[发明专利]一种基于模式相似性的交通流量异常检测方法及系统

权利要求书

1.一种基于模式相似性的交通流量异常检测方法，其特征在于，包括：

获取交通流量数据；

采用改进的长短期记忆神经网络对交通流量数据提取时序特征；所述改进的长短期记忆神经网络为对不同时刻得到的隐藏状态经加权求和后得到时序特征；

采用滑动窗口对交通流量数据进行分割，得到短期序列集，对短期序列集进行聚类后，以每个类别的聚类中心所对应的短期序列作为模式特征；

对不同空间位置的时序特征计算时序相似度；

对每个模式特征确定与其距离最近的模式特征，以组成模式特征对，对模式特征对的最近邻距离经加权处理后，得到不同空间位置的模式相似度；

根据时序相似度和模式相似度确定序列相似度，根据序列相似度构建不同时间且不同空间位置的交通流量动态关系图；

采用交通流量动态关系图和时序相似度进行交通流量异常状态的检测；

对不同时刻得到的隐藏状态进行加权求和得到时序特征的过程中，以不同时刻的隐藏状态与交通流量数据的相关性确定权重，权重为：

其中，x^t为第t日的交通流量数据，为隐藏状态，为相关性函数，为待学习参数，是输入的交通流量数据的天数，为转置操作；

对不同空间位置的时序特征计算时序相似度的过程为：

其中，为第t日空间位置a的时序特征，为第t日空间位置b的时序特征，是由待学习权重矩阵和激活函数tanh构成的网络，指将和进行拼接。

2.如权利要求1所述的一种基于模式相似性的交通流量异常检测方法，其特征在于，对模式特征对的最近邻距离进行加权处理的过程中，权重为模式特征所在类别包含的元素个数。

3.如权利要求1所述的一种基于模式相似性的交通流量异常检测方法，其特征在于，对时序相似度和模式相似度赋权后求和确定序列相似度。

4.如权利要求1所述的一种基于模式相似性的交通流量异常检测方法，其特征在于，构建交通流量动态关系图的过程包括：

根据不同空间位置的交通流量数据的序列相似度，构建同一时间不同空间位置的关系图；

引入不同空间位置的交通流量数据间的连通关系矩阵，根据关系图和连通关系矩阵构建交通流量动态关系图；

其中，为待学习参数，为连通关系矩阵，tanh为激活函数，和分别为当前时刻和先验数据指示的时刻，为时间差，是递减函数。

5.如权利要求4所述的一种基于模式相似性的交通流量异常检测方法，其特征在于，连通关系矩阵为：

其中，X_a为空间位置a的交通流量数据，X_b为空间位置b的交通流量数据，为X_a和X_b间的连通关系矩阵。