本發(fā)明屬于智能交通領(lǐng)域，針對(duì)交通偶發(fā)性異常問(wèn)題提出一種基于融合圖卷積門(mén)控神經(jīng)微分方程的偶發(fā)性交通異常檢測(cè)方法。

背景技術(shù)：

1、偶發(fā)性交通異常事件，諸如交通事故和自然災(zāi)害導(dǎo)致的交通癱瘓等，是城市交通系統(tǒng)中突發(fā)且非典型的異常現(xiàn)象。這類事件不同于早晚高峰期的常規(guī)擁堵，通常具有不可預(yù)測(cè)性和突發(fā)性。如果未能及時(shí)檢測(cè)和應(yīng)對(duì)，這些事件可能會(huì)對(duì)公共安全和社會(huì)穩(wěn)定造成嚴(yán)重威脅。對(duì)于政策制定者和政府部門(mén)來(lái)說(shuō)，及早檢測(cè)發(fā)現(xiàn)這些異常現(xiàn)象具有極其重要的價(jià)值，可以最大限度減小事故造成的有害影響，確保大眾的交通安全并提高城市交通效率。

2、盡管偶發(fā)性交通異常檢測(cè)的重要性已經(jīng)得到了廣泛認(rèn)可，且在研究方法上取得了一些進(jìn)展，但仍存在若干挑戰(zhàn)和局限性。首先，當(dāng)前的研究普遍缺乏真實(shí)交通事故數(shù)據(jù)集的支持。由于交通事故記錄的稀缺性，大部分研究依賴仿真生成的虛擬數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，難以完全反映真實(shí)世界中的復(fù)雜性和多樣性。仿真數(shù)據(jù)通常難以再現(xiàn)真實(shí)數(shù)據(jù)中的噪音、異常值以及復(fù)雜的交互關(guān)系，導(dǎo)致實(shí)驗(yàn)結(jié)果與實(shí)際情況存在一定的偏差。其次，現(xiàn)有方法缺乏能夠準(zhǔn)確表征復(fù)雜時(shí)空模式的動(dòng)態(tài)模型。偶發(fā)性交通異常受到多種空間和時(shí)間因素的影響，交通模式具有顯著的時(shí)空異質(zhì)性。許多方法僅使用簡(jiǎn)單的序列模型進(jìn)行建模，忽略了時(shí)空之間復(fù)雜的相互影響，因而難以全面捕捉交通系統(tǒng)的動(dòng)態(tài)變化。最后，異常檢測(cè)的評(píng)價(jià)標(biāo)準(zhǔn)相對(duì)單一。許多方法采用全局統(tǒng)一的閾值來(lái)判別異常，未能考慮到不同地區(qū)和時(shí)間段的路網(wǎng)異常判別標(biāo)準(zhǔn)可能存在差異，缺乏對(duì)現(xiàn)實(shí)場(chǎng)景的適應(yīng)性。

3、交通速度數(shù)據(jù)作為實(shí)時(shí)反映交通狀況的關(guān)鍵指標(biāo)，能夠直接指示交通異常事件的發(fā)生，例如突發(fā)減速或停止通常預(yù)示著交通事故、擁堵或道路施工等異常情況。通過(guò)監(jiān)控交通速度的變化，可以快速識(shí)別并定位異常事件，進(jìn)而提供及時(shí)的響應(yīng)和處理。同時(shí)，正常交通狀態(tài)具有一定的速度模式和規(guī)律。通過(guò)分析這些速度數(shù)據(jù)，可以建立正常交通狀態(tài)的基準(zhǔn)線，當(dāng)速度顯著偏離這些基準(zhǔn)線時(shí)，即可識(shí)別為異常。這種基于模式識(shí)別的交通異常檢測(cè)方法在實(shí)際應(yīng)用中具有重要意義。

