文献综述（或调研报告）：
1、国外研究现状
1965-1970年间，最早开发并且投入使用的加利福尼亚算法始用于洛杉矶公路管理控制中心。加州算法通过比较邻近检测站之间的交通参数数据，主要是通过比较占有率数据，对可能存在的突发交通事件进行判别。Payne 和Tignor（1978）改进了加州算法，公布了10种改进算法，其中性能最好用的最多的是加州#7和加州#8算法。加州#7算法能够区分常见的交通压缩波，而不会发生误报警。加州#8算法进一步降低误判率，增加了反复的持续性判别，但是算法也变得复杂，从而降低了检测的效率[1]。另一种公认程度最高的经典算法是McMaster算法，McMaster算法是基于突变理论的交通预测算法，突变理论的名称源于当其他相关变量显示平滑连续的变化时，其中某一重要变量发生了突发的不连续的变化。这种算法建立在这样的前提下，即当交通从拥挤状态向非拥挤状态变化时，流量和占有率变化缓慢，而速度表现为变化突然。这种算法可以区分周期性拥堵和交通事件，周期性拥堵会缓慢地发生，而交通事件会导致一个突然产生的队列，以及剧烈变化的速度[2]。
除了以上两种经典算法以外，国外还有许多事件检测算法，比如Levin和Krause（1978）开发了贝叶斯算法，该算法类似加州算法，使用的也是两个相邻检测器之间占有率的差值对所发生的拥挤进行判别，不同之处在于它通过计算突发交通事件或常发性拥挤引起的占有率变化的条件概率完成对拥挤自动判别。这种算法可以对具有规律性的常发性拥挤和事故多发路段上的偶发性交通拥挤进行判别[3]。同样利用占有率，Collins et al开发了高占有率算法（HIOCC）。通过获得的占有率数据判别是否存在缓行车辆。这种算法每秒钟对检测器的占有率数据扫描十次，如果连续几个瞬时占有率的值都超过了预定的阈值，则触发突发交通事件报警系统[4]。在1970-1975年期间，德克萨斯州交通协会开发了以判别突发交通事件为主要功能的标准偏差（SND）算法，通过判断交通参数的变化率是否大于特定的阈值，来实现对突发交通事件的判别。标准偏差值SND可通过简单的统计分析得到，如果在连续的两个采样周期内的 SND 值都大于预定的阈值，则认为发生了突发交通事件[5]。Chew等人最先将人工神经网络（ANN）应用于在道路的交通事件检测，并取得了良好的检测效果[6]。之后Ritchie和Chew又开发了基于多层前馈网络（MLF）的算法，该神经网络由三层组成，分别是输入层、中间层和输出层，输入层包括上、下游流量、速度、占有率，中间层处理数据，输出层则产生交通事件和非交通事件信号[7]。Ahmed和Cook运用 Box-Jenkins 随机时间序列分析技术中的自回归移动平均方法 ARIMA开发了一种突发交通事件的判别算法。这种算法以单个检测器提供的占有率为输入数据，建立了一个三阶 ARIMA（0,1,3）模型对占有率及其置信水平进行短期预测，当预测数据与观测数据存在大的偏差时，启动突发交通事件的报警系统[8]。Srinivasan提出了基于混合模糊逻辑遗传算法的交通事件检测算法，该算法的函数相当复杂，从而对不精确的数据具有高度的容错性。这个算法将遗传算法的优化能力用于优化模糊设计参数，使算法性能达到最优[9]。
2、国内研究现状
国内对于事件检测算法的研究起步比国外要晚，近些年随着国家的重视和资金的投入，我过的学者在这方面取得了一定的成果。
楚杨杰等人对California 算法提出改进，使原本只适用于在单车道上的算法能够应用于多车道的高速公路，并且取得了较好的检测结果[10]。高昕、贺国光等（1999）给出了Mallat 塔式算法的公式，采用小波变换的方法进行交通事件检测，并给出了利用小波变换进行交通事件检测方法的程序流程图，利用实际数据进行分析的结果表明小波分析用于交通事件检测有其突出的优点[11]。周伟、罗石贵提出了基于模糊综合识别的交通事件检测算法，给出了流量、速度、上下游占有率各模糊集的隶属函数，并运用实际数据进行验证，该算法的优点是既可以检测拥挤，还能够确定拥挤成因[12]。吕琪、王慧将新型动态神经网络结构与传统事件检测方法结合，提出了基于动态神经网络交通事件检测算法[13]。蔡志理等人提出了一类基于支持向量机的高速公路交通事件自动检测算法，根据交通参数提出了反映交通状态的特征量，针对不同类型的支持向量机设计了不同的自动事件检测算法，并运用模拟数据进行了对比分析，结果良好[14]。张凯提出了基于BP网络、RBF网络、GRNN交通事件检测算法。还在现有的交通状态参数中增加车辆分类交通量，对比两组交通状态参数进行试验和分析，结果表明在交通状态参数中增加车辆分类交通量，可以提高算法对交通事件的检测率并降低误警率[15]。龚炯将两种集成方法结合SVM分别进行了交通事件检测仿真。通过对仿真结果的比较和分析，集成SVM的模型构建时间短，检测准确率高，获得了较优的综合检测性能，为设计高性能的事件检测算法提供了方法[16]。
纵观国内外交通事件检测算法的研究，随着人们的投入和研究，算法正在不断的丰富和完善。早期的算法相对成熟和全面，而后期的人工智能算法则是基于新兴的理论和技术研究开发，虽然多数仍在研究和探索中，但在交通事件检测效率和效果上明显表现出突出的优势。各种算法都有各自的适用和优势，要找出一种普遍适用而又高效率的算法还需要不断的探索。因此，交通事件检测算法的研究还有很长的一段路要走。
3、参考文献：
[1] 姜桂艳. 道路交通状态判别技术与应用[M]. 北京：人民交通出版社，2004：162-165，208-210, 46-48
