CN116631195A - 一种基于城市子区域热点路口挖掘的区域异常检测方法 - Google Patents
一种基于城市子区域热点路口挖掘的区域异常检测方法 Download PDFInfo
- Publication number
- CN116631195A CN116631195A CN202310889489.1A CN202310889489A CN116631195A CN 116631195 A CN116631195 A CN 116631195A CN 202310889489 A CN202310889489 A CN 202310889489A CN 116631195 A CN116631195 A CN 116631195A
- Authority
- CN
- China
- Prior art keywords
- intersection
- detected
- intersections
- time period
- crossing
- 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 36
- 230000005856 abnormality Effects 0.000 title claims abstract description 20
- 238000005065 mining Methods 0.000 title claims description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 75
- 230000002159 abnormal effect Effects 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000010295 mobile communication Methods 0.000 claims description 48
- 238000004891 communication Methods 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 4
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 3
- 238000009412 basement excavation Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000001174 ascending effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Abstract
本发明公开了一种基于城市子区域热点路口挖掘的区域异常检测方法,包括:根据路口类型从路口集合中得到可驾驶路口,通过计算可驾驶路口的早高峰平均车流量得到候选热点路口;通过计算候选热点路口的中介中心度得到待检测路口集合;计算待检测路口集合中所有待检测路口之间的相似度,得到相似路口矩阵;根据相似路口矩阵的行向量找出待检测路口的相似路口集合;用LOF算法对待检测路口进行异常检测,得到异常路口集合;根据异常路口集合找出城市子区域中的异常路口,根据城市子区域中的异常路口总数判断城市子区域是否为异常区域。本发明利用路口与城市子区域的包容关系,从城市子区域中挑选出待检测路口集合,间接进行城市子区域异常检测。
Description
技术领域
本发明涉及城市区域异常检测领域,特别是涉及一种基于城市子区域热点路口挖掘的区域异常检测方法。
背景技术
城市区域异常通常是指发生在城市某个区域下的不寻常事件,如交通拥堵和意外人群聚集,如果不及时处理,会对公共安全和稳定构成巨大威胁。对于城市管理人员,如果能在早期及时报告城市区域异常情况,就能够及时采取措施,防止事故发生。因此,城市区域异常检测是极具价值的。
城市区域异常检测的方法,主要可以分为以下三类:基于时空特征挖掘的异常区域检测方法,基于张量因子分解算法的异常区域检测方法和基于交通流特征统计的区域异常检测方法。挖掘交通流时空特征的分析方法是异常区域检测的主流方法;从城市交通流数据中提取信息构造或学习时空特征,并于当前区域交通流信息对比,检测当前区域的异常。城市交通流数据通常包含多个维度的信息,例如时间和位置信息,这些多维特征可以用张量进行表示。因此,张量因子分解算法也是进行城市区域异常检测主要方法之一。另外还有基于交通流特征统计的方式;该方法主要通过判断区域内多个交通流特征与相应阈值之间的关系进行异常检测。
上述三种异常区域检测方法成功执行的前提是需要收集整个城市子区域多个时间段的交通流信息。城市子区域交通流量收集的方法有两种。一种是基于轨迹统计的方式,另一种是基于检测器收集的方式。然而,由于成本原因检测器不可能覆盖整个城市区域,导致区域交通流信息难以获得。而基于轨迹统计的方式首先需要将轨迹点与道路进行匹配。然后利用连续轨迹点的时空关系推断交通特征。复杂城市网络中,轨迹点与道路之间的匹配存在误差。这导致部分位置的交通流特征难以统计。而相邻轨迹点之间不只是简单的直线关系,有时可能分布在交叉路段的不同路径上。所以基于连续轨迹点时空关系的交通流特征统计方法不够精确。因此,基于轨迹统计的方式难以精确地收集交通流特征。
公开号为CN113436433A,名称为一种高效的城市交通离群值检测方法,提出了利用K-FCM聚类得到道路模式相同的城市路段,利用肘方法对聚类数量进行优化;然后利用核密度分布拟合邻居道路和道路流量数据,采用粒子群优化的BP神经网络对道路情况进行概率预测,最终得到道路情况的异常判断结果。但该方法需要大量的数据训练神经网络模型,且检测的实时性差。
