CN117253368A - 交通流量异常检测方法、装置、计算机设备和存储介质 - Google Patents
交通流量异常检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117253368A CN117253368A CN202311285838.5A CN202311285838A CN117253368A CN 117253368 A CN117253368 A CN 117253368A CN 202311285838 A CN202311285838 A CN 202311285838A CN 117253368 A CN117253368 A CN 117253368A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- target
- current
- encoder
- similarity
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 230000005856 abnormality Effects 0.000 title claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims abstract description 215
- 230000002776 aggregation Effects 0.000 claims abstract description 98
- 238000004220 aggregation Methods 0.000 claims abstract description 98
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000004931 aggregating effect Effects 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000012512 characterization method Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种交通流量异常检测方法、装置、计算机设备和存储介质。包括：获取待检测区域包括的多个网格区域各自对应的当前交通流量时间序列和多个网格区域对应的当前邻接矩阵；根据各个网格区域的当前交通流量时间序列之间的相似度，更新当前邻接矩阵，得到更新的邻接矩阵；对更新的邻接矩阵中元素值为目标值的元素对应的所有当前交通流量时间序列进行聚合，得到聚合特征；将聚合特征输入当前变分自编码器，输出重构的聚合特征；重复前述步骤，直至得到的重构误差符合训练结束条件，得到训练完成的目标邻接矩阵和目标变分自编码器；基于目标邻接矩阵和目标变分自编码器，对待检测区域的交通流量进行异常检测。本方法能够提高异常检测准确度。
Description
技术领域
本申请涉及人工智能技术领域，特别是涉及一种交通流量异常检测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
交通流量异常检测是指通过监控交通数据，识别出与正常交通模式不一致的异常情况。通过交通流量异常检测，可以及早发现交通拥堵、事故或其他异常情况。
目前较常见的交通流量的异常检测技术有：基于历史交通数据统计设置正常交通数据的阈值进行检测的统计法；利用时空图来表示交通流量变化的时空分析法；利用机器学习算法建模正常交通模式检测偏离模型的异常情况的机器学习法和使用时间序列分析方法来检测异常的时间序列分析法。
然而，目前的检测方法中，所监测的路段车辆数只考虑了单一道路上的交通流量异常情况，在大规模和复杂的交通网络中，难以捕捉到复杂的非线性关系，其处理能力有限，无法监测出整个区域的异常流量。
发明内容
基于此，有必要针对上述技术问题，提供一种能够检测复杂交通网络交通异常状况且准确度更高的交通流量异常检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种交通流量异常检测方法，包括：
获取待检测区域包括的多个网格区域各自对应的当前交通流量时间序列和所述多个网格区域对应的当前邻接矩阵；所述当前邻接矩阵中的每个元素对应两个网格区域，所述每个元素的元素值表示所述每个元素对应的两个网格区域之间的时空关联关系；
根据各个网格区域的当前交通流量时间序列之间的相似度，更新所述当前邻接矩阵，得到更新的邻接矩阵；
对所述更新的邻接矩阵中元素值为目标值的元素对应的所有当前交通流量时间序列进行聚合，得到聚合特征；
将所述聚合特征输入当前变分自编码器，输出重构的聚合特征；
在所述重构的聚合特征与所述聚合特征之间的重构误差不符合训练结束条件的情况下，调整所述当前变分自编码器的参数，并以调整后的变分自编码器作为新的当前变分自编码器，以所述更新的邻接矩阵作为新的当前邻接矩阵，获取所述各个网格区域各自对应的下一个交通流量时间序列，作为新的当前交通流量时间序列，返回根据各个网格区域的当前交通流量时间序列之间的相似度，更新所述当前邻接矩阵的步骤，直至得到的重构误差符合训练结束条件，得到训练完成的目标邻接矩阵和目标变分自编码器；
基于所述目标邻接矩阵和所述目标变分自编码器，对所述待检测区域的交通流量进行异常检测。
在其中一个实施例中，所述根据各个网格区域的当前交通流量时间序列之间的相似度，更新所述当前邻接矩阵，得到更新的邻接矩阵，包括：
根据所述各个网格区域的交通流量时间序列的表征向量之间的第一相似度，从所述各个网格区域中确定出多个目标网格区域；
基于所述多个目标网格区域，构建所述第一邻接矩阵；
根据各个目标网格区域的交通流量时间序列的时序特征之间的第二相似度，确定第一邻接矩阵中各个元素的元素值，得到第二邻接矩阵；
用所述第二邻接矩阵替换所述当前邻接矩阵，得到更新的邻接矩阵。
在其中一个实施例中，所述根据所述各个网格区域的交通流量时间序列的表征向量之间的相似度，从所述各个网格区域中确定出多个目标网格区域，包括：
从所述各个网格区域的交通流量时间序列的表征向量之间的第一相似度中，确定出目标第一相似度；所述目标第一相似度大于各个第一相似度中的其他第一相似度；
