CN115691144B - 一种异常交通状态监测方法、装置、设备及可读存储介质 - Google Patents
一种异常交通状态监测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN115691144B CN115691144B CN202310001056.8A CN202310001056A CN115691144B CN 115691144 B CN115691144 B CN 115691144B CN 202310001056 A CN202310001056 A CN 202310001056A CN 115691144 B CN115691144 B CN 115691144B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- time
- test
- speed
- vehicle speed
- 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.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明提供了一种异常交通状态监测方法、装置、设备及可读存储介质，涉及异常交通状态监测技术领域，获取交通数据信息；根据时长将交通数据信息划分为训练集、验证集和测试集；搭建预测模型，利用所述训练集和验证集分别对所述预测模型进行训练和验证，以获得速度预测模型；将测试集输入速度预测模型得到第一时间段的预测速度；根据所述预测速度和所述测试集对应的车速筛分得到测试集中的异常标签和正常标签；将第二时间段内的正常标签修改为异常标签；将具有连续的异常标签的时间段作为异常交通状态区间。本方法用于解决现有的技术仅提取了交通车速之间的时间特征且检测的结果是异常点，导致异常检测的性能较低的技术问题。
Description
技术领域
本发明涉及异常交通状态监测技术领域，具体而言，涉及一种异常交通状态监测方法、装置、设备及可读存储介质。
背景技术
异常交通状态是指不符合历史模式的交通流。通过识别异常交通状态，可以提高管理措施的有效性。异常检测具有样本不平衡的特性，其中正常交通状态的样本量明显高于异常交通状态。现有的技术仅单一地提取了交通车速之间的时间特征，而没有考虑到时空特征，导致预测精度较低，进而使异常检测不准确。另外，现有的技术检测的结果是异常点，而不是异常序列，与实际的异常交通状态场景通常存在于一定时空范围内的性质不匹配，导致异常检测的性能较低。
发明内容
本发明的目的在于提供一种异常交通状态监测方法、装置、设备及可读存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了一种异常交通状态监测方法，包括：
获取交通数据信息，所述交通数据信息为路网在预设期间内的车速集合；根据时长将交通数据信息划分为训练集、验证集和测试集；
搭建预测模型，利用所述训练集和验证集分别对所述预测模型进行训练和验证，以获得速度预测模型；
将测试集输入速度预测模型得到第一时间段的预测速度，所述第一时间段的时长与所述测试集的时长相同；
根据所述预测速度和所述测试集对应的车速筛分得到测试集中的异常标签和正常标签；
将第二时间段内的正常标签修改为异常标签，所述第二时间段的端点为两个相邻的异常标签对应的时间点，所述第二时间段内包括预设数量的正常标签；
将具有连续的异常标签的时间段作为异常交通状态区间。
第二方面，本申请还提供了一种异常交通状态监测装置，包括：
划分模块：获取交通数据信息，所述交通数据信息为路网在预设期间内的车速集合；根据时长将交通数据信息划分为训练集、验证集和测试集；
模型搭建模块：搭建预测模型，利用所述训练集和验证集分别对所述预测模型进行训练和验证，以获得速度预测模型；
预测模块：将测试集输入速度预测模型得到第一时间段的预测速度，所述第一时间段的时长与所述测试集的时长相同；
筛分模块：根据所述预测速度和所述测试集对应的车速筛分得到测试集中的异常标签和正常标签；
修改模块：将第二时间段内的正常标签修改为异常标签，所述第二时间段的端点为两个相邻的异常标签对应的时间点，所述第二时间段内包括预设数量的正常标签；
判定模块：将具有连续的异常标签的时间段作为异常交通状态区间。
第三方面，本申请还提供了一种异常交通状态监测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述异常交通状态监测方法的步骤。
