CN115171372A - 一种交通异常检测方法、设备及装置 - Google Patents
一种交通异常检测方法、设备及装置 Download PDFInfo
- Publication number
- CN115171372A CN115171372A CN202210701542.6A CN202210701542A CN115171372A CN 115171372 A CN115171372 A CN 115171372A CN 202210701542 A CN202210701542 A CN 202210701542A CN 115171372 A CN115171372 A CN 115171372A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- traffic
- data
- data processing
- processed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 372
- 238000012549 training Methods 0.000 claims abstract description 105
- 238000000034 method Methods 0.000 claims abstract description 83
- 230000002159 abnormal effect Effects 0.000 claims abstract description 72
- 230000008569 process Effects 0.000 claims abstract description 64
- 230000005856 abnormality Effects 0.000 claims description 22
- 238000010606 normalization Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 210000004027 cell Anatomy 0.000 description 9
- 239000013598 vector Substances 0.000 description 8
- 125000004122 cyclic group Chemical group 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及人工智能技术领域,特别涉及一种交通异常检测方法、设备及装置,用以自动对交通异常事件进行检测,提高交通异常事件的检测效率。本申请实施例获取预设时长内所述至少一个目标路段的交通流数据;基于训练得到的交通数据处理网络,以及所述交通数据处理网络在训练过程中获得的数据处理规则对所述交通流数据进行数据处理,得到处理后的交通流数据;数据处理规则是交通数据处理网络在训练过程中、对至少一个参考路段上未发生交通异常事件时间段内的多个交通流样本数据进行数据处理获得的;根据处理后的交通流数据与处理前的交通流数据之间的差异信息以及预设指标范围,检测至少一个目标路段上是否发生交通异常事件。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种交通异常检测方法、设备及装置。
背景技术
近年来随着国家基础设施持续建设以及城市规模的不断扩大,出行群众的交通需求日益增加,由此带来的因交通事故、占路施工、气象天气等因素产生的交通异常频发,表现为城市道路交通拥堵等问题,其中突发性交通事件和交通运行中的不稳定状态是引发交通拥挤和瘫痪等不安全状况的主要原因,通常表现为交通流产生突变现象,即出现交通异常点。
尤其是在交通繁忙时段(例如早晚高峰时段),道路可能会频繁发生交通异常;目前发现交通异常的手段一般为道路上行驶车辆的司乘人员主动上报,道路监管部门在接收到上报的交通异常信息后进行相应处理。但是这种依靠人工上报交通异常的方式效率较低。
发明内容
本申请实施例提供一种交通异常检测方法、设备及装置,用以自动对交通异常事件进行检测,提高交通异常事件的检测效率。
第一方面,本申请实施例提供一种交通异常检测方法,包括:
获取预设时长内所述至少一个目标路段的交通流数据;其中所述交通流数据包括每个目标路段在所述预设时长内的各个时刻对应的车流量;
基于训练得到的交通数据处理网络,以及所述交通数据处理网络在训练过程中获得的数据处理规则对所述交通流数据进行数据处理,得到处理后的交通流数据;所述数据处理规则是所述交通数据处理网络在训练过程中、对至少一个参考路段上未发生交通异常事件时间段内的多个交通流样本数据进行数据处理获得的;
根据所述处理后的交通流数据与处理前的交通流数据之间的差异信息以及预设指标范围,检测所述至少一个目标路段上是否发生交通异常事件;所述预设指标范围是根据训练过程中所述处理后的交通流样本数据与处理前的交通流样本数据之间的差异信息确定的。
由于本申请实施例提供一种对至少一个目标路段的交通进行自动检测的方案,实施中获取预设时长内的该至少一个目标路段的交通流数据,基于已训练的交通数据处理网络,以及该交通数据处理网络在训练过程中学习到的数据处理规则对获取到的交通流数据进行处理,并将处理后的交通流数据与处理前的交通流数据进行比较,基于处理后的交通流数据与处理前的交通流数据之间的差异信息,判断该至少一个目标路段上是否发生交通异常事件。由于交通数据处理网络是基于至少一个参考路段上未发生交通异常事件的时间段内的交通流样本数据训练得到的,对于交通数据处理网络在训练过程中学习到的数据处理规则是对大量未发生交通异常事件的交通流数据的处理规则,若获取到的交通流数据为发生交通异常事件的目标路段的交通流数据,通过训练后的交通数据处理网络对异常的交通流数据按照训练过程中学习到的数据处理规则进行处理,处理后的交通流数据与处理前的异常交通流数据会存在较大的差异,因此,本申请实施例基于处理后的交通流数据与处理前的交通流数据之间的差异信息,可以判断目标路段是否发生交通异常事件。从而本申请实施例提供了一种对目标路段的交通进行异常检测的自动检测方案,并且全程不需要人工介入,可以提高交通异常事件检测的可靠性及检测效率。
可选的,所述数据处理规则包括所述交通数据处理网络的编码单元对应的数据处理规则和所述交通数据处理网络的解码单元对应的数据处理规则;
所述基于训练得到的交通数据处理网络,以及所述交通数据处理网络在训练过程中获得的数据处理规则对所述交通流数据进行数据处理,得到处理后的交通流数据,具体包括:
基于训练得到的交通数据处理网络的编码单元,以及所述编码单元对应的数据处理规则,对所述交通流数据进行隐含特征提取,得到所述交通流数据的隐含特征;
基于训练得到的交通数据处理网络的解码单元,以及所述解码单元对应的数据处理规则,对所述隐含特征进行解码重构,得到处理后的交通流数据。
本申请实施例的交通数据处理网络包括编码单元和解码单元,通过编码单元对交通流数据进行隐含特征提取,以及通过解码单元对提取到的隐含特征进行解码重构,从而实现依据在训练过程中学习到的数据处理规则,对交通流数据进行数据处理。
可选的,根据下列方式确定所述处理后的交通流数据与处理前的交通流数据之间的差异信息:
确定所述处理后的交通流数据中所述预设时长内每一时刻对应的处理后的交通流序列,以及确定所述处理前的交通流数据中所述预设时长内每一时刻对应的处理前的交通流序列;
针对所述预设时长内的任意一个时刻,确定所述时刻对应的处理后的交通流序列与处理前的交通流序列的差异值;
将所述预设时长内各个时刻对应的差异值之和,作为所述处理后的交通流数据与处理前的交通流数据之间的差异信息。
可选的,所述根据所述处理后的交通流数据与处理前的交通流数据之间的差异信息以及预设指标范围,检测所述至少一个目标路段上是否发生交通异常事件,具体包括:
将所述处理后的交通流数据与处理前的交通流数据之间的差异信息与预设指标范围进行比较;
若所述差异信息不在所述预设指标范围中,则确定所述至少一个目标路段中发生交通异常事件。
可选的,根据下列方式对交通数据处理网络进行训练:
获取至少一个参考路段上未发生交通异常事件的历史时长内的多个交通流样本数据;其中,所述多个交通流样本数据是将所述历史时长内交通流样本数据按照所述预设时长划分得到的;
针对任意一个交通流样本数据分别执行以下操作:
将所述交通流样本数据输入交通数据处理网络;
