和交通在次生事件的风险。”智能交通系统杂志》上,16卷,不。3、109 - 117年,2012页。视图:出版商的网站|谷歌学术搜索
5. 李x, y赵,d .罗,“自动事件检测的方法研究基于视频的车辆轨迹模型,”Acta Scientiarum生物数学Sunyatseni,4卷,不。12日,2011年。视图:谷歌学术搜索
6. w .年轻,a . Sobhani m·g . Lenne和m . Sarvi”模拟安全:回顾艺术道路安全的状态仿真造型,“事故分析和预防卷,66年,第103 - 89页,2014年。视图:出版商的网站|谷歌学术搜索
7. m·g . Karlaftis和依Vlahogianni统计方法和神经网络在交通研究:差异,相似之处和一些见解,“交通研究部分C:新兴技术,19卷,不。3、387 - 399年,2011页。视图:出版商的网站|谷歌学术搜索
8. c . Ma w ., a . Wang和h .赵”发展中协调信号控制系统为城市圈道路汽车基础设施提供商连接环境下,“IEEE访问》第六卷,第52478 - 52471页,2018年。视图:出版商的网站|谷歌学术搜索
9. j . La-inchua s Chivapreecha, s . Thajchayapong”一个新系统对交通事件检测使用模糊逻辑,多数投票,”《2013年10日国际会议日本北九州,页1 - 5,2013年4月。视图:谷歌学术搜索
10. a Gregoriades和k . c . Mouskos黑点识别通过贝叶斯网络事故风险的量化指数”交通研究部分C:新兴技术卷28日,28-43,2013页。视图:出版商的网站|谷歌学术搜索
11. m . Ahmadlou h·埃德里,“强化概率神经网络与地方决策圈:一个健壮的分类器,”集成计算机辅助工程,17卷,不。3、197 - 210年,2010页。视图:出版商的网站|谷歌学术搜索
12. s x Wang Chen, w .郑”交通事件持续时间预测基于偏最小二乘回归,”Procedia-Social和行为科学卷,96年,第432 - 425页,2013年。视图:出版商的网站|谷歌学术搜索
13. j·a·巴里亚和美国Thajchayapong使用微观交通的流量异常检测和分类变量,“IEEE智能交通系统,12卷,不。3、695 - 704年,2011页。视图:出版商的网站|谷歌学术搜索
14. j . Lu陈,w . Wang和h . Van Zuylen“偏最小二乘法和神经网络的混合模型对交通事件检测,”专家系统与应用程序,39卷,不。5,4775 - 4784年,2012页。视图:出版商的网站|谷歌学术搜索
15. b .姚明,p .胡、m . Zhang和m .金”与禁忌搜索算法的支持向量机对高速公路事件检测,”国际应用数学和计算机科学杂志》上,24卷,不。2、397 - 404年,2014页。视图:出版商的网站|谷歌学术搜索
16. c·p·里奇”,对于交通车辆数据收集的方法和系统,“2016年,谷歌的专利。视图:谷歌学术搜索
17. N.-E。e . Faouzi h .梁,a . Kurian”在智能交通系统数据融合:进展和挑战的调查,“信息融合,12卷,不。1、4到10,2011页。视图:出版商的网站|谷歌学术搜索
18. 李x, j . Wang, s . s .廖和z华,“自动事件检测的混合方法,”IEEE智能交通系统,14卷,不。3、1176 - 1185年,2013页。视图:出版商的网站|谷歌学术搜索
19. m .穿孔,d . Schabus, p . Schallauer et al .,“健壮的事件检测、多通道高速公路监控”《智能交通系统(ITSC), 2010年13日国际IEEE会议丰沙尔,页837 - 842年,葡萄牙,2010年9月。视图:谷歌学术搜索
20. c·马、r .他和w·张,“出租车拼车的路径优化《公共科学图书馆•综合》,13卷,不。8,2018。视图:出版商的网站|谷歌学术搜索
21. h . m .哈桑和m . a . Abdel-Aty”预测能见度相关事故在高速公路使用实时交通流数据,”《安全研究卷,45 29-36,2013页。视图:出版商的网站|谷歌学术搜索
22. d .类似v . p . Sisiopiku, a . Skabardonis”天气对城市高速公路交通流特性的影响在伊斯坦布尔,”Procedia-Social和行为科学》16卷,第99 - 89页,2011年。视图:出版商的网站|谷歌学术搜索
23. m·l·w·h·Lam Tam, x,“交通事件自动检测算法对雨和没有雨条件下,“亚洲交通研究4卷,第349 - 330页,2016年。视图:谷歌学术搜索
24. b .锤d·霍夫曼F.-M。朱Schleif, x”,学习矢量量化(dis)相似之处,”Neurocomputing卷。131年,43-51,2014页。视图:出版商的网站|谷歌学术搜索
25. j . p ?梅林Amezcua、f·瓦尔迪兹和o·卡斯蒂略,”一种新的基于LVQ神经网络模型算法心律失常的多层次分类”信息科学卷,279年,第497 - 483页,2014年。视图:出版商的网站|谷歌学术搜索
26. Y.-K。Kang J.-W。金,我。李,S.-B。李,“发展在城市路口十字路口交通事故频率预测模型与模糊推理和神经网络理论,“韩国道路工程师学会杂志》上,13卷,不。1,第77 - 69页,2011。视图:出版商的网站|谷歌学术搜索
27. t . Kohonen k . Makisara o . Simula et al .,“DVQ:动态向量quantization-an增量LVQ,”人工神经网络的国际会议,页1333 - 1336,埃斯波,芬兰,1991年6月。视图:谷歌学术搜索
28. j·肖和y刘”,交通事件检测使用多核支持向量机,”交通研究委员会杂志》上,卷2324,不。1,44-52,2012页。视图:出版商的网站|谷歌学术搜索
29. h . Dia和k·托马斯,”开发和评估动脉事件检测模型使用模拟探测器探测车辆和循环数据的融合,“信息融合,12卷,不。1日相较2011页。视图:出版商的网站|谷歌学术搜索
30. Y.-S。宋,m . Castro-Neto m . k .宋,l·d·汉”小波与适应高速公路事件检测算法的阈值参数,“交通研究部分C:新兴技术,19卷,不。1 - 2011页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021朱长虹et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。