CN116860840B - 用于高速公路路面信息快速检索方法 - Google Patents
用于高速公路路面信息快速检索方法 Download PDFInfo
- Publication number
- CN116860840B CN116860840B CN202311132073.1A CN202311132073A CN116860840B CN 116860840 B CN116860840 B CN 116860840B CN 202311132073 A CN202311132073 A CN 202311132073A CN 116860840 B CN116860840 B CN 116860840B
- Authority
- CN
- China
- Prior art keywords
- correlation
- expressway
- information
- value
- attribute
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000001514 detection method Methods 0.000 claims abstract description 102
- 230000002159 abnormal effect Effects 0.000 claims abstract description 36
- 238000011156 evaluation Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000005856 abnormality Effects 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 description 56
- 230000000694 effects Effects 0.000 description 11
- 238000005299 abrasion Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- VEMKTZHHVJILDY-UHFFFAOYSA-N resmethrin Chemical compound CC1(C)C(C=C(C)C)C1C(=O)OCC1=COC(CC=2C=CC=CC=2)=C1 VEMKTZHHVJILDY-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及数据处理领域,具体涉及用于高速公路路面信息快速检索方法,根据不同高速公路路面信息的历史数据计算第一相关性以及第二相关性;将第一相关性与第二相关性的乘积作为不同高速公路路面信息的对应相关性;根据各高速公路的路面信息之间的对应相关性以及高速公路之间的距离得到不同高速公路之间的区域相关性,然后根据各高速公路历史数据的相关性与归一化异常检测值的相关性之间的差异得到异常检测评价值;根据异常检测评价值得到最佳K值;结合LOF算法获取各高速公路路面信息异常程度,进而计算各高速公路关注度;结合关注度对高速公路路面信息的检索排序。从而实现高速公路路面信息检索排序,具有较高检索效率。
Description
技术领域
本申请涉及数据处理领域,具体涉及用于高速公路路面信息快速检索方法。
背景技术
高速公路路面信息包含了大量的数据,如道路状况、交通流量、事故报告等。这些数据往往是实时生成的,并且需要被快速检索和查询。因此,可根据高速公路路面信息进行异常状况的分析,进而对各高速公路路面信息进行相应的管理,而如何高效地处理和管理大规模的高速公路路面信息数据成为一个挑战。
局部异常因子检测算法具有较好的异常检测效果,但是在使用LOF算法进行异常检测时,不同K值会对LOF异常检测算法的结果造成不同的影响,故需要根据具体的场景确定对应的K值,以保证数据异常检测精度。传统大多为固定K值,且对于K值的设定具有随机性,导致对高速公路路面信息的检测出现较大的误差,存在错检误检的情况。
综上所述,本发明提出用于高速公路路面信息快速检索方法,根据高速公路路面信息所提取的特征对LOF算法中的K值进行自适应设定,结合改进的LOF算法对高速公路路面信息进行异常检测,获取各高速公路路面信息的异常程度,进而获取各高速公路的关注度,根据各高速公路关注度对高速公路路面信息检索排序进行自适应设定,实现高速公路路面信息的快速、高效检索。
