伴随着交通现代化的进程，交通事件自动检测算法(AID:Automatic IncidentDetection)显得尤为重要。近几十年来，交通研究者们一直在寻找和改进实用的交通事件检测算法。本文尝试将主成分分析技术和主分量分类法引入交通事件自动检测领域。评价交通事件自动检测算法性能好坏的指标有三个：1，检测率(DR:Detected Rate)；2，误警率(FAR:Flase Alarm Rate)；3，平均检测时间(MTTD:Mean Time to Detect)。一般情况下是将FAR限制在一个可接受的范围(10%)内而尽量改善DR和MTTD。\n 主成分分析技术已成功地应用在图像压缩和网络入侵检测等领域。在交通数据中，假设一个交通事件是可以看作一个离群点。事件检测模型根据正常实例的主要主成分(majorprincipal component)和微量主成分(minor principal component)构建出来。主成分分析技术主要实现数据降维和特征提取，在主成分空间中度量某个待测实例到正常实例的距离，通过判断这个距离的大小可以实现异常实例的检测。***提出的主分量分类法(PCC)通过最大化两类样本在分类面法方向上的投影代数和实现样本分类。将其应用在交通事件检测中即实现交通事件和非交通事件两类分类。在交通数据中，交通事件相对于非交通事件来说在交通数据中占有很小比例。PCC是基于样本的统计平均特性，所以少量的野值对分类面方向的确定性影响较小。因此PCC具有较好的鲁棒性。本文分别研究了主成分分析技术和主分量分类的原理，构建了PCA＋OUTLIER模型和主分量分类(PCC)模型，并将其分别应用在交通事件检测方面。实验展示了所设计的两个模型的优缺点。
暂无评论