公开号为CN115984077A,名称为一种交通异常流量因果检测方法及设备,提出了根据获取到的城市流量数据在节点与节点之间创建链接,通过链接实现城市区域流量变化对城市其他区域流量变化的监控,并通过计算链接的距离值得到时空异常值,从而通过异常因果树算法对时空异常值进行计算得到异常因果图,以及结合流量正常状态下的常态因果图,将常态与异常情况的下流量区分实现异常流量检测。该方法能够实现对异常值的因果检验以及随时间变化的传递性,但需要大量高质量的车辆轨迹数据,且检测准确率不足。
发明内容
为解决上述技术问题,本发明采用的一个技术方案是:提供一种基于城市子区域热点路口挖掘的区域异常检测方法,该方法包括:
S10.获取历史一周内的城市区域路口数据源数据S和城市路网数据,得到路口集
合;
所述路口数据源数据S,包括:路口车流量和路口覆盖范围下的移动通信次数;
所述城市路网数据,包括:城市区域划分信息、路口经纬度信息、路口类型;
S20.根据所述路口类型从所述路口集合中得到可驾驶路口,根据所述历史一周
内的城市区域路口车流量计算所述可驾驶路口早上七点到九点的早高峰平均车流量,根
据所述早高峰平均车流量将所述可驾驶路口降序排序,取前50%的所述可驾驶路口作为候
选热点路口,将所述候选热点路口存入候选热点路口集合;
S30.计算所述候选热点路口集合中候选热点路口的中介中心度,将所述中介中心度大于阈值L的所述候选热点路口存入待检测路口集合;
S40.根据所述历史一周内的城市区域路口数据源数据S和城市路网数据计算所述待检测路口集合中所有待检测路口之间的相似度,得到相似路口矩阵;
S50.根据所述相似路口矩阵的第i个行向量找出第i个待检测路口的相似路口集合,i初始值为0;
S60.获取当前时间段的城市区域路口数据源数据和城市区域划分信息;
S70.根据所述当前时间段的城市区域路口数据源数据和所述第i个待检测路口的相似路口集合,采用LOF算法对所述第i个待检测路口进行异常检测,若所述第i个待检测路口为异常路口,将所述第i个待检测路口加入异常路口集合;判断所述第i个行向量是否为所述相似路口矩阵的最后一个行向量,若是,转S80,若否,i=i+1,转S50;
S80.在当前时间段根据所述城市区域划分信息将城市划分为多个城市子区域,根据所述路口经纬度信息将所述待检测路口集合中所有待检测路口映射到所述城市子区域,得到当前时间段每个所述城市子区域的子区域路口集合;
S90.在当前时间段根据所述异常路口集合找出所述子区域路口集合中的异常路口,若所述子区域路口集合中的异常路口总数大于或等于所述子区域路口集合中路口总数的60%,则当前时间段所述城市子区域为异常区域。
进一步地,所述S10,包括:
所述路口集合,表示第N个路口,N为路口总数;
所述路口类型,包括可驾驶路口和非驾驶路口;
所述城市区域划分信息表示城市分区拓扑图;
所述城市分区拓扑图将城市区域划分为多个城市子区域。
进一步地,所述S30,包括:
计算所述候选热点路口集合中所有候选热点路口的中介中心度,依次判断所述候选热点路口的中介中心度是否大于阈值L,若是,将所述候选热点路口加入待检测路口集合,若否,继续判断下一个候选热点路口;
所述中介中心度的计算公式为:
;
其中,表示所述候选热点路口集合中第j个候选热点路口的中介中心度,表示所述第j个候选热点路口;v表示所述候选热点路口集合,p表示所述候选热点路口集
合中的任意候选热点路口,q表示所述候选热点路口集合中与候选热点路口p不同的任意候
选热点路口;表示所述候选热点路口集合中,候选热点路口p与候选热点路口q之间的
最短路径的数量;表示所述候选热点路口集合中,候选热点路口p与候选热点路口
q之间经过候选热点路口的最短路径数量;
所述阈值L的计算公式为。
进一步地,所述S40,包括:
S41.创建一个流量相似矩阵,所述流量相似矩阵用于存储所述待检测路口集合中
待检测路口之间的流量皮尔逊系数,所述流量相似矩阵为的二维矩阵,M为所述待
检测路口集合中待检测路口的数量,所述流量相似矩阵的所有元素初始化为0,依次计算所
述待检测路口集合中第m个待检测路口与第n个待检测路口之间的路口车流量的流量皮
尔逊系数,将其存入所述流量相似矩阵中m行n列的位置,m与n的取值范围为1至M;
S42.创建一个通信相似矩阵,所述通信相似矩阵用于存储所述待检测路口集合中
待检测路口之间的通信皮尔逊系数,所述通信相似矩阵为的二维矩阵,所述通信相
似矩阵的所有元素初始化为0,依次计算所述待检测路口集合中第m个待检测路口与第n个
待检测路口之间的移动通信次数的通信皮尔逊系数;将其存入所述通信相似矩阵
中m行n列的位置;
S43.创建一个相似路口矩阵,所述相似路口矩阵用于存储所述待检测路口集合中
路口车流量与移动通信次数都相似的待检测路口,所述相似路口矩阵为的二维矩
阵,所述相似路口矩阵的所有元素初始化为0,依次判断所述流量相似矩阵中m行n列的流量
皮尔逊系数是否大于阈值Q,若是,转S44,若否,继续判断所述流量相似矩阵中的下一个流
量皮尔逊系数;
S44.判断所述通信相似矩阵中m行n列的通信皮尔逊系数是否大于阈值Q,若是,将相似路口矩阵中m行n列的元素值设为1;
所述阈值Q的取值为0.8。
进一步地,所述S41,包括:
所述流量皮尔逊系数的计算公式为:
;
其中,表示一周内的时间段数量,t表示当前时间段;表示时间段至当前时间段内所述待检测路口的路口车流量序列;表示时间段至当前时间段内所述待检测路口的路口车流量序列,表示时间段至当前时间段内所述待检测路口与所
述待检测路口的路口车流量序列的皮尔逊系数;
其中,的计算公式为:;
其中,表示一周的时间长度,g表示时间间隔,所述时间间隔取值为30分钟。
进一步地,所述S42,包括:
所述通信皮尔逊系数的计算公式为:
;
其中,表示一周内的时间段数量,t表示当前时间段;表示时间段至当前时间段内所述待检测路口的移动通信次数序列,表示时间
段至当前时间段内所述待检测路口的移动通信次数序列,表示时间段至当前时间段内所述待检测路口与所
述待检测路口的移动通信次数序列的皮尔逊系数;
其中,的计算公式为:;
其中,表示一周的时间长度,g表示时间间隔,所述时间间隔取值为30分钟。
进一步地,所述表示时间段至当前时间段内
