事件检测概率神经网络模型的建立与验证

合集下载

事件检测概率神经网络模型的建立与验证

Ｋｅｏｄ：ｉｃｅｔｅｃｏ；Ｎｐｏａｉｓｅｎｕａｎｔｏ）ｙｗｒｓｎｉｎｄｔｔｎＰＮ（ｒｂｉｉｅｌｅｒ；ＭＬ（ｕｔｌｅｆｄｆｗｒｅａｎｔｄｅｉｂｌｔｒｗｋＦｍｌａｒｅ－ｒａｎｕｌｅｉｙｅｏｄｒ－－ｗｒ）ｏｋ
维普资讯
第６第４卷期２００６年８月
交通运输系统工程与信息
ＪｕｎｌｆＴａｓｏｔｔｎＳｓｍｓＥｇｎｅｉｇａｄＩｆｒｔｎＴｃｎｌｇｏｒａｒｎｐｒｉｙｔｎｉｅｒｎｎｏｍａｉｅｈｏｏｙｏａｏｅｎｏ
型短；但误报率（Ａ）高．ＦＲ较概率神经网络是高速公路事件检测的一种有效算法，其在理论基础、法和学习速度等方面比多层前向神经网络具有优势．算关键词：事件检测；率神经网络；概多层前向神经网络
中图分类号：Ｕ９４１
摘要：在对概率神经网络（Ｎ的分类机理、ＰＮ）输入向量选取和网络设置分析的基础上，建立了用于识别两类事件模式（事件模式和有事件模式）事件检测ＰＮ模型．无的Ｎ采用高速公路路段Ｉ８一８０实地线圈数据集和事件数据集验证模型，通过比较ＰＮ模型Ｎ与多层前向神经网络（Ｆ模型的结果，现无论对于向北、南或混合方向的高速公ＭＬ）发向路事件检测，ＮＰＮ模型的检测率（Ｒ比ＭＬＤ）Ｆ模型高；均检测时间（ＴＤ）ＭＦ模平ＭＦ比Ｌ

