🤖 AI

Hybrid Congestion Classification Framework Using Flow-Guided Attention and Empirical Mode Decomposition

Dit artikel stelt FLO-EMD voor, een hybride raamwerk dat bewegingsgeleide aandacht integreert met Empirische Mode Decompositie om ruimtelijke context en niet-stationaire temporele dynamiek gezamenlijk te vangen, met een nauwkeurigheid van 97,5% bij het classificeren van verkeerscongestieniveaus in diverse bewakingsomgevingen.

Oorspronkelijke auteurs: Eugene Kofi Okrah Denteh, Blessing Agyei Kyem, Joshua Kofi Asamoah, Armstrong Aboah

Gepubliceerd 2026-05-07

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Eugene Kofi Okrah Denteh, Blessing Agyei Kyem, Joshua Kofi Asamoah, Armstrong Aboah

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert uit te vinden hoe erg het verkeer is, puur door te kijken naar een videofeed van een snelwegcamera. Je hebt twee hoofdmanieren om dit te doen, maar beide hebben een tekortkoming:

De "Statische Foto"-benadering: Je kijkt naar de foto en telt auto's. Het probleem? Een foto van een drukke parkeerplaats ziet er hetzelfde uit als een foto van een file, ook al staat de ene stil en beweegt de andere langzaam. Je kunt opgelicht worden door het statische decor (zoals de wegverf of vangrails) in plaats van de daadwerkelijke auto's.
De "Geluidsgolf"-benadering: Je luistert naar het verkeer als een geluidstechnicus, en analyseert het ritme van auto's die een specifiek punt passeren. Het probleem? Je kunt niet zien waar de file op het scherm plaatsvindt. Je weet dat er een probleem is, maar je weet niet of het in de linkerrijbaan of de rechterrijbaan is.

Dit artikel introduceert een nieuw systeem genaamd FLO-EMD dat fungeert als een super-slimme verkeersdetective die het beste van beide werelden combineert. Hier is hoe het werkt, met eenvoudige analogieën:

1. De "Bewegingsdetective" (Optische Stroom)

In plaats van alleen naar de kleuren van de auto's te kijken (RGB), kijkt het systeem eerst naar hoe dingen bewegen. Het creëert een onzichtbare "windkaart" (genaamd optische stroom) die de richting en snelheid van elke pixel in de video toont.

De Analogie: Stel je voor dat je naar een rivier kijkt. Een normale camera ziet de rotsen en de waterkleur. De "Bewegingsdetective" negeert de rotsen en kijkt alleen naar de draaiende stromingen. Dit helpt het systeem om statische dingen zoals verkeersborden of schaduwen die niet bewegen, te negeren, en zich alleen te focussen op de auto's die echt belangrijk zijn.

2. De "Focuserende Filter" (Stroomgeleide Aandacht)

Zodra het systeem weet waar de beweging is, gebruikt het die informatie om zijn "ogen" te vertellen waar ze moeten kijken.

De Analogie: Denk aan een schijnwerper op een podium. Normaal gesproken zou een schijnwerper misschien schijnen op het kleurrijkste deel van het decor (zoals een felrode gordijn). Maar dit systeem gebruikt de "Bewegingsdetective" om de schijnwerper te verplaatsen. Als de auto's in de linkerrijbaan bewegen, verplaatst de schijnwerper zich daarheen. Als de rechterrijbaan leeg is, dimt de schijnwerper. Dit voorkomt dat het systeem afgeleid wordt door statische achtergrondruis.

3. De "Ritme-analist" (Empirische Mode Decompositie)

Verkeer is niet constant; het stopt, start en wiebelt. Standaardcomputers proberen verkeer vaak in een stijf, voorspelbaar hokje te passen (zoals een metronoom). Dit systeem gebruikt een techniek genaamd Empirische Mode Decompositie (EMD) om het verkeersritme op te breken in zijn natuurlijke, rommelige onderdelen.

De Analogie: Stel je voor dat een muzikant een complexe jazzsolo speelt. Een standaardrecorder zou die solo misschien proberen te forceren in een eenvoudig 4/4-tak. EMD is als een genie-muziekproducent die naar de solo luistert en deze opbreekt in zijn unieke lagen: de snelle drumslagen, de trage baslijn en de plotselinge pauzes. Dit stelt het systeem in staat om de ware aard van de verkeersstroom te begrijpen, zelfs als deze chaotisch is of plotseling verandert.

4. Het "Eindoordeel"

Het systeem neemt de "Focuserende Filter" (wat het ziet) en de "Ritme-analist" (hoe het verkeer zich in de tijd beweegt) en combineert ze.

Het Resultaat: Het kan het verschil aangeven tussen Licht (auto's die vrij cruisen), Gemiddeld (auto's die vertragen maar bewegen) en Zwaar (auto's die stilstaan of kruipen) met 97,5% nauwkeurigheid.