第四方面，本申请还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于异常交通状态监测方法的步骤。
本发明的有益效果为：
1、本发明提出了一种融合时空特征的车速预测模型，通过构造交通流的特征矩阵和空间权重矩阵，使用图卷积神经网络（GCN）和双向长短时记忆网络（Bi-LSTM）分别提取交通流的空间特征和时间特征，结合提取的时空特征（时间特征和空间特征）预测交通车速，提高了交通预测（正常交通状态建模）的精确度。
2、本发明使用3Sigma方法对残差序列建模，得到初始异常标签后再次遍历，将散布在连续异常点之间的满足预设数量的初始正常标签校正为异常标签，得到异常序列段，提高了检测结果与实际异常交通状态场景的匹配度，从而提高了异常交通状态检测性能。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例中所述的异常交通状态监测方法流程示意图;
图2为本发明实施例中线圈检测器的邻接关系图；
图3为本发明实施例中时间点的序列图；
图4为本发明实施例中所述的异常交通状态监测装置结构示意图一；
图5为本发明实施例中所述的异常交通状态监测装置结构示意图二；
图6为本发明实施例中所述的异常交通状态监测设备结构示意图。
图中标记：
01、划分模块；011、第一获取单元；012、填补单元；013、集计单元；014、划分单元；015、归一化处理单元；016、构造单元；0161、第一矩阵搭建单元；0162、第一构建单元；0163、第二矩阵搭建单元；0164、第二构建单元；02、模型搭建模块；021、第二获取单元；022、第一计算单元；023、第三构建单元；024、训练单元；025、验证单元；03、预测模块；031、第三矩阵搭建单元；032、第四构建单元；033、预测单元；04、筛分模块；041、第二计算单元；042、第三计算单元；043、第四计算单元；05、修改模块；051、确定单元；052、判断单元；06、判定模块；
800、异常交通状态监测设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
交通状态异常指道路的真实运行特征不符合它的历史趋势，通常是由交通系统中的异常环境或事件导致的结果表现，如极端天气、大型集会、交通事故、临时交通管制等。
实施例1：
本实施例提供了一种异常交通状态监测方法。
参见图1，图中示出了本方法包括：
S1.获取交通数据信息，所述交通数据信息为路网在预设期间内的车速集合；根据时长将交通数据信息划分为训练集、验证集和测试集,所述路网为由主路、辅路、支路、岔路等等很多条道路构成的交通道路；
具体的，所述步骤S1包括：
S11.获取路网在预设期间内在时间维度上连续的初始车速，所述初始车速由线圈检测器采集得到；
本实施例中，所述线圈检测器至少两个，分布在路网中的不同路段中，用于检测不
同路段断面的时间平均车速，得到初始速度，具体的，预设期间为60天，线圈检测器每30s计
算一次断面的初始车速
，ti表示时刻，
表示ti时刻的初始车速。
S12.对路网在预设期限内的初始车速进行线性插值以填补缺失值；
由于线圈检测器采集的交通数据信息存在缺失值，需要采集到的数据补充缺失值，具体计算方法如下：
式中，tn表示tn时刻，
表示
时刻，
表示
时刻，所述
表示缺失值，
即tn时刻缺失初始车速
，
< 
< 
，
表示
时刻的初始车速，
表示
时
刻的初始车速，
表示
时刻的初始速度。
S13.将填补缺失值后的初始速度集计为以预设的时间步长为间隔的车速集合；
本实施例中，所述时间步长T=5min，将30s的初始车速集计为5min为间隔的车速，所述车速的计算方法为：
式中，Vu表示在第u个时间点的平均车速。
由此可以得到车速集合为
，表示任意一个线圈检测器在2个月中
对应的U个时间点的车速数据。
S14.将所述车速集合按照时间顺序划分为训练集、验证集和测试集；
具体的，按照7:1.5:1.5的时间比例划分车速集合得到训练集、验证集和测试集，即训练集包括第1-42天的车速数据，验证集包括第43-51天的车速数据，测试集包括第52-60天的车速数据。
S15.分别对训练集、验证集和测试集进行归一化处理；
具体的，由于不同线圈检测器采集到的交通数据会有差异，为消除交通数据的波动差异对模型估计的影响，采用以下公式进行归一化处理：
