非现场执法系统异常检测方法及装置、电子设备、存储介质与流程

本申请涉及计算机技术领域，特别涉及一种非现场执法系统异常检测方法及装置、电子设备、计算机可读存储介质。

背景技术：

随着电子监控设备的大范围使用，非现场执法系统已经成为交警部门交通行政执法的主要手段。非现场执法系统可以快速检测出道路上的车辆信息（比如：车牌号）并识别车辆的交通违法行为。非现场执法系统可以包括位于不同地理位置以及针对不同交通违法类型的监控点，该监控点包括进行交通违法系统识别并抓拍违法证据的监控设施。

非现场执法系统的各监控点在运行过程中，可能因为设备老化、人为干扰破坏、软件配置出错等因素导致运行异常。为避免非现场执法系统运行异常导致无法准确识别交通违法行为，亟需一种针对非现场执法系统的异常检测方案。

此外，在对非现场执法系统进行异常检测时，现有技术通常采用一套固定的检测流程，检测过程中的一些关键参数都是固定不变的。然而非现场执法系统中不同的监控点特性均有所不同，且随着监控点设备的长时间运行和老化，原有的检测参数会对监控点的实时状况不再适用，采用现有技术中固定检测参数的方法会显著影响非现场执法系统异常检测的准确性。

技术实现要素：

本申请实施例的目的在于提供一种非现场执法系统异常检测方法及装置、电子设备、计算机可读存储介质，用于检测运行异常的非现场执法系统。

一方面，本申请提供了一种非现场执法系统异常检测方法，包括：

针对非现场执法系统中的目标监控点，获取待检测日期和预设日期数量的邻近历史日期的各单位时段抓拍率；其中，所述邻近历史日期是与所述待检测日期邻近的历史日期；

基于所述单位时段抓拍率构建与所述待检测日期和各邻近历史日期对应的抓拍率时间序列；

计算所述待检测日期和各邻近历史日期对应的抓拍率时间序列两两之间的序列距离；

根据所述序列距离进行谱聚类；

依据谱聚类结果判断所述目标监控点在所述待检测日期是否异常。

在一实施例中，所述谱聚类结果包括指定数量的簇；

所述依据所述谱聚类结果判断所述目标监控点在所述待检测日期是否异常，包括：

依据与所述待检测日期对应的簇计算目标概率；

判断所述目标概率是否不大于正常概率阈值；

若是，确定所述目标监控点在所述待检测日期存在异常。

在一实施例中，所述正常概率阈值根据所述目标监控点对应的监控点类型、使用时长和历史阈值均值确定；

其中，所述监控点类型至少包括安全监控点、一般监控点和特殊监控点；

所述使用时长根据所述目标监控点投入使用的日期和所述待检测日期确定；

所述历史阈值均值为所述目标监控点历次进行异常检测时采用的正常概率阈值的平均值。

在一实施例中，所述获取待检测日期和预设日期数量的邻近历史日期的各单位时段抓拍率，包括：

获取所述待检测日期的各单位时段抓拍率；

确定所述待检测日期之前预设日期数量的候选历史日期；

判断预设历史抓拍率数据库中所述候选历史日期是否被标注为异常；

若存在任一候选历史日期被标注为异常，在已确定的候选历史日期的基础上向前补齐，直到确定未被标注为异常的预设日期数量的邻近历史日期；

从所述历史抓拍率数据库中获取所述邻近历史日期的各单位时段抓拍率。

在一实施例中，所述根据所述序列距离进行谱聚类，包括：

以所述待检测日期和所述邻近历史日期构建无向权重图，基于所述序列距离确定所述无向权重图对应的邻接矩阵；

依据所述邻接矩阵确定所述无向权重图的度矩阵和拉普拉斯矩阵；

根据所述度矩阵和所述拉普拉斯矩阵计算最大的指定数量的特征值，以及对应于所述特征值的特征向量；

从所述特征向量中确定多个样本，并对所述多个样本进行聚类，获得谱聚类结果。

在一实施例中，所述基于所述序列距离确定所述无向权重图对应的邻接矩阵，包括：

以所述待检测日期和所述邻近历史日期为所述无向权重图的顶点，以每一顶点的基础分析参数和所述顶点与其它顶点之间的序列距离，构建对应于每一顶点的计算参数；

依据高斯核函数对每两个顶点的计算参数进行计算，获得两个顶点之间的权重；

基于每两个顶点之间的权重构建所述邻接矩阵。

在一实施例中，所述基于所述序列距离确定所述无向权重图对应的邻接矩阵，包括：

以所述待检测日期和所述邻近历史日期为所述无向权重图的顶点，对每两个顶点之间的序列距离进行归一化处理，获得两个顶点之间的权重；

基于每两个顶点之间的权重构建所述邻接矩阵。

另一方面，本申请还提供了一种非现场执法系统异常检测装置，包括：

获取模块，用于针对非现场执法系统中的目标监控点，获取待检测日期和预设日期数量的邻近历史日期的各单位时段抓拍率；其中，所述邻近历史日期是与所述待检测日期邻近的历史日期；

