CN103065466A - 一种交通异常状况的检测方法和装置 - Google Patents

Abstract

本发明实施例公开了一种交通异常状况的检测方法和装置，涉及交通状况检测领域，用于实时检测浮动车GPS点的突发异常状况，便于及时提供交通信息服务。本发明方案为：在电子地图的预设区域内的每个网格中，按照预定的时间间隔获取每个网格的GPS点数量x_t；根据高斯混合模型公式获得所述GPS点数量x_t的概率密度函数p(x_t)；根据公式Score(x_t)＝-log(p(x_t))，获得所述GPS点数量x_t的损失预期Score(x_t)；判断所述损失预期Score(x_t)是否超过预设的损失阈值；当超过所述损失阈值时，将所述GPS点数量x_t确定为离群异常点。本发明用于统计交通信息。

Description

一种交通异常状况的检测方法和装置

技术领域

本发明涉及交通状况检测领域，尤其涉及一种交通异常状况的检测方法和装置。

背景技术

随着当前机动车数量的不断增加，在城市中对交通状况进行检测的要求也越来越高。在特定的时间段内，在城市中的某个区域中的浮动车GPS点的个数是一个稳定的数值，当这个稳定的数值发生较大的波动时，说明该区域内出现异常的交通事件。比如，如果相邻两个区域中一个区域GPS点数量突然增大，另一个区域GPS点数量突然减小，则可能是连接两个区域的道路出现事故；又比如，如果几个相邻区域的GPS点数量都出现突然增大，则有可能是一条新道路通过了这几个相邻区域。对GPS点数量的异常状况的检测，能够对交通情况提供判断依据。但是在现有技术中，缺乏对浮动车GPS点的突发异常状况的实时检测机制，从而不利于提供交通信息服务。

发明内容

本发明的实施例提供一种交通异常状况的检测方法和装置，能够实时检测浮动车GPS点的突发异常状况。

为达到上述目的，本发明的实施例采用如下技术方案：

一种交通异常状况的检测方法，包括：

在电子地图的预设区域内的每个网格中，按照预定的时间间隔获取每个网格的GPS点数量x_t；

根据高斯混合模型公式

获得所述GPS点数量x_t的概率密度函数p(x_t)；

根据公式Score(x_t)＝-log(p(x_t))，获得所述GPS点数量x_t的损失预期Score(x_t)；

判断所述损失预期Score(x_t)是否超过预设的损失阈值；

当超过所述损失阈值时，将所述GPS点数量x_t确定为离群异常点。

一种交通异常状况的检测装置，包括：

浮动车数据获取单元，用于在电子地图的预设区域内的每个网格中，按照预定的时间间隔获取每个网格的GPS点数量x_t；

概率密度函数获取单元，用于根据公式

获得所述GPS点数量x_t的概率密度函数p(x_t)；

损失预期获取单元，用于根据公式Score(x_t)＝-log(p(x_t))，获得所述GPS点数量xt的损失预期Score(x_t)；

判断单元，用于判断所述损失预期Score(x_t)是否超过预设的损失阈值；

离群异常点确定单元，用于当超过所述损失阈值时，将所述GPS点数量x_t确定为离群异常点。

本发明实施例提供的交通异常状况的检测方法和装置，在电子地图的预设区域内的每个网格中，按照预定的时间间隔获取每个网格的GPS点数量x_t；然后通过公式计算，获得所述GPS点数量x_t的概率密度函数p(x_t)，进而得到GPS点数量x_t的损失预期Score(x_t)；当所述损失预期Score(x_t)超过预设的损失阈值时，将所述GPS点数量x_t确定为离群异常点，从而能够实时检测浮动车GPS点的突发异常状况，便于及时提供交通信息服务。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一提供的一种交通异常状况的检测方法的流程图；

图2为本发明实施例一提供的另一种交通异常状况的检测方法的流程图；

图3为浮动车数据采样的示意图；

图4.1为本发明实施例应用场景的示意图；

图4.2为本发明实施例应用场景的示意图；

图5为本发明实施例二提供的一种交通异常状况的检测装置的框图；

图6为本发明实施例二提供的另一种交通异常状况的检测装置的框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一：

本发明实施例提供了一种交通异常状况的检测方法，如图1所示，该方法包括：

101、在电子地图的预设区域内的每个网格中，按照预定的时间间隔获取每个网格的GPS点数量xt。

实际场景中，电子地图已经预先划分好了若干个网格。本发明实施例中可以再进一步的细分网格，比如划分单位为100m*100m的小网格，并对新划分的小网格进行重新编号，使得每个小网格有唯一的标识号。

