一种基于PSO-Welsch-Ridge的异常检测方法及装置制造方法及图纸

本发明专利技术公开了一种基于PSO

【技术实现步骤摘要】
一种基于PSO
‑
Welsch
‑
Ridge的异常检测方法及装置


[0001]本专利技术涉及交通领域，特别是涉及一种基于PSO
‑
Welsch
‑
Ridge的交通流量异常检测方法及装置。

技术介绍

[0002]交通流量异常检测在交通领域处于重要地位。交通堵塞已成为大城市的常态，准确预测交通流量可为实时交通控制提供依据，为缓解交通拥堵、有效利用交通网络提供支持。交通流量预测结果直接影响交通异常检测精度。利用交通流量预测模型，从大量交通流量数据中提取有用信息，快速预测未来短期交通流量，及时检测交通流量异常，提高交通运行效率。
[0003]近年来，许多专家和学者对交通流量预测展开研究。差分整合移动平均自回归(Autoregressive Integrated Moving Average，ARIMA)模型是经典的时间序列模型，经常应用于交通流量预测。基于季节性差分自回归滑动平均模型(Seasonal Autoregressive Integrated Moving Average，SARIMA)的交通流量预测方案，有效解决了模型训练所需数据量大的问题。将Bootstrap与ARIMA模型结合，能够克服非参数方法缺乏理论支持的缺点，同时提高了模型预测精度。把改进SARIMA模型与遗传算法相结合，利用真实交通流量检验模型，模型预测取得了较好的结果ARIMA模型依据历史值进行预测，若模型训练数据中含有噪声，会大大较低模型性能。
[0004]神经网络模型具有拟合复杂数据关系的能力，可以学习交通流量中隐含的非线性关系。针对交通流量神经网络预测模型耗时长的问题，批量学习的方法有效减少了神经网络训练时间；使用时空特征提取算法提取交通流量中的时间特征和空间特征，并将特征输入循环神经网络进行建模预测，有效提高了模型预测性能。多任务深度学习模型来预测交通网络流量，采用非线性格兰杰因果分析为模型挑选特征，采用贝叶斯优化算法来优化模型参数，其预测性能优于单一深度学习模型。使用时间和空间注意力机制帮助神经网络模型充分挖掘交通流量的时空特征。这不仅有效提高了模型预测性能，还增强了模型的可解释性。使用神经网络模型容易过拟合，计算代价远远高于传统交通流量预测模型。由于神经网络具有拟合数据非线性关系的能力，容易把错误的噪声作为数据中隐含的非线性关系，这会降低模型的泛化能力。
[0005]支持向量回归机基于结构风险最小化的策略来拟合数据，在交通流量预测领域是常见的模型。使用贝叶斯优化算法优化支持向量回归机模型参数，其预测性能优于SARIMA模型。利用离散傅里叶变换提取交通流量中的趋势信息，并采用支持向量回归机进行误差补偿，提高了模型预测精度。支持向量回归机依据二次规划对优化问题进行求解，当样本量大时，模型训练时间会大大增加。支持向量回归机对数据中的噪声十分敏感。当支持向量回归机选中噪声为支持向量时，会导致模型预测性能不佳。
[0006]交通流量异常检测在城市交通控制领域发挥重要作用。现有的交通流量时空异常检测框架是将邻近算法(K
‑
NearestNeighbor，KNN)应用于时空交通流量数据库，利用10个
不同地点的交通流量进行实验，实验结果表明所提框架能的性能优于基线模型。另外一种是泊松混合模型(Poisson mixture model)与耦合隐藏式马尔可夫模型(coupled hidden Markov model)的混合模型，将交通流量空间相关性和交通拥挤程度考虑到交通异常检测模型中，使用半合成和真实交通流量异常数据验证了模型的有效性。采用基于字典的压缩理论来识别交通流量的时空特征，并使用异常指数量化交通流量的异常程度，可以清晰检测交通流量空间异常位置。交通流量数据中的噪声会导致交通流量异常检测模型错误的检测结果，从而影响正常交通网络运行。
[0007]但是，由于受机械损坏、线路老化、信号缺失与环境干扰等因素的影响，交通流量传感器所检测数据必然含有大量噪声。以上的用于进行交通流量异常检测的模型，由于检测数据的噪声问题，会导致模型的交通流量异常检测的预测性能较低，无法有效的缓解交通拥堵问题。

