【技术实现步骤摘要】
本专利技术属于智能交通系统(its)和数据挖掘，更具体地说，涉及基于改进强健随机森林的交通异常数据异常检测方法。
技术介绍
1、its(intelligent transportation systems)：这是一个涉及信息技术、通信技术、传感器技术等多领域的综合系统，目的是提高交通系统的效率、安全性和可持续性。该算法在智能交通系统中应用，通过对交通数据的异常检测，提高系统对异常情况的感知和响应能力。
2、数据挖掘：该算法利用数据挖掘技术，特别是异常检测方法，从大规模交通数据中挖掘潜在的异常情况。这包括了对数据的特征提取、模型训练和优化等方面的数据挖掘操作。
3、异常检测(anomaly detection)是数据挖掘领域中的一项关键任务，旨在识别与正常行为显著不同的数据实例。在交通领域，异常检测技术对于及时发现交通异常情况，如交通事故、拥堵或设备故障等，具有重要意义。以下是异常检测技术的一般背景：
4、1.统计学方法：
5、统计学方法是最早被应用于异常检测的方法之一。基于正态分布或其他概率分布的假设，通过建模正常数据的统计特性，来识别与模型不符的数据点。常用的统计学方法包括均值-方差方法、箱线图、概率密度估计等。然而，这些方法对于复杂的非线性关系和高维数据可能表现不佳。
6、2.机器学习方法：
7、随着机器学习的兴起，各种基于学习模型的异常检测方法变得越来越受欢迎。这些方法通过从数据中学习正常行为的模型，识别与该模型显著不同的实例。常见的机器学习异常检测算
8、3.随机森林及其改进：
9、随机森林是一种集成学习方法，由多个决策树组成。它通过投票或平均机制组合各个树的结果，提高了整体模型的准确性和鲁棒性。改进随机森林方法致力于提高对异常值的检测性能，通过引入额外的强健性机制或改进树的生成方式来应对异常情况。在交通异常检测中，结合上述技术背景，改进强健随机森林算法能够更好地适应复杂的交通环境和数据特征，提高异常检测的准确性和鲁棒性，具有广阔的应用前景。
10、因此，亟需一种新的面向交通流数据的基于改进强健随机森林的交通异常数据异常检测方法。
技术实现思路
1、本专利技术旨在克服现有技术的不足，提供一种面向交通流数据的改进强健随机森林交通异常数据检测方法，目的是优化应急物资运输任务的运输装载计划。该方法建立了车货匹配与配载优化联合优化模型。将负载率最大、里程最小的多目标问题转化为成本最低的单目标函数，从全局角度出发提升应急物资运输的整体效率。
2、为了解决上述技术问题至少之一，根据本专利技术的一方面，提供了一种基于改进强健随机森林的交通异常数据异常检测方法，包括如下步骤：
3、s1、数据输入，收集交通数据，构建包括正常和异常交通行为的训练数据集；
4、s2、模型搭建；
5、s3、数据处理，处理缺失值和异常值，确保数据质量；进行特征选择和特征缩放，以优化模型输入；
6、s4、异常分数计算，对于每个数据点，计算其在随机森林中的异常分数；所述分数反映了数据点相对于模型的异常程度；
7、s5、阈值确定，通过统计或优化方法确定异常分数的阈值，将正常和异常样本分开；
8、s6、异常检测，对于未知数据，使用训练好的模型和阈值进行异常检测；标记那些异常分数超过阈值的数据点；
9、s7、应用，将训练好的异常检测模型应用于实际的its数据，监测交通异常并提供实时警报；
10、s8、模型评估和优化，对算法输出进行性能评估；根据需要，进行参数调整和模型优化；
11、s9、优化总体方案，综合考虑改进强健随机森林算法的输出和异常检测结果，得到最优的总体方案；确保该方案能够在不同的交通场景中有效地检测和处理异常数据。
12、进一步的，s2具体为：基于改进强健随机森林的异常检测模型，引入强健性改进机制，通过调整树的生长方式或使用异常值鲁棒性评估方法；利用随机森林的集成学习能力，构建多个决策树，通过投票或平均机制组合各个树的意见；采用自适应参数优化策略，通过交叉验证等方法自动选择和调整模型参数。
13、进一步的，s2中任意一点包括速度、流量和占有率。
14、进一步的，单棵决策树原理如下：
15、基于随机森林的方法会用一个随机超平面对一个数据空间进行切割，切一次可以生成两个子空间；再继续随机选取超平面，来切割第一步得到的两个子空间，以此循环下去，直到每子空间里面只包含一个数据点为止；密度很高的簇要被切很多次才会停止切割，即每个点都单独存在于一个子空间内，但那些分布稀疏的点，大都很早就停到一个子空间内了；异常样本更容易快速落入叶子结点或者说，异常样本在决策树上，距离根节点更近；随机选择m个特征，通过在所选特征的最大值和最小值之间随机选择一个值来分割数据点；观察值的划分递归地重复，直到所有的观察值被孤立。