102、根据高斯混合模型公式获得所述GPS点数量x_t的概率密度函数p(x_t)。

x_t即为在t时刻的GPS点数量的取值。

103、根据公式Score(x_t)＝-log(p(x_t))，获得所述GPS点数量x_t的损失预期Score(x_t)。

104、判断所述损失预期Score(x_t)是否超过预设的损失阈值。

根据步骤104的判断情况，分别执行步骤105和步骤106。

105、当超过所述损失阈值时，将所述GPS点数量x_t确定为离群异常点。

106、当未超过损失阈值时，根据所述GPS点数量x_t，更新公式

以便继续检测下一个GPS点数量的损失预期是否超过所述损失阈值。

具体的，高斯混合模型公式按以下步骤进行更新。

${\mathrm{\γ}}_i^t=(1-\mathrm{\αr})\frac{c_i^{t-1}N\left(x_t\right|{\mathrm{\μ}}_i^{t-1},{\mathrm{\σ}}_i^{t-1})}{\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{c}_i^{t-1}N\left(x_t\right|{\mathrm{\μ}}_i^{t-1},{\mathrm{\σ}}_i^{t-1})}+\frac{\mathrm{\αr}}{K},$

$c_i^t=(1-r)c_i^{t-1}+{\mathrm{r\γ}}_i^t,$

${\stackrel{\‾}{\mathrm{\μ}}}_i^t=(1-r){\stackrel{\‾}{\mathrm{\μ}}}_i^{t-1}+{\mathrm{r\γ}}_i^t\·x_t,$

${\mathrm{\μ}}_i^t={\stackrel{\‾}{\mathrm{\μ}}}_i^t/c_i^t,$

${\stackrel{\‾}{\mathrm{\σ}}}_i^t=(1-r){\stackrel{\‾}{\mathrm{\σ}}}_i^{t-1}+{\mathrm{r\γ}}_i^t\·x_t{x}_t,$

${\mathrm{\σ}}_i^t={\stackrel{\‾}{\mathrm{\σ}}}_i^t/c_i^t-{\mathrm{\μ}}_i^t\·{\mathrm{\μ}}_i^t,$

t＝t+1。

进行了高斯混合模型公式的更新后，当下一个时间点的GPS点数量到来后，能够按照更新后的公式计算概率密度函数。

进一步的，本发明实施例还提供了一种交通异常状况的检测方法，如图2所示，该方法包括：

201、设置聚类类别个数，并对于每个网格，使用M个时间序列值对所述高斯混合模型公式进行初始化。

在二维坐标系中，横轴标识时间点，纵轴表示浮动车数据的数值，如图3所示，可以得到按时间排序的数据序列。

实际场景中，电子地图已经预先划分好了若干个网格。本发明实施例中可以再进一步的细分网格，比如划分单位为100m*100m的小网格，并对新划分的小网格进行重新编号，使得每个小网格有唯一的标识号。

通过步骤201，得到了初始化的高斯混合模型公式。

202、在电子地图的预设区域内的每个网格中，按照预定的时间间隔获取每个网格的GPS点数量x_t。

203、根据高斯混合模型公式

获得所述GPS点数量x_t的概率密度函数p(x_t)。

204、根据公式Score(x_t)＝-log(p(x_t))，获得所述GPS点数量x_t的损失预期Score(x_t)。

205、判断所述损失预期Score(x_t)是否超过预设的损失阈值。

206、当超过所述损失阈值时，将所述GPS点数量x_t确定为离群异常点。

步骤206后，执行步骤208。

207、当未超过损失阈值时，根据所述GPS点数量x_t，更新公式以便继续检测下一个GPS点数量的损失预期是否超过所述损失阈值。

208、向用户界面输出所述GPS点数量x_t所在的网格编号，以及所述GPS点数量x_t对应的时间。

通过输出GPS点数量x_t所在的网格编号，以及所述GPS点数量x_t对应的时间，可以使用户及时了解到异常交通情况。

图4.1和图4.2所示为应用场景的说明图。在图4.1中，标出了电子地图的四个网格，这四个网格所表示的地理位置于2011年11月18日和2011年11月19日开辟了一条新增道路。可以从图4.1中发现，在11月19日之前鲜有GPS点落在这四个网格区域内，即这四个网格区域内各天的x_t保持在一个很低的水平。而该道路开通当日，参考图4.2，由于有大量浮动车通过，导致极多的GPS点落在四个网格区域内，即11月19日的x_t突然增大，通过本发明实施例上述提供的交通异常状况的检测方法，可检测得到该天的x_t是一个离群点，因此输出了这四个网格的网格号和异常发生的时间：2011年11月19日。