《时间序列流持续事件实时判识方法研究》

《时间序列流持续事件实时判识方法研究》一、引言在现今的信息技术领域中，对于连续、高速的数据流——尤其是时间序列流——的实时分析和判识已成为重要研究方向。

此类数据的处理能力直接关系到众多领域如金融分析、医疗诊断、工业控制等能否实现高效、准确的决策。

因此，本文旨在研究一种时间序列流持续事件的实时判识方法，以应对日益增长的数据处理需求。

二、研究背景与意义随着数字化时代的到来，时间序列数据在各个领域的应用越来越广泛。

从股市行情到工业生产线的监控，从医疗设备的数据记录到环境监测，时间序列数据反映了事物随时间变化的规律和趋势。

因此，如何准确、实时地分析和判识时间序列流中的持续事件，对于提高决策效率和效果具有重要意义。

三、相关技术与方法综述在现有研究中，对于时间序列数据的处理方法主要集中于预测模型和分类模型两个方面。

然而，针对连续事件的实时判识方法仍然缺乏有效的技术手段。

近年来，机器学习和深度学习技术为该问题提供了新的解决方案。

其中，长短时记忆网络（LSTM）在处理连续序列数据方面具有明显优势。

然而，传统的LSTM模型在处理高速、大规模的时间序列流时仍存在计算效率低、实时性差等问题。

因此，本文将结合最新的算法和技术手段，研究一种高效的实时判识方法。

四、方法论与模型设计（一）方法论本研究将采用机器学习和深度学习技术相结合的方法，对时间序列流进行实时分析和判识。

通过建立模型来识别时间序列流中的特定模式或事件，并结合实际需求设定阈值进行事件判识。

（二）模型设计本研究将采用基于深度学习的模型设计方法，重点在于对模型的计算效率和实时性进行优化。

首先，将设计一种针对时间序列数据的神经网络结构，以实现对连续事件的实时检测和判识。

其次，通过优化算法来提高模型的计算效率，使其能够快速处理大规模数据流。

最后，通过实际案例来验证模型的准确性和实时性。

五、实验与结果分析（一）实验设计为了验证所设计模型的性能和效果，我们将进行一系列实验。

基于BERT-CRF模型的中文事件检测方法研究

近年来，随着网络的持续普及，技术的不断发展，使用网络的用户越来越多，网络中的信息量随着用户频繁的交互行为的增加而增加，互联网成为传播大量信息的新媒介，由于信息多数是非结构化的，且一个领域的信息散布在浩瀚的信息海洋中，致使网络中的信息很难处理，因此快速从大量信息中提取有价值的信息显得越来越重要。

许多信息一般是以事件的形式存在，事件指的是由特定关键词触发的、包含一个或多个参与者参与的、特定类型的事情，事件抽取技术是从纯文本中提取人们关心的事件信息，并以结构化的形式展现出来[1]，是构建特定领域的事件库以及建立知识图谱的基础。

事件抽取分为两个步骤，事件检测和元素抽取，事件检测指从一段文本中提取可以标志事件发生的触发词，包括事件触发词识别与事件触发词分类两部分。

元素抽取主要针对一句话中与触发词相关的元素进行抽取和角色匹配。