将所述目标第一相似度关联的各个网格区域，确定为目标网格区域。
在其中一个实施例中，所述根据各个目标网格区域的交通流量时间序列的时序特征之间的第二相似度，确定第一邻接矩阵中各个元素的元素值，得到第二邻接矩阵，包括：
从所述各个目标网格区域的交通流量时间序列的时序特征之间的第二相似度中，确定出目标第二相似度；所述目标第二相似度大于各个第二相似度中的其他第二相似度；
将所述目标第二相似度关联的目标网格区域，在所述第一邻接矩阵中对应的元素值，确定为目标值；以及将所述其他第二相似度关联的目标网格区域，在所述第一邻接矩阵中对应的元素值，确定为非目标值，得到第二邻接矩阵。
在其中一个实施例中，所述当前变分自编码器包括编码器和解码器；
所述将所述聚合特征输入当前变分自编码器，输出重构的聚合特征，包括：
将所述聚合特征输入所述当前变分自编码器中的编码器，得到所述聚合特征在潜在空间上的潜在变量；
将所述潜在变量输入所述当前变分自编码器中的解码器，得到所述重构的聚合特征。
在其中一个实施例中，所述基于所述目标邻接矩阵和所述目标变分自编码器，对所述待检测区域的交通流量进行异常检测，包括：
确定所述目标邻接矩阵中元素值为目标值的关联网格区域，获取所述关联网格区域的所有待检测交通流量时间序列；
对所述待检测交通流量时间序列进行聚合，得到待检测聚合特征；
将所述待检测聚合特征输入所述目标变分自编码器，得到重构的待检测聚合特征；
若所述重构的待检测聚合特征与所述待检测聚合特征之间的重构误差大于阈值，确定所述待检测区域的交通流量存在异常。
第二方面，本申请还提供了一种交通流量异常检测装置，包括：
邻接矩阵获取模块，用于获取待检测区域包括的多个网格区域各自对应的当前交通流量时间序列和所述多个网格区域对应的当前邻接矩阵；所述当前邻接矩阵中的每个元素对应两个网格区域，所述每个元素的元素值表示所述每个元素对应的两个网格区域之间的时空关联关系；
邻接矩阵更新模块，用于根据各个网格区域的当前交通流量时间序列之间的相似度，更新所述当前邻接矩阵，得到更新的邻接矩阵；
聚合特征获取模块，用于对所述更新的邻接矩阵中元素值为目标值的元素对应的所有当前交通流量时间序列进行聚合，得到聚合特征；
聚合特征重构模块，用于将所述聚合特征输入当前变分自编码器，输出重构的聚合特征；
编码器训练模块，用于在所述重构的聚合特征与所述聚合特征之间的重构误差不符合训练结束条件的情况下，调整所述当前变分自编码器的参数，并以调整后的变分自编码器作为新的当前变分自编码器，以所述更新的邻接矩阵作为新的当前邻接矩阵，获取所述各个网格区域各自对应的下一个交通流量时间序列，作为新的当前交通流量时间序列，返回根据各个网格区域的当前交通流量时间序列之间的相似度，更新所述当前邻接矩阵的步骤，直至得到的重构误差符合训练结束条件，得到训练完成的目标邻接矩阵和目标变分自编码器；
流量异常检测模块，用于基于所述目标邻接矩阵和所述目标变分自编码器，对所述待检测区域的交通流量进行异常检测。
第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待检测区域包括的多个网格区域各自对应的当前交通流量时间序列和所述多个网格区域对应的当前邻接矩阵；所述当前邻接矩阵中的每个元素对应两个网格区域，所述每个元素的元素值表示所述每个元素对应的两个网格区域之间的时空关联关系；
根据各个网格区域的当前交通流量时间序列之间的相似度，更新所述当前邻接矩阵，得到更新的邻接矩阵；
对所述更新的邻接矩阵中元素值为目标值的元素对应的所有当前交通流量时间序列进行聚合，得到聚合特征；
将所述聚合特征输入当前变分自编码器，输出重构的聚合特征；
在所述重构的聚合特征与所述聚合特征之间的重构误差不符合训练结束条件的情况下，调整所述当前变分自编码器的参数，并以调整后的变分自编码器作为新的当前变分自编码器，以所述更新的邻接矩阵作为新的当前邻接矩阵，获取所述各个网格区域各自对应的下一个交通流量时间序列，作为新的当前交通流量时间序列，返回根据各个网格区域的当前交通流量时间序列之间的相似度，更新所述当前邻接矩阵的步骤，直至得到的重构误差符合训练结束条件，得到训练完成的目标邻接矩阵和目标变分自编码器；
基于所述目标邻接矩阵和所述目标变分自编码器，对所述待检测区域的交通流量进行异常检测。
第四方面，本申请还提供了一种计算机可读存储介质，其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以下步骤：
获取待检测区域包括的多个网格区域各自对应的当前交通流量时间序列和所述多个网格区域对应的当前邻接矩阵；所述当前邻接矩阵中的每个元素对应两个网格区域，所述每个元素的元素值表示所述每个元素对应的两个网格区域之间的时空关联关系；
根据各个网格区域的当前交通流量时间序列之间的相似度，更新所述当前邻接矩阵，得到更新的邻接矩阵；
对所述更新的邻接矩阵中元素值为目标值的元素对应的所有当前交通流量时间序列进行聚合，得到聚合特征；
将所述聚合特征输入当前变分自编码器，输出重构的聚合特征；
在所述重构的聚合特征与所述聚合特征之间的重构误差不符合训练结束条件的情况下，调整所述当前变分自编码器的参数，并以调整后的变分自编码器作为新的当前变分自编码器，以所述更新的邻接矩阵作为新的当前邻接矩阵，获取所述各个网格区域各自对应的下一个交通流量时间序列，作为新的当前交通流量时间序列，返回根据各个网格区域的当前交通流量时间序列之间的相似度，更新所述当前邻接矩阵的步骤，直至得到的重构误差符合训练结束条件，得到训练完成的目标邻接矩阵和目标变分自编码器；
基于所述目标邻接矩阵和所述目标变分自编码器，对所述待检测区域的交通流量进行异常检测。
第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取待检测区域包括的多个网格区域各自对应的当前交通流量时间序列和所述多个网格区域对应的当前邻接矩阵；所述当前邻接矩阵中的每个元素对应两个网格区域，所述每个元素的元素值表示所述每个元素对应的两个网格区域之间的时空关联关系；
根据各个网格区域的当前交通流量时间序列之间的相似度，更新所述当前邻接矩阵，得到更新的邻接矩阵；
