CN117894168A - 一种基于图对比学习网络的交通流异常检测方法 - Google Patents

Abstract

本发明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。

Description

一种基于图对比学习网络的交通流异常检测方法

技术领域

本发明属于交通流量监测技术领域，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。

背景技术

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。

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。

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。

发明内容

为解决现有技术中的问题，本发明提出了一种基于图对比学习网络的交通流异常检测方法。

本发明的技术方案如下：

本发明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：

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；

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，从而得到城市区域图结构；

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；

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。

根据本发明的优选方案，所述S1具体为：

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v_i，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G_s＝(V_s，E_s，A)。

根据本发明的优选方案，所述S2具体为：

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z_i，表示该路段属于哪个区域；这些向量构成了分配矩阵Z＝(z₁，...，z_n)∈R^N*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，z_m，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A_r，最终，得到城市区域图结构表示为G_r＝(V_r，E_r，A_r)。

根据本发明的优选方案，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；

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；

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。

根据本发明的优选方案，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；

对比学习层的对比损失函数定义如下：

其中，U_i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，P_i是簇内样本，N_i是簇外样本，sim是嵌入向量之间的相似度度量。

根据本发明的优选方案，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∈R^T*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；

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。

本发明的有益效果包括：

本发明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。

本发明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。

附图说明

图1是本发明基于图对比学习网络的交通流异常检测方法的流程图。

具体实施方式

下面结合具体实施方式对本发明做进一步阐述和说明。所述实施例仅是本公开内容的示范且不圈定限制范围。本发明中各个实施方式的技术特征在没有相互冲突的前提下，均可进行相应组合。

如图1所示，本发明的基于图对比学习网络的交通流异常检测方法包括如下步骤：

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；

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，从而得到城市区域图结构；

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，两个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；

S4：采用历史交通流数据对时空编码器-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。

具体的，在本发明中，采用了两层级的图结构表示方法，分别处理了城市路段的区域级别和节点级别特征。这两层级的表示方法不仅有助于提取高维度的交通数据特征，还能够充分捕捉城市交通在不同空间尺度下的规律。

在本发明的一个具体实施例中，所述S1为：本发明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v_i，在每个时间片段t中，定义以下特征：车流速度(sp)，路段占有率(op)，路段流量(fl)，将路段的特征嵌入到图结构中，图中的边为交通拓扑结构，同时构建邻接矩阵(AdjacencyMatrix)，表示为一个邻接矩阵A，其中A[i][j]表示路段i和路段j之间是否有连接。这通常是一个二进制矩阵，其中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G_s＝(V_s，E_s，A)。

在本发明的一个具体实施例中，所述S2为：由于城市中的路段有主干道、支路等差别，结合城市不同地段功能不同，会形成一个个功能区域，交通流量和速度很受道路功能和城市功能影响。因此，本发明为每个路段(节点)生成一个分配向量z_i，表示该路段属于哪个区域。这些向量构成了分配矩阵Z＝(z₁，...，z_n)∈R^N*M，其中N表示路段数量，M表示区域数量。为了更好的表示城市区域且确定区域数量M，本发明以最优的聚类分配矩阵Z确保了每个区域内的路段在类内相似度最高，同时不同区域之间的差异性最大为原则，生成最优的聚类分配矩阵。优化的目标函数可以定义为最大化类内相似度和最小化类间差异性的组合，本发明通过迭代更新聚类分配矩阵Z的元素来实现。其中，目标函数的定义为：

其中zn，k表示聚类分配矩阵Z的元素。根据区域之间的距离构建邻接矩阵A_r，最终，城市区域图结构表示为G_r＝(V_r，E_r，A_r)。

在城市中，丰富的交通流规律，例如早晚高峰、周末出行、节假日变化等，特征信息需要在时空上进行融合，以便在不同时间和动态环境下高效检测交通拥堵和异常路段。为了实现时空融合和更准确的异常检测，本发明设计了适合检测交通流异常的时空编码器-解码器网络。

本发明的时空编码器由两层图卷积(GCN)、时间自注意力层的三明治结构组成，对于城市区域图结构和城市路段图结构的编码器结构相同。首先，编码器的第一步是对城市路段的区域级别和节点级别的空间特征分别进行图卷积操作。

这是通过应用GCN来实现的。

其中，H^l是第一图卷积层操作后的特征表示，σ(·)是激活函数，A是输入的相应图结构的邻接矩阵，D是度矩阵，W¹是第一图卷积层的权重矩阵，下标i表示第i个时间步，X为输入的相应图结构的节点特征信息。

接下来是一层时间自注意力层：时空编码器的关键组成部分是时间自注意力层。这个层负责分别整合区域和节点级别的时间特征，获取历史交通流信息的时间依赖。通过引入时间注意力机制，该模块能够捕捉不同路段在获取空间信息后的时间相关性，考虑城市交通在不同时间和动态环境下的变化。时间自注意力层是交通流异常检测中用于捕捉不同时间步之间的依赖关系的重要组件。在这里，本实施例将详细描述时间自注意力层，特别关注时间突变部分。时间自注意力层的表示如下：

