CN111310786A - 基于随机森林分类器的交通检测器异常诊断方法及装置 - Google Patents

Abstract

本申请涉及智能交通控制技术领域，特别地，涉及一种基于随机森林分类器的交通检测器异常诊断方法及装置。本申请提供一种基于随机森林分类器的交通检测器异常诊断方法，包括以下步骤：对来自交通检测器的原始数据进行故障分析标定得到原始标定数据集；从中抽取预设百分比值的数据作为训练集，根据训练集内数据的不同类型特征指标构建一级决策树；基于一级决策树通过一级随机森林分类器计算得到交通检测器的疑似故障判定和其结果数据集；基于所述结果数据集构建二级决策树，通过二级随机森林分类器计算得到路口拥堵判定结果；若所述疑似故障判定为是，且所述路口拥堵判定结果为是，则将所述疑似故障判定修正为否，所述路口拥堵判定结果维持不变。

Description

基于随机森林分类器的交通检测器异常诊断方法及装置

技术领域

本申请涉及智能交通控制技术领域，特别地，涉及一种基于随机森林分类器的交通检测器异常诊断方法及装置。

背景技术

交通检测器作为交通控制系统的重要组成部分，可以实现对道路中车流量等基本信息的实时检测，从而为交通管理者提供重要的决策依据。交通检测器通常包括电子警察检测器、线圈检测器、微波交通检测器、互联网检测器和视频检测器等。交通检测器将采集的交通状态信息上传至数据中心，当交通检测器发生故障时，其上传的数据将包含噪声等异常信息。如果交通控制系统未能及时的发现数据异常并做出干预处理，将会影响交通秩序，进一步降低交通管理的效率。

在一些交通检测器故障检测的实现中，主要通过工程师的人工经验，在判断交通检测器的故障状态时花费较高的成本。在另一些交通检测器故障检测的实现中，通过在城市路口设置加速度传感器以采集机械设备关键点的振动信号，然后将振动信号转换为原始波形，再对采集得到的振动信号进行筛选、判断和预处理，进一步对采集得到的加速度信号、速度信号、包络信号进行特征提取，最后将得到的特征向量输入至故障分类模型中输出设备对应的故障诊断结果。

但是，上述方法中交通检测器故障的诊断采用单一基分类器，当单一基分类器在城市道路拥堵的时候，将导致其无法判断数据异常是由于拥堵引发的，或由于单一基分类器故障造成，从而导致交通检测器故障诊断出现误判；另一方面在路口拥堵的情况下无法识别拥堵状态并提出警示；并且单一基分类器在训练学习过程中容易过拟合陷入局部最小，造成网络模型的稳定性和准确性下降。

发明内容

本申请提供了一种基于随机森林分类器的交通检测器异常诊断方法及装置，通过电子警察检测器、线圈检测器、微波交通检测器、互联网检测器和视频检测器六类交通检测器采集实时交通数据，针对不同类型交通检测器的的数据建立多棵基于信息增益的决策树，利用多级随机森林分类器对交通检测器进行故障诊断，可以解决由于道路拥堵引起的交通检测器误诊断问题、无法识别突发拥堵提供警情警示的问题，一定程度上还可以解决交通检测器诊断网络模型过拟合引起的准确性、稳定性下降的问题。

本申请的实施例是这样实现的：

本申请实施例的第一方面提供一种基于随机森林分类器的交通检测器异常诊断方法，包括以下步骤：

对来自至少1种类型交通检测器的原始数据进行故障分析标定得到原始标定数据集；

从所述原始标定数据集中抽取预设百分比值的数据作为训练集，根据所述训练集内数据的不同类型特征指标分别构建一级决策树，所述数据来自不同类型的交通检测器；

基于所述一级决策树通过一级随机森林分类器计算得到交通检测器的疑似故障判定和其的结果数据集；

基于所述疑似故障状态结果数据集构建二级决策树，通过二级随机森林分类器计算得到路口拥堵判定结果；

若所述疑似故障判定为是，且所述路口拥堵判定结果为是，则将所述疑似故障判定修正为否，所述路口拥堵判定结果维持不变。

本申请实施例的第二方面提供一种基于随机森林分类器的交通检测器异常诊断装置，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序时执行如本申请实施例第一方面提供的发明内容。

本申请实施例有益效果在于：通过交通检测器采集实时交通数据，针对不同类型交通检测器的数据建立多棵基于信息增益的决策树，可以实现从多个维度对交通检测器进行故障诊断；进一步通过一级随机森林分类器计算得到交通检测器的疑似故障判定和结果数据集，实现多维度故障诊断；进一步通过二级随机森林分类器对疑似故障判定再次分类计算，可以识别突发交通事件引起的交通检测器故障误诊断，并通过分析多个类型交通检测器的异常数据实现交通拥堵的识别和警情提示。

附图说明

具体为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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示出了本申请实施例一种基于随机森林分类器的交通检测器异常诊断系统100的示意图；

