文摘

交通事件检测是智能交通系统的一个主要研究领域(同期)。近年来,许多大城市遭受沉重的交通流和交通拥堵。因此,监测交通场景是一个具有挑战性的问题,由于交通事故的性质和特征。可靠的交通事故和交通堵塞检测提供有用的信息,提高交通安全,交通事故的特点,交通违章,驾驶模式,等。本文调查交通事故的估计混合观察者(HO)方法,检测到一个交通事故,使用一种改进的自动事件检测(援助)技术的基础上,换道速度在公路交通环境机制。首先,我们开发了车辆和路边单元之间的联系(限制)通过使用一个灯塔机制。然后,他们会交换信息一旦车辆进入无线介质。其次,我们利用概率方法收集交通信息数据,通过使用车辆基础设施(V2I)通信。第三,我们估计的交通事故用何方法可以提供一个事件发生的准确估计。最后,为了准确地检测交通事件,我们应用基于换道概率通过V2I收集的数据通信速度的机制。从模拟获得的实验结果和分析表明,该方法优于其他方法而言,获得一个更好的估计同意与理论的交通事故事件中,30%左右速度检测的交通事故和交通堵塞耗散快25%。 With regard to duration of an incident, the proposed system obtained a better Kaplan–Meier (KM) curve, influenced by the shortest duration of time to clear the traffic incident, in comparison with the other methods.

1。介绍

近年来,智能交通系统(同期)画一个极大的关注,研究者的无线通信技术背景。这引发了关注交通当局,因为大量的车辆在路上造成交通事故、拥挤、道路瓶颈,等。其集成了无线通信技术的交通网络,以提供交通安全,减少交通拥堵,提高交通管理(1,2]。除了交通安全,它也提供娱乐服务等汽车气候信息,上网,等等。在全球许多城市,人们使用私家车、出租车和公共汽车往返目的地。因为道路交通状况可以迅速变得严重,它会影响运输操作。具体地说,许多城市都遭受严重的交通拥挤的城市和公路交通环境中,这是由交通事故造成的(3]。因此,交通事故造成的损失和干扰,直接与交通事件的持续时间有关,可能会进一步恶化的交通流。在这种情况下,事件的早期检测是必要的调查和实施交通战略的。这些早期的事件检测可以缓解交通拥堵,因此提高交通流的实时交通监控系统(4]。

交通事故被称为交通流的突变,这减少了道路容量和增加交通拥堵。过去,交通事故是很难分析由于事件的本质是不断变化,这使得检测更复杂的运输部门。这种复杂性可能导致失败的交通管理系统。因此,有一个伟大的需要设计一个复杂的算法,这是能够估计和检测交通事件。的具有挑战性的问题是估计和检测事件从交通堵塞的场景5]。一般来说,这一事件被称为一个事件的发生产生干扰正常交通流(6]。监控摄像头被放置在路上来检测交通事件。事件检测和分类在交通管理系统一个非常重要的方面。交通管理系统有能力进行自动事件分类(AIC)来评估不同类型的事件(7]。

正如前面提到的,在过去,人们提出了很多方法用于从循环等探测器探测器收集数据,雷达检测器、视频检测器,等等。在这种背景下,V2I通信系统是用来收集数据从车辆检测交通事件。V2I沟通是一个健壮的系统,这是一种高度的出资(8,9]。援助算法处理收集到的数据,可以生成事件警报的任何交通事故和违规行为。交通事件可以发现通过使用全球定位系统(GPS)检测器。仓叶等。10)提出了事件下交通流动态的属性使用从GPS浮动收集的数据。在这个方案中,一个方法能够预测交通堵塞的时间和地点受到交通事故的影响。监控摄像头被放置在路上来检测交通事件。事件检测和分类是交通管理系统的一个非常重要的方面。交通管理系统有能力进行自动事件分类(AIC)来评估不同类型的事件(7]。任等。11)提出了一个基于视频的技术监督和检测交通事件通过评估的分布特征路段交通状态。事件检测系统(IDS)发挥重要作用在其收益很多近年来科研界的关注。ids旨在检测事件或不愉快的情况,如交通事故、交通违章和交通拥堵利用通信技术(5,6]。它是获取的主要挑战问题的早期和准确检测交通事件(12]。