所述待检测路口与所述待检测路口的路口车流量序列的皮尔逊系数,包括:
的计算公式为:
;
其中,表示时间段所述待检测路口的路口车流量;表示时间段至时间段内所述待检测路口的路口车流量平均值;表示时间段所述
待检测路口的路口车流量;表示时间段至时间段内所述待检测路口的
路口车流量平均值。
进一步地,所述表示时间段至当前时间段内
所述待检测路口与所述待检测路口的移动通信次数序列的皮尔逊系数,包括:
的计算公式为:
;
其中,表示时间段所述待检测路口的移动通信次数;表示时间段至时间段内所述待检测路口的移动通信次数平均值;表示时间段所
述待检测路口的移动通信次数;表示时间段至时间段内所述待检测路口的移动通信次数平均值。
进一步地,所述S70,包括:
所述LOF算法的主要步骤如下:
1)因为路口车流量和路口覆盖范围下的移动通信次数在数据规模上存在较
大差异,所以将当前时间段t的路口车流量和路口覆盖范围下的移动通信次数进行归
一化,归一化计算公式如下:
,;
其中,表示第个待检测路口的相似路口集合中的任意路口,表示在当前
时间段t路口归一化后的路口车流量,表示在当前时间段t路口的路口车流
量, 表示时间段至时间段内路口的路口车流量的最
小值, 表示时间段至时间段内路口的路口车流量的最
大值;表示在当前时间段t路口归一化后的路口覆盖范围下的移动通信次数,表示在当前时间段t路口的路口覆盖范围下的移动通信次数,
表示时间段至时间段内路口的路口覆盖范围下的移动通信次数的最小值, 表示时间段至时间段内路口的路口覆盖范围下的移动通
信次数的最大值;
2)根据归一化后的当前时间段t的路口车流量和路口覆盖范围下的移动通信次
数计算所述第i个待检测路口的相似路口集合中所有路口之间的欧式距离,并按距离升
序排序,计算公式如下:
;
其中,表示所述第i个待检测路口的相似路口集合中与路口不同的任意路
口,表示所述第i个待检测路口的相似路口集合中路口与路口的欧
氏距离;
3)根据城市区域内的路口数量设置k值,计算所述第i个待检测路口的相似路口集
合中所有路口的第k个最近的路口的距离,得到任意路口的k邻近距离,获取所述第i个待检测路口的相似路口集合中所有路口的邻居路口,
得到任意路口的邻居路口集合,所述邻居路口为距离任意路口的距离小于
路口的k邻近距离的所有路口,计算任意路口的邻居路口集合的
大小为;
4)计算所述第i个待检测路口的相似路口集合中所有路口之间的可达距离,其计算公式如下:
;
其中,表示取路口与的欧氏
距离和路口的k邻近距离之间的最大值;
5)计算所述第i个待检测路口的相似路口集合中所有路口的局部可达密度,其计算公式如下:
;
其中,表示路口的邻居路口集合中的任意路口;
6)根据第i个待检测路口与其邻居路口的所述局部可达密度计算所述第i个待检测路口的局部异常因子,若所述第i个待检测路口的局部异常因子大于1,则所述第i个待检测路口为异常路口,局部异常因子计算公式如下:
;
其中,表示所述第i个待检测路口,表示所述第i个待检测路口的邻居路口集
合中的任意路口,表示所述第i个待检测路口的局部异常因子。
本发明的有益效果是:针对城市子区域交通流数据难以全面、准确收集的问题,本发明利用路口与城市子区域的包容关系,从城市子区域中挑选出待检测路口集合,间接进行城市子区域异常检测。其中,根据路口类型、路口早高峰平均车流量、路口中介中心度的大小进行路口筛选,将不重要的路口从城市区域中忽略,可以减少路口相似度的计算量,提高检测效率;然后,利用皮尔逊系数计算路口与路口之间的相似度,得到相似路口集合,这种基于相似路口集合进行路口异常检测的方法,可以检测多种异常类型,克服异常多样性的难题。
附图说明
图1是一种基于城市子区域热点路口挖掘的区域异常检测方法的流程图。
图2是一种基于城市子区域热点路口挖掘的区域异常检测方法的LOF算法对第i个待检测路口进行异常检测的流程图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但本发明还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本发明的一部分实施例,而不是全部的实施例。
图1是本发明实施例提供的一种基于城市子区域热点路口挖掘的区域异常检测方法的流程图,该方法包括:
S10.获取历史一周内的城市区域路口数据源数据S和城市路网数据,得到路口集
合;
所述路口数据源数据S,包括:路口车流量和路口覆盖范围下的移动通信次数;
所述城市路网数据,包括:城市区域划分信息、路口经纬度信息、路口类型;
S20.根据所述路口类型从所述路口集合中得到可驾驶路口,根据所述历史一周
内的城市区域路口车流量计算所述可驾驶路口早上七点到九点的早高峰平均车流量,根
据所述早高峰平均车流量将所述可驾驶路口降序排序,取前50%的所述可驾驶路口作为候
选热点路口,将所述候选热点路口存入候选热点路口集合;
S30.计算所述候选热点路口集合中候选热点路口的中介中心度,将所述中介中心度大于阈值L的所述候选热点路口存入待检测路口集合;
S40.根据所述历史一周内的城市区域路口数据源数据S和城市路网数据计算所述待检测路口集合中所有待检测路口之间的相似度,得到相似路口矩阵;
S50.根据所述相似路口矩阵的第i个行向量找出第i个待检测路口的相似路口集合,i初始值为0;
S60.获取当前时间段的城市区域路口数据源数据和城市区域划分信息;
S70.根据所述当前时间段的城市区域路口数据源数据和所述第i个待检测路口的相似路口集合,采用LOF算法对所述第i个待检测路口进行异常检测,若所述第i个待检测路口为异常路口,将所述第i个待检测路口加入异常路口集合;判断所述第i个行向量是否为所述相似路口矩阵的最后一个行向量,若是,转S80,若否,i=i+1,转S50;
S80.在当前时间段根据所述城市区域划分信息将城市划分为多个城市子区域,根据所述路口经纬度信息将所述待检测路口集合中所有待检测路口映射到所述城市子区域,得到当前时间段每个所述城市子区域的子区域路口集合;
