本发明专利技术提供了一种异常交通状态监测方法、装置、设备及可读存储介质，涉及异常交通状态监测技术领域，获取交通数据信息；根据时长将交通数据信息划分为训练集、验证集和测试集；搭建预测模型，利用所述训练集和验证集分别对所述预测模型进行训练和验证，以获得速度预测模型；将测试集输入速度预测模型得到第一时间段的预测速度；根据所述预测速度和所述测试集对应的车速筛分得到测试集中的异常标签和正常标签；将第二时间段内的正常标签修改为异常标签；将具有连续的异常标签的时间段作为异常交通状态区间。本方法用于解决现有的技术仅提取了交通车速之间的时间特征且检测的结果是异常点，导致异常检测的性能较低的技术问题。导致异常检测的性能较低的技术问题。导致异常检测的性能较低的技术问题。
【技术实现步骤摘要】
一种异常交通状态监测方法、装置、设备及可读存储介质
[0001]本专利技术涉及异常交通状态监测
，具体而言，涉及一种异常交通状态监测方法、装置、设备及可读存储介质。
技术介绍
[0002]异常交通状态是指不符合历史模式的交通流。通过识别异常交通状态，可以提高管理措施的有效性。异常检测具有样本不平衡的特性，其中正常交通状态的样本量明显高于异常交通状态。现有的技术仅单一地提取了交通车速之间的时间特征，而没有考虑到时空特征，导致预测精度较低，进而使异常检测不准确。另外，现有的技术检测的结果是异常点，而不是异常序列，与实际的异常交通状态场景通常存在于一定时空范围内的性质不匹配，导致异常检测的性能较低。
技术实现思路
[0003]本专利技术的目的在于提供一种异常交通状态监测方法、装置、设备及可读存储介质，以改善上述问题。为了实现上述目的，本专利技术采取的技术方案如下：第一方面，本申请提供了一种异常交通状态监测方法，包括：获取交通数据信息，所述交通数据信息为路网在预设期间内的车速集合；根据时长将交通数据信息划分为训练集、验证集和测试集；搭建预测模型，利用所述训练集和验证集分别对所述预测模型进行训练和验证，以获得速度预测模型；将测试集输入速度预测模型得到第一时间段的预测速度，所述第一时间段的时长与所述测试集的时长相同；根据所述预测速度和所述测试集对应的车速筛分得到测试集中的异常标签和正常标签；将第二时间段内的正常标签修改为异常标签，所述第二时间段的端点为两个相邻的异常标签对应的时间点，所述第二时间段内包括预设数量的正常标签；将具有连续的异常标签的时间段作为异常交通状态区间。
[0004]第二方面，本申请还提供了一种异常交通状态监测装置，包括：划分模块：获取交通数据信息，所述交通数据信息为路网在预设期间内的车速集合；根据时长将交通数据信息划分为训练集、验证集和测试集；模型搭建模块：搭建预测模型，利用所述训练集和验证集分别对所述预测模型进行训练和验证，以获得速度预测模型；预测模块：将测试集输入速度预测模型得到第一时间段的预测速度，所述第一时间段的时长与所述测试集的时长相同；筛分模块：根据所述预测速度和所述测试集对应的车速筛分得到测试集中的异常标签和正常标签；
修改模块：将第二时间段内的正常标签修改为异常标签，所述第二时间段的端点为两个相邻的异常标签对应的时间点，所述第二时间段内包括预设数量的正常标签；判定模块：将具有连续的异常标签的时间段作为异常交通状态区间。
[0005]第三方面，本申请还提供了一种异常交通状态监测设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现所述异常交通状态监测方法的步骤。
[0006]第四方面，本申请还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于异常交通状态监测方法的步骤。
[0007]本专利技术的有益效果为：1、本专利技术提出了一种融合时空特征的车速预测模型，通过构造交通流的特征矩阵和空间权重矩阵，使用图卷积神经网络（GCN）和双向长短时记忆网络（Bi
‑
LSTM）分别提取交通流的空间特征和时间特征，结合提取的时空特征（时间特征和空间特征）预测交通车速，提高了交通预测（正常交通状态建模）的精确度。
[0008]2、本专利技术使用3Sigma方法对残差序列建模，得到初始异常标签后再次遍历，将散布在连续异常点之间的满足预设数量的初始正常标签校正为异常标签，得到异常序列段，提高了检测结果与实际异常交通状态场景的匹配度，从而提高了异常交通状态检测性能。
[0009]本专利技术的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术实施例了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
[0010]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0011]图1为本专利技术实施例中所述的异常交通状态监测方法流程示意图;图2为本专利技术实施例中线圈检测器的邻接关系图；图3为本专利技术实施例中时间点的序列图；图4为本专利技术实施例中所述的异常交通状态监测装置结构示意图一；图5为本专利技术实施例中所述的异常交通状态监测装置结构示意图二；图6为本专利技术实施例中所述的异常交通状态监测设备结构示意图。