在过去的几十年里,机器学习技术已经广泛用于检测交通事件。讨论了许多人工神经网络(ANN) (7]。里奇和Cheu13]引入了安技术能够检测交通事件具有更好的性能。然而,安参数的收集非常复杂,很难获得。混合的方法是引入的结合时间序列分析和机器学习计划来检测事件(14]。这种方法可以准确地检测交通事件。金等。15]介绍了建设性的概率神经网络(CPNN)公路交通环境。这个模型在i - 880测试和评估考虑在线和离线的交通情况。然而,这种方法只能检测小交通事故。

提高援助的性能,介绍了支持向量机(SVM)来检测交通事件(4,16,17]。在[4),两种svm训练和模拟交通事故数据。这种方法并没有产生一个强大的结果,因为SVM参数的选择标准和内核总是非常复杂在训练过程中为了构造一个样本。肖(18介绍了支持向量机和 - - - - - -最近邻(资讯)整体学习法来检测交通事件。这个模型火车SVM和学习资讯,并结合他们获得更好的结果。王等人。7]介绍了事故交通数据通过使用支持向量机分类方法。然而,这种方法不能支持小流量数据,需要更长的时间来处理交通数据由于圣的特征信号。在Twitter等社交媒体,它已成为最著名的工具用于收集信息和有一个大的用户帐户数据库,可以向公众共享的一部分数据使用api [19]。近年来,许多作品提出了检测交通事件通过分析从微博事件的地点和时间。在裁判。19),顾等人介绍了实时交通检测从Twitter REST API的使用。该方法利用Semi-Naive贝叶斯(SNB)方法检测5个不同事件和获得更好的性能。然而,微博的处理不同事件的情况下,往往需要大量的计算时间。舒尔茨et al。20.]介绍了一个方法来检测通过分析微博小事件。这个方法获得一个更好的检测一个事件,但只适用于底层应用程序。

达比利和Heaslip21)提出了一个框架,它能够监视和检测交通事件的基础上推特,利用深度学习的方法。该方法利用众多的微博来评估所需的交通事件条件和大量计算时间来处理这些消息。Zhang et al。22]介绍了一种新的方法来检测交通事件微博使用深度学习的方法。该方法利用数以百万计的tweet,并应用于两个大城市。它也取得了更好的交通事件检测,而消耗大量的时间来处理数以百万计的tweet。Paule et al。23geo-localization tweet)提出了一个方法,利用weight-voting算法推票的重量取决于用户的可靠性。该方法获得一个更好的实时交通事件的检测。然而,由于投票用户的增加,该方法也仅限于低覆盖率和有限的用户。

援助算法用于计算新的参数从收集的数据值,然后比较这些值的阈值来识别事件检测。几个著名的瀑布方法等这一类的麦克马斯特算法(24)和加州算法(25]。最近,许多方法已被用于提高现有的援助方案的性能,如集成V2I通信Bayesian-based计划(26),专注于更少的交通流检测事件。他等。27)提出了一个混合树型分位数回归方法预测和评估这一事件持续时间。产生的方法更好的结果比其他预测模型。Peeta et al。28)提出了可变信息标志(VMS)计划,只有专注于事件间隙时间的预测,因为延误造成的事故。

