基于贝叶斯线性模型的公路交通流异常检测方法及系统

1.本发明属于交通流检测技术领域，具体涉及一种基于贝叶斯线性模型的公路交通流异常检测方法及系统。


背景技术：

2.交通流数据包含交通流的时空分布特性，是分析道路通行能力、交通管理、交通流预测、交通事故探测的重要依据。交通流异常通常来源于交通状态的改变，当高速公路的车流密度达到一定值时，交通系统的轻微干扰将被放大，最终导致在交通流量层面上出现异常。准确的交通流量异常检测有利于识别交通拥堵以及交通事故的发生，并在此基础上选择应对措施从而提高高速公路的通行效率。
3.目前用于交通流异常检测的方式大多数是通过宏观基本图以及高速公路的密度和车辆的行驶速度来判断当前交通流量是否处于异常状态。对于高速公路来说，密度和速度的检测方法成本较高，而基于高速公路收费系统的交易数据，交通流量更易统计。其次，现有的方法不能通过单一的交通流量来进行异常检测，需要提供浮动车的数据或者其他数据来判断交通状态，然后再与交通流量进行对应，实现异常交通流的检测。


技术实现要素：

4.本发明的目的在于提供一种基于贝叶斯线性模型的公路交通流异常检测方法及系统，首先对车辆到达历史数据进行分布拟合处理，并使用贝叶斯线性模型对分布拟合处理后的车辆到达历史数据进行学习，从而得到历史数据中车辆到达分布参数变化的周期性参数；其次对车辆到达实时数据进行分布拟合处理，并使用贝叶斯线性模型对分布拟合处理后的实时数据进行处理，以得到实时状态下车辆分布参数；然后计算周期性参数与实时状态下的车辆到达分布参数的差值，以得到实时状态下的车辆到达分布参数的残差；最后使用小波变换对残差进行处理，以计算得到小波能量，小波能量的峰值表示当前交通流处于异常状态。
5.为实现以上目的，本发明采用以下技术方案：
6.本发明实施例第一方面提供一种基于贝叶斯线性模型的公路交通流异常检测方法，包括以下步骤：
7.s1、对车辆到达历史数据进行预处理；
8.s2、对预处理后的车辆到达历史数据进行分布拟合处理；
9.s3、使用贝叶斯线性模型对分布拟合处理后的车辆到达历史数据进行学习，以得到历史数据中车辆到达分布参数变化的周期性参数；
10.s4、对实时采集到的相应时间段内的车辆到达实时数据进行预处理，并对预处理后的车辆到达实时数据进行分布拟合处理，并使用贝叶斯线性模型对分布拟合处理后的车辆到达实时数据进行处理，以提取实时状态下的车辆到达分布参数；
11.s5、计算周期性参数与实时状态下的车辆到达分布参数的差值，以得到实时状态
下的车辆到达分布参数的残差；
12.s6、使用小波变换对残差进行处理以计算得到小波能量，并基于小波能量的峰值以实现对公路交通流异常流量的检测。
13.作为优选方案，对车辆到达历史数据、车辆到达实时数据进行预处理包括删除重复数据及异常数据、补全缺失数据。
14.作为优选方案，步骤s2和步骤s4中所述的分布拟合处理中，包括步骤：
15.采用kolmogorov-smirnow检验方法对分布拟合的结果进行评估，若评估通过则继续执行后续步骤，若评估不通过则重新对数据进行分布拟合。
16.作为优选方案，车辆到达历史数据、车辆到达实时数据从高速公路收费系统中的etc交易数据中获得。
17.作为优选方案，贝叶斯线性模型由观测方程和系统方程组成；
18.其中观测方程为：
19.p
lt
＝f
t
θ
t
+v
t
，v
t
～n(0,v
t
)，
20.其中，p
lt
表示第l个etc门架在t时刻的观测矢量，f
t
表示t时刻对应的回归矩阵，θ
t
表示t时刻的系统方程，v
t
表示均值为0、方差为v
t
的观测误差，v
t
表示t时刻观测误差的随机变量噪声，n表示观察次数；
21.系统方程为：
22.θ
t
＝g
t
θ
t-1
+w
t
，w
t
～n(0,w
t
)，
23.其中，g
t
表示t时刻对应的传递矩阵，θ
t-1
表示t-1时刻的系统方程，w
t
是均值为0、方差为w
t
的系统误差，w
t
表示t时刻系统误差的随机变量噪声；
24.贝叶斯线性模型的变量表征表达式为：
25.{f,g,v,w}
t
＝{f
t
,g
t
,v
t
,w