式中，Vq表示归一化后的速度，
表示训练集、验证集或测试集的任一时刻的车速，
表示训练集中的最小速度，
表示训练集中的最大速度。
S16.为归一化处理后的训练集和验证集分别构造特征矩阵集；
本实施例中，将1周设定为测试周期，时间步长T=5min，得到训练集的第1-42天中包括K1个测试周期、J1个时间点；验证集的第43-51天中包括K2个测试周期、J2个时间点；
具体的，所述步骤S16包括：
S161.根据交通流时间序列的自相关性和周期性构建训练集中关于每个车速的第一特征矩阵；
式中，k表示第k个测试周期，即第k周，j表示第j个时间点，a表示第a个线圈检测
器，
表示第k周中第j个时间点对应车速的第一特征矩阵，
表示第a个线圈检测器所
测得的第k周中第j-1个时间点对应车速，
表示第a个线圈检测器所测得的第k-1周中
第j个时间点对应车速。
S162.由若干个第一特征矩阵构成训练集的特征矩阵集；
依次构建训练集的第7—第J1个时间点对应车速的第一特征矩阵，以构成训练集的特征矩阵集。
S163.构建验证集中关于每个车速的第二特征矩阵，本实施例中第二特征矩阵的构建方法与第一特征矩阵的方法相同，此处不再赘述。
S164.由若干个第二特征矩阵构成验证集的特征矩阵集。
依次构建训练集的第7—第J2个时间点对应的车速的第二特征矩阵，以构成训练集的特征矩阵集。
基于以上实施例，本方法还包括：
S2.搭建预测模型，利用所述训练集和验证集分别对所述预测模型进行训练和验证，以获得速度预测模型；
具体的，所述步骤S2包括：
S21.获取线圈检测器之间的距离和线圈检测器之间的邻接关系，所述线圈检测器之间的邻接关系包括两个线圈检测器之间连通或不连通；
具体的，如图2所示，为本实施例中的线圈检测器的邻接关系图，图中，包括7个线
圈检测器，图中的数值0-6分别表示线圈检测器的序号，数值之间的连线表示两个线圈检测
器为连通的，即线圈检测器所检测的路段为连通状态。令两个线圈检测器之间的距离为
。
S22.根据线圈检测器之间的距离和线圈检测器之间的邻接关系计算任意两个线圈检测器之间的空间权重：
若i与j连通，则：
若i与j不连通，则：
=0
式中，
表示线圈检测器i与j之间的空间权重，
表示线圈检测器i与j之间的距
离。
S23.由所有线圈检测器之间的空间权重构成关于路网的空间权重矩阵：
式中，A表示路网的空间权重矩阵，
表示线圈检测器1与2之间的空间权重, 
表示线圈检测器1与j之间的空间权重, 
表示线圈检测器i与1之间的空间权重。
S24.利用训练集的特征矩阵集和空间权重矩阵训练预测模型；
S25.利用验证集的特征矩阵集和空间权重矩阵验证预测模型。
具体的，按照时间顺序将训练集的特征矩阵集和验证集的特征矩阵集输入预测模型中，需要说明的是，每个特征矩阵均需要和空间权重矩阵同时输入至预测模型中，所述预测模型为多层神经网络模型，包括GCN（图卷积神经网络模块）、Bi-LSTM（双向长短期记忆网络模块）和全连接层；
所述GCN学习特征矩阵集和空间权重矩阵中的空间相关性后，输出带有空间特征的第一矩阵；
将第一矩阵输入Bi-LSTM中，由Bi-LSTM提取第一矩阵的时间相关性后，输出带有时间特征和空间特征的第二矩阵；
将第二矩阵输入全连接层，由全连接层合成第二矩阵中的时间特征和空间特征，并输出预测结果，所述预测结果为第7—第J1个时间点的速度、第7—第J2个时间点的速度。
由此，预测模型训练完成，得到训练集的loss曲线（损失函数曲线）和验证集的loss曲线，通过比较训练集的loss曲线和验证集的loss曲线的走势来判断预测模型是否较好拟合，以此来调整超参数，从而得到性能最优的预测模型，将其作为本实施例中的速度预测模型。
调整后所述速度预测模型的超参数如表1所示：
表1
基于以上实施例，所述方法还包括：
S3.将测试集输入速度预测模型得到第一时间段的预测速度，所述第一时间段的时长与所述测试集的时长相同，所述第一时间段包括第7—第J3个时间点；
具体的，所述步骤S3包括：
S31.构建测试集中关于每个车速的第三特征矩阵；
本实施例中第三特征矩阵的构建方法与第一特征矩阵的方法相同，此处不再赘述。
S32.由若干个第三特征矩阵构成训练集的特征矩阵集；
依次构建训练集的第7—第J3个时间点对应车速的第三特征矩阵，以构成训练集的特征矩阵集。
S33.将所述训练集的特征矩阵集输入速度预测模型中得到第一时间段的预测速度，即第7—第J3个时间点的预测速度。
