CN113706867B - 一种高速公路相邻边缘设备节点交通异常概率评估方法 - Google Patents

Abstract

本发明提供一种高速公路相邻边缘设备节点交通异常概率评估方法，涉及智慧交通及云计算技术领域。云服务器从高速公路交通流量时间序列库中提取交通流量计数结果，并基于形态相似性距离计算相邻边缘设备节点交通流量平均到达时间；生成高速公路相邻边缘设备节点的交通流量差时间序列；采用基于ADF的高速公路相邻边缘设备节点交通流量差时间序列平稳性检验方法，检验相差平均到达时间的两个相邻边缘设备节点的交通流量差时间序列是否平稳；最后根据相邻边缘设备节点交通流量差时间序列的平稳性判定高速公路相邻边缘设备节点的交通异常情况。本发明方法充分考虑了交通异常和交通流量之间相互影响、相互作用，提高了高速公路交通异常判断的准确性。

Description

一种高速公路相邻边缘设备节点交通异常概率评估方法

技术领域

本发明涉及智慧交通及云计算技术领域，尤其涉及一种高速公路相邻边缘设备节点交通异常概率评估方法。

背景技术

随着高速公路的建设发展，道路上私家车和公共汽车的数量迅速增加，交通拥堵，车辆碰撞等交通异常问题越发严重。我国高速公路交通异常基本特点主要有：

(1)高速公路交通事故重大、恶性事故多。高速公路上的车辆行驶速度为60-120千米/时，车辆行驶速度过快，发生车辆碰撞时，冲击破坏力大，容易造成车辆与部件损坏，多为恶性事故。

(2)夜间交通异常事件发生较多。高速公路上夜间光线较暗，驾驶员在驾驶车辆时周围的视野条件与白天相差较大，容易造成视线模糊，大大增加了行车危险性，交通异常事件发生概率较大。同时夜间行车时，驾驶员容易疲劳驾驶，同样容易造成交通异常。

(3)异常天气交通异常事件较多。天气状况对高速公路上车辆的行车安全有很大影响，在晴天天气下交通异常的发生概率远小于异常(雾霾，雨雪等)天气下的交通异常发生概率。雾霾天气下驾驶员视线可见范围减小，雨雪天气下道路路面摩擦阻力减小，增加了行车危险性，增大高速公路交通异常概率。

交通异常发生通常造成不可挽回的损失，因此高速公路交通安全始终是人们关注的重点。当前智能交通系统中用于高速公路交通异常监测的常用技术为视频监测技术，但是视频检测设备受外界环境(如光照不足或者雾霾天气)影响较大，并且视频连续传输使网络传输带宽压力增大。通过车辆碰撞的声音检测交通异常是最直接的检测方法，但是事故地点距离音频设备较远时，音频设备可能无法采集到碰撞声音从而判断失误。

随着物联网技术的快速发展，终端设备海量数据的不断产生，边缘计算的提出和发展，促进了智能交通系统(Intelligent Traffic System,ITS)进一步改进和完善。目前，有许多学者通过边缘计算设备对高速公路交通异常情况进行分析，但前人对于高速公路交通异常的研究忽略了交通异常和交通流量之间相互影响、相互作用，导致效果并不理想。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种高速公路相邻边缘设备节点交通异常概率评估方法，实现对高速公路交通异常情况进行评估。

为解决上述技术问题，本发明所采取的技术方案是：一种高速公路相邻边缘设备节点交通异常概率评估方法，包括以下步骤：

步骤1：云服务器从高速公路交通流量时间序列库中提取高速公路交通流量计数结果，并基于形态相似性距离计算高速公路相邻边缘设备节点交通流量平均到达时间；

步骤1.1：设定高速公路交通流量平均到达时间表示交通流量序列从第i个边缘设备节点到第i+1个边缘设备节点所用时间，车辆在高速公路上行驶速度为60～120km/h，同时设定相邻两个边缘设备节点的距离为L，则交通流量平均到达时间范围为

