WO2018122806A1

WO2018122806A1 - 一种基于行程时间分布的多模态交通异常检测方法

Info

Publication number: WO2018122806A1
Application number: PCT/IB2017/058536
Authority: WO
Inventors: 杜豫川; 邓富文
Original assignee: 同济大学; 杜豫川; 许军
Priority date: 2016-12-30
Filing date: 2017-12-30
Publication date: 2018-07-05
Also published as: GB2588556A; CN109923595B; GB2587588B; GB201711408D0; CN110168520A; WO2018122802A1; CN109791729B; CN109844832A; GB202100341D0; GB201909405D0; WO2018122801A1; GB2569924B; GB201909409D0; CN109716414A; GB201909408D0; WO2018122803A1; GB2587588A; GB2582531A; CN109791729A; WO2018122805A1

Abstract

一种基于行程时间分布的多模态交通异常检测方法，利用浮动车的车载GNSS定位装置，可获取其不同时刻的空间位置信息，通过对海量浮动车轨迹信息的分析挖掘，可实现城市道路交通异常事件的智能化检测。该检测方法采用行程时间的概率分布表征交通状态，采用概率分布差异衡量指标反映交通状态差异，并考虑了多种环境状态下交通状态的差异，具有原理明晰、实施简便、检测率高的特点。

Description

一种基于行程时间分布的多模态交通异常检测方法

技术领域

本发明属于交通检测技术领域。特别地，本发明涉及一种城市道路交通异常实时检测方法。通过浮动车的车载 GNSS定位装置，可获取其不同时刻的空间位置信息，经过数据预处理、地图匹配和数据融合，获得特定时空范围的行程时间概率分布；根据行程时间分布的变化情况，可有效识别城市道路交通异常事件。背景技术

交通异常事件检测是城市交通管理的重要组成部分，也是智能交通系统的核心功能之一。交通异常事件主要包括交通事故、车辆抛铺、货车落物、道路交通设施损坏或故障以及其他造成交通流紊乱的特殊事件。该类事件容易造成交通拥堵、路段通行能力降低，严重时影响整个道路交通系统的正常运行。通过交通异常事件检测，可使交通管理者及时了解交通异常信息，并采取适当的诱导和控制措施，降低交通异常事件的不良影响。

交通异常事件检测可分为人工方式和自动方式。人工方式包括巡逻车、紧急电话上报和视频监控等，由于消耗人力物力且实时性差，无法满足交通管理的需要。自动方式依靠自动事件检测（AID, Automated Incidence Detection)算法实现，基本原理是通过检测不同位置道路交通流的变化来识别交通异常事件。目前常用的 AID算法包括模式识别类算法（如 Califorma算法、莫妮卡算法）、统计预测类算法（如指数平滑法、卡尔曼滤波算法）、交通流模型算法（如 McMaster算法）以及智能识别算法（如人工神经网络、模糊逻辑算法）。

但是目前的检测方法存在对设施的要求高、计算复杂度高、无法对异常状况的态势做进一步判断等缺点。本发明利用出租车、公交车车载 GNSS定位装置回传的轨迹数据，建立历史交通状态数据库和实时交通状态数据库，通过分析两者反映的交通流特征差异，识别交通异常事件。该方法具有实时性好、可并行处理、识别率高以及对检测设施要求低等特点，适用于有实时浮动车定位数据的数据环境下城市道路交通异常事件的检测。

目前，针对交通异常事件监测，有以下代表性技术：

一件美国专利申请， US 20160148512, 披露了一种交通异常事件检测和上报系统的组成原理和实施方法。该系统由传感器、通信模块、移动处理模块和用户交互模块组成。传感器用于采集车辆周边的相关数据；通信模块用于发送本车辆数据和接收周边车辆的数据；移动处理模块用于处理和分析相关车辆在某一区域内的数据并生成交通事件报告；用户交互模块能够像用户提供交通事件报告。该方案是一种基于车车和车路通讯网络的交通异常事件检测技术，能够利用传感器采集的各类信息，判别异常事件。然而，由于传感器、通信单元需要单独安装调试，实施难度较大；移动处理单元处理能力受限；同时需要移动和固定的讯息接收端，系统本身存在故障概率，可靠性不佳。

一件中国专利申请， CN 104809878 A，披露了一种利用公交车 GPS数据检测城市道路交通异常状态的方法。该方案根据 GPS历史数据获得路段延误时间指数，根据 GPS当前数据获得瞬时速度、周期平均速度、加权滑动平均速度和多车平均速度，利用规范变量分析算法检测异常。这一方案不需要新增检测设施，实施便利。但是对于交通态势的表征过于简化，无法分析交通异常状况的特点和成因; 对交通场景的划分缺乏依据，未能考虑天气等因素对交通态势变化的影响。发明内容

为了更清晰地阐述本发明的内容，首先将涉及到的专业术语解释如下：

浮动车：也称探测车。指安装了车载定位装置并行驶在城市道路上的公交汽车和出租车。

GNSS: 全球导航卫星系统（Global Navigation Satellite System )。包括 GPS、 GLONASS、 GALILEO 以及北斗卫星导航系统等。

时空子区：按照时间和空间两个维度划分的片区，反映在一段时间内，一定的空间范围内的情况。将一天划分为若干时间片段，例如 0:00-0: 10， 0: 10-0:20……，每个时间片段称之为一个时间子区；将城市道路交通异常检测的实施区域划分为若干空间片段，例如经度 121.58° E-121.59⁰ E，纬度 31.16° N-31.17° N之间的区域，每个空间片段称为一个空间子区；任意一个时间子区和任意一个空间子区的交集形成的时空片段，称为时空子区，例如经度 121.58° E-121.59⁰ E，纬度 31.16° N-31.17⁰ N之间的区域在 0:00-0: 10的时空片段。

历史轨迹数据：历史轨迹数据是长时间积累并存储在数据库中的轨迹数据。历史轨迹数据是动态变化的数据，需要及时进行更新，并定期做重新处理和分析，以保证历史交通特征提取的准确性。每个时空子区的数据可以并行处理以提高效率。本发明中可简称为历史数据。

实时轨迹数据：实时轨迹数据是距离当前时刻最近的一个时间区段内的轨迹数据集合。本发明中可简称为实时数据。

交通态势：一定时间、一定空间内交通运行的综合情况的总称。

交通异常：交通事故、车辆抛铺、货车落物、道路交通设施损坏或故障等事件引发的交通流紊乱的情况。

交通异常严重性：即交通流紊乱的严重性，是正常状态下交通流与交通异常发生后交通流特征的差异。

交通异常指数：交通异常严重性的量度。范围为 0~10，数值越大，交通异常越严重。

交通环境：作用于道路交通参与者的所有外界影响与力量的总和。包括道路状况、交通设施、地物地貌、气象条件，以及其他交通参与者的交通活动。

地图匹配：将地理坐标与城市路网关联的过程。

髙峰小时流量：某城市道路断面一日内小时交通流量的最大值。

有限混合模型：一种用简单密度模拟复杂密度的数学方法。变量集合为 y、成分数量为 K的有限混合模型可表示为： p( ) = _J ^_lp_l ( ) 响应变量：根据自变量发生改变的变量，也称因变量。

贝叶斯信息准则：是在不完全情报下，对部分未知的状态用主观概率估计，然后用贝叶斯公式对发生概率进行修正的结果可靠性的评价指标。其计算方法为：

BIC = -2lnL + k - ln n

式中，为似然函数的最大值， ^为未知参数的个数，《为样本量。似然函数：似然函数是一种关于统计模型参数的函数。给定输出 X时，关于参数 Θ的似然函数 ( |x) (在数值上）等于给定参数后变量的概率： Z( |x)=P( =x| )。