其中，查询(Q)、键(K)和值(V)的计算公式如下：

Q＝H^lW_Q，K＝H^lW_k，V＝H^lW_v

H^l表示第一图卷机层的输出，为时间自注意力层的输入，W_Q、W_K和W_V分别是查询、键和值的线性变换权重矩阵。

利用注意力权重Attention_ij(Q，K，V)对邻居节点的值向量进行加权求和，得到聚合特征

结合聚合特征和节点自身的特征，通过一个非线性变换来更新节点的特征：

其中，W^l是学习的权重矩阵；是更新后的特征，即时间自注意力层的输出。

在时间注意力层之后，本发明进行了第二层的图卷积操作，以进一步提高特征的抽象表示。

所述第二图卷积层操作为：

其中，表示时间自注意力层的输出与邻接矩阵相乘，W²是第二图卷积层的权重矩阵。这一层的输出/>包含了更高级的区域级特征。

进一步的，本发明还通过时间自注意力机制的突变掩码对时间上的突变获取额外关注。之后，本发明设计对比学习层来提高交通流异常的检测准确度。对比学习是一种强大的自监督学习方法，主要思想是学习如何将正样本(相似的数据点)与负样本(不相似的数据点)区分开来。在交通流异常检测中，异常应该在节点属性角度上不同于周围环境。从空间角度中，节点和周围相似度高为正样本的数据点。选择远离时间步的数据点，或者选择来自不同区域的数据点作为负样本来学习，因为这些数据点更可能是不相似的。对比学习的目标是让模型将正样本和负样本区分开。本发明通过构建一个对比损失函数来实现，其定义如下：

其中，U_i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，P_i是簇内样本，N_j是簇外样本，sim是嵌入向量之间的相似度度量。

本发明的目标是还原或生成原始的交通流数据。为了实现这一目标，本发明将两层级城市交通图网络的高维度表示拼接，再使用一层GCN(图卷积网络)和一层MLP(多层感知器)的时空解码器结构来重构常规交通环境中的原始交通流。其中GCN用于捕捉时空关系，而MLP用于进一步处理和生成输出。在交通流异常检测中，本发明的目标为检测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。此处本发明采用交叉熵损失，其中模型的输出是概率分布，将交通流异常检测任务被视为一个二分类问题(正常和异常)，损失函数定义如下：

其中，N表示城市路段的数量，y_i是实际的类别标签(0和1，正常和异常)，是模型预测的该路段交通流异常的概率。

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∈R^{T *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+l识别哪些节点是异常的。时空编码器-解码器网络训练好后，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，从而实现交通流异常检测。本发明通过考虑城市路网结构和多种交通流特征，该发明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，有助于在不同情境下实时识别拥堵和异常情况，提高了交通管理的实效性。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (10)

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：

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；

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，从而得到城市区域图结构；

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；

S4：采用历史交通流数据对时空编码器-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。

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：

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v_i，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G_s＝(V_s,E_s,A)。

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：

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z_i，表示该路段属于哪个区域；这些向量构成了分配矩阵Z＝(z₁,...,z_n)∈R^N*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，z_m,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A_r，最终，得到城市区域图结构表示为G_r＝(V_r,E_r,A_r)。

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；

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；

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。

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；

第一图卷积层操作为：

其中，H^l是第一图卷积层操作后的特征表示，σ(·)是激活函数，A是输入的相应图结构的邻接矩阵，D是度矩阵，W¹是第一图卷积层的权重矩阵，下标i表示第i个时间步，X为输入的相应图结构的节点特征信息。

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：

其中，d_k是查询和键的维度；查询Q、键K和值V的计算公式如下：

Q＝H^lW_Q,K＝H^lW_k,V＝H^lW_v

H^l表示第一图卷机层的输出，为时间自注意力层的输入，W_Q、W_K和W_V分别是查询、键和值的线性变换权重矩阵；

利用注意力权重Attention_ij(Q,K,V)对邻居节点的值向量进行加权求和，得到聚合特征

结合聚合特征和节点自身的特征，通过一个非线性变换来更新节点的特征：

其中，W^l是学习的权重矩阵；是更新后的特征，即时间自注意力层的输出。

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：

其中，表示时间自注意力层的输出与邻接矩阵相乘,W²是第二图卷积层的权重矩阵。

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；

对比学习层的对比损失函数定义如下：

其中，U_i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，P_i是簇内样本，N_j是簇外样本，sim是嵌入向量之间的相似度度量。

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；

时空解码器的输出是概率分布，交通流异常检测任务被视为一个区分正常和异常的二分类问题，时空解码器的损失函数定义如下：

其中，N表示城市路段的数量，y_i是实际的类别标签，即0和1，正常和异常，是模型预测的该路段交通流异常的概率。

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∈R^T*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；

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。