编辑推荐：
本综述系统介绍了基于混合卷积神经网络-双向长短期记忆网络（CNN-BiLSTM）的道路异常检测框架。该研究通过多轴加速度和振动信号（50 Hz采样率）实现了95.91%的全局准确率和0.959的宏F1分数，在保持MATLAB GPU编码器嵌入式部署优势的同时，通过双向时序建模显著提升了pothole（0.981）、speed bump等事件的区分能力，为智能交通系统提供了兼具高性能与可解释性的解决方案。
基于混合CNN-BiLSTM网络的道路事件检测方法
摘要
道路异常检测对于智能交通系统和道路维护至关重要。本研究提出了一种基于MATLAB的混合卷积神经网络-双向长短期记忆网络（CNN-BiLSTM）框架，利用多轴加速度和振动信号实现上下文感知的道路事件检测。该架构通过一维卷积层进行短期特征提取，并结合双向LSTM进行时序建模，能够同时捕获瞬时信号形态和驾驶轨迹中的长程依赖关系。
引言
道路表面不规则性（如坑洼、减速带和突然刹车事件）的检测在现代交通系统和基础设施维护中扮演着重要角色。实时识别这些异常有助于安全驾驶、降低维护成本，并实现道路网络的主动管理。近年来，深度学习的发展改善了基于振动和加速度信号的道路事件分析，但现有方法大多仅关注信号的短时段，限制了在传感器噪声或动态驾驶条件下的鲁棒性。
方法
数据采集使用AQ-1 OBDII数据记录仪，以50 Hz采样率记录六通道同步数据，包括三轴加速度和三轴振动。数据采集在墨西哥普埃布拉州圣安德烈斯乔卢拉的城乡道路进行，共包含四个JSON文件，超过360,000个标记样本。
预处理阶段采用二阶巴特沃斯低通滤波器（截止频率20 Hz）进行降噪，并通过z-score标准化处理。信号被分割为1秒（50个样本）的重叠时间窗口，重叠率为50%，形成6×50的张量结构。
模型架构包含输入层、两个一维卷积层（卷积核大小3，通道数64）、批量归一化、ReLU激活函数、最大池化层（池化大小2）、双向LSTM层（64个单元）和全连接分类层。该设计能够同时捕获多轴传感器信号中的局部和全局时间结构。
训练使用Adam优化器，学习率0.001，批量大小32，迭代80轮，采用类别加权处理数据不平衡问题。
结果与分析
实验结果表明，CNN-BiLSTM模型在四个事件类别（无事件、坑洼、减速带、突然刹车）上均表现出较高的分类准确性。全局准确率达到95.91%，宏平均精确度、召回率和F1分数均为0.959。混淆矩阵显示类别间误分较少，特别是传统上难以区分的坑洼和突然刹车事件。
ROC曲线分析显示所有类别的AUC值均高于0.986，其中坑洼检测达到1.000，表明模型具有出色的判别能力。双向LSTM激活可视化揭示了不同事件类型的独特时间模式：坑洼表现为间歇性高幅尖峰，突然刹车呈现不对称包络特征，正常路段则保持低水平激活。
与现有方法对比显示，该框架在保持嵌入式部署可行性的同时，比纯CNN模型在宏F1分数上提升2-3%。模型尺寸仅298 KB，在NVIDIA Jetson Nano上的推理延迟为1.2 ms，满足实时处理需求。
结论
本研究提出的混合CNN-BiLSTM框架通过结合卷积特征提取和双向时序建模，实现了基于多轴振动信号的高精度道路异常检测。该方案避免了视觉方法的环境敏感性问题，在保持轻量级的同时提升了时序上下文建模能力，为智能交通应用提供了可靠的技术基础。未来工作将聚焦于跨区域验证和领域自适应等方向。