参数估计：根据从总体中抽取的样本估计总体分布中包含的未知参数的方法。

EM算法：最大期望算法（Expectation Maximization Algorithm) , 是一种迭代算法，用于含有隐变量的概率参数模型的最大似然估计或极大后验概率估计。

Kullback- Leibler散度：两个概率分布 P和 Q差异的一种量度。

Jensen-Shannon散度：是 Kullback- Leibler散度的一种对称化形式。

K-Medoids算法：一种聚类算法，每次迭代都从当前类别中选取这样一个点它到其他所有（当前类别中的）点的距离之和最小作为新的中心点。本发明的目的是建立一套基于浮动车轨迹记录系统，利用历史 GNSS定位数据和实时 GNSS定位数据，结合交通环境信息识别道路交通异常事件的方案。为了达到上述目的，本发明提供了如下技术方案：

本发明的实施前提是：搭载 GNSS轨迹记录仪的浮动车（出租车、公交车等）；具有大规模存储、计算、实时任务处理能力的数据中心。

本发明的适用范围是：有上述浮动车经过的城市道路（包括地面道路和高架道路）。

本发明的实施步骤包括：

1) 确定检测的时空范围和建立时空子区。

基于实际的应用需求，确定需要进行交通异常事件检测的时间范围和空间范围。时间范围可以设定为全天，即 0:00-24:00; 也可以设定为某一特定的时段，例如要检测 17:00-20:00这个时段的交通异常时间，则将检测时间范围设定为 17:00-20:00，这里只是列举一个特殊实例，还有很多其他情况，此处不再一一说明。空间范围可以按照行政区划设置为某个市域，例如北京市、上海市、黄浦区等；也可以按照城市空间结构设置为某个城市功能区，例如某市中央商务区、工业区等。

时空子区的建立是指，将检测的时间范围划分为若干个更小的时间片段，将检测的空间范围，即城市道路交通异常检测的实施区域，划分为若干个更小的空间片段。时空子区的建立，可以采用多种经验划分方法，包括等距时空划分法和非等距时空划分法。

2) 数据预处理。

将 GNSS定位数据进行数据清洗、数据集成、数据转换、数据归约，提高数据的结构化程度。 GNSS , 即全球导航卫星系统定位系统，是能在地球表面或近地空间的任何地点为提供全天候三维坐标和速度以及时间信息的空基无线电导航定位系统。它主要包括美国的 GPS ( Global Positioning System) , 俄罗斯的 GLONASS ( Global Navigation Satellite System)、欧盟的 GALILEO和中国的北斗卫星导航系统四大全球性导航定位系统，同时还包括日本的 QZSS、印度的 IRNSS 等区域导航定位系统以及美国的 WASS、日本的 MSAS 等卫星定位增强系统。为了在不同的导航定位系统设备中建立统一的数据分发标准，美国国家海洋电子协会制定了统一的 NEMA (National Marine Electronics Association)通讯协议，以规范 GNSS的数据广播。因此， GNSS中的各个成员系统，例如 GPS、 GLONASS等，虽然分别由不同国家和机构建立和维护，但是拥有一致的数据分发格式，因此不需要对数据格式进行变换。

选定的空间范围内，有许多安装 GNSS 定位设备的车辆，常见的有出租车、公交车、货运汽车、私家车等。基于当前城市交通数据应用现状，在实际应用当中，通常选用城市出租车为浮动车作为交通异常检测系统的数据来源。采集的 GNSS定位信息中包含一些不合理的信息，为了保证交通异常状态检测判别结果的准确性，首先需要进行甄别以提出异常的数据，保证数据的可靠性。这些异常数据包括：落在检测时空范围之外的数据、明显超出合理范围的空间位置跳跃。所谓 "明显超出合理范围的空间位置跳跃"，下面举例说明之。若某日 10:30:00时刻某辆浮动车定位设备上传的定位点记为 A，当日 10:30:30时刻该浮动车定位设备上传的定位点记为 B，位置 A与位置 B的距离为 1500米，那么据此计算得到该浮动车的行驶速度至少为 180km/h，超出了一般常识，因此是一种异常的空间位置跳跃，数据处理中应当予以剔除。

3) 快速地图匹配。

经过预处理后的 GNSS定位数据，需要结合城市路网数据，通过地图匹配算法，将 GNSS定位点投影到城市地图，建立定位点与路段的匹配关系，并修正定位漂移带来的误差。

目前各个地理区域的电子地图都已较为详实，这种电子地图可以来源于城市的地理信息系统，当然也可以来源自其他方式和途经。这些电子地图对城市道路信息进行了详细刻画，通过划分可以得到若干路段。通过借助距离、角度等信息，将定位点匹配到路段上，这样就实现了将定位信息匹配到实际的地理环境中。

4) 浮动车路径的表示和不同车辆路径的匹配。

在给定一组起终点的前提下，车辆的路径可能不是唯一的。复杂的城市交通路网包含了若干路段，将这些不同的路段进行编号，例如，将路段表示为 Ll， L2等。道路可能有两个不同的行驶方向，在这种情况下，应该将两个不同的行驶方向表示为两个不同的路段，给予不同的路段编号。

给定的起点和终点，通常可采用城市路网中路段的交点。已知某浮动车行驶的路径，现需要从其他浮动车已经发送的路径信息中，选择与该浮动车路径相同的路径，从而获得起点和终点间的同路径组。

5) 数据抽样。

浮动车的定位数据中，包含位置坐标、瞬时车速、记录时间等信息。在本专利提出的基于行程时间分布的交通异常检测方法中，数据抽样是指从全部的浮动车数据中筛选出部分数据进行后续的分析处理，这种筛选是基于数据中心的计算能力以及预先提出的精度要求而进行的。基于不同的计算能力和精度要求，可采用不同的数据抽样方法。例如，当数据中心的计算能力较强，且对检测的精度要求较高时，可以将全部的浮动车定位数据作为处理对象，进行全面的处理分析；而当数据中心的计算能力有限时，假定当前的数据中心能够在 1分钟内，对每个空间子区处理 500条数据，而实际情况是在 1 分钟每个空间子区能产生了 2000条浮动车定位数据，那么可以从 2000条数据中随机抽取 500条数据进行分析，从而在数据中心的计算能力范围内，获得精度受限的处理结果。

根据对浮动车数据利用方式的不同，可以针对浮动车数据的不同属性进行采样，例如行程车速和行程时间等。本专利中提出的基于行程时间分布的交通异常检测方法，采用行程时间作为基础进行城市道路交通异常检测。因此，数据抽样是指对行程时间进行抽样。

6) 历史轨迹数据分析和特征提取。

所谓历史轨迹数据，是指在长期的城市道路交通运行中积累下来的浮动车轨迹数据。利用历史浮动车轨迹数据，可以建立城市道路交通特征模型，用来反映城市交通运行的一般特性。这里所说的城市道路交通特征模型，可以指某些特定的指标，例如平均速度、加权平均速度等；也可以指各种某种统计模型，例如行程速度的概率分布。以往的很多模型，采用单一的指标来表示某个路段或区域的交通特征（如历史平均行程时间），这种方式虽然应用简便，但是精度不高，敏感性差，往往不能在交通异常状态检测中发挥良好的效果。因此，本专利提出对于每个时空子区，用交通特征变量的概率分布描述交通特征，建立交通特征模型并进行参数估计。

可采集的交通特征变量，包括行程车速和行程时间等，本专利中所述的交通特征变量的概率分布，指行程时间的概率分布。

7) 实时轨迹数据分析和特征提取。

所谓实时轨迹数据，是指距离当前时刻不远的一段时间内的交通运行中浮动车的轨迹数据。利用实时浮动车轨迹数据，可以掌握交通特征的变化动态，用来反映当前交通运行的即时特性。本专利采用当前时空子区特定起止点间的行程时间描述当前交通特征。

8) 异常检测。

系统状态异常检测的思想最早由 Dennrng提出，即通过监视系统审计记录上系统使用的异常情况，可以检测出违反安全、可能引发系统异常的事件。 Dennrng建立的这种模型独立于任何特定的系统、应用环境、系统弱点、故障类型，因而是一种普遍意义上的异常检测模型。该模型包括主体、客体、审计记录、轮廓、异常记录和活动规则 5个部分。轮廓是用度量和统计模型来表示的主体相对于客体的正常行为。 Dennrng 的模型定义了 3 种度量，即事件计数器、间隔定时器、资源测量器，并提出了 5 种统计模型，即可操作模型、均值和标准差模型、多变量模型、马尔可夫过程模型和时间序列模型。 Denning提出的模型通过对系统审计数据的分析，建立起系统主体的基于统计的正常行为特征轮廓，检测时，系统中的审计数据与已建立的主体的正常行为特征轮廓相比较，若相异部分超过某个阈值，就认为是一个异常事件。该模型奠定了异常检测的基础，以后发展的许多异常检测方法和系统都是以它为基础而发展起来的。

近几年在异常检测技术的发展过程中，引入了更多人工智能的方法，以提高异常检测的性能。这些人工智能的方法主要包括数据挖掘、人工神经网络、模糊证据理论等。数据挖掘的方法用来确定在大量的数据集合中什么特征是最重要的。该技术用于异常检测中主要是寻求一种正常模式更简洁的定义，而不是像传统的异常检测方法那样简单列举出所有的正常模式。数据挖掘方法的引入使得检测系统能仅通过识别正常模式中的主要特征，就能够概括性地包括训练数据中所未包括的正常模式。人工神经网络异常检测问题可被看作是一个一般的数据分类问题.在前面谈到的统计异常检测中，用户行为数据按照某种统计准则被分为两类：即异常行为和正常行为。由于基于统计的方法在提取、抽象审计实例时存在一定困难，可能造成较大误差，必须依赖于一些概率分布假设，一般需要凭经验和感觉来刻画用户行为的度量，所以引入了人工神经网络的聚类方法。人工神经网络具有自学习自适应能力，用代表正常用户行为的样本点来训练神经网络，通过反复多次学习，神经网络能从数据中提取正常的用户或系统活动的模式，并编码到网络结构中，检测时，将审计数据通过学习好的神经网络，即可判定系统是否正常。由于异常的评判标准具有一定的模糊性，所以模糊证据理论被引入到异常中，如建立一种基于模糊专家系统的入侵检测框架模型，能较好地降低漏警率和虚警率。

本专利提出一种基于统计特征的异常检测方案，基本思想是通过 Jensen-Shannon散度衡量历史交通特征与实时交通特征的差异，以实现异常交通状况的检测。该方案具有可解释性好，计算负担不大的优点，既克服了采用单一统计量检测不准确、不及时的弱点，又避免了人工神经网络等方法计算负担重，硬件要求高的缺陷。

9) 异常严重性量化表征及异常信息发布。

交通异常状况的严重性应该通过简洁明了的方式向公众发布，以避开可能的拥堵区域，提高城市交通的运行效率。异常状况的严重程度用交通异常指数表征，范围为 0-10，其中 0表示无异常， 10表示高度异常。

异常的发生位置投影到电子地图上，并通过智能移动设备 APP等形式公开发布。

10) 系统性能评价。

系统性能的评价是指评价交通异常状态检测的准确性，其评价指标包括误报率和漏报率。误报率和漏报率越低表明系统的性能越好。所述步骤 1)中，时空子区的划分具体可以采用以下方法：

11) 等距时空划分法。确定时间维度的片段尺度，时间片段跨度为固定值，通常取 30mm作为一个时间片段；确定空间维度的片段尺度，空间片段跨度为固定值，通常取 200mX 200m的空间网格作为一个空间片段；

12) 基于路网密度的非等距时空划分法：基于路网密度作为判断指标，当路网密度大于等于 2km/km²时，取 30min的时间片段和 200m X 200m的空间片段；当路网密度小于 2km/km²时，取 30min 的时间片段和 400m X 400m的空间片段；

13) 基于高峰小时流量的非等距时空划分法：基于高峰小时流量作为判断指标，当高峰小时流量大于等于 1000辆 /小时时，取 30min的时间片段和 200m X 200m的空间片段；当高峰小时流量小于 1000 辆 /小时时，取 30min的时间片段和 400m X 400m的空间片段。所述步骤 3)具体包含以下步骤：

31) 将所需处理的空间区域划分为一定大小的格网，每个格网区域的范围可表示为

4 = {(x_s,y_s) \ x_{s Γ}Λ ₅ 每个格网区域包含若干个路段，把这些路段的集合表示为 R_S, 所述路段的集合中的每条路段表示为 ij, 并为每个路段赋予编号；

32) 判定定位点所在的格网区域，并利用距离和方位角，在路段的集合中搜索某定位点 A所在的路段^ 匹配方案包括：

321) 单点匹配方案：

搜索距离点 A最近的路段，当满足点 A的行驶方向角与路段 ij的方向角的差值小于阈值时，即满足 | < ，完成匹配，所述的阈值可取 2.5 ° ， 5。， 10° 等；若不满足 | < ，在搜索空间中删除路段并继续搜索其他路段，直至满足条件。匹配方法如图 3所示。

322) 点序列匹配方案：

本方案适用于高频浮动车数据。将浮动车 GNSS数据采集频率表示为 f₀= \l ，将时间上与 A相邻的点 POHO) , Pfc+i。；)定义为 Α的 1-邻近点， P04-2i_Q;)， P 4+2i_Q)定义为 A的 2-邻近点，以此类推，则 P(t_A-kk) , Pfc+ 定义为 A的 /t-邻近点。在/ _Q<lHz时，取 /t=l或 2。取距离 A及 A的 /t-邻近点距离最小的路段^并计算 A及 A的^邻近点行驶方向角的均值^ 4,，若满足 | . - | < ，完成匹配；否则，搜索其他路段，直至满足 | 一 | < 。

33) 利用路段的直线方程（若为曲线路段则近似拆分为直线），计算 GNSS定位点在路段上的投影坐标，减小因 GNSS定位漂移带来的误差。具体方法采用 GNSS定位点直线投影法为：

确定路段 ^的直线方程（若路段为曲线，则划分为若干直线路段）： y-y, =k(x-x.) y, - y,

其中斜率为: 投影直线方程为: ¾ =-^(^χ_¾) ky_A -ky_t +k²x_t +x_A

解出投影坐标 ρ为:

k²+l

k²y_A + y_t +kx_A -hc_j

y_P

在地图匹配过程后，结合定位点坐标的时间戳数据，将定位点匹配到时空子区 ₍ 所述步骤 5)具体可以采用以下方法之一：

51) 行程时间信息的全样本方案。由给定的 OD对之间相同路径的所有行程时间数据，构成总体。实施方法是计算时空子区 ξ内每辆车的行程时间： = ₂+^₃+... + ζ— _1η，其中 iu...^ 为时空子区 ξ 内的第 1个和第 2个 GNSS定位点间的行程时间， ......，第《-1个与第 η个 GNSS定位点间的行程时间；将每个时空子区内的数据不做筛选，构成一个集合 7>，用于后续处理。

52) 行程时间信息的时间平滑抽样方案。指定时间片段长度，设置同一时间片段数据条数上限；搜索一个时空子区内时间各时间片段内的行程时间数据，若时间片段内行程时间数据条数超过上限，随机取上限条数的数据加入待处理数据样本。实施方法是计算时空子区内每辆车的行程时间： ί_ξ =^₂+^₃+... + t_n__ln，其中 ί_1>2... ί„— 为时空子区内的第 1个和第 2个 GNS S定位点间的行程时间， ......；第《-1个与第 n个 GNSS定位点间的行程时间；指定时间片段长度 t_p，同一时间片段数据条数上限腦 ' 搜索一个时空子区内时间第各时间片段内的行程时间数据，若时间片段内行程时间数据条数超过上限 p_max, 随机取;^ «条数据加入 7 并用于后续处理。所述步骤 6)具体可以采用以下方法：

61) 简单历史轨迹数据融合法。将无交通异常状况下的历史数据，作为一个整体，进行交通特征模型建立和参数估计。该方法利用有限混合模型，建立交通特征模型，并进行参数估计。具体可采用以下三种方案之一：

611) 固定成分的混合高斯模型

本方案采用固定成分数量的混合高斯模型描述行程时间的概率分布。成分数量根据行程时间在典型情况下的分布模式人工指定。为了保证概率分布的可靠性，成分数量不能过小。一般可取 =4~6。

612) 成分数量可变的混合高斯模型

本方案采用一种基于模型评价的方法来选择合适的成分数量，方法如下：

确定可能的最大成分数量 K, 并分别对《=1,2,…^个成分的混合高斯模型进行参数估计；对于 K 个模型，通过贝叶斯信息准则（β/C) 确定最佳模型。最大成分的数量一般按精度需求选取，但必须注意成分数量越多，期望最大化算法收敛越慢。这里选择的最大成分数量为 =5，即需要计算：

共 5种混合模型。同时，计算 5种模型的其定义为：

BIC = -2lnL + k - lnn

式中，为最大似然函数值，为模型中参数的个数，《为数据总量。

之后，选取 β/C最小的的混合模型，记录其参数向量 ^ μ、 σ，其中， η是所述历史交通特征模型中各个子成分所占的比例向量， μ是所述历史交通特征模型中各个子成分的均值向量， σ是所述历史交通特征模型中各个子成分的标准差向量，作为本时空子区的特征记录。混合模型的密度曲线形态在图 6中示出。

613) 成分数量、分布类型均可变的有限混合模型

本方案采用与 612)相同的基于模型评价的方法，但子成分的分布形态和成分的数量均可变，方法如下：

选取 Μ种概率分布模型作为子成分的分布类型，包括但不限于：正态分布、伽马分布、威布尔分布。使用正态分布时，子分布函数采用：

1

聯: exp 使用伽马分布时，子分布函数采用：

1 使用威布尔分布时，子分布函数

假定混合模型所有子成分的分布类型相同，确定可能的最大成分数量 ^。对于 M种子成分分布类型、种成分数量的选择，共形成 M 种组合，分别计算 δ/C值，并取 δ/C最小的模型为最佳模型。

62) 分情境的历史轨迹数据分类法。依据气温、降水量、能见度和交通管制措施，将无交通异常状况下的历史数据划分成不同的类别，分别建立模型和进行参数估计。实施方法如下：

根据气温、降水量、能见度和交通管制措施的不同，将交通环境分为 5~8个类别，由历史数据对应的交通环境的不同，将历史数据归入以上各个类别中。对每个类别，分别进行如同 51)所述的处理，从而建立了映射关系 R( ^，为交通环境， Γ为交通态势。

63) 历史数据聚类法。对于历史数据，通过时空子区两两之间的比较，获得不同时空区域的差异量化表征，并利用量化后的差异进行聚类。将气温、降水量、能见度和交通管制措施作为特征因子，进行多项 Lo_glt回归，建立交通环境与类别的映射关系。实施流程参见附图 4。实施步骤如下：

631) 根据 51)所述的方法，建立交通特征模型，并进行参数估计。

632) 根据之前的有限混合模型参数估计结果，表示出时空子区在不同日期对应的行程时间分布的概率密度函数 ρ,(χ)，其参数以混合高斯模型为例：式中，表示行程时间分布的子成分数量， //表示行程时间分布中某个子成分所占的比例，表示行程时间分布中某个子成分的均值， σ表示行程时间分布中某个子成分的标准差。

633) 计算各分布两两之间的 Jensen-Shannon散度 d,_J:

d_t] = JSD(P \\Q) = ^D(P\\M) + ^ D(Q\\M) 式中， P、 ρ为两个不同的概率分布， Μ = θΡ + ρ；)， /？为！^^-！^!^!"散度：

D(P\\Q) = ^P(x_k)log 在采用有限混合模型的情况下，其值无法显式表示，但可采用蒙特卡罗抽样方法近似计算，其计算方法是：

D_MC{f\\g)=-^l±\og^^ >D{f\\g) 式中， Z)_MC表示采用蒙特卡罗抽样方法近似计算得到的 Kullback-Leibler散度， /和 g表示任意两个分布函数。

634) 将分布两两间的散度表示成距离矩阵：

D- d„、 . .. d 该矩阵满足 4=4,， d,_r0(i=j)。

635) 将距离矩阵作为 K-Medoids算法的输入，得到聚类结果，并对类别建立索引。

636) 以类别索引为响应变量，将交通环境数据（包括气温、降水量、能见度等）作为自变量，进行多项 Logit回归，获取交通环境 E与交通态势类别 T的映射关系 R(£^。

637) 将相同类别的数据进行聚合，并利用聚合后新的数据集重新建立混合模型，并进行参数估计，得到最终的历史交通特征数据集。所述步骤 7)具体可以采用以下方法：

71) 简单实时数据处理法。该方法与 61)同时实施。将实时交通数据进行模型建立和参数估计，获取当前交通状况的特征函数。该方法的实施步骤，与 61)完全相同，只是采用的数据是实时交通数据。

72) 分类处理法。该方法与 62)或 63)同时实施。获取交通状况的特征函数，同时获取当前的气温、降水量、能见度、交通管制措施等信息，并判断当前交通状况的类别。实施流程参见附图 5。实施步骤如下：

721) 计算时空子区内特定起终点间的行程时间，构成实时行程时间总体 T_rt; 722) 建立行程时间概率分布模型 H. , ，并进行参数估计；

723) 将当前交通环境数据（包括气温、降水量、能见度等）作为输入参数，利用映射关系 R(£^) 获得当前交通态势的所述类别 T。所述步骤 8)具体包含以下步骤：

81) 当采用步骤 72)时，根据当前交通态势所属类别 Τ, 定位该类别下历史交通特征数据，否则不进行处理；

82) 根据当前交通特征的描述参数 τ 、 μ,^ 和历史交通特征的描述参数 η、 μ、 σ计算两个时间分布间的差异： ^[(η^μ^σ^^η,μ,σ)] ^^^ ^) » 其中， ^是实时交通特征模型中各个子成分所占的比例向量， ^是实时交通特征模型中各个子成分的均值向量，（T_rt是实时交通特征模型中各个子成分的标准差向量； η是历史交通特征模型中各个子成分所占的比例向量， μ是历史交通特征模型中各个子成分的均值向量， σ是历史交通特征模型中各个子成分的标准差向量。当历史交通特征与实时交通特征（即历史行程时间分布与实时行程时间分布）相近时，将得到较小的 Jensen-Shannon散度值，即两者之间的差异较小；当历史交通特征与实时交通特征差别较大时，将得到较大的 Jensen-Shannon散度值，即两者之间的差异较大，亦即存在异常的概率较大，参见附图 7。所述步骤 9)具体包含以下步骤：

91) 将各个时空子区的行程时间分布差异标准化为 0~1的规范化数值《_ί:

diff^ - min(diff)

ξ' max [diff、― nun [diff、

92) 计算各个时空子区的交通异常指数

10;

93) 将异常指数高于 5的区域位置投影到电子地图上，并智能移动设备 APP等形式向社会公开发布，以使司机避开潜在拥堵点，提高城市道路交通的通行效率。所述步骤 10)具体包含以下步骤：

101) 计算交通异常状态的漏报率： = _x ioo%

n_a

102) 计算交通异常状态的误报率：

«₂ = ^ χ 100% 以上两式中，为单位时间内漏报事件总数，为单位时间内误报事件总数，《。为单位时间内实际发生的异常时间总数。本发明相较于同一领域的相似技术，具有以下优点：

(1) 充分利用现有的浮动车运营数据（GNSS 轨迹数据），通过历史交通特征提取和实时交通态势分析，检测交通状态发生的变化，可以实现城市道路交通异常事件实时性、低成本、智能化检测；

(2) 将交通特征参数的概率分布作为交通特征的描述，反映的特征更加全面，避免了利用单一指数表征交通特征的片面性、不稳定性，检测的可靠性更高；

(3) 针对交通特征受到交通环境（如天气状况）影响的特点，引入了聚类一多项 Lo_glt回归联合算法，建立了交通环境特征与交通态势类别的映射关系；

(4) 经实际数据的检验，本发明提出的基于浮动车数据的城市道路交通异常检测技术，能够实现准确度较高的异常事件检测，检测率超过 90%，漏报率低于 15%，误报率低于 20%，取得了良好的检测效果，可以应用于城市交通智能化管理、服务。附图说明

本发明的具体内容及优点结合以下附图将变得明晰和易于理解，其中：

图 1示出了本发明的组成要素和基本原理示意图；

图 2示出了本发明在实施过程中的总体流程示意图；

图 3示出了本发明快速地图匹配算法实施方式示意图；

图 4示出了本发明实施历史交通特征提取方案的流程示意图；

图 5示出了本发明实施实时交通特征提取方案的流程示意图；

图 6示出了高斯混合模型概率分布的形态示意图；

图 7示出了历史交通特征与实时交通特征比较过程中差异的衡量示意图。具体实施方案

为了更加清晰明确地表述本发明的目的、技术方案和优势，下面对本发明的具体实施方案进行详细描述。

如附图 1所示，本发明的整体系统构架包括：浮动车搭载的车载 GNSS轨迹记录仪、数据中心、 GNSS卫星以及通信系统。此处的 GNSS包括 GPS、 GLONASS、 GALILEO、北斗、 IRNSS、 QZSS等任何类似的导航卫星定位系统。出租车、公交车等浮动车搭载的 GNSS轨迹记录仪，以一定的采样频率/ (一般要求戶 0.1Hz) 记录车辆在行驶中各时点的位置信息，并通过 GPRS移动通信网络（亦可采用 WCDMA、 TD-LTE 等无线网络通信技术，但成本将相应提高）将位置信息实时发送至数据中心。数据中心通过数据预处理、数据融合，并通过特定算法建立历史道路交通特征数据库；对于最近接收的实时数据，建立实时交通特征数据库；通过历史数据库和实时数据库的映射关系，判别当前交通特征是否异常，并通过处理终端进行可视化展示并生成交通异常事件报告。

方案的总体流程参见图 2，包括采集和存储 GNSS轨迹数据，建立时空子区，历史交通特征提取，实时交通特征提取，异常识别等步骤。采集和存储 GNSS轨迹数据，是整个方案的数据基础，由于数据量级巨大，应采用分布式存储方案，对于分布式存储目前已有成熟的技术，不是本发明的内容。建立时空子区，其基本假设是在某一特定区域、特定时段内，有着相同的交通特征，这一假设，经过长期观测，是普遍适用的。历史交通特征提取，其原理是利用 GNSS轨迹数据，计算得到行程时间，利用同一时空子区大量的行程时间数据，建立行程时间的概率分布模型，并进行参数估计，用少量参数表征交通特征。实时交通特征提取，其原理是将当前时间段内的行程时间数据进行处理分析，同样建立当前的行程时间概率分布模型。异常识别是采用差异衡量指标，判断实时特征相较于历史特征的变化程度，根据其是否达到阈值，确定是否出现交通异常事件。

根据发明内容所述实施方法的组合，给出实施例如下。实施例一

步骤 11、采用等距时空划分法，确定时间维度的片段尺度，时间片段跨度为固定值，通常取 30mm 作为一个时间片段；确定空间维度的片段尺度，空间片段跨度为固定值，通常取 200mX200m的空间网格作为一个空间片段。

步骤 12、进行数据预处理，将 GNSS定位数据进行数据清洗、数据集成、数据转换、数据归约，提高数据的结构化程度。

步骤 13、将所需处理的空间区域划分为一定大小的格网，每个格网区域的范围可表示为

4

- 判定定位点所在的格网区域，并利用距离和方位角，搜索定位点所在的路段；搜索距离点 Α最近的路段，取阈值 ^=2.5° ，当满足点 A的行驶方向角与路段 ^的方向角的差值小于阈值时，即满足 |< ，完成匹配；若不满足 | - |< ，在搜索空间中删除路段并继续搜索其他路段，直至满足条件；利用路段的直线方程（若为曲线路段则近似拆分为直线），计算 GNSS定位点在路段上的投影坐标，减小因 GNSS定位漂移带来的误差，具体方法为：确定路段 ^的直线方程（若路段为曲线，则划分为若干直线路段）： y-y, =k(x-x.) y, - y,

其中斜率为: k 投影直线方程为: y-y_A r(^x_ ) ky_A -ky +k²x +x_A

解出投影坐标 P为:

k²y_A + y, +kx_A -h,

y_P

k² +1

在地图匹配过程后，结合定位点坐标的时间戳数据，将定位点匹配到时空子区。

步骤 14、由给定的 OD对之间相同路径的所有行程时间数据，构成总体。实施方法是计算时空子区内每辆车的行程时间： ^ = + ₃ +… + -„，其中 h,₂... ί„- 为时空子区内的第 1个和第 2个 GNS S 定位点间的行程时间， ......，第《-1个与第《个 GNSS定位点间的行程时间；将每个时空子区内的数据不做筛选，构成一个集合 7>，用于后续处理。

步骤 15、将无交通异常状况下的历史数据，作为一个整体，进行交通特征模型建立和参数估计。该方法利用有限混合模型，建立交通特征模型，并进行参数估计。取最大成分数量 K=5, 并分别对 «=1,2,···, 个成分的混合高斯模型进行参数估计；对于个模型，通过贝叶斯信息准则 ΒΙΟ 确定最佳模型。计算：

共 5种混合模型。同时，计算 5种模型的

BIC = -2\nL + k-\an

之后，选取 β/C最小的的混合模型，记录其参数向量^ μ、 σ，作为本时空子区的特征记录。步骤 16、将实时交通数据进行模型建立和参数估计，获取当前交通状况的特征函数，方法同步骤 15，记录参数向量 τ 、 μ、。_rt。

步骤 17、根据当前交通特征的描述参数 τ 、 μ,^ 和历史交通特征的描述参数 η、 μ、 σ计算两个行程时间分布间的差异：

步骤 18、将各个时空子区的行程时间分布差异标准化为 0~1的规范化数值

difi - m(diff) 计算各个时空子区的交通异常指数

实施例二

步骤 21、采用等距时空划分法，确定时间维度的片段尺度，时间片段跨度为固定值，通常取 30mm 作为一个时间片段；确定空间维度的片段尺度，空间片段跨度为固定值，通常取 200mX200m的空间网格作为一个空间片段。

步骤 22、进行数据预处理，将 GNSS定位数据进行数据清洗、数据集成、数据转换、数据归约，提高数据的结构化程度。

步骤 23、将所需处理的空间区域划分为一定大小的格网，每个格网区域的范围可表示为

4

- 判定定位点所在的格网区域，并利用距离和方位角，搜索定位点所在的路段；搜索距离点 Α最近的路段，取阈值 ^=2.5° ，当满足点 A的行驶方向角与路段 ^的方向角的差值小于阈值时，即满足 | - |< ，完成匹配；若不满足 | - |< ，在搜索空间中删除路段并继续搜索其他路段，直至满足条件；利用路段的直线方程（若为曲线路段则近似拆分为直线），计算 GNSS定位点在路段上的投影坐标，减小因 GNSS定位漂移带来的误差，具体方法为：确定路段 ^的直线方程（若路段为曲线，则划分为若干直线路段）： y-y, =k(x-x.) y, - y,

其中斜率为：投影直线方程为: y-y_A (^X~^XA)

k. ky_A -ky_t +k²x_t +x_A

解出投影坐标 P为:

步骤 24、计算时空子区 ξ内每辆车的行程时间： =t₁₂ +ί₂ +... + t_n_ _n，其中 ^₂...^,„为时空子区内的第 1个和第 2个 GNSS定位点间的行程时间， ......，第《-1个与第 n个 GNSS定位点间的行程时间；指定时间片段长度同一时间片段数据条数上限;^ «; 搜索一个时空子区内时间第各时间片段内的行程时间数据，若时间片段内行程时间数据条数超过上限; ^_αχ，随机取;^ «条数据加入 Τ_ξ。

步骤 25、将无交通异常状况下的历史数据，作为一个整体，进行交通特征模型建立和参数估计。该方法利用有限混合模型，建立交通特征模型，并进行参数估计。取最大成分数量 Κ=5, 并分别对 «=1,2,···, 个成分的混合高斯模型进行参数估计；对于个模型，通过贝叶斯信息准则 ΒΙΟ 确定最佳模型。计算：

共 5种混合模型。同时，计算 5种模型的

之后，选取 β/C最小的的混合模型，记录其参数向量^ μ、 σ，作为本时空子区的特征记录。根据参数估计结果，表示出时空子区在不同日期对应的行程时间分布的概率密度函数 p,<x):

计算各分布两两之间的 Jensen-Shannon散度 d_1J:

d^JSDiPWQ) ---D(P\\M) + -D(Q\\M) 式中， P、 β为两个不同的概率分布， Μ -(P + Q), D为 Kullback— Leibler散度：

D(P\\Q) ∑^(¾)log 在采用有限混合模型的情况下，采用蒙特卡罗抽样方法近似计算，其计算方法是:

将分布两两间的散度表示成距离矩阵：

该矩阵满足 4=4,， d 0(i=j)。

将距离矩阵作为 K-Medoids算法的输入，得到聚类结果，并对类别建立索引。

以类别索引为响应变量，将交通环境数据（包括气温、降水量、能见度等）作为自变量，进行多项 Logit回归，获取交通环境 E与交通态势类别 T的映射关系 R(E 。将相同类别的数据进行聚合，并利用聚合后新的数据集重新建立混合模型，并进行参数估计，得到最终的历史交通特征数据集。

步骤 26、获取交通状况的特征函数，同时获取当前的气温、降水量、能见度、交通管制措施等信息，并判断当前交通状况的类别。

计算时空子区内特定起终点间的行程时间，构成实时行程时间总体 T_irt; 建立行程时间概率分布模型 (^_rt) = i . ·Λ( ; ），并进行参数估计；将当前交通环境数据（包括气温、降水量、能见度等）作为输入参数，利用映射关系 R(£^)获得当前交通态势的所述类别 Γ。

步骤 27、根据当前交通态势所属类别 Τ, 定位该类别下历史交通特征数据；根据当前交通特征的描述参数 ri_rt、 μ^、（J_rt和历史交通特征的描述参数 η、 μ、 σ 计算两个行程时间分布间的差异： diff[(_nrt^_rl,a_rl),(_n,^a)] = JSD(P_rl \\P). 步骤 28、将各个时空子区的行程时间分布差异标准化为 0~1的规范化数值《_ί:

diff^ -min(diff)

ξ' max [diff、― nun [diff、

计算各个时空子区的交通异常指数

10。实施例三

步骤 31、采用非等距时空划分法，对于路网密度大于 2km/km²或高峰小时流量大于 1000辆 /小时的城市中心区，取 30min的时间片段和 200mX200m的空间片段，对于路网密度小于 2km/km²或高峰小时流量小于 1000辆 /小时的城市郊区，取 30min的时间片段和 400mX400m的空间片段。

步骤 32、进行数据预处理，将 GNSS定位数据进行数据清洗、数据集成、数据转换、数据归约，提高数据的结构化程度。

步骤 33、将所需处理的空间区域划分为一定大小的格网，每个格网区域的范围可表示为

将浮动车 GNSS数据采集频率表示为 f₀=\l ，将时间上与 A相邻的点 P(t_A-t₀)， Pfc+io)定义为 A的 1-邻近点， P(t_A-2t₀)， ^04+2¾)定义为 A的 2-邻近点，以此类推，则 Ρθ4-/¾；)，定义为 Α的 /- 邻近点。在/ _Q<lHz时，取^ =1或 2。取距离 A及 A的邻近点距离最小的路段^ 并计算 A及 A的

^邻近点行驶方向角的均值 ^4·，取阈值 ^=5° ，若满足 |^.- |< ，完成匹配；否则，搜索其他路段，直至满足条件。利用路段的直线方程 (若为曲线路段则近似拆分为直线），计算 GNSS定位点在路段上的投影坐减小因 GNSS定位漂移带来的误差。具体方法为：

确定路段的直线方程（若路段为曲线，则划分为若干直线路段）： y-_yi =k(x-_Xi) y, - y,

其中斜率为: 投影直线方程为: y-y_A r(^x_ ) ky_A -ky_t +k²x_t +x_A

解出投影坐标 ρ为:

k²+\

-kx, - h,

y_P

k² +1

步骤 34、计算时空子区 ξ内每辆车的行程时间： =t₁₂ +ί₂ +... + t_n_ _n，其中 ^₂...^,„为时空子区内的第 1个和第 2个 GNSS定位点间的行程时间， ......，第《-1个与第 n个 GNSS定位点间的行程时间；指定时间片段长度同一时间片段数据条数上限;^ «; 搜索一个时空子区内时间第各时间片段内的行程时间数据，若时间片段内行程时间数据条数超过上限; ^_αχ，随机取;^ «条数据加入 Τ_ξ。

步骤 35、将无交通异常状况下的历史数据，作为一个整体，进行交通特征模型建立和参数估计。该方法利用有限混合模型，建立交通特征模型，并进行参数估计。取最大成分数量 Κ=5, 并分别对 «=1,2,···, 个成分的混合高斯模型进行参数估计；对于个模型，通过贝叶斯信息准则 ΒΙΟ 确定最佳模型。计算：

共 5种混合模型。同时，计算 5种模型的

BIC = -2\nL + k-\an

之后，选取 β/C最小的的混合模型，记录其参数向量^ μ、 σ，作为本时空子区的特征记录 _ε 根据参数估计结果，表示出时空子区在不同日期对应的行程时间分布的概率密度函数 p,(x

计算各分布两两之间的 Jensen-Shannon散度 d_y:

d,, = JSD(P \\Q) = ^D(P\\M) + ^ D(Q\\M) 式中， P、 β为两个不同的概率分布， Μ = ^ΟΡ + 0， /)为 11111^14-1^1^1"散度: (尸 Il0 = l (¾)iog 在采用有限混合模型的情况下，采用蒙特卡罗抽样方法近似计算，其计算方法是: c ( =丄 g)

η~ι ^ g(¾x,)- ^D(f\\ 将分布两两间的散度表示成距离矩阵：

dn ■ ... d_l

D- d„ . ... d 该矩阵满足 4=4,， d,_r0(i=j)。

步骤 36、获取交通状况的特征函数，同时获取当前的气温、降水量、能见度、交通管制措施等信息，并判断当前交通状况的类别。

计算时空子区内的行程时间，构成实时行程时间总体 T_irt; 建立行程时间概率分布模型 (^_rt) = i . ·Λ( ; ），并进行参数估计；将当前交通环境数据（包括气温、降水量、能见度等）作为输入参数，利用映射关系 R(E 得当前交通态势的所述类别 Γ。

步骤 37、根据当前交通态势所属类别 Τ, 定位该类别下历史交通特征数据；根据当前交通特征的描述参数 τ 、 μ„、（J_rt和历史交通特征的描述参数 η、 μ、 σ 计算行程时间分布间的差异： diff[(_nrt^_rl,a_rl),(_n,^a)] = JSD(P_rl\\P). 步骤 38、将各个时空子区的行程时间分布差异标准化为 0~1的规范化数值 _a{:

diff^ - in(diff)

max diff、 - min diff、

计算各个时空子区的交通异常指数

10。

Claims

权利要求书

1. 一种基于行程时间分布的多模态交通异常检测方法，包括如下步骤：

1) 建立时空子区：将一天划分为若干时间片段，每个时间片段称为一个时间子区；将城市道路交通异常检测的实施区域划分为若干空间片段，每个空间片段称为一个空间子区；任意一个时间子区和任意一个空间子区的交集称为时空子区；

2) 历史轨迹数据的预处理:将浮动车 GNSS定位历史数据处理为历史轨迹的抽样行程时间数据；实时轨迹数据的预处理:将浮动车 GNSS定位实时数据处理为实时轨迹的抽样行程时间数据；

3) 历史轨迹数据分析和特征提取：利用所述历史轨迹的抽样行程时间数据，建立历史行程时间概率分布，得到历史交通特征模型 P_{A ;}

实时轨迹数据分析和特征提取：利用所述实时轨迹的抽样行程时间数据，建立实时行程时间概率分布，得到实时交通特征模型

4) 异常检测：通过 Jensen - Shannon散度衡量所述历史交通特征模型与所述实时交通特征模型的差异，通过利用历史交通特征模型计算得到的 Jensen-Shannon散度与利用实时交通特征模型计算得到的 Jensen-Shannon散度，计算得到历史与实时交通特征差异值；

5) 异常严重性量化表征：利用所述历史与实时交通特征差异值，计算交通状况异常指数；

6) 系统性能评价：评价交通异常状态检测的准确性，衡量系统运行的稳定程度。

2. 如权利要求 1所述的交通异常检测方法，其特征在于，步骤 1)采用下述方法之一：

la) 等距时空划分法：确定时间维度的片段尺度，时间片段跨度为固定值，取 30mm作为一个时间片段；确定空间维度的片段尺度，空间片段跨度为固定值，取 200mX 200m 的空间网格作为一个空间片段；

lb) 基于路网密度的非等距时空划分法：基于路网密度作为判断指标，当路网密度大于等于 2km/km²时，取 30min的时间片段和 200m X 200m的空间片段；当路网密度小于 2km/km²时，取 30min的时间片段和 400m X 400m的空间片段；

lc) 基于高峰小时流量的非等距时空划分法：基于高峰小时流量作为判断指标，当高峰小时流量大于等于 1000辆 /小时时，取 30mm的时间片段和 200mX 200m的空间片段；当高峰小时流量小于 1000辆 /小时时，取 30min的时间片段和 400mX 400m的空间片段。

3. 如权利要求 1所述的交通异常检测方法，其特征在于，步骤 2)所述的历史轨迹数据的预处理包括：

2a) 数据结构化：将浮动车 GNSS定位历史数据进行数据清洗、数据集成、数据转换、数据归约，得到结构化 GNSS定位历史数据；

2b) 快速地图匹配：结合城市路网数据，通过地图匹配算法，将结构化的 GNSS定位历史数据投影到城市路网，建立所述结构化 GNSS定位历史数据中的定位点与路段的匹配关系，得到所述结构化 GNSS 定位历史数据中的定位点与所述路段的匹配关系表，并修正定位漂移带来的误差；

2c) 历史轨迹的行程时间计算和抽样:在每个时空子区内选取若干个 OD对，根据所述结构化 GNSS 定位历史数据计算这些 OD 对间的行程时间，得到历史轨迹的行程时间数据，并对所述历史轨迹的行程时间数据进行数据抽样，得到历史轨迹的抽样行程时间数据。

4. 如权利要求 3所述的交通异常检测方法，其特征在于，步骤 2b)所述的快速地图匹配包括：

2b 1) 将所需处理的空间区域划分为一定大小的格网，每个格网区域的范围可表示为

4 ={(x_s,y_s)\x_s G[x_f,x_f+1),^ [y_r,y_r+1)}^ 每个格网区域包含若干个路段，把这些路段的集合表示为 R_s 所述路段的集合 R_s中的每条路段表示为并为每个路段赋予编号；

2b2) 判定定位点所在的格网区域，并利用距离和方位角，在路段的集合中搜索某定位点 A所在的路段

2b3) 利用 GNSS定位点直线投影法，计算 GNSS定位点在路段上的投影坐标。

5. 如权利要求 4所述的交通异常检测方法，其特征在于，步骤 2b2)采用下述方法之一：

2b21) 单点匹配方法：搜索距离某定位点 A最近的路段，实施方法是：对于路段的集合中的某一路段 ij 当满足点 A的行驶方向角与路段 ij的方向角的差值小于阈值时，即满足

| - |< 时，完成匹配；若不满足 -6 < ，继续搜索路段集合 R 中的其他路段，直至满足 | - |< _;

2b22) 点序列匹配方法：本方案适用于高频浮动车数据；将每两条相邻时间的浮动车 GNSS数据时间间隔表示为 ί。，将浮动车 GNSS数据采集频率表示为 /_Q=l/i_Q，将某定位点 A的时间记录表示为将时间上与所述定位点 A相邻的点 P(t_A-t₀)， Pfc+if 定义为 A的 1-邻近点， P(t_A-2h), P04+2i_Q;)定义为某定位点 A的 2-邻近点，以此类推，则 Pi -kt^h 定义为某定位点 A 的 ^邻近点；在/ _Q<lHz时，取^ =1或 2; 取距离某定位点 A及该定位点的 ^邻近点距离最小的一个路段^ 并计算该定位点及其 ^邻近点行驶方向角的均值若满足 | 一 |< ，完成匹配；否则，搜索其他路段，直至满足 | 一 |< 。

6. 如权利要求 3所述的交通异常检测方法，其特征在于，步骤 2c)所述的历史轨迹的行程时间计算和抽样采用下述方法之一：

2c 1) 行程时间信息的全样本抽样方法：由所述 OD对之间相同路径的所有行程时间数据，构成总体；实施方法是计算时空子区内每辆车的行程时间： = + ₃+... + ^,„，其中 ^2...^,„ 为时空子区内的第 1个和第 2个 GNSS定位点间的行程时间， ......，第 n-l个与第 n个 GNSS 定位点间的行程时间；将每个时空子区内的行程时间数据不做筛选，构成一个集合 7，用于后续处理；

2c2) 行程时间信息的时间平滑抽样方法：指定时间片段长度，设置同一时间片段数据条数上限；搜索某时空子区各时间片段内的行程时间数据，若时间片段内行程时间数据条数超过上限，随机取上限条数的数据用于后续处理；实施方法是计算时空子区 ^ 内每辆车的行程时间： =t_l +ί₂ +... + t_n_ _n，其中 ^₂... 为时空子区内的第 1个和第 2个 GNSS定位点间的行程时间， ......，第《-1个与第《个 GNSS定位点间的行程时间；指定时间片段长度同一时间片段数据条数上限 p 搜索一个时空子区内时间第 i各时间片段内的行程时间数据，若时间片段内行程时间数据条数超过上限；^«，随机取；^«条数据构成集合 7>并用于后续处理。

7. 如权利要求 1至 6之一所述的交通异常检测方法，其特征在于，步骤 3)所述的历史轨迹数据分析和特征提取采用下述方法之一：

3a) 分情境的历史轨迹数据分类法：依据气温、降水量、能见度和交通管制措施，将无交通异常状况下的历史数据划分成不同的类别，分别建立模型和进行参数估计；

3b) 历史数据聚类法：对于历史数据，通过时空子区两两之间的比较，获得不同时空区域的差异量化表征，并利用量化后的差异进行聚类；将气温、降水量、能见度和交通管制措施作为特征因子，进行多项 Lo_glt回归，建立交通环境与类别的映射关系。

8. 如权利要求 7所述的交通异常检测方法，其特征在于，步骤 3b)所述的历史数据聚类法，包括：

3bl) 采用 EM算法，进行历史交通特征模型的参数估计，得到历史交通特征的描述参数^ μ、 σ，其中， η是所述历史交通特征模型中各个子成分所占的比例向量， μ是所述历史交通特征模型中各个子成分的均值向量， σ是所述历史交通特征模型中各个子成分的标准差向量；

3b2) 根据所述参数估计结果，表示出时空子区在不同日期对应的行程时间分布的概率密度函数

3b3) 计算所述行程时间分布两两之间的 Jensen-Shannon散度 d :

d_t] = JSD(P \\Q) = ^D(P\\M) + ^ D(Q\\M) 式中， Ρ、 β为两个不同的概率分布， Μ = + 0， J¾)为 Jensen-Shannon散度， D为 Kullback- Leibler散度：

D(P\\Q) = _jP(x_k)\og ) 在采用有限混合模型的情况下，其值无法显式表示，但可采用蒙特卡罗抽样方法近似计算，其计算方法是：

¾c( Hg) = -∑log ,⁽ \⁾ "^→" D(f\\g) 上式中， Z)_MC表示采用蒙特卡罗抽样方法近似计算得到的 Kullback-Leibler散度， /和 g表示任意两个分布函数；

3b4) 将所述行程时间分布两两之间的散度 i/_y合并构成一个距离矩阵：

dn ■ ... ά_λ

D- d, ■ ... d 该矩阵满足 4=4,， d, 0(i=j);

3b5) 将所述距离矩阵作为 K-Medoids算法的输入，得到聚类结果，并对类别建立索引； 3b6) 以类别索引为响应变量，将交通环境数据（包括气温、降水量、能见度等）作为自变量，进行多项 Logit回归，获取交通环境 E与交通态势类别 T的映射关系； 3b7) 将相同类别的数据进行聚合，并利用聚合后新的数据集重新建立混合模型，并进行参数估计，得到最终的历史交通特征数据集。

9. 如权利要求 1至 6之一所述的交通异常检测方法，其特征在于，步骤 3)所述的实时轨迹数据分析和特征提取包括以下步骤：

3c) 计算时空子区内的所述 OD对间的行程时间 t_irt, 构成实时行程时间总体

3d) 建立实时交通特征模型 (^) =∑^. . /；. ( ; ^^.；)，式中，表示所述实时交通特征的子成分数量， //表示所述实时交通特征的某个子成分所占的比例， ^表示所述实时交通特征模型的某个子成分的均值， σ表示所述实时交通特征模型的某个子成分的标准差，并进行参数估计，得到当前实时交通特征的描述参数 τ 、 o_rt，其中，是所述实时交通特征模型中各个子成分所占的比例向量， ^是所述实时交通特征模型中各个子成分的均值向量，（J_rt是所述实时交通特征模型中各个子成分的标准差向量；

3e) 将当前交通环境数据（包括气温、降水量、能见度等）作为输入参数，利用映射关系 R(£^) 获得当前交通态势的所述类别 T, 其中 £表示所述交通环境数据。

10. 如权利要求 1至 6之一所述的交通异常检测方法，其特征在于，步骤 4)异常检测包括：

4a) 根据当前交通态势所属类别 Γ，定位该类别下历史交通特征数据，如无类别划分，则不必区分类别；

4b) 根据当前实时交通特征的描述参数 τ 、 μ,^ 和历史交通特征的描述参数 η、 μ、 σ计算两个行程时间分布间的差异：

, 其中， ^是所述实时交通特征模型中各个子成分所占的比例向量， ^是所述实时交通特征模型中各个子成分的均值向量，（J_rt是所述实时交通特征模型中各个子成分的标准差向量； η 是所述历史交通特征模型中各个子成分所占的比例向量， μ是所述历史交通特征模型中各个子成分的均值向量， σ是所述历史交通特征模型中各个子成分的标准差向量。

11. 如权利要求 1至 6之一所述的交通异常检测方法，其特征在于，步骤 5)异常严重性量化表征包括： 5a) 将某时空子区的行程时间分布差异标准化为 0~1的规范化数值

5b) 计算各个时空子区的交通异常指数^ 10。

12. 如权利要求 1至 6之一所述的交通异常检测方法，其特征在于，步骤 6)系统性能评价包括：

6a) 计算交通异常状态的漏报率 = ¾/ ) x lOO%，式中，表示漏报异常事件的总数，《_α表示应报异常事件的总数；

6b) 计算交通异常状态的误报率 = («_e/ ) x l00%，式中，《_e表示误报异常事件的总数，《_α表示应报异常事件的总数。