步骤1.2：计算两个高速公路交通流量序列的形态相似距离，如下公式所示：

其中，D(X_i+1,t,X_i,t-Δt)表示X_i+1,t和X_i,t-Δt之间的形态相似距离，X_i+1,t表示为t时刻第i+1个边缘设备节点的高速公路交通流量序列，Δt表示为

时间段内的滑动时间间隔，且

X_i,t-Δt表示为t-Δt时刻第i个边缘设备节点高速公路交通流量序列，D_ED表示为X_i+1,t和X_i,t-Δt之间的欧氏距离，D_HD表示为X_i+1,t和X_i,t-Δt的哈夫曼距离，n为高速公路交通流量序列上限；

步骤1.3：初始化两个高速公路交通流量序列最小形态相似距离和两个高速公路交通流量序列最小形态相似距离对应的时刻，如下公式所示：

其中，dist表示为两个高速公路交通流量序列最小形态相似距离，T_{dist_min}表示为两个高速公路交通流量序列最小形态相似距离对应的时刻；

步骤1.4：更新高速公路交通流量序列最小形态相似距离和高速公路交通流量序列最小形态相似距离对应的时刻；

步骤1.4.1：当tt时刻在

之间时，读取tt时刻第i个边缘设备节点高速公路交通流量序列X_i,tt；

步骤1.4.2：计算t时刻第i+1个边缘设备节点的高速公路交通流量序列与tt时刻第i个边缘设备节点高速公路交通流量序列X_i,tt的形态相似距离dist_i+1,i＝D(X_i+1,t,X_i,tt)；

步骤1.4.3：根据以下条件更新高速公路交通流量序列最小形态相似距离dist和高速公路交通流量序列最小形态相似距离对应的时刻T_{dist_min}；

当dist_i+1,i＜dist时，令dist＝dist_i+1,i，T_{dist_min}＝tt,然后执行步骤1.5；

当dist_i+1,i≥dist时，令tt＝tt+Δt，重新执行步骤1.4.1；

步骤1.5：基于高速公路交通流量序列最小形态相似距离对应的时刻，得到高速公路交通流量平均到达时间T，如下公式所示：

T＝t-T_{dist_min} (6)

步骤2：生成高速公路相邻边缘设备节点的交通流量差时间序列

具体如下公式所示：

Z_t＝X_i+1,t-X_i,t-T (7)

其中，Z_t表示为t时刻的高速公路相邻节点交通流量差时间序列，

表示t时刻第i+1个边缘设备节点的交通流量时间序列，

表示t时刻第i+1个边缘设备节点记录的第n个交通流量值，

表示为t-T时刻第i个边缘计算设备的交通流量时间序列，

表示t-T时刻第i个边缘设备节点记录的第n个交通流量值；

步骤3：采用基于ADF(Augment Dickey-Fuller)的高速公路相邻边缘设备节点交通流量差时间序列平稳性检验方法，检验相差平均到达时间的两个高速公路相邻边缘设备节点的交通流量差时间序列是否平稳；

步骤3.1：设定高速公路相邻边缘设备节点交通流量差时间序列Z_t是一个m阶自回归过程生成的，则Z_t表示为：

Z_t＝ρZ_t-1+ξ₁ΔZ_t-1+ξ₂ΔZ_t-2+…+ξ_mΔZ_t-m+1+ε_t (10)

其中，

表示自回归系数，m表示为自回归阶数，ε_t表示为随机误差项，且误差序列服从均值为0，方差为σ²，

ΔZ_t-1,ΔZ_t-2,...,ΔZ_t-m+1表示为Z_t-1,Z_t-2,...,Z_t-m+1的一阶差分；

步骤3.2：采用ADF检验的三种模型对高速公路相邻边缘设备节点交通流量差时间序列Z_t进行单位根检验，则t时刻高速公路相邻边缘设备节点交通流量差时间序列的三个检验模型顺序如下：

不含常数项：

含常数项：

含趋势项：

其中，ΔZ_t表示为Z_t的一阶差分，δ表示为常数，β_iΔZ_t-i表示为Z_t-i的一阶差分，α表示为常数项系数，βt表示为时间趋势项，m'表示为Z_t的滞后阶数；