t
}，
26.其中，f、g、v、w分别表示f
t
、g
t
、v
t
、w
t
这四个变量对应的集合。
27.作为优选方案，使用最大似然估计对贝叶斯线性模型的参数进行求解，计算公式为：
[0028][0029]
其中，p
l
表示p
lt
的集合，p(θ,p
l
|f,g,v,w)、p(θ
t
|θ
t-1
)、p(p
lt
|θ
t
)均为条件概率方程。
[0030]
作为优选方案，步骤s6中，采用小波变换需要满足下列两个条件，
[0031]
条件一：
[0032]
条件二：
[0033]
其中，e表示小波能量，ψ(t)表示小波基函数。
[0034]
作为优选方案，小波变换公式为：
[0035][0036]
其中，a表示控制小波伸缩的尺度参数，b表示控制小波沿时间维度移动的平移参
数，w(a)是加权函数，x(t)表示t时刻下车辆到达分布参数的残差，表示小波基函数经平移、伸缩后的小波函数。
[0037]
作为优选方案，小波能量的计算公式为：
[0038][0039]
本发明实施例第二方面提供一种基于贝叶斯线性模型的公路交通流异常检测系统，基于本发明实施例第一方面所述的一种基于贝叶斯线性模型的公路交通流异常检测方法，包括依次连接的数据预处理模块、分布拟合处理模块、分布参数提取模块、分布参数残差计算模块、小波能量计算模块；
[0040]
数据预处理模块，用于对车辆到达历史数据、实时数据进行预处理；
[0041]
分布拟合处理模块，用于对预处理后的车辆到达历史数据、实时数据进行分布拟合处理；
[0042]
分布参数提取模块，用于对分布拟合处理后的车辆到达历史数据进行学习，以得到历史数据中车辆到达分布参数变化的周期性参数，还用于对分布拟合处理后的车辆到达实时数据进行处理，以提取实时状态下的车辆到达分布参数；
[0043]
分布参数残差计算模块，用于计算周期性参数与实时状态下的车辆到达分布参数的差值，以得到实时状态下的车辆到达分布参数的残差；
[0044]
小波能量计算模块，用于使用小波变换对残差进行处理以计算得到小波能量，并基于小波能量的峰值以实现对公路交通流异常流量的检测。
[0045]
本发明的有益效果是：
[0046]
1、本发明通过贝叶斯线性模型对历史数据的交通流变化的周期性进行学习，通过计算周期性参数与实时状态下的车辆到达分布参数的差值，以得到实时状态下的车辆到达分布参数的残差，并使用小波变换对残差进行处理，以计算得到小波能量，小波能量的峰值表示当前交通流处于异常状态。现有技术需要提供浮动车的数据或者其他数据来判断交通状态，再与交通流量进行对应才能实现异常交通流的检测。而使用本发明所述的方法，能够实现通过单一的交通流量来进行异常检测，对交通流异常状态的检测更加方便，且成本较低。
[0047]
2、本发明在计算小波能量后，小波能量的峰值即表示交通流处于异常状态，对交通流异常状态的判断更加快速、简单，能方便管理人员在发现异常情况后尽快做出后续调整。
[0048]
3、本发明基于高速公路收费系统的交易来获取交通流量，交通流量的统计更加容易，仅对获取的数据进行预处理就能用于后续的分析，数据获取简单、快速，获取成本低。
附图说明
[0049]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是发明的一些实施例，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的附图。
[0050]
图1是本发明所述方法的流程图。
[0051]
图2是在实际情况下选取当前时刻及之前59分钟内数据的示意图。
具体实施方式
[0052]
以下通过特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0053]
实施例一：
[0054]
参照图1，一种基于贝叶斯线性模型的公路交通流异常检测方法，包括以下步骤：
[0055]
s1、对车辆到达历史数据进行预处理；
[0056]
s2、对预处理后的车辆到达历史数据进行分布拟合处理；
[0057]