图2示出了本申请实施例一种示例性计算设备200的示意图；

图3示出了本申请实施例一种基于随机森林分类器的交通检测器异常诊断方法的流程图；

图4示出了本申请实施例获取原始标定数据集的流程图；

图5示出了本申请实施例城市路口交通检测器布置示意图；

图6示出了本申请实施例一种基于随机森林分类器的交通检测器异常诊断方法中随机森林原理示意图。

具体实施方式

现在将描述某些示例性实施方案，以从整体上理解本文所公开的装置和方法的结构、功能、制造和用途的原理。这些实施方案的一个或多个示例已在附图中示出。本领域的普通技术人员将会理解，在本文中具体描述并示出于附图中的装置和方法为非限制性的示例性实施方案，并且本发明的多个实施方案的范围仅由权利要求书限定。结合一个示例性实施方案示出或描述的特征可与其他实施方案的特征进行组合。这种修改和变型旨在包括在本发明的范围之内。

本说明书通篇提及的″多个实施例″、″一些实施例″、″一个实施例″或″实施例″等，意味着结合该实施例描述的具体特征、结构或特性包括在至少一个实施例中。因此，本说明书通篇出现的短语″在多个实施例中″、″在一些实施例中″、″在至少另一个实施例中″或″在实施例中″等并不一定都指相同的实施例。此外，在一个或多个实施例中，具体特征、结构或特性可以任何合适的方式进行组合。因此，在无限制的情形下，结合一个实施例示出或描述的具体特征、结构或特性可全部或部分地与一个或多个其他实施例的特征、结构或特性进行组合。这种修改和变型旨在包括在本发明的范围之内。

本申请中使用了流程图用来说明根据本申请的一些实施例的系统所执行的操作。应当明确理解，流程图的操作可以不按顺序来精确地执行。相反，这些操作可以以相反的顺序或同时执行。而且，可以将一个或多个其他操作添加到流程图。一个或多个操作可以从流程图中移除。

本申请所述的车辆可以包括出租车、私家车、便车、公共汽车、无人驾驶车辆等，或其任何组合。本申请的系统或方法应用可以包括网页、浏览器的插件、客户终端、定制系统、内部分析系统、人工智能机器人等，或其任何组合。

图1是根据本申请的一些实施例所示的一种基于随机森林分类器的交通检测器异常诊断系统100的示意图。基于随机森林分类器的交通检测器异常诊断系统100是一个为可以对交通检测器异常状态进行诊断的平台。基于随机森林分类器的交通检测器异常诊断系统100可以包括一个服务器110、至少一个存储设备120、至少一个网络130、一个或多个交通检测器150-1、150-2......150-N。服务器110可以包括一个处理引擎112。

在一些实施例中，服务器110可以是一个单独的服务器或者一个服务器群组。所述服务器群可以是集中式的或分布式的(例如，服务器110可以是一个分布式的系统)。在一些实施例中，服务器110可以是本地的或远程的。例如，服务器110可以通过网络130访问存储在存储设备120中的数据。服务器110可以直接连接到存储设备120访问存储数据。在一些实施例中，服务器110可以在一个云平台上实现。所述云平台可以包括私有云、公共云、混合云、社区云、分布云、多重云等或上述举例的任意组合。在一些实施例中，服务器110可以在与本申请图2所示的计算设备上实现，包括计算设备200中的一个或多个部件。

在一些实施例中，服务器110可以包括一个处理引擎112。处理引擎112可以处理与服务请求相关的信息和/或数据以执行本申请描述的一个或多个功能。例如，处理引擎112可以基于获取道路交叉口或者交通枢纽设置的交通检测器150采集的信息，并通过网络130发送至存储设备120，用于更新存储在其中的数据。在一些实施例中，处理引擎112可以包括一个或多个处理器。处理引擎112可以包括一个或多个硬件处理器，例如中央处理器(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图像处理器(GPU)、物理运算处理器(PPU)、数字信号处理器(DSP)、现场可编辑门阵列(FPGA)、可编辑逻辑器件(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或上述举例的任意组合。

存储设备120可以存储数据和/或指令。在一些实施例中，存储设备120可以存储从交通检测器150获得的数据。在一些实施例中，存储设备120可以存储供服务器110执行或使用的数据和/或指令，服务器110可以通过执行或使用所述数据和/或指令以实现本申请描述的实施例方法。在一些实施例中，存储设备120可以包括大容量存储器、可移动存储器、挥发性读写存储器、只读存储器(ROM)等或上述举例的任意组合。在一些实施例中，存储设备120可以在一个云平台上实现。例如所述云平台可以包括私有云、公共云、混合云、社区云、分布云、多重云等或上述举例的任意组合。

在一些实施例中，存储设备120可以与网络130连接以实现与基于随机森林分类器的交通检测器异常诊断系统100中的一个或多个部件之间的通信。基于随机森林分类器的交通检测器异常诊断系统100的一个或多个部件可以通过网络130访问存储在存储设备120中的数据或指令。在一些实施例中，存储设备120可以直接与基于随机森林分类器的交通检测器异常诊断系统100的一个或多个部件连接或通信。在一些实施例中，存储设备120可以是服务器110的一部分。