[0012]图中标记：01、划分模块；011、第一获取单元；012、填补单元；013、集计单元；014、划分单元；015、归一化处理单元；016、构造单元；0161、第一矩阵搭建单元；0162、第一构建单元；0163、第二矩阵搭建单元；0164、第二构建单元；02、模型搭建模块；021、第二获取单元；022、第一计算单元；023、第三构建单元；024、训练单元；025、验证单元；03、预测模块；031、第三矩阵搭建单元；032、第四构建单元；033、预测单元；04、筛分模块；041、第二计算单元；042、第三计算单元；043、第四计算单元；05、修改模块；051、确定单元；052、判断单元；06、判定模块；800、异常交通状态监测设备；801、处理器；802、存储器；803、多媒体组件；804、I/O
接口；805、通信组件。
具体实施方式
[0013]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0014]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本专利技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0015]交通状态异常指道路的真实运行特征不符合它的历史趋势，通常是由交通系统中的异常环境或事件导致的结果表现，如极端天气、大型集会、交通事故、临时交通管制等。
[0016]实施例1：本实施例提供了一种异常交通状态监测方法。
[0017]参见图1，图中示出了本方法包括：S1.获取交通数据信息，所述交通数据信息为路网在预设期间内的车速集合；根据时长将交通数据信息划分为训练集、验证集和测试集,所述路网为由主路、辅路、支路、岔路等等很多条道路构成的交通道路；具体的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种异常交通状态监测方法，其特征在于，包括：获取交通数据信息，所述交通数据信息为路网在预设期间内的车速集合；根据时长将交通数据信息划分为训练集、验证集和测试集；搭建预测模型，利用所述训练集和验证集分别对所述预测模型进行训练和验证，以获得速度预测模型；将测试集输入速度预测模型得到第一时间段的预测速度，所述第一时间段的时长与所述测试集的时长相同；根据所述预测速度和所述测试集对应的车速筛分得到测试集中的异常标签和正常标签；将第二时间段内的正常标签修改为异常标签，所述第二时间段的端点为两个相邻的异常标签对应的时间点，所述第二时间段内包括预设数量的正常标签；将具有连续的异常标签的时间段作为异常交通状态区间。2.根据权利要求1所述的异常交通状态监测方法，其特征在于,所述获取交通数据信息，所述交通数据信息为路网在预设期间内的连续的车速集合；根据时长将交通数据信息划分为训练集、验证集和测试集，包括：获取路网在预设期间内在时间维度上连续的初始车速，所述初始车速由线圈检测器采集得到；对路网在预设期限内的初始车速进行线性插值以填补缺失值；将填补缺失值处理后的初始速度集计为以预设的时间步长为间隔的车速集合；将所述车速集合按照时间顺序划分为训练集、验证集和测试集；分别对训练集、验证集和测试集进行归一化处理；为归一化处理后的训练集和验证集分别构造特征矩阵集。3.根据权利要求2所述的异常交通状态监测方法，其特征在于,所述利用所述训练集和验证集分别对所述预测模型进行训练和验证，以获得速度预测模型，包括：获取线圈检测器之间的距离和线圈检测器之间的邻接关系，所述线圈检测器之间的邻接关系包括两个线圈检测器之间连通或不连通；根据线圈检测器之间的距离和线圈检测器之间的邻接关系计算任意两个线圈检测器之间的空间权重；由所有线圈的空间权重构成关于路网的空间权重矩阵；利用训练集的特征矩阵集和空间权重矩阵训练预测模型；利用验证集的特征矩阵集和空间权重矩阵验证预测模型。4.根据权利要求1所述的异常交通状态监测方法，其特征在于,所述将第二时间段内的正常标签修改为异常标签，所述第二时间段的端点为两个相邻的异常标签对应的时间点，所述第二时间段内包括预设数量的正常标签，包括：确定任意两个相邻的异常标签；判断两个相邻的异常标签之间的正常标签的数量是否为预设数量：若是，则将相邻的异常标签之间的正常标签修改为异常标签。5.一种异常交通状态监测装置，其特征在于，包括：划分模块：获取交通数据信息，所述交通数据信息为路网在预设期间内的车速集合；根
据时...
【专利技术属性】
技术研发人员：郑芳芳，龙燕雨，刘婧，鲍震天，郑凡非，黄彦宁，白霖涵，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。