一种多种类混合车流中车辆异常行为检测方法

本发明涉及交通数据处理，尤其是涉及一种多种类混合车流中车辆异常行为检测方法。

背景技术：

1、随着汽车产业的迅猛发展及居民经济状况的改善，城市中的机动车数量急剧上升。然而与此相比，城市道路网络的扩展发展滞后，导致了多种交通问题的出现，在众多交通事故案例中，引发事故的主要原因在于不适当的车辆驾驶行为。因此，为了确保城市道路交通系统的平稳和有序运行，及时识别并应对车流中的异常驾驶行为显得十分迫切。

2、现有的车辆异常行为检测技术主要分为四大类：针对特定异常类型的检测；针对单车异常驾驶行为的检测；针对车队、车排的异常检测；以及最近飞速发展的基于图网络的多车辆交通流异常检测。其中，针对特定异常类型的检测主要关注车辆的某一种特定行为，比如停车、跟车和转弯等，其缺陷在于泛化迁移性较差；

3、针对单车异常驾驶行为的检测主要针对场景中某一特定车辆的异常驾驶行为，通常不考虑周围其他车辆的影响；

4、针对车队、车排的异常检测则关注拥有特定队形的、相互之间有协同交互的车辆小队中是否存在异常，无法用于随机车流的异常行为检测；

5、基于图网络的多车辆交通流异常检测主要针对城市间的车流量、平均车速和需求量等统计数值，而针对车流中具体车辆、具体故障的研究则很少。

6、综上可知，现有研究中缺乏针对非固定队形随机车流、考虑车辆间交互行为、能同时对多个车辆的多种异常进行检测的方案。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种多种类混合车流中车辆异常行为检测方法，能够快速准确地对多种类车辆混合车流中不同种类的车辆异常行为进行检测，从而保障道路交通系统安全高效的运行。

2、本发明的目的可以通过以下技术方案来实现：一种多种类混合车流中车辆异常行为检测方法，包括以下步骤：

3、s1、获取道路上的车流信息，根据其内部特征，将其抽象为离散时间的动态异构图序列，用于后续机器学习模型学习和分析；

4、s2、设计使用了异构图注意力模块的长短期记忆网络模型，用于实现多种类节点问题的时序特征提取；

5、s3、基于步骤s2中长短期记忆网络模型，设计自编码器，通过节点重构误差，检测得到不符合正常车辆决策方式的离群异常行为。

6、进一步地，所述步骤s1具体包括以下步骤：

7、s11、获取目标道路上的连续车流数据，通过采样得到离散数据片段；

8、s12、对离散片段中每一个时刻的数据，根据每一辆车的个体数据和车辆之间的相对信息和交互信息，构建异构图数据；

9、s13、将步骤s12中离散异构图数据按时间顺序排序，得到离散时间的动态异构图序列。

10、进一步地，所述步骤s12具体包括以下步骤：

11、s121、对于当前时刻每一辆车，记录对应车速、加速度、坐标、所在车道的编号以及车辆的种类，以作为异构图中每个节点的特征；

12、s122、将图的邻接矩阵初始化为n阶单位矩阵，其中，n为该时刻车辆总数，定义固定常数最小纵向间距λx、最小车道差距λl，当两辆车之间纵向距离小于λx，或者车道差距小于λl时，则将邻接矩阵中的对应位置修改为1，代表这两辆车对应节点之间存在一条边。

13、进一步地，所述步骤s2具体是使用基于目标节点种类的异构图注意力模块，以代替传统长短期网络结构中门控单元的线形结构，使其能够以图结构的数据作为输入，进而提取动态图序列的时序特征。

14、进一步地，所述基于目标节点种类的异构图注意力模块用于对每个节点自身以及其周围信息进行特征提取，其异构图注意力计算公式为：

15、

16、其中，i为目标节点编号，j为源节点编号，hi和hj分别表示节点i和节点j的隐藏特征信息向量，tpi、tpj分别代表两节点的种类，表示种类为tpi的目标节点进行节点聚合时使用的可学习的注意力系数，是种类为tpi的节点特征对应的线性变换矩阵，||表示向量的拼接操作，neighbors(i)表示节点i的所有邻居节点；