网络130可以促进信息和/或数据的交换。在一些实施例中，基于随机森林分类器的交通检测器异常诊断系统100中的一个或多个部件可以通过网络130向基于随机森林分类器的交通检测器异常诊断系统100中的其他部件发送信息和/或数据。例如，服务器110可以通过网络130从交通检测器150获取/得到请求。在一些实施例中，网络130可以是有线网络或无线网络中的任意一种，或其组合。在一些实施例中，网络130可以包括一个或多个网络接入点。例如，网络130可能包括有线或无线网络接入点，如基站和/或互联网交换点130-1、130-2等等。通过接入点，基于随机森林分类器的交通检测器异常诊断系统100的一个或多个部件可能连接到网络130以交换数据和/或信息。

交通检测器150可以包括电子警察检测器，线圈车辆检测器，微波交通检测器，视频车辆检测器以及互联网交通检测器。在一些实施例中，电子警察检测器，线圈车辆检测器，微波交通检测器，视频车辆检测器以及互联网交通检测器可以用于对所在位置的周边环境进行摄像和/或拍照。在一些实施例中，交通检测器150可以将采集到的各种数据信息发送到基于随机森林分类器的交通检测器异常诊断系统100中的一个或多个设备中。例如，交通检测器150可以将拍摄的图片或影像发送至服务器110进行处理，或存储设备120中进行存储。在一些实施例中，可以在城市道路的路口布设交通检测器，用于交通数据的获取。所述交通检测器可以选择设置在道路路口停车线或道路线的下方或者前后的一定范围内，所述交通检测器还可以设置在道路路口的高处，其位置还可以设置在沿道路纵向设置的绿化带或隔离带内。

图2是根据本申请的一些实施例所示的一种示例性计算设备200的示意图。服务器110、存储设备120和交通检测器150可以在计算设备200上实现。例如，处理引擎112可以在计算设备200上实现并被配置为实现本申请中所披露的功能。

计算设备200可以包括用来实现本申请所描述的系统的任意部件。例如，处理引擎112可以在计算设备200上通过其硬件、软件程序、固件或其组合实现。为了方便起见图中仅绘制了一台计算机，但是本申请所描述的与基于随机森林分类器的交通检测器异常诊断系统100相关的计算功能可以以分布的方式、由一组相似的平台所实施，以分散系统的处理负荷。

计算设备200可以包括与网络连接的通信端口250，用于实现数据通信。计算设备200可以包括一个处理器220，可以以一个或多个处理器的形式执行程序指令。示例性的电脑平台可以包括一个内部总线210、不同形式的程序存储器和数据存储器包括，例如，硬盘270、和只读存储器(ROM)230或随机存储器(RAM)240，用于存储由计算机处理和/或传输的各种各样的数据文件。示例性的计算设备可以包括存储在只读存储器230、随机存储器240和/或其他类型的非暂时性存储介质中的由处理器220执行的程序指令。本申请的方法和/或流程可以以程序指令的方式实现。计算设备200也包括输入/输出部件260，用于支持电脑与其他部件之间的输入/输出。计算设备200也可以通过网络通讯接收本披露中的程序和数据。

为理解方便，图2中仅示例性绘制了一个处理器。然而，需要注意的是，本申请中的计算设备200可以包括多个处理器，因此本申请中描述的由一个处理器实现的操作和/或方法也可以共同地或独立地由多个处理器实现。例如，如果在本申请中，计算设备200的处理器执行步骤1和步骤2，应当理解的是，步骤1和步骤2也可以由计算设备200的两个不同的处理器共同地或独立地执行。

图3示出了本申请实施例一种基于随机森林分类器的交通检测器异常诊断方法的流程图。

在步骤301中，对来自至少1种类型交通检测器的原始数据进行故障分析标定得到原始标定数据集。

对设置在城市路口的1种或多种类型交通检测器发送的交通数据进行优化处理；然后对数据进行分析，判定数据采集时刻的交通检测器是否处于故障状态。

若判定数据所采集时刻的交通检测器处于故障状态，则将所述数据进行标定，从而形成标定的数据和检测器故障判定的映射关系数据集，也称为原始标定数据集。下面将对所述原始标定数据集的获取过程进行详细的阐述。

图4示出了本申请实施例获取原始标定数据集的流程图。

在步骤401中，将来自至少1种类型交通检测器的原始数据进行噪声过滤处理得到第一数据集。

首先，接收设置在交通枢纽的多源交通检测器采集发送的原始数据。

在一些实施例中，交通枢纽可以为城市道路交叉口。城市道路交叉口指两条或两条以上的道路相交处，这是车辆与行人汇集、转向和疏散的枢纽，是交通系统的重要节点。道路交叉口分为平面交叉口、环形交叉口和立体交叉口。保障道路交叉口的正常交通秩序、实时监测道路交叉口的交通状态对提高道路通行能力和保障交通安全具有重要的作用。

在一些实施例中，交通枢纽还可以是国家或区域交通运输系统、交通网络运输线路的交汇点，是由多种运输方式所连接的固定设备和移动设备组成的整体。本申请实施例所述的交通检测器的设置位置并不仅限于城市道路交叉口，在重要的交通枢纽均可以设置本申请实施例所述的交通检测器，并根据本申请所述的交通检测器异常诊断方法对其工作状态进行监控。

