Real-time traffic incident detection using a probabilistic topic model

تراکم ترافیک به طور مرتب در محیط های شهری اتفاق می افتد و همیشه از حوادث ترافیکی ناشی نمی شود. در این مقاله، ما یک روش ساده برای تشخیص حوادث ترافیکی از داده های ماشین پروب را با شناسایی وقایع غیرمعمول که رویدادهای بین تراکم خود به خود را تشخیص می دهند پیشنهاد می کنیم. اول، ما یک مدل وضعیت ترافیکی را بر اساس یک مدل موضوع احتمالاتی برای توصیف وضعیت ترافیک برای انواع جاده ها معرفی می کنیم. فرمول برای برآورد پارامترهای مدل مشتق شده است، به طوری که مدل ترافیک معمول را می توان با استفاده از الگوریتم حداکثر انتظار بودن یاد گرفت. سپس، ما توابع مختلف واگرایی را برای ارزیابی اختلاف بین حالت های فعلی و حالت های ترافیکی و الگوریتم های جریان که تشخیص بخش های پراهمیت در زمان واقعی را پیشنهاد می کنیم پیشنهاد می کنیم. ما یک آزمایش با داده های جمع آوری شده برای کل سیستم بزرگراه شوتو در توکیو در سال های 2010 و 2011 انجام دادیم. نتایج نشان داد که روش ما به طور موفقیت آمیزی بین مسیرهای ماشین های غیرمعمول و الگوهای ترافیکی معمول و آهسته حرکت می کند.