TRB 2024论文分享:基于生成对抗网络和Transformer模型的交通事件检测混合模型

news2024/11/20 3:21:58

TRBTransportation Research Board,美国交通研究委员会,简称TRB)会议是交通研究领域知名度最高学术会议之一,近年来的参会人数已经超过了2万名,是参与人数和国家最多的学术盛会。TRB会议几乎涵盖了交通领域的所有主题,主要包括公路、铁路、水运、航空、管道等诸多领域,接收来自交通系统、交通工程、交通政策、交通管理、交通实际操作、政府研究、学术研究和工业界最新的研究成果。TRB会议的论文反映了交通领域的研究前沿,具有广泛的参考价值。

本文主要介绍我们在交通领域被TRB 2024接收的关于交通事件检测的研究工作,论文的题为《A Hybrid Model for Traffic Incident Detection based on Generative Adversarial Networks and Transformer Model》,第一作者为陆新颖。交通事件检测是智能交通系统的核心任务之一,由于交通数据中大部分为无事件样本,有事件样本是少数,因此有事件样本和无事件样本的数目严重不平衡,此外,如何获取大规模交通数据集也是一个非常重大的挑战。为了解决上述问题,本文提出了一种结合Transformer和生成对抗网络(GANs)的混合模型。实验表明本文提出的混合模型既能够扩大数据集中有事件样本的数目,实现有事件样本与无事件样本的平衡,又能够全面提升交通事件检测的性能。

1. 背景与挑战

本文聚焦于交通事件检测,强调了在智能交通系统中交通事件检测的重要性。交通事件检测面临的挑战主要涉及获取大规模且平衡的数据集、传统算法的限制,以及深度学习模型对实际数据的依赖性。特别是数据集不平衡可能导致性能偏差。为解决这些问题,本文聚焦于严重不平衡与规模小的数据集情况,对交通事件检测任务进行一系列的探索主要涉及两个方面:

(1) 数据集小和样本不平衡问题

论文强调交通事件数据集普遍存在严重的样本不平衡问题,即有事件样本与无事件样本的比例严重失衡。这种不平衡可能导致模型在对事件样本的识别上表现不佳,因为模型更容易被训练为预测正常情况。

(2) 应用深度学习模型先进性

针对交通事件检测任务,论文倡导采用深度学习模型,特别是Transformer模型。深度学习模型相较于传统机器学习方法在处理复杂非线性关系上具有显著优势。

2. 方法

本文提出的基于GANs和Transformer的混合模型的整体架构如图1所示。GANs在解决输入模型中数据不平衡和样本不足的挑战中起着关键作用。另一方面,Transformer模型擅长有效捕捉全局上下文依赖,促进对输入序列语义含义的全面理解。这种混合模型的独特之处在于巧妙地利用GANs的对抗特性,不断训练和优化以生成可靠的新样本,从而丰富样本多样性并增加数据量。因此,训练后的模型表现出更强的性能,更适应在真实世界中遇到的复杂且不断变化的数据分布。此外,通过整合Transformer模型的特性,混合方法缓解了传统顺序模型常见的梯度消失或梯度爆炸等潜在问题。这种特性增强了模型在训练过程中的鲁棒性,并使其在处理长程依赖性方面表现出色。总之,所提出的混合模型巧妙地结合了GANs和Transformer的优势,有效解决了与数据集小和样本不平衡有关的挑战。此外,该模型在理解输入序列的语义信息和管理全局依赖性方面表现出色。这种融合使其成为一个在各种实际应用中具有巨大潜力的强大工具。

图1 本文模型的架构

3. 实验结果

实验使用的数据集包括PeMS数据集、I-880数据集、Whitemud Drive数据集、NGSIM数据集。交通事件检测算法的性能评价指标包括检测率(DR)、误报率(FAR)、分类正确率(CR)以及ROC曲线下的面积(AUC)。本文提出的混合模型将生成对抗模型与Transformer模型结合在一起,其中生成对抗模型负责将不平衡的数据集增强为平衡的数据集。为了验证在交通事件检测中平衡数据集的重要性,生成对抗模型被用于将四个数据集增强到不同的有事件与无事件样本的比例。然后,使用对比方法分别在原始数据集和不同比例的增强数据集上进行比较实验,旨在验证进行交通事件检测时平衡数据集的重要性。实验结果表明模型在平衡数据集上训练得到的模型具有更好的检测性能,尤其是在假阳率方面,可使之显著降低。实验结果还表明,本文提出的模型在交通事件检测的各指标上都有优越的表现。