在一些实施例中，交通枢纽设置的交通检测器具有多种类型。例如可以设置为电子警察检测器，线圈车辆检测器，微波交通检测器，视频车辆检测器以及互联网交通检测器。本申请实施例中交通枢纽所设置的交通检测器可以是上述多种类型检测器中的一种或数种的组合。

图5示出了本申请实施例城市路口交通检测器布置示意图。

电子警察检测器在路口的各个方向均有设置，可以实现逢车必拍功能。所述电子警察检测器又简称为电子警察、电子眼，通过对车辆检测、光电成像、自动控制、网络通信、计算机等多种技术的集成应用，对机动车闯红灯、逆行、超速、越线行驶、违例停靠等违章行为，实现全天候监视，捕捉车辆违章图文信息。电子警察检测器可以检测车道的交通流量，可以记录车辆通过道路停车线时的车牌号和通过时刻，进一步的通过计算机处理得到车辆所在道路各个车道的车流量。交通流量为每一固定时间间隔内，或统计时间段t内，到路口每个进入口车道的车辆通过数量，即去除重复数据后的数据条数。

线圈检测器是用感应线圈来检测通过设置道路的车辆速度的检测器，线圈检测器的布设如图5所示，一般布设于距离停车线30m的位置，线圈检测器可以检测到通过入口道的车流量信息。线圈检测器是道路监控系统非常重要的一部分，它可以获得当前监控路面交通流量、道路占有率、车流速度等数据，以此判断道路的交通状态和阻塞情况，并利用外场信息发布系统发出警告等。线圈检测器在同一车道的道路路基段埋设一组2个感应线圈，每组感应线圈与多通道车辆检测器相连。当车辆分别经过两个线圈时，由于线圈电感量的变化，车辆的通过状态将被检测到，同时状态信号传输给车辆检测器，由其进行采集和计算。线圈车辆检测器具有稳定性高，成本低廉，且在恶劣天气条件下仍可以保持性能稳定的特点。

微波交通检测器通常设置于道路一侧的侧立住顶端，灯杆顶端，或已有龙门架，立交桥，行人过街天桥上。微波交通检测器通常推荐的安装高度在距离路面高度不低于5米的位置，其安装角度应使得发射的微波辐射面可以覆盖待检测的路段。微波交通检测器是通过雷达线性调频的技术原理，对路面发射微波，通过对回波信号进行高速实时的数字处理分析，检测交通流量，速度，车道占有率和车型等交通基本信息的非接触式交通检测器。

视频车辆检测器是指采用视频图像处理技术实现某项交通流参数检测或者某项交通事件检测的设备。视频车辆检测器具有多种功能以及多种功能的组合能力，最显着的是图像捕获与存储能力，应用于感应式十字路口信号灯控制系统、电子警察抓拍系统，还能对道路交通流量等数据进行采集。

其次，接收设置在交通枢纽的多源交通检测器采集发送的原始数据后，将所述原始数据进行噪声过滤处理得到第一数据集。

所述原始数据中包括噪声数据，所述噪声数据为不符合交通检测器数据协议的数据，还包括对于问题域没有意义的字段。例如，有效的原始数据可以是电子警察检测器采集发送的过车车牌、过车时间等字段信息，所述噪声为电子警察在抓拍过程中过车时间为空的字段信息，所述空的字段信息需要进行过滤处理。

在一些实施例中，使用信息接收端实时接收来自多源交通检测器发送的原始数据，所述信息接收端可以为MQ、Kafka等工具。

在步骤402中，基于所述第一数据集通过特征指标计算得到第一数据特征集。

在步骤401中得到的第一数据集虽然来自多种类型交通检测器发送的的不同类型的数据，但所述多种类型交通检测器所发送的数据仍然具有一定的共性，例如，多种交通检测器都可以采集交通流量数据。

在一些实施例中，可以使用流式计算引擎，例如Storm工具对所述第一数据集中的各个类型的数据进行各类问题域特征指标计算。

例如，电子警察检测器对车道车辆的抓拍为一类型的数据，进一步的通过流式引擎对电子警察检测器在一定时间范围内抓拍的各个车道的车辆数进行求和。所述求和的数值即可以认为是一个特征指标。

例如，当一个路口一段时间内，电子警察检测器抓拍车辆数超过一定阈值时，即可以认为所述电子警察检测器在一定时间段内采集数据的数量较其平均数量多时，则所述路口通常会有两种情况，一种情况是所述路口在采集数据时间段内交通流量异常大，有可能后续会发生拥堵情况；另外一种情况是所述路口的电子警察检测器发生故障，导致电子警察检测器频繁拍照上传数据。当电子警察检测器在一定时间段内抓拍车辆的数量异常的小于历史同期所在路口的车辆抓拍数时，则表示所述路口的交通检测器有可能发生故障，或其灵敏度降低导致无法正常抓拍道路车辆。

基于所述第一数据集中的不同数据类型计算其在相应的特征指标，所述特征指标构成第一数据特征集。以所述第一数据特征集内特征指标作为依据，可以对交通检测器异常状态做出判定，所述数据和判定结果可以作为神经网络模型的训练集和测试集用于机器学习训练。