对所述更新的邻接矩阵中元素值为目标值的元素对应的所有当前交通流量时间序列进行聚合，得到聚合特征；
将所述聚合特征输入当前变分自编码器，输出重构的聚合特征；
在所述重构的聚合特征与所述聚合特征之间的重构误差不符合训练结束条件的情况下，调整所述当前变分自编码器的参数，并以调整后的变分自编码器作为新的当前变分自编码器，以所述更新的邻接矩阵作为新的当前邻接矩阵，获取所述各个网格区域各自对应的下一个交通流量时间序列，作为新的当前交通流量时间序列，返回根据各个网格区域的当前交通流量时间序列之间的相似度，更新所述当前邻接矩阵的步骤，直至得到的重构误差符合训练结束条件，得到训练完成的目标邻接矩阵和目标变分自编码器；
基于所述目标邻接矩阵和所述目标变分自编码器，对所述待检测区域的交通流量进行异常检测。
上述交通流量异常检测方法、装置、计算机设备、存储介质和计算机程序产品，通过获取待检测区域的多个网格区域对应的交通流量时序序列和基于各个网格区域间的关系构建的当前邻接矩阵，并通过计算各个网格区域对应的交通流量时序序列间的相似度，对当前邻接矩阵进行实时更新，使得对待检测区域的交通流量检测更精细化且在复杂的交通网络情况下对全局的交通流量变化情况的把握更准确。将更新后的邻接矩阵中元素值为目标值对应的交通流量时间序列进行聚合输入变分自编码器进行重构，并进一步得到重构误差，以优化重构误差为目标对变分自编码器进行训练的同时，邻接矩阵也在进行更新和优化，最终得到训练完成的目标邻接矩阵和目标变分自编码器，用于对待检测区域的交通流量数据进行异常检测，变分自编码器的运用提高了异常检测的准确性。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为一个实施例中交通流量异常检测方法的应用环境图；
图2为一个实施例中交通流量异常检测方法的流程示意图；
图3为一个实施例中更新邻接矩阵的步骤的流程示意图；
图4为一个实施例中进行异常检测的步骤的流程示意图；
图5为另一个实施例中交通流量异常检测方法的详细流程示意图；
图6为一个实施例中交通流量异常检测装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，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。
本申请实施例提供的交通流量异常检测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。服务器104获取终端102采集的待检测区域的交通流量数据并进行处理。服务器104进一步获取待处理后的检测区域包括的多个网格区域各自对应的当前交通流量时间序列和多个网格区域对应的当前邻接矩阵；并根据各个网格区域的当前交通流量时间序列之间的相似度，更新当前邻接矩阵，得到更新的邻接矩阵。然后服务器104对更新的邻接矩阵中元素值为目标值的元素对应的所有当前交通流量时间序列进行聚合，得到聚合特征，从而将聚合特征输入当前变分自编码器，输出重构的聚合特征。在重构的聚合特征与聚合特征之间的重构误差不符合训练结束条件的情况下，服务器104调整当前变分自编码器的参数，并以调整后的变分自编码器作为新的当前变分自编码器，将更新的邻接矩阵作为新的当前邻接矩阵，获取各个网格区域各自对应的下一个交通流量时间序列，作为新的当前交通流量时间序列，返回根据各个网格区域的当前交通流量时间序列之间的相似度，更新当前邻接矩阵的步骤，直至得到的重构误差符合训练结束条件，得到训练完成的目标邻接矩阵和目标变分自编码器。在应用过程中，服务器104基于目标邻接矩阵和目标变分自编码器，对待检测区域的交通流量进行异常检测。其中，终端102可以但不限于是各种个人计算机、笔记本电脑。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个示例性的实施例中，如图2所示，提供了一种交通流量异常检测方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤S202至步骤S212。其中：
步骤202，获取待检测区域包括的多个网格区域各自对应的当前交通流量时间序列和多个网格区域对应的当前邻接矩阵；当前邻接矩阵中的每个元素对应两个网格区域，每个元素的元素值表示每个元素对应的两个网格区域之间的时空关联关系。
其中，待检测区域可以为需要进行交通流量监测的区域；网格区域为将待检测区域的地图进行划分后得到的网格对应的区域；交通流量时间序列为获取的待检测区域的交通流量数据，包括车辆流入量和流出量，按照预设的时间切片进行序列分割得到。
其中，当前邻接矩阵可以为基于待检测区域和待检测区域当前交通流量数据进行构建的交通流量动态关系图，是一种用于表示图的数据结构。
其中，时空关联关系可以包括网格区域之间的时间关联关系和空间关联关系，如时间关联关系为根据网格区域的时间序列的不同时间段对应的时序特征计算相似度得到，空间关联关系为根据网格区域的时间序列的对应的空间特征计算相似度得到，网格区域是否为相邻关系或者通过道路连通的关系。
可选地，服务器将待检测区域的地图进行划分处理，得到多个网格区域，获取每个网格对应的当前交通流量数据并按照预设的时间切片进行序列分割，得到每个网格区域对应的时间序列，基于对应的时间序列计算网格区域两两间的相似度，得到当前邻接矩阵，当前邻接矩阵中的每个元素对应计算过相似度的两个网格区域，元素的赋值表示网格区域之间的时空关联关系。
步骤204，根据各个网格区域的当前交通流量时间序列之间的相似度，更新当前邻接矩阵，得到更新的邻接矩阵。
其中，相似度是指通过计算邻接矩阵中节点之间的相似度来衡量节点之间的相似程度。在图论和网络分析中，邻接矩阵是一种表示图结构的矩阵，其中的元素表示节点之间的连接关系。邻接矩阵的相似度可以用于比较不同节点之间的相似程度从而理解和分析图结构中的节点关系。
可选地，服务器计算各个网格区域对应的当前交通流量时间序列之间的相似度，对当前邻接矩阵进行如增删节点、增删边或者更新权重的更新，得到更新的邻接矩阵。
步骤206，对更新的邻接矩阵中元素值为目标值的元素对应的所有当前交通流量时间序列进行聚合，得到聚合特征。