4. 总结

本文提出的结合Transformer和生成对抗网络(GANs)的混合模型有效地解决了交通事件检测中数据集样本严重不平衡的问题,同时本文提出的混合模型也可用来扩充交通数据集的规模,实现通过算法来扩充数据样本的目标,从而可以节约交通数据采集的经济成本和时间成本。更为重要的是,本文提出的混合模型全面提升了交通事件检测的性能,有着良好的实际应用价值。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1384350.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

第 380 场 LeetCode 周赛题解

A 最大频率元素计数 模拟&#xff1a;先统计元素的频率&#xff0c;然后求由最大频率的元素的总频率 class Solution { public:int maxFrequencyElements(vector<int> &nums) {unordered_map<int, int> cnt;for (auto x: nums)cnt[x];int mx 0, s 0;for (aut…

Linux------进程的初步了解

目录 一、什么是进程 二、进程的标识符pid 三、getpid 得到进程的PID 四、kill 终止进程 五、父进程与子进程 六、目录中的进程 一、什么是进程 在windows中&#xff0c;我们查看进程很简单&#xff0c;打开任务管理器&#xff0c;就可以看到在运行的进程。这里我们还可以…

跟着暄桐林曦老师读《宝贵的人生建议》,重视心这颗种子

暄桐林曦老师在《见道明心的笔墨》读书课上讲到&#xff1a;人要在心这颗种子上去进化。当人的动机和果实都清静时&#xff0c;才能在内心具足里转化出更多可能性&#xff0c;进入正面的循环里。“宽以待人&#xff0c;严以律己&#xff0c;反之&#xff0c;则人人身处地狱”&a…

Tuxera NTFS for Mac v2023破解版百度云下载和激活

软件介绍 Tuxera NTFS for Mac破解版是一款mac读写NTFS磁盘工具软件&#xff0c;可以高效的读写NTFS格式的设备&#xff0c;对设备的存储空间进行访问、编辑、存储和传输文件等操作。此外这款软件还具备对硬盘等设备的管理以及修复检测功能&#xff0c;所以安装一款Tuxera NTF…

力扣日记1.14-【二叉树篇】108. 将有序数组转换为二叉搜索树

力扣日记&#xff1a;【二叉树篇】108. 将有序数组转换为二叉搜索树 日期&#xff1a;2023.1.14 参考&#xff1a;代码随想录、力扣 108. 将有序数组转换为二叉搜索树 题目描述 难度&#xff1a;简单 给你一个整数数组 nums &#xff0c;其中元素已经按 升序 排列&#xff0c;…

【C++】-类和对象(友元!!内部类!!匿名对象!详解)

类和对象⑤ 友元内部类匿名对象 在之前的类和对象①、②、③、④篇中&#xff0c;详细讲解了类和对象的基本知识&#xff0c;本章为最终章&#xff0c;继续为大家介绍类和对象。 友元 我们已知的&#xff0c;在C中&#xff0c;有一种私有访问修饰符&#xff0c;用于限制类的成…

this.setState的注意事项

目录 1、this.setState的注意事项 2、是什么造成了this.setState()的不同步&#xff1f; 3、 那this.setState()什么时候同步&#xff0c;什么时候不同步&#xff1f; 3.1 经过React包装的onClick点击事件&#xff08;&#xff09; 3.2 没经过React包装的 原生点击事件 …

stm32学习笔记:USART串口通信

1、串口通信协议&#xff08;简介软硬件规则&#xff09; 全双工&#xff1a;打电话。半双工&#xff1a;对讲机。单工&#xff1a;广播 时钟&#xff1a;I2C和SPI有单独的时钟线&#xff0c;所以它们是同步的&#xff0c;接收方可以在时钟信号的指引下进行采样。串口、CAN和…

18 串口通讯

文章目录 18.0 前言18.1 串口通讯协议简介18.1.1 物理层 18.2 RT1052 的 LPUART 简介18.3 UART 功能框图18.3.1 中断控制 18.4 UART 初始化结构体详解18.4.1 baudRate_Bps18.4.2 parityMode18.4.3 dataBitsCount18.4.4 isMsb18.4.5 stopBitCount18.4.6 txFifoWatermark与rxFifo…