例如，在电子警察检测器采集的数据中可以选取车辆通过停车线时的车牌号、车辆通过时刻、路口名称、进口道、车道这些字段作为特征指标，并对所述特征指标进行计算。例如，对电子警察检测器在一定时间范围内抓拍的各个车道的车辆数进行求和，得到第一数据特征集的数据。

在一些实施例中，还可以使用线圈检测器采集的数据进行道路占有率特征值的计算，从而作为交通检测器异常状态的判定依据，进一步的还可以通过线圈检测器的道路占有率特征值预测城市路口的拥堵情况。

在步骤403中，基于所述第一数据特征集进行判定得到交通检测器故障判定结果，并将所述交通检测器故障判定结果对应的第一数据集内的数据串进行标定，所述数据串与所述交通检测器故障判定结果构成原始标定数据集。

在一些实施例中，通过使用人工诊断和机器算法诊断两种方式对所述第一数据特征集的数据进行分析，对于特征指标异常的数据则判定交通检测器发生故障，并输出交通检测器故障判定结果；然后对所述故障判定结果对应的第一数据集内的数据串进行标定，所述标定的数据串和所述故障判定结果的映射关系构成原始标定数据集。

可以发现，所述原始标定数据集的内容包括标定的数据串、以及对应交通检测器的故障判定结果，所述原始标定数据集可以用于机器学习和测试。

在一些实施例中，以电子警察检测器为例进行说明，将电子警察检测器的故障类型分为八种，分别为：抓拍数下降、识别率下降、识别准确率下降、重复采样、设备离线、匹配率过低、数据不稳定和流量过大。

通过机器算法对第一数据特征集的特征指标进行筛选计算，当抓拍数特征值指标下降时，电子警察检测器可能存在异常；当识别率特征指标下降时，电子警察检测器可能存在异常状态；当识别准确率特征指标下降时，电子警察检测器可能存在异常状态；同理，当识别准确率特征指标、重复采样特征指标、设备离线特征指标、匹配率过低特征指标、数据不稳定特征指标，流量过大特征指标异常时，均可以认为电子警察检测器的数据处于异常状态，也可以认为所述电子警察检测器可能处于故障状态。

以电子警察检测器的抓拍数特征指标下降为例进行阐述，通过使用无故障的线圈检测器或地磁检测器采集相同路口路段的交通流量，进一步判断电子警察检测器的抓拍数特征指标与所述线圈检测器的交通流量特征指标之间的比值，来判定是否电子警察检测器是由于故障导致抓拍数特征指标下降。

例如，在配置的连续数个时间间隔内，电子警察检测器的抓拍数特征指标与所述线圈检测器的交通流量特征指标的比值小于预设的阈值，则认为电子警察检测器的抓拍数特征指标下降反应了其设备的异常，因为在本实施例中已假设线圈检测器处于正常工作状态。可以发现，通过这种在同一个道路交叉口或同一个交通枢纽针对不同类型交通检测器的特征指标进行比较计算，可以得到交通检测器故障判定结果。将交通检测器故障判定结果相应的第一数据集内的数据串进行标定，得到可以作为神经网络模型训练集和测试集的原始标定数据集。在本实施例中所述预设的阈值设置为50％，其具体数值可以根据实际情况进行调整，本申请不做具体的限定。

在一些实施例中，还可以通过人工诊断的方式对所述第一数据特征集中的特征指标进行判定，以得到交通检测器故障判定结果。例如，设置于交通枢纽的电子警察检测器在某段时间内发生故障，并且所述故障已经上报交通系统平台进行备案，则所述时间段内第一数据集内的数据串可以由人工直接标定，其电子警察检测器故障判定结果为是，即处于故障状态。在另一些实施例中，所述第一数据特征集的道路占有率特征指标在一个较长的时间段内为0或者无穷的接近于1，这些极端情况都明显的表示交通检测器发生了故障，因此可以通过人工诊断的方式直接进行数据串标定。

需要说明的是，大多数情况下机器算法诊断可以较为准确的分析计算筛选所述第一数据特征集，从而准确的对第一数据集内的大部分数据串进行标定得到原始标定数据集。

在步骤302中，从所述原始标定数据集中抽取预设百分比值的数据作为训练集，根据所述训练集内数据的不同类型特征指标分别构建一级决策树，所述数据来自不同类型的交通检测器。

首先，从所述原始标定数据集中抽取预设百分比值的数据作为训练集。

在一些实施例中，从所述原始标定数据集中抽取一定比例的数据作为神经网络模型一级决策树的训练集，将剩余部分的数据作为神经网络模型一级决策树的测试集。例如可以在原始标定数据集中抽取70％的数据作为随机森林分类器一级决策树的训练集，将所述剩余部分30％的数据作为随机森林分类器一级决策树的测试集。

在一些实施例中，随机森林分类器一级决策树的构建过程可以通过从原始标定数据集中使用Bootstraping(自助法)有放回的抽取n次，组成n个训练样本集，也就是说在训练集中，有些样本可能被多次抽取到，有些样本可能一次都没有被抽中。