本文的重点是针对事件检测部分。

事件检测中的触发词是指直接引起事件发生的词语，一般触发词的词性为动词，也可能是表示动作或状态的名词。

事件检测任务面临着许多挑战，一是一句话中不仅只有一个事件，有多个事件就会有多个事件触发词。

例如，在句子1中有两个事件触发词，分别是“离”和“暗杀”，并且是两种不同的子事件类型“Transport”和“Attack”。

句子1：根据警方消息来源，法官与其子在上午交通基于BERT-CRF模型的中文事件检测方法研究田梓函，李欣中国人民公安大学信息网络安全学院，北京100038摘要：事件抽取是自然语言处理中信息抽取的关键任务之一。

事件检测是事件抽取的第一步，事件检测的目标是识别事件中的触发词并为其分类。

现有的中文事件检测存在由于分词造成的误差传递，导致触发词提取不准确。

将中文事件检测看作序列标注任务，提出一种基于预训练模型与条件随机场相结合的事件检测模型，采用BIO标注方法对数据进行标注，将训练数据通过预训练模型BERT得到基于远距离的动态字向量的触发词特征，通过条件随机场CRF对触发词进行分类。

概率神经网络

• 动态概率模型：目前大多数概率神经网络模型都是静态的，无法处理时间序列数据或动态变化的概率分布。研究如何构建动态的概率神经网络模型，以更好地处理时序数据和复杂动态环境下的概率推断问题，是一个具有挑战性的方向。
• 多源异构数据融合：在实际应用中，数据往往来自多个源和具有不同的形式和结构。如何设计概率神经网络模型以有效地融合多源异构数据，提取有用信息并进行概率推断，是一个值得探索的研究方向。
特点
概率神经网络具有强大的概率建模能力，能够学习到数据的内在结构和概率分布，同时利用神经网络的非线性映射能力，能够处理复杂的、非线性数据。
概率神经网络的应用领域
分类
概率神经网络广泛应用于分类问题，如图像分类、语音识别、自
然语言处理等。
回归
概率神经网络也可用于回归问题，如预测股票价格、预测天气等。
概率神经网络需要大量的标注数据进行训练，对于数据稀疏或标注成本高的任务可能不太适用。
模型解释性差
稳定性问题
概率神经网络通常比传统的神经网络模型更加复杂，导致模型解释性较差，难以理解模型内部的决策机制。
概率神经网络的训练过程可能不稳定，容易受到噪声和异常值的影响，导致模型性能下降。
如何克服概率神经网络的局限性
异常检测
概率神经网络通过学习数据的内在结构和概率分布，能够检测出异常数据，如金融欺诈检测、网络安全监测等。
概率神经网络的发展历程
早期发展
概率神经网络最早可以追溯到上世纪80年代，随着神经网络的兴起，研究者开始尝试将概率模型与神经网络相结合。
近期进展
近年来，随着深度学习技术的快速发展，概率神经网络在理论和应用方面都取得了重要进展。研究者不断提出新的模型和算法，提高了概率神经网络的性能和实用性。同时，随着大数据和云计算技术的发展，概率神经网络在各个领域的应用也越来越广泛。

