一种基于多维数据的交通异常点检测方法
【专利摘要】本发明涉及一种基于多维数据的交通异常点检测方法，该方法对微波设备获取的每条路段连续一段时间内的流量、速度和车道占有率数据，先根据速度数据计算路段的历史拥堵概率，通过对比最近时间的交通状态指标值定义路段的正、负异常，再从负异常的路段中用基于密度的局部异常因子方法计算异常度，并结合正负异常因子计算加权异常度并排序。本发明方法采用多指标数据，考虑了样本空间数据分布不均匀的情况，通过结合交通数据本身特性，避免了基于密度的局部异常因子方法的局部有限性，能有效检测出道路异常点，帮助交管部门指挥道路交通，调节优化道路的使用效率，具有通用性强、可行性强、可靠性高、适用性强的特点。
【专利说明】一种基于多维数据的交通异常点检测方法
【技术领域】
[0001] 本发明涉及智能交通领域，尤其涉及一种基于多维数据的交通异常点检测方法。【背景技术】
[0002] 随着城市经济的快速发展，城市交通中机动车数量不断增加，如何有效调控交通 流量，优化道路的使用效率，疏导道路的交通状况，成为城市智能交通领域研究的重点。而 其中的一个关键技术就是对城市交通的异常进行检测，即通过一定的技术手段检测出城市 交通中出现异常的路段。异常点的检测是城市交通公共信息服务的主要内容，也是交通管 理部门部署警力、疏导道路交通的必要手段。交通异常点的检测一般是采用车流量数据进 行分析，但该做法没有考虑交通数据本身特性，会将正常数据检测为异常，如出现红灯的时 间不固定而导致的某时段某路段流量出现变化的情况。因此采用多指标数据检测交通道路 异常点来克服单个指标的片面性和较大误差。在异常点检测中，通过采用技术手段对多指 标数据进行分析计算，得出交通异常的路段，包括正异常和负异常，正异常指好的异常，即 交通状态相比以前变好了；负异常指坏的异常，即交通状态相比以前变坏了，负异常的路段 是交通管理部门重点关注的路段，因此本发明主要考虑负异常的情况。
[0003] 目前对交通异常点检测的研究较少，一般只是单纯的拥堵检测。异常点检测可采 用离群点检测的方法，主要有基于模型的方法，基于邻近度的方法，基于聚类的方法以及基 于密度的方法。基于模型的方法要求事先知道数据服从什么分布，对多维数据的检测性较 差；基于邻近度的方法不适用于交通大数据集，对参数选择较敏感，且无法满足交通数据分 布不均匀的需求；基于聚类的方法其检测结果与簇类个数的选取有关，会出现误判现象，即 使是不需预先选择簇类个数的DBSCAN方法对于簇的边界样本同样会出现误判，且不能较 好反映多维数据；基于密度的方法能有效适用于分布不均匀的多维交通数据，且在交通异 常点检测中对参数的选择不敏感。为了定量给出交通异常点，设计一种基于多维数据的交 通异常点检测方法是十分有必要的。
【发明内容】
[0004] 本发明为克服上述的不足之处，目的在于提供一种基于多维数据的交通异常点检 测方法，该方法对微波设备获取的每条路段连续一段时间内的流量、速度和车道占有率数 据，先根据速度数据计算路段的历史拥堵概率，通过对比最近时间的交通状态指标值定义 路段的正、负异常，再从负异常的路段中用基于密度的局部异常因子方法计算异常度，并结 合正负异常因子计算加权异常度。本发明方法采用多指标数据，考虑了样本空间数据分布 不均匀的情况，通过结合交通数据本身特性，避免了基于密度的局部异常因子方法的局部 有限性，能有效检测出道路异常点，帮助交管部门指挥道路交通，调节优化道路的使用效 率。
[0005] 本发明是通过以下技术方案达到上述目的：一种基于多维数据的交通异常点检测 方法，包括如下步骤：
[0006] (1)采集微波监控路段的交通特征数据；
[0007] (2)计算每条路段的历史拥堵概率；
[0008] (3)根据每条路段的交通特征数据来判断并定义路段的正负异常；
[0009] (4)采用基于密度的局部离群因子算法计算异常度；
[0010] (5)通过步骤（2)与步骤（4)得到的结果计算加权异常度；
[0011] (6)对步骤（5)得到的结果进行排序，得到前T个加权异常度最大的路段，T为预 先设置的阈值；
[0012] (7)输出前T个加权异常度最大的路段。
[0013] 作为优选，所述步骤（1)所述的交通特征数据包括微波监测路段的车流量、车辆 速度、车道占有率三类数据。