基于所述交通数据处理网络中的编码单元,对所述交通流样本数据进行隐含特征提取,得到所述交通流样本数据的隐含特征;基于所述交通数据处理网络的解码单元,对所述隐含特征进行解码重构得到处理后的交通流样本数据;
根据预定义的损失函数,确定处理前的交通流样本数据与处理后的交通流样本数据之间的损失值,直到确定出的损失值不大于设定阈值,确定所述交通数据处理网络训练完成,获得对交通流样本数据进行数据处理的数据处理规则。
可选的,根据下列方式确定所述预设指标范围:
针对任意一个交通流样本数据分别执行以下操作:将所述交通流样本数据输入训练得到的所述交通数据处理网络,获取所述训练得到的交通数据处理网络输出的处理后的交通流样本数据;并确定所述处理后的交通流样本数据与处理前的交通流样本数据之间的差异信息;
根据每个交通流样本数据对应的差异信息,确定各个差异信息的均值以及标准差值;
根据所述各个差异信息的均值以及标准差值,确定所述预设指标范围。
可选的,所述确定所述处理后的交通流样本数据与处理前的交通流样本数据之间的差异信息,具体包括:
确定所述处理后的交通流样本数据中所述预设时长内每一时刻对应的处理后的交通流样本序列,以及确定所述处理前的交通流样本数据中所述预设时长内每一时刻对应的处理前的交通流样本序列;
针对所述预设时长内的任意一个时刻,确定所述时刻对应的处理后的交通流样本序列与处理前的交通流样本序列的差异值;
将所述预设时长内各个时刻对应的差异值之和,作为所述处理后的交通流样本数据与处理前的交通流样本数据之间的差异信息。
可选的,在所述将所述交通流样本数据输入交通数据处理网络之前,还包括:
针对任意一个参考路段对应的交通流样本序列分别执行以下操作:
根据所述参考路段对应的交通流样本序列,确定在所述历史时长内所述参考路段对应的交通流均值和交通流标准差值;根据确定出的所述交通流均值和交通流标准差值,对所述参考路段对应的交通流样本序列进行标准归一化处理;
所述将所述交通流样本数据输入交通数据处理网络,具体包括:
将标准归一化处理后的交通流样本数据输入交通数据处理网络。
第二方面,本申请实施例提供一种交通异常检测设备,所述设备包括至少一个处理器、以及至少一个存储器;其中,存储器存储有程序代码,当程序代码被处理器执行时,使得处理器执行下列过程:
获取预设时长内至少一个目标路段的交通流数据;其中所述交通流数据包括每个目标路段在所述预设时长内的各个时刻对应的车流量;
基于训练得到的交通数据处理网络,以及所述交通数据处理网络在训练过程中获得的数据处理规则对所述交通流数据进行数据处理,得到处理后的交通流数据;所述数据处理规则是所述交通数据处理网络在训练过程中、对至少一个参考路段上未发生交通异常事件时间段内的多个交通流样本数据进行数据处理获得的;
根据所述处理后的交通流数据与处理前的交通流数据之间的差异信息以及预设指标范围,检测所述至少一个目标路段上是否发生交通异常事件;所述预设指标范围是根据训练过程中所述处理后的交通流样本数据与处理前的交通流样本数据之间的差异信息确定的。
第三方面,本申请实施例提供一种交通异常检测装置,所述装置包括:
获取模块,用于获取预设时长内至少一个目标路段的交通流数据;其中所述交通流数据包括每个目标路段在所述预设时长内的各个时刻对应的车流量;
处理模块,用于基于训练得到的交通数据处理网络,以及所述交通数据处理网络在训练过程中获得的数据处理规则对所述交通流数据进行数据处理,得到处理后的交通流数据;所述数据处理规则是所述交通数据处理网络在训练过程中、对至少一个参考路段上未发生交通异常事件时间段内的多个交通流样本数据进行数据处理获得的;
检测模块,用于根据所述处理后的交通流数据与处理前的交通流数据之间的差异信息以及预设指标范围,检测所述至少一个目标路段上是否发生交通异常事件;所述预设指标范围是根据训练过程中所述处理后的交通流样本数据与处理前的交通流样本数据之间的差异信息确定的。
第四方面,本申请实施例提供一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行本申请提供的交通异常检测方法。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,显而易见地,下面所介绍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的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例一种可选的应用场景示意图;
图2为本申请实施例一种交通异常检测方法的流程图;
图3为本申请实施例对样本数据进行预处理的流程图;
图4为本申请实施例交通数据网络对交通流样本数据进行处理的流程图;
图5为本申请实施例交通数据处理网络的输入和输出数据示意图;
图6为本申请实施例循环自编码网络结构示意图;
图7为本申请实施例编码单元的结构示意图;
图8为本申请实施例LSTM单元的结构示意图;
图9为本申请实施例解码单元的结构示意图;
图10为本申请实施例自编码循环网络对输入的交通流样本数据进行处理的完整示意图;
图11为本申请实施例确定异常检测指标的流程图;
图12为本申请实施例对交通数据处理网络进行训练的整体流程图;
图13为本申请实施例循环自编码网络输入和输出的交通流数据示意图;
图14为本申请实施例确定处理后的交通流数据与处理前的交通流数据之间的差异信息的流程图;
图15为本申请实施例确定处理后的交通流数据与处理前的交通流数据之间的差异信息示意图;
图16为本申请实施例检测至少一个目标路段上是否发生交通异常事件的流程图;
图17为本申请实施例交通异常检测方法的整体流程图;
图18为本申请实施例交通异常检测设备的结构示意图;
图19为本申请实施例一种交通异常检测装置的结构示意图;
图20为本申请实施例另一种交通异常检测装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,本申请实施例一种可选的交通异常检测应用场景,包括设置于各个目标路段的道路监控设备10、在各个目标路段上行驶的车辆11以及服务器12。
道路监控设备10用于对目标道路上行驶的车辆11进行拍摄,采集经过该道路监控设备10的车辆11的信息,并将采集到的车辆11的信息上报给服务器12;
服务器12接收各个道路监控设备10上报的车辆11的信息,并统计每一个时刻经过该目标路段的车流量,并存储目标路段在各个时刻对应的车流量。
在需要对至少一个目标路段的交通进行异常检测时,服务器12获取存储的在检测时刻前预设时长内的至少一个目标路段对应的交通流数据;服务器12基于训练得到的交通数据处理网络,以及所述交通数据处理网络在训练过程中获得的数据处理规则对交通流数据进行数据处理,得到处理后的交通流数据;服务器12根据处理后的交通流数据与处理前的交通流数据之间的差异信息以及预设指标范围,检测至少一个目标路段上是否发生交通异常事件。
其中,交通数据处理网络是基于至少一个参考路段上未发生交通异常事件时间段内的交通流样本数据训练得到的;数据处理规则是交通数据处理网络在训练过程中、对至少一个参考路段上未发生交通异常事件时间段内的多个交通流样本数据进行数据处理获得的;预设指标范围是根据训练过程中所述处理后的交通流样本数据与处理前的交通流样本数据之间的差异信息确定的。
由于本申请实施例提供一种对至少一个目标路段的交通进行自动检测的方案,实施中获取预设时长内的该至少一个目标路段的交通流数据,基于已训练的交通数据处理网络,以及该交通数据处理网络在训练过程中学习到的数据处理规则对获取到的交通流数据进行处理,并将处理后的交通流数据与处理前的交通流数据进行比较,基于处理后的交通流数据与处理前的交通流数据之间的差异信息,判断该至少一个目标路段上是否发生交通异常事件。由于交通数据处理网络是基于至少一个参考路段上未发生交通异常事件的时间段内的交通流样本数据训练得到的,对于交通数据处理网络在训练过程中学习到的数据处理规则是对大量未发生交通异常事件的交通流数据的处理规则,若获取到的交通流数据为发生交通异常事件的目标路段的交通流数据,通过训练后的交通数据处理网络对异常的交通流数据按照训练过程中学习到的数据处理规则进行处理,处理后的交通流数据与处理前的异常交通流数据会存在较大的差异,因此,本申请实施例基于处理后的交通流数据与处理前的交通流数据之间的差异信息,可以判断目标路段是否发生交通异常事件。从而本申请实施例提供了一种对目标路段的交通进行异常检测的自动检测方案,并且全程不需要人工介入,可以提高交通异常事件检测的可靠性及检测效率。
