【技术实现步骤摘要】
基于双通道图神经网络自编码器的交通流异常数据判断方法
[0001]本专利技术涉及大数据
，尤其涉及基于双通道图神经网络自编码器的交通流异常数据判断方法。
技术介绍
[0002]近些年来，伴随着物联网相应技术的发展与成熟，智慧交通系统ITS(Intelligent Traffic System)逐渐成为未来交通系统的发展方向，它主要是在交通领域中充分运用物联网、云计算、人工智能、自动控制、移动互联网等技术，对交通管理、交通运输、公众出行等等交通领域全方面以及交通建设管理全过程进行管控支撑，使交通系统在区域、城市甚至更大的时空范围具备感知、互联、分析、预测、控制等能力，以充分保障交通安全、发挥交通基础设施效能、提升交通系统运行效率和管理水平，为通畅的公众出行和可持续的经济发展服务。
[0003]在ITS中，交通流数据的采集、监测和分析已成为基本且不可获取的一部分，为整个ITS的正常运行和决策提供了底层的支撑。然而，在大多数交通场景下，采集交通流数据的传感器所布设的环境是复杂多变的，众多外部影响因素极易导致传感器采集...
【技术保护点】
【技术特征摘要】
1.一种基于双通道图神经网络自编码器的交通流异常数据判断方法，其特征在于，包括依次执行以下步骤：数据预处理步骤：根据交通传感器所在道路的交通情况和历史采集数据分别计算出拓扑邻接矩阵A
t
和特征邻接矩阵A
f
，作为线下训练步骤和线上监测部步骤的双通道图卷积神经的输入，另外将不同交通传感器的历史数据使用滑动窗口切割成相同时间长度的时间窗，生成特征矩阵X后输入给线下训练步骤使用；线下训练步骤：输入同一段时间窗内、不同位置传感器测量的经由数据预处理步骤得到的特征矩阵拓扑临近矩阵A
t
、特征邻接矩阵A
f
到双通道图卷积神经网络自编码器中，输出得到重构后的特征矩阵然后计算X与的损失函数，接下来重复上述操作进行多轮训练直到损失函数收敛后，保存网络结构与相关参数并计算出异常阈值，传递给线上监测步骤使用；线上监测步骤：输入以当前待监测的时刻为起点，与线下训练步骤相同大小的时间窗长度的时间内、不同位置交通传感器测量的交通流数据经由数据预处理部分得到的特征矩阵X、拓扑临近矩阵A
t
、特征邻接矩阵A
f
到线下训练步骤训练完的双通道图卷积神经网络自编码器中，输出得到重构后的特征矩阵然后计算X与的MSE。2.根据权利要求1所述的交通流异常数据判断方法，其特征在于，在所述数据预处理步骤中，计算拓扑邻接矩阵A
t
的规则是：倘若两个采集交通流数据的传感器部署在同一条道路上，则该两个传感器的拓扑邻接矩阵相应位置的值为1，否则为0，另外，传感器自映射位置的拓扑邻接矩阵的值也为1。3.根据权利要求1所述的交通流异常数据判断方法，其特征在于，在所述数据预处理步骤中，计算特征邻接矩阵A
f
的方法是：首先根据历史交通流数据计算不同传感器间的皮尔森系数，然后依照皮尔森系数的值构建这些传感器所对应的邻接矩阵与度矩阵。4.根据权利要求1所述的交通流异常数据判断方法，其特征在于，在所述数据预处理步骤中，为了得到特征矩阵，需要使用长度与特征矩阵相同的滑动时间窗对所有不同传感器的交通流数据进行分割，滑动时间窗的滑动步大小为1，最后再将不同传感器的时间窗排列在不同行的位置，组织成特征矩阵。5.根据权利要求1所述的交通流异常数据判断方法，其特征在于，在所述线下训练步骤中，具体还包括依次执行以下步骤：编码器步骤：采用了基于双通道的图卷积神经网络，拓扑邻接矩阵A
t
与特征矩阵X被输入到拓扑通道中提取特征，而特征邻接矩阵A
f
与特征矩阵X被输入到特征通道中提取特征，最后将两种特征输入到融合器中进行融合；融合器步骤：将编码器中两个通道分别提取到的特征进行融合，然后输入给解码器；解码器步骤：采用基本的卷积神经网络结构，通过对融合器步骤中得到的...
【专利技术属性】
技术研发人员：张硕，黄荷姣，顾崇林，陈锦毅，
申请(专利权)人：哈尔滨工业大学深圳，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。