[发明专利]一种基于改进随机森林的自适应交通事件检测方法

说明书

本发明公开了一种基于改进随机森林的自适应交通事件检测方法，该方法包括：获取检测周期T内车辆出入相邻两个ETC门架的数据；计算交通参数；基于k‑means聚类生成平衡样本集；利用平衡样本集训练随机森林模型；将实时交通参数作为输入向量输入建立好的随机森林模型并输出事件检测结果；根据检测结果计算误检率，然后根据误检率进行模型自适应性调整。本发明通过引入k‑means聚类抽样产生平衡样本，根据平衡样本生成随机森林，并且考虑了速度离散特征，以检测周期内的流量、平均速度和速度离散度作为输入向量，输入所生成的随机森林模型，进行实时事件检测，最后根据历史误检率对算法进行自适应调整，从而实现了交通事件的实时准确检测。

技术领域

本发明涉及一种基于改进随机森林的自适应交通事件检测方法，属于路段交通事件检测领域。

背景技术

随着国民人均汽车保有量的上升，加上道路网越来越复杂，道路交通事件频发，如交通拥挤、交通事故和道路施工等，不仅降低了道路通行能力，也危害着出行者的交通安全。准确实时的交通事件检测不仅可以为出行者提供及时准确的道路事件信息，使出行者合理规划出行路线，从而保证道路通行能力，也可以使管理者及时获取事件信息，对道路交通事件进行迅速处理，从而减少交通延误，避免二次事故的发生，提升交通安全。因此，提升交通事件检测算法的准确性和实时性具有重要意义。

随着人工智能技术的飞速发展，人们开始将先进的人工智能算法应用到交通管理系统中来，有效地检测交通事件，并迅速响应和及时处置。代表算法有神经网络、模糊逻辑、随机森林、支持向量机和K近邻等，其中性能最好的是随机森林算法，具有训练速度快、不易过拟合、检测精度高的优点。但是对于不平衡样本集，随机森林算法的检测结果偏向于训练数据中数量较多的类别。由于交通事件数据属于不平衡样本，因此采用随机森林算法进行事件检测时必须对训练样本进行重抽样，产生平衡样本。

同时，以往采用人工智能算法进行的事件检测都没有考虑到算法随着时间改变发生的检测性能变化，这也是由人工智能算法训练时间过长这一缺点导致的。因此，虽然人工智能算法检测效率和检测精度高，但是很少应用于实际的道路交通事件检测系统中。基于此，研究人工智能算法的自适应性，对更加高效准确地检测交通事件以及提升事件检测算法在现实中的应用性具有重要意义。

发明内容

本发明所要解决的技术问题是：提供一种基于改进随机森林的自适应交通事件检测方法，针对传统基于随机森林的交通事件检测方法未考虑训练样本的数据平衡问题和算法的自适应调整问题，导致检测结果可靠度不高的缺点，提出了一种基于k-means聚类重抽样的改进随机森林交通事件检测算法，同时根据历史误检率对算法进行自适应调整，以提升事件检测的准确性和实时性。

本发明为解决上述技术问题采用以下技术方案：

一种基于改进随机森林的自适应交通事件检测方法，包括如下步骤：

步骤1，定义某相邻两个ETC门架之间的路段为检测路段，按车辆行驶方向将车辆先经过的ETC门架定义为上游门架，后经过的ETC门架定义为下游门架，获取检测周期T内进入上游门架的每辆车的车牌及对应的进入时间数据，获取检测周期T内离开下游门架的每辆车的车牌及对应的离开时间数据；

步骤2，根据步骤1获取的数据，计算检测周期T对应的交通参数，所述交通参数包括流量、路段平均速度和速度离散特征；

其中，速度离散特征的计算公式如下：

式中，c_v表示速度离散特征，表示路段平均速度，σ_v表示车速标准差，且

v_i表示第i辆车的单车速度，n为在检测周期T内进入上游门架并离开下游门架的车辆总数即流量；