其中，目标值可以为邻接矩阵中的元素值为指定的具体数值，例如，目标值为1。
其中，聚合可以为将原始数据的多个特征合并或组合成一个新的特征的过程。这个新的特征可以提供更高层次的信息或更好的表示原始数据的特征。
可选地，服务器对更新的邻接矩阵中元素值为目标值，如邻接矩阵中的元素值为1的元素对应的所有当前交通流量时间序列进行合并或者组合成一个新特征的聚合处理，得到聚合特征。
步骤S208，将聚合特征输入当前变分自编码器，输出重构的聚合特征。
其中，变分自编码器（Variational Autoencoder，VAE）是一种生成模型，结合了自编码器和概率图模型的思想。它使用编码器将输入数据映射到潜在空间中的潜在变量（latent variable），并使用解码器将潜在变量映射回原始数据空间中生成重构数据。
可选地，服务器将聚合特征输入当前构建的变分自编码器，经过映射、采样和重构等步骤，输出得到重构的聚合特征。
步骤S210，在重构的聚合特征与聚合特征之间的重构误差不符合训练结束条件的情况下，调整当前变分自编码器的参数，并以调整后的变分自编码器作为新的当前变分自编码器，以更新的邻接矩阵作为新的当前邻接矩阵，获取各个网格区域各自对应的下一个交通流量时间序列，作为新的当前交通流量时间序列，返回根据各个网格区域的当前交通流量时间序列之间的相似度，更新当前邻接矩阵的步骤，直至得到的重构误差符合训练结束条件，得到训练完成的目标邻接矩阵和目标变分自编码器。
其中，重构误差是指在自编码器中，通过解码器将编码器得到的潜在变量映射回原始数据空间后，重构数据与原始输入数据之间的差异或损失。重构误差是衡量自编码器重构能力的指标，通常使用损失函数来计算。
其中，训练结束条件可以为训练后变分自编码器输出的重构的聚合特征与聚合特征计算得到的重构误差低于预设的阈值。
可选地，服务器在重构的聚合特征和聚合特征之间计算得到的重构误差不符合训练结束的条件的情况下，根据重构误差计算梯度，并使用反向传播算法调整变分自编码器的模型参数，以调整后的变分自编码器作为新的当前变分自编码器，以更新的邻接矩阵作为新的当前邻接矩阵，获取各个网格区域各自对应当前时刻的下一时刻的交通流量时间序列，作为新的当前交通流量时间序列，返回上述步骤中基于新的当前交通流量时间序列间计算的相似度对当前邻接矩阵进行更新的步骤，迭代更新邻接矩阵和变分自编码器直到得到的重构误差符合训练结束条件，得到训练完成的目标邻接矩阵和目标变分自编码器。
步骤S212，基于目标邻接矩阵和目标变分自编码器，对待检测区域的交通进行异常检测。
其中，异常检测可以为基于当前待检测区域的交通流量数据进行判断是否发生交通堵塞、交通事故等。
可选地，服务器获取待检测区域当前的交通流量数据，基于训练完成的目标邻接矩阵和目标变分自编码器，对待检测区域的交通流量数据进行异常检测。
上述交通流量异常检测方法中，通过获取待检测区域的多个网格区域对应的交通流量时序序列和基于各个网格区域间的关系构建的当前邻接矩阵，并通过计算各个网格区域对应的交通流量时序序列间的相似度，对当前邻接矩阵进行实时更新，使得对待检测区域的交通流量检测更精细化且在复杂的交通网络情况下对全局的交通流量变化情况的把握更准确。将更新后的邻接矩阵中元素值为目标值对应的交通流量时间序列进行聚合输入变分自编码器进行重构，并进一步得到重构误差，以优化重构误差为目标对变分自编码器进行训练的同时，邻接矩阵也在进行更新和优化，最终得到训练完成的目标邻接矩阵和目标变分自编码器，用于对待检测区域的交通流量数据进行异常检测，变分自编码器的运用提高了异常检测的准确性。
在一个示例性的实施例中，如图3所示，步骤S204根据各个网格区域的当前交通流量时间序列之间的相似度，更新当前邻接矩阵，得到更新的邻接矩阵包括步骤S302至步骤S308。其中：
步骤302，根据各个网格区域的交通流量时间序列的表征向量之间的第一相似度，从各个网格区域中确定出多个目标网格区域。
其中，表征向量是指各个网格区域的交通流量数据序列进行时序特征提取后得到的时序特征，转换为嵌入向量表示；第一相似度是指对各个网格区域的交通流量时间序列对应的嵌入向量间两两计算得到的相似度。
可选地，服务器根据各个网格区域的交通流量数据序列经过特征提取后得到的用嵌入向量表示的表征向量之间计算得到的相似度，确定出多个对应相似度满足预设条件的目标网格区域。
步骤304，基于多个目标网格区域，构建第一邻接矩阵。
其中，构建第一邻接矩阵是指确定目标网格区域作为节点，将目标网格区域间的关系作为边构建第一邻接矩阵。
可选地，服务器基于确定的多个目标网格区域，以目标网格区域作为节点，获得目标网格区域间的关系作为边，构建第一邻接矩阵。
步骤S306，根据各个目标网格区域的交通流量时间序列的时序特征之间的第二相似度，确定第一邻接矩阵中各个元素的元素值，得到第二邻接矩阵。
其中，第二相似度可以为使用图注意力特征提取算法对目标网格区域的交通流量时间序列进行抽取，将抽取得到的特征对嵌入向量进行更新后计算得到的相似度。
可选地，服务器使用图注意力算法根据目标网格区域对应的交通流量数据进行时序特征抽取，将抽取的时序特征对嵌入向量进行更新，并对各个嵌入向量间的相似度进行计算，得到目标网格区域间的第二相似度，基于第二相似度确定第一邻接矩阵中各个元素的元素值，得到第二邻接矩阵。
步骤S308，用第二邻接矩阵替换当前邻接矩阵，得到更新的邻接矩阵。
可选地，服务器将进行元素赋值后的第二邻接矩阵替换上一时刻对应的当前邻接矩阵，得到更新后的邻接矩阵。
本实施例中，通过对交通流量时间序列进行特征抽取并计算特征间的相似度，经过两次相似度的计算确定邻接矩阵的节点和边，并对提取的特征转为嵌入向量表示，实现了灵活地对整个待检测区域的关系建模，从而能更好地捕捉区域和道路间的耦合关系，减少对先验知识的依赖。
在一个示例性的实施例中，步骤S302根据各个网格区域的交通流量时间序列的表征向量之间的相似度，从各个网格区域中确定出多个目标网格区域，包括：
从各个网格区域的交通流量时间序列的表征向量之间的第一相似度中，确定出目标第一相似度；目标第一相似度大于各个第一相似度中的其他第一相似度；将目标第一相似度关联的各个网格区域，确定为目标网格区域。
其中，目标网格区域可以为具有时间关系的网格区域。