本发明实施例提供的交通异常状况的检测方法，在电子地图的预设区域内的每个网格中，按照预定的时间间隔获取每个网格的GPS点数量x_t；然后通过公式计算，获得所述GPS点数量x_t的概率密度函数p(x_t)，进而得到GPS点数量x_t的损失预期Score(x_t)；当所述损失预期Score(x_t)超过预设的损失阈值时，将所述GPS点数量x_t确定为离群异常点，从而能够实时检测浮动车GPS点的突发异常状况，便于及时提供交通信息服务。

实施例二：

本发明实施例提供了一种交通异常状况的检测装置，如图5所示，包括：

浮动车数据获取单元51，用于在电子地图的预设区域内的每个网格中，按照预定的时间间隔获取每个网格的GPS点数量x_t；

概率密度函数获取单元52，用于根据公式

获得所述GPS点数量x_t的概率密度函数p(x_t)；

损失预期获取单元53，用于根据公式Score(x_t)＝-log(p(x_t))，获得所述GPS点数量x_t的损失预期Score(x_t)；

判断单元54，用于判断所述损失预期Score(x_t)是否超过预设的损失阈值；

离群异常点确定单元55，用于当超过所述损失阈值时，将所述GPS点数量x_t确定为离群异常点。

进一步的，如图6所示，所述装置还包括：更新单元56，用于在未超过所述损失阈值时，根据所述GPS点数量x_t，更新公式

以便继续检测下一个GPS点数量的损失预期是否超过所述损失阈值。

输出单元57，用于在将所述GPS点数量x_t确定为离群异常点后，向用户界面输出所述GPS点数量x_t所在的网格编号，以及所述GPS点数量x_t对应的时间。

设置单元58，用于设置聚类类别个数。

初始化单元59，用于对于每个网格，使用M个时间序列值对所述高斯混合模型公式进行初始化。

其中，

${\mathrm{\γ}}_i^t=(1-\mathrm{\αr})\frac{c_i^{t-1}N\left(x_t\right|{\mathrm{\μ}}_i^{t-1},{\mathrm{\σ}}_i^{t-1})}{\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{c}_i^{t-1}N\left(x_t\right|{\mathrm{\μ}}_i^{t-1},{\mathrm{\σ}}_i^{t-1})}+\frac{\mathrm{\αr}}{K},$

$c_i^t=(1-r)c_i^{t-1}+{\mathrm{r\γ}}_i^t,$

${\stackrel{\‾}{\mathrm{\μ}}}_i^t=(1-r){\stackrel{\‾}{\mathrm{\μ}}}_i^{t-1}+{\mathrm{r\γ}}_i^t\·x_t,$

${\mathrm{\μ}}_i^t={\stackrel{\‾}{\mathrm{\μ}}}_i^t/c_i^t,$

${\stackrel{\‾}{\mathrm{\σ}}}_i^t=(1-r){\stackrel{\‾}{\mathrm{\σ}}}_i^{t-1}+{\mathrm{r\γ}}_i^t\·x_t{x}_t,$

${\mathrm{\σ}}_i^t={\stackrel{\‾}{\mathrm{\σ}}}_i^t/c_i^t-{\mathrm{\μ}}_i^t\·{\mathrm{\μ}}_i^t,$

t＝t+1。

本发明实施例提供的交通异常状况的检测装置，在电子地图的预设区域内的每个网格中，按照预定的时间间隔获取每个网格的GPS点数量x_t；然后通过公式计算，获得所述GPS点数量x_t的概率密度函数p(x_t)，进而得到GPS点数量x_t的损失预期Score(x_t)；当所述损失预期Score(x_t)超过预设的损失阈值时，将所述GPS点数量x_t确定为离群异常点，从而能够实时检测浮动车GPS点的突发异常状况，便于及时提供交通信息服务。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.一种交通异常状况的检测方法，其特征在于，包括：

在电子地图的预设区域内的每个网格中，按照预定的时间间隔获取每个网格的GPS点数量x_t；

根据高斯混合模型公式

获得所述GPS点数量x_t的概率密度函数p(x_t)；

根据公式Score(x_t)＝-log(p(x_t))，获得所述GPS点数量x_t的损失预期Score(x_t)；

判断所述损失预期Score(x_t)是否超过预设的损失阈值；

当超过所述损失阈值时，将所述GPS点数量x_t确定为离群异常点。

2.根据权利要求1所述的方法，其特征在于，当未超过所述损失阈值时，还包括：

根据所述GPS点数量x_t，更新公式

以便继续检测下一个GPS点数量的损失预期是否超过所述损失阈值；其中，

${\mathrm{\γ}}_i^t=(1-\mathrm{\αr})\frac{c_i^{t-1}N\left(x_t\right|{\mathrm{\μ}}_i^{t-1},{\mathrm{\σ}}_i^{t-1})}{\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{c}_i^{t-1}N\left(x_t\right|{\mathrm{\μ}}_i^{t-1},{\mathrm{\σ}}_i^{t-1})}+\frac{\mathrm{\αr}}{K},$