陆et al。29日)提出了一个基于nFoil方法来检测交通事件。该方法在实际交通数据和模拟实现的交通数据来自新加坡的高速公路。该方法产生一个更好的交通事件的检测。然而,它需要更长的时间来处理交通数据。王等人。30.]介绍了一种有效的多模型粒子滤波(EMMPF)来估计和检测交通事件。主要的思想是实现一个EMMPF减少大型计算时间,发生在传统的援助技术在训练数据集。该系统能够减少计算时间和巨大的该方法仅局限于混合动力系统包含一个大模型。基于全球定位系统(GPS)分析、D 'Andrea和Marcelloni [5)提出了一种方法来检测交通事故和交通堵塞获得更好的事故检出率。然而,拟议的系统无法区分交通事故和拥堵事件由于相关性的GPS数据采集或减缓车辆移动。Fogu et al。31日]介绍了e-Notify系统也能够迅速检测出交通事故,减少事故持续时间,通过实施有效的沟通的结合V2I V2V,分别。在过去,提出了改进的基于非参数回归模型来检测交通事件(32]。Popescu et al。33]介绍了一个援助计划,车道改变距离和车道改变速度机制被用来检测交通事件基于交通信息数据的收集利用V2I沟通。然而,这种方法需要较长的时间来处理交通数据的车辆换道距离这个方案也无法区分道路瓶颈引起的交通事故。

的估计和检测交通事件的一个主要挑战它。过去,先前的研究显示,援助是一个著名的和健壮的技术来检测交通事件。也一个援助技术可以克服交通拥堵的位置一个事件的发生引起了交通困难,如道路瓶颈,事故,和残疾人车辆,电子设备故障和其他问题可以扰乱交通流。重要的监测、评估和交通事件的检测提供相关交通相关信息来提高交通安全性和驾驶经验,通过向驾驶员提供实时交通信息来帮助决定。特别是,交通监控、交通事件管理和交通安全管理是提高它的主要支柱。这启发我们进一步调查交通事故的评估和检测。具体来说,交通事故的评估和检测是模式识别相关问题,事件和nonincident必须评估和分类。一个复杂的学习方法可以应用于训练后数据的援助。到目前为止,支持向量机,神经网络和深度学习技术已经用来处理这个问题。这些技术依赖于命题学习系统,这表明数据从这些系统是命题和不可靠的。 Also, a few AID algorithms such a McMaster algorithm [24)和加州算法(25)用于计算新的参数值从收集到的数据和比较这些值阈值来识别事件检测。交通事件的估计可能并不准确,因为混合建模、交通事件可以发生在任何位置不同的交通状况。交通事故估计用何方法和事件检测与改进援助技术并不覆盖在上面的研究。此外,交通数据没有利用分析这一事件的条件。

在本文中,我们提出了一个有效的系统,这是能够估计和检测混合观察者和一种改进的交通事故救援技术,分别。提出系统大大利用PWSL观测估计交通事件和概率的交通数据集合来检测交通事件。首先,我们开发了车辆和限制使用信标机制之间的联系。一旦连接发达,他们将交换与交通有关的信息。第二,我们雇佣了何氏的方法来估计交通事件,这些估计可以提供一个准确的估计的事件发生。第三,为了准确检测交通事件,该方法利用概率方法收集交通信息数据通过使用V2I通信基于车道改变速度的机制。

本文的其余部分的结构如下。部分2介绍了系统建模中汽车签署和信标信号机制进行了讨论。部分3介绍了概率方法获取交通信息数据。部分4介绍了交通事件检测方法的提出了估计。部分5讨论了该模型的比较具有不同能力的方法。仿真结果提出了部分6。最后,部分7本文总结道。

2。系统模型

在这项工作中,我们假定车辆配备有无线模块,用于与放置在道路的限制与任何过往的车辆与交通有关的信息交换。此外,车辆也认为配备事件数据记录仪(EDR) [34),这是用于监测快速加速,速度和车道的车辆信息。

图1显示了系统模型的高速公路交通流在路上车辆前进方向的运动。的限制被放置在路上除了彼此的距离近1.5公里。这些限制可以提供平等的覆盖在其附近。同时,限制位于相邻,在路的另一侧,用于构建基础设施。每个RSU包含一个GPS设备获得车辆的确切位置,一个无线电收发器为发展中过往的车辆和计算设备之间的连接,处理来自车辆的交通信息收集的数据,如车道改变速度和距离。