S90.在当前时间段根据所述异常路口集合找出所述子区域路口集合中的异常路口,若所述子区域路口集合中的异常路口总数大于或等于所述子区域路口集合中路口总数的60%,则当前时间段所述城市子区域为异常区域。
进一步地,所述S10,包括:
所述路口集合,表示第N个路口,N为路口总数;
所述路口类型,包括可驾驶路口和非驾驶路口;
所述城市区域划分信息表示城市分区拓扑图;
所述城市分区拓扑图将城市区域划分为多个城市子区域。
进一步地,所述S30,包括:
计算所述候选热点路口集合中所有候选热点路口的中介中心度,依次判断所述候选热点路口的中介中心度是否大于阈值L,若是,将所述候选热点路口加入待检测路口集合,若否,继续判断下一个候选热点路口;
所述中介中心度的计算公式为:
;
其中,表示所述候选热点路口集合中第j个候选热点路口的中介中心度,表示所述第j个候选热点路口;v表示所述候选热点路口集合,p表示所述候选热点路口集
合中的任意候选热点路口,q表示所述候选热点路口集合中与候选热点路口p不同的任意候
选热点路口;表示所述候选热点路口集合中,候选热点路口p与候选热点路口q之间的
最短路径的数量;表示所述候选热点路口集合中,候选热点路口p与候选热点路口
q之间经过候选热点路口的最短路径数量;
所述阈值L的计算公式为。
进一步地,所述S40,包括:
S41.创建一个流量相似矩阵,所述流量相似矩阵用于存储所述待检测路口集合中
待检测路口之间的流量皮尔逊系数,所述流量相似矩阵为的二维矩阵,M为所述待
检测路口集合中待检测路口的数量,所述流量相似矩阵的所有元素初始化为0,依次计算所
述待检测路口集合中第m个待检测路口与第n个待检测路口之间的路口车流量的流量皮
尔逊系数,将其存入所述流量相似矩阵中m行n列的位置,m与n的取值范围为1至M;
S42.创建一个通信相似矩阵,所述通信相似矩阵用于存储所述待检测路口集合中
待检测路口之间的通信皮尔逊系数,所述通信相似矩阵为的二维矩阵,所述通信相
似矩阵的所有元素初始化为0,依次计算所述待检测路口集合中第m个待检测路口与第n个
待检测路口之间的移动通信次数的通信皮尔逊系数;将其存入所述通信相似矩阵
中m行n列的位置;
S43.创建一个相似路口矩阵,所述相似路口矩阵用于存储所述待检测路口集合中
路口车流量与移动通信次数都相似的待检测路口,所述相似路口矩阵为的二维矩
阵,所述相似路口矩阵的所有元素初始化为0,依次判断所述流量相似矩阵中m行n列的流量
皮尔逊系数是否大于阈值Q,若是,转S44,若否,继续判断所述流量相似矩阵中的下一个流
量皮尔逊系数;
S44.判断所述通信相似矩阵中m行n列的通信皮尔逊系数是否大于阈值Q,若是,将相似路口矩阵中m行n列的元素值设为1;
所述阈值Q的取值为0.8。
进一步地,所述S41,包括:
所述流量皮尔逊系数的计算公式为:
;
其中,表示一周内的时间段数量,t表示当前时间段;表示时间段至当前时间段内所述待检测路口的路口车流量序列;表示时间段至当前时间段内所述待检测路口的路口车流量序列,表示时间段至当前时间段内所述待检测路口与所
述待检测路口的路口车流量序列的皮尔逊系数;
其中,的计算公式为:;
其中,表示一周的时间长度,g表示时间间隔,所述时间间隔取值为30分钟。
进一步地,所述S42,包括:
所述通信皮尔逊系数的计算公式为:
;
其中,表示一周内的时间段数量,t表示当前时间段;表示时间段至当前时间段内所述待检测路口的移动通信次数序列,表示时间
段至当前时间段内所述待检测路口的移动通信次数序列,表示时间段至当前时间段内所述待检测路口与所
述待检测路口的移动通信次数序列的皮尔逊系数;
其中,的计算公式为:;
其中,表示一周的时间长度,g表示时间间隔,所述时间间隔取值为30分钟。
进一步地,所述表示时间段至当前时间段内
所述待检测路口与所述待检测路口的路口车流量序列的皮尔逊系数,包括:
的计算公式为:
;
其中,表示时间段所述待检测路口的路口车流量;表示时间段至时间段内所述待检测路口的路口车流量平均值;表示时间段所述
待检测路口的路口车流量;表示时间段至时间段内所述待检测路口的
路口车流量平均值。
进一步地,所述表示时间段至当前时间段内
所述待检测路口与所述待检测路口的移动通信次数序列的皮尔逊系数,包括:
的计算公式为:
;
其中,表示时间段所述待检测路口的移动通信次数;表示时间段至时间段内所述待检测路口的移动通信次数平均值;表示时间段所
述待检测路口的移动通信次数;表示时间段至时间段内所述待检测路口的移动通信次数平均值。
本实施例获取历史一周内的城市区域路口数据源数据S和城市路网数据,得到路
口集合;根据所述路口类型从所述路口集合中得到可驾驶路口,根据所述历史一周内的
城市区域路口车流量计算所述可驾驶路口早上七点到九点的早高峰平均车流量,根据所
述早高峰平均车流量将所述可驾驶路口降序排序,取前50%的所述可驾驶路口作为候选热
点路口,将所述候选热点路口存入候选热点路口集合;计算所述候选热点路口集合中候选
热点路口的中介中心度,将所述中介中心度大于阈值L的所述候选热点路口存入待检测路
口集合;根据所述历史一周内的城市区域路口数据源数据S和城市路网数据分别计算所述
待检测路口集合中所有待检测路口之间的流量皮尔逊系数和通信皮尔逊系数,存入对应的
流量相似矩阵和通信相似矩阵,若流量相似矩阵中m行n列的元素值大于阈值Q且通信相似
矩阵中m行n列的元素值大于阈值Q,则将相似路口矩阵中m行n列的元素值置为1,得到所述
相似路口矩阵之后;依次根据所述相似路口矩阵的第i个行向量找出第i个待检测路口的相
似路口集合;获取当前时间段的城市区域路口数据源数据和城市区域划分信息;根据所述
当前时间段的城市区域路口数据源数据和所述第i个待检测路口的相似路口集合,采用LOF
算法对所述第i个待检测路口进行异常检测,若所述第i个待检测路口为异常路口,将所述
第i个待检测路口加入异常路口集合;在当前时间段根据城市区域划分信息将城市划分为
