Standing vehicle incidents on motorways are a major concern, which may lead to significant traffic congestion and pose serious safety risks. Effective traffic incident detection is crucial in Intelligent Transportation System (ITS), enabling rapid responses from traffic management agencies, thereby minimizing potential adverse impacts. This project focuses on investigating data-driven algorithms for detecting standing vehicle incidents using traffic measurement data, specifically for motorways in Stockholm. The approach emphasizes leveraging spatial and temporal correlations within traffic data, particularly between upstream and downstream road segments. The problem is formulated as a multi-class pattern classification task, where traffic measurement data from multiple consecutive road segments is utilized to classify if an incident occurs and its specific location. To evaluate the proposed incident detection system, microsimulation traffic models are developed using the SUMO software. Three machine learning models, Logistic Regression, eXtreme Gradient Boosting (XGBoost), and 3- Dimensional Convolutional Neural Network (3D CNN), are evaluated. The 3D CNN model demonstrates the most efficient performance across various metrics, including accuracy, precision, AUC-ROC, and false alarm rate. Further evaluation using traffic models with on/off-ramps confirms the 3D CNN model’s ability to capture complex spatio-temporal patterns. XGBoost also shows robust performance, indicating that both the 3D CNN and XGBoost models are feasible for real-world incident detection applications.

Förekomsten av stillastående fordonsincidenter på motorvägar kan leda till trafikstockningar och medföra betydande risker för människors säkerhet. Effektiv trafikincidentdetektion spelar en avgörande roll i det Intelligenta Transportsystemet, vilket gör det möjligt för trafikstyrningsmyndigheter att svara snabbt och därmed minimera potentiella förluster. Detta projekt undersöker datadrivna algoritmer för att upptäcka stillastående fordonsincidenter genom trafikmätdata, med särskilt fokus på motorvägar i Stockholm. Fokus ligger på att utnyttja rumsliga och tidsmässiga korrelationer i trafikdata, särskilt mellan uppströms- och nedströmssegment. Problemet formuleras som en flerklassig mönsterklassificeringsuppgift för att upptäcka anomalier, där detektorer övervakar flera konsekutiva vägsegment för att klassificera om en incident inträffar vid en viss tidpunkt. På grund av brist på verkliga data konstrueras simuleringsmodeller i mjukvaran SUMO för att utvärdera systemet. Tre maskininlärningsmodeller, logistisk regression, Extreme Gradient Boosting och 3D-faltande neurala nätverk, utvärderades. 3D CNN-modellen visade sig vara mest effektiv enligt prestationsmåtten för noggrannhet, precision, AUC-ROC och falskalarm- frekvens. Ytterligare simuleringar med på-/avfarter bekräftade modellens förmåga att fånga rumsliga och tidsmässiga mönster. XGBoost visade också robusta resultat, vilket gör att båda modellerna är genomförbara för verklig incidentdetektion.