$c_i^t=(1-r)c_i^{t-1}+{\mathrm{r\γ}}_i^t,$

${\stackrel{\‾}{\mathrm{\μ}}}_i^t=(1-r){\stackrel{\‾}{\mathrm{\μ}}}_i^{t-1}+{\mathrm{r\γ}}_i^t\·x_t,$

${\mathrm{\μ}}_i^t={\stackrel{\‾}{\mathrm{\μ}}}_i^t/c_i^t,$

${\stackrel{\‾}{\mathrm{\σ}}}_i^t=(1-r){\stackrel{\‾}{\mathrm{\σ}}}_i^{t-1}+{\mathrm{r\γ}}_i^t\·x_t{x}_t,$

${\mathrm{\σ}}_i^t={\stackrel{\‾}{\mathrm{\σ}}}_i^t/c_i^t-{\mathrm{\μ}}_i^t\·{\mathrm{\μ}}_i^t,$

t＝t+1。

3.根据权利要求1或2所述的方法，其特征在于，在将所述GPS点数量x_t确定为离群异常点后，还包括：

向用户界面输出所述GPS点数量x_t所在的网格编号，以及所述GPS点数量xt对应的时间。

4.根据权利要求1所述的方法，其特征在于，在按照预定的时间间隔获取每个网格的GPS点数量x_t前，还包括：

设置聚类类别个数；

对于每个网格，使用M个时间序列值对所述高斯混合模型公式进行初始化。

5.一种交通异常状况的检测装置，其特征在于，包括：

浮动车数据获取单元，用于在电子地图的预设区域内的每个网格中，按照预定的时间间隔获取每个网格的GPS点数量x_t；

概率密度函数获取单元，用于根据公式

获得所述GPS点数量x_t的概率密度函数p(x_t)；

损失预期获取单元，用于根据公式Score(x_t)＝-log(p(x_t))，获得所述GPS点数量x_t的损失预期Score(x_t)；

判断单元，用于判断所述损失预期Score(x_t)是否超过预设的损失阈值；

离群异常点确定单元，用于当超过所述损失阈值时，将所述GPS点数量x_t确定为离群异常点。

6.根据权利要求5所述的装置，其特征在于，所述装置还包括：

更新单元，用于在未超过所述损失阈值时，根据所述GPS点数量x_t，更新公式

以便继续检测下一个GPS点数量的损失预期是否超过所述损失阈值；

其中，

${\mathrm{\γ}}_i^t=(1-\mathrm{\αr})\frac{c_i^{t-1}N\left(x_t\right|{\mathrm{\μ}}_i^{t-1},{\mathrm{\σ}}_i^{t-1})}{\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{c}_i^{t-1}N\left(x_t\right|{\mathrm{\μ}}_i^{t-1},{\mathrm{\σ}}_i^{t-1})}+\frac{\mathrm{\αr}}{K},$

$c_i^t=(1-r)c_i^{t-1}+{\mathrm{r\γ}}_i^t,$

${\stackrel{\‾}{\mathrm{\μ}}}_i^t=(1-r){\stackrel{\‾}{\mathrm{\μ}}}_i^{t-1}+{\mathrm{r\γ}}_i^t\·x_t,$

${\mathrm{\μ}}_i^t={\stackrel{\‾}{\mathrm{\μ}}}_i^t/c_i^t,$

${\stackrel{\‾}{\mathrm{\σ}}}_i^t=(1-r){\stackrel{\‾}{\mathrm{\σ}}}_i^{t-1}+{\mathrm{r\γ}}_i^t\·x_t{x}_t,$

${\mathrm{\σ}}_i^t={\stackrel{\‾}{\mathrm{\σ}}}_i^t/c_i^t-{\mathrm{\μ}}_i^t\·{\mathrm{\μ}}_i^t,$

t＝t+1。

7.根据权利要求5或6所述的装置，其特征在于，还包括：

输出单元，用于在将所述GPS点数量x_t确定为离群异常点后，向用户界面输出所述GPS点数量x_t所在的网格编号，以及所述GPS点数量x_t对应的时间。

8.根据权利要求5所述的装置，其特征在于，还包括：

设置单元，用于设置聚类类别个数；

初始化单元，用于对于每个网格，使用M个时间序列值对所述高斯混合模型公式进行初始化。

Images