发明内容
为了解决上述技术问题,本发明提供用于高速公路路面信息快速检索方法,以解决现有的问题。
本发明的用于高速公路路面信息快速检索方法采用如下技术方案:
本发明一个实施例提供了用于高速公路路面信息快速检索方法,该方法包括以下步骤:
采集各高速公路的多种路面信息,结合神经网络获取各高速公路路面信息的数据;
根据不同高速公路路面信息的历史数据得到不同高速公路路面信息之间第一相关性;根据聚类后各高速公路路面信息聚类结果之间的关系得到不同高速公路路面信息之间的第二相关性;将所述第一相关性与第二相关性的乘积作为不同高速公路路面信息的对应相关性;根据各高速公路的路面信息之间的对应相关性以及高速公路之间的距离得到不同高速公路之间的区域相关性;
采用不同K值的LOF算法获取各数据所对应的各归一化异常检测值;获取各归一化异常检测值之间的对应相关性、区域相关性;将对应相关性以及区域相关性均记为相关性,根据各高速公路历史数据的相关性与归一化异常检测值的相关性之间的差异得到异常检测评价值;
根据不同K值对应的异常检测评价值得到最佳K值;根据最佳K值结合LOF算法获取各高速公路路面信息异常程度;根据各高速公路路面信息异常程度以及高速公路历史检索信息得到各高速公路关注度;结合各高速公路关注度完成高速公路路面信息的检索排序。
优选的,所述结合神经网络获取各高速公路路面信息的数据具体为:各高速公路摄像头采集的图像作为神经网络的输入,神经网络的输出为各高速公路路面信息的数据,其中,神经网络输出结果为0到1。
优选的,所述第一相关性表达式为:
式中,为归一化处理,t表示历史数据量,/>表示历史数据中第c个属性的第u个历史数据,/>表示历史数据中第d个属性的第u个历史数据,/>表示历史数据中第c个属性对应历史数据的均值,/>表示历史数据中第d个属性对应历史数据的均值,其中所述属性代表高速公路路面信息,/>为第c个属性对应的高速公路路面信息和第d个属性对应的高速公路路面信息之间的第一相关性,/>为每个属性的历史数据索引值。
优选的,所述第二相关性表达式为:
式中,为属性c、d之间的第二相关性,/>表示第c个属性的聚类簇数量,/>表示属性d的第一聚类簇的数量,/>表示属性d的第二聚类簇数量,/>表示第二聚类簇o中各数据到聚类中心点的欧氏距离均值,/>为归一化处理,/>为每个属性的聚类簇索引值,/>为每个属性的第二聚类簇索引值。
优选的,所述区域相关性包括:对于任意两个不同的高速公路,区域相关性与所述两个不同高速公路之间的距离成反比关系,与两个不同高速公路的各高速公路路面信息对应相关性差值绝对值成反比关系。
优选的,所述异常检测评价值包括:计算各高速公路历史数据的相关性与对应归一化异常检测值相关性的差值绝对值的和值,将所述和值的倒数作为异常检测评价值。
优选的,所述根据不同K值对应的异常检测评价值得到最佳K值具体步骤包括:
计算不同K值的异常检测评价值,并将异常检测评价值高于阈值所对应的K值作为最佳K值。
优选的,所述高速公路路面信息异常程度包括:对于各高速公路,采用LOF算法结合最佳K值获取高速公路各路面信息的归一化异常检测值,将最大归一化异常检测值作为高速公路路面信息异常程度。
优选的,所述高速公路关注度包括:
对于各高速公路,获取高速公路的历史检索次数与所有高速公路历史检索次数之和的比值;获取所述比值与高速公路具体信息查看次数的乘积;
将所述乘积与高速公路路面信息异常程度的乘积作为高速公路关注度。
优选的,所述结合各高速公路关注度完成高速公路路面信息的检索排序包括:
将关注度最大的高速公路的检索顺序排在最上面,按照关注度从大到小的顺序依次对各高速公路检索顺序进行从上到下排序。
本发明至少具有如下有益效果:
考虑到传统LOF算法在进行高速公路路面信息检测处理时,极易出现错检、误检现象,本发明通过基于高速公路历史数据进行分析,进而获取各项高速公路路面信息之间相关性,同时分析不同高速公路之间对应数据相关性,可提高高速公路数据之间相关性的检测精度,进而保证各高速公路路面信息的检索排序效果;
