基于HMM和基于GMM的高速公路交通事件檢測(cè).pdf

1、交通事件是造成道路通行能力下降的主要原因,由于交通事件的發(fā)生時(shí)間地點(diǎn)是隨機(jī)的、不可預(yù)測(cè)的，我們難以及時(shí)檢測(cè)到它，更難以采取相關(guān)措施救援，故極易引發(fā)二次事故。因此，檢測(cè)交通事件并采取有效的救援措施是交通管理與控制的重要組成部分。
　　 本文首先介紹了交通事件的檢測(cè)方法的發(fā)展與現(xiàn)狀，在此基礎(chǔ)上提出了基于HMM和GMM的事件檢測(cè)方法，闡述了交通事件自動(dòng)檢測(cè)系統(tǒng)的結(jié)構(gòu)，對(duì)交通事件數(shù)據(jù)采集中使用的檢測(cè)器進(jìn)行了詳細(xì)介紹，對(duì)檢測(cè)的交通參數(shù)進(jìn)行

2、了概述，描述了檢測(cè)器的選用原則，說(shuō)明了事件檢測(cè)算法的性能評(píng)價(jià)指標(biāo)。
　　 本文提出了兩種檢測(cè)交通事件的方法，即基于HMM（隱馬爾可夫模型）和基于GMM(高斯混合模型）的交通事件檢測(cè)方法?；贖MM的交通事件檢測(cè)分別用正常以及異常交通流建立了HMM模型，然后在此模型的基礎(chǔ)上提出了用于交通事件檢測(cè)的訓(xùn)練算法，以及該模型的識(shí)別算法。這個(gè)算法的優(yōu)點(diǎn)是準(zhǔn)確率較高，算法簡(jiǎn)單，占用的存儲(chǔ)空間很小，適合用于交通事件的實(shí)時(shí)檢測(cè)。運(yùn)用采集到的交通數(shù)

3、據(jù)，分別做了兩個(gè)實(shí)驗(yàn)。根據(jù)第一個(gè)實(shí)驗(yàn)的正常HMM 求得loglik（模型和數(shù)據(jù)吻合似然度），如果loglik大于給定閾值，該模型認(rèn)為沒(méi)有交通事件發(fā)生，否則有交通事件發(fā)生。根據(jù)第二個(gè)實(shí)驗(yàn)的正常以及異常HMM，分別求得loglik1和loglik2，如果loglik1大于loglik2，該模型認(rèn)為沒(méi)有交通事件發(fā)生，否則有交通事件發(fā)生。通過(guò)兩個(gè)實(shí)驗(yàn)的對(duì)比，發(fā)現(xiàn)后者方法較好，準(zhǔn)確率較高。
　　 基于GMM的交通事件檢測(cè)同樣分別用正常以及

4、異常交通流建立了GMM模型，然后在此模型的基礎(chǔ)上提出了該模型的訓(xùn)練算法以及識(shí)別算法。通過(guò)訓(xùn)練分別得到使模型最優(yōu)的λ，檢測(cè)時(shí)將采集的交通數(shù)據(jù)分別根據(jù)正常以及異常GMM求得loglik1和loglik2，如果loglik1小于loglik2，該模型認(rèn)為沒(méi)有交通事件發(fā)生，否則有交通事件發(fā)生。這個(gè)算法的優(yōu)點(diǎn)是模型訓(xùn)練時(shí)間短，識(shí)別率高，檢測(cè)時(shí)間短。
　　 文章在最后對(duì)全文進(jìn)行了總結(jié)，說(shuō)明了本文的創(chuàng)新之處，并且指出了其中的不足之處，提出了今