步骤3.3：设定在平稳性检验过程中，模型假设检验中原假设为H₀:δ＝0，即高速公路相邻边缘设备节点交通流量差时间序列是非平稳时间序列，备择假设H₁:δ＜0，即高速公路相邻边缘设备节点交通流量差时间序列是平稳时间序列；

步骤3.4：基于t时刻高速公路相邻边缘设备节点交通流量差时间序列的三个检验模型判断高速公路相邻边缘设备节点交通流量差时间序列是否为平稳时间序列；

步骤3.4.1：若三个检验模型中有任意一个模型拒绝原假设时，则t时刻高速公路相邻边缘设备节点交通流量差时间序列是平稳时间序列，满足如下条件：

γ(t,s)＝E[(Z_t-μ_t)(Z_s-μ_s)] (17)

其中，E(Z_t)表示为高速公路相邻边缘设备节点交通流量差时间序列Z_t的均值，μ表示为常数，Var(Z_t)表示为高速公路相邻节点交通流量差时间序列Z_t的方差，σ²表示为常数，γ(t,s)表示为自协方差高速公路相邻节点交通流量差时间序列Z_t的延迟k自协方差函数，Z_s表示为s时刻的高速公路相邻节点交通流量差时间序列，μ_t和μ_s分别表示为t和s时刻的高速公路相邻节点交通流量差时间序列均值；

步骤3.4.2：若三个检验模型中所有的检验结果都不拒绝原假设时，则t时刻高速公路相邻边缘设备节点交通流量差时间序列是非平稳时间序列；

步骤4：根据高速公路相邻边缘设备节点交通流量差时间序列的平稳性判定高速公路相邻边缘设备节点的交通异常情况；

若高速公路相邻边缘设备节点交通流量差时间序列为平稳时间序列，则判定高速公路相邻边缘设备节点之间交通正常；

若高速公路相邻边缘设备节点交通流量差时间序列是不平稳时间序列时，则判定高速公路相邻边缘设备节点之间交通可能出现异常，计算交通异常概率，并设置交通异常阈值，通过比较交通异常概率与交通异常阈值大小判定高速公路交通异常情况；

所述交通异常概率采用高速公路相邻节点交通流量差时间序列中的连续递减子序列占原时间序列的百分比表示，如下公式所示：

其中，P_i+1,t表示为第i+1个高速公路边缘设备节点在t时刻发生交通异常的概率，

表示为高速公路第i+1个和第i个节点交通流量差时间序列中的连续递减子序列元素个数，

表示为高速公路第i+1个和第i个节点交通流量差时间序列中元素个数；

若交通异常概率大于设定的交通异常阈值时，则判定当前高速公路相邻边缘设备节点之间出现交通异常，向相邻的边缘设备发送交通异常信息；

若交通异常概率小于设定的交通异常阈值时，则判定当前高速公路相邻边缘设备节点之间交通正常。

采用上述技术方案所产生的有益效果在于：本发明提供的一种高速公路相邻边缘设备节点交通异常概率评估方法，由于高速公路上的任一位置都具有空间和时间可达性，车辆在高速公路上行驶一段路程所用的时间是可以估计的，路程越短行驶时间的估计会越准确，本发明通过对高速公路相邻边缘设备节点的交通流量进行时空约束的分析，得出相邻节点交通流量平均到达时间，通过ADF方法检验相差平均到达时间的相邻边缘设备节点的交通流量差时间序列是否平稳，计算交通异常的概率大小，充分考虑了交通异常和交通流量之间相互影响、相互作用，提高了高速公路交通异常判断的准确性。

附图说明

图1为本发明实施例提供的一种高速公路相邻边缘设备节点交通异常概率评估方法的流程图；

图2为本发明实施例提供的相邻边缘设备节点交通流量时间序列相似距离变化图；

图3为本发明实施例提供的高速公路相邻边缘设备节点交通流量时间序列图；

图4为本发明实施例提供的高速公路相邻边缘设备节点交通流量差时间序列图；

图5为本发明实施例提供的交通正常时高速公路交通流量差时间序列图；

图6为本发明实施例提供的交通异常时高速公路交通流量差时间序列图；

图7为本发明实施例提供的高速公路交通流量差时间序列平稳性检验结果示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本实施例以某两省间的高速公路为例，采用本发明的一种高速公路相邻边缘设备节点交通异常概率评估方法对该高速公路各相邻边缘设备节点间的交通异常情况进行评估。