如图2所示,本申请实施例一种交通异常检测方法的流程图,具体可以包括如下步骤:
步骤S201、获取预设时长内至少一个目标路段对应的交通流数据;其中交通流数据包括每个目标路段在预设时长内的各个时刻对应的车流量;
步骤S202、基于训练得到的交通数据处理网络,以及交通数据处理网络在训练过程中获得的数据处理规则对交通流数据进行数据处理,得到处理后的交通流数据;数据处理规则是交通数据处理网络在训练过程中、对至少一个参考路段上未发生交通异常事件时间段内的多个交通流样本数据进行数据处理获得的;
步骤S203、根据处理后的交通流数据与处理前的交通流数据之间的差异信息以及预设指标范围,检测至少一个目标路段上是否发生交通异常事件;预设指标范围是根据训练过程中所述处理后的交通流样本数据与处理前的交通流样本数据之间的差异信息确定的。
需要说明的是,本申请实施例的交通数据处理网络是基于至少一个参考路段上未发生交通异常事件时间段内的交通流样本数据训练得到的;数据处理规则是交通数据处理网络在训练过程中、对至少一个参考路段上未发生交通异常事件时间段内的多个交通流样本数据进行数据处理获得的;预设指标范围是根据训练过程中所述处理后的交通流样本数据与处理前的交通流样本数据之间的差异信息确定的。
其中,参考路段与目标路段可以为相同或不同的路段。
下面详细介绍下本申请实施例对交通数据处理网络进行训练的过程:
1、收集样本数据:
首先确定多个参考路段,以及确定多个参考路段中未发生交通异常事件的历史时长;
然后,获取多个参考路段在该历史时长内的交通流数据;例如,采集多个参考路段在8:00-10:00之间的交通流数据。
例如,假设收集n个参考路段在T时长内的交通流数据;在t1时刻,n个参考路段的车流量分别为x1,1、x1,2、…、x1,n;在t2时刻,n个参考路段的车流量分别为x2,1、x2,2、…、x2,n等。
则收集到的交通流数据形成的矩阵可以表示为:
其中,t表示检测时刻,n表示参考路段的数量,xt,n表示在t检测时刻第n个参考路段的车流量。
2、样本数据预处理:
如图3所示,本申请实施例可以根据下列流程对样本数据进行预处理:
步骤S301、获取至少一个参考路段上未发生交通异常事件的历史时长内的多个交通流样本数据,将获取到的多个交通流样本数据组成交通流样本数据集合;
其中,多个交通流样本数据是将历史时长内交通流样本数据按照预设时长划分得到的;
针对所述交通流样本数据集合中任意一个参考路段对应的交通流样本数据分别执行以下步骤:
步骤S302、根据参考路段对应的交通流样本序列,确定在历史时长内所述参考路段对应的交通流均值和交通流标准差值;
步骤S303、根据确定出的交通流均值和交通流标准差值,对参考路段对应的交通流样本序列进行标准归一化处理。
实施中,本申请实施例针对每一个路段在不同时刻采集到的车流量分别进行标准归一化处理;
针对每个路段,分别确定该路段在历史时长内的样本均值和标准差;
例如,路段n在历史时长内不同采集时刻对应的车流量分别为:x1,n、x2,n、…、xt,n;
根据x1,n、x2,n、…、xt,n,计算均值μ和标准差σ;
则根据计算得到的均值μ和标准差σ,对路段n在历史时长内不同采集时刻对应的车流量分别进行标准归一化处理;
3、样本数据划分:
针对标准归一化处理后的交通流数据,将交通流数据划分为多个交通流样本数据;
由于本申请实施例收集到的交通流数据是一段时长内不同参考路段的车流量,为了建模流量序列数据的时序变化特征,交通数据处理网络需要输入一段时间的序列数据,实施中,可以利用滑动窗口机制对交通流数据进行分批次连续采样,假定滑动窗口大小为w。
基于上述方式,可以将收集到的标准归一化处理后的数据划分为多个交通流样本数据,每一个交通流样本数据为w时长内多个参考路段的数据;
例如,第k个批次的交通流样本数据Xk为:
4、对交通数据处理网络进行训练:
实施中,将通过上述方式得到的多个批次的交通流样本数据依次输入交通数据处理网络,对交通数据处理网络进行训练。
下面针对将一个批次的交通流样本数据输入交通数据处理网络之后,交通数据网络对交通流样本数据进行处理的方式进行详细说明。
如图4所示,本申请实施例交通数据网络对交通流样本数据进行处理的流程示意图,具体可以包括以下步骤:
步骤S401、将交通流样本数据输入交通数据处理网络;
步骤S402、基于交通数据处理网络中的编码单元,对交通流样本数据进行隐含特征提取,得到交通流样本数据的隐含特征;
步骤S403、基于交通数据处理网络的解码单元,对隐含特征进行解码重构得到处理后的交通流样本数据;
步骤S404、根据预定义的损失函数,确定处理前的交通流样本数据与处理后的交通流样本数据之间的损失值,直到确定出的损失值不大于设定阈值,确定交通数据处理网络训练完成。
需要说明的是,本申请实施例在交通数据处理网络训练完成后,可以认为该交通数据处理网络在训练过程中学习到了数据处理规则,且数据处理规则包括编码单元对应的数据处理规则和解码单元对应的数据处理规则。
如图5所示,输入交通数据处理网络的输入序列为交通流样本数据:Xin=[Xt-w+1,Xt-w+2,…,Xt]T;
其中:
交通数据处理网络对输入样本进行时序关联特征提取,然后基于压缩特征并重构原始数据,得到处理后的交通流样本数据,则交通数据处理网络的输出序列为:Yout=[Yt-w+1,Yt-w+2,…,Yt]T;
其中,
Yt-w+1表示一维行向量,例如Yt-w+1=[yt-w+1,1,yt-w+1,2…,yt-w+1,n];
Yt-w+2表示一维行向量,例如Yt-w+2=[yt-w+2,1,yt-w+2,2…,yt-w+2,n];
Yt表示一维行向量,例如Yt=[yt,1,yt,2…,yt,n]。
可选的,交通数据处理网络可以为循环自编码网络。
如图6所示的循环自编码网络结构示意图,包括编码单元和解码单元;
其中,基于循环自编码网络中的编码单元,对交通流样本数据进行隐含特征提取,得到交通流样本数据的隐含特征;基于循环自编码网络的解码单元,对隐含特征进行解码重构得到处理后的交通流样本数据。
如图7所示的编码单元的结构示意图,编码单元中包含多个LSTM单元;LSTM网络是一种改进型循环神经网络RNN,通过将RNN隐含层改进为存储单元来提升网络保持长期历史信息的能力。
需要说明的是,如图7所示,编码单元中LSTM单元的个数与时间窗口w的长度相同,例如,一个时间窗口w中包含m个检测时刻,则编码单元中包含m个LSTM单元。假设输入序列Xin=[Xt-w+1,Xt-w+2,…,Xt]T,则Xt-w+1对应于第一个LSTM单元,Xt-w+2对应于第二个LSTM单元,依次类推,Xt对应于最后一个LSTM单元。
需要说明的是,在编码单元中,基于多个LSTM单元对输入序列进行时序特征挖掘,得到交通流样本数据的隐含特征。
如图8所示的LSTM单元的结构示意图,LSTM单元中使用记忆细胞保存信息,通过输入门、遗忘门和输出门来控制细胞状态。其中,输入门控制信息流对细胞状态的更新,遗忘门决定从细胞状态中丢弃的信息,而输出门最终确定LSTM单元的输出。LSTM网络层的计算过程简化为:
ht=LSTM(xt,ht-1);
其中,ht∈Rd表示在第t时刻LSTM单元输出的隐含特征,d表示编码单元中LSTM神经元数量。具体来说,每个LSTM单元都包含一个存储单元,其计算流程可以由以下复合函数表示:
it=σ(xtUi+ht-1Wi+bi)
ft=σ(xtUf+ht-1Wf+bf)
ot=σ(xtUo+ht-1Wo+bo)
ht=tanh(Ct)*ot
其中,it,ft,ot,ct分别为t时刻的输入门、遗忘门、输出门和细胞状态,参数集合{Wi,Wf,Wo,Wg}代表连接第t-1时刻循环层和第t时刻隐藏层的权重,权重集合{Ui,Uf,Uo,Ug}代表连接第t-1时刻隐藏层和第t时刻循环层的权重,{bi,bf,bo,bg}代表相应神经元的偏置向量,tanh(·)和σ(·)分别表示tanh和sigmoid非线性激活函数。最后通过LSTM单元输出最终的编码特征z∈Rd。
基于上述的编码单元,在对交通流样本数据进行隐含特征提取,得到交通流样本数据的隐含特征之后,将提取到的隐含特征输入解码单元进行解码重构;
如图9所示的解码单元的结构示意图,解码单元中包含多个LSTM单元,且每个LSTM单元与一个FC(Fully Connected,全连接网络层)连接;且解码单元中包含的LSTM单元个数与编码单元中包含的LSTM单元的个数相同。
