一种基于图对比学习网络的交通流异常检测方法技术

发布时间：2025-01-12 17:49

网络搜索比对：对于价格异常的商品，可以在网络上进行多方比对。 #生活常识# #购物消费技巧# #线上购物假货识别#

本发明专利技术公开了一种基于图对比学习网络的交通流异常检测方法，属于交通流量监测技术领域。本发明专利技术以城市路网结构和交通流的占有率、速度和流量信息为路段特征，设计区域聚类算法形成城市区域表示，构建城市路段图结构和城市区域图结构；基于两个城市交通图结构，设计参数共享的时空编码器‑解码器网络，网络由图卷机层和时间自注意力层组成的时空注意力模块，和设计的流量变化提取对比学习层组成，在不同时间和动态环境下高效检测交通拥堵和异常路段。本发明专利技术可以在不同时间和动态环境下高效地对交通情况进行建模，有助于更好地理解城市交通的时空特征；能够处理城市交通的实时和动态变化，提高了交通管理的实效性。

【技术实现步骤摘要】

本专利技术属于交通流量监测，具体涉及一种基于图对比学习网络的交通流异常检测方法。

技术介绍

1、随着城市人口的持续增长，城市交通拥堵问题已经成为严重挑战，不仅对城市居民的日常生活产生影响，还对城市的经济、环境和社会可持续性产生深远影响。但目前的相关工作在检测拥堵的过程中还存在缺陷。

2、首先，城市交通网络是一个动态且复杂的系统，交通拥堵在不同时间和地点变化，传统的拥堵检测方法主要关注静态路段信息，如道路拓扑和历史交通数据，难以获取动态的时空交通特征和关联。因此，需要更精确的方法来捕捉时空变化和异常情况。

3、其次，定义交通拥堵异常是复杂的，因为异常可以具有多种形式，如临时的道路封闭、大规模交通事故或气象因素导致的交通拥堵。需要明确的异常定义和标定方法，以便进行检测。

技术实现思路

1、为解决现有技术中的问题，本专利技术提出了一种基于图对比学习网络的交通流异常检测方法。

2、本专利技术的技术方案如下：

3、本专利技术提供了一种基于图对比学习网络的交通流异常检测方法，其包括如下步骤：

4、s1：将城市交通网络当作图结构，图结构中每个节点表示城市的一个路段，将路段的特征嵌入到图结构中，同时构建邻接矩阵表示路段之间是否有连接，最终得到城市路段图结构；

5、s2：为s1得到的城市路段图结构的每个节点设置一个分配向量，所述分配向量用于表示该路段属于哪个区域；所有的分配向量构成了分配矩阵z；采用聚类方法优化分配矩阵使每个区域

6、s3：构建时空编码器-解码器网络，所述时空编码器-解码器网络包括两个相同结构的时空编码器和一个时空解码器，第一时空编码器和第二时空编码器分别以城市路段图结构和城市区域图结构中的信息为输入，并分别提取城市路段图结构和城市区域图结构的特征；两个时空编码器的输出结果拼接后输入时空解码器，时空解码器捕捉输入特征中的时空关系，生成交通流在当前时刻的类别概率以区分正常和异常交通流数据；

7、s4：采用历史交通流数据对时空编码器一解码器网络进行训练；利用训练好的时空编码器和时空解码器进行交通流异常检测。

8、根据本专利技术的优选方案，所述s1具体为：

9、将城市交通网络当作图结构g＝(v，e)，每个节点表示城市的一个路段；其中，v表示节点集合，e表示边的集合；对于每个节点vi，在每个时间片段t中，定义以下路段特征：车流速度、路段占有率、路段流量，将路段特征嵌入到图结构中，图结构中的边为交通拓扑结构，同时构建邻接矩阵a，其中a[i][j]表示路段i和路段j之间是否有连接，a[i][j]＝1表示路段i和路段j之间有连接，a[i][j]＝0表示没有连接；最终，城市路段图结构表示为gs＝(vs，es，a)。

10、根据本专利技术的优选方案，所述s2具体为：

11、为s1得到的城市路段图结构中的每个节点生成一个分配向量zi，表示该路段属于哪个区域；这些向量构成了分配矩阵z＝(z1，...，zn)∈rn*m，其中n表示路段数量，m表示区域数量；采用k-means聚类方法优化分配矩阵使每个区域内的路段具有高度相似的特征且不同区域之间的特征差异性最大化，优化的目标函数定义为其中，zm，n表示路段n被分配到区域m的概率；根据区域之间的距离构建邻接矩阵ar，最终，得到城市区域图结构表示为gr＝(vr，er，ar)。

12、根据本专利技术的优选方案，所述s3中，两个所述时空编码器均包括第一图卷积层、时间自注意力层和第二图卷积层；

13、第一时空编码器的第一图卷积层对城市路段的节点级别的空间特征进行图卷积操作；其时间自注意力层整合节点级别的时间特征，获取历史交通流信息的时间依赖；其第二图卷积层进一步提高特征的抽象表示；