可选地，服务器从各个网格区域的交通流量时间序列的表征向量之间计算得到的第一相似度，按照从高到低的顺序排序，取前N组相似度的交通流量时间序列对应的网格区域，作为目标网格区域。
本实施例中，通过计算相似度的方式对网格区域之间的时间关系进行确定，从而实现了时间关系对应的图结构建模。
在一个示例性的实施例中，步骤S306根据各个目标网格区域的交通流量时间序列的时序特征之间的第二相似度，确定第一邻接矩阵中各个元素的元素值，得到第二邻接矩阵，包括：
从各个目标网格区域的交通流量时间序列的时序特征之间的第二相似度中，确定出目标第二相似度；目标第二相似度大于各个第二相似度中的其他第二相似度；将目标第二相似度关联的目标网格区域，在第一邻接矩阵中对应的元素值，确定为目标值；以及将其他第二相似度关联的目标网格区域，在第一邻接矩阵中对应的元素值，确定为非目标值，得到第二邻接矩阵。
其中，目标第二相似度关联的目标网格区域为具有空间关系的网格区域，如空间位置相邻或通过交通道路连通。
可选地，服务器从各个目标网格区域的交通流量时间序列调用图注意力特征提取算法，先采用循环神经网络基本单元进行时序特征抽取，并利用抽取的时序特征对时序特征的嵌入向量进行更新，从而对更新后的嵌入式向量间的相似度进行计算，得到第二相似度，将第二相似度进行排序确定具有空间关系的网格区域，并在第一邻接矩阵中对具有空间关系的网格区域对应的元素值赋值为目标值，例如，目标值为1，对不具有空间关系的网格区域对应的元素赋值为非目标值，例如，非目标值为0，得到第二邻接矩阵。
本实施例中，通过网格区域的交通流量时间序列间的相似度计算，学习到各个网格区域间的时间关系以及空间关系，从而构建得到交通流量时空动态结构为第二邻接矩阵，使得实现对复杂道路网络中的非线性关系进行建模，从而更好的检测整个待检测区域的异常流量情况。
在一个示例性的实施例中，当前变分自编码器包括编码器和解码器；步骤S206将聚合特征输入当前变分自编码器，输出重构的聚合特征，包括：
将聚合特征输入当前变分自编码器中的编码器，得到聚合特征在潜在空间上的潜在变量；将潜在变量输入当前变分自编码器中的解码器，得到重构的聚合特征。
其中，潜在空间是指编码器（encoder）将输入样本映射到的低维空间。潜在空间通常是一个连续的、多维的空间，其中每个维度对应于一个潜在变量（latent variable）；潜在变量是指在编码器中引入的随机变量，用于对输入样本进行建模。潜在变量在潜在空间中的不同取值对应于不同的样本特征或属性。通过对潜在变量进行采样，可以生成新的样本，从而实现变分自编码器的生成能力。
可选地，服务器将聚合特征输入当前变分自编码器中的编码器，通过将聚合特征映射到潜在空间中的潜在变量，编码器由多个全连接层组成，最后一层输出潜在变量的均值和方差，将潜在变量输入当前变分自编码器的解码器中，将潜在变量映射重构，得到重构的聚合特征。
本实施例中，通过在邻接矩阵的输入层之后，引入变分自编码器对聚合特征进行重构，为后续进行异常检测作铺垫，并增强了技术的解释性。
在一个示例性的实施例中，如图4所示，步骤S212基于目标邻接矩阵和目标变分自编码器，对待检测区域的交通流量进行异常检测，包括：
步骤S402，确定目标邻接矩阵中元素值为目标值的关联网格区域，获取关联网格区域的所有待检测交通流量时间序列。
可选地，服务器确定训练完成后的目标矩阵中元素值对应为目标值1的关联网格区域，并获取关联网格区域各自对应的待检测交通流量时间序列。
步骤S404，对待检测交通流量时间序列进行聚合，得到待检测聚合特征。
可选地，服务器对待检测交通流量时间序列进行特征提取，并将提取得到的特征进行聚合，得到待检测聚合特征。
步骤S406，将待检测聚合特征输入目标变分自编码器，得到重构的待检测聚合特征。
可选地，服务器将待检测聚合特征输入到训练完成的目标变分自编码器，进行编码器中的潜在变量采样，再有解码器对潜在变量进行映射重构，得到重构的待检测聚合特征。
步骤S408，若重构的待检测聚合特征与待检测聚合特征之间的重构误差大于阈值，确定待检测区域的交通流量存在异常。
可选地，服务器将待检测聚合特征和重构的待检测聚合特征进行比较计算，得到重构误差，将该重构误差与预设的阈值进行比较，若大于阈值，则确定待检测区域的交通流量存在异常。
本实施例中，通过训练完成的邻接矩阵和变分自编码器对待检测区域的交通流量进行异常检测，邻接矩阵使得模型能够自适应地调整区域之间的连接，从而更好地反映区域关系的变化，再结合变分自编码器进行异常检测，进一步增强了检测精度，提高了异常检测的可靠性。
在一个示例性的实施例中，如图5所示，提供了一种交通流量异常检测方法的详细实施步骤，包括以下步骤S502至步骤S516。其中：
步骤S502，获取待检测的目标区域，将该目标区域的地图划分成若干个网格区域，每个网格代表一个子区域，并获取各个网格区域的交通流量数据，包括车辆流入量和流出量，将交通流量数据按照时间切片，建立时序关系，将数据抽象为多元时间序列。
步骤S504，引入嵌入向量来表示各个时间序列的的特征，并随机初始化嵌入向量，计算出多元时序列嵌入向量间的相似度，再选择相似度较高的前P个时间序列作为存在关系序列（表示区域之间存在联系），其中P可以为超参数，可以用该超参数调整邻接矩阵的稀疏性。
步骤S506，使用图注意力特征提取模块，先采用GRU（Gated Recurrent Unit是一种循环神经网络（RNN）的变体）基本单元抽取了多元时间序列的时序特征，再对多元时间序列间的空间联系进行建模，从而学习区域间的潜在联系。
步骤S508，在将新提取的时序特征对嵌入向量更新后，重新计算交通区域之间的相似度。这些相似度将被用于下一轮训练中构建更新的邻接矩阵，在每一轮训练中，图结构会不断更新，嵌入向量会逐步调整，从而更好地捕捉交通区域之间的关联关系。
步骤S510，利用多元时间序列的嵌入向量的聚合表征作为VAE编码器的输入。VAE编码器将输入映射到潜在空间的均值和方差参数。从VAE编码器得到的均值和方差参数中，进行潜在变量采样。这些潜在变量将包含图结构学习的信息，表示了交通区域关系的抽象特征。