本实施例中，一种高速公路相邻边缘设备节点交通异常概率评估方法，如图1所示，包括以下步骤：

步骤1：云服务器从高速公路交通流量时间序列库中提取高速公路交通流量计数结果，并基于形态相似性距离计算高速公路相邻边缘设备节点交通流量平均到达时间；

步骤1.1：设定高速公路交通流量平均到达时间表示交通流量序列从第i个边缘设备节点到第i+1个边缘设备节点所用时间，车辆在高速公路上行驶速度为60～120km/h，同时设定相邻两个边缘设备节点的距离为L，则交通流量平均到达时间范围为

步骤1.2：计算两个高速公路交通流量序列的形态相似距离，如下公式所示：

其中，D(X_i+1,t,X_i,t-Δt)表示X_i+1,t和X_i,t-Δt之间的形态相似距离，X_i+1,t表示为t时刻第i+1个边缘设备节点的高速公路交通流量序列，Δt表示为

时间段内的滑动时间间隔，且

X_i,t-Δt表示为t-Δt时刻第i个边缘设备节点高速公路交通流量序列，D_ED表示为X_i+1,t和X_i,t-Δt之间的欧氏距离，D_HD表示为X_i+1,t和X_i,t-Δt的哈夫曼距离，n为高速公路交通流量序列上限；

步骤1.3：初始化两个高速公路交通流量序列最小形态相似距离和两个高速公路交通流量序列最小形态相似距离对应的时刻，如下公式所示：

其中，dist表示为两个高速公路交通流量序列最小形态相似距离，T_{dist_min}表示为两个高速公路交通流量序列最小形态相似距离对应的时刻；

步骤1.4：更新高速公路交通流量序列最小形态相似距离和高速公路交通流量序列最小形态相似距离对应的时刻；

步骤1.4.1：当tt时刻在

之间时，读取tt时刻第i个边缘设备节点高速公路交通流量序列X_i,tt；

步骤1.4.2：计算t时刻第i+1个边缘设备节点的高速公路交通流量序列与tt时刻第i个边缘设备节点高速公路交通流量序列X_i,tt的形态相似距离dist_i+1,i＝D(X_i+1,t,X_i,tt)；

步骤1.4.3：根据以下条件更新高速公路交通流量序列最小形态相似距离dist和高速公路交通流量序列最小形态相似距离对应的时刻T_{dist_min}；

当dist_i+1,i＜dist时，令dist＝dist_i+1,i，T_{dist_min}＝tt,然后执行步骤1.5；

当dist_i+1,i≥dist时，令tt＝tt+Δt，重新执行步骤1.4.1；

步骤1.5：基于高速公路交通流量序列最小形态相似距离对应的时刻，得到高速公路交通流量平均到达时间T，如下公式所示：

T＝t-T_{dist_min} (6)

步骤2：生成高速公路相邻边缘设备节点的交通流量差时间序列

具体如下公式所示：

Z_t＝X_i+1,t-X_i,t-T (7)

其中，Z_t表示为t时刻的高速公路相邻节点交通流量差时间序列，

表示t时刻第i+1个边缘设备节点的交通流量时间序列，

表示t时刻第i+1个边缘设备节点记录的第n个交通流量值，

表示为t-T时刻第i个边缘计算设备的交通流量时间序列，

表示t-T时刻第i个边缘设备节点记录的第n个交通流量值；

步骤3：采用基于ADF(Augment Dickey-Fuller)的高速公路相邻边缘设备节点交通流量差时间序列平稳性检验方法，检验相差平均到达时间的两个高速公路相邻边缘设备节点的交通流量差时间序列是否平稳；