14、第二时空编码器的第一图卷积层对城市路段的区域级别的空间特征进行图卷积操作；其时间自注意力层整合区域级别的时间特征，获取历史交通流信息的时间依赖；其第二图卷积层进一步提高特征的抽象表示。

15、根据本专利技术的优选方案，时空编码器-解码器网络还包括一个对比学习层，所述对比学习层获取两个时空编码器的输出，采用自监督学习方法，将正样本和负样本区分开，以提高交通流异常的检测准确度；

16、对比学习层的对比损失函数定义如下：

17、

18、其中，ui为使用k-means聚类算法后的区域级别中每一簇中的中心节点特征，pi是簇内样本，ni是簇外样本，sim是嵌入向量之间的相似度度量。

19、根据本专利技术的优选方案，所述s4中，训练时空编码器-解码器网络采用的数据为：交通网络g和历史数据x，其中x∈rt*n*v表示所有节点v在t个时间切片上的交通动态，训练的目标是使时空编码器-解码器网络在时间t+1识别哪些节点是异常的；

20、所述利用训练好的时空编码器和时空解码器进行交通流异常检测为：输入当前时刻的城市路段图结构和城市区域图结构的信息，利用训练好的时空编码器和时空解码器预测下一时刻的交通流异常情况。

21、本专利技术的有益效果包括：

22、本专利技术设计两层级的图表示，包括区域级别和节点级别，用于高效获取全局和地区内的交通规律。

23、本专利技术以城市路网结构和交通流的占有率、速度和流量信息为路段特征，设计区域聚类算法形成城市区域表示，构建城市路段图结构和城市区域图结构；基于两个城市交通图结构，设计参数共享的时空编码器-解码器网络，网络由图卷机层和时间自注意力层组成的时空注意力模块，和设计的流量变化提取对比学习层组成，在不同时间和动态环境下高效检测交通拥堵和异常路段。

本文档来自技高网...

【技术保护点】

1.一种基于图对比学习网络的交通流异常检测方法，其特征在于，包括如下步骤：

2.如权利要求1所述的基于图对比学习网络的交通流异常检测方法，其特征在于，所述S1具体为：

3.如权利要求1所述的基于图对比学习网络的交通流异常检测方法，其特征在于，所述S2具体为：

4.如权利要求1所述的基于图对比学习网络的交通流异常检测方法，其特征在于，所述S3中，两个所述时空编码器均包括第一图卷积层、时间自注意力层和第二图卷积层；

5.如权利要求4所述的基于图对比学习网络的交通流异常检测方法，其特征在于，所述S3中，第一图卷积层和第二图卷积层均采用GCN来实现；

6.如权利要求4所述的基于图对比学习网络的交通流异常检测方法，其特征在于，所述S3中，时间自注意力层的表示如下：

7.如权利要求4所述的基于图对比学习网络的交通流异常检测方法，其特征在于，所述第二图卷积层操作为：

8.如权利要求4所述的基于图对比学习网络的交通流异常检测方法，其特征在于，时空编码器-解码器网络还包括一个对比学习层，所述对比学习层获取两个时空编

9.如权利要求1所述的基于图对比学习网络的交通流异常检测方法，其特征在于，所述S3中的时空解码器包括一层图卷积网络和一层多层感知器；图卷积网络用于捕捉时空关系，多层感知器用于进一步处理和生成输出；

10.如权利要求1所述的基于图对比学习网络的交通流异常检测方法，其特征在于，所述S4中，训练时空编码器-解码器网络采用的数据为：交通网络G和历史数据X，其中X∈RT*N*V表示所有节点V在T个时间切片上的交通动态，训练的目标是使时空编码器-解码器网络在时间T+1识别哪些节点是异常的；

...

【技术特征摘要】

1.一种基于图对比学习网络的交通流异常检测方法，其特征在于，包括如下步骤：

2.如权利要求1所述的基于图对比学习网络的交通流异常检测方法，其特征在于，所述s1具体为：

3.如权利要求1所述的基于图对比学习网络的交通流异常检测方法，其特征在于，所述s2具体为：

4.如权利要求1所述的基于图对比学习网络的交通流异常检测方法，其特征在于，所述s3中，两个所述时空编码器均包括第一图卷积层、时间自注意力层和第二图卷积层；

5.如权利要求4所述的基于图对比学习网络的交通流异常检测方法，其特征在于，所述s3中，第一图卷积层和第二图卷积层均采用gcn来实现；

6.如权利要求4所述的基于图对比学习网络的交通流异常检测方法，其特征在于，所述s3中，时间自注意力层的表示如下：

7.如权利要求4所述的基于图对比学习网络的交通流异常检测方...

【专利技术属性】
技术研发人员：马佳曼，吴宜正，罗喜伶，
申请(专利权)人：北京航空航天大学杭州创新研究院，
类型：发明
国别省市：

网址：一种基于图对比学习网络的交通流异常检测方法技术 https://www.yuejiaxmz.com/news/view/699437

上一篇：新生故事：高中生活很压抑，学技术

下一篇：学习技能

一种基于图对比学习网络的交通流异常检测方法技术

相关内容

随便看看

最新动态分享

热点动态分享

专题

推荐动态分享