CN117765737B - 交通异常检测方法、装置、设备、介质及程序产品 - Google Patents
交通异常检测方法、装置、设备、介质及程序产品 Download PDFInfo
- Publication number
- CN117765737B CN117765737B CN202410189970.4A CN202410189970A CN117765737B CN 117765737 B CN117765737 B CN 117765737B CN 202410189970 A CN202410189970 A CN 202410189970A CN 117765737 B CN117765737 B CN 117765737B
- Authority
- CN
- China
- Prior art keywords
- traffic state
- information
- reconstruction
- dimension
- trend
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 230000005856 abnormality Effects 0.000 title claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 189
- 230000006870 function Effects 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 53
- 230000015654 memory Effects 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 24
- 230000004044 response Effects 0.000 claims abstract description 17
- 230000000737 periodic effect Effects 0.000 claims description 54
- 238000000034 method Methods 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 34
- 230000004927 fusion Effects 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000009466 transformation Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种交通异常检测方法、装置、设备、介质和程序产品，应用于城市智能交通检测技术领域。该交通异常检测方法包括：响应于接收到针对目标区域的多个路口处的待检测时段内的交通状态信息，基于图神经网络和长短时记忆网络对交通状态信息进行处理，得到交通状态特征向量；对交通状态特征向量进行重构处理，得到交通状态的趋势重构信息和交通状态的周期重构信息；对交通状态信息进行序列分解，得到交通状态的趋势信息和交通状态的周期信息；基于目标函数，根据交通状态的趋势重构信息、交通状态的周期重构信息、交通状态的趋势信息和交通状态的周期信息，得到重构损失值；以及响应于重构损失值大于预定阈值，确定目标区域的交通状态异常。
Description
技术领域
本发明涉及城市智能交通检测技术领域，具体地涉及一种交通异常检测方法、装置、设备、介质和程序产品。
背景技术
随着城市化进程的不断加速，交通拥堵、交通事故频繁发生等问题日益突出。为了解决这些问题，提高城市交通治理的效率，需要开展有效的交通数据分析和异常检测工作。然而，交通数据具有复杂多样的特征，例如数据规模大、数据种类繁多、数据来源广泛、数据质量可信度不确定性等，使得交通数据分析变得更加困难。此外，交通数据还存在时间序列相关性、空间相关性、动态变化等特征。因此，在交通治理中，异常检测是非常重要的一环，旨在及早发现问题并采取相应的措施，避免交通拥堵、交通事故等问题的发生。
发明内容
鉴于上述问题，本发明提供了一种交通异常检测方法、装置、设备、介质和程序产品。
根据本发明的第一个方面，提供了一种交通异常检测方法，包括：响应于接收到针对目标区域的多个路口处的待检测时段内的交通状态信息，基于图神经网络和长短时记忆网络对交通状态信息进行处理，得到交通状态特征向量；其中，交通状态特征向量融合了相邻路口的交通状态信息和预定时长内的历史交通状态信息；对交通状态特征向量进行重构处理，得到交通状态的趋势重构信息和交通状态的周期重构信息；对交通状态信息进行序列分解，得到交通状态的趋势信息和交通状态的周期信息；基于目标函数，根据交通状态的趋势重构信息、交通状态的周期重构信息、交通状态的趋势信息和交通状态的周期信息，得到重构损失值；以及响应于重构损失值大于预定阈值，确定目标区域的交通状态异常。
根据本发明的实施例，待检测时段包括T个时刻，T为大于1的整数；基于图神经网络和长短时记忆网络对交通状态信息进行处理，得到交通状态特征向量，包括：基于图神经网络，对第t时刻的交通状态信息进行处理，得到第t时刻的融合特征向量，其中，融合特征向量融合了相邻路口的交通状态信息；将第t时刻的融合特征向量、第t-1时刻的交通状态特征向量和第t-s时刻的交通状态特征向量输入长短时记忆网络，输出第t时刻的交通状态特征向量，其中，t为大于s小于等于T的整数，s为大于等于2小于t整数；以及将T个时刻的交通状态特征向量进行拼接，生成交通状态特征向量。
根据本发明的实施例，将第t时刻的融合特征向量、第t-1时刻的交通状态特征向量和第t-s时刻的交通状态特征向量输入长短时记忆网络，输出第t时刻的交通状态特征向量，包括：确定与第t-1时刻的交通状态特征向量对应的第一权重和与第t-s时刻的交通状态特征向量对应的第二权重；根据第t-1时刻的交通状态特征向量、第一权重、第t-s时刻的交通状态特征向量和第二权重，得到历史交通状态对当前交通状态的影响特征向量；以及对第t时刻的融合特征向量和历史交通状态对当前交通状态的影响特征向量进行处理，得到第t时刻的交通状态特征向量。
根据本发明的实施例，对交通状态特征向量进行重构处理，得到交通状态的趋势重构信息和交通状态的周期重构信息，包括：基于第一网络对交通状态特征向量进行重构处理，得到交通状态的趋势重构信息，其中，第一网络包括空间-时间卷积神经网络和图卷积网络，第一网络是利用样本历史交通状态数据中的趋势数据训练得到的；以及基于第二网络对交通状态特征向量进行重构处理，得到交通状态的周期重构信息，其中，第二网络包括空间-时间卷积神经网络和图卷积网络，第二网络是利用样本历史交通状态数据中的周期数据训练得到的。
根据本发明的实施例，基于目标函数，根据交通状态的趋势重构信息、交通状态的周期重构信息、交通状态的趋势信息和交通状态的周期信息，得到重构损失值，包括：基于损失函数，根据交通状态的趋势重构信息和交通状态的趋势信息，得到趋势重构损失值；基于损失函数，根据交通状态的周期重构信息和交通状态的周期信息，得到第一周期重构损失值；基于动态时间调整函数，根据交通状态的周期重构信息和交通状态的周期信息，得到第二周期重构损失值；以及根据第一周期重构损失值、第二周期重构损失值和趋势重构损失值，得到重构损失值。
根据本发明的实施例，上述方法还包括：分别提取趋势重构信息的目标维度信息、趋势信息的目标维度信息、周期重构信息的目标维度信息和周期信息的目标维度信息；基于目标函数，根据趋势重构信息的目标维度信息、趋势信息的目标维度信息、周期重构信息的目标维度信息和周期信息的目标维度信息，得到目标维度的重构损失值；以及响应于目标维度的重构损失值大于与目标维度对应的预定阈值，确定交通异常的异常类型。
本发明的第二方面提供了一种交通异常检测装置，包括：处理模块、重构模块、分解模块、损失计算模块和确定模块。处理模块，用于响应于接收到针对目标区域的多个路口处的待检测时段内的交通状态信息，基于图神经网络和长短时记忆网络对交通状态信息进行处理，得到交通状态特征向量；其中，交通状态特征向量融合了相邻路口的交通状态信息和预定时长内的历史交通状态信息。重构模块，用于对交通状态特征向量进行重构处理，得到交通状态的趋势重构信息和交通状态的周期重构信息。分解模块，用于对交通状态信息进行序列分解，得到交通状态的趋势信息和交通状态的周期信息。损失计算模块，用于基于目标函数，根据交通状态的趋势重构信息、交通状态的周期重构信息、交通状态的趋势信息和交通状态的周期信息，得到重构损失值。确定模块，用于响应于重构损失值大于预定阈值，确定目标区域的交通状态异常。
根据本发明的实施例，待检测时段包括T个时刻，T为大于1的整数。处理模块包括：融合子模块、处理子模块和拼接子模块。
融合子模块，用于基于图神经网络，对第t时刻的交通状态信息进行处理，得到第t时刻的融合特征向量，其中，融合特征向量融合了相邻路口的交通状态信息。处理子模块，用于将第t时刻的融合特征向量、第t-1时刻的交通状态特征向量和第t-s时刻的交通状态特征向量输入长短时记忆网络，输出第t时刻的交通状态特征向量，其中，t为大于s小于等于T的整数，s为大于等于2小于t整数。拼接子模块，用于将T个时刻的交通状态特征向量进行拼接，生成交通状态特征向量。
根据本发明的实施例，处理子模块包括确定单元、获得单元和生成单元。
确定单元，用于确定与第t-1时刻的交通状态特征向量对应的第一权重和与第t-s时刻的交通状态特征向量对应的第二权重。获得单元，用于根据第t-1时刻的交通状态特征向量、第一权重、第t-s时刻的交通状态特征向量和第二权重，得到历史交通状态对当前交通状态的影响特征向量。生成单元，用于对第t时刻的融合特征向量和历史交通状态对当前交通状态的影响特征向量进行处理，得到第t时刻的交通状态特征向量。
根据本发明的实施例，重构模块包括第一重构子模块和第二重构子模块。
第一重构子模块，用于基于第一网络对交通状态特征向量进行重构处理，得到交通状态的趋势重构信息，其中，第一网络包括空间-时间卷积神经网络和图卷积网络，第一网络是利用样本历史交通状态数据中的趋势数据训练得到的。第二重构子模块，用于基于第二网络对交通状态特征向量进行重构处理，得到交通状态的周期重构信息，其中，第二网络包括空间-时间卷积神经网络和图卷积网络，第二网络是利用样本历史交通状态数据中的周期数据训练得到的。
根据本发明的实施例，损失计算模块包括：趋势损失计算子模块、第一周期损失计算子模块、第二周期损失计算子模块和获得子模块。
趋势损失计算子模块，用于基于损失函数，根据交通状态的趋势重构信息和交通状态的趋势信息，得到趋势重构损失值。第一周期损失计算子模块，用于基于损失函数，根据交通状态的周期重构信息和交通状态的周期信息，得到第一周期重构损失值。第二周期损失计算子模块，用于基于动态时间调整函数，根据交通状态的周期重构信息和交通状态的周期信息，得到第二周期重构损失值。获得子模块，用于根据第一周期重构损失值、第二周期重构损失值和趋势重构损失值，得到重构损失值。
根据本发明的实施例，上述装置还包括：提取模块、目标维度的损失计算模块和异常类型确定模块。
提取模块，用于分别提取趋势重构信息的目标维度信息、趋势信息的目标维度信息、周期重构信息的目标维度信息和周期信息的目标维度信息。目标维度的损失计算模块，用于基于目标函数，根据趋势重构信息的目标维度信息、趋势信息的目标维度信息、周期重构信息的目标维度信息和周期信息的目标维度信息，得到目标维度的重构损失值。异常类型确定模块，用于响应于目标维度的重构损失值大于与目标维度对应的预定阈值，确定交通异常的异常类型。
本发明的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述交通异常检测方法。
本发明的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述交通异常检测方法。
本发明的第五方面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上述交通异常检测方法。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
图1示出了根据本发明实施例的交通异常检测方法、装置、设备、介质和程序产品的应用场景图；
图2示出了根据本发明实施例的交通异常检测方法的流程图；
图3示出了根据本发明实施例的交通异常检测方法的原理示意图
图4示意性示出了根据本发明实施例的交通异常检测装置的结构框图；以及
图5示意性示出了根据本发明实施例的适于实现交通异常检测方法的电子设备的方框图。
具体实施方式
以下，将参照附图来描述本发明的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本发明实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语（包括技术和科学术语）具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释（例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等）。
在本发明的技术方案中，所涉及的用户信息（包括但不限于用户个人信息、用户图像信息、用户设备信息，例如位置信息等）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，并且相关数据的收集、存储、使用、加工、传输、提供、公开和应用等处理，均遵守相关地区的相关法律法规和标准，采取了必要保密措施，不违背公序良俗，并提供有相应的操作入口，供用户选择授权或者拒绝。
现有示例中通过seq2seq模型的基础上引入了Attention机制以捕捉重要的交通状态特征。然后，在交通状态异常判定方面，通过对比原始数据和检测数据的重构误差，并根据设定的阈值实现交通事故的实时检测和事故风险等级的划分，而该模型未考虑交通数据中的时空依赖关系，因为交通流量和速度通常受到相邻路段和交通接点之间的空间关联影响，因此忽视时空依赖可能导致模型在捕捉交通异常和检测事故方面的性能不佳。
有鉴于此，本发明的实施例提供了一种交通异常检测方法，基于图神经网络和长短时记忆网络对交通状态信息进行处理，得到交通状态特征向量，融合了相邻路口和历史时段的交通状态信息，从时间依赖和空间依赖双重依赖角度提高了对异常交通状态的检测准确性。并从基于交通状态周期信息与周期重构信息和趋势重构信息与趋势信息的重构损失的计算，提高了在处理交通状态信息时捕获周期特征和趋势特征的能力，实现了对交通异常状态的精准检测。
图1示意性示出了根据本发明实施例的交通异常检测方法的应用场景图。
如图1所示，根据该实施例的应用场景100可以包括第一终端设备101、第二终端设备102、第三终端设备103、网络104和服务器105。网络104用以在第一终端设备101、第二终端设备102、第三终端设备103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
第一终端设备101可以用于采集目标区域内的每一个路口的交通流量信息。第二终端设备102可以用于采集目标区域内的每一个路口的交通信号灯的状态信息。第三终端设备103可以用于采集目标区域内每一个路口处的车辆速度信息。
服务器105可以是提供各种服务的服务器，例如对用户利用第一终端设备101、第二终端设备102、第三终端设备103所浏览的网站提供支持的后台管理服务器（仅为示例）。后台管理服务器可以对接收到的交通状态数据进行分析等处理，并将处理结果（例如根据用户请求获取或生成的网页、信息、或数据等）反馈给终端设备。
需要说明的是，本发明实施例所提供的交通异常检测方法一般可以由服务器105执行。相应地，本发明实施例所提供的交通异常检测装置一般可以设置于服务器105中。本发明实施例所提供的交通异常检测方法也可以由不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群执行。相应地，本发明实施例所提供的交通异常检测装置也可以设置于不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景，通过图2~图3对公开实施例的交通异常检测方法进行详细描述。
图2示意性示出了根据本发明实施例的交通异常检测方法的流程图。
如图2所示，该实施例的交通异常检测方法200包括操作S210~操作S250。
在操作S210，响应于接收到针对目标区域的多个路口处的待检测时段内的交通状态信息，基于图神经网络和长短时记忆网络对交通状态信息进行处理，得到交通状态特征向量。
在操作S220，对交通状态特征向量进行重构处理，得到交通状态的趋势重构信息和交通状态的周期重构信息。
在操作S230，对交通状态信息进行序列分解，得到交通状态的趋势信息和交通状态的周期信息。
在操作S240，基于目标函数，根据交通状态的趋势重构信息、交通状态的周期重构信息、交通状态的趋势信息和交通状态的周期信息，得到重构损失值。
在操作S250，响应于重构损失值大于预定阈值，确定目标区域的交通状态异常。
根据本发明的实施例，目标区域可以是甲市的交通道路区域。目标区域内可以纵横交错设置多条道路，道路交汇处为路口，路口处可以设置交通信号灯。交通状态信息可以包括多个维度，例如：交通流量、车辆通过路口的速度、交通信号灯的状态，例如：红灯亮、绿灯亮等。
例如：交通状态信息可以表示如式（1）所示的多元时间序列的时空特征矩阵：
（1）
其中，t1~tT表示待检测时段内的T个时刻，n1~ nN表示目标区域内的N个路口，m1~mM表示M维度的交通状态信息，X t1，n1，m1表示t1时刻第1个路口第1维度的交通状态信息。
根据本发明的实施例，GCN（Graph Convolutional Network，图卷积网络）是一种处理图结构数据的神经网络。它利用图中节点之间的连接关系来学习节点特征的表示。
例如：GCN通过在图的邻接矩阵A和时空特征矩阵X上执行卷积操作，来学习节点的空间信息。邻接矩阵A中的每一个元素可以表示路口之间的相邻关系，例如：相邻路口可以表示为1，非相邻路口可以表示为0。
根据本发明的实施例，LSTM（Long Short-Term Memory，长短时记忆网络）是一种特殊的循环神经网络（RNN, Recurrent Neural Network），它可以有效地处理时间序列数据并解决梯度消失或梯度爆炸问题。LSTM通过引入一个称为“门”的结构来调节信息流，包括输入门、遗忘门和输出门。这些门结构使得LSTM能够学习长期依赖关系，并在不同时间步长上更好地保留和传递信息。
根据本发明的实施例，基于图神经网络，可以利用图神经网络中节点之间的连接关系学习节点特征的表示。在本实施例中，节点之间的连接关系表示目标区域内的多个路口之间的空间依赖关系，例如：相邻或不相邻。节点特征可以表征每一个路口处的交通状态信息，从而通过图神经网络的处理可以融合相邻路口的交通状态信息。
根据本发明的实施例，基于长短时记忆网络可以对待检测时段内多个时刻的交通状态信息进行处理，从而得到了融合了历史交通状态信息对当前交通状态的影响，得到较为准确的交通状态特征向量。
根据本发明的实施例，在实际应用场景中，交通状态数据存在一定的周期性和趋势性。因此，在本实施例中，采用交通状态的周期性分量表示在一定范围内出现重复模式的数据，例如：小时、天、周等周期；采用交通状态的趋势性分量表示随和时间的推移而呈现出一定的趋势的数据，例如：上升、下降、平稳等。
在正常状态下，交通状态的周期性特征和趋势性特征是在小范围内波动的。但是，在交通异常状态下，交通状态的周期性特征和趋势性特征将出现大范围的波动。因此，可以利用这种特性检测交通是否异常。
例如：利用正常状态下的样本交通数据训练模型，使模型可以对交通状态特征向量进行重构，得到正常状态下的交通状态的周期重构信息和趋势重构信息。
根据本发明的实施例，基于序列分解算法，对交通状态信息进行序列分解，得到待检测时段内的交通状态的周期信息和交通状态的趋势信息。
根据本发明的实施例，可以利用损失函数计算重构得到的交通状态的趋势重构信息和序列分解得到的交通状态的趋势信息之间的重构损失，以及交通状态的周期重构信息和序列分解得到的交通状态的周期信息之间的重构损失。重构损失越大，表示当前待检测时段内的交通状态的周期信息和趋势信息与正常状态下的交通状态的周期信息和趋势信息差异越大。
根据本发明的实施例，可以通过设定预定阈值，当重构损失值大于预定阈值，确定目标区域的交通状态异常。
根据本发明的实施例，基于图神经网络和长短时记忆网络对交通状态信息进行处理，得到交通状态特征向量，融合了相邻路口和历史时段的交通状态信息，从时间依赖和空间依赖双重依赖角度提高了对异常交通状态的检测准确性。并从基于交通状态周期信息与周期重构信息和趋势重构信息与趋势信息的重构损失的计算，提高了在处理交通状态信息时捕获周期特征和趋势特征的能力，实现了对交通异常状态的精准检测。
根据本发明的实施例，待检测时段包括T个时刻，T为大于1的整数；基于图神经网络和长短时记忆网络对交通状态信息进行处理，得到交通状态特征向量，可以包括如下操作：基于图神经网络，对第t时刻的交通状态信息进行处理，得到第t时刻的融合特征向量，其中，融合特征向量融合了相邻路口的交通状态信息；将第t时刻的融合特征向量、第t-1时刻的交通状态特征向量和第t-s时刻的交通状态特征向量输入长短时记忆网络，输出第t时刻的交通状态特征向量，其中，t为大于s小于等于T的整数，s为大于等于2小于t整数；以及将T个时刻的交通状态特征向量进行拼接，生成交通状态特征向量。
根据本发明的实施例，将第t时刻的融合特征向量、第t-1时刻的交通状态特征向量和第t-s时刻的交通状态特征向量输入长短时记忆网络，输出第t时刻的交通状态特征向量，可以包括如下操作：确定与第t-1时刻的交通状态特征向量对应的第一权重和与第t-s时刻的交通状态特征向量对应的第二权重；根据第t-1时刻的交通状态特征向量、第一权重、第t-s时刻的交通状态特征向量和第二权重，得到历史交通状态对当前交通状态的影响特征向量；以及对第t时刻的融合特征向量和历史交通状态对当前交通状态的影响特征向量进行处理，得到第t时刻的交通状态特征向量。
例如：通过长短时记忆网络对多个图卷积网络处理后的特征向量、多个多步时间跳连的加权平均进行处理，以得到与每一个时刻对应的融合特征向量；其中，第t时刻的交通状态特征向量的计算公式为：
（2）
其中，表示第t时刻的交通状态特征向量，表示图卷积网络处理第t时刻的输入特征向量xt和邻接矩阵A, xt为时空特征矩阵沿着时间维度的特征向量，表示计算第t-1时刻的交通状态特征向量与权重矩阵W1的乘积，表示计算第t-s时刻的交通状态特征向量与权重矩阵W2的乘积，s表示时间跳跃的步长，表示权重矩阵W1和W2的绝对值之和，表示计算多步时间跳连的加权平均。
根据本发明的实施例，通过多层感知机对多个拼接后的隐藏状态向量进行非线性变换，以得到多个目标隐藏状态向量；其中，每个目标隐藏状态向量的计算公式为：
h=FMLP（concat[h1，h2，…ht]） （3）
其中，表示多层感知机函数，用于对输入向量进行非线性变换，表示将T个时刻的交通状态特征向量进行拼接。
根据本发明的实施例，h是通过对T个时刻的交通状态特征向量进行拼接，即把它们合并处理就是h，并使用多层感知机（MLP）对拼接后的向量进行非线性变换得到的。表示将T个时刻的交通状态特征向量进行拼接。这里，ht表示第t时刻的交通状态特征向量。拼接后的向量维度为，其中，dt表示第t时刻的交通状态特征向量ht的维度。
FMLP表示多层感知机函数，用于对拼接后的向量进行非线性变换。它由多个全连接层和激活函数组成。其中，每个全连接层将输入向量映射到一个新的向量，激活函数则用于引入非线性关系。
该公式的原理是，通过对T个时刻的交通状态特征向量进行拼接，可以将多个不同时刻的信息整合到一起，从而得到一个更加全面和表达能力更强的向量。然后，使用多层感知机对拼接后的向量进行非线性变换，可以进一步捕捉输入数据中的复杂特征和模式，从而提高模型的泛化能力和预测准确性。
根据本发明的实施例，通过拼接T个时刻的交通状态特征向量，这个结构能够整合多个不同时间步产生的信息，有助于构建一个更具表达能力的最终交通状态特征向量。
根据本发明的实施例，多层感知机（MLP, Multi-Layer Perceptron）具有非线性激活函数，这使得模型能够对拼接后的向量进行非线性变换。非线性变换有助于捕获输入数据中的复杂特征和模式，从而提高模型的泛化能力和预测准确性。
根据本发明的实施例，通过多步时间连跳的信息整合，得到了历史交通状态对当前交通状态的影响特征向量。将第t时刻的融合特征向量和历史交通状态对当前交通状态的影响特征向量进行融合，不仅融合了较近时刻的历史交通状态，还融合了较远时刻的历史交通状态，能够捕捉到更长时间范围内的时空关系，从而提高了检测精度。
根据本发明的实施例，对交通状态特征向量进行重构处理，得到交通状态的趋势重构信息和交通状态的周期重构信息，可以包括如下操作：基于第一网络对交通状态特征向量进行重构处理，得到交通状态的趋势重构信息；基于第二网络对交通状态特征向量进行重构处理，得到交通状态的周期重构信息。
根据本发明的实施例，第一网络和第二网络的结构可以是相同的，均包括依次级连的空间-时间卷积神经网络（STCNN, Spatio-Temporal Convolutional NeuralNetworks）和图卷积网络（GCN）。
根据本发明的实施例，第一网络是利用样本历史交通状态数据中的趋势数据训练得到的。第二网络是利用样本历史交通状态数据中的周期数据训练得到的。
例如：样本历史交通状态数据可以表示正常状态下的历史交通状态数据。可以利用序列分解算法对样本历史交通状态数据进行序列分解，得到正常状态下的样本趋势分量和样本周期分量。并且将正常状态下的样本趋势分量和样本周期分量作为标签去监督训练第一网络和第二网络。
将样本历史交通状态数据按照前文描述的方法，提取样本历史交通状态特征向量。
将样本历史交通状态特征向量输入第一网络，输出样本历史交通状态的趋势重构信息。可以基于损失函数，根据样本趋势分量和样本历史交通状态的趋势重构信息，得到样本趋势重构损失。基于样本趋势重构损失调整第一网络的模型参数，使得样本趋势重构损失收敛，得到训练好的第一网络。
同理：将样本历史交通状态特征向量输入第二网络，输出样本历史交通状态的周期重构信息。可以基于损失函数，根据样本周期分量和样本历史交通状态的周期重构信息，得到样本周期重构损失。基于样本周期重构损失调整第二网络的模型参数，使得样本周期重构损失收敛，得到训练好的第二网络。
因此，训练好的第一网络可以用于重构正常状态下的趋势重构信息，训练好的第二网络可以用于重构正常状态下的周期重构信息。
例如：可以分别采用训练好的第一网络、第二网络对多个形状向量进行重构，以得到每个时空特征矩阵对应的周期性特征向量和趋势性特征向量；其中，每个时空特征矩阵对应的重构的周期性特征向量和重构的趋势性特征向量的计算公式为：
；
；
（4）
其中，表示用于重构交通状态的周期性信息的输入向量，表示用于重构交通状态的趋势性信息的输入向量，表示重构的周期性特征向量，重构的趋势性特征向量，表示空间-时间卷积神经网络处理的输入向量，表示空间-时间卷积神经网络的模型参数，表示图卷积网络处理空间-时间卷积神经网络的输出向量，表示图卷积网络的参数。
根据本发明的实施例，通过空间时间卷积神经网络和图卷积网络的结合，可以在空间和时间维度上捕获复杂的数据结构和相关性。空间时间卷积神经网络能够同时处理空间和时间信息，从而捕获空间-时间的相关性，而图卷积网络能够进一步处理交通网络中的空间依赖关系，在全局范围内传递和融合空间信息，从而得到较为准确的交通状态的周期性特征和趋势性特征。
根据本发明的实施例，采用同样的网络结构分别识别交通状态的周期性特征和趋势性特征，可以提高对各种异常交通类型的检测能力。
由于第一网络和第二网络均是以正常状态下的样本历史交通状态信息进行训练得到的，因此，第一网络和第二网络对交通状态的特征向量进行处理，得到的是交通正常状态下的趋势性特征和周期性特征。
根据本发明的实施例，可以利用序列分解算法将当前的待检测时段的交通状态特征想想进行序列分解，得到当前真实的周期性特征和趋势性特征。并且，将前真实的周期性特征和趋势性特征分别与第一网络和第二网络重构得到的交通正常状态下的趋势性特征和周期性特征进行对比，以确定当前待检测时段内目标区域是否存在交通异常。
例如：可以利用式（5）对交通状态特征向量进行序列分解：
（5）
其中，表示周期性分量，表示趋势性分量，表示将输入数据X分解为周期性分量和趋势性分量的函数。
根据本发明的实施例，基于目标函数，根据交通状态的趋势重构信息、交通状态的周期重构信息、交通状态的趋势信息和交通状态的周期信息，得到重构损失值，可以包括如下操作：基于损失函数，根据交通状态的趋势重构信息和交通状态的趋势信息，得到趋势重构损失值；基于损失函数，根据交通状态的周期重构信息和交通状态的周期信息，得到第一周期重构损失值；基于动态时间调整函数，根据交通状态的周期重构信息和交通状态的周期信息，得到第二周期重构损失值；以及根据第一周期重构损失值、第二周期重构损失值和趋势重构损失值，得到重构损失值。
根据本发明的实施例，目标函数可以是根据每个时空特征矩阵对应的时间维度、空间维度和交通状态维度下的趋势分量重构误差以及每个时空特征矩阵对应的时间维度、空间维度和交通状态维度下的周期性分量重构误差构建得到的，如式（6）所示：
（6）
其中，表示在时间维度t、空间维度n和交通状态维度m下的周期性分量，表示在时间维度t、空间维度n和交通状态维度下m下的周期性分量的重构值，表示在时间维度t、空间维度n和交通状态维度m下的趋势分量，表示在时间维度t、空间维度n和交通状态维度m下的趋势分量的重构值，表示在时间维度t、空间维度n和交通状态维度m下的周期性分量重构误差，表示在时间维度t、空间维度n和交通状态维度m下的趋势分量重构误差，表示二范数平方，表示向量的平方和、用来衡量向量的大小，表示正则化系数，用于平衡周期性分量和趋势分量重构误差的权重，动态时间规整（Dynamic Time Warping）函数，用于衡量两个时间序列之间的相似度。计算方法包括将一个时间序列的点与另一个时间序列的点进行匹配，使得两个序列的总距离最小。
根据本发明的实施例，利用序列分解后的分量设计损失函数，使得模型能够更关注不同类型的异常。从而提高模型在交通异常检测任务中的鲁棒性。
根据本发明的实施例，在趋势性分量的损失计算中引入 DTW 损失，使得模型能够考虑时序数据的非线性变化，提高对趋势异常的检测能力。DTW可以更好地衡量两个时间序列的相似度，而L损失函数可以准确地计算重构值和真实值之间的误差，结合两者的优点，更符合实际交通数据的特征，实现高效的异常检测。
基于目标函数，通过计算模型重构得到的重构损失值，可以确定目标区域是否存在交通异常。但是，还不能确定具体发生交通异常的时刻、位置以及具体的异常类型，例如：交通流量异常？信号灯状态异常？还是车速异常。
因此，可以分别提取趋势重构信息的目标维度信息、趋势信息的目标维度信息、周期重构信息的目标维度信息和周期信息的目标维度信息；基于目标函数，根据趋势重构信息的目标维度信息、趋势信息的目标维度信息、周期重构信息的目标维度信息和周期信息的目标维度信息，得到目标维度的重构损失值；以及响应于目标维度的重构损失值大于与目标维度对应的预定阈值，确定交通异常的异常类型。
根据本发明的实施例，可以基于前文所述的目标函数分别计算时间维度下、空间维度下以及具体的交通状态维度下的重构损失值：
；
；
（7）
其中，表示在时间维度t、空间维度n和交通状态维度m下的周期性分量重构误差，表示在时间维度t、空间维度n和交通状态维度m下的趋势分量重构误差。并通过时间维度阈值、空间维度阈值和交通状态维度阈值确定相应的维度是否异常。对于每个维度，将损失值按从小到大的顺序排列，然后选择一个分位数（例如：95%）作为阈值。
根据本发明的实施例，对于每一个维度可以确定不同的阈值，例如：目标维度可以是时间维度，可以使用基于分位数的阈值确定方法，确定预设时间维度阈值，记为，其公式为：
（8）
其中，是时间维度损失值的第q分位数。可以理解的是，时间维度的损失和是通过求和空间维度和字段维度的损失值，得到的一系列时间维度的损失值，从一些列时间维度的损失值选取时间维度损失值的第q分位数。以此类推，空间维度损失值的第q分位数和字段维度损失值的第q位数也可如上解释，在此不做赘述。
例如：可以通过逐个比较时间维度的损失和与时间维度阈值。如果时间维度的损失和超过时间维度阈值，标记时间维度为异常。
根据本发明的实施例，目标维度可以是空间维度，若每个空间维度下的损失和大于空间维度阈值，则确定该路口出现交通异常。
根据本发明的实施例，可以使用基于分位数的阈值确定方法，确定预设空间维度阈值，记为，其公式为：
（9）
其中，是空间维度损失值的第q分位数，逐个比较空间维度的损失和与空间维度阈值。如果空间维度的损失和超过空间维度阈值，标记空间维度为异常。
根据本发明的实施例，目标维度可以是交通状态维度，例如：交通流量维度、车速维度、信号灯状态维度。
例如：可以使用基于分位数的阈值确定方法，确定预设交通状态维度阈值，记为，其公式为：
（10）
其中，表示交通状态维度损失值的第q分位数。逐个比较交通状态维度阈的损失和与交通状态维度阈阈值。如果交通状态维度阈的损失和超过交通状态维度阈值，标记对应的交通状态维度阈为异常，例如：交通流量异常。
对于标记为异常的时间维度t，找到在空间维度n和交通状态维度m上损失值超过阈值的数据点，将它们标记为异常数据点。对于空间维度n和交通状态维度m，执行类似的操作。结合各个维度的异常数据点，得到完整的异常检测结果。
根据本发明的实施例，通过对时间维度、空间维度和交通状态维度的分析，可以确定具体出现交通异常的类型，从而得到较为精准且细粒度的检测结果。
图3示意性示出了根据本发明实施例的交通异常检测方法的原理示意图。
如图3所示，在实施例300中，待检测时段内的交通状态信息301输入GCN310，输出的特征向量再输入LSTM320。LSTM320中包括遗忘门和输入门，历史时刻的交通状态特征向量ht-1和ht-s经过加权之后输入遗忘门，经过GCN处理的输出向量GCN（xt,A）输入输入门，得到的第t时刻的交通状态特征向量。依次类推，T个时刻的交通状态特征向量经过MLP330，进行拼接，得到交通状态特征向量302。
交通状态特征向量302输入趋势STCNN3401和趋势GCN3402，输出交通状态的趋势重构信息303。交通状态特征向量302输入周期STCNN3501和周期GCN3502，输出交通状态的周期重构信息304。
待检测时段内的交通状态信息301进行序列分解，得到交通状态的趋势信息305和交通状态的周期信息306。
基于目标函数，根据交通状态的趋势重构信息303和交通状态的趋势信息305，得到趋势重构损失307。根据交通状态的周期重构信息304和交通状态的周期信息306，得到周期重构损失308。
根据本发明的实施例，当趋势重构损失307和周期重构损失308之和大于预定阈值时，可以确定交通是否异常309。
为了提高模型的查准率和查全率，通过评价指标衡量模型的性能。评价指标可以在验证阶段，使用评价指标调整模型超参数，优化模型结果等。在测试阶段，使用评价指标帮助评估模型在未知数据上的泛化性能。
根据本发明的实施例，可以采用的是F1值（F1 Score），F1值是精确度（precision）和召回率（recall）的调和平均值，它同时考虑了模型的查准率和查全率，并且它可以平衡正例（异常点）和负例（正常点）之间的性能。并且它可以对数据集应用预设异常检测模型，记录每个异常数据点。
根据本发明的实施例，精准度表示在所有预测为正例的样本中，实际为正例的样本所占的比例。召回率表示在所有实际为正例的样本中，被正确预测为正例的样本所占的比例。可以利用下式计算精准度和召回率的公式为：
；
； (11)
其中，TP（True Positive）表示真实异常被正确检测为异常的数量；FP（FalsePositive）表示正常数据被错误检测为异常的数量，即模型预测为异常但实际上是正常的数据点数量；FN（False Negative）表示真实异常被错误检测为正常的数量，即模型预测为正常但实际上是异常的数据点数量。
根据本发明的实施例，可以利用精准度和召回率计算F1值（F1 Score）：
(12)
根据本发明的实施例，当F1值达到最大值时，即为1，表示有100%比例的样本被预设异常检测模型正确识别出正常还是异常。
基于上述交通异常检测方法，本发明还提供了一种交通异常检测装置。以下将结合图4对该装置进行详细描述。
图4示意性示出了根据本发明实施例的交通异常检测装置的结构框图。
如图4所示，该实施例的交通异常检测装置400包括处理模块410、重构模块420、分解模块430、损失计算模块440和确定模块450。
处理模块410，用于响应于接收到针对目标区域的多个路口处的待检测时段内的交通状态信息，基于图神经网络和长短时记忆网络对交通状态信息进行处理，得到交通状态特征向量；其中，交通状态特征向量融合了相邻路口的交通状态信息和预定时长内的历史交通状态信息。
重构模块420，用于对交通状态特征向量进行重构处理，得到交通状态的趋势重构信息和交通状态的周期重构信息。
分解模块430，用于对交通状态信息进行序列分解，得到交通状态的趋势信息和交通状态的周期信息。
损失计算模块440，用于基于目标函数，根据交通状态的趋势重构信息、交通状态的周期重构信息、交通状态的趋势信息和交通状态的周期信息，得到重构损失值。
确定模块450，用于响应于重构损失值大于预定阈值，确定目标区域的交通状态异常。
根据本发明的实施例，待检测时段包括T个时刻，T为大于1的整数。处理模块包括：融合子模块、处理子模块和拼接子模块。
融合子模块，用于基于图神经网络，对第t时刻的交通状态信息进行处理，得到第t时刻的融合特征向量，其中，融合特征向量融合了相邻路口的交通状态信息。处理子模块，用于将第t时刻的融合特征向量、第t-1时刻的交通状态特征向量和第t-s时刻的交通状态特征向量输入长短时记忆网络，输出第t时刻的交通状态特征向量，其中，t为大于s小于等于T的整数，s为大于等于2小于t整数。拼接子模块，用于将T个时刻的交通状态特征向量进行拼接，生成交通状态特征向量。
根据本发明的实施例，处理子模块包括确定单元、获得单元和生成单元。
确定单元，用于确定与第t-1时刻的交通状态特征向量对应的第一权重和与第t-s时刻的交通状态特征向量对应的第二权重。获得单元，用于根据第t-1时刻的交通状态特征向量、第一权重、第t-s时刻的交通状态特征向量和第二权重，得到历史交通状态对当前交通状态的影响特征向量。生成单元，用于对第t时刻的融合特征向量和历史交通状态对当前交通状态的影响特征向量进行处理，得到第t时刻的交通状态特征向量。
根据本发明的实施例，重构模块包括第一重构子模块和第二重构子模块。
第一重构子模块，用于基于第一网络对交通状态特征向量进行重构处理，得到交通状态的趋势重构信息，其中，第一网络包括空间-时间卷积神经网络和图卷积网络，第一网络是利用样本历史交通状态数据中的趋势数据训练得到的。第二重构子模块，用于基于第二网络对交通状态特征向量进行重构处理，得到交通状态的周期重构信息，其中，第二网络包括空间-时间卷积神经网络和图卷积网络，第二网络是利用样本历史交通状态数据中的周期数据训练得到的。
根据本发明的实施例，损失计算模块包括：趋势损失计算子模块、第一周期损失计算子模块、第二周期损失计算子模块和获得子模块。
趋势损失计算子模块，用于基于损失函数，根据交通状态的趋势重构信息和交通状态的趋势信息，得到趋势重构损失值。第一周期损失计算子模块，用于基于损失函数，根据交通状态的周期重构信息和交通状态的周期信息，得到第一周期重构损失值。第二周期损失计算子模块，用于基于动态时间调整函数，根据交通状态的周期重构信息和交通状态的周期信息，得到第二周期重构损失值。获得子模块，用于根据第一周期重构损失值、第二周期重构损失值和趋势重构损失值，得到重构损失值。
根据本发明的实施例，上述装置还包括：提取模块、目标维度的损失计算模块和异常类型确定模块。
提取模块，用于分别提取趋势重构信息的目标维度信息、趋势信息的目标维度信息、周期重构信息的目标维度信息和周期信息的目标维度信息。目标维度的损失计算模块，用于基于目标函数，根据趋势重构信息的目标维度信息、趋势信息的目标维度信息、周期重构信息的目标维度信息和周期信息的目标维度信息，得到目标维度的重构损失值。异常类型确定模块，用于响应于目标维度的重构损失值大于与目标维度对应的预定阈值，确定交通异常的异常类型。
根据本发明的实施例，处理模块410、重构模块420、分解模块430、损失计算模块440和确定模块450中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本发明的实施例，处理模块410、重构模块420、分解模块430、损失计算模块440和确定模块450中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列（FPGA）、可编程逻辑阵列（PLA）、片上系统、基板上的系统、封装上的系统、专用集成电路（ASIC），或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，处理模块410、重构模块420、分解模块430、损失计算模块440和确定模块450中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
图5示意性示出了根据本发明实施例的适于实现交通异常检测方法的电子设备的方框图。
如图5所示，根据本发明实施例的电子设备500包括处理器501，其可以根据存储在只读存储器（ROM）502中的程序或者从存储部分508加载到随机访问存储器（RAM）503中的程序而执行各种适当的动作和处理。处理器501例如可以包括通用微处理器（例如CPU）、指令集处理器和/或相关芯片组和/或专用微处理器（例如，专用集成电路（ASIC））等等。处理器501还可以包括用于缓存用途的板载存储器。处理器501可以包括用于执行根据本发明实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 503中，存储有电子设备500操作所需的各种程序和数据。处理器 501、ROM502以及RAM 503通过总线504彼此相连。处理器501通过执行ROM 502和/或RAM 503中的程序来执行根据本发明实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 502和RAM 503以外的一个或多个存储器中。处理器501也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本发明实施例的方法流程的各种操作。
根据本发明的实施例，电子设备500还可以包括输入/输出（I/O）接口505，输入/输出（I/O）接口505也连接至总线504。电子设备500还可以包括连接至I/O接口505的以下部件中的一项或多项：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
本发明还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本发明实施例的方法。
根据本发明的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本发明的实施例，计算机可读存储介质可以包括上文描述的ROM 502和/或RAM 503和/或ROM 502和RAM 503以外的一个或多个存储器。
本发明的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本发明实施例所提供的物品推荐方法。
在该计算机程序被处理器501执行时执行本发明实施例的系统/装置中限定的上述功能。根据本发明的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分509被下载和安装，和/或从可拆卸介质511被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被处理器501执行时，执行本发明实施例的系统中限定的上述功能。根据本发明的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本发明的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网（LAN）或广域网（WAN），连接到用户计算设备，或者，可以连接到外部计算设备（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解，本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本发明中。特别地，在不脱离本发明精神和教导的情况下，本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本发明的范围。
以上对本发明的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本发明的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本发明的范围由所附权利要求及其等同物限定。不脱离本发明的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本发明的范围之内。
Claims (9)
1.一种交通异常检测方法，其特征在于，包括：
响应于接收到针对目标区域的多个路口处的待检测时段内的交通状态信息，基于图神经网络和长短时记忆网络对所述交通状态信息进行处理，得到交通状态特征向量；其中，所述交通状态特征向量融合了相邻路口的交通状态信息和预定时长内的历史交通状态信息；
对所述交通状态特征向量进行重构处理，得到交通状态的趋势重构信息和交通状态的周期重构信息；
对所述交通状态信息进行序列分解，得到交通状态的趋势信息和交通状态的周期信息；
基于目标函数，根据所述交通状态的趋势重构信息、所述交通状态的周期重构信息、所述交通状态的趋势信息和所述交通状态的周期信息，得到重构损失值；以及
响应于所述重构损失值大于预定阈值，确定所述目标区域的交通状态异常；
所述基于目标函数，根据所述交通状态的趋势重构信息、所述交通状态的周期重构信息、所述交通状态的趋势信息和所述交通状态的周期信息，得到重构损失值，包括：
基于损失函数，根据所述交通状态的趋势重构信息和所述交通状态的趋势信息，得到趋势重构损失值；
基于所述损失函数，根据所述交通状态的周期重构信息和所述交通状态的周期信息，得到第一周期重构损失值；
基于动态时间调整函数，根据所述交通状态的周期重构信息和所述交通状态的周期信息，得到第二周期重构损失值；以及
根据所述第一周期重构损失值、所述第二周期重构损失值和所述趋势重构损失值，得到所述重构损失值；
其中，所述目标函数如式（1）所示：
（1）
其中，表示在时间维度t、空间维度n和交通状态维度m下的周期性分量，表示在时间维度t、空间维度n和交通状态维度下m下的周期性分量的重构值，表示在时间维度t、空间维度n和交通状态维度m下的趋势分量，表示在时间维度t、空间维度n和交通状态维度m下的趋势分量的重构值，表示在时间维度t、空间维度n和交通状态维度m下的周期性分量重构误差，表示在时间维度t、空间维度n和交通状态维度m下的趋势分量重构误差，表示二范数平方，表示向量的平方和、用来衡量向量的大小，表示正则化系数，用于平衡周期性分量和趋势分量重构误差的权重，动态时间规整函数，用于衡量两个时间序列之间的相似度。
2.根据权利要求1所述的方法，其特征在于，所述待检测时段包括T个时刻，T为大于1的整数；所述基于图神经网络和长短时记忆网络对所述交通状态信息进行处理，得到交通状态特征向量，包括：
基于图神经网络，对第t时刻的交通状态信息进行处理，得到第t时刻的融合特征向量，其中，所述融合特征向量融合了相邻路口的交通状态信息；
将所述第t时刻的融合特征向量、第t-1时刻的交通状态特征向量和第t-s时刻的交通状态特征向量输入长短时记忆网络，输出第t时刻的交通状态特征向量，其中，t为大于s小于等于T的整数，s为大于等于2小于t整数；以及
将T个时刻的交通状态特征向量进行拼接，生成所述交通状态特征向量。
3.根据权利要求2所述的方法，其特征在于，所述将所述第t时刻的融合特征向量、第t-1时刻的交通状态特征向量和第t-s时刻的交通状态特征向量输入长短时记忆网络，输出第t时刻的交通状态特征向量，包括：
确定与所述第t-1时刻的交通状态特征向量对应的第一权重和与第t-s时刻的交通状态特征向量对应的第二权重；
根据所述第t-1时刻的交通状态特征向量、所述第一权重、所述第t-s时刻的交通状态特征向量和所述第二权重，得到历史交通状态对当前交通状态的影响特征向量；
对所述第t时刻的融合特征向量和所述历史交通状态对当前交通状态的影响特征向量进行处理，得到所述第t时刻的交通状态特征向量。
4.根据权利要求1所述的方法，其特征在于，所述对所述交通状态特征向量进行重构处理，得到交通状态的趋势重构信息和交通状态的周期重构信息，包括：
基于第一网络对所述交通状态特征向量进行重构处理，得到所述交通状态的趋势重构信息，其中，所述第一网络包括空间-时间卷积神经网络和图卷积网络，所述第一网络是利用样本历史交通状态数据中的趋势数据训练得到的；以及
基于第二网络对所述交通状态特征向量进行重构处理，得到所述交通状态的周期重构信息，其中，所述第二网络包括空间-时间卷积神经网络和图卷积网络，所述第二网络是利用样本历史交通状态数据中的周期数据训练得到的。
5.根据权利要求1所述的方法，其特征在于，还包括：
分别提取所述趋势重构信息的目标维度信息、所述趋势信息的目标维度信息、所述周期重构信息的目标维度信息和所述周期信息的目标维度信息；
基于所述目标函数，根据所述趋势重构信息的目标维度信息、所述趋势信息的目标维度信息、所述周期重构信息的目标维度信息和所述周期信息的目标维度信息，得到目标维度的重构损失值；
响应于所述目标维度的重构损失值大于与所述目标维度对应的预定阈值，确定所述交通异常的异常类型。
6.一种交通异常检测装置，其特征在于，包括：
处理模块，用于响应于接收到针对目标区域的多个路口处的待检测时段内的交通状态信息，基于图神经网络和长短时记忆网络对所述交通状态信息进行处理，得到交通状态特征向量；其中，所述交通状态特征向量融合了相邻路口的交通状态信息和预定时长内的历史交通状态信息；
重构模块，用于对所述交通状态特征向量进行重构处理，得到交通状态的趋势重构信息和交通状态的周期重构信息；
分解模块，用于对所述交通状态信息进行序列分解，得到交通状态的趋势信息和交通状态的周期信息；
损失计算模块，用于基于目标函数，根据所述交通状态的趋势重构信息、所述交通状态的周期重构信息、所述交通状态的趋势信息和所述交通状态的周期信息，得到重构损失值；以及
确定模块，用于响应于所述重构损失值大于预定阈值，确定所述目标区域的交通状态异常；
所述基于目标函数，根据所述交通状态的趋势重构信息、所述交通状态的周期重构信息、所述交通状态的趋势信息和所述交通状态的周期信息，得到重构损失值，包括：
基于损失函数，根据所述交通状态的趋势重构信息和所述交通状态的趋势信息，得到趋势重构损失值；
基于所述损失函数，根据所述交通状态的周期重构信息和所述交通状态的周期信息，得到第一周期重构损失值；
基于动态时间调整函数，根据所述交通状态的周期重构信息和所述交通状态的周期信息，得到第二周期重构损失值；以及
根据所述第一周期重构损失值、所述第二周期重构损失值和所述趋势重构损失值，得到所述重构损失值；
其中，所述目标函数如式（1）所示：
（1）
其中，表示在时间维度t、空间维度n和交通状态维度m下的周期性分量，表示在时间维度t、空间维度n和交通状态维度下m下的周期性分量的重构值，表示在时间维度t、空间维度n和交通状态维度m下的趋势分量，表示在时间维度t、空间维度n和交通状态维度m下的趋势分量的重构值，表示在时间维度t、空间维度n和交通状态维度m下的周期性分量重构误差，表示在时间维度t、空间维度n和交通状态维度m下的趋势分量重构误差，表示二范数平方，表示向量的平方和、用来衡量向量的大小，表示正则化系数，用于平衡周期性分量和趋势分量重构误差的权重，动态时间规整函数，用于衡量两个时间序列之间的相似度。
7.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1~5中任一项所述的方法。
8.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1~5中任一项所述的方法。
9.一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现权利要求1~5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410189970.4A CN117765737B (zh) | 2024-02-21 | 2024-02-21 | 交通异常检测方法、装置、设备、介质及程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410189970.4A CN117765737B (zh) | 2024-02-21 | 2024-02-21 | 交通异常检测方法、装置、设备、介质及程序产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117765737A CN117765737A (zh) | 2024-03-26 |
| CN117765737B true CN117765737B (zh) | 2024-05-14 |
Family
ID=90316718
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410189970.4A Active CN117765737B (zh) | 2024-02-21 | 2024-02-21 | 交通异常检测方法、装置、设备、介质及程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117765737B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118503651B (zh) * | 2024-07-10 | 2024-10-11 | 天津大学 | 基于树形高阶图卷积的交通状态预测方法、训练方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111540193A (zh) * | 2020-03-13 | 2020-08-14 | 华南理工大学 | 一种基于图卷积时序生成对抗网络的交通数据修复方法 |
| CN111699519A (zh) * | 2018-01-23 | 2020-09-22 | 西门子交通有限责任公司 | 用于检测地理位置中的异常交通事件的系统、设备和方法 |
| EP3716246A1 (en) * | 2019-03-29 | 2020-09-30 | Honeywell International Inc. | Method and system for detecting and avoiding loss of separation between vehicles |
| CN111913849A (zh) * | 2020-07-29 | 2020-11-10 | 厦门大学 | 一种用于运维数据的无监督异常检测和鲁棒趋势预测方法 |
| JP2022017876A (ja) * | 2020-07-14 | 2022-01-26 | 住友電気工業株式会社 | 交通状態判定装置、交通状態判定方法、コンピュータプログラム、及び学習モデル |
| CN114822019A (zh) * | 2022-03-31 | 2022-07-29 | 阿里巴巴（中国）有限公司 | 交通信息处理方法和装置 |
| CN116311905A (zh) * | 2023-01-31 | 2023-06-23 | 重庆理工大学 | 一种基于博弈论的无信号右转交叉口行人轨迹预测方法 |
| CN117253368A (zh) * | 2023-10-07 | 2023-12-19 | 港珠澳大桥管理局 | 交通流量异常检测方法、装置、计算机设备和存储介质 |
| CN117315331A (zh) * | 2023-09-04 | 2023-12-29 | 中孚安全技术有限公司 | 一种基于gnn和lstm的动态图异常检测方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7388657B2 (en) * | 2005-08-22 | 2008-06-17 | Tyco Telecommunications (Us) Inc. | System and method for monitoring an optical communication system |
| US9317780B2 (en) * | 2013-10-17 | 2016-04-19 | Xerox Corporation | Detecting multi-object anomalies utilizing a low rank sparsity model |
-
2024
- 2024-02-21 CN CN202410189970.4A patent/CN117765737B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111699519A (zh) * | 2018-01-23 | 2020-09-22 | 西门子交通有限责任公司 | 用于检测地理位置中的异常交通事件的系统、设备和方法 |
| EP3716246A1 (en) * | 2019-03-29 | 2020-09-30 | Honeywell International Inc. | Method and system for detecting and avoiding loss of separation between vehicles |
| CN111540193A (zh) * | 2020-03-13 | 2020-08-14 | 华南理工大学 | 一种基于图卷积时序生成对抗网络的交通数据修复方法 |
| JP2022017876A (ja) * | 2020-07-14 | 2022-01-26 | 住友電気工業株式会社 | 交通状態判定装置、交通状態判定方法、コンピュータプログラム、及び学習モデル |
| CN111913849A (zh) * | 2020-07-29 | 2020-11-10 | 厦门大学 | 一种用于运维数据的无监督异常检测和鲁棒趋势预测方法 |
| CN114822019A (zh) * | 2022-03-31 | 2022-07-29 | 阿里巴巴（中国）有限公司 | 交通信息处理方法和装置 |
| CN116311905A (zh) * | 2023-01-31 | 2023-06-23 | 重庆理工大学 | 一种基于博弈论的无信号右转交叉口行人轨迹预测方法 |
| CN117315331A (zh) * | 2023-09-04 | 2023-12-29 | 中孚安全技术有限公司 | 一种基于gnn和lstm的动态图异常检测方法及系统 |
| CN117253368A (zh) * | 2023-10-07 | 2023-12-19 | 港珠澳大桥管理局 | 交通流量异常检测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 基于梯度提升决策树的城市车辆路径链重构;徐建闽;魏鑫;林永杰;卢凯;;华南理工大学学报(自然科学版);20200712(第07期);全文 * |
| 徐建闽 ; 魏鑫 ; 林永杰 ; 卢凯 ; .基于梯度提升决策树的城市车辆路径链重构.华南理工大学学报(自然科学版).2020,(第07期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117765737A (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ata et al. | Modelling smart road traffic congestion control system using machine learning techniques | |
| Vlahogianni et al. | Short-term traffic forecasting: Where we are and where we’re going | |
| CN117765737B (zh) | 交通异常检测方法、装置、设备、介质及程序产品 | |
| CN112470199A (zh) | 用于点对点流量预测的系统和方法 | |
| Abdelraouf et al. | Utilizing attention-based multi-encoder-decoder neural networks for freeway traffic speed prediction | |
| US11195412B2 (en) | Predicting short-term traffic flow congestion on urban motorway networks | |
| Ren et al. | Short‐Term Traffic Flow Prediction: A Method of Combined Deep Learnings | |
| Berk et al. | Exploiting redundancy for reliability analysis of sensor perception in automated driving vehicles | |
| Ivanovic et al. | Injecting planning-awareness into prediction and detection evaluation | |
| Naranjo et al. | Floating car data augmentation based on infrastructure sensors and neural networks | |
| Chaudhary et al. | Video‐based road traffic monitoring and prediction using dynamic Bayesian networks | |
| KR102063404B1 (ko) | 플랫폼 기반 교통체계안전시스템 및 그 운용방법 | |
| CN115471625A (zh) | 一种云机器人平台大数据智能决策方法和系统 | |
| Mihaita et al. | Traffic congestion anomaly detection and prediction using deep learning | |
| CN113159403A (zh) | 路口行人轨迹预测的方法及装置 | |
| CN114418189A (zh) | 水质等级预测方法、系统、终端设备及存储介质 | |
| Gupta et al. | Accident detection using time-distributed model in videos | |
| CN111695627A (zh) | 路况检测方法、装置、电子设备及可读存储介质 | |
| Zhang et al. | Step attention: Sequential pedestrian trajectory prediction | |
| Klosa et al. | Short-term traffic flow forecast using regression analysis and graph convolutional neural networks | |
| Kim et al. | Residual correction in real-time traffic forecasting | |
| Sharma et al. | Deep Learning-Based Object Detection and Classification for Autonomous Vehicles in Different Weather Scenarios of Quebec, Canada | |
| Azadani et al. | An interaction-aware vehicle behavior prediction for connected automated vehicles | |
| CN114493034A (zh) | 一种面向区域流量预测的时空全局语义表示学习方法 | |
| Shao et al. | Self-aware trajectory prediction for safe autonomous driving |
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 |