31、从噪声标记数据中学习检测不利交通事件

从噪声标记数据中学习检测不利交通事件

1. 引言

及时的应急响应能显著降低高速公路事故的成本。借助实时交通流量数据，自动事故检测系统有望比人工操作员更早地检测到事故，从而节省大量的资金和挽救生命。

目前广泛部署的交通事件检测模型大多是固定结构模型，例如“California #2”模型。这些模型需要结合并对一组信号（如流量、速度和速度导数）设置阈值，而这些阈值的调整需要交通专家的大量参与，且不同站点的设置通常无法通用，这大大增加了调整成本。因此，检测算法的可迁移性成为自动事故检测的核心问题。

机器学习为解决这一问题提供了可能。如今，许多高速公路上安装的交通传感器网络收集了大量数据，使得机器学习方法能够设计出可自动调整的检测模型，减少或消除昂贵的重新校准过程，并提高性能。实验表明，基于支持向量机（SVM）的检测方法轻松超越了经过最优校准的标准模型（California 2）。

然而，学习框架仍有改进空间。事故数据的标签存在缺陷，事故初始时间的记录存在可变延迟，导致事故标签与事故对交通流量产生影响的起始时间可能不一致。使用这种对齐不佳的数据进行训练会导致检测器性能不佳。为解决这一问题，我们提出了一种基于动态贝叶斯网络的标签重新对齐模型，该模型可以对事故标签进行重新校准，从而提高检测性能。

2. 数据与检测任务

2.1 交通与事故数据

数据由传感器网络收集，这些传感器利用多种物理原理检测过往车辆。通常会观察并汇总三个交通量：平均速度、流量（过往车辆数量）和占有率（道路被车辆占用的百分比）。都市交通管理中心（TMC）记录的事故信息包括大致位置、事故时间和应急响应人员清理事故的时间，同时还提供简短的事故