基于以上实施例，所述方法还包括：
S4.根据所述预测速度和所述测试集对应的车速筛分得到测试集中的异常标签和正常标签；
具体的，所述步骤S4包括：
S41.根据预测速度与对应的车速计算得到残差序列：
式中，rp表示第p个时间点的预测残差，Vp为测试集中第p个时间点的平均车速，
为第p个时间点的预测速度。
S42.利用三西格玛准则对残差序列建模，确定残差序列的阈值范围：
式中，
为预测残差的上限，
为预测残差的平均值，
是残差的标准
差，
是预测残差的下限；
通过
和
确定残差序列的阈值范围
。
S43.由残差序列的阈值范围确定测试集中的异常标签和正常标签。
当第p个时间点的预测残差超出残差序列的阈值范围时，则判定第p个时间点的交通状态为异常交通状态，赋异常标签为1，当第p个时间点的预测残差属于残差序列的阈值范围时，则判定第p个时间点的交通状态为正常交通状态，赋正常标签为0，具体计算方法如下：
式中，
表示第p个时间点的标签。
由此将第7—第J3个时间点的残差序列转化为0-1序列。
基于以上实施例，本方法还包括：
S5.将第二时间段内的正常标签修改为异常标签，所述第二时间段的端点为两个相邻的异常标签对应的时间点，所述第二时间段内包括预设数量的正常标签，优选的，所述第二时间段内包括正常标签的预设数量为（1,2），由于时间步长为T=5min，即所述第二时段的时长不小于15分钟；
如图3所示，具体的，所述步骤S5包括：
S51.确定任意两个相邻的异常交通状态；
具体的，按照时间顺序依次遍历第7—第J3个时间点的序列，当识别到
=1时，记
录第b个时间点为第二时段的起始异常标签，继续遍历序列，当识别到
=1时，记录第c个
时间点为第二时段的终止异常标签；
S52.判断两个相邻的异常标签之间的正常标签的数量是否为预设数量：
判断起始异常标签和终止异常标签之间的正常标签的数量是否为1或2：
若是，则将相邻的异常标签之间的正常标签修改为异常标签。
继续遍历序列，将
作为起始异常标签，重复步骤S51和步骤S52，直到遍历至第
J3个时间点。
基于以上实施例，本方法还包括：
S6.将具有连续的异常标签的时间段作为异常交通状态区间。
本实施例中，由两个以上连续的异常标签构成的时间段均为异常交通状态区间。
实施例2：
如图4、图5所示，本实施例提供了一种异常交通状态监测装置，所述装置包括：
划分模块01：获取交通数据信息，所述交通数据信息为路网在预设期间内的车速集合；根据时长将交通数据信息划分为训练集、验证集和测试集；
模型搭建模块02：搭建预测模型，利用所述训练集和验证集分别对所述预测模型进行训练和验证，以获得速度预测模型；
预测模块03：将测试集输入速度预测模型得到第一时间段的预测速度，所述第一时间段的时长与所述测试集的时长相同；
筛分模块04：根据所述预测速度和所述测试集对应的车速筛分得到测试集中的异常标签和正常标签；
修改模块05：将第二时间段内的正常标签修改为异常标签，所述第二时间段的端点为两个相邻的异常标签对应的时间点，所述第二时间段内包括预设数量的正常标签；
判定模块06：将具有连续的异常标签的时间段作为异常交通状态区间。
基于以上实施例，所述划分模块01包括：
第一获取单元011：获取路网在预设期间内在时间维度上连续的初始车速，所述初始车速由设置在路网中的由线圈检测器采集得到；
填补单元012：对路网在预设期限内的初始车速进行线性插值以填补缺失值；
集计单元013：将填补缺失值后的初始速度集计为以预设的时间步长为间隔的车速集合；
划分单元014：将所述车速集合按照时间顺序划分为训练集、验证集和测试集；
归一化处理单元015：分别对训练集、验证集和测试集进行归一化处理；
构造单元016：为归一化处理后的训练集和验证集分别构造特征矩阵集。
基于以上实施例，所述构造单元016包括：
第一矩阵搭建单元0161：根据交通流时间序列的自相关性和周期性构建训练集中关于每个车速的第一特征矩阵；
第一构建单元0162：由若干个第一特征矩阵构成训练集的特征矩阵集；
第二矩阵搭建单元0163：构建验证集中关于每个车速的第二特征矩阵；
第二构建单元0164：由若干个第二特征矩阵构成验证集的特征矩阵集。
基于以上实施例，所述模型搭建模块02包括：
第二获取单元021：获取路网中线圈之间的距离和线圈之间的邻接关系，所述线圈之间的邻接关系包括两个线圈之间连通或不连通；