多个城市子区域,根据路口经纬度信息将所有待检测路口映射到所述城市子区域,得到当
前时间段每个所述城市子区域的子区域路口集合;在当前时间段根据所述异常路口集合找
出所述子区域路口集合中的异常路口,若所述子区域路口集合中的异常路口总数大于或等
于所述子区域路口集合中路口总数的60%,则当前时间段所述城市子区域为异常区域。
进一步地,参考图2,所述S70,包括:
所述LOF算法的主要步骤如下:
1)因为路口车流量和路口覆盖范围下的移动通信次数在数据规模上存在较
大差异,所以将当前时间段t的路口车流量和路口覆盖范围下的移动通信次数进行归
一化,归一化计算公式如下:
,;
其中,表示第个待检测路口的相似路口集合中的任意路口,表示在当前
时间段t路口归一化后的路口车流量,表示在当前时间段t路口的路口车流
量, 表示时间段至时间段内路口的路口车流量的最
小值, 表示时间段至时间段内路口的路口车流量的最
大值;表示在当前时间段t路口归一化后的路口覆盖范围下的移动通信次数,表示在当前时间段t路口的路口覆盖范围下的移动通信次数,
表示时间段至时间段内路口的路口覆盖范围下的移动通信次数的最小值, 表示时间段至时间段内路口的路口覆盖范围下的移动通
信次数的最大值;
2)根据归一化后的当前时间段t的路口车流量和路口覆盖范围下的移动通信次
数计算所述第i个待检测路口的相似路口集合中所有路口之间的欧式距离,并按距离升
序排序,计算公式如下:
;
其中,表示所述第i个待检测路口的相似路口集合中与路口不同的任意路
口,表示所述第i个待检测路口的相似路口集合中路口与路口的欧
氏距离;
3)根据城市区域内的路口数量设置k值,计算所述第i个待检测路口的相似路口集
合中所有路口的第k个最近的路口的距离,得到任意路口的k邻近距离,获取所述第i个待检测路口的相似路口集合中所有路口的邻居路口,
得到任意路口的邻居路口集合,所述邻居路口为距离任意路口的距离小于
路口的k邻近距离的所有路口,计算任意路口的邻居路口集合的
大小为;
4)计算所述第i个待检测路口的相似路口集合中所有路口之间的可达距离,其计算公式如下:
;
其中,表示取路口与的欧氏
距离和路口的k邻近距离之间的最大值;
5)计算所述第i个待检测路口的相似路口集合中所有路口的局部可达密度,其计算公式如下:
;
其中,表示路口的邻居路口集合中的任意路口;
6)根据第i个待检测路口与其邻居路口的所述局部可达密度计算所述第i个待检测路口的局部异常因子,若所述第i个待检测路口的局部异常因子大于1,则所述第i个待检测路口为异常路口,局部异常因子计算公式如下:
;
其中,表示所述第i个待检测路口,表示所述第i个待检测路口的邻居路口集
合中的任意路口,表示所述第i个待检测路口的局部异常因子。
本实施例将当前时间段t的路口车流量和路口覆盖范围下的移动通信次数进
行归一化;根据归一化后的当前时间段t的路口车流量和路口覆盖范围下的移动通信次
数计算第i个待检测路口的相似路口集合中所有路口之间的欧式距离,并按距离升序排
序;计算所述第i个待检测路口的相似路口集合中所有路口的k邻近距离,将与任意路口
的距离小于路口的k邻近距离的所有路口作为路口的邻居路口,得到所述第i个待检
测路口的相似路口集合中所有路口的邻居路口集合,计算任意路口的邻居路口
集合的大小;根据所述k邻近距离和路口之间的欧式距离计算所述第i个待检测路口的相似
路口集合中所有路口之间的可达距离;根据所述可达距离计算所述第i个待检测路口的相
似路口集合中所有路口的局部可达密度;根据第i个待检测路口与第i个待检测路口的邻居
路口的所述局部可达密度计算第i个待检测路口的局部异常因子,若第i个待检测路口的局
部异常因子大于1,则所述第i个待检测路口为异常路口。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种基于城市子区域热点路口挖掘的区域异常检测方法,其特征在于,包括:
S10.获取历史一周内的城市区域路口数据源数据S和城市路网数据,得到路口集合;所述路口数据源数据S,包括:路口车流量/>和路口覆盖范围下的移动通信次数/>;所述城市路网数据,包括:城市区域划分信息、路口经纬度信息、路口类型;
S20.根据所述路口类型从所述路口集合中得到可驾驶路口,根据所述历史一周内的城市区域路口车流量/>计算所述可驾驶路口早上七点到九点的早高峰平均车流量,根据所述早高峰平均车流量将所述可驾驶路口降序排序,取前50%的所述可驾驶路口作为候选热点路口,将所述候选热点路口存入候选热点路口集合;
S30.计算所述候选热点路口集合中候选热点路口的中介中心度,将所述中介中心度大于阈值L的所述候选热点路口存入待检测路口集合;
S40.根据所述历史一周内的城市区域路口数据源数据S和城市路网数据计算所述待检测路口集合中所有待检测路口之间的相似度,得到相似路口矩阵;
S50.根据所述相似路口矩阵的第i个行向量找出第i个待检测路口的相似路口集合,i初始值为0;
S60.获取当前时间段的城市区域路口数据源数据和城市区域划分信息;
S70.根据所述当前时间段的城市区域路口数据源数据和所述第i个待检测路口的相似路口集合,采用LOF算法对所述第i个待检测路口进行异常检测,若所述第i个待检测路口为异常路口,将所述第i个待检测路口加入异常路口集合;判断所述第i个行向量是否为所述相似路口矩阵的最后一个行向量,若是,转S80,若否,i=i+1,转S50;
S80.在当前时间段根据所述城市区域划分信息将城市划分为多个城市子区域,根据所述路口经纬度信息将所述待检测路口集合中所有待检测路口映射到所述城市子区域,得到当前时间段每个所述城市子区域的子区域路口集合;
S90.在当前时间段根据所述异常路口集合找出所述子区域路口集合中的异常路口,若所述子区域路口集合中的异常路口总数大于或等于所述子区域路口集合中路口总数的60%,则当前时间段所述城市子区域为异常区域。
2.如权利要求1所述的一种基于城市子区域热点路口挖掘的区域异常检测方法,其特征在于,所述S10,包括:
所述路口集合,/>表示第N个路口,N为路口总数;
所述路口类型,包括可驾驶路口和非驾驶路口;
所述城市区域划分信息表示城市分区拓扑图;
所述城市分区拓扑图将城市区域划分为多个城市子区域。
3.如权利要求1所述的一种基于城市子区域热点路口挖掘的区域异常检测方法,其特征在于,所述S30,包括:
计算所述候选热点路口集合中所有候选热点路口的中介中心度,依次判断所述候选热点路口的中介中心度是否大于阈值L,若是,将所述候选热点路口加入待检测路口集合,若否,继续判断下一个候选热点路口;
所述中介中心度的计算公式为:
;
其中,表示所述候选热点路口集合中第j个候选热点路口的中介中心度,/>表示所述第j个候选热点路口;v表示所述候选热点路口集合,p表示所述候选热点路口集合中的任意候选热点路口,q表示所述候选热点路口集合中与候选热点路口p不同的任意候选热点路口;/>表示所述候选热点路口集合中,候选热点路口p与候选热点路口q之间的最短路径的数量;/>表示所述候选热点路口集合中,候选热点路口p与候选热点路口q之间经过候选热点路口/>的最短路径数量;
所述阈值L的计算公式为。
4.如权利要求1所述的一种基于城市子区域热点路口挖掘的区域异常检测方法,其特征在于,所述S40,包括:
S41.创建一个流量相似矩阵,所述流量相似矩阵用于存储所述待检测路口集合中待检测路口之间的流量皮尔逊系数,所述流量相似矩阵为的二维矩阵,M为所述待检测路口集合中待检测路口的数量,所述流量相似矩阵的所有元素初始化为0,依次计算所述待检测路口集合中第m个待检测路口与第n个待检测路口之间的路口车流量/>的流量皮尔逊系数/>,将其存入所述流量相似矩阵中m行n列的位置,m与n的取值范围为1至M;
S42.创建一个通信相似矩阵,所述通信相似矩阵用于存储所述待检测路口集合中待检测路口之间的通信皮尔逊系数,所述通信相似矩阵为的二维矩阵,所述通信相似矩阵的所有元素初始化为0,依次计算所述待检测路口集合中第m个待检测路口与第n个待检测路口之间的移动通信次数/>的通信皮尔逊系数/>;将其存入所述通信相似矩阵中m行n列的位置;
S43.创建一个相似路口矩阵,所述相似路口矩阵用于存储所述待检测路口集合中路口车流量与移动通信次数都相似的待检测路口,所述相似路口矩阵为的二维矩阵,所述相似路口矩阵的所有元素初始化为0,依次判断所述流量相似矩阵中m行n列的流量皮尔逊系数是否大于阈值Q,若是,转S44,若否,继续判断所述流量相似矩阵中的下一个流量皮尔逊系数;
S44.判断所述通信相似矩阵中m行n列的通信皮尔逊系数是否大于阈值Q,若是,将相似路口矩阵中m行n列的元素值设为1;
所述阈值Q的取值为0.8。
5.如权利要求4所述的一种基于城市子区域热点路口挖掘的区域异常检测方法,其特征在于,所述S41,包括:
所述流量皮尔逊系数的计算公式为:
;
其中,表示一周内的时间段数量,t表示当前时间段;/>表示时间段/>至当前时间段/>内所述待检测路口/>的路口车流量序列;/>表示时间段/>至当前时间段/>内所述待检测路口/>的路口车流量序列,/>表示时间段/>至当前时间段/>内所述待检测路口/>与所述待检测路口/>的路口车流量序列的皮尔逊系数;
其中,的计算公式为:/>;
其中,表示一周的时间长度,g表示时间间隔,所述时间间隔取值为30分钟。
6.如权利要求4所述的一种基于城市子区域热点路口挖掘的区域异常检测方法,其特征在于,所述S42,包括:
所述通信皮尔逊系数的计算公式为:
;
其中,表示一周内的时间段数量,t表示当前时间段;/>表示时间段/>至当前时间段/>内所述待检测路口/>的移动通信次数序列,/>表示时间段至当前时间段/>内所述待检测路口/>的移动通信次数序列,表示时间段/>至当前时间段/>内所述待检测路口/>与所述待检测路口/>的移动通信次数序列的皮尔逊系数;
其中,的计算公式为:/>;
其中,表示一周的时间长度,g表示时间间隔,所述时间间隔取值为30分钟。
7.如权利要求5所述的一种基于城市子区域热点路口挖掘的区域异常检测方法,其特征在于,所述表示时间段/>至当前时间段/>内所述待检测路口/>与所述待检测路口/>的路口车流量序列的皮尔逊系数,包括:
的计算公式为:
;
其中,表示时间段/>所述待检测路口/>的路口车流量;/>表示时间段至时间段/>内所述待检测路口/>的路口车流量平均值;/>表示时间段/>所述待检测路口/>的路口车流量;/>表示时间段/>至时间段/>内所述待检测路口/>的路口车流量平均值。
8.如权利要求6所述的一种基于城市子区域热点路口挖掘的区域异常检测方法,其特征在于,所述表示时间段/>至当前时间段/>内所述待检测路口/>与所述待检测路口/>的移动通信次数序列的皮尔逊系数,包括:
的计算公式为:
;
其中,表示时间段/>所述待检测路口/>的移动通信次数;/>表示时间段至时间段/>内所述待检测路口/>的移动通信次数平均值;/>表示时间段/>所述待检测路口/>的移动通信次数;/>表示时间段/>至时间段/>内所述待检测路口的移动通信次数平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310889489.1A CN116631195B (zh) | 2023-07-20 | 2023-07-20 | 一种基于城市子区域热点路口挖掘的区域异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310889489.1A CN116631195B (zh) | 2023-07-20 | 2023-07-20 | 一种基于城市子区域热点路口挖掘的区域异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116631195A true CN116631195A (zh) | 2023-08-22 |
CN116631195B CN116631195B (zh) | 2023-10-13 |
Family