s3、使用贝叶斯线性模型对分布拟合处理后的车辆到达历史数据进行学习，以得到历史数据中车辆到达分布参数变化的周期性参数；
[0058]
s4、对实时采集到的相应时间段内的车辆到达实时数据进行预处理，并对预处理后的车辆到达实时数据进行分布拟合处理，并使用贝叶斯线性模型对分布拟合处理后的车辆到达实时数据进行处理，以提取实时状态下的车辆到达分布参数；
[0059]
s5、计算周期性参数与实时状态下的车辆到达分布参数的差值，以得到实时状态下的车辆到达分布参数的残差；
[0060]
s6、使用小波变换对残差进行处理以计算得到小波能量，并基于小波能量的峰值以实现对公路交通流异常流量的检测。
[0061]
进一步，车辆到达历史数据、车辆到达实时数据从高速公路收费系统中的etc交易数据中获得。目前用于交通流异常检测的方式大多数是通过宏观基本图以及高速公路的密度和车辆的行驶速度来判断当前交通流量是否处于异常状态。对于高速公路来说，密度和速度的检测方法成本较高，而基于高速公路收费系统中的etc交易数据，交通流量更易统计。
[0062]
进一步，对车辆到达历史数据、车辆到达实时数据进行预处理包括删除重复数据及异常数据、补全缺失数据，并统计每分钟车辆到达数。
[0063]
具体地：
[0064]
由于etc在数据采集、传输和存储过程中会受到设备故障、无线信号串扰和恶劣天气的影响，因此etc交易数据包含以下三个主要问题：
[0065]
重复数据，指记录了两次或多次的数据，但收集的时间是相同的；
[0066]
缺失数据，由于设备故障及其他原因，当车辆通过etc门架时，数据无法上传和存储；
[0067]
异常数据，与重复数据一样，当车辆通过etc门架时，由于设备及其他因素，门架在相反方向检测到车辆，并将数据上传、存储。
[0068]
本实施例中，对数据进行预处理时，首先删除重复的数据，删除采集时间在10秒内被etc门架重复检测到的数据；对于缺失和异常数据，将几个相邻etc门架连接起来以提取
车辆轨迹，然后补全缺失的数据，并且检测并删除异常数据。使用预处理后的数据进行后续分析，能够提高对交通流异常状态检测的准确性。
[0069]
进一步，步骤s2和步骤s4中所述的分布拟合处理中，包括步骤：
[0070]
采用kolmogorov-smirnow检验方法对分布拟合的结果进行评估，若评估通过则继续执行后续步骤，若评估不通过则重新对数据进行分布拟合。
[0071]
具体地，参照图2，本实施例中，对实时数据进行分布拟合处理具体为，每个时刻都提取这个时刻和之前59分钟的数据进行分布拟合。
[0072]
进一步，贝叶斯线性模型由观测方程和系统方程组成；
[0073]
其中观测方程为：
[0074]
p
lt
＝f
t
θ
t
+v
t
，v
t
～n(0,v
t
)，
[0075]
其中，p
lt
表示第l个etc门架在t时刻的观测矢量，f
t
表示t时刻对应的回归矩阵，θ
t
表示t时刻的系统方程，v
t
表示均值为0、方差为v
t
的观测误差，v
t
表示t时刻观测误差的随机变量噪声，n表示观察次数；
[0076]
系统方程为：
[0077]
θ
t
＝g
t
θ
t-1
+w
t
，w
t
～n(0,w
t
)，
[0078]
其中，g
t
表示t时刻对应的传递矩阵，θ
t-1
表示t-1时刻的系统方程，w
t
是均值为0、方差为w
t
的系统误差，w
t
表示t时刻系统误差的随机变量噪声；
[0079]
贝叶斯线性模型的变量表征表达式为：
[0080]
{f,g,v,w}
t
＝{f
t
,g
t
,v
t
,w
t
}，
[0081]
其中，f、g、v、w分别表示f
t
、g
t
、v
t
、w
t
这四个变量对应的集合。
[0082]
进一步，使用最大似然估计对贝叶斯线性模型的参数进行求解，计算公式为：
[0083][0084]
其中，p
l
表示p
lt
的集合，p(θ,p
l
|f,g,v,w)、p(θ
t
|θ
t-1
)、p(p
lt
|θ
t
)均为条件概率方程。
[0085]
进一步，步骤s6中，采用小波变换需要满足下列两个条件，
[0086]
条件一：
[0087]
条件二：
[0088]