Bootstraping是另一种模型验证评估的方法，以自助采样法(BootstrapSampling)为基础，通过有放回的采样或重复采样，也可以理解为是一种样本内抽样的方法。将样本看作总体并从中进行抽样，其实质是对观测信息进行再抽样，进而对总体的分布特性进行统计推断。首先，Bootstraping通过重抽样，可以避免造成样本减少的问题；其次，Bootstrap也可以用于创造数据的随机性。例如，本申请所述的随机森林分类器首先从原始标定数据集中应用bootstrap方法有放回地随机抽取k个新的自助样本集，并由此构建k棵分类回归树。该方法充分利用了给定的观测信息，不需要模型提供其它的假设和增加新的观测样本，具有稳健性和效率高的特点。

在一些实施例中，在合有m个样本的数据集中，每次随机挑选一个样本，将其作为训练样本，再将此样本放回到数据集中，这样有放回地抽样m次，生成一个与原数据集大小相同的数据集，这个新数据集就是训练集。有些样本可能在训练集中出现多次，有些样本则从未出现。因此，可以把这些未出现在新数据集中的样本作为测试集。将上述步骤重复进行多次，可以训练出多个模型并得到它们的验证误差，然后取平均值，作为该模型的最终验证误差。

在一些实施例中，如果需要在多个不同的模型中进行选择，可以预先提取测试集，然后在剩余的数据集上用自助法验证模型，选择验证误差最小的模型作为最终模型，然后用训练集和测试集根据最终模型的参数设置训练出一个新的模型，作为最优模型。

其次，根据所述训练集内数据的不同类型特征指标分别构建一级决策树，所述数据来自不同类型的交通检测器，如图6所示。

在一些实施例中，在决策树的内部节点处按照香农熵下降最快的原则从样本的特征向量中选取一个分类效果最好的特征，将该节点分为两个分支，所述的香农熵定义如下：

其中，p_i表示每一类占总类数的比例。

对决策树的每个内部节点都重复上述步骤，直到决策树能够准确分类训练样本，对每个训练样本都重复上述步骤，使训练样本对应的决策树构建完毕。

在一些实施例中，根据所述训练集内数据的不同类型特征指标分别构建一级决策树，所述数据来自不同类型的交通检测器。例如，在电子警察检测器获得的数据串中，其中抓拍数类型的数据串、以及其对应的交通检测器故障判定结果可以作为电子警察检测器的一个决策树训练集。通过对所述训练集进行随机抽样，通过信息增益的方式和添加特征随机扰动的方法构建电子警察检测器的一级决策树。

同理，对于电子警察检测器采集的数据串中，其中识别率类型的数据串、以及其对应的交通检测器故障判定结果可以作为电子警察检测器的第二个训练集，通过对所述训练集进行随机抽样，通过信息增益的方式和添加特征随机扰动的方法构建电子警察检测器对应的第二个一级决策树；同理，针对电子警察检测器的其他类型数据串，例如识别准确率下降、重复采样、设备离线、匹配率过低、数据不稳定、流量过大等数据类型的数据串，可以分别构建电子警察检测器的一级决策树。

在一些实施例中，基于所述训练集，可以得到电子警察一级随机森林分类器的多个一级决策树，线圈一级随机森林分类器的多个一级决策树，微波一级随机森林分类器的多个一级决策树，视频一级随机森林分类器的多个一级决策树和互联一级网随机森林分类器的多个一级决策树。

需要说明的是，决策树属于挖掘算法，是一种类似于流程图的树结构。可以用于数值型因子变量的预测和离散型因子变量的分类。对于决策树中根节点和中间节点的字段选择，如果选择合理的话，决策树的分类效果将非常好。

决策树包括以下常用参数：信息增益和信息增益的熵。其中，信息增益的熵用于表示信息量的大小，信息量越大对应的熵值就越大，信息量越小对应的熵值就越小。决策树在生长过程中，从根节点到最后的叶节点，信息熵是下降的过程，每一步下降的量就称为信息增益。

在一些实施例中，对于决策树可以通过剪枝以防止后续随机森林模型的过拟合。

完整的决策树并不是一棵分类预测新数据对象的最佳树。其原因是完整的决策树过于精确，随着决策树的生长，决策树分枝时所处理的样本数量在不断减少，决策树对数据总体代表程度在不断下降。在对根节点进行分枝时，处理的是全部样本，再往下分枝，则是处理的不同分组下的样本。可见随着决策树的生长和样本数量的不断减少，越深层处的节点所体现的数据特征就越个性化，失去一般代表性而无法应用于新数据分类预测的现象，叫过度拟合或过度学习。因此需要通过修剪技术进行处理，所述修剪包括预修剪和后修剪。

预剪枝就是在构造决策树的过程中，先对每个节点在划分前进行估计，如果当前节点的划分不能带来决策树模型泛化性能的提升，则不对当前节点进行划分并且将当前节点标记为叶节点。对比未剪枝的决策树和经过预剪枝的决策树，预剪枝使得决策树的很多分支都没有″展开″，这不仅降低了过拟合的风险，还显著减少了决策树的训练时间开销和测试时间开销。另一方面，虽然当前划分不能提升泛化性能，但是基于该划分的后续划分却有可能导致性能提升，因此预剪枝决策树有可能带来欠拟合的风险。

