基于GA启发式抽样的交通事件自动检测

为了提高面向不平衡数据集的交通事件检测综合性能,提出了两种基于GA启发式抽样方法的交通事件检测算法。基于GA的实例选择抽样方法(GA-IS),解决非启发式抽样方法人为设定抽样率导致的检测效果不稳定问题。基于GA的支持向量选择抽样方法(GA-SS),改善学习集数据量较大时的检测效率。实验采用新加坡AYE仿真数据库,以支持向量机作为分类器进行事件检测。结果表明,基于遗传算法实例选择抽样的检测模型检测率达到94%,平均检测时间为1.413 3min,性能指标PI为0.157;基于遗传算法支持向量选择抽样的检测模型决策时间为4.55s,综合性能最优,其PI为0.151;基于少数类过抽样算法(SMOTE)的检测模型决策时间为35.21s,PI为0.329,与非启发式抽样方法相比,所提方法能有效改善面向不平衡数据集的事件检测综合性能。