基于机器学习的网络安全事件监测与预测

基于机器学习的网络安全事件监测与预测在当今数字化的时代，网络安全问题愈加突出。

各种各样的黑客攻击、病毒侵入、数据泄露等网络安全事件频繁发生，给互联网和网络用户造成了巨大的影响。

为此，对网络安全事件的及时监测和预测变得尤为重要。

基于机器学习的网络安全事件监测与预测成为了当前网络安全领域的热门话题。

一、机器学习在网络安全事件中的应用机器学习是一种通过学习数据的模式和结构，并利用这些知识作出预测和决策的方法。

它是一种人工智能技术，可以帮助处理大量的数据，以实现自动化分类、预测和决策。

在网络安全事件中，机器学习可以通过不断学习已知的网络安全事件，从而发现和预测未知的网络安全事件。

它可以对网络流量数据、用户行为、恶意代码、漏洞扫描结果等数据进行分析，判断当前网络是否存在安全威胁，提出安全建议和预测未来的安全事件的发生和发展。

二、基于机器学习的网络入侵检测一种基于机器学习的网络入侵检测技术是基于KDD Cup 1999数据集，该数据集是一组包括网络流量特征的数据集，用于对网络入侵的检测。

该技术使用了监督学习算法，如朴素贝叶斯、决策树、随机森林等，对数据集进行了分类实验。

实验结果表明，使用机器学习算法进行网络入侵检测可以显著提高检测精度。

三、基于机器学习的网络异常检测机器学习还可以用于检测网络中的异常行为，例如数据泄露、DDoS攻击等。

异常行为的检测一般采用无监督学习算法，如聚类算法、离群点检测等。

这些算法可以根据数据特征和规律，自动检测出异常行为。

当然，这种检测需要对数据进行有效的特征提取和预处理。

四、基于机器学习的恶意代码检测恶意代码是网络安全中最臭名昭著的威胁之一。

其变化多端，极具迷惑性，很难靠人工的方式进行检测和拦截。

使用机器学习来检测恶意代码更为有效和精确。

通常，该技术采用分类算法进行检测，如支持向量机、K-最近邻算法等。

经过训练，该技术可以识别出可疑的文件，并对其进行分类和处理。

五、基于机器学习的网络安全事件预测在网络安全中，预测未来的安全事件是至关重要的。

神经网络模型评估指南

神经网络模型评估指南引言：随着人工智能技术的快速发展，神经网络模型成为了解决复杂问题的重要工具。

然而，如何评估神经网络模型的性能和稳定性却是一个关键的问题。

本文将为大家介绍一些神经网络模型评估的指南，帮助读者更好地理解和应用这一技术。

一、数据集的选择数据集是神经网络模型评估的基础。

在选择数据集时，应确保其具有代表性、多样性和充分性。

代表性意味着数据集应能够真实反映出模型在实际应用场景中可能遇到的各种情况。

多样性则要求数据集中包含不同类别、不同属性的样本，以确保模型能够适应各种情况。

充分性则要求数据集的规模足够大，以避免模型过拟合或欠拟合的问题。

二、模型性能评估指标在评估模型性能时，需要选择合适的指标来衡量模型的准确性和稳定性。

常用的指标包括准确率、精确率、召回率、F1值等。

准确率是指模型正确预测的样本占总样本数的比例，精确率是指模型预测为正例的样本中实际为正例的比例，召回率是指模型正确预测为正例的样本占实际正例样本的比例，F1值是精确率和召回率的调和平均值。