如图10所示的自编码循环网络对输入的交通流样本数据进行处理的完整示意图。假设输入的交通流样本数据为Xin=[Xt-w+1,Xt-w+2,…,Xt]T;则分别将Xt-w+1,Xt-w+2,…,Xt输入编码单元中的各个LSTM单元,经由各个LSTM单元对输入的交通流样本数据进行时序特征挖掘,得到隐含特征;通过编码单元中的最后一个LSTM单元将得到的隐含特征输出;将隐含特征输入解码单元中的各个LSTM单元。
假定解码单元中LSTM具有p个单元,LSTM层将保留每个时间步的隐藏状态并输出整个序列;通过解码单元的LSTM神经网络层,在第t时刻LSTM神经元的输出计算如下:
h′t=LSTM(z,h′t-1);
其中,h′t∈Rp表示LSTM单元在第t时刻的解码输出;
详细的信息传递过程如下所示:
it=σ(xtUi+ht-1Wi+bi)
ft=σ(xtUf+ht-1Wf+bf)
ot=σ(xtUo+ht-1Wo+bo)
ht=tanh(Ct)*ot。
接下来,通过FC层将LSTM解码输出的隐藏特征h′t映射为重构输出,而获得跟输入具有相同长度的输出序列;
FC层可以采用下列公式进行重构输出:
yt=Wyh′t+by;
其中,Wy∈Rp×n和by∈Rn表示FC层的权重矩阵和偏置向量。
则处理后的交通流样本数据为:Yout=[Yt-w+1,Yt-w+2,…,Yt]T。
本申请实施例基于交通数据处理网络,针对一个批次的交通流样本数据进行处理后,根据处理后的交通流样本数据以及处理前的交通流样本数据进行损失值,并基于确定出的损失值对交通数据处理网络的模型参数进行调整。
实施中,本申请实施例预定义的损失函数可以为:Loss=‖Xin-Yout‖2;
若基于预定义的损失函数,以及处理后的交通流样本数据和处理前的交通流样本数据,计算出的损失值大于阈值,则可以基于梯度下降算法优化交通数据处理网络的模型参数;
可选的,梯度下降算法可以为RMSprop、Adam等算法。
本申请实施例依次基于多个批次的交通流样本数据对交通数据处理网络进行训练,直到确定出的损失值不大于设定阈值,交通数据处理网络模型收敛,则确定交通数据处理网络训练完成。
本申请实施例在对交通数据处理网络进行训练,得到训练后的交通数据处理网络之后,针对每一个批次的交通流样本数据,计算处理前的交通流样本数据和处理后的交通流样本数据之间的差异信息,将计算出的差异信息作为用于对参考路段的交通进行异常检测的异常检测指标。
如图11所示,本申请实施例确定异常检测指标的流程图,具体可以包括以下步骤:
步骤S1101、确定处理后的交通流样本数据中预设时长内每一时刻对应的处理后的交通流样本序列,以及确定处理前的交通流样本数据中预设时长内每一时刻对应的处理前的交通流样本序列;
步骤S1102、针对预设时长内的任意一个时刻,确定该时刻对应的处理后的交通流样本序列与处理前的交通流样本序列的差异值;
步骤S1103、将预设时长内各个时刻对应的差异值之和,作为处理后的交通流样本数据与处理前的交通流样本数据之间的差异信息;
步骤S1104、将处理后的交通流样本数据与处理前的交通流样本数据之间的差异信息,作为该交通流样本数据对应的异常检测指标。
假设输入交通数据处理网络的交通流样本数据为:
Xin=[Xt-w+1,Xt-w+2,…,Xt]T;
则每一时刻对应的交通流样本序列分别为:Xt-w+1,Xt-w+2,…,Xt;
相应的,假设处理后的交通流样本数据为:Yout=[Yt-w+1,Yt-w+2,…,Yt]T;
则每一时刻对应的处理后的交通流样本序列分别为:Yt-w+1,Yt-w+2,…,Yt。
需要说明的是,交通流样本序列Xt-w+1中包含t-w+1时刻多个参考路段的车流量数据,且Yt-w+1中包含t-w+1时刻多个参考路段的处理后的车流量数据;则在计算t-w+1时刻处理后的交通流样本序列与处理前的交通流样本序列的差异值时,是将Xt-w+1和Yt-w+1中针对同一参考路段的两个数据作差,将多个参考路段对应的差值求和,作为t-w+1时刻处理后的交通流样本序列与处理前的交通流样本序列的差异值。
在计算出每一时刻对应的处理后的交通流样本序列与处理前的交通流样本序列的差异值,将w时长内各个时刻对应的差异值之和,作为处理后的交通流样本数据与处理前的交通流样本数据之间的差异信息。
例如,本申请实施例可以根据下列公式计算交通流样本数据对应的异常检测指标:
其中,ADIk为第k个批次的交通流样本数据对应的异常检测指标,w为交通流样本数据对应的采集时长,xk-i为k-i时刻某一个参考路段上的处理前的车流量数据,yk-i为k-i时刻某一个参考路段上的处理后的车流量数据。
本申请实施例在确定出每一个批次的交通流样本数据对应的异常检测指标之后,根据各个批次的交通流样本数据对应的异常检测指标,确定预设指标范围;
其中,在训练过程中得到的预设指标范围,用于在对路段的交通异常事件实时检测过程中,判断路段上是否发生交通异常事件。
可选的,根据每个交通流样本数据对应的差异信息,确定各个差异信息的均值以及标准差值;根据各个差异信息的均值以及标准差值确定预设指标范围。
实施中,本申请实施例可以基于3sigma准则计算异常检测指标ADI对应的预设指标范围。
例如,假设计算出的K个批次的交通流样本数据对应的异常检测指标ADI符合正态分布,可以依据3sigma准则计算异常检测指标ADI对应的预设指标范围;
K个批次的交通流样本数据对应的各个差异信息的均值为:
K个批次的交通流样本数据对应的各个差异信息的标准差值为:
则,预设指标范围为[μA-3σA,μA+3σA]。
如图12所示,本申请实施例对交通数据处理网络进行训练的整体流程图,具体可以包括以下步骤:
步骤S1201、获取至少一个参考路段上未发生交通异常事件的历史时长内的多个交通流样本数据,将获取到的多个交通流样本数据组成交通流样本数据集合;
其中,所述多个交通流样本数据是将所述历史时长内交通流样本数据按照所述预设时长划分得到的;
针对所述交通流样本数据集合中的任意一个交通流样本数据分别执行步骤S1202~步骤S1206:
步骤S1202、将交通流样本数据输入交通数据处理网络;
步骤S1203、基于交通数据处理网络中的编码单元,对交通流样本数据进行隐含特征提取,得到交通流样本数据的隐含特征;
步骤S1204、基于交通数据处理网络的解码单元,对隐含特征进行解码重构得到处理后的交通流样本数据;
步骤S1205、根据预定义的损失函数,确定处理前的交通流样本数据与处理后的交通流样本数据之间的损失值;
步骤S1206、判断确定出的损失值是否大于设定阈值;若是,执行步骤S1201;若否,执行步骤S1207;
步骤S1207、确定交通数据处理网络训练完成。
步骤S1208、确定各个处理后的交通流样本数据与对应的处理前的交通流样本数据之间的差异信息;
步骤S1209、根据每个交通流样本数据对应的差异信息,确定各个差异信息的均值以及标准差值;
步骤S1210、根据各个差异信息的均值以及标准差值,确定预设指标范围。
本申请实施例在训练得到交通数据处理网络,且确定出预设指标范围之后,可以根据训练得到的交通数据处理网络,对多个路段的交通进行异常检测。
下面详细介绍下对多个路段的交通进行异常检测的流程。
可选的,本申请实施例的交通数据处理网络可以为循环自编码网络;循环自编码网络包括编码单元和解码单元。
实施中,本申请实施例对至少一个目标路段上的交通进行异常检测;
需要说明的是,本申请实施例目标路段的个数与训练过程中参考路段的个数相同,且预设时长与训练过程中采样窗口w的长度相同,这样可以保证训练过程中和实时检测过程中,输入交通数据处理网络的数据维度相同。
另外,本申请实施例的至少一个目标路段可以为训练过程中的参考路段。
在需要对至少一个目标路段进行交通异常检测时,获取检测时刻前预设时长内的该至少一个目标路段对应的交通流数据,其中交通流数据中包含每个目标路段在预设时长内各个时刻对应的车流量;
在获取到至少一个目标路段对应的交通流数据之后,对交通流数据进行预处理;
实施中,可以对获取到的交通流数据进行标准归一化处理;
需要说明的是,本申请实施例在对交通流数据进行标准归一化处理时,可以基于训练过程中得到的各个路段的样本均值和标准差进行标准归一化处理。
如图13所示,将获取到的交通流数据输入循环自编码网络的编码单元,基于编码单元对交通流数据进行隐含特征提取,得到交通流数据的隐含特征;然后基于循环自编码网络的解码单元,对隐含特征进行解码重构得到处理后的交通流数据;获取循环自编码网络的解码单元输出的处理后的交通流数据。