其中，e表示小波能量，ψ(t)表示小波基函数，条件一表示e必须是有限的，条件二表示小波的均值必须是0。
[0089]
进一步，小波变换公式为：
[0090][0091]
其中，a表示控制小波扩张和收缩的尺度参数，b表示控制小波沿时间维度移动的平移参数，w(a)是加权函数，x(t)表示当前时刻下车辆到达分布参数的残差，表示
小波基函数经平移、伸缩后的小波函数；
[0092]
当a＝1、b＝0时，为小波基函数，计算公式为：
[0093][0094]
进一步，小波能量的计算公式为：
[0095][0096]
本实施例中，首先对车辆到达历史数据进行分布拟合处理，并使用贝叶斯线性模型对分布拟合处理后的车辆到达历史数据进行学习，从而得到历史数据中车辆到达分布参数变化的周期性参数；其次对车辆到达实时数据进行分布拟合处理，并使用贝叶斯线性模型对分布拟合处理后的实时数据进行处理，以得到实时状态下车辆分布参数；然后计算周期性参数与实时状态下的车辆到达分布参数的差值，以得到实时状态下的车辆到达分布参数的残差；最后使用小波变换对残差进行处理，以计算得到小波能量，小波能量的峰值表示当前交通流处于异常状态。
[0097]
使用上述方法，能够实现通过单一的交通流量来进行异常检测，对交通流异常状态的检测更加方便，且成本较低。
[0098]
实施例二：
[0099]
一种基于贝叶斯线性模型的公路交通流异常检测系统，基于本发明实施例一所述的一种基于贝叶斯线性模型的公路交通流异常检测方法，包括依次连接的数据预处理模块、分布拟合处理模块、分布参数提取模块、分布参数残差计算模块、小波能量计算模块；
[0100]
数据预处理模块，用于对车辆到达历史数据、实时数据进行预处理；
[0101]
分布拟合处理模块，用于对预处理后的车辆到达历史数据、实时数据进行分布拟合处理；
[0102]
分布参数提取模块，用于对分布拟合处理后的车辆到达历史数据进行学习，以得到历史数据中车辆到达分布参数变化的周期性参数，还用于对分布拟合处理后的车辆到达实时数据进行处理，以提取实时状态下的车辆到达分布参数；
[0103]
分布参数残差计算模块，用于计算周期性参数与实时状态下的车辆到达分布参数的差值，以得到实时状态下的车辆到达分布参数的残差；
[0104]
小波能量计算模块，用于使用小波变换对残差进行处理以计算得到小波能量，并基于小波能量的峰值以实现对公路交通流异常流量的检测。
[0105]
需要说明的是，本实施例提供的一种基于贝叶斯线性模型的公路交通流异常检测系统，与实施例一类似，在此不多做赘述。
[0106]
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的保护范围内。

技术特征：
1.基于贝叶斯线性模型的公路交通流异常检测方法，其特征在于，包括以下步骤：s1、对车辆到达历史数据进行预处理；s2、对预处理后的车辆到达历史数据进行分布拟合处理；s3、使用贝叶斯线性模型对分布拟合处理后的车辆到达历史数据进行学习，以得到历史数据中车辆到达分布参数变化的周期性参数；s4、对实时采集到的相应时间段内的车辆到达实时数据进行预处理，并对预处理后的车辆到达实时数据进行分布拟合处理，并使用贝叶斯线性模型对分布拟合处理后的车辆到达实时数据进行处理，以提取实时状态下的车辆到达分布参数；s5、计算周期性参数与实时状态下的车辆到达分布参数的差值，以得到实时状态下的车辆到达分布参数的残差；s6、使用小波变换对残差进行处理以计算得到小波能量，并基于小波能量的峰值以实现对公路交通流异常流量的检测。2.根据权利要求1所述的基于贝叶斯线性模型的公路交通流异常检测方法，其特征在于，对车辆到达历史数据、车辆到达实时数据进行预处理包括删除重复数据及异常数据、补全缺失数据。3.根据权利要求1所述的基于贝叶斯线性模型的公路交通流异常检测方法，其特征在于，步骤s2和步骤s4中所述的分布拟合处理中，包括步骤：采用kolmogorov-smirnow检验方法对分布拟合的结果进行评估，若评估通过则继续执行后续步骤，若评估不通过则重新对数据进行分布拟合。4.根据权利要求3所述的基于贝叶斯线性模型的公路交通流异常检测方法，其特征在于，车辆到达历史数据、车辆到达实时数据从高速公路收费系统中的etc交易数据中获得。5.根据权利要求4所述的基于贝叶斯线性模型的公路交通流异常检测方法，其特征在于，贝叶斯线性模型由观测方程和系统方程组成；其中观测方程为：p