根据具体问题的需求，选择适当的指标进行评估。

三、交叉验证为了减小模型评估的偶然性，交叉验证是一种常用的方法。

交叉验证将数据集分为训练集和验证集，多次进行训练和验证，最终得到模型的平均性能。

常用的交叉验证方法包括K折交叉验证和留一交叉验证。

K折交叉验证将数据集分为K个子集，每次使用K-1个子集进行训练，剩下的一个子集进行验证，重复K次后取平均值。

留一交叉验证则是将每个样本单独作为验证集，其余样本作为训练集，重复N次后取平均值。

通过交叉验证可以更准确地评估模型的性能。

四、模型泛化能力模型的泛化能力是指模型对未见过的数据的适应能力。

为了评估模型的泛化能力，可以使用测试集进行验证。

测试集是与训练集和验证集不重复的数据集，用于模拟模型在实际应用中的表现。

通过测试集的评估，可以判断模型是否过拟合或欠拟合，以及模型在不同数据集上的性能表现。

五、模型调优在模型评估过程中，如果发现模型性能不佳，可以尝试进行模型调优。

神经网络模型的注意事项

神经网络模型的注意事项神经网络模型是一种模拟人脑神经系统的计算模型，被广泛应用于机器学习和人工智能领域。

它通过模拟神经元之间的连接与信号传递，实现了对复杂数据的理解和处理。

在构建神经网络模型时，有一些重要的注意事项需要牢记，以确保模型的准确性和性能。

本文将介绍几个构建神经网络模型时需要注意的关键点。

首先，正确的数据预处理是构建一个准确且稳定的神经网络模型的关键。

数据预处理是指对原始数据进行清洗、归一化和转换等操作，以提高数据的质量和准确性。

例如，如果数据集中存在缺失值，我们可以选择删除包含缺失值的样本，或者使用插补方法来填充缺失值。

此外，对于不同量纲的特征，我们需要进行归一化操作，以避免模型对某些特征过分关注。

通过正确的数据预处理，我们能够提高模型的收敛速度并且减少过拟合的风险。

其次，选择合适的损失函数是构建神经网络模型的关键一步。

损失函数是用来衡量模型预测结果与真实值之间差异的指标。

不同任务和模型类型需要选择不同的损失函数才能达到最佳结果。

例如，在回归任务中，常用的损失函数有均方误差（MSE）和平均绝对误差（MAE）；而在分类任务中，常用的损失函数有交叉熵损失函数。

选择合适的损失函数可以提高模型的收敛速度和准确性。

另外，正确的模型选择也是构建神经网络模型的关键。

在选择模型时，我们需要考虑问题的类型和数据集的特点。

一般来说，对于小样本和少特征的问题，可以选择简单的模型，如线性回归模型或者浅层神经网络。

而对于大样本和复杂问题，可以选择深层神经网络模型，如卷积神经网络（CNN）或循环神经网络（RNN）。

此外，还可以根据自己的任务需求选择不同的激活函数和优化算法，以进一步改善模型的性能。

除了以上的注意事项，还有一些其他的细节需要我们关注。

首先，合理划分训练集、验证集和测试集。

训练集用于模型的训练和参数更新，验证集用于模型的调参和选择，而测试集用于评估模型的泛化能力。

合理的划分可以避免模型在测试集上的过拟合问题。

基于机器学习的事件检测与识别技术研究

基于机器学习的事件检测与识别技术研究概述：事件检测与识别是指从大规模文本数据中识别与事件相关的信息，这对于各种应用领域具有重要意义。

近年来，随着机器学习技术的发展，基于机器学习的事件检测与识别技术日益成熟。

本文旨在探讨基于机器学习的事件检测与识别技术研究的相关方法和应用。

一、机器学习在事件检测与识别中的作用1. 特征提取：在事件检测与识别中，特征提取是很关键的一步。

传统的基于规则的方法往往需要人工定义规则，而基于机器学习的方法能够自动从数据中学习到特征，避免了人工规则的不准确性和不全面性。

常用的特征提取方法有词袋模型、TF-IDF模型以及词向量模型等。

2. 分类与预测：基于机器学习的事件检测与识别方法可以将事件分为不同的类别，并预测新文本是否属于某个特定的事件类别。

常用的分类算法有朴素贝叶斯、支持向量机、决策树、随机森林等。

这些算法可以通过学习训练集中的样本来建立模型，并通过对新的文本进行分类或预测。

二、基于机器学习的事件检测与识别技术研究方法1. 监督学习方法：监督学习方法是目前应用最广泛的方法之一。

它是基于已经标注好的文本数据进行训练，通过学习样本的特征和类别标签，来建立分类模型以及预测模型。

监督学习方法的优点是能够较准确地对事件进行分类和预测，但缺点是需要大量标注好的数据。

2. 无监督学习方法：无监督学习方法则是在没有标注数据的情况下进行学习。

常用的无监督学习方法包括聚类算法和主题模型算法。

聚类算法可以将相似的文本聚集在一起，而主题模型算法可以从大量文本中挖掘出潜在的主题信息。

3. 半监督学习方法：半监督学习方法是监督学习和无监督学习的结合，它使用有标签的样本和无标签的样本进行训练，可以在有限的标注数据下取得较好的分类性能。

4. 深度学习方法：深度学习方法是近年来机器学习领域的热点之一。

它通过构建深层次的神经网络模型，能够自动地从数据中学习到高层次的抽象特征。

在事件检测与识别中，深度学习方法如卷积神经网络（CNN）、长短期记忆网络（LSTM）和自注意力机制（Transformer）等，已经在一些应用中取得了显著的效果。

