【技术实现步骤摘要】
基于时空数据的城市异常检测方法、装置、介质及设备
[0001]本专利技术涉及智慧城市
、市域治理
，尤其涉及基于时空数据的城市异常检测方法、装置、介质及设备。
技术介绍
[0002]人群流动是城市中经常发生的普遍性迁移现象，人们的通勤、出游都是人群流动的具体载体，人群的静止、聚集、分散和移动都是人群流动的宏观形式。人群流动异常检测还可以用于交通控制、风险评估、疫情防控和公共安全等多个领域，如城市道路交通拥堵预测、人群踩踏事件预测告警等。
[0003]人群流动异常通常指是城市中某一区域内的人群流量在一段时间内的变化不符合该区域的人群流动模式预期。目前可通过单源数据的异常检测方法和多源数据融合的异常检测方法实现对人群流动的异常相关检测。
[0004]在实现本专利技术的过程中，发现现有技术中至少存在以下技术问题：基于单源数据的异常检测通常只能从一个局限的视角反映异常事件，在异常检测任务中往往误分类率较高；基于多源数据的异常检测方法未能充分挖掘和利用多源数据间的潜在关系，数据间的时空关联度低，忽略了数据深...
【技术保护点】
【技术特征摘要】
1.一种基于时空数据的城市异常检测方法，其特征在于，包括：获取待检测城市的时空特征数据，其中，所述时空特征数据包括所述待检测城市各区域在时序上的特征数据；对于任一区域的时空特征数据，确定所述区域在时序上的流量异常信息，以及确定所述区域在空间上的流量异常信息；基于各区域在时序上的流量异常信息和在空间上的流量异常信息，在各区域中确定异常区域。2.根据权利要求1所述的方法，其特征在于，所述获取待检测城市的时空特征数据，包括：获取所述待检测城市的区域分布，获取各所述区域在预设时序范围内的特征数据。3.根据权利要求1所述的方法，其特征在于，所述确定所述区域在时序上的流量异常信息，包括：将所述区域在预设时序范围内的特征数据，输入至预先训练的流量预测模型中，得到所述区域得到流量预测数据；基于所述区域的实际流量数据和所述流量预测数据，确定所述区域在时序上的流量异常信息。4.根据权利要求3所述的方法，其特征在于，所述流量预测数据包括入流预测数据和出流预测数据；所述区域在时序上的流量异常信息，包括入流异常信息和出流异常信息。5.根据权利要求3所述的方法，其特征在于，所述流量预测模型包括向量转换层、编码层、解码层和全连接层，其中，所述向量转换层用于对输入的特征数据转换为向量数据，并输入至所述编码层；所述编码层中包括多个循环单元，各循环单元依次处理各时序特征数据对应的向量数据，并将处理结果输入至所述解码层；所述解码层中包括多个循环单元，各循环单元分别连接一个全连接层，将处理结果输出至所述全连接层，所述全连接层输出对应的流量预测数据。6.根据权利要求1所述的方法，其特征在于，所述确定所述区域在空间上的流量异常信息，包括：基于所述区域在各时间尺度上所属的区域类别，调用各所述区域类型对应的区域异常识别模型；基于各所述区域类型对应的区域异常识别模型对所述区域的时空特征数据进行处理，确定各所述区域类型对应的异常信息；将所述区域类型对应的异常信息进行融合处理，得到所述区域在空间上的流量异常信息。7.根据权利要求6所述的方法，其特征在于，所述区域在各时间尺度上所属的区域类别的确定方法，包括：基于各所述区域的历史时空特征数据，对各所述区域在各时间尺度上进行聚类处理，确定在每一时间尺度上各所述区域所属的区域类别，其中，聚类处理结果中的每一聚类簇分别对应一个区域类型。8.根据权利要求7所述的方法，其特征在于，所述时间尺度包括时间的邻近性、周期性
和趋势性；对各所述区域在各时间尺度上进行聚类处理，确定在每一时间尺度上各所述区域所属的区域类别，包括：基于各区域在预设相邻时间段内的流量特征数据，对各所述区域进行聚类处理，得到在邻近性上的区域聚类结果；基于各区域在预设周期时间段内的流量特征数据，对各所述区域进行聚类处理，得到在周期性上的区域聚类结果；基于各区域在预设连续时间段内的流量特征数据，对各所述区域进行聚类处理，得到在趋势性上的区域聚类结果。9.根据权利要求7所述的方法，其特征在于，在对各所述区域在各时间尺度上进行聚类处理之后，还包括：对于任一时间尺度上的聚类结果中的孤立区域，基于所述孤立区域与相邻区域所属聚类的聚类中心的聚类，更新所述孤立区域所属的聚类簇。10.根据权利要求7
‑
9任一所述的方...
【专利技术属性】
技术研发人员：苏义军，罗俊辉，张钧波，郑宇，
申请(专利权)人：京东城市北京数字科技有限公司，
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。