Lane-wise Traffic Anomaly Dataset

该数据集由普渡大学电气与计算机工程系、计算机科学系和信息与计算机技术系的学者合作创建。数据集包含来自印第安纳州高速公路监控摄像头的73139个车道级样本，样本被标注为四类专家验证的异常：三种交通相关异常（车道阻塞和恢复、异物入侵和持续拥堵）和一种传感器相关异常（摄像头角度变化）。数据集为每个车道提供结构化时间序列信号，支持车道和道路异常检测。数据集旨在解决实际智能交通系统中低成本、可扩展的车道级异常检测问题。This dataset was collaboratively developed by researchers from the Department of Electrical and Computer Engineering, Department of Computer Science, and Department of Information and Computer Technology at Purdue University. It contains 73,139 lane-level samples collected from highway surveillance cameras in Indiana, with each sample annotated into four categories of expert-validated anomalies: three traffic-related anomalies (lane blockage and recovery, foreign object intrusion, and sustained congestion) and one sensor-related anomaly (camera angle shift). The dataset provides structured time-series signals for each lane to support lane-level and road anomaly detection tasks. It is designed to address the low-cost, scalable lane-level anomaly detection challenges in real-world intelligent transportation systems (ITS).

搜集汇总

数据集介绍

构建方式

该数据集通过高速公路监控视频构建，采用AI驱动的视觉模型提取车道级交通特征，包括车辆计数、占用率和卡车比例。数据收集历时六个月，涵盖五个固定摄像头拍摄的8,746段15分钟视频。通过YOLOv5x-CBAM进行车辆检测，Deep SORT进行车辆跟踪，并结合隔离森林算法和专家验证标注异常样本，最终形成包含73,139个车道级样本的数据集。

特点

该数据集具有车道级的高空间分辨率，提供车辆计数、占用率和卡车比例等多模态时间序列数据。其独特之处在于标注了四类专家验证的异常类型：车道阻塞与恢复、异物侵入、持续拥堵和摄像头角度偏移。数据集覆盖不同时间段和交通状况，支持对复杂交通行为的细粒度分析，弥补了现有数据在高速公路场景和异常标注上的不足。

使用方法

该数据集适用于开发和分析车道级交通异常检测算法。研究者可利用其多模态特征训练深度学习、基于规则和机器学习模型。具体使用时，建议将80%正常样本用于训练，20%用于验证，并结合341个标注异常样本评估模型性能。数据集支持端到端流程，包括特征提取、异常检测和可视化，可通过配套的Web平台实现交互式分析。

背景与挑战

背景概述

Lane-wise Traffic Anomaly Dataset是由普渡大学的研究团队于2025年提出的高速公路车道级交通异常检测数据集。该数据集基于印第安纳州高速公路监控视频构建，包含73,139个车道级样本，覆盖车辆计数、占用率和卡车比例等多模态时序特征，并标注了四类专家验证的异常类型：车道阻塞与恢复、异物侵入、持续拥堵和摄像头角度偏移。作为智能交通系统(ITS)研究的重要基础设施，该数据集突破了传统传感器依赖方法的局限，首次实现了基于纯视觉的车道级异常检测，为交通管理提供了高空间分辨率、可解释的分析工具。其创新性的多分支检测框架融合了深度学习、规则逻辑和机器学习方法，在异常检测的准确率和召回率上显著优于现有技术。

当前挑战

该数据集主要解决高速公路场景下车道级交通异常检测的两大挑战：在领域问题层面，传统方法依赖昂贵的硬件传感器（如环形线圈、雷达）和精确道路拓扑，难以实现大规模部署；现有数据集（如PeMS、NGSIM）缺乏车道级标注和细粒度异常分类，无法支持高精度分析。在构建过程中，研究团队面临三大技术难点：从监控视频提取车道级特征需解决车辆检测跟踪、车道中心定位等计算机视觉难题；异常标注缺乏统一标准，需结合孤立森林算法与专家验证；多模态时序数据（如卡车比例与占用率的关联模式）要求设计新型融合检测算法。这些挑战通过创新的AI视觉模型、自适应阈值策略和多分支框架得到系统性解决。

常用场景

经典使用场景

Lane-wise Traffic Anomaly Dataset在智能交通系统研究中展现了其经典应用场景。该数据集通过多模态时间序列数据，支持基于视觉的车道级交通异常检测，为高速公路监控提供了高分辨率的分析基础。其车道特定的车辆计数、占用率和卡车比例等特征，使得研究者能够深入探究微观交通行为，识别传统传感器难以捕捉的异常模式。

衍生相关工作

基于该数据集衍生的经典工作包括多模态异常检测框架的优化研究。其中VQ-VAE与连续小波变换结合的时序分析方法，为交通模式表征设立了新标准。相关成果进一步推动了基于注意力机制的异常定位算法，以及考虑昼夜流量差异的自适应阈值策略等创新方向的发展。

数据集最近研究

最新研究方向

近年来，Lane-wise Traffic Anomaly Dataset在智能交通系统（ITS）领域引起了广泛关注，特别是在基于多模态时间序列数据的车道级交通异常检测方面。该数据集通过结合AI驱动的视觉模型，从监控视频中提取车道特定的特征（如车辆计数、占用率和卡车比例），为交通异常检测提供了高分辨率和可解释的数据支持。前沿研究方向主要集中在多分支检测框架的开发，该框架融合了深度学习、基于规则的逻辑和机器学习方法，以提升在复杂交通环境下的鲁棒性和检测精度。此外，该数据集还推动了针对特定交通异常（如车道阻塞、异物入侵和持续拥堵）的分类研究，为实时交通监控和主动风险管理提供了新的解决方案。

相关研究论文

• Lane-Wise Highway Anomaly Detection

  普渡大学 · 2025年