如图2,图2(一个)说明了车辆的前进方向与恒速和图2 (b)举例说明了一个异常改变车辆的速度在车道改变造成了交通事故。

2.1。汽车签署

在该方法每辆车需要注册和登记细节与运输管理局(TA)。助教负责管理数据库等车辆,车辆ID、司机的个人信息,也为车辆提供证书。重要的是,所有的车辆必须与助教联系。

时间的秘密助教的代表验证车辆的身份当它发布一条消息。下面的秘密可以计算和加密。

让我们假设车辆发送注册请求,助教 。首先,TA将检查身份,的 ,然后生成一个包含三个参数回复 ,在哪里是一个对称密钥,和是两个整数值。

车辆和助教必须初始化计数器的值,增加在收到的每条消息

2.2。信标信号机制

在本节中,我们讨论了报警信号的过程。登录后,每辆车发送信标信号,周期信息,在每一个时间第二次分享的细节信息,比如最近的位置,pseudo-identity RSU和类型的车辆。

让我们假设一个车建立灯塔和传输,建立灯塔表示如下。

在哪里车辆的pseudo-identity吗 , 是用来防止重放攻击,登录过程。是加密的位置和是使用哈希函数的信标信号(35]。

方程(3)是用来计算信标信号,让假设当证人收到一条消息,它立即检查时间戳函数接收的灯塔,然后验证信标信号 。如果两个值匹配,则标内容是正确的。Therefeore,灯塔被认为是有效的在附近的事故车辆。

如图3,所需要的总时间交换车辆和RSU之间的交通信息 , 当车辆正在等待接收信标,和当时车辆和RSU开始开发连接。一旦车辆被访问无线媒介,它将交换信息,如ID,速度,加速度,与RSU时间 ,和交换的信息从RSU车辆时 ,分别。

3所示。交通信息数据的收集

由于大量的交通流在城市交通环境中,数据从外部性与其他车辆在路上往往是相互关联的。因此,很难收集和从每个车辆通过RSU管理数据。为了获得准确的交通事件的检测。首先,我们应用概率方法从过往的车辆(收集数据36]。

我们假设的限制是活跃的和能够收集交通相关信息从车辆经过RSU的概率 。特别是,车辆能够保持可靠的交通信息的数据库来识别交通状况显示交通事件的标志。收集的数据来自机动车辆的概率会导致提供最佳聚合。对于某些应用程序范围从(36]。

让我们假设是一个事件引起的事故车辆,如车辆(见图4),机动车辆通过道路成功的聚合。让的随机变量跟踪车辆的数量提供流量数据信息中过往的车辆。这样方程可以写成如下所示。

方程(4)观察到的二项功能,

在哪里

方程(4)可以表示为如下。

让我们假设事件造成的目标吗 。为了检测活动,必须满足以下条件。

互换可以收益率如下。

在应用自然对数方程(9),然后除以 ,所以最后方程可以表示为如下。

方程(10)是用来确定所需车辆的数量是有意义的聚合的事件造成的事故车辆在公路交通环境中。

4所示。提出交通事件的评估和检测

4.1。设计PWSL混合观察者

设计观测器用于估计和重构的交通状态专用系统用可测量的变量。交通系统的性质和特征是复杂的,混合的观察者能够估计的可能性发生的事件检测交通事件。为了获得准确的估计的交通事件,PWSL模型和混合观察者结合在一起产生一个更好的估计(37]。

估计交通事件,我们已经开发出混合的结构与PWSL观察者,写成。

在哪里是交通事故的观察者获得模式 。 与PWSL确保准确估计交通事故吗理论的事件在任何交通条件。因此,观察到的收益保证估计误差的收敛和稳定的矩阵

估计交通事故连续状态的收敛理论的事件使用连续交通流和连续输出可以表示如下。

在哪里的矩阵结构,取决于交通情况或状态。

交通事故的评估取决于几个因素如交通场景中,道路条件、交通流量,等图4说明了交通事件的估计,这依赖于交通数据和连续的观察者。通过使用连续观察机制,我们可以获得交通事件的准确估计。