lt
＝f
t
θ
t
+v
t
，v
t
～n(0,v
t
)，其中，p
lt
表示第l个etc门架在t时刻的观测矢量，f
t
表示t时刻对应的回归矩阵，θ
t
表示t时刻的系统方程，v
t
表示均值为0、方差为v
t
的观测误差，v
t
表示t时刻观测误差的随机变量噪声，n表示观察次数；系统方程为：θ
t
＝g
t
θ
t-1
+w
t
，w
t
～n(0,w
t
)，其中，g
t
表示t时刻对应的传递矩阵，θ
t-1
表示t-1时刻的系统方程，w
t
是均值为0、方差为w
t
的系统误差，w
t
表示t时刻系统误差的随机变量噪声；贝叶斯线性模型的变量表征表达式为：{f,g,v,w}
t
＝{f
t
,g
t
,v
t
,w
t
}，其中，f、g、v、w分别表示f
t
、g
t
、v
t
、w
t
这四个变量对应的集合。6.根据权利要求5所述的基于贝叶斯线性模型的公路交通流异常检测方法，其特征在于，使用最大似然估计对贝叶斯线性模型的参数进行求解，计算公式为：
其中，p
l
表示p
lt
的集合，p(θ,p
l
|f,g,v,w)、p(θ
t
|θ
t-1
)、p(p
lt
|θ
t
)均为条件概率方程。7.根据权利要求6所述的基于贝叶斯线性模型的公路交通流异常检测方法，其特征在于，步骤s6中，采用小波变换需要满足下列两个条件，条件一：条件二：其中，e表示小波能量，ψ(t)表示小波基函数。8.根据权利要求7所述的基于贝叶斯线性模型的公路交通流异常检测方法，其特征在于，小波变换公式为：其中，a表示控制小波伸缩的尺度参数，b表示控制小波沿时间维度移动的平移参数，w(a)是加权函数，x(t)表示t时刻下车辆到达分布参数的残差，表示小波基函数经平移、伸缩后的小波函数。9.根据权利要求8所述的基于贝叶斯线性模型的公路交通流异常检测方法，其特征在于，小波能量的计算公式为：10.基于贝叶斯线性模型的公路交通流异常检测系统，基于权利要求1-9任一项所述的基于贝叶斯线性模型的公路交通流异常检测方法，其特征在于，包括依次连接的数据预处理模块、分布拟合处理模块、分布参数提取模块、分布参数残差计算模块、小波能量计算模块；数据预处理模块，用于对车辆到达历史数据、实时数据进行预处理；分布拟合处理模块，用于对预处理后的车辆到达历史数据、实时数据进行分布拟合处理；分布参数提取模块，用于对分布拟合处理后的车辆到达历史数据进行学习，以得到历史数据中车辆到达分布参数变化的周期性参数，还用于对分布拟合处理后的车辆到达实时数据进行处理，以提取实时状态下的车辆到达分布参数；分布参数残差计算模块，用于计算周期性参数与实时状态下的车辆到达分布参数的差值，以得到实时状态下的车辆到达分布参数的残差；小波能量计算模块，用于使用小波变换对残差进行处理以计算得到小波能量，并基于小波能量的峰值以实现对公路交通流异常流量的检测。

技术总结
本发明属于交通流检测技术领域，具体涉及一种基于贝叶斯线性模型的公路交通流异常检测方法及系统，方法包括以下步骤：对车辆到达历史数据进行预处理；对预处理后的数据进行分布拟合处理；用贝叶斯线性模型对分布拟合处理后的数据进行学习，得到车辆到达分布参数变化的周期性参数；对实时采集的相应时间段内的车辆到达数据进行预处理，并对预处理后的数据进行分布拟合处理，使用贝叶斯线性模型对分布拟合处理后的数据进行处理，提取实时状态下的车辆到达分布参数；计算周期性参数与实时状态下参数的差值，得到实时状态下车辆到达分布参数的残差；使用小波变换对残差进行处理以计算得到小波能量，基于小波能量的峰值实现对交通流异常流量的检测。异常流量的检测。异常流量的检测。


技术研发人员：廖律超 李峥嵘 赵钊林 郑淇 肖菡堃 邹复民 甘振华 曾界茂 熊镕 江文霞
受保护的技术使用者：福建工程学院
技术研发日：2023.03.14
技术公布日：2023/6/27