[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

说明书

本发明公开一种基于模式相似性的交通流量异常检测方法及系统，涉及交通流量异常检测模型技术领域，包括：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；采用滑动窗口对交通流量数据进行分割和聚类，以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，对组成的模式特征对的最近邻距离经加权处理，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，以提高交通流量异常检测的准确率。

技术领域

本发明涉及交通流量异常检测模型技术领域，特别是涉及一种基于模式相似性的交通流量异常检测方法及系统。

背景技术

随着大数据技术的相关发展，人工智能技术广泛应用于交通流量异常检测和交通流量预测中，准确检测交通流量的异常情况，不仅能给交通管理部门提供有利的决策参考，也能提供给出行人更合适的路线选择，有利于缓解交通压力。

路口交通流量的变化受时间、天气、交通政策等多方面的影响，具有明显的周期性，现有使用机器学习方法的交通流量异常检测算法至少存在以下三方面问题：

（1）单一的循环神经网络模型无法更有效的提取交通流量历史序列的信息。

（2）现有的交通流量异常检测只考虑了单一路口的交通状况，并没有考虑其它路口的关联影响因素。

（3）在计算不同路口之间交通流量的相似性时计算缺乏一种有效的度量方式。

发明内容

为了解决上述问题，本发明提出了一种基于模式相似性的交通流量异常检测方法及系统，对交通流量数据分别提取时序特征和模式特征，并构建交通流量动态关系图，从而对交通流量异常情况进行判断，提高交通流量异常检测的准确率。

为了实现上述目的，本发明采用如下技术方案：

第一方面，本发明提供一种基于模式相似性的交通流量异常检测方法，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。

作为可选择的实施方式，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，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。

作为可选择的实施方式，对不同空间位置的时序特征计算时序相似度的过程为：