计算机体系结构基础复习

1. 计算机系统可划分为哪几个层次,各层次之间的界面是什么? 你认为这样划分层次的意义何在? 答&#xff1a; 计算机系统可划分为四个层次&#xff0c;分别是&#xff1a;应用程序、 操作系统、 硬件系统、 晶体管四个大的层次。 注意把这四个层次联系起来的三个界面。各层次…

WIndows系统重装、备份与恢复实操问题笔记

一 windows重装 1.1 基本步骤 下载大白菜根据官网使用教程制作启动u盘从MSDN或者微软官网下载Windows镜像根据查询的快捷键进入BIOS系统&#xff0c;设置U盘为第一启动 重装 1.2 Windows 11 激活 微软其实在2023年9月20日的公告中宣布停掉免费升级&#xff0c;数字激活工具…

使用pygame实现简单的烟花效果

import pygame import sys import random import math# 初始化 Pygame pygame.init()# 设置窗口大小 width, height 800, 600 screen pygame.display.set_mode((width, height)) pygame.display.set_caption("Fireworks Explosion")# 定义颜色 black (0, 0, 0) wh…

YOLOv7涨点改进:多层次特征融合(SDI),小目标涨点明显,| UNet v2,比UNet显存占用更少、参数更少

💡💡💡本文全网独家改进:多层次特征融合(SDI),能够显著提升不同尺度和小目标的识别率 💡💡💡在YOLOv7中如何使用 1)iAFF加入Neck替代Concat; 收录: YOLOv7高阶自研专栏介绍: http://t.csdnimg.cn/tYI0c ✨✨✨前沿最新计算机顶会复现 🚀🚀🚀YOL…

Linux远程登陆协议ssh

目录 一、SSH服务 1. ssh基础 2. 原理 3. 服务端配置 3.1 常用配置项 3.2 具体操作 3.2.1 修改默认端口号 3.2.2 禁止root用户登录 3.2.3 白名单列表 3.2.4 黑名单列表 3.2.5 使用秘钥对及免交互验证登录 3.2.6 免交互式登录 一、SSH服务 1. ssh基础 SSH&…

Microsoft Excel 直方图

Microsoft Excel 直方图 1. 数据示例2. 打开 EXCEL3. settings4. 单击直方图柱&#xff0c;右键“添加数据标签”References 1. 数据示例 2. 打开 EXCEL 数据 -> 数据分析 -> 直方图 3. settings 输入区域样本值、接受区域分类间距&#xff0c;输出选项选择“新工作表组…

玩转Mysql 八 (MySQ优化入门篇)

一路走来&#xff0c;所有遇到的人&#xff0c;帮助过我的、伤害过我的都是朋友&#xff0c;没有一个是敌人。如有侵权&#xff0c;请留言&#xff0c;我及时删除&#xff01; 前言&#xff1a; 一个高性能&#xff0c;稳定的数据库集群并不是指的某一特性优化&#xff0c;就…

3 - AOP

1. 快速入门 1.1 基本说明 AOP(aspect oriented programming) &#xff0c;面向切面编程 切面类中声明通知方法&#xff1a; 前置通知&#xff1a;Before返回通知&#xff1a;AfterReturning异常通知&#xff1a;AfterThrowing后置通知&#xff1a;After环绕通知&#xff1…

并发List源码剖析

并发包中的并发List只有CopyOnWriteArrayList。 CopyOnWriteArrayList是一个线程安全的ArrayList,对其进行的修改操作都是在底层的一个复制的数组(快照)上进行的&#xff0c;也就是使用了写时复制策略。 在CopyOnWriteArrayList的类图中&#xff0c;每个CopyOnWriteArrayList对…

(学习日记)2024.01.05:一份关于自行车定位的调研

写在前面&#xff1a; 由于时间的不足与学习的碎片化&#xff0c;写博客变得有些奢侈。 但是对于记录学习&#xff08;忘了以后能快速复习&#xff09;的渴望一天天变得强烈。 既然如此 不如以天为单位&#xff0c;以时间为顺序&#xff0c;仅仅将博客当做一个知识学习的目录&a…

电流检测方法

电路检测电路常用于&#xff1a;高压短路保护、电机控制、DC/DC换流器、系统功耗管理、二次电池的电流管理、蓄电池管理等电流检测等场景。 对于大部分应用&#xff0c;都是通过感测电阻两端的压降测量电流。 一般使用电流通过时的压降为数十mV&#xff5e;数百mV的电阻值&…