Waarom is dit een groot ding?

Het werkt in regen en mist: Omdat het zich richt op bewegingspatronen in plaats van alleen duidelijke beelden, raakt het niet zo snel in de war wanneer het weer slecht is.
Het gebruikt bestaande camera's: Je hoeft geen nieuwe sensoren op de weg te installeren. Het kan de CCTV-camera's gebruiken die steden al hebben.
Het is eerlijk over wat het ziet: Het systeem kan je een "warmtekaart" tonen van precies welk deel van de weg het bekijkt, wat bewijst dat het niet alleen gokt op basis van de achtergrond.

De Conclusie

De auteurs hebben dit getest op meer dan 1.000 videoclips van snelwegen in de VS, die zonnige dagen, regenachtige nachten en besneeuwde omstandigheden omvatten. Het sloeg alle andere bestaande methoden (zoals standaard AI-videomodellen) omdat het niet alleen naar het verkeer "keek"; het "voelde" de beweging en begreep het ritme van de file.

Wat het NIET is:
Het artikel beweert niet dat dit systeem toekomstige files kan voorspellen voordat ze gebeuren, noch claimt het het verkeer te herstellen. Het is strikt een hulpmiddel voor het classificeren (labelen) van wat er op dit moment in de videofeed gebeurt. Het merkt ook op dat hoewel het geweldig werkt op snelwegen, het nog niet volledig is getest op complexe stadsintersekties met auto's die in elke richting draaien.

Technische Samenvatting: FLO-EMD Hybride Framework voor Congestieclassificatie

Probleemstelling
Voor een nauwkeurige classificatie van verkeerscongestie zijn modellen vereist die tegelijkertijd de context van de wegscène en niet-stationaire verkeersbewegingen vastleggen. Bestaande benaderingen behandelen deze eisen doorgaans geïsoleerd. Visiegebaseerde methoden vertrouwen vaak op uiterlijke aanwijzingen en standaard temporale pooling, wat voorspellingen kan vertekenen naar statische infrastructuur in plaats van dynamische verkeersstaten. Omgekeerd karakteriseren signaalgebaseerde benaderingen (bijvoorbeeld met behulp van lusdetectoren) temporale dynamiek goed, maar missen ze de ruimtelijke context die nodig is voor lokalisatie op sceneniveau. Bovendien lijden visiegebaseerde modellen vaak aan aandachtmechanismen die afwijken naar hoog-contrast statische elementen (bijvoorbeeld rijbaanmarkeringen, schaduwen) in plaats van bewegingsrelevante gebieden, en slagen ze er vaak niet in om niet-stationaire bewegingspatronen zoals stop-en-go oscillaties expliciet te ontleden.

Methodologie: Het FLO-EMD Framework
Het artikel stelt FLO-EMD voor, een hybride framework dat bewegingsgeleide aandacht koppelt aan empirische, datagedreven temporale ontleding. De architectuur verwerkt verkeersvideoclips via parallelle RGB- en dichte optische stroomruggengraten, die worden geïntegreerd via een ontwerp met twee stromen.

Extractie van Optische Stroom en Karakterisering van Beweging:
- Dichte optische stroom wordt geschat tussen opeenvolgende frames met behulp van het Farneback-algoritme.
- In plaats van ruwe stroomvelden direct in een diep netwerk te voeden voor temporale modellering, aggregeert het systeem stroomstatistieken tot compacte, frame-niveau bewegingsbeschrijvers. Deze omvatten het ruimtelijke gemiddelde en de standaardafwijking van stroomgrootte ( $\mu_M, \sigma_M$ ) en stroomrichting ( $\mu_D, \sigma_D$ ).
- Deze beschrijvers vormen tijdreeks "bewegingssporen" die congestiedynamiek op sceneniveau vertegenwoordigen.
Backbone met Twee Stromen en Stroomgeleide Aandacht:
- Het framework maakt gebruik van twee parallelle convolutie-encoders: één voor RGB-frames en één voor optische stroomvelden. Beide produceren ruimtelijk en kanaalsgewijs uitgelijnde feature-kaarten.
- Een Stroomgeleid Aandachtmechanisme (een verbeterd CBAM-blok) gebruikt de optische stroomfeatures om de RGB-features te verfijnen.
  - Kanaalaandacht: Berekend uit gepoolde beschrijvers van zowel RGB- als stroomfeatures om bewegingsrelevante featurekanalen te benadrukken.
  - Ruimtelijke aandacht: Omvat een herschaalde stroomgroottekaart naast RGB-statistieken om ruimtelijke gebieden opnieuw te wegen, zodat het model zich richt op verkeersactieve gebieden in plaats van statische infrastructuur.
Empirische Mode Ontleding (EMD) voor Temporale Analyse:
- De compacte bewegingssporen (de vier statistische beschrijvers in de tijd) worden ontbonden met behulp van Empirische Mode Ontleding (EMD).
- EMD ontbindt de niet-stationaire tijdreeks adaptief in Intrinsic Mode Functions (IMF's) zonder vaste frequentie-aannames.
- Het artikel behoudt $N=4$ IMF's per beschrijver. Elke IMF wordt samengevat door zijn temporale gemiddelde en standaardafwijking, waardoor een embedding met vaste dimensie ontstaat (32 scalair features per clip) die multi-schaal temporale dynamiek vastlegt.
Featurefusie en Classificatie:
- De geleerde spatiotemporale representaties (van de RGB- en stroomstromen verwerkt door BiLSTM's en op aandacht gebaseerde pooling) worden gefuseerd met de EMD-afgeleide bewegingsembedding.
- Een laatste Multi-Layer Perceptron (MLP) classificeert het gefuseerde vector in drie congestiestaten: Licht, Gemiddeld en Zwaar.
- Training maakt gebruik van cross-entropy-verlies met labelgladstrijking om generalisatie te verbeteren.