步骤S512，将潜在变量作为输入，构建VAE解码器。解码器的任务是将潜在变量映射回重构的多元时间序列的聚合表示。其中，计算原始多元时间序列的聚合表示与解码后的聚合表示之间的重构误差。这个重构误差可以作为异常检测的指标，衡量解码器是否能够恢复原始的多元时间序列特征。
步骤S514，在训练VAE编码器过程中，以最小化重构误差为目标，使得解码器能够生成接近原始多元时间序列的表示。同时添加KL散度项来保证潜在变量分布与标准正态分布的接近。
步骤S516，训练完成后，采用训练完成的VAE编码器输入当前获得的待检测区域的交通流量时间序列聚合特征，从而使用VAE解码器生成的重构结果与原始数据进行比较，通过重构误差来进行异常检测。较大的重构误差表示该数据点在潜在空间中具有异常的特征。
本实施例中，能够更全面地捕捉大规模和复杂交通网络中的交通流量异常。通过动态图结构，可以建模道路网络中的复杂非线性关系，从而更好地监测整个区域的异常流量情况。并通过嵌入向量和动态图结构学习，该技术手段可以灵活地学习交通区域之间的复杂关联性。这种灵活性能够更好地捕捉区域和道路之间的耦合关系，减少对先验知识的依赖。进一步地，动态图结构使得模型能够自适应地调整区域之间的连接，从而更好地反映区域关系的变化。嵌入向量能够提供更丰富的特征信息，结合图注意力特征提取，结合VAE进行异常检测，进一步增强了检测精度，提高了异常检测的可靠性。通过结合VAE结构，该技术手段不仅能够进行异常检测，还能够提供异常解释。VAE结构能够将潜在变量映射回重构的多元时间序列表示，从而可以更清楚地解释某些区域被检测为异常的原因，增强了技术的解释性。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的交通流量异常检测方法的交通流量异常检测装置600。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个交通流量异常检测装置600实施例中的具体限定可以参见上文中对于交通流量异常检测方法的限定，在此不再赘述。
在一个示例性的实施例中，如图6所示，提供了一种交通流量异常检测装置600，包括：邻接矩阵获取模块602、邻接矩阵更新模块604、聚合特征获取模块606、聚合特征重构模块608、编码器训练模块610和流量异常检测模块612，其中：
邻接矩阵获取模块602，用于获取待检测区域包括的多个网格区域各自对应的当前交通流量时间序列和多个网格区域对应的当前邻接矩阵；当前邻接矩阵中的每个元素对应两个网格区域，每个元素的元素值表示每个元素对应的两个网格区域之间的时空关联关系。
邻接矩阵更新模块604，用于根据各个网格区域的当前交通流量时间序列之间的相似度，更新当前邻接矩阵，得到更新的邻接矩阵。
聚合特征获取模块606，用于对更新的邻接矩阵中元素值为目标值的元素对应的所有当前交通流量时间序列进行聚合，得到聚合特征；
聚合特征重构模块608，用于将聚合特征输入当前变分自编码器，输出重构的聚合特征。
编码器训练模块610，用于在重构的聚合特征与聚合特征之间的重构误差不符合训练结束条件的情况下，调整当前变分自编码器的参数，并以调整后的变分自编码器作为新的当前变分自编码器，以更新的邻接矩阵作为新的当前邻接矩阵，获取各个网格区域各自对应的下一个交通流量时间序列，作为新的当前交通流量时间序列，返回根据各个网格区域的当前交通流量时间序列之间的相似度，更新当前邻接矩阵的步骤，直至得到的重构误差符合训练结束条件，得到训练完成的目标邻接矩阵和目标变分自编码器；
流量异常检测模块612，用于基于目标邻接矩阵和目标变分自编码器，对待检测区域的交通流量进行异常检测。
进一步地，在一个实施例中，邻接矩阵更新模块604，还用于根据各个网格区域的交通流量时间序列的表征向量之间的第一相似度，从各个网格区域中确定出多个目标网格区域；基于多个目标网格区域，构建第一邻接矩阵；根据各个目标网格区域的交通流量时间序列的时序特征之间的第二相似度，确定第一邻接矩阵中各个元素的元素值，得到第二邻接矩阵；用第二邻接矩阵替换当前邻接矩阵，得到更新的邻接矩阵。
进一步地，在一个实施例中，邻接矩阵更新模块604，还用于从各个网格区域的交通流量时间序列的表征向量之间的第一相似度中，确定出目标第一相似度；目标第一相似度大于各个第一相似度中的其他第一相似度；将目标第一相似度关联的各个网格区域，确定为目标网格区域。
进一步地，在一个实施例中，邻接矩阵更新模块604，还用于从各个目标网格区域的交通流量时间序列的时序特征之间的第二相似度中，确定出目标第二相似度；目标第二相似度大于各个第二相似度中的其他第二相似度；将目标第二相似度关联的目标网格区域，在第一邻接矩阵中对应的元素值，确定为目标值；以及将其他第二相似度关联的目标网格区域，在第一邻接矩阵中对应的元素值，确定为非目标值，得到第二邻接矩阵。
进一步地，在一个实施例中，聚合特征重构模块608，还用于将聚合特征输入当前变分自编码器，输出重构的聚合特征，包括：
将聚合特征输入当前变分自编码器中的编码器，得到聚合特征在潜在空间上的潜在变量；将潜在变量输入当前变分自编码器中的解码器，得到重构的聚合特征。
进一步地，在一个实施例中，流量异常检测模块612，还用于确定目标邻接矩阵中元素值为目标值的关联网格区域，获取关联网格区域的所有待检测交通流量时间序列；对待检测交通流量时间序列进行聚合，得到待检测聚合特征；将待检测聚合特征输入目标变分自编码器，得到重构的待检测聚合特征；若重构的待检测聚合特征与待检测聚合特征之间的重构误差大于阈值，确定待检测区域的交通流量存在异常。
上述交通流量异常检测装置600中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储待检测区域的交通流量数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种交通流量异常检测方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要符合相关规定。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种交通流量异常检测方法，其特征在于，所述方法包括：
