[发明专利]一种收费站交通流量异常检测方法

权利要求书

1.一种收费站交通流量异常检测方法，其特征在于，包括以下步骤：

步骤1，对每一辆通过收费站车辆的进出高速公路的数据进行处理；

步骤101对收费站的车辆原始通行数据进行预处理，进行数据清洗、数据精简、数据排序以及流量数据分时统计；

步骤102生成交通流量时间序列数据并对其进行处理，先从收费站的车辆原始通行数据生成交通流量时间序列数据；再对交通流量时间序列数据进行归一化和标准化处理；

步骤2，基于DBN的交通流预测：将步骤1所生成的时间序列数据作为输入，下一个时间段的交通流量为输出，采用DBN模型进行预测；

步骤3，通过计算预测的交通流与离散化处理的实际交通流的相对误差，判断所述相对误差是否超过异常的阈值，如果所述相对误差超过阈值，则该收费站当前的交通流量出现了异常，如果所述相对误差不超过阈值，则该收费站交通流量处于正常情况下。

2.根据权利要求1所述的收费站交通流量异常检测方法，其特征在于，所述数据包括信息时间、进出高速公路的收费站与收费金额，步骤101中，清除异常值数据、缺失值数据与明显问题数据。

3.根据权利要求2所述的收费站交通流量异常检测方法，其特征在于，步骤101中，从收费站的数据库中选出4个字段：进站时间、出站时间、进站站名以及出站站名用来按时间段精确统计收费站交通流量。

4.根据权利要求2所述的收费站交通流量异常检测方法，其特征在于，步骤102中，将经过清除异常值、明显问题数据与缺失值的数据按时间先后顺序进行排序；统计每个特征时间间隔中通过的车辆数目，特征时间间隔为1小时。

5.根据权利要求1所述的收费站交通流量异常检测方法，其特征在于，步骤102中，从步骤101处理后的收费站原始数据生成交通流量时间序列数据的操作流程如下：

先设置模型参数，所述模型参数包括输入模型用的测试集数量、特征数以及步长；

再生成训练集输入和输出，输入为m*n矩阵，m为样本数目，n为特征数目，输出为m*s矩阵，m为样本数目，s为步长。

6.根据权利要求5所述的收费站交通流量异常检测方法，其特征在于，步骤102中，将交通流量时间序列数据的训练集不同数据的同一特征映射到[0,1]之间，采用min-max归一化，其操作方法如下：

其中x_min＝Min(x₁,x₂,…,x_m)，x_max＝Max(x₁,x₂,…,x_m)。

7.根据权利要求6所述的收费站交通流量异常检测方法，其特征在于，步骤102中，对交通流量时间序列数据的训练集数据不同的特征进行伸缩变换操作，使得不同度量之间的特征具有可比性，

其中x₁为x_j中第一个值。

8.根据权利要求1所述的收费站交通流量异常检测方法，其特征在于，步骤2中，DBN模型分为训练模块、预测模块两个部分，训练模块对已知数据进行训练，学习时间序列数据的特征，生成模型的权重参数并以文件的形式保存，之后，预测模型将加载模型并使用时间序列数据预测出收费站下一个小时的交通流量。

9.根据权利要求1所述的收费站交通流量异常检测方法，其特征在于，步骤2中，训练模块的运行频率设置为1次/1月，预测模块的运行中首先按本发明中时间序列生成方法，将原始收费数据处理为过去24小时的时间序列数据，预测模型使用过去24小时的时间序列数据预测下1小时的交通流，预测模型的运行频率为1次/1小时。

10.根据权利要求1所述的收费站交通流量异常检测方法，其特征在于，步骤3中，离散化实际交通流量数据，计算公式如下：

其中，F_p是预测的交通流，F_m是实际的交通流，n是统计流量的时间间隔，即按n分钟统计交通流量并计算相对误差。