需要说明的是,本申请实施例在对交通进行实时检测过程中,循环自编码网络对交通流数据的处理方式与训练过程中对交通流样本数据的处理方式相同,在此不再详细赘述。
本申请实施例在获取到循环自编码网络的解码单元输出的处理后的交通流数据之后,根据下列方式确定处理后的交通流数据与处理前的交通流数据之间的差异信息:
如图14所示,本申请实施例确定处理后的交通流数据与处理前的交通流数据之间的差异信息的流程图,具体可以包括以下步骤:
步骤S1401、确定处理后的交通流数据中预设时长内每一时刻对应的处理后的交通流序列,以及确定处理前的交通流数据中预设时长内每一时刻对应的处理前的交通流序列;
步骤S1402、针对预设时长内的任意一个时刻,确定该时刻对应的处理后的交通流序列与处理前的交通流序列的差异值;
步骤S1403、将预设时长内各个时刻对应的差异值之和,作为处理后的交通流数据与处理前的交通流数据之间的差异信息。
例如,经标准归一化处理后的交通流数据为:
其中,数据矩阵中每一行表示一个时刻n个目标路段对应的车流量。
如图15所示,将交通流数据X输入训练后的循环自编码网络,基于编码单元对交通流数据X进行隐含特征提取,得到交通流数据的隐含特征;然后基于循环自编码网络的解码单元,对隐含特征进行解码重构得到处理后的交通流数据;获取循环自编码网络的解码单元输出的处理后的交通流数据Y。
假设处理后的交通流数据为:
实施中,确定处理前的交通流数据中w时长内每一时刻对应的处理前的交通流序列Xt-w+1,…,Xt-1,Xt,以及确定处理前的交通流数据中w时长内每一时刻对应的处理前的交通流序列Yt-w+1,…,Yt-1,Yt;
依次类推,计算各个采样时刻处理前的交通流序列与处理后的交通流序列Yt-w+1的差异值;
例如,计算t-w+1采样时刻处理前的交通流序列Xt-w+1与处理后的交通流序列Yt-w+1的差异值:(xt-w+1,1-yt-w+1,1)+(xt-w+1,2-yt-w+1,2)+…+(xt-w+1,n-yt-w+1,n);
计算t-1采样时刻处理前的交通流序列Xt-1与处理后的交通流序列Yt-1的差异值:(xt-1,1-yt-1,1)+(xt-1,2-yt-1,2)+…+(xt-1,n-yt-1,n);
计算t采样时刻处理前的交通流序列Xt与处理后的交通流序列Yt的差异值:(xt,1-yt,1)+(xt,2-yt,2)+…+(xt,n-yt,n)。
将w时长内各个时刻对应的差异值之和,作为确定处理后的交通流数据与处理前的交通流数据之间的差异信息。
在确定出处理后的交通流数据与处理前的交通流数据之间的差异信息,检测至少一个目标路段上是否发生交通异常事件。
实施中,如图16所示,本申请实施例检测至少一个目标路段上是否发生交通异常事件的流程图,具体可以包括以下步骤:
步骤S1601、确定处理后的交通流数据与处理前的交通流数据之间的差异信息;
步骤S1602、判断处理后的交通流数据与处理前的交通流数据之间的差异信息是否在预设指标范围内;若是,执行步骤S1603;若否,执行步骤S1604;
步骤S1603、确定至少一个目标路段中发生交通异常事件;
步骤S1604、确定至少一个目标路段中未发生交通异常事件。
如图17所示,本申请实施例交通异常检测方法的整体流程图,具体可以包括以下步骤:
步骤S1701、获取预设时长内至少一个目标路段对应的交通流数据;
其中,交通流数据包括每个目标路段在所述预设时长内的各个时刻对应的车流量;
步骤S1702、基于训练得到的交通数据处理网络的编码单元,以及编码单元对应的数据处理规则,对交通流数据进行隐含特征提取,得到交通流数据的隐含特征;
步骤S1703、基于训练得到的交通数据处理网络的解码单元,以及解码单元对应的数据处理规则,对隐含特征进行解码重构,得到处理后的交通流数据;
步骤S1704、确定处理后的交通流数据中预设时长内每一时刻对应的处理后的交通流序列,以及确定处理前的交通流数据中预设时长内每一时刻对应的处理前的交通流序列;
步骤S1705、针对预设时长内的任意一个时刻,确定该时刻对应的处理后的交通流序列与处理前的交通流序列的差异值;
步骤S1706、将预设时长内各个时刻对应的差异值之和,作为处理后的交通流数据与处理前的交通流数据之间的差异信息;
步骤S1707、判断处理后的交通流数据与处理前的交通流数据之间的差异信息是否在预设指标范围内;若是,执行步骤S1708;若否,执行步骤S1709;
步骤S1708、确定至少一个目标路段中发生交通异常事件;
步骤S1709、确定至少一个目标路段中未发生交通异常事件。
基于同一发明构思,在一些可能的实施方式中,本申请实施例还提供一种交通异常检测设备,可以至少包括至少一个处理器、以及至少一个存储器。其中,存储器存储有程序代码,当程序代码被处理器执行时,使得处理器执行本说明书上述描述的根据本申请各种示例性实施方式的交通异常检测方法中的步骤。
下面参照图18来描述根据本申请的这种实施方式的交通异常检测设备1800。图18的交通异常检测设备1800仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图18所示,交通异常检测设备1800以通用计算装置的形式表现。交通异常检测设备1800的组件可以包括但不限于:至少一个处理器1801、至少一个存储器1802、连接不同系统组件(包括存储器1802和处理器1801)的总线1803。
总线1803表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器1802可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)1821或高速缓存存储器1822,还可以进一步包括只读存储器(ROM)1823。
存储器1802还可以包括具有一组(至少一个)程序模块1824的程序/实用工具1825,这样的程序模块1824包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
交通异常检测设备1800也可以与一个或多个外部设备1804(例如键盘、指向设备等)通信,还可与一个或者多个使得用户能与交通异常检测设备1800交互的设备通信,或与使得该交通异常检测设备1800能与一个或多个其它计算装置进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1805进行。并且,交通异常检测设备1800还可以通过网络适配器1806与一个或者多个网络(例如局域网(LAN),广域网(WAN)或公共网络,例如因特网)通信。如图18所示,网络适配器1806通过总线1803与用于交通异常检测设备1800的其它模块通信。应当理解,尽管图中未示出,可以结合交通异常检测设备1800使用其它硬件或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器1801具体用于执行下列过程:
获取预设时长内至少一个目标路段对应的交通流数据;其中所述交通流数据包括每个目标路段在所述预设时长内的各个时刻对应的车流量;
基于训练得到的交通数据处理网络,以及所述交通数据处理网络在训练过程中获得的数据处理规则对所述交通流数据进行数据处理,得到处理后的交通流数据;所述数据处理规则是所述交通数据处理网络在训练过程中、对至少一个参考路段上未发生交通异常事件时间段内的多个交通流样本数据进行数据处理获得的;
根据所述处理后的交通流数据与处理前的交通流数据之间的差异信息以及预设指标范围,检测所述至少一个目标路段上是否发生交通异常事件;所述预设指标范围是根据训练过程中所述处理后的交通流样本数据与处理前的交通流样本数据之间的差异信息确定的。
可选的,所述数据处理规则包括所述交通数据处理网络的编码单元对应的数据处理规则和所述交通数据处理网络的解码单元对应的数据处理规则;
所述处理器1801具体用于:
基于训练得到的交通数据处理网络的编码单元,以及所述编码单元对应的数据处理规则,对所述交通流数据进行隐含特征提取,得到所述交通流数据的隐含特征;
基于训练得到的交通数据处理网络的解码单元,以及所述解码单元对应的数据处理规则,对所述隐含特征进行解码重构,得到处理后的交通流数据。
可选的,所述处理器1801具体用于根据下列方式确定所述处理后的交通流数据与处理前的交通流数据之间的差异信息:
确定所述处理后的交通流数据中所述预设时长内每一时刻对应的处理后的交通流序列,以及确定所述处理前的交通流数据中所述预设时长内每一时刻对应的处理前的交通流序列;
针对所述预设时长内的任意一个时刻,确定所述时刻对应的处理后的交通流序列与处理前的交通流序列的差异值;
将所述预设时长内各个时刻对应的差异值之和,作为所述处理后的交通流数据与处理前的交通流数据之间的差异信息。
可选的,所述处理器1801具体用于:
将所述处理后的交通流数据与处理前的交通流数据之间的差异信息与预设指标范围进行比较;
若所述差异信息不在所述预设指标范围中,则确定所述至少一个目标路段中发生交通异常事件。
可选的,所述处理器1801具体用于根据下列方式对交通数据处理网络进行训练:
获取至少一个参考路段上未发生交通异常事件的历史时长内的多个交通流样本数据;其中,所述多个交通流样本数据是将所述历史时长内交通流样本数据按照所述预设时长划分得到的;
针对任意一个交通流样本数据分别执行以下操作:将所述交通流样本数据输入交通数据处理网络;基于所述交通数据处理网络中的编码单元,对所述交通流样本数据进行隐含特征提取,得到所述交通流样本数据的隐含特征;基于所述交通数据处理网络的解码单元,对所述隐含特征进行解码重构得到处理后的交通流样本数据;根据预定义的损失函数,确定处理前的交通流样本数据与处理后的交通流样本数据之间的损失值,直到确定出的损失值不大于设定阈值,确定所述交通数据处理网络训练完成,获得对交通流样本数据进行数据处理的数据处理规则。
可选的,所述处理器1801具体用于根据下列方式确定所述预设指标范围:
针对任意一个交通流样本数据分别执行以下操作:将所述交通流样本数据输入训练得到的所述交通数据处理网络,获取所述训练得到的交通数据处理网络输出的处理后的交通流样本数据;并确定所述处理后的交通流样本数据与处理前的交通流样本数据之间的差异信息;
根据每个交通流样本数据对应的差异信息,确定各个差异信息的均值以及标准差值;
根据所述各个差异信息的均值以及标准差值,确定所述预设指标范围。
可选的,所述处理器1801具体用于:
确定所述处理后的交通流样本数据中所述预设时长内每一时刻对应的处理后的交通流样本序列,以及确定所述处理前的交通流样本数据中所述预设时长内每一时刻对应的处理前的交通流样本序列;
针对所述预设时长内的任意一个时刻,确定所述时刻对应的处理后的交通流样本序列与处理前的交通流样本序列的差异值;
将所述预设时长内各个时刻对应的差异值之和,作为所述处理后的交通流样本数据与处理前的交通流样本数据之间的差异信息。
可选的,所述处理器1801还用于:
在所述将所述交通流样本数据输入交通数据处理网络之前,针对任意一个参考路段对应的交通流样本数据分别执行以下操作:
根据所述参考路段对应的交通流样本序列,确定在所述历史时长内所述参考路段对应的交通流均值和交通流标准差值;根据确定出的所述交通流均值和交通流标准差值,对所述参考路段对应的交通流样本序列进行标准归一化处理;
所述处理器1801具体用于:
将标准归一化处理后的交通流样本数据输入交通数据处理网络。
如图19所示,本申请实施例一种交通异常检测装置1900,该装置1900包括:
获取模块1901,用于获取预设时长内至少一个目标路段对应的交通流数据;其中所述交通流数据包括每个目标路段在所述预设时长内的各个时刻对应的车流量;
处理模块1902,用于基于训练得到的交通数据处理网络,以及所述交通数据处理网络在训练过程中获得的数据处理规则对所述交通流数据进行数据处理,得到处理后的交通流数据;所述数据处理规则是所述交通数据处理网络在训练过程中、对至少一个参考路段上未发生交通异常事件时间段内的多个交通流样本数据进行数据处理获得的;
检测模块1903,用于根据所述处理后的交通流数据与处理前的交通流数据之间的差异信息以及预设指标范围,检测所述至少一个目标路段上是否发生交通异常事件;所述预设指标范围是根据训练过程中所述处理后的交通流样本数据与处理前的交通流样本数据之间的差异信息确定的。
可选的,所述数据处理规则包括所述交通数据处理网络的编码单元对应的数据处理规则和所述交通数据处理网络的解码单元对应的数据处理规则;
所述处理模块1902具体用于:
基于训练得到的交通数据处理网络的编码单元,以及所述编码单元对应的数据处理规则,对所述交通流数据进行隐含特征提取,得到所述交通流数据的隐含特征;
基于训练得到的交通数据处理网络的解码单元,以及所述解码单元对应的数据处理规则,对所述隐含特征进行解码重构,得到处理后的交通流数据。
可选的,所述检测模块1903具体用于根据下列方式确定所述处理后的交通流数据与处理前的交通流数据之间的差异信息:
确定所述处理后的交通流数据中所述预设时长内每一时刻对应的处理后的交通流序列,以及确定所述处理前的交通流数据中所述预设时长内每一时刻对应的处理前的交通流序列;
针对所述预设时长内的任意一个时刻,确定所述时刻对应的处理后的交通流序列与处理前的交通流序列的差异值;
将所述预设时长内各个时刻对应的差异值之和,作为所述处理后的交通流数据与处理前的交通流数据之间的差异信息。
可选的,所述检测模块1903具体用于:
将所述处理后的交通流数据与处理前的交通流数据之间的差异信息与预设指标范围进行比较;
若所述差异信息不在所述预设指标范围中,则确定所述至少一个目标路段中发生交通异常事件。
可选的,如图20所示,该装置1900还包括训练模块1904;
所述训练模块1904具体用于根据下列方式对交通数据处理网络进行训练:
获取至少一个参考路段上未发生交通异常事件的历史时长内的多个交通流样本数据;其中,所述多个交通流样本数据是将所述历史时长内交通流样本数据按照所述预设时长划分得到的;
针对任意一个交通流样本数据分别执行以下操作:
将所述交通流样本数据输入交通数据处理网络;
基于所述交通数据处理网络中的编码单元,对所述交通流样本数据进行隐含特征提取,得到所述交通流样本数据的隐含特征;基于所述交通数据处理网络的解码单元,对所述隐含特征进行解码重构得到处理后的交通流样本数据;
根据预定义的损失函数,确定处理前的交通流样本数据与处理后的交通流样本数据之间的损失值,直到确定出的损失值不大于设定阈值,确定所述交通数据处理网络训练完成,获得对交通流样本数据进行数据处理的数据处理规则。
可选的,所述训练模块1904具体用于根据下列方式确定所述预设指标范围:
针对任意一个交通流样本数据分别执行以下操作:将所述交通流样本数据输入训练得到的所述交通数据处理网络,获取所述训练得到的交通数据处理网络输出的处理后的交通流样本数据;并确定所述处理后的交通流样本数据与处理前的交通流样本数据之间的差异信息;
根据每个交通流样本数据对应的差异信息,确定各个差异信息的均值以及标准差值;
根据所述各个差异信息的均值以及标准差值,确定所述预设指标范围。
可选的,所述训练模块1904具体用于:
确定所述处理后的交通流样本数据中所述预设时长内每一时刻对应的处理后的交通流样本序列,以及确定所述处理前的交通流样本数据中所述预设时长内每一时刻对应的处理前的交通流样本序列;
针对所述预设时长内的任意一个时刻,确定所述时刻对应的处理后的交通流样本序列与处理前的交通流样本序列的差异值;
将所述预设时长内各个时刻对应的差异值之和,作为所述处理后的交通流样本数据与处理前的交通流样本数据之间的差异信息。
可选的,所述训练模块1904还用于:
在所述将所述交通流样本数据输入交通数据处理网络之前,针对任意一个参考路段对应的交通流样本数据分别执行以下操作:
根据所述参考路段对应的交通流样本序列,确定在所述历史时长内所述参考路段对应的交通流均值和交通流标准差值;根据确定出的所述交通流均值和交通流标准差值,对所述参考路段对应的交通流样本序列进行标准归一化处理;
所述训练模块1904具体用于:
将标准归一化处理后的交通流样本数据输入交通数据处理网络。
所属技术领域的技术人员能够理解,本申请的每个方面可以实现为系统、方法或程序产品。因此,本申请的每个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中,本申请提供的交通异常检测方法的每个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在计算机设备上运行时,程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的交通异常检测方法中的步骤,例如,计算机设备可以执行如图2、图3、图4、图11、图12、图14、图16或图17所示的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种交通异常检测方法,其特征在于,所述方法包括:
获取预设时长内至少一个目标路段对应的交通流数据;其中所述交通流数据包括每个目标路段在所述预设时长内的各个时刻对应的车流量;
基于训练得到的交通数据处理网络,以及所述交通数据处理网络在训练过程中获得的数据处理规则对所述交通流数据进行数据处理,得到处理后的交通流数据;所述数据处理规则是所述交通数据处理网络在训练过程中、对至少一个参考路段上未发生交通异常事件时间段内的多个交通流样本数据进行数据处理获得的;
根据所述处理后的交通流数据与处理前的交通流数据之间的差异信息以及预设指标范围,检测所述至少一个目标路段上是否发生交通异常事件;所述预设指标范围是根据训练过程中所述处理后的交通流样本数据与处理前的交通流样本数据之间的差异信息确定的。
2.如权利要求1所述的方法,其特征在于,所述数据处理规则包括所述交通数据处理网络的编码单元对应的数据处理规则和所述交通数据处理网络的解码单元对应的数据处理规则;
所述基于训练得到的交通数据处理网络,以及所述交通数据处理网络在训练过程中获得的数据处理规则对所述交通流数据进行数据处理,得到处理后的交通流数据,具体包括:
基于训练得到的交通数据处理网络的编码单元,以及所述编码单元对应的数据处理规则,对所述交通流数据进行隐含特征提取,得到所述交通流数据的隐含特征;
基于训练得到的交通数据处理网络的解码单元,以及所述解码单元对应的数据处理规则,对所述隐含特征进行解码重构,得到处理后的交通流数据。
3.如权利要求1所述的方法,其特征在于,根据下列方式确定所述处理后的交通流数据与处理前的交通流数据之间的差异信息:
确定所述处理后的交通流数据中所述预设时长内每一时刻对应的处理后的交通流序列,以及确定所述处理前的交通流数据中所述预设时长内每一时刻对应的处理前的交通流序列;
针对所述预设时长内的任意一个时刻,确定所述时刻对应的处理后的交通流序列与处理前的交通流序列的差异值;
将所述预设时长内各个时刻对应的差异值之和,作为所述处理后的交通流数据与处理前的交通流数据之间的差异信息。
4.如权利要求3所述的方法,其特征在于,所述根据所述处理后的交通流数据与处理前的交通流数据之间的差异信息以及预设指标范围,检测所述至少一个目标路段上是否发生交通异常事件,具体包括:
将所述处理后的交通流数据与处理前的交通流数据之间的差异信息与预设指标范围进行比较;
若所述差异信息不在所述预设指标范围中,则确定所述至少一个目标路段中发生交通异常事件。
5.如权利要求1所述的方法,其特征在于,根据下列方式对交通数据处理网络进行训练:
获取至少一个参考路段上未发生交通异常事件的历史时长内的多个交通流样本数据;其中,所述多个交通流样本数据是将所述历史时长内交通流样本数据按照所述预设时长划分得到的;
针对任意一个交通流样本数据分别执行以下操作:
将所述交通流样本数据输入交通数据处理网络;
基于所述交通数据处理网络中的编码单元,对所述交通流样本数据进行隐含特征提取,得到所述交通流样本数据的隐含特征;基于所述交通数据处理网络的解码单元,对所述隐含特征进行解码重构得到处理后的交通流样本数据;
根据预定义的损失函数,确定处理前的交通流样本数据与处理后的交通流样本数据之间的损失值,直到确定出的损失值不大于设定阈值,确定所述交通数据处理网络训练完成,获得对交通流样本数据进行数据处理的数据处理规则。
6.如权利要求5所述的方法,其特征在于,根据下列方式确定所述预设指标范围:
针对任意一个交通流样本数据分别执行以下操作:将所述交通流样本数据输入训练得到的所述交通数据处理网络,获取所述训练得到的交通数据处理网络输出的处理后的交通流样本数据;并确定所述处理后的交通流样本数据与处理前的交通流样本数据之间的差异信息;
根据每个交通流样本数据对应的差异信息,确定各个差异信息的均值以及标准差值;
根据所述各个差异信息的均值以及标准差值,确定所述预设指标范围。
7.如权利要求6所述的方法,其特征在于,所述确定所述处理后的交通流样本数据与处理前的交通流样本数据之间的差异信息,具体包括:
确定所述处理后的交通流样本数据中所述预设时长内每一时刻对应的处理后的交通流样本序列,以及确定所述处理前的交通流样本数据中所述预设时长内每一时刻对应的处理前的交通流样本序列;
针对所述预设时长内的任意一个时刻,确定所述时刻对应的处理后的交通流样本序列与处理前的交通流样本序列的差异值;
将所述预设时长内各个时刻对应的差异值之和,作为所述处理后的交通流样本数据与处理前的交通流样本数据之间的差异信息。
8.如权利要求5所述的方法,其特征在于,在所述将所述交通流样本数据输入交通数据处理网络之前,还包括:
针对任意一个参考路段对应的交通流样本数据分别执行以下操作:
根据所述参考路段对应的交通流样本序列,确定在所述历史时长内所述参考路段对应的交通流均值和交通流标准差值;根据确定出的所述交通流均值和交通流标准差值,对所述参考路段对应的交通流样本序列进行标准归一化处理;
所述将所述交通流样本数据输入交通数据处理网络,具体包括:
将标准归一化处理后的交通流样本数据输入交通数据处理网络。
9.一种交通异常检测设备,其特征在于,所述设备包括至少一个处理器、以及至少一个存储器;其中,存储器存储有程序代码,当程序代码被处理器执行时,使得处理器执行下列过程:
获取预设时长内至少一个目标路段对应的交通流数据;其中所述交通流数据包括每个目标路段在所述预设时长内的各个时刻对应的车流量;
基于训练得到的交通数据处理网络,以及所述交通数据处理网络在训练过程中获得的数据处理规则对所述交通流数据进行数据处理,得到处理后的交通流数据;所述数据处理规则是所述交通数据处理网络在训练过程中、对至少一个参考路段上未发生交通异常事件时间段内的多个交通流样本数据进行数据处理获得的;
根据所述处理后的交通流数据与处理前的交通流数据之间的差异信息以及预设指标范围,检测所述至少一个目标路段上是否发生交通异常事件;所述预设指标范围是根据训练过程中所述处理后的交通流样本数据与处理前的交通流样本数据之间的差异信息确定的。
10.一种交通异常检测装置,其特征在于,所述装置包括:
获取模块,用于在需要对至少一个目标路段的交通进行异常检测时,获取在当前时刻前预设时长内所述至少一个目标路段的交通流数据;其中所述交通流数据包括每个目标路段在所述预设时长内的各个时刻对应的车流量;
处理模块,用于基于训练得到的交通数据处理网络,以及所述交通数据处理网络在训练过程中获得的数据处理规则对所述交通流数据进行数据处理,得到处理后的交通流数据;所述数据处理规则是所述交通数据处理网络在训练过程中、对至少一个参考路段上未发生交通异常事件时间段内的多个交通流样本数据进行数据处理获得的;
检测模块,用于根据所述处理后的交通流数据与处理前的交通流数据之间的差异信息以及预设指标范围,检测所述至少一个目标路段上是否发生交通异常事件;所述预设指标范围是根据训练过程中所述处理后的交通流样本数据与处理前的交通流样本数据之间的差异信息确定的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210701542.6A CN115171372B (zh) | 2022-06-20 | 2022-06-20 | 一种交通异常检测方法、设备及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210701542.6A CN115171372B (zh) | 2022-06-20 | 2022-06-20 | 一种交通异常检测方法、设备及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115171372A true CN115171372A (zh) | 2022-10-11 |
CN115171372B CN115171372B (zh) | 2023-10-24 |
Family
