采用特征变量选择和长短期记忆网络的高速公路交通事件检测研究

为提升高速公路交通事件检测效果,依据交通事件发生时上、下游交通流参数的变化特性,构建一组相对全面的交通事件检测初始特征变量集,使用随机森林-交叉验证递归特征消除(RF-RFECV)算法筛选出重要特征变量。利用重要特征变量作为输入训练长短期记忆网络(LSTM),通过贝叶斯优化算法(BOA)优化LSTM网络的超参数。使用真实高速公路数据进行验证和对比分析,采用Borderline-SMOTE解决交通数据集的不平衡问题。实验结果表明:筛选出对交通事件检测更为敏感的重要特征变量,可以提高检测精度,LSTM的检测效果也明显优于随机森林(RF)和支持向量机(SVM)。