[发明专利]基于IsolationForest的城市道路交通异常检测方法

说明书

技术领域

本发明属于智能交通领域，尤其涉及一种基于Isolation Forest的城市道路交通异常检测方法。

背景技术

交通异常是指道路的实际运行特征偏离了它期望的运行特征，这在城市交通路网中广泛的存在。当发生重大交通事故、集会、施工以及交通管制等情况时，路网交通流会变得异常，影响出行时间、效率以及造成污染等，因此对于交通管理部门来说，检测城市路网中的异常十分重要。但是基于城市路网的复杂性,目前大多数的异常算法研究还只是基于高速公路和快速路而展开的,对于城市道路交通异常检测仍处于弱势。

城市道路交通异常的检测基于采集到的交通数据进行，本质上是一个模式识别或分类问题。根据所使用的数据源的不同，现有的交通异常检测方法可以分为两类：基于固定监测器的检测方法和基于浮动车的检测方法。

被广泛应用的基于固定监测器的交通异常检测算法有：基于模式识别的加利福尼亚算法、基于统计分析的标准偏差法等。加利福尼亚算法通过比较相邻检测站之间的占有率数据，对可能存在的交通异常进行判别。标准偏差法通过判断交通参数的变化率是否大于指定的阈值来实现对交通异常的判别。固定监测器大多是铺设在道路上的，数据精度较好，但是只能检测特定点的交通信息，难以检测路段的交通信息。

浮动车技术是发展比较新型的交通信息采集技术。浮动车是装备有GPS设备的车辆，具有应用方便、经济、覆盖范围广等特点,且采集到的是基于路段区间的数据(如路段的速度),能较为真实的反映道路的运行状况。

基于固定监测器数据的检测方法是直接检测道路相关参数的变化，而浮动车返回的数据是车辆行驶状态的参数，因此基于固定监测器的检测方法无法适用于浮动车数据。

基于浮动车数据的城市交通异常检测算法有两类：一类算法将地图划分为区域，用向量表示区域与区域之间车辆流动的变化，然后用KNN等方法检测异常，这些算法得到的是区域与区域之间的异常；另一类算法计算检测道路的异常，例如正态偏差检测算法，该算法假定道路在某个时间段内的交通值服从正态分布，如果某个时间段的交通流量超过了指定的阈值，则认为这条道路在这个时间段内是异常的，该方法需要计算所有道路在不同的时间段内分布值，当道路数量较多的时候计算量大。

Isolation Forest方法最初提出来是用于检测网络入侵数据等。它的基本思想是认为异常数据在整体数据里是孤立而且较少的，那么在对数据进行划分时，异常数据相对于正常的数据只需要很少的次数就能划分出来。Isolation Forest方法在对内存需求较低的情况下能保持线性时间复杂度，因为Isolation Forest方法通过采样数据集来训练异常树，因此在数据量较大的数据集以及高维数据集上也有很好的表现。

发明内容

本发明提供一种基于Isolation Forest的城市道路交通异常检测方法。以道路为检测对象，根据道路在不同时段的平均运行速度划分不同类别数据集，基于每个数据集训练一个Isolation Forest，通过检测道路速度在Isolation Forest中到根节点的距离来判断道路是否异常。本发明提出的方法计算量小，不需要对每条道路都计算其分布。

为实现上述方法，本发明采用如下的技术方案：

一种基于Isolation Forest的城市道路交通异常检测方法包括以下步骤：

步骤1、以道路为检测对象，根据道路在不同时段的平均运行速度划分不同类别数据集；

步骤2、基于每个数据集训练一个Isolation Forest，通过检测道路速度在Isolation Forest中到根节点的距离来判断道路是否异常。

作为优选，步骤1具体为：

设城市路网用一个有向图G表示：

G＝(V,E)

V是有向图的点集，每个点表示路网中的交叉口，由经度和纬度组成的两元组表示；E是有向图的边集，每条边表示路网中某条道路；

浮动车通过携带的GPS设备返回车辆状态，返回数据的形式如下：

record＝[car ID,time,latitude,lontitude,speed,angel]

其中car ID表示车辆的车牌号，time表示返回记录时的时间，latitude、lontitude表示返回记录时车辆所在位置的经度和纬度，speed表示车辆速度，angel表示车辆行驶角度；