4.2。交通状态估计

在大多数的估计方法,利用李雅普诺夫函数确保估计误差的渐近收敛(38]。多李雅普诺夫函数引入了分段李雅普诺夫函数由于分段混合系统的性质,以确保减少错误的保证(39]。

解决何问题依赖于观察者得到确定估计的交通事故能收敛理论的事件吗 。因此,可能误差估计理论和事件之间的差异可以表示如下。

交通事故的收敛估计误差要求获得收益(11),混合观察者的保证是一个赫维茨矩阵。

4.3。交通事件的检测

基于车道检测交通事件变化的速度,限制首先收集交通信息变速车辆之间的相关的内容,然后分析和评估事故中的车辆速度和nonincident条件。在nonincident条件,换句话说,平均速度变化较短的平均时间在改变车道与事件的条件。在这种方法中,我们使用了从RSU收集交通信息与车辆速度变化,评估事件是否发生当车辆换道速度下降的临界区定义的阈值。

图5显示了车辆换道过程,确定这三个汽车 , ,和汽车沿着公路旅行。车辆是开关从“点”巷2巷1“b”通过和交叉车吗 。的异常变化速度从“a”、“b”造成的司机行为产生干扰的其他车辆在路上,随后可能导致交通事故。我们假设速度的异常变化而改变车道的车辆也会引起变异和车辆的干扰速度。RSU计算平均速度变化发生在换道和相关的平均时间 。基于这些参数,定义阈值水平,如果速度变化属于事件阈值区域,然后清楚地表明一个事件发生,这是由于异常的超速行驶在车道上的变化。

5。模型比较

的,模型验证被认为是一个重要的参数,因为它能够评估方法的有效性。不过,研究和实证调查显示,交通事件的检测比其他传统的事件更加复杂和具有挑战性的因交通事故的性质和特点。这些特征取决于交通结构、模式和收集交通信息数据的基础设施。在过去,许多传统的援助技术提出了负责调查交通事故在不同的交通场景24,25]。为了评估该方法的性能,将结果与传统的援助技术。同时,进一步验证了提出的方法是公里估计(40),用于评估与其他主管交通事件的持续时间和间隙的方法。

5.1。事件的阈值区域

图6说明了平均速度的平均变化时间车道改变机制事件检测阈值区域,即。、事件和nonincident场景。可以看出,当一个车道拥挤是因为道路瓶颈,更短的平均车速变化nonincident条件下平均时间与事件的条件。在这种方法中,该方法使用了收集交通数据RSU相关车辆速度变化来评估该事件是否发生改变车道时速度下降的临界区定义的阈值。

5.2。估计的交通事故

图7显示了比较的理论估计事件事件。在仿真中,我们考虑三种情况如低、中等和高交通密度。图7(一)说明理论的比较和估计交通事故交通密度较低。从图7(一),可以看出交通事件的检测需要较长的时间来检测和清除事件。然而,交通事件的估计接近理论事件,这表明,该方法能够预测交通事故交通密度低。

交通密度适中时,该方法的性能评估的交通事件,如图7 (b)。取得了明显改进估计的交通事故。同时,它有最快的间隙的事件检测。更具体地说,该方法获得一个更好的估计比交通密度低,交通事故和交通事故的评估已经同意理论的交通事故。

图7 (c)事件说明了理论的比较与估计的事件时,交通密度非常高。该方法获得最稳健估计的交通事故相比,低流量和减少交通密度。,估计交通事故也非常接近理论事件。这表明该方法同意理论的事件。

5.3。交通事件检测

图8显示了该方法与其他方法的比较。在我们的模拟中,我们认为,当事件发生时,引入了交通拥堵。仿真结果显示在图8表明,交通堵塞是影响交通事故。更具体地说,交通拥堵取决于汽车的数量以替代路线事件发生时。从图8,它可以观察到,该系统实现了最快的交通事件的检测。同样,当事件是通过警察,交通堵塞的方法获得最快的耗散。

