ＪｏｕｒｎａｌｏｆＣｈｏｎｇｑｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅ）２０２３年第３７卷第４期Ｖｏｌ．３７Ｎｏ．４２０２３收稿日期：２０２２－０４－１８基金项目：江西省教育厅一般课题（ＧＪＪ１９０３３１）；国家自然科学基金项目（５２１６２０４２）；江西省交通运输厅一般课题（２０２０Ｈ００５３）作者简介：张兵，男，博士，副教授，主要从事交通安全及交通事件智能检测研究，Ｅ-ｍａｉｌ：ｚｈａｎｇｂｉｎｇ＠ｅｃｊｔｕ．ｅｄｕ．ｃｎ。本文引用格式：张兵，张校梁，屈永强，等．采用特征变量选择和长短期记忆网络的高速公路交通事件检测研究［Ｊ］．重庆理工大学学报（自然科学），２０２３，３７（４）：１５７－１６５．Ｃｉｔａｔｉｏｎｆｏｒｍａｔ：ＺＨＡＮＧＢｉｎｇ，ＺＨＡＮＧＸｉａｏｌｉａｎｇ，ＱＵＹｏｎｇｑｉａｎｇ，ｅｔａｌ．Ｒｅｓｅａｒｃｈｏｎｈｉｇｈｗａｙｔｒａｆｆｉｃａｃｃｉｄｅｎｔｄｅｔｅｃｔｉｏｎｕｓｉｎｇｆｅａｔｕｒｅｖａｒｉａｂｌｅｓｅｌｅｃ-ｔｉｏｎａｎｄｌｏｎｇａｎｄｓｈｏｒｔ-ｔｅｒｍｍｅｍｏｒｙｎｅｔｗｏｒｋ［Ｊ］．ＪｏｕｒｎａｌｏｆＣｈｏｎｇｑｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅ），２０２３，３７（４）：１５７－１６５．ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１６７４－８４２５（ｚ）．２０２３．０４．０１８采用特征变量选择和长短期记忆网络的高速公路交通事件检测研究张兵１，张校梁１，屈永强２，上官小荣３，邹少权１（１．华东交通大学交通运输工程学院，南昌３３００１３；２．江西交通职业技术学院，南昌３３００１３；３．江西省交通规划勘察设计院，南昌３３００１３）摘要：为提升高速公路交通事件检测效果，依据交通事件发生时上、下游交通流参数的变化特性，构建一组相对全面的交通事件检测初始特征变量集，使用随机森林－交叉验证递归特征消除（ＲＦ-ＲＦＥＣＶ）算法筛选出重要特征变量。利用重要特征变量作为输入训练长短期记忆网络（ＬＳＴＭ），通过贝叶斯优化算法（ＢＯＡ）优化ＬＳＴＭ网络的超参数。使用真实高速公路数据进行验证和对比分析，采用Ｂｏｒｄｅｒｌｉｎｅ-ＳＭＯＴＥ解决交通数据集的不平衡问题。实验结果表明：筛选出对交通事件检测更为敏感的重要特征变量，可以提高检测精度，ＬＳＴＭ的检测效果也明显优于随机森林（...