步骤3.1：设定高速公路相邻边缘设备节点交通流量差时间序列Z_t是一个m阶自回归过程生成的，则Z_t表示为：

Z_t＝ρZ_t-1+ξ₁ΔZ_t-1+ξ₂ΔZ_t-2+…+ξ_mΔZ_t-m+1+ε_t (10)

其中，

表示自回归系数，m表示为自回归阶数，ε_t表示为随机误差项，且误差序列服从均值为0，方差为σ²，

ΔZ_t-1,ΔZ_t-2,…,ΔZ_t-m+1表示为Z_t-1,Z_t-2,…,Z_t-m+1的一阶差分；

步骤3.2：采用ADF检验常用三种模型对高速公路相邻边缘设备节点交通流量差时间序列Z_t进行单位根检验，则t时刻高速公路相邻边缘设备节点交通流量差时间序列的三个检验模型顺序如下：

不含常数项：

含常数项：

含趋势项：

其中，ΔZ_t表示为Z_t的一阶差分，δ表示为常数，β_iΔZ_t-i表示为Z_t-i的一阶差分，α表示为常数项系数，βt表示为时间趋势项，m'表示为Z_t的滞后阶数；

步骤3.3：设定在平稳性检验过程中，模型假设检验中原假设为H₀:δ＝0，即高速公路相邻边缘设备节点交通流量差时间序列是非平稳时间序列，备择假设H₁:δ＜0，即高速公路相邻边缘设备节点交通流量差时间序列是平稳时间序列；

步骤3.4：基于t时刻高速公路相邻边缘设备节点交通流量差时间序列的三个检验模型判断高速公路相邻边缘设备节点交通流量差时间序列是否为平稳时间序列；

步骤3.4.1：若三个检验模型中有任意一个模型拒绝原假设时，则t时刻高速公路相邻边缘设备节点交通流量差时间序列是平稳时间序列，满足如下条件：

γ(t,s)＝E[(Z_t-μ_t)(Z_s-μ_s)] (17)

其中，E(Z_t)表示为高速公路相邻边缘设备节点交通流量差时间序列Z_t的均值，μ表示为常数，Var(Z_t)表示为高速公路相邻节点交通流量差时间序列Z_t的方差，σ²表示为常数，γ(t,s)表示为自协方差高速公路相邻节点交通流量差时间序列Z_t的延迟k自协方差函数，Z_s表示为s时刻的高速公路相邻节点交通流量差时间序列，μ_t和μ_s分别表示为t和s时刻的高速公路相邻节点交通流量差时间序列均值；

步骤3.4.2：若三个检验模型中所有的检验结果都不拒绝原假设时，则t时刻高速公路相邻边缘设备节点交通流量差时间序列是非平稳时间序列；

步骤4：根据高速公路相邻边缘设备节点交通流量差时间序列的平稳性判定高速公路相邻边缘设备节点的交通异常情况；

若高速公路相邻边缘设备节点交通流量差时间序列为平稳时间序列，则判定高速公路相邻边缘设备节点之间交通正常；

若高速公路相邻边缘设备节点交通流量差时间序列是不平稳时间序列时，则判定高速公路相邻边缘设备节点之间交通可能出现异常，计算交通异常概率，并设置交通异常阈值，通过比较交通异常概率与交通异常阈值大小判定高速公路交通异常情况；

所述交通异常概率采用高速公路相邻节点交通流量差时间序列中的连续递减子序列占原时间序列的百分比表示，如下公式所示：

其中，P_i+1,t表示为第i+1个高速公路边缘设备节点在t时刻发生交通异常的概率，

表示为高速公路第i+1个和第i个节点交通流量差时间序列中的连续递减子序列元素个数，

表示为高速公路第i+1个和第i个节点交通流量差时间序列中元素个数；

若交通异常概率大于设定的交通异常阈值时，则判定当前高速公路相邻边缘设备节点之间出现交通异常，向相邻的边缘设备发送交通异常信息；

若交通异常概率小于设定的交通异常阈值时，则判定当前高速公路相邻边缘设备节点之间交通正常。

本实施例以python为编程语言，以HPZ820工作站作为云服务器，HPZ820工作站的配置参数如表1所示。

表1 HPZ820服务器配置参数表

本实施例累积8个小时的某两省间的高速公路交通流量时间序列，边缘设备采集的交通流量是5s的数据，云服务器以12个交通流量计数结果为一组，按每分钟的交通流量计数结果进行分析。

