TRB（Transportation Research Board，美國交通研究委員會，簡稱TRB）會議是交通研究領域知名度最高學術會議之一，近年來的參會人數(shù)已經超過了2萬名，是參與人數(shù)和國家最多的學術盛會。TRB會議幾乎涵蓋了交通領域的所有主題，主要包括公路、鐵路、水運、航空、管道等諸多領域，接收來自交通系統(tǒng)、交通工程、交通政策、交通管理、交通實際操作、政府研究、學術研究和工業(yè)界最新的研究成果。TRB會議的論文反映了交通領域的研究前沿，具有廣泛的參考價值。

本文主要介紹我們在交通領域被TRB 2024接收的關于交通事件檢測的研究工作，論文的題目為《A Hybrid Model for Traffic Incident Detection based on?Generative?Adversarial Networks and Transformer Model》，第一作者為陸新穎。交通事件檢測是智能交通系統(tǒng)的核心任務之一，由于交通數(shù)據(jù)中大部分為無事件樣本，有事件樣本是少數(shù)，因此有事件樣本和無事件樣本的數(shù)目嚴重不平衡，此外，如何獲取大規(guī)模交通數(shù)據(jù)集也是一個非常重大的挑戰(zhàn)。為了解決上述問題，本文提出了一種結合Transformer和生成對抗網(wǎng)絡（GANs）的混合模型。實驗表明本文提出的混合模型既能夠擴大數(shù)據(jù)集中有事件樣本的數(shù)目，實現(xiàn)有事件樣本與無事件樣本的平衡，又能夠全面提升交通事件檢測的性能。

1. 背景與挑戰(zhàn)

本文聚焦于交通事件檢測，強調了在智能交通系統(tǒng)中交通事件檢測的重要性。交通事件檢測面臨的挑戰(zhàn)主要涉及獲取大規(guī)模且平衡的數(shù)據(jù)集、傳統(tǒng)算法的限制，以及深度學習模型對實際數(shù)據(jù)的依賴性。特別是數(shù)據(jù)集不平衡可能導致性能偏差。為解決這些問題，本文聚焦于嚴重不平衡與規(guī)模小的數(shù)據(jù)集情況，對交通事件檢測任務進行一系列的探索，主要涉及兩個方面：

(1) 數(shù)據(jù)集小和樣本不平衡問題

論文強調交通事件數(shù)據(jù)集普遍存在嚴重的樣本不平衡問題，即有事件樣本與無事件樣本的比例嚴重失衡。這種不平衡可能導致模型在對事件樣本的識別上表現(xiàn)不佳，因為模型更容易被訓練為預測正常情況。

(2) 應用深度學習模型先進性

針對交通事件檢測任務，論文倡導采用深度學習模型，特別是Transformer模型。深度學習模型相較于傳統(tǒng)機器學習方法在處理復雜非線性關系上具有顯著優(yōu)勢。

2. 方法

本文提出的基于GANs和Transformer的混合模型的整體架構如圖1所示。GANs在解決輸入模型中數(shù)據(jù)不平衡和樣本不足的挑戰(zhàn)中起著關鍵作用。另一方面，Transformer模型擅長有效捕捉全局上下文依賴，促進對輸入序列語義含義的全面理解。這種混合模型的獨特之處在于巧妙地利用GANs的對抗特性，不斷訓練和優(yōu)化以生成可靠的新樣本，從而豐富樣本多樣性并增加數(shù)據(jù)量。因此，訓練后的模型表現(xiàn)出更強的性能，更適應在真實世界中遇到的復雜且不斷變化的數(shù)據(jù)分布。此外，通過整合Transformer模型的特性，混合方法緩解了傳統(tǒng)順序模型常見的梯度消失或梯度爆炸等潛在問題。這種特性增強了模型在訓練過程中的魯棒性，并使其在處理長程依賴性方面表現(xiàn)出色。總之，所提出的混合模型巧妙地結合了GANs和Transformer的優(yōu)勢，有效解決了與數(shù)據(jù)集小和樣本不平衡有關的挑戰(zhàn)。此外，該模型在理解輸入序列的語義信息和管理全局依賴性方面表現(xiàn)出色。這種融合使其成為一個在各種實際應用中具有巨大潛力的強大工具。

圖1 本文模型的架構

3. 實驗結果

實驗使用的數(shù)據(jù)集包括PeMS數(shù)據(jù)集、I-880數(shù)據(jù)集、Whitemud Drive數(shù)據(jù)集、NGSIM數(shù)據(jù)集。交通事件檢測算法的性能評價指標包括檢測率（DR）、誤報率（FAR）、分類正確率（CR）以及ROC曲線下的面積（AUC）。本文提出的混合模型將生成對抗模型與Transformer模型結合在一起，其中生成對抗模型負責將不平衡的數(shù)據(jù)集增強為平衡的數(shù)據(jù)集。為了驗證在交通事件檢測中平衡數(shù)據(jù)集的重要性，生成對抗模型被用于將四個數(shù)據(jù)集增強到不同的有事件與無事件樣本的比例。然后，使用對比方法分別在原始數(shù)據(jù)集和不同比例的增強數(shù)據(jù)集上進行比較實驗，旨在驗證進行交通事件檢測時平衡數(shù)據(jù)集的重要性。實驗結果表明模型在平衡數(shù)據(jù)集上訓練得到的模型具有更好的檢測性能，尤其是在假陽率方面，可使之顯著降低。實驗結果還表明，本文提出的模型在交通事件檢測的各指標上都有優(yōu)越的表現(xiàn)。

4. 總結

本文提出的結合Transformer和生成對抗網(wǎng)絡（GANs）的混合模型有效地解決了交通事件檢測中數(shù)據(jù)集樣本嚴重不平衡的問題，同時本文提出的混合模型也可用來擴充交通數(shù)據(jù)集的規(guī)模，實現(xiàn)通過算法來擴充數(shù)據(jù)樣本的目標，從而可以節(jié)約交通數(shù)據(jù)采集的經濟成本和時間成本。更為重要的是，本文提出的混合模型全面提升了交通事件檢測的性能，有著良好的實際應用價值。