道路交通异常事件检测是交通安全监管和路况控制的重要组成部分,也是目前交通领域研究的热点。然而,由于道路交通状况的实时性、复杂性和偶发性,使得道路交通异常事件的检测具有很大挑战性。交通事件的发生会导致车速、占有率、车流量等交通流参数出现异常变化,故可据此进行交通异常事件的自动检测。本文以美国PeMS系统所提供的I80-E高速路交通流参数和交通事件记录数据为基础,研究了基于交通流参数的异常事件检测方法,主要工作如下:(1)结合现有算法和对道路交通状态基本认识,以统计分析和小波分析等为基础提出相关方法,自适应地提取与道路拥堵、异常车流和状态不稳定性等相关的状态信息。在对道路交通状态进行综合表征的同时,有效消除了各探测器流数据间的量级差异,使得可在同一水平上对不同探测器间的状态进行比较。(2)基于I80-E高速路2016年的数据进行样本搜集,采用线性判别、二次判别、神经网络、支撑向量机、决策树、随机森林等六种算法,经过特征提取、特征优选、参数优选、模型优选等过程,最终构建车辆碰撞事件机器学习检测模型。将该模型应用于I80-E高速路2017年1、2月数据上进行验证,成功检测出58起车辆碰撞事件中的46起,证明了本文方法的正确性和有效性。通过本文的研究和实践,证明了按照本文中提出方法得到的道路拥堵、异常车流和状态不稳定性等交通流状态,能够有效辅助异常交通事件的机器学习检测,具有一定的研究价值和社会意义。