随着经济的快速发展和小汽车保有量的急剧增长,道路交通供需矛盾日益尖锐,快速增长的交通需求使得交通事件频发、交通拥堵严重,导致交通环境不断恶化。准确及时的交通事件检测,能够有效缓解交通事件带来的交通拥堵,预防二次事故的发生,提高道路交通安全和服务水平。如何准确检测交通事件一直是智能交通领域的研究重点。现实中,交通事件的发生是偶然的,交通事件数据远远少于正常交通状态数据,交通事件检测实质是不平衡分类问题。因此,本文应用不平衡分类技术中的欠抽样方法解决交通事件检测问题,研究适应不平衡交通流数据的交通事件自动检测算法(Automatic Incident Detection, AID)。交通事件检测属于二分类问题,本文以支持向量机(Support Vector Machine, SVM)作为分类器,提出了三种基于不同欠抽样方法的交通事件检测模型。首先,将一种改进的非启发式欠抽样方法——邻域清理欠抽样方法,应用到交通事件检测中,提出基于邻域清理欠抽样的SVM AID模型。并采取网格搜索方法和粒子群算法进行SVM参数优化,选择性能更优的参数值作为模型的参数。其次,为了避免非启发式抽样算法人为设定样本抽样率的随机性缺陷,提出了基于遗传算法实例选择抽样的SVM AID模型,利用遗传算法“优胜劣汰”的寻优规则智能确定最佳学习样本集,并与非启发式抽样方法的应用效果进行对比分析。最后,考虑到学习样本集数据量较大时,模型学习及构建的长时耗问题,又提出了基于遗传算法支持向量选择抽样的SVM AID模型。利用SVM训练时起决定性作用的只是支持向量样本这一特性,仅针对比原始数据集小得多的支持向量集进行选择学习,并与前两种模型的检测性能进行对比分析。本文实验数据来源于新加坡AYE仿真数据库,实验算法以MATLAB R2011 b软件为平台编程实现。实验结果表明,本文提出的基于欠抽样的交通事件检测算法能有效改善面向不平衡数据集的交通事件检测效果,提高事件检测效率,获得较优的综合性能。