ID=87621567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310889489.1A Active CN116631195B (zh) | 2023-07-20 | 2023-07-20 | 一种基于城市子区域热点路口挖掘的区域异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116631195B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117411731A (zh) * | 2023-12-15 | 2024-01-16 | 江西师范大学 | 一种基于lof算法的加密ddos流量异常检测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663887A (zh) * | 2012-04-13 | 2012-09-12 | 浙江工业大学 | 基于物联网技术的道路交通信息云计算和云服务实现系统及方法 |
JP2016110242A (ja) * | 2014-12-03 | 2016-06-20 | パナソニックIpマネジメント株式会社 | 交通信号制御装置および交通信号制御方法 |
CN109272760A (zh) * | 2018-10-18 | 2019-01-25 | 银江股份有限公司 | 一种scats系统检测器数据异常值的在线检测方法 |
CN110580323A (zh) * | 2019-09-20 | 2019-12-17 | 河南工业大学 | 基于割点分割机制的城市交通网络最大车流量的加速算法 |
CN110609824A (zh) * | 2019-09-09 | 2019-12-24 | 南京师范大学 | 城市路网环境下基于动态空间网络模型的热点区域检测方法 |
CN112651435A (zh) * | 2020-12-22 | 2021-04-13 | 中国南方电网有限责任公司 | 一种基于自学习的电力网络探针流量异常的检测方法 |
CN112907985A (zh) * | 2019-11-19 | 2021-06-04 | 杭州海康威视数字技术股份有限公司 | 交通控制区域的划分方法及装置 |
CN112966853A (zh) * | 2021-02-04 | 2021-06-15 | 南通大学 | 基于时空残差混合模型的城市路网短时交通流预测方法 |
CN114118224A (zh) * | 2021-11-02 | 2022-03-01 | 中国运载火箭技术研究院 | 一种基于神经网络的全系统遥测参数异常检测系统 |
CN114925836A (zh) * | 2022-07-20 | 2022-08-19 | 中国海洋大学 | 基于动态多视图图神经网络的城市交通车流量推理方法 |
WO2022247677A1 (zh) * | 2021-05-28 | 2022-12-01 | 南京师范大学 | 基于混合深度学习模型的城市区域路网过车流量预测方法及其系统 |
-
2023
- 2023-07-20 CN CN202310889489.1A patent/CN116631195B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663887A (zh) * | 2012-04-13 | 2012-09-12 | 浙江工业大学 | 基于物联网技术的道路交通信息云计算和云服务实现系统及方法 |
JP2016110242A (ja) * | 2014-12-03 | 2016-06-20 | パナソニックIpマネジメント株式会社 | 交通信号制御装置および交通信号制御方法 |
CN109272760A (zh) * | 2018-10-18 | 2019-01-25 | 银江股份有限公司 | 一种scats系统检测器数据异常值的在线检测方法 |
CN110609824A (zh) * | 2019-09-09 | 2019-12-24 | 南京师范大学 | 城市路网环境下基于动态空间网络模型的热点区域检测方法 |
CN110580323A (zh) * | 2019-09-20 | 2019-12-17 | 河南工业大学 | 基于割点分割机制的城市交通网络最大车流量的加速算法 |
CN112907985A (zh) * | 2019-11-19 | 2021-06-04 | 杭州海康威视数字技术股份有限公司 | 交通控制区域的划分方法及装置 |
CN112651435A (zh) * | 2020-12-22 | 2021-04-13 | 中国南方电网有限责任公司 | 一种基于自学习的电力网络探针流量异常的检测方法 |
CN112966853A (zh) * | 2021-02-04 | 2021-06-15 | 南通大学 | 基于时空残差混合模型的城市路网短时交通流预测方法 |
WO2022247677A1 (zh) * | 2021-05-28 | 2022-12-01 | 南京师范大学 | 基于混合深度学习模型的城市区域路网过车流量预测方法及其系统 |
CN114118224A (zh) * | 2021-11-02 | 2022-03-01 | 中国运载火箭技术研究院 | 一种基于神经网络的全系统遥测参数异常检测系统 |
CN114925836A (zh) * | 2022-07-20 | 2022-08-19 | 中国海洋大学 | 基于动态多视图图神经网络的城市交通车流量推理方法 |
Non-Patent Citations (5)
Title |
---|