16、进一步的，s6中，设x为智慧交通数据点集,x＝{x1,x2,x3,...,xn}；交通异常数据点(xi∈rm)共有m个维度,xi＝(flow,speed,density),共有流量、速度与占有率共三个维度，m＝3；而异常检测模型会赋予每个数据点xi一个异常分数，si∈rm.这个异常分数代表了该点的异常程度.对于任意点的异常分数,例如si与sj,如果si＞sj,则xi会被视为更异常的点。
17、进一步的，解的集成方法具体如下：
18、s21、数据随机抽样：从训练数据集中进行有放回的随机抽样，构建多个不同的训练子集，这被称为"自助采样"；每个子集包含与原始数据集规模相等的样本，但由于采样是有放回的，某些样本在同一子集中可能出现多次，而其他样本可能根本不出现；
19、s22、特征的随机选择：针对每个决策树的构建，在每次节点分裂时，从所有特征中随机选择一定数量的特征子集；
20、s23、决策树的训练：对于每个自助采样得到的训练子集和特征子集，构建一颗决策树；
21、决策树的构建过程中，通过递归地将数据集划分为不同的节点，使得在每个节点上选择最佳的分裂特征和分裂点，以最大程度地减小样本的不确定性；
22、s24、多个决策树的集成：
23、构建足够数量的决策树后，将它们的预测结果进行集成；对于分类问题，通常采用投票法，即每个树投票给出一个类别，最终选择得票最多的类别作为整体的预测结果；
24、s25、提高模型的鲁棒性：
25、随机森林的集成过程通过引入数据和特征的随机性，以及多个模型的投票机制。
26、根据本专利技术的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发本文档来自技高网...
【技术保护点】
1.一种基于改进强健随机森林的交通异常数据异常检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，S2具体为：基于改进强健随机森林的异常检测模型，引入强健性改进机制，通过调整树的生长方式或使用异常值鲁棒性评估方法；利用随机森林的集成学习能力，构建多个决策树，通过投票或平均机制组合各个树的意见；采用自适应参数优化策略，通过交叉验证等方法自动选择和调整模型参数。
3.根据权利要求2所述的方法，其特征在于，S2中任意一点包括速度、流量和占有率。
4.根据权利要求3所述的方法，其特征在于，单棵决策树原理如下：
5.根据权利要求1所述的方法，其特征在于，S6中，设X为智慧交通数据点集,X＝{x1,x2,x3,...,xn}；交通异常数据点(xi∈Rm)共有m个维度,xi＝(flow,speed,density),共有流量、速度与占有率共三个维度，m＝3；而异常检测模型会赋予每个数据点xi一个异常分数，si∈Rm.这个异常分数代表了该点的异常程度.对于任意点的异常分数,例如si与sj,如果si>sj,则xi会被
6.根据权利要求1所述的方法，其特征在于，解的集成方法具体如下：
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现如权利要求1～6中任一项所述的基于改进强健随机森林的交通异常数据异常检测方法中的步骤。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～6中任一项所述的基于改进强健随机森林的交通异常数据异常检测方法中的步骤。
...【技术特征摘要】
1.一种基于改进强健随机森林的交通异常数据异常检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，s2具体为：基于改进强健随机森林的异常检测模型，引入强健性改进机制，通过调整树的生长方式或使用异常值鲁棒性评估方法；利用随机森林的集成学习能力，构建多个决策树，通过投票或平均机制组合各个树的意见；采用自适应参数优化策略，通过交叉验证等方法自动选择和调整模型参数。
3.根据权利要求2所述的方法，其特征在于，s2中任意一点包括速度、流量和占有率。
4.根据权利要求3所述的方法，其特征在于，单棵决策树原理如下：
5.根据权利要求1所述的方法，其特征在于，s6中，设x为智慧交通数据点集,x＝{x1,x2,x3,...,xn}；交通异常数据点(xi∈rm)共有m个维度,xi＝(f...
【专利技术属性】
技术研发人员：李月祥，洪坤明，陈成勇，黄凯，毕聪威，史云阳，董瑞，刘志远，范晓华，董士山，李鸿杰，
申请(专利权)人：山东高速基础设施建设有限公司，
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。