后剪枝就是先把整颗决策树构造完毕，然后自下向上的对非叶节点进行考察，若将节点对应的子树换为叶节点能够带来泛化性能的提升，则把所述子树替换为叶节点。

对比预剪枝和后剪枝可以发现，后剪枝决策树通常比预剪枝决策树保留了更多的分支，一般情形下，后剪枝决策树的欠拟合风险小，泛化性能也要优于预剪枝决策树。但后剪枝过程是在构建完成决策树之后进行的，并且要自下向上对决策树中的所有非叶节点进行逐一考察，因此其训练时间开销要比未剪枝决策树和预剪枝决策树多。

在步骤303中，基于所述一级决策树通过一级随机森林分类器计算得到交通检测器的疑似故障判定和其结果数据集。

对上述步骤中得到的多个决策树的分类结果进行投票，从而得到最终的分类结果。进一步将通过投票的方式得到最终的分类结果与真实的分类结果进行对比。

真实的分类结果由前述步骤中人工诊断和/或机器算法诊断的方式对交通检测器的故障状态进行判定，进一步通过调整随机森林模型的参数，例如包括分类结果的类别数、决策树的数量、特征子集采样策略、纯度计算策略(基尼系数、entropy，熵)、树的最大层次、随机种子、特征最大装箱数等，训练得到最优的一级随机森林分类器。

根据电子警察检测器、线圈检测器、微波交通检测器、互联网检测其和视频检测器采集的交通流数据重复上述步骤分别建立多个一级决策树以及相应的一级随机森林分类器。

所述一级随机森林分类器在本实施例中包括电子警察一级随机森林分类器，线圈一级随机森林分类器，微波一级随机森林分类器，视频一级随机森林分类器和互联网一级随机森林分类器。

在一些实施例中，通过选用所述一级决策树作为个体学习器，将道路交叉口设置的不同类型交通检测器采集的经过处理的实时交通数据作为输入值训练得到一级随机森林分类器，通过一级随机森林分类器计算得到交通检测器的疑似故障判定、以及其构成的结果数据集。

在一些实施例中，可以通过使用内存批处理计算引擎，例如Spark在预设数量的周期内抽取原始标定数据集的数据进行随机森林分类器的模型训练。

在步骤304中，基于所述结果数据集构建二级决策树，通过二级随机森林分类器计算得到路口拥堵判定结果。

需要说明的是，在上述一级随机森林分类器中计算得到交通检测器的疑似故障判定和结果数据集。对于一个路口而言，不同类型的交通检测器具有公共特征指标，因此可以进一步的通过对所述公共特征指标再次构建二级决策树通过二级随机森林计算交通检测器的故障状态。

在一些实施例中，电子警察检测器、微波交通检测器、线圈检测器都具有交通流量这个特征指标。因此对于相同路段的交通流量特征指标可以在电警、微波、线圈之间再次进行随机森林分类，做出交通检测器异常诊断的最终结果。

对于公共特征指标，例如电子警察、微波、线圈等检测器的交通流量特征指标，分别建立相应的随机森林分类器进行再投票，做出交通检测器数据异常的最终诊断结果，并且可以用这个最终的诊断结果来判断所述路段是否发生突发拥堵的警情。

利用随机森林可以进行级联并且精度不丢失的特性，对于一级随机森林分类器判别的交通检测器疑似故障判定进行二次分类，即通过二级随机森林分类器进行再次分类计算，通过交叉比对的方法识别由于突发拥堵引起的数据异常分类，有效识别城市道路交通中各类突发事件引起的拥堵，一定程度上可以减少由突发拥堵引起的数据异常造成交通检测器故障诊断的误判。

在步骤305中，若所述疑似故障判定为是，且所述路口拥堵判定结果为是，则将所述疑似故障判定修正为否，所述路口拥堵判定结果维持不变。

二级随机森林分类器输出交通检测器所在位置的路口拥堵判定结果，如果所述路口拥堵判定结果为是，则说明交通检测器一级随机森林分类器输出的疑似故障判定和结果数据集需要进行修正。因为交通流量或者道路占有率等特征指标都为异常状态，并不表示交通检测器一定发生故障引发数据异常，有可能是路口交通拥堵导致的交通检测器采集到的拥堵交通数据。在这种情况下，应当对一级随机森林分类器输出的结果进行修正，将所述疑似故障判定修正为否，即交通检测器正常。

在一些实施例中，二级随机森林分类器输出的路口拥堵判定结果为否，则意味着路口没有拥堵，一级随机森林分类器输出的交通检测器疑似故障判定和结果数据集可以认为是准确的。

本申请充分利用交通检测器采集的交通数据，建立基于深度学习的随机森林分类器数据异常诊断方法，可以实时地检测交通检测器的工作状态，具有较高的分类预测准确率。

在一些实施例中，从原始标定数据集中随机抽取预设比例的数据作为测试集对随机森林分类器进行测试。抽样的测试集数据作为输入，用训练后的随机森林分类器模型在测试集上进行随机森林分类，通过其输出结果和和实际标定结果的一致性来评估随机森林分类器模型的准确度。随机森林分类器在构建的过程中通过随机有放回的抽取若干独立训练样本，以此来增加样本扰动，降低了系统方差，可以增强机器学习的泛化性能。因此随机森林分类模型计算得到的分类结果往往比单个分类器更加稳定、准确。

