使用多头+LSTM对异常交通事件进行多阶段分类
Pratik Jadhav1,2, Abderrahim Benslimane3, Deepali R Vora4
1Artificial Intelligence and Machine Learning Department, Symbiosis Institute of Technology, Symbiosis International (Deemed) University, Pune, 412115, India.
Scientific reports
|December 8, 2025
概括
本研究引入了一种新的多头+LSTM模型,用于先进的交通分析. 该模型准确地检测异常,分类拥堵,识别事故,改善城市交通管理.
科学领域:
- 智能运输系统 (ITS) 是一种智能运输系统.
- 深度学习应用程序
- 城市流动性分析
背景情况:
- 交通拥堵,异常和事故严重影响城市交通效率和道路安全.
- 现有的统计和机器学习模型与交通模式的动态性质作斗争.
- 准确的事件检测和分类对于交通管理,应急响应和基础设施规划至关重要.
研究的目的:
- 开发一个强大的框架来检测异常,分类拥堵水平和识别交通事故.
- 通过整合时间依赖和上下文天气信息来提高交通事件分析的准确性.
- 在复杂,不断变化的交通环境中克服传统模型的概括局限性.
主要方法:
- 在多阶段分类框架内提出了多头+LSTM模型.
- 采用隔离森林用于异常检测,K-means集群用于拥堵分类 (低,中,高),以及空间值 (1.5公里) 用于事件识别.
- 在15天的PeMS交通数据上训练模型,并将天气信息纳入,以提高预测准确度.
主要成果:
- 拟议的多头+LSTM模型在所有分类阶段显著优于现有方法.
- 与传统方法相比,实现了更高的精度,回忆,F1得分和ROC-AUC.
- 在异常检测,拥堵分类和事件识别方面表现出强大的性能.
结论:
- 基于深度学习的方法为智能运输系统提供了重大进步.
- 该模型能够捕捉时间依赖性和整合天气数据,从而提高了交通分析的稳定性.
- 这一框架使得数据驱动的决策能够实现更有效的城市交通管理和改善道路安全.