17、注意力计算系数只和目标节点的种类相关，与源节点种类无关。

18、进一步地，所述步骤s2中长短期记忆网络模型具体为：

19、

20、

21、

22、

23、

24、ht＝ot⊙tanh(ct)

25、其中，为图注意力运算，⊙为哈达玛积运算，即两个维度相同的向量逐位相乘，ft、it、ot分别为使用hat改进的遗忘门、更新门和输出门，wfh、wfx为用于代替lstm遗忘门中原有矩阵乘法的图注意力运算，bf为人工设置的偏置项参数，wih、wix、bi、wch、wcx、bc、woh、wox、bo则分别对应了更新门、细胞状态映射、输出门中的相关模型和参数。

26、进一步地，所述步骤s3中设计的自编码器结构包括编码器和解码器，其中，编码器输入为每个时刻的图数据、输出为压缩后的图节点隐藏特征；解码器的输出为经过处理后的节点隐藏特征、输出为重构的图数据。

27、进一步地，所述自编码器结构的损失函数具体为：

28、

29、其中，分别为节点坐标、速度、加速度和车道标号的重构误差，使用均方根误差计算，使用交叉熵误差计算，λx、λv、λv、λl分别为预先设置的误差权重系数。

30、进一步地，所述步骤s3具体包括以下步骤：

31、s31、步骤s1生成的异构动态图序列数据的时间窗口长度为t，对编码器和解码器的隐藏状态进行初始化；

32、s32、依次将t个时刻的原始图数据输入到编码器中，保留最后一个时刻的输出；

33、s33、将编码器的输出作为观测值输入到解码器中t次，记录每一个时刻的解码器输出作为重构图数据；

34、s34、计算原始图数据和重构图数据中每一个节点的长期重构误差和短期重构误差；

35、s35、通过每个节点长期重构误差和短期重构误差进行异常诊断。

36、进一步地，所述长期重构误差即车辆在整个时间片段上的平均重构误差，计算公式为：

37、

38、其中，i为节点编号，t为动态图序列的时间窗口长度，为该节点在t时刻的重构误差，重构误差的计算方式与损失函数相同；

39、所述短期重构误差为车辆在连续三个时刻的重构误差均值中的最大值，计算公式为：

40、

41、所述步骤s35中具体是使用加权平均对长期重构误差和短期重构误差进行量化，得到总体重构误差，即：

42、

43、当某个节点的总体重构误差大于预设误差阈值时，则判定为存在离群异常行为。

44、与现有技术相比，本发明具有以下优点：

45、一、本发明首先获取道路上车流信息、并将其抽象为离散时间动态异构图序列，以用于后续机器学习模型学习和分析；之后设计使用了异构图注意力模块的长短期记忆网络模型，用于实现多种类节点问题的时序特征提取；最后基于长短期记忆网络模型设计了自编码器，以检测不符合正常车辆决策方式的离群异常行为。本发明使用异构图网络同时对车辆个体信息和车辆间的交互行为进行学习，能够快速准确地对多种类车辆混合车流中不同种类的车辆异常行为进行检测，同时支持扩展到拥有数千车辆级别的大型公路场景，从而保障道路交通系统安全高效的运行。

46、二、本发明考虑到道路交通车流系统是一个极为复杂的系统，车辆之间的联系会随着车流的运动逐渐改变，为了使用数学方法解决研究针对的问题，需要一种能够对车辆状态和运动轨迹，以及车辆之间的交互行为准确表述的公式化方法。故基于图论知识，通过采样、建图等步骤将动态车流信息抽象为离散时间动态异构图序列，使用节点表征数据反映车辆的个体信息，使用临界矩阵反映车辆之间的交互关系，同时使用动态图序列反映整个车流的动态变化，对所提问题进行足够精确的公式化建模，使其能够被被用于机器学习模型训练和预测。

47、三、本发明设计使用了异构图注意力模块的长短期记忆网络模型，通过基于目标节点类型的异构图注意力模块提取每个节点自身和周围环境特征；并使用异构图注意力模块替换了长短期网络中门控单元里的线性结构，使其能够处理图类型的数据，进而实现复杂混合车流时序信息的提取。

48、四、本发明设计了基于长短期记忆网络模型的自编码器，以对车流信息进行重构，并定义了一种基于重构误差的、同时考虑了车辆短期特征和长期特征的异常检测指标，进而实现了多种类车辆混合车流中的车辆异常行为检测。