技术实现思路

[0008]本专利技术的目的是提供了一种基于PSO
‑
Welsch
‑
Ridge的交通流量异常检测方法，提高了交通流量异常检测的预测性能，能够有效的缓解交通拥堵问题。
[0009]本专利技术第一方面提供一种基于PSO
‑
Welsch
‑
Ridge的交通流量异常检测方法，包括：
[0010]获取交通流量历史数据，对交通流量历史数据进行数据预处理得到训练样本集；
[0011]根据训练样本集构建鲁棒岭回归Welsch
‑
Ridge模型；
[0012]基于粒子群优化PSO算法对Welsch
‑
Ridge模型进行优化，训练得到PSO
‑
Welsch
‑
Ridge模型；
[0013]获取交通流量待检测数据的待检测样本集；
[0014]通过待检测样本集及PSO
‑
Welsch
‑
Ridge模型，计算得到交通流量预测结果；
[0015]根据交通流量预测结果及交通流量实际结果，得到PSO
‑
Welsch
‑
Ridge模型的交通流量异常检测结果。
[0016]进一步的，根据训练样本集构建鲁棒岭回归Welsch
‑
Ridge模型，包括：
[0017]将鲁棒Welsch函数及岭回归Ridge模型进行融合，得到Welsch
‑
Ridge算法；
[0018]根据Welsch
‑
Ridge算法及训练样本集，计算得到模型超参数，模型超参数至少两组；
[0019]根据模型超参数，构建得到Welsch
‑
Ridge模型。
[0020]进一步的，基于粒子群优化PSO算法对Welsch
‑
Ridge模型进行优化，训练得到PSO
‑
Welsch
‑
Ridge模型，包括：
[0021]基于粒子群优化PSO算法，通过粒子适应度函数对Welsch
‑
Ridge模型的模型超参数进行优化，得到优化超参数；
[0022]将优化超参数代入Welsch
‑
Ridge模型，构建得到PSO
‑
Welsch
‑
Ridge模型。
[0023]进一步的，基于粒子群优化PSO算法，通过粒子适应度函数对Welsch
‑
Ridge模型的模型超参数进行优化，得到优化超参数，包括：
[0024]根据PSO算法的预置模型超参数取值范围；
[0025]从Welsc本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PSO
‑
Welsch
‑
Ridge的交通流量异常检测方法，其特征在于，包括：获取交通流量历史数据，对所述交通流量历史数据进行数据预处理得到训练样本集；根据所述训练样本集构建鲁棒岭回归Welsch
‑
Ridge模型；基于粒子群优化PSO算法对所述Welsch
‑
Ridge模型进行优化，训练得到PSO
‑
Welsch
‑
Ridge模型；获取交通流量待检测数据的待检测样本集；通过所述待检测样本集及所述PSO
‑
Welsch
‑
Ridge模型，计算得到交通流量预测结果；根据所述交通流量预测结果及交通流量实际结果，得到所述PSO
‑
Welsch
‑
Ridge模型的交通流量异常检测结果。2.根据权利要求1所述的方法，其特征在于，所述根据所述训练样本集构建鲁棒岭回归Welsch
‑
Ridge模型，包括：将鲁棒Welsch函数及岭回归Ridge模型进行融合，得到Welsch
‑
Ridge算法；根据所述Welsch
‑
Ridge算法及所述训练样本集，计算得到模型超参数，所述模型超参数至少两组；根据所述模型超参数，构建得到Welsch
‑
Ridge模型。3.根据权利要求2所述的方法，其特征在于，所述基于粒子群优化PSO算法对所述Welsch
‑
Ridge模型进行优化，训练得到PSO
‑
Welsch
‑
Ridge模型，包括：基于粒子群优化PSO算法，通过粒子适应度函数对所述Welsch
‑
Ridge模型的模型超参数进行优化，得到优化超参数；将所述优化超参数代入所述Welsch
‑
Ridge模型，构建得到PSO
‑
Welsch
‑
Ridge模型。4.根据权利要求3所述的方法，其特征在于，所述基于粒子群优化PSO算法，通过粒子适应度函数对所述Welsch
‑
Ridge模型的模型超参数进行优化，得到优化超参数，包括：根据所述PSO算法的预置模型超参数取值范围；从所述Welsch
‑
Ridge模型的模型超参数中选择出符合预置模型超参数取值范围的模型超参数；将选择出的所述模型超参数中每一组超参数作为一个粒子，得到所述PSO算法的最大粒子数量；通过粒子适应度函数迭代计算，得到每一个粒子的适应度值，保留前N个对应适应度值表现好的粒子；当迭代次数达到所述最大迭代次数时，依据所述适应度值从所有粒子中选择出个体最优粒子及整体最优粒子；将所述整体最优粒子对应的一组超参数作为优化超参数。5.根据权利要求4所述的方法，其特征在于，所述通过粒子适应度函数迭代计算，得到每一个粒子的适应度值，包括：根据K折交叉验证方法及适应度函数，得到粒子适应度函数；根据所述训练样本集得到训练样本子集数及交叉验证子集数；获取每一个训练样本子集的Welsch
‑
Ridge模型估计值及真实值；根据所述训练样本子集数、所述交叉验证子集数、所述Welsch
‑
Ridge模型估计值及所述真实值，计算得到每一个粒子的均方根误差值及平均绝对误差值；
根据误差类型设置所述平均绝对误差值的控制参数；根据所述均方根误差值、所述平均绝对误差值及所述控制参数，计算得到每一个粒子的适应度值。6.一...

【专利技术属性】
技术研发人员：黄祺，唐明珠，付湘皖，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：