本实施例主要对高速公路交通流量时间序列进行分析，首先从高速公路相邻节点的交通流量时间序列中通过计算相似距离求得交通流量平均到达时间，然后得到高速公路相邻节点交通流量差时间序列，通过交通流量时间差序列的平稳性得到交通异常的概率，具体过程如下：

(1)计算交通流量平均到达时间

滑动窗口选择长度为20，以相邻边缘设备节点连续20分钟的交通流量时间序列，t时刻任意选取的边缘设备节点的交通流量时间序列为7,6,9,10,6,9,8,9,11,6,7,7,4,6,6,8,8,7,6,9，其前一节点的交通流量时间序列为4,5,6,7,9,10,7,8,9,10,10,5,7,8,5,6,6,7,8,7,7,8,5,4,6,10,7,6,9,…，滑动窗口每移动一个长度，计算相邻边缘设备节点交通流量时间序列相似距离，通过最小相似距离找到交通流量平均到达时间，滑动窗口移动10次的实验结果如图2所示。

由图2可得，随着滑动窗口的移动，相邻边缘设备节点高速公路交通流量时间序列的相似距离在不断变化，但是在一段时间内会有一个明显的下降、上升趋势，存在一个最小值。在移动过程中相似距离最小值时，高速公路相邻边缘设备节点的交通流量时间序列最为相似，此时对应的时间即为高速公路交通流量平均到达时间。

(2)高速公路相邻边缘设备交通流量差时间序列

上述结果得到了相邻边缘设备节点交通流量平均到达时间，之后从高速公路交通流量时间序列库中，通过该高速公路相邻边缘设备节点的交通流量对应时间序列得到高速公路交通流量差时间序列，具体如图3、图4所示。

由图3可得，高速公路交通相邻边缘设备节点流量时间序列变化趋势是相似的，在车辆行驶过程中，由于车辆的速度不同，所以边缘设备节点1的高速公路交通流量值在节点2的高速公路交通流量值基础上有微小波动。

由图4可得，高速公路相邻边缘设备节点交通流量差时间序列中的交通流量差的值是围绕0上下波动的，并且波动幅度较小。

(3)高速公路交通异常判断

通过对高速公路相邻边缘设备节点交通流量差时间序列平稳性检验，判断高速公路交通异常概率，ADF平稳性检验的假设是存在单位根，即高速公路交通流量时间序列不平稳。交通正常时高速公路相邻边缘设备节点交通流量差时间序列如图5所示，交通异常时高速公路相邻边缘设备节点交通流量差时间序列如图6所示，对两种情况下的高速公路交通流量差时间序列进行平稳性检验，结果如图7所示。

由图5、图7可得，交通正常情况下，通过数据图示法得出，高速公路相邻边缘设备节点交通流量差时间序列围绕0值上下波动，较平稳。通过ADF检验方法检验时间序列的稳定性，结果拒绝时间序列不平稳的原假设。

由图6、图7可得，交通异常情况下，通过数据图示法得出，一段高速公路交通流量差时间序列在某一时刻前后趋势变化差异大，递减趋势越来越明显。高速公路相邻边缘设备节点之间出现交通异常，导致通过相邻边缘设备节点的交通流量发生明显差异。通过ADF检验方法对该时间序列进行平稳性检验，结果接受时间序列不平稳的原假设。计算得到高速公路交通异常概率为55％，大于设定高速公路交通异常阈值50％。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (7)

1.一种高速公路相邻边缘设备节点交通异常概率评估方法，其特征在于：包括以下步骤：

步骤1：云服务器从高速公路交通流量时间序列库中提取高速公路交通流量计数结果，并基于形态相似性距离计算高速公路相邻边缘设备节点交通流量平均到达时间；

步骤2：生成高速公路相邻边缘设备节点的交通流量差时间序列；

步骤3：采用基于ADF的高速公路相邻边缘设备节点交通流量差时间序列平稳性检验方法，检验相差平均到达时间的两个高速公路相邻边缘设备节点的交通流量差时间序列是否平稳；

