在车辆事故检测中，由于事故车辆相比于正常车辆数量较少，将导致数据不平衡，从而使得事故车辆无法被正确识别，容易将其误判为正常车辆。因此，研究了1种基于SMOTE-LSTM的车辆事故检测算法。针对事故数据与正常数据不平衡问题，采用合成少数类过采样技术（synthetic minority over-sampling technique,SMOTE），在事故类样本点之间随机插入样本、增加其数量，实现事故与正常2类样本的数据平衡。同时，在对事故数据进行过采样时，通过对比不同邻居数下的检测精度，选择了最优的邻居数，以提高事故类样本识别率并避免过多噪声干扰。在此基础上采用长短期记忆网络（long short term memory,LSTM）精准捕获车辆发生事故时的数据时序特征，并通过引入Dropout层有效降低过拟合，提升了模型的泛化能力，准确实现车辆事故检测。此外，为了减少事故车辆被误检为正常车辆的情况，在模型损失函数中引入了类别权重，通过调整权重使模型更关注对事故类样本的检测。最后，在采集的车辆行驶状态时序数据集上进行6组对比实验。其中，前3组实验未采用基于SMOTE-LSTM的算法，在增加正常样本的基础上进行类别平衡、轻微和中等类别不平衡的车辆事故检测。后3组实验采用了基于SMOTE-LSTM的算法，涉及轻微、中等和极度类别不平衡情况。实验结果表明：当使用本文方法进行车辆事故检测时，Precision、Recall、F1值、G-mean，以及AUC值均取得了显著的提升，其中在轻微类别不平衡情况下，这5个评价指标值分别提高了56.2%、2.5%、38.7%、5.8%和5.4%。在中等类别不平衡情况下，分别提高了75%、14.1%、59%、8.2%和7.8%。结果表明，本文所提算法在处理车辆事故检测中的类别不平衡问题时，能够显著提高各项评价指标，尤其在轻微和中等类别不平衡的情况下，算法有效提升了对少数类的识别能力，展现了较强的鲁棒性和更好的分类性能。
京公网安备11010202008535号