为避免传统LOF异常检测过程中K值固定选取或者随机设定的问题,本发明结合使用LOF算法所得各异常检测值之间的相关性构建LOF算法效果检测的异常检测评价值,进而获取算法对应优选K值,提高了使用LOF算法得到异常检测值的准确性,进而提高基于此得到的高速公路信息关注度的真实性、可靠性,同时保证在进行高速公路检索结果的排序时,排序结果更理想,增加用户检索时的速度,使得用户可以快速检索到其目标高速公路的路面信息,提高检索效率。本发明具有高速公路路面信息检测精度高、检索高效等有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中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它附图。
图1为本发明提供的用于高速公路路面信息快速检索方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的用于高速公路路面信息快速检索方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的用于高速公路路面信息快速检索方法的具体方案。
本发明一个实施例提供的用于高速公路路面信息快速检索方法。
具体的,提供了如下的用于高速公路路面信息快速检索方法,请参阅图1,该方法包括以下步骤:
步骤S001,采集高速公路路面各种信息,作为高速公路路面信息检测的基础。
本实施例主要根据各高速公路路面信息数据的检测,获取各高速公路路面信息的数据异常状况,进而获取各高速公路的关注度,结合高速公路关注度实现对高速公路路面信息的检索排序,实现高效检索。因此,本实施例将首先对高速公路路面信息进行采集,获取地理坐标或对应高速公路路段名称信息,然后对高速公路路面信息进行提取以对路面状况进行判定,高速公路路面信息包括很多种,包括但不限于交通拥堵程度、路面不平整度、路面湿滑程度、交通设施破损程度、路面磨损程度、是否存在施工区域、是否存在积水、是否结冰等情况,具体高速公路路面信息的选取实施者可根据实际情况自行设定,本实施例主要包括上述八种高速公路路面信息。
上述高速公路路面信息获取方法均为对应高速公路对应区域监控摄像头采集得到的视频图像,采集时间的设定实施者自行设定,同理,采集频次本实施例也不做限制,本实施例中每小时采集一次。需要说明的是,在进行高速公路路面信息分析时,实施者也可选取高速公路路面信息的历史视频图像对对应的高速公路路面信息进行分析,具体情况本实施例对此不做限制。
获取高速公路路面图像后,然后使用神经网络获取各高速公路区域的路面信息,其中神经网络使用现有全连接神经网络,网络输入为高速公路摄像头采集得到的图像,网络输出作为各高速公路路面信息的数据,所述数据用于表征对应高速公路路面信息的状况,对于交通拥堵程度、路面不平整度、路面湿滑程度、交通设施破损程度、路面磨损程度高速公路路面信息,网络输出结果为0到1,网络输出值越大,则对应高速公路路面信息的程度越高,对于是否存在施工区域、是否存在积水、是否结冰,网络输出结果为0或者1,其中0代表不存在,1代表存在,网络训练的损失函数使用交叉熵损失函数,其中神经网络以及训练过程为公知技术,不在本实施例保护范围内,在此不做详细阐述,具体的网络模型本实施例不做限制。
至此,即可通过本实施例上述方法获取高速公路路面信息,并根据神经网络得到各种情况下高速公路路面信息所对应的数据。需要说明的是,网络输出的结果即为各高速公路路面信息的数据,后续所述数据均为各高速公路路面信息对应的网络输出结果,对数据的处理分析全部是在网络输出数据的基础上进行的,也即根据高速公路路面信息的数据的分析,作为各高速公路路面信息的数据进行异常检测的基础。
步骤S002:对高速公路的数据进行异常检测,构建异常检测评价值以获取最佳K值,进而得到各高速公路的关注度。
本实施例旨在根据各高速公路路面信息的数据异常状况对高速公路路面信息的检索进行设定,以提高高速公路路面信息的检索效率,因此,本实施例将对高速公路路面的数据进行异常检测,当高速公路路面信息的数据中出现异常值时,说明其对应需要重点观察,则其对应查询重要性应该设置高于其他高速公路路面信息,故可根据所得数据异常程度进行分析,进而获取其数据对应查询重要性。LOF(局部异常因子)算法是异常检测中最为常见的算法之一,本实施例采用LOF算法对高速公路路面信息的数据进行异常检测,对于LOF算法中的最近邻K值,考虑到在采用LOF进行异常检测时,其中K值的设定会对LOF异常检测结果造成影响,传统K值大多为随机设定,导致数据异常检测出现大量的错检误检现象,故本实施例将对LOF算法中的K值进行自适应设定,实现了一种自适应K值的异常检测算法,本实施例将根据不同K值下的异常检测评价结果,对LOF异常检测过程中的K值进行选取。具体过程为:
首先,本实施例将对LOF算法中的参数K值的初始值进行设定,K值初始值的设定实施者可自行选取,本实施例不坐下限制,本实施例将K值的初始值设定为3,然后,本本实施例将对K值下的异常检测过程进行分析,以便获取异常检测评价结果,对K值进行自适应选取。
对于高速公路路面不同数据属性之间,也即不同信息之间,具有一定的关联性,某些数据属性之间时存在相关性的,比如积水程度和结冰程度,因此,在分析异常数据时,两者之间的异常程度也会存在一定的相关性。需要说明的是,为便于描述,所述属性即为上述不同的各高速公路路面信息,每种高速公路路面信息即对应一种属性,后续所述属性均为此含义,不在进行一一解释阐述。其中根据所有高速公路历史数据获取不同属性之间第一相关性,表达式为:
其中,为归一化处理,t表示历史数据量,/>表示历史数据中第c个属性的第u个历史数据,/>表示历史数据中第d个属性的第u个历史数据,/>表示历史数据中第c个属性对应历史数据的均值,/>表示历史数据中第d个属性对应历史数据的均值,/>为第c个属性对应的高速公路路面信息和第d个属性对应的高速公路路面信息之间的第一相关性,/>为每个属性的历史数据索引值。根据第一相关性函数可知,属性c、d在历史数据中对应数据的比值越相近,则说明两个属性之间的相关性越强。需要说明的是,所述数据均为步骤S001中根据对应高速公路路面信息得到的网络输出结果。
进一步,本实施例将根据历史信息进行分析,对各高速公路路面信息的历史信息对应的历史数据进行聚类分析,获取各高速公路路面信息的聚类结果,也即获取各属性的聚类结果。需要说明的是,具体的聚类过程以及聚类算法的选取本实施例不做限制,实施者可自行选取,本实施例采用OPTICS聚类算法对各属性历史数据进行聚类分析。根据单一属性聚类结果进行分析可知,各属性数据的聚类也存在一定的影响,当根据单一属性进行分析时,其对应另一属性在其聚类簇中分布越集中,则说明在对前一属性聚类时,对另一属性也起到了聚类的作用,即可说明两个属性的相关性越强。因此,本实施例将根据各属性聚类之间的影响对属性之间的相关性进行进一步检测分析。根据聚类后各属性聚类结果之间的关系构建各属性之间的第二相关性,则据此获取的第二相关性表达式为:
其中,表示第c个属性进行聚类得到的聚类簇数量,/>表示属性c聚类后对应第r个聚类簇内各数据对应采集时间的第d个属性进行聚类所得到的聚类簇数量,/>表示属性d聚类后得到的聚类簇的数量。/>表示属性c聚类后对应第r个聚类簇内各数据对应采集时间的第d个属性聚类得到的第o个聚类簇中各数据与聚类中心点的欧式距离均值,/>为每个属性的聚类簇索引值,/>为每个属性的第二聚类簇索引值。需要说明的是,对于/>后面有更加详细的介绍,/>为属性d的第一聚类簇数量,/>为属性d的第二聚类簇数量,具体在第二相关性的构建逻辑中进行详细解释。
所述第二相关性的构建逻辑为:首先对属性c进行聚类,获取属性c的每个聚类簇内各数据对应的采集时间,然后对第d个属性在各采集时间对应的各数据进行聚类得到聚类簇,将各聚类簇记为第d个属性的第二聚类簇,第二聚类簇的数量记为,/>越小,则说明第c个属性与第d个属性之间的聚类越一致;结合聚类算法直接对第d个属性的所有历史数据进行聚类得到各聚类簇,记为第d个属性的第一聚类簇,所述第一聚类簇的数量记为/>,当所述第一聚类簇/>与第二聚类簇的数量/>之间的差异越大,也即/>越大,则说明在对属性c进行聚类划分后,聚类簇内属性d在对应采集时刻的数据也跟着聚类的变化而变化,也即属性d的聚类结果与属性c的聚类结果有一定的相关性;/>为第二聚类簇o中各数据到聚类中心点的欧式距离均值,用于表征第二聚类簇o的聚集程度,/>越小,则第d个属性的各第二聚类簇内的数据聚集程度越高,属性d与属性c之间的第二相关性也对应越大。
因此,根据本实施例上述分析可知,两个属性之间的聚类结果相关性越强,则两个属性之间越关联,本实施例中将根据所述第一相关性以及第二相关性对两个属性之间的对应相关性进行计算:
式中,表示属性c、d之间的对应相关性,/>分别为属性c、d之间的第一相关性、第二相关性;所述对应相关性越大,则对应两属性之间的数据波动越一致,高速公路路面变化状况关联性越高。
至此,根据本实施例上述方法可获取任意两个属性之间的相关性,用于对不同属性之间的数据变化相关性情况进行检测分析。