Belangrijkste Bijdragen

Toepassing van EMD op Optische Stroom: De studie introduceert de toepassing van Empirische Mode Ontleding op tijdreeksen van optische stroom. Dit maakt adaptieve ontleding van niet-stationaire verkeersbeweging in intrinsieke modusfuncties mogelijk, wat multi-schaal temporale dynamiek karakteriseert die cruciaal is voor het onderscheiden van congestieniveaus, en biedt een robuust alternatief voor temporale analyse met vaste vensters.
Hybride Signaal-Visie Framework: Het artikel presenteert een unificatie architectuur die naadloos klassieke signaalverwerking (EMD) combineert met modern diep leren (dubbele encoders en aandacht). Deze integratie overbrugt ruimtelijke videoanalyse en temporale patroonherkenning, en adresseert de beperkingen van puur visiegebaseerde of puur sensorgebaseerde benaderingen.

Experimentele Resultaten
Het framework werd geëvalueerd op een dataset van 1.050 clips van vijf seconden uit vier bewakingsnetwerken (Seattle I-5, AI-City Challenge 2021, Tennessee TDOT en NYC 511NY), die diverse omstandigheden dekken, waaronder heldere, regenachtige, sneeuwerige, mistige en nachtelijke scenario's.

Prestaties: FLO-EMD behaalde een algehele testnauwkeurigheid van 97,5% met een gewogen F1-score van 0,9742, en presteerde beter dan gevestigde baselines, waaronder op Transformer gebaseerde modellen (TimeSformer, Video Swin Transformer), op CNN gebaseerde modellen (X3D, TANet) en hybride pipelines (TSM, YOLO+LSTM).
Robuustheid: Het model toonde consistente prestaties over omgevingscondities, met de laagste nauwkeurigheid waargenomen bij regenachtige omstandigheden (93,50%) en de hoogste bij helder daglicht (98,50%).
Ablatiestudies:
- Het verwijderen van stroomgeleide aandacht resulteerde in een significante daling van de prestaties en verhoogde overfitting, wat de noodzaak bevestigt van bewegingsgeconditioneerde featureverfijning.
- Het verwijderen van de EMD-tak verlaagde de nauwkeurigheid, wat de waarde van adaptieve temporale ontleding valideert.
- Sensitiviteitsanalyse gaf aan dat het behouden van 4 IMF's de optimale balans bood tussen het vastleggen van onderscheidend temporale gedrag en het vermijden van overfitting op kortstondige fluctuaties.
Interpreteerbaarheid: Visualisaties van aandacht toonden aan dat het stroomgeleide mechanisme succesvol zich richtte op verkeersactieve gebieden (bijvoorbeeld voertuigwachten) in plaats van statische achtergrondelementen, hoewel er af en toe aandacht werd toegewezen aan wegbermen vanwege stroomartefacten.

Betekenis en Claims
Het artikel beweert dat FLO-EMD een geünificeerde oplossing biedt die bewegingsbewijs koppelt aan ruimtelijke featureselectie terwijl het datageadaptieve temporale karakterisering behoudt. Door gebruik te maken van bestaande CCTV-infrastructuur, stelt de methode vervoersinstanties in staat om bewakingsdekking uit te breiden zonder extra wegkant sensoren te installeren. De auteurs stellen dat het expliciet bewegingsgedreven karakter van het framework betrouwbare werking ondersteunt onder ongunstige weersomstandigheden en bij weinig licht, waardoor het goed geschikt is voor routine monitoring van corridors en operationele besluitvorming in real-time binnen intelligente vervoerssystemen. De studie concludeert dat het combineren van bewegingsgeconditioneerde ruimtelijke analyse met adaptieve temporale ontleding een effectieve richting is voor betrouwbare congestieclassificatie, hoewel het beperkingen erkent met betrekking tot generalisatie naar complexe stedelijke kruispunten en de potentie dat aandacht wordt beïnvloed door grensartefacten.