JIANG XINGHONG ET.AL: "An Encrypted Abnormal Stream Detection Method Based on Improved Skyline Computation", 2022 INTERNATIONAL CONFERENCE ON NETWORKING AND NETWORK APPLICATIONS (NANA), pages 198 - 204 * |
宋洋洋;张美乐;李林;: "历史地区慢行交通网络规划优化研究――以重庆木洞传统风貌区为例", 居业, no. 01, pages 76 - 77 * |
曾子涵;: "基于贝叶斯网络的交通拥堵实时预测", 冶金管理, no. 21, pages 27 - 29 * |
王若华 等: "一种基于超级账本的高速公路通行数据区块链", 北京信息科技大学学报(自然科学版), vol. 36, no. 2, pages 69 - 75 * |
许明;吴建平;杜怡曼;谢峰;肖云鹏: "基于三部图的路网节点关键度排序方法", 北京邮电大学学报, no. 0, pages 51 - 54 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117411731A (zh) * | 2023-12-15 | 2024-01-16 | 江西师范大学 | 一种基于lof算法的加密ddos流量异常检测方法 |
CN117411731B (zh) * | 2023-12-15 | 2024-03-01 | 江西师范大学 | 一种基于lof算法的加密ddos流量异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116631195B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108345666B (zh) | 一种基于时间-空间孤立点的车辆异常轨迹检测方法 | |
CN112085947B (zh) | 一种基于深度学习和模糊聚类的交通拥堵预测方法 | |
CN102521965B (zh) | 基于车牌识别数据的交通需求管理措施效果评价方法 | |
CN106856049B (zh) | 基于卡口号牌识别数据的关键交叉口需求集聚分析方法 | |
Cui et al. | Identifying mismatch between urban travel demand and transport network services using GPS data: A case study in the fast growing Chinese city of Harbin | |
Yang et al. | Use of ubiquitous probe vehicle data for identifying secondary crashes | |
CN116631195B (zh) | 一种基于城市子区域热点路口挖掘的区域异常检测方法 | |
CN108109382A (zh) | 一种基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法 | |
EP2590151A1 (en) | A framework for the systematic study of vehicular mobility and the analysis of city dynamics using public web cameras | |
CN115331425B (zh) | 一种交通预警方法、装置和系统 | |
CN111179601B (zh) | 隧道交通运行管控方法 | |
CN106595665A (zh) | 一种障碍空间中移动对象时空轨迹的预测方法 | |
CN108122186B (zh) | 一种基于卡口数据的职住位置估计方法 | |
CN108257385B (zh) | 一种基于公共交通的异常事件的甄别方法 | |
CN111009122A (zh) | 隧道交通运行风险评估方法 | |
Chen et al. | Pattern recognition using clustering algorithm for scenario definition in traffic simulation-based decision support systems | |
CN107944628A (zh) | 一种路网环境下的聚集模式发现方法及系统 | |
US10706720B2 (en) | Predicting vehicle travel times by modeling heterogeneous influences between arterial roads | |
CN114442623B (zh) | 一种基于时空图神经网络的农机作业轨迹田路分割方法 | |
CN114372503A (zh) | 一种集群车辆运动轨迹预测方法 | |
Senarath et al. | Emergency incident detection from crowdsourced waze data using bayesian information fusion | |
Jintanakul et al. | Bayesian mixture model for estimating freeway travel time distributions from small probe samples from multiple days | |
Thu et al. | Multi-source data analysis for bike sharing systems | |
CN117251722A (zh) | 一种基于大数据的智慧交通管理系统 | |
CN113409574B (zh) | 一种基于贝叶斯网络的交通健康诊断方法 |
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 |