然后,本实施例考虑到不同高速公路的空间位置信息,对于高速公路路面信息之间的关联性也会存在一定的影响,根据对不同高速公路信息进行分析可知,对于距离相近的区域,其对应各个高速公路存在某些属性的相似性,因此,本实施例将通过区域相关性对高速公路路面信息进行进一步分析,获取不同属性之间的区域相关性。本实施例结合历史数据进行分析,获取不同高速公路对应的各属性之间的相似程度。所述区域相关性表达式具体为:
其中,为高速公路/>之间的区域相关性,/>表示仅使用第/>个高速公路历史数据获取的第c个属性与第d个属性的对应相关性,/>表示仅使用第/>个高速公路历史数据获取的第c个属性与第d个属性的对应的相关性。/>表示两个高速公路的距离,需要说明的是,在实际环境中/>,对于两个高速公路的距离的计算本实施例不做限制,实施者可自行定义两条高速公路的距离,本实施例中使用基于对应高速公路的经纬度由欧式距离计算获取。根据区域相关性可知,即当所求两个高速公路对应各个属性之间的历史数据的差异越小,且对应两个高速公路的距离越近,则说明两个高速公路各项数据的相关性越强。
重复本实施例上述方法,获取不同高速公路之间的区域相关性。
最后,本实施例将结合初始K值采用LOF算法对各属性的数据进行异常检测,获取各数据的异常检测值,并对各数据的异常检测值进行归一化处理。需要说明的是,LOF算法获取各数据的异常检测值的过程为现有公知技术,不在本实施例保护范围内,在此不做详细阐述。
进一步,根据本实施例上述属性之间的相关性分析可知,两个属性之间的对应相关性越高,区域相关性越高,则两个属性的异常检测值之间的对应相关性以及区域相关性也应当越高,即当原本对应属性之间的关联性越大,则其对应异常检测值使用本实施例上述方法获取的对应相关性以及区域相关性应该也越大,因此,对于各属性数据的异常检测值,本实施例将采用本实施例上述方法获取各属性异常检测值之间的对应相关性以及区域相关性,当基于异常检测值之间的对应相关性与基于各属性的数据直接获取的对应相关性差异越小,以及基于异常检测值之间的区域相关性与基于高速公路各数据直接获取的区域相关性的差异越小,则说明异常检测效果越好。因此,本实施例将结合各属性之间的相关性以及各属性的异常检测值之间的相关性,计算异常检测评价值,所述异常检测评价值表达式具体为:
其中,表示根据所有高速公路历史数据所得第c个属性与第d个属性的对应相关性,/>表示高速公路/>之间的区域相关性,/>表示第c个属性、第d个属性的历史数据经过LOF异常检测算法所得的异常检测值之间的对应相关性,/>表示高速公路/>的历史数据经过LOF异常检测算法所得的异常检测值之间的区域相关性,P表示当前检索系统或分析单元所包含的高速公路的数量,上式中,/>的取值分别为从1到P,且/>,/>的取值分别从1到/>,且/>,/>为避免分母为零的参数,实施者可自行设定,本实施例设置为/>。根据异常检测评价值函数可知,基于异常检测值获取的相关性与基于各属性的数据直接获取的相关性差异越小,则说明异常检测效果越好,需要说明的是所述相关性包括对应相关性以及区域相关性。
根据本实施例上述方法可知,异常检测评价值越大,则说明当前K值下对应LOF算法的异常检测结果越好,设置阈值ζ=0.8,需要说明的是阈值的设定本实施例不做限制,实施者可根据实际情况自行设置具体取值。当所求异常检测评价值高于阈值时,此时的K值最佳,对应的高速公路的数据异常检测效果越好,将此时的K值作为高速公路的各数据异常检测的最佳K值,并结合LOF算法进行异常检测;当所求异常检测评价值/>低于阈值时,此时高速公路的各数据异常检测效果不佳,则本实施例将进行K值的自适应调整,将初始K值加1,重新本实施例上述方法,直至满足所求异常检测评价值/>高于阈值即可。
步骤S003:根据各高速公路路面信息的关注度,对各高速公路进行快速检索排序。
本实施例将对各高速公路的里面信息关注度进行分析,根据高速公路的各属性的异常检测结果以及高速公路历史检索信息,获取高速公路所需的关注度,所述高速公路关注度表达式具体为:
其中,表示高速公路q的关注度n表示所有高速公路的历史检索次数之和,s表示高速公路q的历史检索次数,r表示检索后查看高速公路q具体信息的次数,也即高速公路q具体信息的查看次数,需要说明的是,所述查看高速公路具体信息本实施例中定义为:点击查看高速公路实时监控摄像头或点击查看高速公路对应的各高速公路路面信息,需要说明的是,对于上述各检索次数的统计均可通过现有技术实现,具体获取方法不在本实施例保护范围内,本实施例对此不做限制。/>表示高速公路q路面信息的异常程度,/>为结合最佳K值采用LOF算法获取的高速公路q的高速公路路面信息h对应的归一化异常检测值,/>表示高速公路路面信息种类数,本实施例中/>。当历史检索结果包含对应高速公路检索结果的比例越大,且查看对应高速公路信息的次数越多,则对应高速公路路面信息的关注度越大,同时,高速公路路面信息异常程度越大,则高速公路被检索可能性也越高。
