徐红飞 李婧

摘  要：交通流异常检测通常要考虑时间信息、空间信息等信息，这让交通流异常检测变得具有挑战性。文章重点研究由交通事故、或短暂事件引起的非经常性交通异常检查。新提出的算法（GL-GCN）利用交通的时空数据，空间信息采用图卷积网络捕获，时间依赖性采用深度神经网络DeepGLO的方法建模。同时捕捉时空特性并建立预测交通流模型，利用异常分数来判断交通流异常。利用真实的交通流数据，证实了提出的模型具有有效性和优越性。

关键词：交通流;异常检测;深度神经网络;图卷积网络;时空特征

中图分类号：TP39         文献标识码：A 文章编号：2096-4706（2021）02-0070-06

Abstract：Traffic flow anomaly detection usually considers time information，spatial information and others，which makes traffic flow anomaly detection challenging. This paper focuses on the non-recurrent traffic anomaly inspection caused by traffic accidents or short-term events. The new algorithm（GL-GCN）uses the spatiotemporal data of traffic，the spatial information is captured by graph convolution network，and the time dependence is modeled by DeepGLO neural network. This algorithm captures spatiotemporal characteristics at the same time and establishes the traffic flow prediction model，and the traffic flow anomaly is judged by the anomaly score. The model is proved to be effective and superior by using the real traffic flow data.

Keywords：traffic flow;anomaly detection;deep neural network;graph convolutional network;spatiotemporal characteristics

0  引  言

異常检测是数据挖掘的一个重要分支，是发现数据集中异常的现象，在金融、安全、医疗、执法等领域有着广泛的应用。在交通工程领域，几十年来，在道路系统上安装了大量的交通监控设备，但是在这些交通状况数据的中，异常值是不可避免的[1]。通常异常值出现的原因包括两种，一种是由于设备故障等原因产生的错误数据或有效数据，另外一种导致异常值出现的原因可能代表特殊事件的发生，如交通事故或恶劣的天气条件。

交通流异常点或者异常序列在一定时间周期内，交通流数据与长期交通流数据偏离较大[2]。为了提高异常检测精度，一些研究应用了传统的机器学习来建立交通流异常检测模型，例如聚类、k-means、EM（Expectation-Maximization）[3]

等无监督模型和决策树，贝叶斯、支持向量机（support vector machine，SVM）[4]等有监督模型。还有一些学者利用LSTM（Long Short Term Memory networks）[5]、自动编码器[6]等深度神经网络提取交通流时间特征来检测交通流异常。……