获取待检测区域包括的多个网格区域各自对应的当前交通流量时间序列和所述多个网格区域对应的当前邻接矩阵；所述当前邻接矩阵中的每个元素对应两个网格区域，所述每个元素的元素值表示所述每个元素对应的两个网格区域之间的时空关联关系；
根据各个网格区域的当前交通流量时间序列之间的相似度，更新所述当前邻接矩阵，得到更新的邻接矩阵；
对所述更新的邻接矩阵中元素值为目标值的元素对应的所有当前交通流量时间序列进行聚合，得到聚合特征；
将所述聚合特征输入当前变分自编码器，输出重构的聚合特征；
在所述重构的聚合特征与所述聚合特征之间的重构误差不符合训练结束条件的情况下，调整所述当前变分自编码器的参数，并以调整后的变分自编码器作为新的当前变分自编码器，以所述更新的邻接矩阵作为新的当前邻接矩阵，获取所述各个网格区域各自对应的下一个交通流量时间序列，作为新的当前交通流量时间序列，返回根据各个网格区域的当前交通流量时间序列之间的相似度，更新所述当前邻接矩阵的步骤，直至得到的重构误差符合训练结束条件，得到训练完成的目标邻接矩阵和目标变分自编码器；
基于所述目标邻接矩阵和所述目标变分自编码器，对所述待检测区域的交通流量进行异常检测。
2.根据权利要求1所述的方法，其特征在于，所述根据各个网格区域的当前交通流量时间序列之间的相似度，更新所述当前邻接矩阵，得到更新的邻接矩阵，包括：
根据所述各个网格区域的交通流量时间序列的表征向量之间的第一相似度，从所述各个网格区域中确定出多个目标网格区域；
基于所述多个目标网格区域，构建所述第一邻接矩阵；
根据各个目标网格区域的交通流量时间序列的时序特征之间的第二相似度，确定第一邻接矩阵中各个元素的元素值，得到第二邻接矩阵；
用所述第二邻接矩阵替换所述当前邻接矩阵，得到更新的邻接矩阵。
3.根据权利要求2所述的方法，其特征在于，所述根据所述各个网格区域的交通流量时间序列的表征向量之间的相似度，从所述各个网格区域中确定出多个目标网格区域，包括：
从所述各个网格区域的交通流量时间序列的表征向量之间的第一相似度中，确定出目标第一相似度；所述目标第一相似度大于各个第一相似度中的其他第一相似度；
将所述目标第一相似度关联的各个网格区域，确定为目标网格区域。
4.根据权利要求2所述的方法，其特征在于，所述根据各个目标网格区域的交通流量时间序列的时序特征之间的第二相似度，确定第一邻接矩阵中各个元素的元素值，得到第二邻接矩阵，包括：
从所述各个目标网格区域的交通流量时间序列的时序特征之间的第二相似度中，确定出目标第二相似度；所述目标第二相似度大于各个第二相似度中的其他第二相似度；
将所述目标第二相似度关联的目标网格区域，在所述第一邻接矩阵中对应的元素值，确定为目标值；以及将所述其他第二相似度关联的目标网格区域，在所述第一邻接矩阵中对应的元素值，确定为非目标值，得到第二邻接矩阵。
5.根据权利要求1所述的方法，其特征在于，所述当前变分自编码器包括编码器和解码器；
所述将所述聚合特征输入当前变分自编码器，输出重构的聚合特征，包括：
将所述聚合特征输入所述当前变分自编码器中的编码器，得到所述聚合特征在潜在空间上的潜在变量；
将所述潜在变量输入所述当前变分自编码器中的解码器，得到所述重构的聚合特征。
6.根据权利要求1所述的方法，其特征在于，所述基于所述目标邻接矩阵和所述目标变分自编码器，对所述待检测区域的交通流量进行异常检测，包括：
确定所述目标邻接矩阵中元素值为目标值的关联网格区域，获取所述关联网格区域的所有待检测交通流量时间序列；
对所述待检测交通流量时间序列进行聚合，得到待检测聚合特征；
将所述待检测聚合特征输入所述目标变分自编码器，得到重构的待检测聚合特征；
若所述重构的待检测聚合特征与所述待检测聚合特征之间的重构误差大于阈值，确定所述待检测区域的交通流量存在异常。
7.一种交通流量异常检测装置，其特征在于，所述装置包括：
邻接矩阵获取模块，用于获取待检测区域包括的多个网格区域各自对应的当前交通流量时间序列和所述多个网格区域对应的当前邻接矩阵；所述当前邻接矩阵中的每个元素对应两个网格区域，所述每个元素的元素值表示所述每个元素对应的两个网格区域之间的时空关联关系；
邻接矩阵更新模块，用于根据各个网格区域的当前交通流量时间序列之间的相似度，更新所述当前邻接矩阵，得到更新的邻接矩阵；
聚合特征获取模块，用于对所述更新的邻接矩阵中元素值为目标值的元素对应的所有当前交通流量时间序列进行聚合，得到聚合特征；
聚合特征重构模块，用于将所述聚合特征输入当前变分自编码器，输出重构的聚合特征；
编码器训练模块，用于在所述重构的聚合特征与所述聚合特征之间的重构误差不符合训练结束条件的情况下，调整所述当前变分自编码器的参数，并以调整后的变分自编码器作为新的当前变分自编码器，以所述更新的邻接矩阵作为新的当前邻接矩阵，获取所述各个网格区域各自对应的下一个交通流量时间序列，作为新的当前交通流量时间序列，返回根据各个网格区域的当前交通流量时间序列之间的相似度，更新所述当前邻接矩阵的步骤，直至得到的重构误差符合训练结束条件，得到训练完成的目标邻接矩阵和目标变分自编码器；
流量异常检测模块，用于基于所述目标邻接矩阵和所述目标变分自编码器，对所述待检测区域的交通流量进行异常检测。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311285838.5A CN117253368A (zh) | 2023-10-07 | 2023-10-07 | 交通流量异常检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311285838.5A CN117253368A (zh) | 2023-10-07 | 2023-10-07 | 交通流量异常检测方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117253368A true CN117253368A (zh) | 2023-12-19 |
Family
ID=89131090