在一些实施例中，定时的将所述原始标定数据集发送至随机森林分类器进行持续的训练，从而可以不间断的对神经网络模型的参数进行优化，得到异常诊断更加准确的随机森林分类器神经网络模型。所述随机森林分类器包括本申请所述的一级随机森林分类器和二级随机森林分类器。具体可以通过定时调度的计算机程序，周期性的例如每月，或每半月将原始标定数据集发送至随机森林分类器的接收引擎。所述随机森林分类器可以设置于云平台，所述云平台可以包括私有云、公共云、混合云、社区云、分布云或多重云。

本申请还提供了一种基于随机森林分类器的检测器异常诊断装置，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序时执行如本申请实施例所述任一基于随机森林分类器的交通检测器异常诊断方法。

本申请实施例提供的一种基于随机森林分类器的交通检测器异常诊断方法，相比单一基分类器，具有更高的稳定性和准确度，通过多个交通检测器采集的数据建立多个随机森林进行分类结果的对比，可以提高检测精度。通过本申请所述的方法，系统及装置，交通管理部门可以根据交通检测器的状态诊断及时制定相应的管控措施，有助于改善因不能及时发现交通检测器故障带来的交通影响。

本申请的有益效果在于，通过交通检测器采集实时交通数据，针对不同类型交通检测器的数据建立多棵基于信息增益的决策树，可以实现从多个维度对交通检测器进行故障诊断；进一步通过一级随机森林分类器计算得到交通检测器的疑似故障判定和结果数据集，实现多维度故障诊断；进一步通过二级随机森林分类器对疑似故障判定再次分类计算，可以识别突发交通事件引起的交通检测器故障误诊断，并通过分析多个类型交通检测器的异常数据实现交通拥堵的识别和警情提示。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为″数据块″、″模块″、″引擎″、″单元″、″组件″或″系统″。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内合有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)、或连接至外部计算机(例如通过因特网)、或在云计算环境中、或作为服务使用如软件即服务(SaaS)。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。

Claims (10)

1.一种基于随机森林分类器的交通检测器异常诊断方法，其特征在于，包括以下步骤：

对来自至少1种类型交通检测器的原始数据进行故障分析标定得到原始标定数据集；

从所述原始标定数据集中抽取预设百分比值的数据作为训练集，根据所述训练集内数据的不同类型特征指标分别构建一级决策树，所述数据来自不同类型的交通检测器；

基于所述一级决策树通过一级随机森林分类器计算得到交通检测器的疑似故障判定和其结果数据集；

基于所述结果数据集构建二级决策树，通过二级随机森林分类器计算得到路口拥堵判定结果；

若所述疑似故障判定为是，且所述路口拥堵判定结果为是，则将所述疑似故障判定修正为否，所述路口拥堵判定结果维持不变。

2.如权利要求1所述的基于随机森林分类器的交通检测器异常诊断方法，其特征在于，所述对来自至少1种类型交通检测器的原始数据进行故障分析标定得到原始标定数据集，具体包括：

对来自至少1种类型交通检测器的原始数据进行噪声过滤处理得到第一数据集；

基于所述第一数据集通过特征指标计算得到第一数据特征集；

基于所述第一数据特征集进行判定得到交通检测器故障判定结果，并将所述交通检测器故障判定结果对应的第一数据集内的数据串进行标定，所述数据串与所述交通检测器故障判定结果构成原始标定数据集。

3.如权利要求1所述的基于随机森林分类器的交通检测器异常诊断方法，其特征在于，所述交通检测器为电子警察检测器，线圈检测器，微波交通检测器，互联网检测器，视频检测器中的一种或几种组合。

4.如权利要求2所述的基于随机森林分类器的交通检测器异常诊断方法，其特征在于，所述噪声为不符合所述交通检测器数据协议的数据。

5.如权利要求2所述的基于随机森林分类器的交通检测器异常诊断方法，其特征在于，所述交通检测器故障判定结果通过人工诊断和/或机器算法诊断两种方式获得。

6.如权利要求1所述的基于随机森林分类器的交通检测器异常诊断方法，其特征在于，所述训练集的抽取，具体包括：从所述原始标定数据集中使用自助法有放回的抽取数据构成训练集。

7.如权利要求1所述的基于随机森林分类器的交通检测器异常诊断方法，其特征在于，所述二级随机森林分类器与所述一级随机森林分类器为串联方式。

8.如权利要求1所述的基于随机森林分类器的交通检测器异常诊断方法，其特征在于，所述原始标定数据集被配置为以一定周期定时发送至随机森林分类器的接收引擎，用于所述随机森林分类器的持续训练优化。

9.如权利要求1所述的基于随机森林分类器的交通检测器异常诊断方法，其特征在于，在从所述原始标定数据集中抽取预设百分比值的数据作为训练集后，还包括步骤：

从所述原始标定数据集中随机抽取预设比例的数据作为测试集对随机森林分类器进行测试。

10.一种基于随机森林分类器的检测器异常诊断装置，其特征在于，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序时执行如权利要求1-9中任一所述基于随机森林分类器的交通检测器异常诊断方法。

Images