在新型基础设施建设、交通强国等政策的大力支持和推动下，构建实时感知、瞬时响应、智能决策的新型智能交通体系框架，数字化赋能交通，推动高速公路智慧化、智能化，是我国高速未来发展的必然趋势。针对我国高速普遍存在监测手段单一、监测设备覆盖率低、信息反馈种类少、异常交通事件感知方式简单等问题，造成路网运行风险主动预判能力不足的问题，团队开发基于雷视融合数据的高速公路车辆轨迹补全与事件识别算法，实现高速公路车辆轨迹的精细化还原与宏微观异常事件的一体化的检测框架。
团队以毫米波雷达感知机制为基础，分析单个毫米波雷达覆盖范围中可能存在的各类轨迹缺失场景，定义轨迹补全基本问题，构建融合物理模型与机器学习模型的双驱动车辆轨迹补全方法体系和算法。双驱动模型利用改进的粒子滤波方法，针对不同的交通环境分别设计不同的状态转移方程，结合了两类模型的优势，当数据驱动模型输出不合理的补全结果时，融入物理知识的粒子滤波能够修正补异常值，给出符合物理定律的补全结果。模型数据双驱动的轨迹补全方法，将物理模型和数据驱动模型集成到一个框架中，克服数据对机器学习模型的挑战，解决了数学方法在复杂和不确定交通系统建模中的局限性，实现具有多模态的车辆轨迹精确还原。
模型驱动轨迹补全框架
模型数据双驱动轨迹补全框架
此外，团队基于高采样率雷视融合轨迹数据，以单车轨迹的分析为基础，设计基于轨迹的宏微观异常事件判别的一体化框架，解决行业交通异常事件检测功能单一，集成度低，自适应能力差，泛化能力不足的问题。利用交通流冲击波理论，在单车异常轨迹的基础上，构建局部冲击波拥堵车辆队列，对车道级的走停波拥堵现象进行追踪，实现拥堵的精细化识别。利用道路交通流背景状态网格化更新机制，实时响应单车异常行为与整体交通态势的异常状况，提升异常事件检测框架的自适应检测能力。针对以压线为代表的时空异常事件检测，设计了基于无监督方法的双层stacking的异常事件检测框架，堆叠了基于统计、密度、规则的组件学习器，嵌入了车辆的轨迹与外观特征信息，构建了针对视角畸变与场景泛化的异常事件集成检测模型，在保证准确性的基础上提升了异常检测算法的迁移性。
宏微观异常事件一体化的检测框架
基于无监督方法的双层stacking的异常事件检测框架
