基于趋势性指标及波动性指标的交通事件自动检测方法与流程

技术特征：

1.基于趋势性指标及波动性指标的交通事件自动检测方法，其特征在于，包括步骤：

S1、通过传感器采集实时交通数据；

S2、对实时交通数据进行预处理；

S3、基于预处理后的实时交通数据，计算如下的实时特征向量：趋势性指标、波动性指标和上下游变化指标；

S4、将计算获得的实时特征向量作为训练模型的输入序列，采用训练模型计算获得对应的输出结果作为交通事件的检测结果。

2.根据权利要求1所述的基于趋势性指标及波动性指标的交通事件自动检测方法，其特征在于，还包括以下步骤：

S0、从交通数据库系统中获取历史交通数据及对应的告警数据后，构建训练模型并根据获取的数据进行模型训练和评价。

3.根据权利要求2所述的基于趋势性指标及波动性指标的交通事件自动检测方法，其特征在于，所述步骤S0包括以下步骤：

S01、从交通数据库系统中获取历史交通数据及对应的告警数据构成历史样本数据；

S02、对历史样本数据进行预处理；

S03、基于预处理后的历史样本数据，计算如下的历史特征向量：趋势性指标、波动性指标和上下游变化指标；

S04、构建训练模型，将计算获得的历史特征向量作为训练模型的输入序列，将对应的告警数据作为训练模型的输出序列，对训练模型进行训练及评价。

4.根据权利要求3所述的基于趋势性指标及波动性指标的交通事件自动检测方法，其特征在于，所述步骤S04，其具体为：

构建训练模型，将计算获得的历史特征向量作为训练模型的输入序列，将对应的告警数据作为训练模型的输出序列，采用其中80％的训练数据对训练模型进行训练，并用剩下20％的训练数据对训练模型进行评价，从而进行模型优化与重构，直到满足预设的训练参数。

5.根据权利要求3所述的基于趋势性指标及波动性指标的交通事件自动检测方法，其特征在于，所述步骤S04中所述训练模型采用LM神经网络模型或CART决策树模型。

6.根据权利要求1所述的基于趋势性指标及波动性指标的交通事件自动检测方法，其特征在于，所述交通数据包括速度、占有率和/或交通流量。

7.根据权利要求1所述的基于趋势性指标及波动性指标的交通事件自动检测方法，其特征在于，所述趋势性指标是对连续H个时刻获取到的交通数据序列进行以下计算所获得的三个参数：

一、采用最小二乘法对连续H个时刻获取到的交通数据序列拟合得到的曲线的斜率k；

二、计算交通数据序列中的递减趋势时刻数：

$T=\underset{i=1}{\overset{H}{\Σ}}D\left(i\right)$

上式中，T表示趋势指标，D(i)表示前后两个时刻的交通数据的递减趋势，

满足下式：

$D\left(i\right)=\left\{\begin{array}{c}1,k_i\<k_{i-1}\\ 0,k_i\≥k_{i-1}\end{array}\right.$

其中，k_i表示当前时刻的交通数据，k_i-1表示前一时刻的交通数据；

三、计算前H/2个时刻和后H/2个时刻的平均交通数据的差值：

$davg\_H=\underset{i=1}{\overset{H/2}{\Σ}}{k}_i/(H/2)-\underset{i=H/2+1}{\overset{H}{\Σ}}{k}_i/(H/2)$

上式中，davg_H表示计算获得的差值。

8.根据权利要求1所述的基于趋势性指标及波动性指标的交通事件自动检测方法，其特征在于，所述波动性指标包括传感器连续H个时刻获取到的交通数据序列的标准差、峰度和偏度。

9.根据权利要求1所述的基于趋势性指标及波动性指标的交通事件自动检测方法，其特征在于，所述上下游变化指标包括上下游交通数据序列的绝对差值和相对差值。

10.根据权利要求1所述的基于趋势性指标及波动性指标的交通事件自动检测方法，其特征在于，所述步骤S2，其具体为：

对实时交通数据剔除脏数据和误报警数据后，进行数据清洗、缺失值处理。