[0014] 作为优选，所述步骤（2)计算每条路段的历史拥堵概率是以车辆速度数据为对 象，计算速度小于V的数据占有率；历史拥堵概率的计算式子如下所示：
[0015]
【权利要求】
1. 一种基于多维数据的交通异常点检测方法，其特征在于包括如下步骤： (1) 采集微波监控路段的交通特征数据； (2) 计算每条路段的历史拥堵概率； (3) 根据每条路段的交通特征数据来判断并定义路段的正负异常； (4) 采用基于密度的局部离群因子算法计算异常度； (5) 通过步骤（2)与步骤（4)得到的结果计算加权异常度； (6) 对步骤（5)得到的结果进行排序，得到前T个加权异常度最大的路段，T为预先设 置的阈值； (7) 输出前T个加权异常度最大的路段。
2. 根据权利要求1所述的一种基于多维数据的交通异常点检测方法，其特征在于：所 述步骤（1)所述的交通特征数据包括微波监测路段的车流量、车辆速度、车道占有率三类 数据。
3. 根据权利要求1或2所述的一种基于多维数据的交通异常点检测方法，其特征在于： 所述步骤（2)计算每条路段的历史拥堵概率是以车辆速度数据为对象，计算速度小于V的 数据占有率；历史拥堵概率的计算式子如下所示：
其中，P(i)为第i条路段的历史拥堵概率，v(i)为第i条路段的微波速度数据，sum为 求个数函数。
4. 根据权利要求1或2所述的一种基于多维数据的交通异常点检测方法，其特征在于： 所述步骤（3)判断并定义路段的正负异常的规则为若交通状态为畅通，则正负异常因子为 flag= 0-p;若交通状态为非畅通,则正负异常因子为flag= 1-p;flag>O为负异常， flag彡0为正异常。
5. 根据权利要求1所述的一种基于多维数据的交通异常点检测方法，其特征在于：所 述步骤（4)计算异常度的基于密度的局部离群因子算法包括如下步骤： 1) 对输入的m*n数据D计算D中所有对象的K距离邻域，其中m为数据对象的个数，n 为维度； 2) 计算对象p与其K距离邻域对象的可达距离，其中可达距离是该对象的K距离与该 对象和对象P的距离之间的较大值： reach_dist_k(p，〇) =max{K_distance(o),dist(p,o)}； 3) 计算对象p的局部可达密度： lrd_k(p) = |N_k(p)I/E〇eN-k(p)reach_dist_k(p，〇) 其中局部可达密度是对象的K距离邻域内所有对象的可达距离之和与K距离邻域内的 对象个数之比的倒数； 4) 计算对象p的局部离群因子：
5) 重复步骤1)至4)，求出所有输入数据的局部离群因子，若有r条路段，每条路段有 m,个数据对象，则可得到！个m,维的LOF序列，LOF值就是所求的异常度。
6. 根据权利要求5所述的一种基于多维数据的交通异常点检测方法，其特征在于：所 述步骤1)计算D中对象的K距离邻域的方法如下： a) 采用欧式距离或曼哈顿距离，数据D的距离矩阵为dist:m*m的对称矩阵，计算每两 个对象间的距离； b) 对每个对象与其他对象的距离进行排序，第K个最小距离即为K距离[distance; c) 得到每个对象的K距离邻域： N_k(p) ={pIdist(p,q) ^K_distance(p)} 其中每个对象的K距离邻域即为与其的距离不大于其K距离的对象的集合。
7. 根据权利要求1所述的一种基于多维数据的交通异常点检测方法，其特征在于：所 述步骤（5)计算加权异常度是以负异常路段的LOF异常度乘以代表历史拥堵概率的正负异 常因子flag得到路段的加权异常度，计算式子如下： WLOF(i) =L0F(i)lastXflag(i) 其中，LOF(i)last是第i条负异常路段的最后一个LOF值，flag(i)是第i条路段的负 异常因子，WLOF(i)是第i条路段的加权异常度。
8. 根据权利要求3所述的一种基于多维数据的交通异常点检测方法，其特征在于：所 述的速度V为0km/h-20km/h中的任意一个速度值。
9. 根据权利要求1所述的一种基于多维数据的交通异常点检测方法，其特征在于：所 述的阈值T设置为5。
【文档编号】G08G1/01GK104504901SQ201410837207
【公开日】2015年4月8日 申请日期:2014年12月29日 优先权日:2014年12月29日
【发明者】李丹, 李建元, 王浩, 张麒, 顾超 申请人:浙江银江研究院有限公司