罗预欣，张 兵，薛运强

(华东交通大学交通运输与物流学院，南昌 330013)

高速公路是城市间的主要通道，其特点是流量大，速度快，在高速公路上发生交通事件会带来严重的人员伤亡和降低道路通行效率，若不及时处理对后续的车辆还是乘车人员都有发生二次安全事故的可能性。据统计，美国快速路总拥堵事件中的55%～75%拥堵事件是由交通事件的发生引起的[1]，在中国上海，1/3的交通拥堵是由交通事件、车辆故障等交通事件造成[2]。因此，为了保障道路通行效率，道路安全水平，研究出准确及时的AID算法具有重要意义。近几十年，越来越多的交通自动检测(AID)算法被相继研究出。早期开发的AID算法主要有加利福尼亚算法[3]、基于突变理论的McMaster算法[4]等。随着对交通事故影响下事发路段交通特性变化分析[5]和机器学习、大数据的发展，越来越多的算法模型被相继提出，如神经网络模型[6]、支持向量机(SVM)模型[7]，随机森林(RF)模型[8]等。然而，在以往的交通事件自动检测算法中大多数的输入特征变量只是简单的流量、速度、占有率，并没有对交通事件初始变量进行全面的分析，导致检测效果并不理想。为此，从变量分析的角度构建全面的初始变量并进行筛选，在算法层面，将根据随机森林算法分类的缺点，提出对决策树进行权重赋值并利用粒子群(PSO)算法进行优化。提出基于变量分析和粒子群优化加权随机森林交通事件检测算法，实现快速有效地检测交通事件，提高AID系统的检测性能，确保高速公路交通事件发生时能及时有效地处理。……