重复上述方法,获取各高速公路的关注度,并根据高速公路关注度对高速公路路面信息检索进行排序,本实施例中将高速公路关注度最高的排在最上面,依次对各高速公路路面信息检索顺序进行排序。本实施例所述方法可方便检索人员可以快速检索到所需内容,提高高速公路路面信息的检索效率。
综上所述,本发明实施例考虑到传统LOF算法在进行高速公路路面信息检测处理时,极易出现错检、误检现象,本发明实施例通过基于高速公路历史数据进行分析,进而获取各项高速公路路面信息之间相关性,同时分析不同高速公路之间对应数据相关性,可提高高速公路数据之间相关性的检测精度,进而保证各高速公路路面信息的检索排序效果;
为避免传统LOF异常检测过程中K值固定选取或者随机设定的问题,本发明实施例结合使用LOF算法所得各异常检测值之间的相关性构建LOF算法效果检测的异常检测评价值,进而获取算法对应优选K值,提高了使用LOF算法得到异常检测值的准确性,进而提高基于此得到的高速公路信息关注度的真实性、可靠性,同时保证在进行高速公路检索结果的排序时,排序结果更理想,增加用户检索时的速度,使得用户可以快速检索到其目标高速公路的路面信息,提高检索效率。本发明实施例具有高速公路路面信息检测精度高、检索高效等有益效果。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (8)
1.用于高速公路路面信息快速检索方法,其特征在于,该方法包括以下步骤:
采集各高速公路的多种路面信息,结合神经网络获取各高速公路路面信息的数据;
根据不同高速公路路面信息的历史数据得到不同高速公路路面信息之间第一相关性;根据聚类后各高速公路路面信息聚类结果之间的关系得到不同高速公路路面信息之间的第二相关性;将所述第一相关性与第二相关性的乘积作为不同高速公路路面信息的对应相关性;根据各高速公路的路面信息之间的对应相关性以及高速公路之间的距离得到不同高速公路之间的区域相关性;
采用不同K值的LOF算法获取各数据所对应的各归一化异常检测值;获取各归一化异常检测值之间的对应相关性、区域相关性;将对应相关性以及区域相关性均记为相关性,根据各高速公路历史数据的相关性与归一化异常检测值的相关性之间的差异得到异常检测评价值;
根据不同K值对应的异常检测评价值得到最佳K值;根据最佳K值结合LOF算法获取各高速公路路面信息异常程度;根据各高速公路路面信息异常程度以及高速公路历史检索信息得到各高速公路关注度;结合各高速公路关注度完成高速公路路面信息的检索排序;
所述第一相关性表达式为:
式中,为归一化处理,t表示历史数据量,/>表示历史数据中第c个属性的第u个历史数据,/>表示历史数据中第d个属性的第u个历史数据,/>表示历史数据中第c个属性对应历史数据的均值,/>表示历史数据中第d个属性对应历史数据的均值,其中所述属性代表高速公路路面信息,/>为第c个属性对应的高速公路路面信息和第d个属性对应的高速公路路面信息之间的第一相关性,/>为每个属性的历史数据索引值;
所述第二相关性表达式为:
式中,为属性c、d之间的第二相关性,/>表示第c个属性的聚类簇数量,/>表示属性d的第一聚类簇的数量,/>表示属性d的第二聚类簇数量,/>表示第二聚类簇o中各数据到聚类中心点的欧氏距离均值,/>为归一化处理,/>为每个属性的聚类簇索引值,/>为每个属性的第二聚类簇索引值。
2.如权利要求1所述的用于高速公路路面信息快速检索方法,其特征在于,所述结合神经网络获取各高速公路路面信息的数据具体为:各高速公路摄像头采集的图像作为神经网络的输入,神经网络的输出为各高速公路路面信息的数据,其中,神经网络输出结果为0到1。
3.如权利要求1所述的用于高速公路路面信息快速检索方法,其特征在于,所述区域相关性包括:对于任意两个不同的高速公路,区域相关性与所述两个不同高速公路之间的距离成反比关系,与两个不同高速公路的各高速公路路面信息对应相关性差值绝对值成反比关系。