4、傳統(tǒng)的交通速度表示方法多依賴于時(shí)間序列分析技術(shù)，如自回歸積分滑動(dòng)平均模型(arima)和向量自回歸模型(var)，以及諸如k-最近鄰(k-nn)和支持向量機(jī)(svm)等機(jī)器學(xué)習(xí)算法。然而，這些方法往往難以有效捕捉交通數(shù)據(jù)中固有的復(fù)雜時(shí)空依賴關(guān)系。近年來(lái)，深度學(xué)習(xí)方法在時(shí)空領(lǐng)域取得了顯著進(jìn)展。循環(huán)神經(jīng)網(wǎng)絡(luò)(rnns)憑借其在時(shí)間動(dòng)態(tài)建模方面的優(yōu)勢(shì)，提升了模型表征性能，而卷積神經(jīng)網(wǎng)絡(luò)(cnns)則通過(guò)其長(zhǎng)接受域在空間特征提取中表現(xiàn)出色。然而，這些模型在捕捉城市網(wǎng)絡(luò)化系統(tǒng)中的空間依賴關(guān)系時(shí)仍顯不足。為彌補(bǔ)這一不足，圖卷積網(wǎng)絡(luò)(gcns)逐漸被引入時(shí)空任務(wù)中，并在交通領(lǐng)域得到了廣泛應(yīng)用。盡管現(xiàn)有工作在性能上取得了很大突破，但面對(duì)交通異常場(chǎng)景的顯著異質(zhì)性和非平穩(wěn)性，經(jīng)典的圖時(shí)空神經(jīng)網(wǎng)絡(luò)仍存在局限，難以在此類場(chǎng)景下取得理想效果。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)存在的問(wèn)題，本發(fā)明提出一種基于融合圖卷積門(mén)控神經(jīng)微分方程的偶發(fā)性交通異常檢測(cè)方法。

2、本發(fā)明在神經(jīng)微分方程的基礎(chǔ)上引入融合圖門(mén)控循環(huán)單元，在連續(xù)的時(shí)間域上對(duì)交通系統(tǒng)的正常模式進(jìn)行建模，其主要組成模塊有：

3、(1)時(shí)空嵌入增強(qiáng)模塊是一種新型的時(shí)空特征建模方法，通過(guò)可學(xué)習(xí)的嵌入向每個(gè)時(shí)空上下文賦予獨(dú)特的表示。與依賴興趣點(diǎn)等額外上下文信息的傳統(tǒng)方法不同，時(shí)空嵌入增強(qiáng)模塊在時(shí)間維度上將日周期和周周期信息映射為動(dòng)態(tài)時(shí)間特征表示，在空間維度上將節(jié)點(diǎn)編號(hào)信息映射為動(dòng)態(tài)空間特征表示，并將同一時(shí)間步長(zhǎng)的節(jié)點(diǎn)速度信息映射為動(dòng)態(tài)節(jié)點(diǎn)特征表示。通過(guò)將這三類嵌入特征進(jìn)行拼接，該模塊能夠在時(shí)間和空間兩個(gè)維度上有效識(shí)別和區(qū)分輸入上下文，從而實(shí)現(xiàn)對(duì)時(shí)空異質(zhì)性的建模。

4、(2)圖門(mén)控循環(huán)微分方程是一種基于神經(jīng)微分方程的特征提取框架，它通過(guò)圖門(mén)控循環(huán)單元實(shí)現(xiàn)時(shí)空序列的連續(xù)性建模。與傳統(tǒng)的時(shí)空特征提取方式相比，圖門(mén)控循環(huán)微分方程能夠在連續(xù)的時(shí)間域上進(jìn)行建模，更加自然地捕捉交通系統(tǒng)中的動(dòng)態(tài)變化，從而實(shí)現(xiàn)時(shí)空特征的同步表示，大幅提高了模型的表達(dá)能力。

5、(3)融合圖卷積門(mén)控單元通過(guò)將動(dòng)態(tài)圖卷積與動(dòng)態(tài)超圖卷積結(jié)合，形成了一個(gè)更加全面的交通速度正常分量重構(gòu)模型。動(dòng)態(tài)圖卷積通過(guò)數(shù)據(jù)驅(qū)動(dòng)生成節(jié)點(diǎn)關(guān)系矩陣，更好地反映節(jié)點(diǎn)與邊的動(dòng)態(tài)變化，適應(yīng)實(shí)際場(chǎng)景中時(shí)變的交互關(guān)系。動(dòng)態(tài)超圖卷積則根據(jù)不同的時(shí)間特征生成動(dòng)態(tài)超圖，利用節(jié)點(diǎn)相關(guān)超邊的信息更新節(jié)點(diǎn)表示，從而捕捉交通網(wǎng)絡(luò)中更為復(fù)雜的關(guān)系。通過(guò)融合動(dòng)態(tài)圖卷積與超圖卷積，該模型能夠同時(shí)捕捉低階和高階的空間關(guān)系，提供更加精確的交通速度重建。

6、本發(fā)明技術(shù)方案

7、一種基于融合圖卷積門(mén)控神經(jīng)微分方程的偶發(fā)性交通異常檢測(cè)方法，包括以下步驟：

8、步驟1、基于數(shù)據(jù)集時(shí)間周期信息生成時(shí)間嵌入，節(jié)點(diǎn)的空間信息生成空間嵌入以及鄰近的歷史信息生成歷史信息嵌入，拼接之后得到異質(zhì)性的節(jié)點(diǎn)時(shí)空嵌入。