第一计算单元022：根据线圈之间的距离和线圈之间的邻接关系计算任意两个线圈之间的空间权重；
第三构建单元023：由所有线圈的空间权重构成关于路网的空间权重矩阵；
训练单元024：利用训练集的特征矩阵集和空间权重矩阵训练预测模型；
验证单元025：利用验证集的特征矩阵集和空间权重矩阵验证预测模型。
基于以上实施例，所述预测模块03包括：
第三矩阵搭建单元031：构建测试集中关于每个车速的第三特征矩阵；
第四构建单元032：由若干个第三特征矩阵构成训练集的特征矩阵集；
预测单元033：将所述训练集的特征矩阵集输入速度预测模型中得到第一时间段的预测速度。
基于以上实施例，所述筛分模块04包括：
第二计算单元041：根据预测速度与对应的车速计算得到残差序列；
第三计算单元042：利用三西格玛准则对残差序列建模，确定残差序列的阈值范围；
第四计算单元043：由残差序列的阈值范围确定训练集中的异常标签和正常标签。
基于以上实施例，所述修改模块05包括：
确定单元051：确定任意两个相邻的异常标签；
判断单元052：判断两个相邻的异常标签之间的正常标签的数量是否为预设数量：
若是，则将相邻的异常标签之间的正常标签修改为异常标签。需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3：
相应于上面的方法实施例，本实施例中还提供了一种异常交通状态监测设备，下文描述的一种异常交通状态监测设备与上文描述的一种异常交通状态监测方法可相互对应参照。
图6是根据示例性实施例示出的一种异常交通状态监测设备800的框图。如图6所示，该异常交通状态监测设备800可以包括：处理器801，存储器802。该异常交通状态监测设备800还可以包括多媒体组件803， I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该异常交通状态监测设备800的整体操作，以完成上述的异常交通状态监测方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该异常交通状态监测设备800的操作，这些数据例如可以包括用于在该异常交通状态监测设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random AccessMemory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable ProgrammableRead-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该异常交通状态监测设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，异常交通状态监测设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的异常交通状态监测方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的异常交通状态监测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由异常交通状态监测设备800的处理器801执行以完成上述的异常交通状态监测方法。
实施例4：
相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种异常交通状态监测方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的异常交通状态监测方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
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权利要求的保护范围为准。
Claims (8)
1.一种异常交通状态监测方法，其特征在于，包括：
获取交通数据信息，所述交通数据信息为路网在预设期间内的车速集合；根据时长将交通数据信息划分为训练集、验证集和测试集，包括：
设定测试周期和时间步长，根据测试周期和时间步长将训练集划分为K1个测试周期和J1个时间点；
构建训练集中关于每个车速的第一特征矩阵；
式中，
表示第k个测试周期中第j个时间点对应车速的第一特征矩阵，/>
表示第a个线圈检测器所测得的第k个测试周期中第j-1个时间点对应车速；