4.如权利要求1所述的用于高速公路路面信息快速检索方法,其特征在于,所述异常检测评价值包括:计算各高速公路历史数据的相关性与对应归一化异常检测值相关性的差值绝对值的和值,将所述和值的倒数作为异常检测评价值。
5.如权利要求1所述的用于高速公路路面信息快速检索方法,其特征在于,所述根据不同K值对应的异常检测评价值得到最佳K值具体步骤包括:
计算不同K值的异常检测评价值,并将异常检测评价值高于阈值所对应的K值作为最佳K值。
6.如权利要求1所述的用于高速公路路面信息快速检索方法,其特征在于,所述高速公路路面信息异常程度包括:对于各高速公路,采用LOF算法结合最佳K值获取高速公路各路面信息的归一化异常检测值,将最大归一化异常检测值作为高速公路路面信息异常程度。
7.如权利要求1所述的用于高速公路路面信息快速检索方法,其特征在于,所述高速公路关注度包括:
对于各高速公路,获取高速公路的历史检索次数与所有高速公路历史检索次数之和的比值;获取所述比值与高速公路具体信息查看次数的乘积;
将所述乘积与高速公路路面信息异常程度的乘积作为高速公路关注度。
8.如权利要求1所述的用于高速公路路面信息快速检索方法,其特征在于,所述结合各高速公路关注度完成高速公路路面信息的检索排序包括:
将关注度最大的高速公路的检索顺序排在最上面,按照关注度从大到小的顺序依次对各高速公路检索顺序进行从上到下排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311132073.1A CN116860840B (zh) | 2023-09-05 | 2023-09-05 | 用于高速公路路面信息快速检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311132073.1A CN116860840B (zh) | 2023-09-05 | 2023-09-05 | 用于高速公路路面信息快速检索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116860840A CN116860840A (zh) | 2023-10-10 |
CN116860840B true CN116860840B (zh) | 2023-11-07 |
Family
ID=88234492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311132073.1A Active CN116860840B (zh) | 2023-09-05 | 2023-09-05 | 用于高速公路路面信息快速检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116860840B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504901A (zh) * | 2014-12-29 | 2015-04-08 | 浙江银江研究院有限公司 | 一种基于多维数据的交通异常点检测方法 |
CN107978147A (zh) * | 2017-10-31 | 2018-05-01 | 上海工程技术大学 | 一种基于knn算法的交通流异常数据双向检测修复方法 |
WO2018122806A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于行程时间分布的多模态交通异常检测方法 |
CN116304766A (zh) * | 2023-05-25 | 2023-06-23 | 山东艾迈科思电气有限公司 | 基于多传感器的开关柜状态快速评估方法 |
CN116628529A (zh) * | 2023-07-21 | 2023-08-22 | 山东科华电力技术有限公司 | 一种用于用户侧智能负荷控制系统的数据异常检测方法 |
-
2023
- 2023-09-05 CN CN202311132073.1A patent/CN116860840B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504901A (zh) * | 2014-12-29 | 2015-04-08 | 浙江银江研究院有限公司 | 一种基于多维数据的交通异常点检测方法 |