智能监控视频处理中的异常事件检测方法

智能监控视频处理中的异常事件检测方法摘要：随着人工智能技术的不断发展，智能监控系统在安防领域的应用越发广泛。

异常事件检测是智能监控系统中的一个重要任务，它可以帮助监控员快速发现和识别潜在的安全问题。

本文将介绍智能监控视频处理中常用的异常事件检测方法，并探讨各种方法的优劣和适用场景。

1. 异常事件检测方法概述异常事件检测是智能监控视频处理的重要环节之一，其目的是识别监控视频中与正常行为模式不符的异常事件。

常见的异常事件包括入侵行为、闯入警戒区、拥堵、摔倒等。

传统的异常事件检测方法主要基于人工规则和特征工程，需要手动提取监控视频中的特征并定义阈值进行判断。

而基于机器学习和深度学习的异常事件检测方法则能够自动从数据中学习异常行为模式，并实现更精确的判断。

2. 传统的异常事件检测方法传统的异常事件检测方法主要依赖于人工规则和特征工程。

首先，需要从监控视频中提取一系列与异常事件相关的特征，例如运动轨迹、颜色直方图等。

然后，通过定义特定的规则和阈值来判断这些特征是否属于异常事件。

传统的方法虽然简单易实现，但受限于人工规则的设计和特定场景的适应性。

当监控场景变化较大或异常行为的表现形式复杂多样时，传统方法的准确度会受到较大影响。

3. 基于机器学习的异常事件检测方法基于机器学习的异常事件检测方法能够自动从数据中学习异常行为模式，并实现更精确的判断。

这些方法首先需要构建一个训练集，包含正常行为和异常行为的样本。

然后，通过机器学习算法学习样本之间的关系，进而构建异常事件的模型。

常用的机器学习算法包括支持向量机（SVM）、随机森林（Random Forest）和朴素贝叶斯（Naive Bayes）等。

支持向量机是一种常用的监督学习算法，在异常事件检测中得到了广泛应用。

该方法通过将数据映射到高维空间，寻找一个最优的超平面来分离正常事件和异常事件。

随机森林是一种基于决策树的集成学习算法，能够有效处理高维度和大规模数据。

朴素贝叶斯算法则基于贝叶斯定理，通过计算样本的后验概率来判断其属于正常事件还是异常事件。

视频监控系统中的事件检测与识别技术研究

视频监控系统中的事件检测与识别技术研究随着科技的不断进步和智能化的发展，视频监控系统已经成为现代社会中不可或缺的一部分。

然而，大规模的监控视频数据使得人们难以有效地管理和分析。

因此，视频监控系统中的事件检测与识别技术的研究变得尤为重要。

一、事件检测技术事件检测是视频监控系统中的一个基本任务。

它的目标是在监控视频中实时地发现和提取出重要的事件。

事件可以包括各种异常情况，如突然出现的火灾或交通事故，或者可以是特定的预定事件，如入侵者闯入某个区域。

为了实现事件检测，需要考虑以下几个方面的技术：1. 特征提取：特征提取是事件检测的关键步骤之一。

通过提取视频中的各种视觉或音频特征，如颜色、纹理、形状、运动等，来描述事件的特点。

这些特征可以用于事件的分类和判断。

2. 异常检测：异常检测是指在一个预定义的正常行为模式下，对视频中的异常事件进行检测和识别。

这需要建立一个合理的模型，对预期的正常行为进行建模，然后通过比较观察到的数据与期望的模型来确定是否发生了异常事件。

3. 运动检测：运动检测是事件检测的一种重要技术。

通过比较连续帧之间的像素变化或目标的运动轨迹，可以检测到视频中的运动。

这在监控恶意活动或入侵者闯入时尤为有用。

二、事件识别技术事件识别是在事件检测的基础上，对检测到的重要事件进行分类和识别。

事件识别技术旨在自动标记和描述不同类型的事件，以便更好地理解监控视频中发生的事情。

以下是事件识别技术的几个关键方面：1. 分类器设计：分类器设计是事件识别的核心任务之一。

通过训练监督学习算法，可以建立模型来自动识别和分类不同类型的事件。