由若干个第一特征矩阵构成训练集的特征矩阵集；
同理，验证集和测试集的特征矩阵集与训练集的构造方式相同；
搭建预测模型，利用所述训练集和验证集分别对所述预测模型进行训练和验证，以获得速度预测模型，包括：
获取线圈检测器之间的距离和线圈检测器之间的邻接关系，所述线圈检测器设置在路网的路段中，用于检测路段断面的时间平均车速；
根据线圈检测器之间的距离和线圈检测器之间的邻接关系计算任意两个线圈检测器之间的空间权重：
式中，i与j表示线圈检测器，wij表示线圈检测器i与j之间的空间权重，dij表示线圈检测器i与j之间的距离；
由所有线圈检测器之间的空间权重构成关于路网的空间权重矩阵；
同理，验证集和测试集的空间权重矩阵构建方式与训练集相同；
利用训练集的特征矩阵集和空间权重矩阵训练预测模型；
利用验证集的特征矩阵集和空间权重矩阵验证预测模型；
将测试集输入速度预测模型得到第一时间段的预测速度，所述第一时间段的时长与所述测试集的时长相同；
根据所述预测速度和所述测试集对应的车速筛分得到测试集中的异常标签和正常标签；
将第二时间段内的正常标签修改为异常标签，所述第二时间段的端点为两个相邻的异常标签对应的时间点，所述第二时间段内包括预设数量的正常标签；
将具有连续的异常标签的时间段作为异常交通状态区间。
2.根据权利要求1所述的异常交通状态监测方法，其特征在于,所述获取交通数据信息，所述交通数据信息为路网在预设期间内的连续的车速集合；根据时长将交通数据信息划分为训练集、验证集和测试集，包括：
获取路网在预设期间内在时间维度上连续的初始车速，所述初始车速由线圈检测器采集得到；
对路网在预设期限内的初始车速进行线性插值以填补缺失值；
将填补缺失值处理后的初始速度集计为以预设的时间步长为间隔的车速集合；
将所述车速集合按照时间顺序划分为训练集、验证集和测试集；
分别对训练集、验证集和测试集进行归一化处理；
为归一化处理后的训练集和验证集分别构造特征矩阵集。
3.根据权利要求1所述的异常交通状态监测方法，其特征在于,所述将第二时间段内的正常标签修改为异常标签，所述第二时间段的端点为两个相邻的异常标签对应的时间点，所述第二时间段内包括预设数量的正常标签，包括：
确定任意两个相邻的异常标签；
判断两个相邻的异常标签之间的正常标签的数量是否为预设数量：
若是，则将相邻的异常标签之间的正常标签修改为异常标签。
4.一种异常交通状态监测装置，其特征在于，包括：
划分模块：获取交通数据信息，所述交通数据信息为路网在预设期间内的车速集合；根据时长将交通数据信息划分为训练集、验证集和测试集，包括：
设定测试周期和时间步长，根据测试周期和时间步长将训练集划分为K1个测试周期和J1个时间点；
构建训练集中关于每个车速的第一特征矩阵；
式中，
表示第k个测试周期中第j个时间点对应车速的第一特征矩阵，/>
表示第a个线圈检测器所测得的第k个测试周期中第j-1个时间点对应车速；
由若干个第一特征矩阵构成训练集的特征矩阵集；
同理，验证集和测试集的特征矩阵集与训练集的构造方式相同；
模型搭建模块：搭建预测模型，利用所述训练集和验证集分别对所述预测模型进行训练和验证，以获得速度预测模型，包括：
获取线圈检测器之间的距离和线圈检测器之间的邻接关系，所述线圈检测器设置在路网的路段中，用于检测路段断面的时间平均车速；
根据线圈检测器之间的距离和线圈检测器之间的邻接关系计算任意两个线圈检测器之间的空间权重：
式中，i与j表示线圈检测器，wij表示线圈检测器i与j之间的空间权重，dij表示线圈检测器i与j之间的距离；
由所有线圈检测器之间的空间权重构成关于路网的空间权重矩阵；
同理，验证集和测试集的空间权重矩阵构建方式与训练集相同；
利用训练集的特征矩阵集和空间权重矩阵训练预测模型；
利用验证集的特征矩阵集和空间权重矩阵验证预测模型；
预测模块：将测试集输入速度预测模型得到第一时间段的预测速度，所述第一时间段的时长与所述测试集的时长相同；
筛分模块：根据所述预测速度和所述测试集对应的车速筛分得到测试集中的异常标签和正常标签；
修改模块：将第二时间段内的正常标签修改为异常标签，所述第二时间段的端点为两个相邻的异常标签对应的时间点，所述第二时间段内包括预设数量的正常标签；
判定模块：将具有连续的异常标签的时间段作为异常交通状态区间。
5.根据权利要求4所述的异常交通状态监测装置，其特征在于，所述划分模块包括：