图8(一个)显示了该方法的比较沉重的交通拥堵的交通转移的25%。可以看出,改进后的援助技术能够检测最快的交通事件与其他方法相比。图8 (b)显示了该方法的比较与交通转移的35%。当时,当事件发生时,35%的车辆采取其他路线。通过仿真,可以观察到该方法获得更好的事件检测和交通拥堵的最快的耗散。图8 (c)显示了该方法的比较与交通转移的45%。建议改进援助技术能够给最快的事件检测和获得最快的交通拥堵的耗散。

从图9,我们可以评估方法之间的公里的性能曲线和其它援助技术。可以看出,加州算法的事件的持续时间和集成方法相似。这些算法的特点,需要较长的时间来通知警察事件情况,还需要更多的时间来牵引和清晰的一个事件。事件持续时间的公里曲线与援助(CLD / CLS)技术获得更好的性能比集成和加州的方法。收到投诉后,警方在最短的时间内到达事故地点拖带事故车辆和随后明确此事。警察通过使用该方法,能够在最短的时间内清除事件,事故车辆拖走。验证结果表明,该方法能够评估和检测交通事件和最快的检出率。关于一个事件的持续时间,从图可以看出9,该模型获得了更好的公里曲线实现的最短持续时间清除事件在所有其他计划。

6。仿真结果

6.1。车辆和RSU之间的沟通交流

在我们的模拟中,我们认为,车辆的平均速度从RSU是不同的从20英里每小时80英里的高速公路交通环境。车辆和RSU之间交通信息交换的概率确定使用512 kbps等低数据速率和1 Mbps,和高数据率如2 Mbps。如图10,从仿真结果显示交通信息交换的概率随车辆的平均速度的增加经过RSU。低速汽车旅行50英里每小时和下面,它将留在RSU更长时间的覆盖范围,并能够准确的交通信息交换在较低数据速率如512 kbps。当平均车速超过55英里每小时,成功的概率发生在过往的车辆和交通信息交换RSU更高数据速率等2 Mbps,导致提供交通信息交换的概率就越高。

6.2。车辆通信与每个RSU位置

仿真测试进行检查车辆的影响去每个RSU成功的概率如图交换信息11。我们放置四个限制彼此的距离长达1.5公里的除了能检测车辆速度的变化是影响异常的超车,可能导致交通事故的原因。这些限制可以获得每个车辆的交通信息和暴力在他们的范围内。四种类型的汽车等车辆 ,车辆 ,车辆 ,和其他车辆单向三车道交通场景中使用。它可以观察到超越其他车辆而改变车道RSU位置km-10 5公里的距离。从图11可以看出,交通信息的概率增加的车辆朝着下一个RSU位置。因此,车辆之间的紧密联系和RSU开发,成功地导致交换过往的车辆之间的交通信息和每个RSU位置。

6.3。交通信息数据的概率比较

图12显示车辆的数量的影响数据收集的概率。为了准确地检测交通事件,我们有几个参数,该事件的目标 ,应用程序参数能准确检测到一个事件 ,和一辆车的概率与RSU通信 。在方程(替代所有这些值10),解决后,我们获得了32个车辆可以与RSU沟通,与90%的概率。因此,它表明RSU能够获得32车辆的交通信息数据包括事故车辆,也用于检测车辆造成的交通事故更高的精度 。

6.4。性能测试标准

在本节中,我们评估的性能与其他知名的技术,如朴素贝叶斯方法,支持向量机,并使用三个标准即资讯误警率(远),检出率(DR)和分类速度(CR) [41]。

是假警报率,是假警报的数量情况下,然后呢nonincident病例的总数。

其中博士是事故检出率,发现事件的病例数和吗事件病例的总数。

CR的分类率,用于确定事件检测,事件的数量正确分类和吗是事件的总数。

我们进一步评估该方法的性能通过使用性能指数(PI),可写成如下。

在哪里 , ,和博士的重量,和CR。我们假设的值博士的重量,和铬都是1/2。更大的π值表明,该方法取得了更好的交通事件检测。更具体地说,远远值越小,准确检测交通事件的可能性就越高。博士的性能表明,当DR值接近100%。它清楚地表明,该算法能够检测出交通事故。然而,博士更高的值可能会产生一些假警报。

