东南大学陈淑燕教授
陈淑燕：非常感谢给这个机会让我们介绍一下东南大学在交通实验方面做的一些工作。
我讲的题目是“交通事件的自动识别”，事件包含事故，事故只是事件当中的一部分，还包括其他的，包括货物遗撒之类的。第二部分讲一下交通事件的自动检测算法。第三部分讲一下城市道路交通事件自动检测。第四部分是讲一下未来的工作。
一般事件是导致道路通行能力下降或者交通需求不正常升高的非周期发生的情况。关于事件，我们可以分为两类，一类是可预测的事件，包括道路养护、道路维护、大型体育比赛等等。不可预测主要是指事故，包括极端恶劣天气下容易引起的交通方面的一些隐患。再就是桥或者道路的突然倒塌，货物泼洒，首先造成经济损失和人员伤亡，第二也是导致交通堵塞的原因，第三是容易导致二次事故，降低了安全性。
近年来有一些统计数据，20%-50%的交通事故是由于受到第一次事件发生以后引起的。另外50%当中的二次事件往往是一次事件发生10分钟之内发生的。交通事故造成城市道路的拥堵是20%。还有一组数据是关于财产损失和人员伤亡，我国往年人员伤亡在10多万左右，去年数字下降到8万左右。
我们知道如果我们能够尽早的发现道路上的突发事件，我们可以及时的制定响应措施来清除事件，如果提早1分钟来清理，可以至少减少4到5分钟的延误。各个国家对于交通事件的处理花了很多的时间。
首先我们获取一个交通实时数据，第二是检测道路的状态是否发生，如果有的话就给出报警去清理。这是一个循环的过程，一般这种系统包含三部分，第一部分是数据采集系统，第二部分是针对采集数据判定交通的状态，还有一部分是属于基础的部分，就是对数据的管理，包括创建数据库对数据进行存储，包括它的日常的管理。
第二部分介绍一下我们交通事件算法做的工作。通常来第一是检测率，看有多少能检测出来，第二是误报率，就是说它的不是事件，结果误报成事件。第三是平均检测时间。我们大致有一个算法，基于模式识别的算法、基于统计技术的算法，我们也是用数据挖掘的常规算法来对数据进行检测。2005年开始做了一些研究，到目前也提出很多世界级的算法，包括决策树方法、粗集分类、偏最小二乘回归法、归纳逻辑法。
首先介绍一下基于决策树的算法，这是一个分类问题，最简单的是二分类，要么是事件发生，要么是增值状态，决策树是非常常见的一个分类，它的优点是得到分类规则比较容易理解，工程师也容易理解它。同时因为计算方便，所以可以给出哪些变量对于事件检测是重要的。这是决策树里面C4.5的比较经典的算法。
关于决策树来检测事件，实验结果表明它跟神经网络相当，它的属性离散化可以提高检测率、但误报率上升。通过实例选择可以提高检测效果，缺点是移植性差，实际上任何一种数据挖掘的算法都有这个问题。
如果是计算机专业的可能比较清楚粗集近似集，用这种算法的步骤是对属性进行离散化，第二步是属性削减，第三步是决策规则生成，第四步是规则削减，然后再用削减以后的结果判断事件。
偏最小二乘神经网络算法，神经网络处理非线性问题有优势，但是缺点是本结构和参数难以设置，另外就是性能依赖于使用者的经验，而偏最小二乘恰恰不擅长处理非线性的问题，不适用不平衡的数据。
这是它的结构图，上半部分实际上是偏最小二乘回归，这样网络结构可以从高起点上进行优化，这样更容易做。
还有一个是基于神经网络集成的AID的算法，每一个神经网络是作为一个分类器，每一个神经网络对当前的事件状态有自己的判断，我们最后通过多数表决来决定这个事件是否会发生，类似于民主集中制的思路。这里面有两个问题，一个是神经网络个体怎么形成的，第二是怎么结合神经网络获得最终的结果。我们知道神经网络的声称有两种，一种是Bagging，一种是Boosting。加权平均是根据以往的历史表现给它不同的权重。
还有一个是基于随机森林的AID算法，如果说每一个个体是神经网络的，它就是神经网络的，每一个个体是一个决策树，它可以进行分类。