第一获取单元：获取路网在预设期间内在时间维度上连续的初始车速，所述初始车速由设置在路网中的由线圈检测器采集得到；
填补单元：对路网在预设期限内的初始车速进行线性插值以填补缺失值；
集计单元：将填补缺失值后的初始速度集计为以预设的时间步长为间隔的车速集合；
划分单元：将所述车速集合按照时间顺序划分为训练集、验证集和测试集；
归一化处理单元：分别对训练集、验证集和测试集进行归一化处理；
构造单元：为归一化处理后的训练集和验证集分别构造特征矩阵集。
6.根据权利要求4所述的异常交通状态监测装置，其特征在于，所述修改模块包括：
确定单元：确定任意两个相邻的异常标签；
判断单元：判断两个相邻的异常标签之间的正常标签的数量是否为预设数量：
若是，则将相邻的异常标签之间的正常标签修改为异常标签。
7.一种异常交通状态监测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至3任一项所述异常交通状态监测方法的步骤。
8.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述异常交通状态监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310001056.8A CN115691144B (zh) | 2023-01-03 | 2023-01-03 | 一种异常交通状态监测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310001056.8A CN115691144B (zh) | 2023-01-03 | 2023-01-03 | 一种异常交通状态监测方法、装置、设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115691144A CN115691144A (zh) | 2023-02-03 |
| CN115691144B true CN115691144B (zh) | 2023-03-31 |
Family
ID=85057470
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310001056.8A Active CN115691144B (zh) | 2023-01-03 | 2023-01-03 | 一种异常交通状态监测方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115691144B (zh) |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7813870B2 (en) * | 2006-03-03 | 2010-10-12 | Inrix, Inc. | Dynamic time series prediction of future traffic conditions |
| JP6610987B2 (ja) * | 2015-02-18 | 2019-11-27 | 株式会社Ｉｈｉ | 異常診断方法及び異常診断システム |
| CN109476310B (zh) * | 2016-12-30 | 2021-11-12 | 同济大学 | 一种基于舒适度的自动驾驶车速控制方法 |
| TWI674210B (zh) * | 2017-12-04 | 2019-10-11 | 財團法人資訊工業策進會 | 偵測具威脅性車輛之系統及方法 |
| CN109946765B (zh) * | 2019-04-02 | 2021-05-07 | 上海电气风电集团股份有限公司 | 风电场的流场的预测方法和系统 |
| CN111260920A (zh) * | 2020-01-16 | 2020-06-09 | 长安大学 | 基于智能手机的大跨度桥梁交通流密度控制系统和方法 |
| CN111352971A (zh) * | 2020-02-28 | 2020-06-30 | 中国工商银行股份有限公司 | 银行系统监控数据异常检测方法及系统 |
| CN112435462B (zh) * | 2020-10-16 | 2021-12-07 | 同盾控股有限公司 | 短时交通流量预测的方法、系统、电子装置和存储介质 |
