中图分类号：TP183 文献标识码：A DOI：10.7535/hbkd.2025yx03003

Research on anomaly detection model for traffic time series data integrating multiple mechanisms

ZHANG Peipei，LIU Jiaqi

（SchoolofEconomicsandManagement，NorthChinaUniversityofScienceandTechnology，Tangshan，HebeiO63oo，China）

Abstract：Toenhancetheanomalyrecognitionabilityof trafictimeseriesdata，ahybrid modelwasconstructed.Firstly，the multi-headatention，residualsandprobabiliticsparseself-atentionwerecombined toformaglobalfeaturerecognition（GFR） module，enhancing theability whilereducingcomputationalcomplexity.Secondly，the dilated convolutionandmulti-scale convolution werecombined to formalocalfeaturerecognition（LFR）module，furtheroptimizing local featureextraction. Thirdly，the FreeRunning training strategy wasused to improve model robustness.Fourthly，the modules and training strategy werecombined withLSTM，whiletheresultof theself-atention mechanismreplaced theLSTM input gate，soas to optimize long sequence memoryabilityand reducecomputing complexity.Finally，a multivariate Gausian distribution probabilityfunction wasused to discriminateanomalies.Theresults show that ading each moduleon the basis of LSTM significantly improvesthemodel'spredictionandanomalydetectionability；Comparedwiththegeneralhybridmodel Transformer-Bi-LSTM，the proposed model hasstronger prediction abilityandlowercomputational complexity.The proposed modelperformsefectivelyinrecognizingboth globalandlocalanomalies in trafictime seriesdata，which provides reference forimproving the operational efficiency and safety of the traffic system.

Keywords：computer neural networks；long sequence time-series data;anomaly detection; attention mechanism;LSTM

在交通领域，交通时序数据异常检测至关重要。这类数据包括交通流量、速度和占有率等信息，其异常检测对保障交通安全、优化资源和提升交通效率意义重大。深度学习模型（如RNN、LSTM和Transformer）被广泛用于异常检测[1]，通过学习数据模式和长期依赖关系，比较预测值与实际值，来判断异常[2]。然而，交通数据动态性强、复杂度高，受多种因素干扰[3]，需识别全局和局部特征异常[4]。1）全局特征检测问题：传统RNN难以处理长期依赖问题，LSTM虽有改进，但对极长序列的处理仍有限制[5]，Transformer虽能捕捉远距离依赖[6]，但计算复杂度高，不利于超长序列处理[7]。2）局部特征检测问题：卷积层虽能提取局部特征[8]，但因卷积核感受野固定，难以捕捉多尺度特征[9]。3）混合模型问题：如 Transformer-Bi-LSTM混合模型虽能提升预测能力[10]，但在局部特征提取、鲁棒性和计算效率方面仍有不足。针对上述问题，本文提出一种混合模型，旨在优化交通时序数据的异常检测能力。

1 模型设计

交通时序数据的复杂性使得交通数据的预测极具挑战性，单一方法难以满足高效、精准的预测需求。为此，本文提出的交通时序数据预测模型融合了三大核心模块：1）全局特征识别（global feature recognition，GFR）模块，通过集成 Transformer的多头注意力、残差和概率稀疏自注意力机制，在精准提取全局特征的同时降低计算复杂度;2）局部特征识别（local feature recognition，LFR）模块，结合膨胀卷积和多尺度卷积技术，灵活捕捉交通数据中的局部细节特征，优化局部特征提取效果;3）FreeRunning 训练策略，增强模型训练的鲁棒性。……