[发明专利]一种收费站交通流量异常检测方法

说明书

本发明公开了一种收费站交通流量异常检测方法，对通过收费站车辆的进出高速公路的数据进行清洗、精简、排序以及流量数据分时统计；生成交通流量时间序列数据并对其进行处理，将生成的时间序列数据作为输入，下一个时间段的交通流量为输出，采用DBN模型进行预测；通过计算预测的交通流与离散化处理的实际交通流的相对误差，判断所述相对误差是否超过异常的阈值，如果所述相对误差超过阈值，则该收费站当前的交通流量出现了异常，否则，该收费站交通流量处于正常情况下；采用基于深度信念网络的收费站交通流异常判断模型,通过深度信念网络学习收费站交通流量特征，实现对交通流量的预测，解决了收费站交通流量异常判断过程中的主观随意问题。

技术领域

本发明属于应用算法领域，具体涉及一种收费站交通流量异常检测方法。

背景技术

交通流异常判断对收费站的工作分配与管理、高速公路路网事故定位、高速公路路网运行态势把握有着重要的意义。正确的收费站交通流异常判断是高速公路智能交通系统的实时收费通道控制、交通诱导与分配、自动导航、事故检测等的重要前提。当前收费站交通流量异常判断主要是靠收费人员结合时段、是否节假日、当前位置等信息，并根据经验判断当前流量是否异常。这种判断方式的主观性较大，且需要多年大量的经验辅助。

发明内容

为了解决了现有技术中存在的问题，本发明公开一种收费站交通流量异常检测方法，采用基于深度信念网络的收费站交通流异常判断模型。通过深度信念网络学习收费站交通流量特征，实现对交通流量的预测，通过TMRE(traffic mean relative error)并结合人工经验设置异常阈值，实现收费站交通流量异常的判断，解决了收费站交通流量异常判断过程中的主观随意问题。

为了实现上述目的，本发明采用的技术方案是，一种收费站交通流量异常检测方法，包括以下步骤：

步骤1，对每一辆通过收费站车辆的进出高速的数据进行处理；

步骤101对收费站的车辆原始通行数据进行预处理，进行数据清洗、数据精简、数据排序以及流量数据分时统计；

步骤102生成交通流量时间序列数据并对其进行处理，先从收费站的车辆原始通行数据生成交通流量时间序列数据；再对交通流量时间序列数据进行归一化和标准化处理；

步骤2，基于DBN的交通流预测：将步骤1所生成的时间序列数据作为输入，下一个时间段的交通流量为输出，采用DBN模型进行预测；

步骤3，通过计算预测的交通流与离散化处理的实际交通流的相对误差，判断所述相对误差是否超过异常的阈值，如果所述相对误差超过阈值，则该收费站当前的交通流量出现了异常，如果所述相对误差不超过阈值，则该收费站交通流量处于正常情况下。

所述数据包括信息时间、进出高速公路的收费站与收费金额，步骤101中，清除异常值数据、缺失值数据与明显问题数据。

步骤101中，从收费站的数据库中选出4个字段：进站时间、出站时间、进站站名以及出站站名用来按时间段精确统计收费站交通流量。

步骤102中，将经过清除异常值、明显问题数据与缺失值的数据按时间先后顺序进行排序；统计每个特征时间间隔中通过的车辆数目，特征时间间隔为1小时。

步骤102中，从步骤101处理后的收费站原始数据生成交通流量时间序列数据的操作流程如下：

先设置模型参数，所述模型参数包括输入模型用的测试集数量、特征数以及步长；

再生成训练集输入和输出，输入为m*n矩阵，m为样本数目，n为特征数目，输出为m*s矩阵，m为样本数目，s为步长。

步骤102中，将交通流量时间序列数据的训练集不同数据的同一特征映射到[0,1]之间，采用min-max归一化，其操作方法如下：