步骤4：根据高速公路相邻边缘设备节点交通流量差时间序列的平稳性判定高速公路相邻边缘设备节点的交通异常情况；

若高速公路相邻边缘设备节点交通流量差时间序列为平稳时间序列，则判定高速公路相邻边缘设备节点之间交通正常；

若高速公路相邻边缘设备节点交通流量差时间序列是不平稳时间序列时，则判定高速公路相邻边缘设备节点之间交通可能出现异常，计算交通异常概率，并设置交通异常阈值，通过比较交通异常概率与交通异常阈值大小判定高速公路交通异常情况；

若交通异常概率大于设定的交通异常阈值时，则判定当前高速公路相邻边缘设备节点之间出现交通异常，向相邻的边缘设备发送交通异常信息；

若交通异常概率小于设定的交通异常阈值时，则判定当前高速公路相邻边缘设备节点之间交通正常。

2.根据权利要求1所述的一种高速公路相邻边缘设备节点交通异常概率评估方法，其特征在于：所述步骤1的具体方法为：

步骤1.1：设定高速公路交通流量平均到达时间表示交通流量序列从第i个边缘设备节点到第i+1个边缘设备节点所用时间，车辆在高速公路上行驶速度为60～120km/h，同时设定相邻两个边缘设备节点的距离为L，则交通流量平均到达时间范围为

步骤1.2：计算两个高速公路交通流量序列的形态相似距离，如下公式所示：

其中，D(X_i+1,t,X_i,t-Δt)表示X_i+1,t和X_i,t-Δt之间的形态相似距离，X_i+1,t表示为t时刻第i+1个边缘设备节点的高速公路交通流量序列，Δt表示为

时间段内的滑动时间间隔，且

X_i,t-Δt表示为t-Δt时刻第i个边缘设备节点高速公路交通流量序列，D_ED表示为X_i+1,t和X_i,t-Δt之间的欧氏距离，D_HD表示为X_i+1,t和X_i,t-Δt的哈夫曼距离，n为高速公路交通流量序列上限；

步骤1.3：初始化两个高速公路交通流量序列最小形态相似距离和两个高速公路交通流量序列最小形态相似距离对应的时刻，如下公式所示：

其中，dist表示为两个高速公路交通流量序列最小形态相似距离，T_{dist_min}表示为两个高速公路交通流量序列最小形态相似距离对应的时刻；

步骤1.4：更新高速公路交通流量序列最小形态相似距离和高速公路交通流量序列最小形态相似距离对应的时刻；

步骤1.5：基于高速公路交通流量序列最小形态相似距离对应的时刻，得到高速公路交通流量平均到达时间T，如下公式所示：

T＝t-T_{dist_min} (6)。

3.根据权利要求2所述的一种高速公路相邻边缘设备节点交通异常概率评估方法，其特征在于：所述步骤1.4的具体方法为：

步骤1.4.1：当tt时刻在

之间时，读取tt时刻第i个边缘设备节点高速公路交通流量序列X_i,tt；

步骤1.4.2：计算t时刻第i+1个边缘设备节点的高速公路交通流量序列与tt时刻第i个边缘设备节点高速公路交通流量序列X_i,tt的形态相似距离dist_i+1,i＝D(X_i+1,t,X_i,tt)；

步骤1.4.3：根据以下条件更新高速公路交通流量序列最小形态相似距离dist和高速公路交通流量序列最小形态相似距离对应的时刻T_{dist_min}；

当dist_i+1,i＜dist时，令dist＝dist_i+1,i，T_{dist_min}＝tt,然后执行步骤1.5；

当dist_i+1,i≥dist时，令tt＝tt+Δt，重新执行步骤1.4.1。

4.根据权利要求3所述的一种高速公路相邻边缘设备节点交通异常概率评估方法，其特征在于：所述步骤2生成的高速公路相邻边缘设备节点的交通流量差时间序列为

具体如下公式所示：

Z_t＝X_i+1,t-X_i,t-T (7)