WO2018122806A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于行程时间分布的多模态交通异常检测方法 |
CN107978147A (zh) * | 2017-10-31 | 2018-05-01 | 上海工程技术大学 | 一种基于knn算法的交通流异常数据双向检测修复方法 |
CN116304766A (zh) * | 2023-05-25 | 2023-06-23 | 山东艾迈科思电气有限公司 | 基于多传感器的开关柜状态快速评估方法 |
CN116628529A (zh) * | 2023-07-21 | 2023-08-22 | 山东科华电力技术有限公司 | 一种用于用户侧智能负荷控制系统的数据异常检测方法 |
Non-Patent Citations (1)
Title |
---|
子空间聚类算法在高维数据异常检测中的应用;周冬;苏勇;黄烨;;信息技术(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116860840A (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021189730A1 (zh) | 检测异常高密子图的方法、装置、设备及存储介质 | |
CN104303193B (zh) | 基于聚类的目标分类 | |
CN105718960B (zh) | 基于卷积神经网络和空间金字塔匹配的图像排序模型 | |
CN103336801B (zh) | 基于多特征lsh索引组合的遥感图像检索方法 | |
CN103207898A (zh) | 一种基于局部敏感哈希的相似人脸快速检索方法 | |
Liu et al. | Indexing visual features: Real-time loop closure detection using a tree structure | |
CN105164695A (zh) | 用于探测视频数据中的高兴趣事件的系统和方法 | |
CN106557728B (zh) | 查询图像处理和图像检索方法和装置以及监视系统 | |
CN111104398B (zh) | 针对智能船舶近似重复记录的检测方法、消除方法 | |
US20150186374A1 (en) | Retrieving system, retrieving method, and security inspection device based on contents of fluoroscopic images | |
CN109410238A (zh) | 一种基于PointNet++网络的枸杞识别计数方法 | |
CN107145895A (zh) | 基于k‑means算法的公安犯罪类案研判方法 | |
CN109784408A (zh) | 一种边缘端的嵌入式时间序列决策树分类方法及系统 | |
CN109117771B (zh) | 一种基于锚节点的图像中暴力事件检测系统及方法 | |
CN105117407A (zh) | 一种基于聚类的距离方向直方图的图像检索方法 | |
CN108229435A (zh) | 一种用于行人识别的方法 | |
CN116860840B (zh) | 用于高速公路路面信息快速检索方法 | |
CN109284409A (zh) | 基于大规模街景数据的图片组地理定位方法 | |
CN112101132A (zh) | 一种基于图嵌入模型和度量学习的交通状况预测方法 | |
CN106650658A (zh) | 一种识别用户身份的方法和装置 | |
Naaz et al. | Enhanced content based image retrieval using machine learning techniques | |
CN110083732A (zh) | 图片检索方法、装置及计算机存储介质 | |
CN109472013A (zh) | 基于分布拟合的网络表格间的外键关系检测方法 | |
CN107944498B (zh) | 一种基于多标签的室内人群聚类方法 | |
CN110941994B (zh) | 一种基于元类基学习器的行人重识别集成方法 |
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 |