ID=83487423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210701542.6A Active CN115171372B (zh) | 2022-06-20 | 2022-06-20 | 一种交通异常检测方法、设备及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115171372B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235656A (zh) * | 2023-11-16 | 2023-12-15 | 广州视安智能科技有限公司 | 一种基于大数据和云计算的城市交通管理系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109997179A (zh) * | 2016-12-30 | 2019-07-09 | 同济大学 | 一种非等距时空划分的道路交通异常检测方法 |
CN110070713A (zh) * | 2019-04-15 | 2019-07-30 | 浙江工业大学 | 一种基于双向嵌套lstm神经网络的交通流预测方法 |
CN110264711A (zh) * | 2019-05-29 | 2019-09-20 | 北京世纪高通科技有限公司 | 一种交通事故概率的确定方法及装置 |
US20200097815A1 (en) * | 2018-09-21 | 2020-03-26 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for predicting passenger flow |
CN111275971A (zh) * | 2020-02-18 | 2020-06-12 | 山西交通控股集团有限公司 | 一种高速公路交通流量预测方法 |
US20210312799A1 (en) * | 2020-11-18 | 2021-10-07 | Baidu (China) Co., Ltd. | Detecting traffic anomaly event |
CN114399901A (zh) * | 2022-01-04 | 2022-04-26 | 青岛海信网络科技股份有限公司 | 一种控制交通系统的方法和设备 |
CN114495498A (zh) * | 2022-01-20 | 2022-05-13 | 青岛海信网络科技股份有限公司 | 一种交通数据分布有效性判别方法及装置 |
-
2022
- 2022-06-20 CN CN202210701542.6A patent/CN115171372B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109997179A (zh) * | 2016-12-30 | 2019-07-09 | 同济大学 | 一种非等距时空划分的道路交通异常检测方法 |
CN110168520A (zh) * | 2016-12-30 | 2019-08-23 | 同济大学 | 一种智能化道路交通异常检测方法 |
US20200097815A1 (en) * | 2018-09-21 | 2020-03-26 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for predicting passenger flow |
CN110070713A (zh) * | 2019-04-15 | 2019-07-30 | 浙江工业大学 | 一种基于双向嵌套lstm神经网络的交通流预测方法 |
CN110264711A (zh) * | 2019-05-29 | 2019-09-20 | 北京世纪高通科技有限公司 | 一种交通事故概率的确定方法及装置 |
CN111275971A (zh) * | 2020-02-18 | 2020-06-12 | 山西交通控股集团有限公司 | 一种高速公路交通流量预测方法 |
US20210312799A1 (en) * | 2020-11-18 | 2021-10-07 | Baidu (China) Co., Ltd. | Detecting traffic anomaly event |
CN114399901A (zh) * | 2022-01-04 | 2022-04-26 | 青岛海信网络科技股份有限公司 | 一种控制交通系统的方法和设备 |
CN114495498A (zh) * | 2022-01-20 | 2022-05-13 | 青岛海信网络科技股份有限公司 | 一种交通数据分布有效性判别方法及装置 |
Non-Patent Citations (2)
Title |
---|
乐冰;蔡延光;蔡颢;王建成;: "交通事故下高速公路短时交通流预测", 《东莞理工学院学报》, no. 05 * |
余敬柳;陈鹏;谢静敏;: "基于状态频率记忆神经网络的短时交通流预测", 武汉理工大学学报(交通科学与工程版), no. 04 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235656A (zh) * | 2023-11-16 | 2023-12-15 | 广州视安智能科技有限公司 | 一种基于大数据和云计算的城市交通管理系统及方法 |
CN117235656B (zh) * | 2023-11-16 | 2024-02-27 | 广州视安智能科技有限公司 | 一种基于大数据和云计算的城市交通管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115171372B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
CN110647900B (zh) | 基于深度神经网络的安全态势智能预测方法、装置及系统 | |
CN111223301B (zh) | 一种基于图注意力卷积网络的交通流量预测方法 | |
CN111368890A (zh) | 故障检测方法及装置、信息物理融合系统 | |
CN110047291B (zh) | 一种考虑扩散过程的短时交通流预测方法 | |
CN112508300A (zh) | 建立风险预测模型的方法、区域风险预测方法及对应装置 | |
CN111695435B (zh) | 基于深度混合编解码神经网络的驾驶员行为识别方法 | |
CN110750641A (zh) | 一种基于序列连接模型和二叉树模型的分类纠错方法 | |
CN115440032A (zh) | 一种长短期公共交通流量预测方法 | |
CN115587454A (zh) | 基于改进Transformer模型的交通流量长时预测方法及系统 | |
CN115171372B (zh) | 一种交通异常检测方法、设备及装置 | |
CN113283665A (zh) | 一种基于路网的城市交通事故风险预测方法 | |
CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
CN115630742A (zh) | 一种基于自监督预训练的天气预测方法及系统 | |
CN116933946A (zh) | 一种基于客流去向结构的轨道交通od客流预测方法及系统 | |
CN110689140A (zh) | 一种通过大数据进行轨交报警数据智能管理的方法 | |
CN116340830B (zh) | 一种基于深层记忆模型的高速公路机电系统故障分类方法 | |
CN117435997A (zh) | 一种基于Transformer和时序压缩机制的电梯预警及按需维保方法 | |
CN117495422A (zh) | 基于电力通信网建设的造价管理系统及其方法 | |
CN115311846B (zh) | 一种结合货车任务状态的厂区道路拥堵预测方法及预测系统 | |
WO2023088131A1 (zh) | 一种交通状态预测方法、装置、设备、介质及程序 | |
CN116128082A (zh) | 高速公路交通流量预测方法及电子设备 | |
CN115630320A (zh) | 一种云边协同下基于深度迁移网络的配电台区异常工况诊断方法 | |
CN114399901A (zh) | 一种控制交通系统的方法和设备 | |
CN111833601B (zh) | 一种低通信开销的宏观交通规律建模方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |