一种交通异常流量因果检测方法及设备技术

本发明专利技术公开一种交通异常流量因果检测方法及设备，通过将城市区域进行区域分割得到城市区域节点图后，根据获取到的城市流量数据在节点与节点之间创建链接，通过链接实现城市区域流量变化对城市其他区域流量变化的监控，并通过计算链接的距离值得到时空异常值，从而通过异常因果树算法对时空异常值进行计算得到异常因果图，以及结合流量正常状态下的常态因果图，将常态与异常情况的下流量区分，能够捕捉到由于时空异常值所导致的交通流量的异常变化特征，实现对异常值的因果检验以及随时间变化的传递性，揭示了不同城市区域以及道路之间潜在的相互作用，促进对城市交通状态的有效感知并有利于更精准的决策。感知并有利于更精准的决策。感知并有利于更精准的决策。

【技术实现步骤摘要】
一种交通异常流量因果检测方法及设备


[0001]本专利技术涉及智慧交通
，特别是涉及一种交通异常流量因果检测方法及设备。

技术介绍

[0002]交通出行是智慧城市发展建设中的一个核心部分。智慧出行作为创新型的出行方式，利用人工智能、物联网、空间感知、大数据、云计算等先进的技术融合，并以此对城市交通的管理、交通运输以及人们出行等交通领域进行全方位和交通建设管理整个流程进行管控支撑。这能让交通出行系统在地区、城市甚至更宽广的空间范围内具有物联、感知、互联、监控、预警、防控等出色的能力。在保障交通出行的安全以及提升交通出行的高效率与综合管理能力的提升方面都发挥出巨大的作用。交通被认为是物联网所有应用场景中最有前景的应用之一。
[0003]而随着城市化的发展，交通问题越来越严重，使得传统的解决方案已无法满足新的交通问题，因此智能交通应运而生。智能交通指的是利用先进的信息技术、数据传输技术以及计算机处理技术等有效的集成到交通运输管理体系中，使人、车和路能够紧密的配合，改善交通运输环境来提高资源利用率等。
[0004]其中，异常检测分析可以解决交通、公共安全、预防犯罪、高效资源利用等一些城市规模问题，改善大型公共和私人空间的用户体验。异常值检测又称异常检测，是指检测明显偏离大多数数据实例的数据。其在如风险管理、合规性、安全、财务监督、健康和医疗风险以及人工智能等领域的需求和应用的日益增长，异常值检测在这些领域起到了越来越重要的作用。
[0005]而包括 GPS和 WIFI 在内的定位技术的日益普及推广产生了大量的时空数据，这些数据的一种主要形式即是轨迹数据形式的时空数据。由大量运动物体所产生的轨迹数据的异常模式通常能够反映交通道路网络上的异常交通流量模式，这可能是由庆祝活动、大型商业促销、临时的交通管制，特殊的大型体育赛事等非周期性事件引起的，也可能是由于交通道路一定程度上的不合理规划所导致的周期性的交通拥堵。因此从轨迹数据中检测异常值有助于管理者及时感知异常事件，并降低它们对交通流所造成的异常影响。
[0006]对于目前的异常值检测技术，其检测方法包括主成分分析（PCA）及其变体、DPMM （DirichletProcess Mixture Model，狄利克雷过程混合模型）和深度神经网络模型。其中主成分分析及其变体被广泛应用于从空间和时间数据中检测异常值，而DPMM更多专注于交通数据中的异常指检测的研究。同时，由于深度神经网络模型强大的学习能力，也有研究人员将其用于异常值检测的领域。
[0007]主成分分析（PCA）及其变体是较流行数据降维及异常检测方法。主成分分析的主要思想是使用正交变换将线性相关数据转换为线性不相关数据。PCA被应用于链路时间矩阵，该矩阵在时间窗口中显示不同道路上的交通量，以检测异常交通行为的根本原因。
[0008]DPMM可以用来推导城市交通流数据中的异常值。首先，将所有流量值的集合投影
到n 维空间中。然后，通过主成分分析（PCA）将数据的维数减少到二维空间。然后，根据中餐馆过程（Chinese restaurant process），将流量值聚类为多个类。每个流量值以与数量参数α成比例的概率分配给一个新簇，否则，它将分配给先前创建的簇。之后，属于具有最大元素数的集群的所有流量值被视为内部值，其余的流量值被视为离群值即异常值。
[0009]深度神经网络用于异常值检测的方法如下：研究人员训练了三个独立的自动编码器网络，用以学习视频异常检测的三个不同的特征：外观、运动和外观
‑
运动联合特征。一个由三个支持向量机集成的分类器在每个学习到的特征表示上进行独立训练，以执行异常评分。首先，使用线性支持向量机（Linear SVM）对深层神经网络产生的高维原数据的低维特征表示进行异常值检测。进一步优化后，使用无监督分类的方法代替SVM（SupportVector Machine），以在投影空间中实现异常评分。在这项技术中，他们首先对基于卷积的自动编码器产生的视频帧的低维特征进行聚类，然后将聚类标签作为伪标签进行分类。分类概率用于计算每帧的异常分数。
[0010]对于因果关系检验技术，传统的分析检验因果关系方法是控制变量实验，例如A/B检测被广泛用于产业。A/B测试是一种传统的因果分析检验方法，它把各组变量随机分配到特定的单变量处理水平，再把一个或多个测试组的表现与控制组相比较，最后进行测试。
[0011]当上述的方法存在以下缺点：缺点1：在异常值检测方面，主成分分析（PCA）的结果对高度依赖数据的参数设置非常敏感。在某些情况下，极端异常值会过来会影响PCA的计算，导致异常值的误报和漏报。同时，上述技术中缺少对异常值的因果检验以及随时间变化的传递性。
[0012]缺点2：目前的时空因果检测方法，有些专注于发掘异常情况下的因果关系，有些尝试从数据中挖掘总体交通道路之间的因果关系，但是没有区分常态与异常情况下的不同条件的道路因果图。
[0013]缺点3：在因果关系检验方面，传统的A/B测试需要获得同一用户或样本对于不同变量条件下的不同的测试反馈来确定变量之间的因果关系。而由于在实践中，获得同一样本不同条件下的数据是十分困难的，以交通数据为例，通常只能获得某一时刻某区域流出和流入的流量大小，而无法获得同一时刻若干区域的流出的流量变大或变小对其他区域流量的影响。同时，因果检验关系并简单的相关性，而是一种更强烈的关联关系，因此A/B检测的可靠性再应用中往往受限。

技术实现思路

[0014]本专利技术所要解决的技术问题是：一种交通异常流量因果检测方法及设备，通过建立更精确的因果关系图，能够更好理解当前的道路交通模式并做出更及时的应对策略；为了解决上述技术问题，本专利技术采用的技术方案为：一种交通异常流量因果检测方法，包括步骤：将城市区域进行区域分割，得到城市区域节点图；获取流量数据，根据所述城市区域节点图以及流量数据构建节点与节点之间的链接；计算所有所述链接的距离值，并根据所述距离值得到时空异常值；根据异常因果树算法判断所述时空异常值之间的关系，得到异常因果图；
根据所述流量城市区域节点图以及流量数据判断节点与节点之间的关系，得到常态因果图。
[0015]为了解决上述技术问题，本专利技术采用的另一技术方案为：一种交通异常流量因果检测设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的一种交通异常流量因果检测方法中的各个步骤。
[0016]本专利技术的有益效果在于：通过将城市区域进行区域分割得到城市区域节点图后，根据获取到的城市流量数据在节点与节点之间创建链接，通过链接实现城市区域流量变化对城市其他区域流量变化的监控，并通过计算链接的距离值得到时空异常值，从而通过异常因果树算法对时空异常值进行计算得到异常因果图，以及结合流量正常状态下的常态因果图，将常态与异常情况的下流量区分，能够捕捉到由于时空异常值所导致的交通流量的异常变化特征，实现对异常值的因果检验以及随时间本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通异常流量因果检测方法，其特征在于，包括步骤：将城市区域进行区域分割，得到城市区域节点图；获取流量数据，根据所述城市区域节点图以及流量数据构建节点与节点之间的链接；计算所有所述链接的距离值，并根据所述距离值得到时空异常值；根据异常因果树算法判断所述时空异常值之间的关系，得到异常因果图；根据所述流量城市区域节点图以及流量数据判断节点与节点之间的关系，得到常态因果图。2.根据权利要求1所述的一种交通异常流量因果检测方法，其特征在于，所述将城市区域进行区域分割，得到城市区域节点图包括：采用正六边形对城市区域进行分割，得到所述城市区域节点图；每一所述节点表示一个区域；所述节点之间的连线表示区域与区域之间的流量。3.根据权利要求1所述的一种交通异常流量因果检测方法，其特征在于，所述根据所述城市区域节点图以及流量数据构建节点与节点之间的链接包括：根据所述流量数据判断节点与节点之间是否存在流量交互，若是，则在存在流量交互两组节点之间建立链接。4.根据权利要求1所述的一种交通异常流量因果检测方法，其特征在于，所述计算所有所述链接的距离值，并根据所述距离值得到时空异常值包括：计算所有所述链接的距离特征值，并根据所述距离特征值得到时间异常值；计算所有不同所述链接之间的距离，并根据所述链接之间的距离得到空间异常值；根据所述时间异常值与所述空间异常值的交集得到所述时空异常值。5.根据权利要求4所述的一种交通异常流量因果检测方法，其特征在于，所述计算所有所述链接的距离特征值，并根据所述距离特征值得到时间异常值包括：计算每一所述链接中所有时间帧对于其他任意时间帧之间的流量距离的平均值，得到每一时间帧相对其他时间帧的距离平均值；从所有所述距离平均值中筛选出极值，将所述极值作为所述时...

【专利技术属性】
技术研发人员：宋轩，高昊天，范子沛，洪学海，魏田纭溪，
申请(专利权)人：南方科技大学，
类型：发明
国别省市：