区域异常检测方法及相关设备

本技术实施例涉及遥感监测领域，更具体地说，本发明涉及一种区域异常检测方法及相关设备。

背景技术：

1、城市区域异常通常是指发生在城市某个区域下的不寻常事件，如交通拥堵和意外人群聚集，如果不及时处理，会对公共安全和稳定构成巨大威胁。对于城市管理人员，如果能在早期及时报告城市区域异常情况，就能够及时采取措施，防止事故发生。因此，城市区域异常检测是极具价值的。

2、传统的区域异常检测方法，往往针对某一固定领域的时空信息进行挖掘，因此训练出的异常识别模型适用范围较小，同时由于异常事件的随机性和突发性，如何设计出一种适用范围广的、精准的城市区域异常挖掘方法是一个问题。

3、目前，城市区域异常检测的方法，主要可以分为以下三类：基于张量因子分解算法的异常区域检测方法，基于交通流特征统计的区域异常检测方法和基于时空特征挖掘的异常区域检测方法。城市数据通常包含多个维度的信息，例如时间和位置信息，这些多维特征可以用张量进行表示。因此，张量因子分解算法是进行城市区域异常检测主要方法之一。基于交通流特征统计的方式；该方法主要通过判断区域内多个交通流特征与相应阈值之间的关系进行异常检测。另外还有挖掘城市数据时空特征的分析方法是异常区域检测的主流方法；该方法主要通过从城市数据中提取信息构造或学习时空特征，并与当前区域交通流信息对比，检测当前区域的异常。

4、上述三种异常区域检测方法成功执行的前提是需要收集整个城市子区域多个时间段的城市数据信息。然而，整个区域的城市数据特征是难以收集的，无论是基于检测器的方式或是基于轨迹统计的方式。由于成本的原因检测器不可能覆盖整个城市区域，导致区域交通流信息难以获得；而基于轨迹统计的方式很难精确的收集交通流特征。其次，城市区域的划分有时也会动态变化，这对基于时空特征挖掘的方法来说更是一个挑战。

技术实现思路

1、在技术实现要素：部分中引入了一系列简化形式的概念，这将在具体实施方式部分中进一步详细说明。本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。

2、为了解决由于城市数据难以准确全面的获得，同时城市区域数据中出现异常的概率较小，并且城市区域划分也会变化，导致传统的城市区域特征挖掘方案难以有效适用的问题，第一方面，本发明提出一种区域异常检测方法，上述方法包括：

3、获取目标城市的poi信息；

4、对所述poi信息进行最大密度聚类应用获得多个poi簇；

5、基于所述目标城市的每个poi簇的当前人流数据和当前通信数据通过poi簇异常分析模型确定poi簇的异常情况，以对所述目标城市的各个区域进行异常检测。

6、可选的，所述对所述poi信息进行最大密度聚类应用获得多个poi簇，包括：

7、对所述poi信息进行最大密度聚类应用，选择密度最大的点作为poi簇中心以获得多个poi簇。

8、可选的，所述poi簇异常分析模型是通过每个poi簇的所属区域的历史人流数据和历史通信数据基于lstm+gan模型训练获得的。

9、可选的，所述基于所述目标城市的每个poi簇的当前人流数据和当前通信数据通过poi簇异常分析模型确定poi簇的异常情况，以对所述目标城市的各个区域进行异常检测，包括：

10、基于所述目标城市的每个poi簇的当前人流数据、当前通信数据、历史人流数据和历史通信数据通过poi簇异常分析模型确定poi簇的异常情况，以对所述目标城市的各个区域进行异常检测。

11、可选的，所述基于所述目标城市的每个poi簇的当前人流数据、当前通信数据、历史人流数据和历史通信数据通过poi簇异常分析模型确定poi簇的异常情况，以对所述目标城市的各个区域进行异常检测，包括：

12、将与所述目标城市的每个poi簇的所述当前人流数据和当前通信数据处于同一时段的历史人流数据和历史通信数据输入poi簇异常分析模型的生成器generator中生成所述目标城市的每个poi簇的当前的理论预测人流数据和理论预测通信数据；

13、将所述目标城市的每个poi簇的当前的理论预测人流数据和理论预测通信数据与所述当前人流数据和当前通信数据进行比对分析，以对所述目标城市的各个区域进行异常检测。

14、可选的，所述基于所述目标城市的每个poi簇的当前人流数据、当前通信数据、历史人流数据和历史通信数据通过poi簇异常分析模型确定poi簇的异常情况，以对所述目标城市的各个区域进行异常检测，包括：

15、将与所述目标城市的每个poi簇的所述当前人流数据和当前通信数据处于同一时段的历史人流数据和历史通信数据输入poi簇异常分析模型的判别器discriminator中生成一个正常分数；

16、将所述正常分数与比较阈值n进行对比分析，以对所述目标城市的各个区域进行异常检测。

17、可选的，所述基于所述目标城市的每个poi簇的当前人流数据和当前通信数据通过poi簇异常分析模型确定poi簇的异常情况，以对所述目标城市的各个区域进行异常检测，包括：

18、对所述目标城市中每个区域下辖的poi簇进行异常统计；

19、基于目标城市中每个区域下辖的poi簇的在目标区域中异常占比确定所述目标区域异常情况。

20、第二方面，本发明还提出一种区域异常检测装置，包括：

21、获取单元，用于获取目标城市的poi信息；

22、处理单元，用于对所述poi信息进行最大密度聚类应用获得多个poi簇；

23、研判单元，用于基于所述目标城市的每个poi簇的当前人流数据和当前通信数据通过poi簇异常分析模型确定poi簇的异常情况，以对所述目标城市的各个区域进行异常检测。

24、第三方面，一种电子设备，包括：存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器用于执行存储器中存储的计算机程序时实现如上述的第一方面任一项的区域异常检测方法的步骤。

25、第四方面，本发明还提出一种计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时实现第一方面上述任一项的区域异常检测方法。

26、综上，本技术提出的区域异常检测方法，通过获取目标城市的poi信息；对所述poi信息进行最大密度聚类应用获得多个poi簇；基于所述目标城市的每个poi簇的当前人流数据和当前通信数据通过poi簇异常分析模型确定poi簇的异常情况，以对所述目标城市的各个区域进行异常检测。由此，poi数据丰富且易于获取，来源广泛。poi数据随着城市的发展和变化不断更新，可以反映城市区域的动态变化。利用最新的poi数据进行异常检测，可以及时捕捉到城市中新的热点区域和潜在的异常情况。通过密度聚类，可以将城市中的poi进行分组，形成多个高密度的簇区域。这些簇可以有效代表城市中的人流热点区域，有助于减少数据量并提高处理效率。通过聚类后的高密度poi簇，可以精确定位城市中的热点区域，减少噪音数据对检测结果的影响。不同数据源的结合可以提供更全面的区域状况，增强检测模型的鲁棒性。可以实时监控城市中各个区域的人流和通信情况，及时发现异常，帮助城市管理者采取有效措施应对突发事件，提高城市管理的效率和安全性。这种方法通过聚类和异常检测相结合，能够有效应对城市中数据量大、异常事件多样性等挑战，提供了一种高效、精确的城市区域异常检测方案。

27、本发明的区域异常检测方法，本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。