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311285838.5A Pending CN117253368A (zh) | 2023-10-07 | 2023-10-07 | 交通流量异常检测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117253368A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117765737A (zh) * | 2024-02-21 | 2024-03-26 | 天津大学 | 交通异常检测方法、装置、设备、介质及程序产品 |
-
2023
- 2023-10-07 CN CN202311285838.5A patent/CN117253368A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117765737A (zh) * | 2024-02-21 | 2024-03-26 | 天津大学 | 交通异常检测方法、装置、设备、介质及程序产品 |
| CN117765737B (zh) * | 2024-02-21 | 2024-05-14 | 天津大学 | 交通异常检测方法、装置、设备、介质及程序产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112380098B (zh) | 一种时序异常检测方法、装置、计算机设备及存储介质 | |
| CN109120462B (zh) | 机会网络链路的预测方法、装置及可读存储介质 | |
| KR20210040248A (ko) | 물질의 생성 구조-특성 역 계산 공동 설계 | |
| Djenouri et al. | Fast and accurate deep learning framework for secure fault diagnosis in the industrial internet of things | |
| CN117253368A (zh) | 交通流量异常检测方法、装置、计算机设备和存储介质 | |
| CN114297036A (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
| Azmoon et al. | Image-data-driven slope stability analysis for preventing landslides using deep learning | |
| CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
| CN111916144A (zh) | 基于自注意力神经网络和粗化算法的蛋白质分类方法 | |
| CN116015932B (zh) | 入侵检测网络模型生成方法以及数据流量入侵检测方法 | |
| CN112632564A (zh) | 一种威胁评估方法及装置 | |
| CN115965160B (zh) | 一种数据中心能耗预测方法、装置、存储介质及电子设备 | |
| Huang et al. | Robust spatial temporal imputation based on spatio-temporal generative adversarial nets | |
| CN116595363A (zh) | 预测方法、装置、设备、存储介质和计算机程序产品 | |
| CN116191398A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
| Zhang et al. | PM-ARNN: 2D-TO-3D reconstruction paradigm for microstructure of porous media via adversarial recurrent neural network | |
| Farokhmanesh et al. | Deep learning–based parameter transfer in meteorological data | |
| Yu et al. | A parallel algorithm for hyperspectral target detection based on weighted alternating direction method of multiplier | |
| Nguyen et al. | Preserving simulation insight while removing data: verification of compressed simulation traces via machine learning | |
| CN117591813B (zh) | 基于多维特征的复杂装备故障诊断方法及系统 | |
| Marco et al. | Missing Data Imputation Via Stacked Denoising Autoencoder Combined with Dropout Regularization Based Small Dataset in Software Effort Estimation. | |
| Verron | Regularisation of Gröbner basis computations for weighted and determinantal systems, and application to medical imagery | |
| TANEJA et al. | Unified Insights into Graph Neural Networks: From Connectivity to Linear Architectures, and Time Series Applications | |
| CN118172619A (zh) | 困难样本挖掘方法、装置、计算机设备和存储介质 | |
| CN118247968A (zh) | 基于异质图预测未来交通流的方法及系统 |
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 |