常见的分类器有支持向量机（SVM）、卷积神经网络（CNN）等。

2. 特征选择：针对事件识别任务，选择合适的特征集是非常重要的。

特征选择可以减少特征的维度，并且只选择与事件相关的特征。

这可以提高分类器的性能和效果。

3. 模型训练和优化：在实际应用中，通过使用大量的标记数据来训练事件识别模型。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ｄｖｌｐｍｅｔａｄｓｍｕａｉｎｂｙＩ８０ｄａａａｅｅｅｏｎｎｉｌｔｏ－８ｔｂｓ．ＣｏｍｐｒｓｆＰＮｎＬＦｓｍｕａｉｅｕｌｓｓｏｗｈｔＤＲｎｄＭＴＴＤｓａｉｏｎｏＮａｄＭｉｌｔｏｎｒｓｔｈｔａａｉ
立与验证
覃频频
（西南交通大学交通运输学院５０信箱；西入学机械工程学院，西，宁５００１６２广广南３０４）
ＱｉｉｐｎｎＰｎｉ
（ｌｇｆａｓｏｔｔｎＳｕｈｓａｔｎｉｅｓｔ，ｉｈａｅｇｕ６０３，Ｃｈｎ１Ｃｏｌｅｏｎｐｒｉ，ｏｔｗｅｔｉｏｏｇＵｎｖｒｉＳｃｕＣｈｎｄ，１０１ｅＴｒａｏＪｙｎｉａ
维普资讯
ＩＳ通讯Ｔ
ＤｅｅｏｐｅｔａｉｕａｉｎｏｖｌｍｎｎｄｓｍｌｔｏｆＰＮＮｍｏｄｌｆｎｃｄｎｔｔｃｉｅｏｒｉｉｅｅｔｄｅｏｎ
ቤተ መጻሕፍቲ ባይዱ
事件检测概率神经网络模型的建
本文建立一种用于识别两类事件模式（无事件模式和有事件模式）的事件检测概率神经网络（ＮＮ）型。鉴于目前Ｐ模大多数研究都是采用交通流模拟软件来产生事件交通流数据，
由于仿真数据与真实道路状况存在较大差异，使算法在实际应用中无法取得理想的效果。为此本文采用高速公路路段Ｉ一
短；但误报率（ＡＲ）也较高。概率神经网络是高速公路事件检测的一种有效算法，其在理论基础、算法和Ｆ学习速度等方面比多层前向神经网络具有优势。
关键词：事件检测、概率神经网络、多层前向神经网络
摘要：在对概率神经网络（ＮＮ）分类机理、输入向量选取和网络设置进行分析的基础上，建立了用于识别两类事Ｐ的
件模式（无事件模式和有事件模式）的事件检测ＰＮＮ模型。采用高速公路路段Ｉ８０实地线圈数据集和事件数据．８
ａｈｉｖｄｂＮＮｒｅｔｒｔａＬＦ，ＦｃｅｅｙＰａｅｂｔｅｈｎＭＡＲｓｉｅｏｈｎＭＬＦｗｈｔｅｎｎｒｈ・ｏｒｓｔｔｗａｄａｄｔｉｅｔｏｒｅｙｉｎｆｒｒｔａｉｅｈｒｉｏｔｔｗａｄ，ｏｕｈ・ｏｒｎｗｏｄｒｃｉｎｆｅｗａｉｃｄｎｔｃｉｎ．ｎｉｅｔｄｅｅｔｏＰＮＮｓａｆｅｔｖｌｏｒｔｉｎｅｆｃｉｅａｇｉｈｍｎｉｃｄｅｔｄｅｅｔｏｎｓｓｐｒｏＯＭＬＦｉｈｅｙｒｉｉｇｎｉｎｉｎｔｃｉｎａｄｉｕｅｉｒｔｎｔｏｒ，ｔａｎｎｕｍｂｒｎｅｓａｄｌａｎｎｇｓｅｄｅｒｉｐｅ．．
２Ｃｏｌｇｆｅｈｎｃｌｇｎｅｎ，ａｇｉｉｅｓｙＧｕｎｘｎｎｎ，３０５Ｃｈｎ）ｌｅｏｃａｉａＥｎｉｅｒｇＧｕｎｘｖｒｉ，ａｇｉｅＭｉＵｎｔＮａｉｇ５００，ｉａ
ＫｅｗｏｄＩｃｄｎｔｃｉｎＰｙｒ：ｎｉｅｔＤｅｅｔ，ＮＮ（ｒｂｂｌｔｅｒｌｅｗｒ）ＭＬ（ｌ・ｙｒｅｄｆｒｒｅｒｌｎｔｒｓｏｐｏａｉｓｉｎｕａｔｏｋ，ｉｃｎＦｍｕｔｌｅｅ．ｏｗａｄｎｕａｅｗｏｋ）ｉａｆ
１．引言
高速公路事件是指高速公路上的偶发性事件，如：车辆交通事故、故障停车、货物散落等。偶发性事件是造成偶发性交通拥挤的主要原因，由于交通事件的发生时间和地点是
随机的、不可预测的，偶发性拥挤难以采取控制交通需求或
ＡｂｓｒｔＴｈｓｐｐｒｉｖｓｉａｅｈｌｓｉｉａｉ，ｉｐａｉｂｅｎｅｔｎｇｆｐｒｂｂｌｔｅｒｌｎｔｒｔａｃ：ｉａｅｎｅｔｔｓｔｅｃａｓｆｃｔｏｎｎｕｔｖｒａｌｓａｄｓｔｉｓｏｏａｉｉｉｎｕａｅｗｏｋ，ｉｃｕｄｎｇｍｏｅｇｓｃｎｌｉｄｌ
集验证模型，通过比较ＰＮＮ模型与多层前向神经网络（ＬＦ）模型的结果，发现无论对于向北、向南或混合Ｍ方向的高速公路事件检测，ＰＮＮ模型的检测率（ＤＲ）比ＭＬＦ模型高；平均检测时间（ＭＴＴＤ）比ＭＬＦ模型