其中，Z_t表示为t时刻的高速公路相邻节点交通流量差时间序列，

表示t时刻第i+1个边缘设备节点的交通流量时间序列，

表示t时刻第i+1个边缘设备节点记录的第n个交通流量值，

表示为t-T时刻第i个边缘计算设备的交通流量时间序列，

表示t-T时刻第i个边缘设备节点记录的第n个交通流量值。

5.根据权利要求4所述的一种高速公路相邻边缘设备节点交通异常概率评估方法，其特征在于：所述步骤3的具体方法为：

步骤3.1：设定高速公路相邻边缘设备节点交通流量差时间序列Z_t是一个m阶自回归过程生成的，则Z_t表示为：

Z_t＝ρZ_t-1+ξ₁ΔZ_t-1+ξ₂ΔZ_t-2+…+ξ_mΔZ_t-m+1+ε_t (10)

其中，

表示自回归系数，m表示为自回归阶数，ε_t表示为随机误差项，且误差序列服从均值为0，方差为σ²，

ΔZ_t-1,ΔZ_t-2,...,ΔZ_t-m+1表示为Z_t-1,Z_t-2,...,Z_t-m+1的一阶差分；

步骤3.2：采用ADF检验的三种模型对高速公路相邻边缘设备节点交通流量差时间序列Z_t进行单位根检验，则t时刻高速公路相邻边缘设备节点交通流量差时间序列的三个检验模型顺序如下：

不含常数项：

含常数项：

含趋势项：

其中，ΔZ_t表示为Z_t的一阶差分，δ表示为常数，β_iΔZ_t-i表示为Z_t-i的一阶差分，α表示为常数项系数，βt表示为时间趋势项，m'表示为Z_t的滞后阶数；

步骤3.3：设定在平稳性检验过程中，模型假设检验中原假设为H₀:δ＝0，即高速公路相邻边缘设备节点交通流量差时间序列是非平稳时间序列，备择假设H₁:δ＜0，即高速公路相邻边缘设备节点交通流量差时间序列是平稳时间序列；

步骤3.4：基于t时刻高速公路相邻边缘设备节点交通流量差时间序列的三个检验模型判断高速公路相邻边缘设备节点交通流量差时间序列是否为平稳时间序列。

6.根据权利要求5所述的一种高速公路相邻边缘设备节点交通异常概率评估方法，其特征在于：所述步骤3.4的具体方法为：

步骤3.4.1：若三个检验模型中有任意一个模型拒绝原假设时，则t时刻高速公路相邻边缘设备节点交通流量差时间序列是平稳时间序列，满足如下条件：

γ(t,s)＝E[(Z_t-μ_t)(Z_s-μ_s)] (17)

其中，E(Z_t)表示为高速公路相邻边缘设备节点交通流量差时间序列Z_t的均值，μ表示为常数，Var(Z_t)表示为高速公路相邻节点交通流量差时间序列Z_t的方差，σ²表示为常数，γ(t,s)表示为自协方差高速公路相邻节点交通流量差时间序列Z_t的延迟k自协方差函数，Z_s表示为s时刻的高速公路相邻节点交通流量差时间序列，μ_t和μ_s分别表示为t和s时刻的高速公路相邻节点交通流量差时间序列均值；

步骤3.4.2：若三个检验模型中所有的检验结果都不拒绝原假设时，则t时刻高速公路相邻边缘设备节点交通流量差时间序列是非平稳时间序列。

7.根据权利要求6所述的一种高速公路相邻边缘设备节点交通异常概率评估方法，其特征在于：步骤4所述交通异常概率采用高速公路相邻节点交通流量差时间序列中的连续递减子序列占原时间序列的百分比表示，如下公式所示：

其中，P_i+1,t表示为第i+1个高速公路边缘设备节点在t时刻发生交通异常的概率，

表示为高速公路第i+1个和第i个节点交通流量差时间序列中的连续递减子序列元素个数，

表示为高速公路第i+1个和第i个节点交通流量差时间序列中元素个数。

Images