评价了该方法的有效性,我们进一步证明了该方法的性能在i - 880数据集评估,DR、CR、π值,这些值与其他方法进行比较。图13显示了该方法的比较与其他主管方法而言,博士,CR,π值。从图(13日)它可以观察到,该方法取得了更少的价值观与支持向量机方法相比。同时,我们可以观察到,朴素贝叶斯和资讯方法产生坏的最值相比,支持向量机方法。

如图13 (b)博士,该方法取得了最高的值表明,交通事故的准确检测。也可以看出,资讯的方法取得更好的博士值准确地检测交通事件而天真的贝叶斯和支持向量机方法。由于事件的性质和特点,朴素贝叶斯和支持向量机方法无法检测交通事件。

它可以从图13 (b)和图13 (c)博士,然而方法的结果和CR非常接近该方法。此外,从图(13日)SVM的远值非常接近该方法。同时从图13 (d),它可以观察到,该方法取得了更好的π值与其他主管的方法。因此,它清楚地表明,改进后的值,DR、CR、和π增强该方法的性能,因此,该方法具有检测交通事件的能力在i - 880数据集。

更具体地说,从图13博士时,观测值最小值值大于0.90。从观测值,该方法获得了远,DR、CR、和π值的0.018,0.952,0.925,和0.915,分别与资讯0.1912,0.937,0.909,和0.905,分别。显然,改进的值表明,该方法取得了更好的,DR、CR、和π值相比与其他知名的技术,如朴素贝叶斯,资讯,支持向量机方法。

6.5。CPU时间

图14显示了CPU的比较该方法与资讯和支持向量机方法。交通流是10时,该方法和其他方法的CPU时间是非常低的。随着交通流量的增加,所需的CPU更长的时间来处理输入数据集。从图14,它可以观察到所需的资讯和SVM方法由于利用CPU时间更长更多的输入数据,随后需要更长的时间来处理数据集。该方法获得更少的CPU时间来处理输入数据集与其他主管的方法。

7所示。结论

这起事件估计和检测中的重要参数减少交通拥堵,提高交通和道路安全。然而,交通事故可能会导致道路瓶颈,交通拥堵和扰乱正常的交通流量。在本文中,我们提出了一个模型能够估计出交通事故从何方法,然后从一种改进检测交通事件救援技术在公路交通环境。首先,我们提出一个混合观察者的方法来估计交通事故的基础上,结合PWSL模型和模型的估计方法。第二,我们设计了一个概率方法收集交通信息数据通过使用V2I通信基于换道速度机制能够准确检测交通事件。分析表明,该方法可以更精确地估计交通事故和有潜力估计交通事件和三种不同的交通密度。的意思是模拟,该方法取得了更好的交通事件,估计这同意与理论上的事件。此外,通过比较该方法的有效性检测交通事件,该方法优于其他方法得到最快的事故检出率,并最快的交通拥堵的耗散。与其他方法比较而言,事件的持续时间,该方法获得的最短持续时间事件。此外,我们进一步评估该方法的性能与朴素贝叶斯等知名技术,然而,SVM使用i - 880流量数据。 Experimental results show that the proposed method obtained a better performance compared with other methods.

在未来,我们将提高该模型通过使用联合学习和支持向量机(SVM)技术,可以产生鲁棒检测交通事件。同时,我们将利用5 g无线网络获得的交通信息数据的准确性将会成功地应用于估计交通事故。

数据可用性

性能测试数据用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这部分工作是支持国家重点研究和发展项目拨款2018 yfb1600503,部分由中国自然科学基金会赠款U1564201下,1664258,61773184。