9、步驟2、通過(guò)連續(xù)的門(mén)控循環(huán)單元捕捉時(shí)間特征，并利用動(dòng)態(tài)圖卷積和超圖卷積模塊實(shí)現(xiàn)時(shí)空數(shù)據(jù)的協(xié)同建模。采用指數(shù)滑動(dòng)平均算法平滑隱狀態(tài)更新，確保模型在保持高擬合能力的同時(shí)具備良好的泛化能力。最終，將計(jì)算得到的時(shí)空特征輸入重構(gòu)模塊以重構(gòu)正常交通模式。

10、步驟3、根據(jù)原始的交通數(shù)據(jù)和重構(gòu)結(jié)果計(jì)算異常分?jǐn)?shù)score，并將異常分?jǐn)?shù)進(jìn)行歸一化?；谟?xùn)練集的異常分?jǐn)?shù)，采用實(shí)時(shí)交通異常檢測(cè)算法自適應(yīng)地確定不同區(qū)域的異常閾值，并根據(jù)該閾值檢測(cè)并標(biāo)記路網(wǎng)中的偶發(fā)性異常。

11、有益效果

12、本發(fā)明通過(guò)時(shí)空嵌入增強(qiáng)技術(shù)，突出和捕捉交通路網(wǎng)中不同的時(shí)空上下文特征，從而更好地展現(xiàn)其時(shí)空異質(zhì)性。利用門(mén)控循環(huán)微分方程對(duì)時(shí)空數(shù)據(jù)進(jìn)行連續(xù)性建模，通過(guò)融合動(dòng)態(tài)圖卷積和超圖卷積作為門(mén)控機(jī)制，實(shí)現(xiàn)對(duì)時(shí)空特征的同步建模，使交通路網(wǎng)狀態(tài)的變化得以更加自然和精確地表示。此外，本發(fā)明提出實(shí)時(shí)交通異常檢測(cè)算法，自適應(yīng)地確定各節(jié)點(diǎn)的異常閾值，從而顯著提升異常檢測(cè)結(jié)果在實(shí)際應(yīng)用場(chǎng)景中的適應(yīng)性與準(zhǔn)確性。

技術(shù)特征：

1.一種基于融合圖卷積門(mén)控神經(jīng)微分方程的偶發(fā)性交通異常檢測(cè)方法，其特征在于，包括以下步驟：

2.如權(quán)利要求1所述基于融合圖卷積門(mén)控神經(jīng)微分方程的偶發(fā)性交通異常檢測(cè)方法，其特征在于，步驟1具體步驟如下：

3.如權(quán)利要求1所述基于融合圖卷積門(mén)控神經(jīng)微分方程的偶發(fā)性交通異常檢測(cè)方法，其特征在于，步驟2具體包括：

4.如權(quán)利要求1所述基于融合圖卷積門(mén)控神經(jīng)微分方程的偶發(fā)性交通異常檢測(cè)方法，其特征在于，步驟3具體包括：

5.如權(quán)利要求4所述基于融合圖卷積門(mén)控神經(jīng)微分方程的偶發(fā)性交通異常檢測(cè)方法，其特征在于，所述實(shí)時(shí)交通異常檢測(cè)算法具體為：

技術(shù)總結(jié)
本發(fā)明屬于智能交通領(lǐng)域，針對(duì)交通偶發(fā)性異常問(wèn)題提出一種基于融合圖卷積門(mén)控神經(jīng)微分方程的偶發(fā)性交通異常檢測(cè)方法。包括以下步驟：步驟1、基于數(shù)據(jù)集時(shí)間周期信息生成時(shí)間嵌入，節(jié)點(diǎn)的空間信息生成空間嵌入以及鄰近的歷史信息生成歷史信息嵌入，拼接之后得到異質(zhì)性的節(jié)點(diǎn)時(shí)空嵌入；等等。通過(guò)應(yīng)用本發(fā)明提出的交通異常檢測(cè)方法，城市交通管理部門(mén)可以更加高效地識(shí)別和應(yīng)對(duì)突發(fā)交通事件，從而大幅提升城市交通系統(tǒng)的應(yīng)變能力和適應(yīng)性。本研究的成果將為未來(lái)的智能城市交通管理系統(tǒng)奠定堅(jiān)實(shí)的基礎(chǔ)，具有廣泛的應(yīng)用前景和重要的社會(huì)意義。

技術(shù)研發(fā)人員：臧笛,趙佳怡,龍佰超,崔哲,朱宏,張軍旗,程久軍,唐克雙
受保護(hù)的技術(shù)使用者：同濟(jì)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19