【技术实现步骤摘要】
一种基于城市子区域热点路口挖掘的区域异常检测方法
[0001]本专利技术涉及城市区域异常检测领域，特别是涉及一种基于城市子区域热点路口挖掘的区域异常检测方法。
技术介绍
[0002]城市区域异常通常是指发生在城市某个区域下的不寻常事件，如交通拥堵和意外人群聚集，如果不及时处理，会对公共安全和稳定构成巨大威胁。对于城市管理人员，如果能在早期及时报告城市区域异常情况，就能够及时采取措施，防止事故发生。因此，城市区域异常检测是极具价值的。
[0003]城市区域异常检测的方法，主要可以分为以下三类：基于时空特征挖掘的异常区域检测方法，基于张量因子分解算法的异常区域检测方法和基于交通流特征统计的区域异常检测方法。挖掘交通流时空特征的分析方法是异常区域检测的主流方法；从城市交通流数据中提取信息构造或学习时空特征，并于当前区域交通流信息对比，检测当前区域的异常。城市交通流数据通常包含多个维度的信息，例如时间和位置信息，这些多维特征可以用张量进行表示。因此，张量因子分解算法也是进行城市区域异常检测主要方法之一。另外还有基于交通流特征...
【技术保护点】
【技术特征摘要】
1.一种基于城市子区域热点路口挖掘的区域异常检测方法，其特征在于，包括：S10.获取历史一周内的城市区域路口数据源数据S和城市路网数据，得到路口集合；所述路口数据源数据S，包括：路口车流量和路口覆盖范围下的移动通信次数；所述城市路网数据，包括：城市区域划分信息、路口经纬度信息、路口类型；S20.根据所述路口类型从所述路口集合中得到可驾驶路口，根据所述历史一周内的城市区域路口车流量计算所述可驾驶路口早上七点到九点的早高峰平均车流量，根据所述早高峰平均车流量将所述可驾驶路口降序排序，取前50%的所述可驾驶路口作为候选热点路口，将所述候选热点路口存入候选热点路口集合；S30.计算所述候选热点路口集合中候选热点路口的中介中心度，将所述中介中心度大于阈值L的所述候选热点路口存入待检测路口集合；S40.根据所述历史一周内的城市区域路口数据源数据S和城市路网数据计算所述待检测路口集合中所有待检测路口之间的相似度，得到相似路口矩阵；S50.根据所述相似路口矩阵的第i个行向量找出第i个待检测路口的相似路口集合，i初始值为0；S60.获取当前时间段的城市区域路口数据源数据和城市区域划分信息；S70.根据所述当前时间段的城市区域路口数据源数据和所述第i个待检测路口的相似路口集合，采用LOF算法对所述第i个待检测路口进行异常检测，若所述第i个待检测路口为异常路口，将所述第i个待检测路口加入异常路口集合；判断所述第i个行向量是否为所述相似路口矩阵的最后一个行向量，若是，转S80，若否，i=i+1，转S50；S80.在当前时间段根据所述城市区域划分信息将城市划分为多个城市子区域，根据所述路口经纬度信息将所述待检测路口集合中所有待检测路口映射到所述城市子区域，得到当前时间段每个所述城市子区域的子区域路口集合；S90.在当前时间段根据所述异常路口集合找出所述子区域路口集合中的异常路口，若所述子区域路口集合中的异常路口总数大于或等于所述子区域路口集合中路口总数的60%，则当前时间段所述城市子区域为异常区域。2.如权利要求1所述的一种基于城市子区域热点路口挖掘的区域异常检测方法，其特征在于，所述S10，包括：所述路口集合，表示第N个路口，N为路口总数；所述路口类型，包括可驾驶路口和非驾驶路口；所述城市区域划分信息表示城市分区拓扑图；所述城市分区拓扑图将城市区域划分为多个城市子区域。3.如权利要求1所述的一种基于城市子区域热点路口挖掘的区域异常检测方法，其特征在于，所述S30，包括：计算所述候选热点路口集合中所有候选热点路口的中介中心度，依次判断所述候选热点路口的中介中心度是否大于阈值L，若是，将所述候选热点路口加入待检测路口集合，若否，继续判断下一个候选热点路口；所述中介中心度的计算公式为：；
其中，表示所述候选热点路口集合中第j个候选热点路口的中介中心度，表示所述第j个候选热点路口；v表示所述候选热点路口集合，p表示所述候选热点路口集合中的任意候选热点路口，q表示所述候选热点路口集合中与候选热点路口p不同的任意候选热点路口；表示所述候选热点路口集合中，候选热点路口p与候选热点路口q之间的最短路径的数量；表示所述候选热点路口集合中，候选热点路口p与候选热点路口q之间经过候选热点路口的最短路径数量；所述阈值L的计算公式为。4.如权利要求1所述的一种基于城市子区域热点路口挖掘的区域异常检测方法，其特征在于，所述S40，包括：S41.创建一个流量相似矩阵，所述流量相...
【专利技术属性】
技术研发人员：马勇，江兴鸿，聂艳彬，牛新征，
申请(专利权)人：江西师范大学，
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。