| CN113588179B (zh) * | 2021-06-24 | 2023-11-21 | 武汉众智鸿图科技有限公司 | 一种供水管网漏损检测方法及系统 |
| CN114582131B (zh) * | 2022-03-17 | 2023-08-29 | 中远海运科技股份有限公司 | 一种基于匝道智能控流算法的监控方法及系统 |
| CN115223365B (zh) * | 2022-07-15 | 2023-09-29 | 北京市智慧交通发展中心(北京市机动车调控管理事务中心) | 一种基于阻尼Holt模型的路网速度预测及异常识别方法 |
-
2023
- 2023-01-03 CN CN202310001056.8A patent/CN115691144B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115691144A (zh) | 2023-02-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112470199B (zh) | 用于点对点流量预测的系统和方法 | |
| CN101711390B (zh) | 用于宽区域监视的有限数量传感器的合理布置的方法和系统 | |
| US20140279779A1 (en) | System and method for detecting platform anomalies through neural networks | |
| US20180005151A1 (en) | Asset health management framework | |
| CN109728939B (zh) | 一种网络流量检测方法及装置 | |
| CN107786369A (zh) | 基于irt层次分析和lstm的电力通信网络安全态势感知和预测方法 | |
| CN110414715B (zh) | 一种基于社团检测的客流量预警方法 | |
| CN102129397A (zh) | 一种自适应磁盘阵列故障预测方法及系统 | |
| CN106598822B (zh) | 一种用于容量评估的异常数据检测方法及装置 | |
| Giglioni et al. | Autoencoders for unsupervised real‐time bridge health assessment | |
| CN112637132A (zh) | 一种网络异常检测方法、装置、电子设备和存储介质 | |
| WO2019012653A1 (ja) | 学習システム、分析システム、学習方法及び記憶媒体 | |
| KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
| CN114826947A (zh) | 一种基于自动编码器的流量矩阵恢复预测方法及系统 | |
| CN112128950B (zh) | 一种基于多种模型对比的机房温湿度预测方法及系统 | |
| CN115691144B (zh) | 一种异常交通状态监测方法、装置、设备及可读存储介质 | |
| CN110175100A (zh) | 一种存储盘故障预测方法及预测系统 | |
| CN117349769A (zh) | 面向服装物流管理的时空数据异常检测方法及系统 | |
| CN117235664A (zh) | 配电通信设备的故障诊断方法、系统和计算机设备 | |
| CN111061581B (zh) | 一种故障检测方法、装置及设备 | |
| Gao et al. | Semantic-based detection of segment outliers and unusual events for wireless sensor networks | |
| CN107491838B (zh) | 城市轨道交通短时客流容错预测系统及方法 | |
| US11288155B2 (en) | Identifying anomalies in data during data outage | |
| CN112949951A (zh) | 数据预测方法、装置、电子设备及存储介质 | |
| CN114116370A (zh) | 复杂电子系统运行健康状态监测点优选方法 |
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 |