构建模块，用于基于所述单位时段抓拍率构建与所述检测日期和各邻近历史日期对应的抓拍率时间序列；

计算模块，用于计算所述待检测日期和各邻近历史日期对应的抓拍率时间序列两两之间的序列距离；

聚类模块，用于根据所述序列距离进行谱聚类；

判断模块，用于依据谱聚类结果判断所述目标监控点在所述待检测日期是否异常。

进一步，本申请还提供了一种电子设备，所述电子设备包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行上述非现场执法系统异常检测方法。

另外，本申请还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序可由处理器执行以完成上述非现场执法系统异常检测方法。

本申请方案，根据待检测日期和邻近历史日期的单位时段抓拍率构建抓拍率时间序列后，计算所述待检测日期和各邻近历史日期对应的抓拍率时间序列两两之间的序列距离，并对序列距离进行谱聚类，从而可以依据谱聚类结果判断目标监控点在待检测日期的抓拍率与邻近历史日期的抓拍率是否足够近似，进而可以确定目标监控点在待检测日期是否异常。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍。

图1为本申请一实施例提供的非现场执法系统异常检测方法的应用场景示意图；

图2为本申请一实施例提供的电子设备的结构示意图；

图3为本申请一实施例提供的非现场执法系统异常检测方法的流程示意图；

图4为本申请一实施例提供的单位时段抓拍率的获取方法的流程示意图；

图5为本申请一实施例提供的谱聚类的执行方法的流程示意图；

图6为本申请一实施例提供的判断异常方法的流程示意图；

图7为本申请一实施例提供的切图示意图；

图8为本申请一实施例提供的一段时间内的抓拍率统计图；

图9为本申请一实施例提供的一天内的单位时段抓拍率统计图；

图10为本申请一实施例提供的一段时间内的单位时段抓拍率统计图；

图11为本申请一实施例提供的一段时间内单位时段抓拍率的分布曲线示意图；

图12为本申请一实施例提供的一段时间内单位时段抓拍率的分布曲面示意图；

图13为本申请一实施例提供的非现场执法系统异常检测装置的框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

图1为本申请实施例提供的非现场执法系统异常检测方法的应用场景示意图。如图1所示，该应用场景包括客户端20和服务端30；客户端20可以是非现场执法系统的监控点设施，用于向服务端30上报抓拍到的交通违法数据；服务端30可以是服务器、服务器集群或云计算中心，可以依据客户端上传的交通违法数据检测非现场执法系统的各监控点设施是否存在异常。

如图2所示，本实施例提供一种电子设备1，包括：至少一个处理器11和存储器12，图2中以一个处理器11为例。处理器11和存储器12通过总线10连接，存储器12存储有可被处理器11执行的指令，指令被处理器11执行，以使电子设备1可执行下述的实施例中方法的全部或部分流程。在一实施例中，电子设备1可以是上述服务端30，用于执行非现场执法系统异常检测方法。

存储器12可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（staticrandomaccessmemory，简称sram），电可擦除可编程只读存储器（electricallyerasableprogrammableread-onlymemory，简称eeprom），可擦除可编程只读存储器（erasableprogrammablereadonlymemory，简称eprom），可编程只读存储器（programmablered-onlymemory，简称prom），只读存储器（read-onlymemory，简称rom），磁存储器，快闪存储器，磁盘或光盘。

本申请还提供了一种计算机可读存储介质，存储介质存储有计算机程序，计算机程序可由处理器11执行以完成本申请提供的非现场执法系统异常检测方法。

参见图3，为本申请一实施例提供的非现场执法系统异常检测方法的流程示意图，如图3所示，该方法可以包括以下步骤310-步骤350。

步骤310：针对非现场执法系统中的目标监控点，获取待检测日期和预设日期数量的邻近历史日期的各单位时段抓拍率；其中，所述邻近历史日期是与所述待检测日期邻近的历史日期。

其中，目标监控点为被执行异常检测的监控点。

非现场执法系统的服务端可以每日对各监控点进行异常检测。待检测日期为被用于判断目标监控点是否异常的日期，示例性的，各监控点每日向服务端上报抓拍到的交通违法数据（包括车牌号和对应于车牌号的交通违法行为）和车流量，服务端可以依据交通违法数据和车流量检测监控点在当日是否异常，当日即为待检测日期。

历史日期是待检测日期之前的日期。邻近历史日期是与待检测日期邻近的历史日期，示例性的，待检测日期为2020年6月15日，则在此之前的日期均为历史日期，与该待检测日期邻近的2020年6月14日、2020年6月13日、2020年6月12日等均可认为是邻近历史日期。

日期数量可以基于经验配置，示例性的，日期数量可以是6、13或29等。

单位时段抓拍率是单位时段内的抓拍率；每天可分为多个单位时段，单位时段可以基于经验划分，示例性的，单位时段可以是1小时，此时，每个日期存在24个单位时段抓拍率。抓拍率是一定时间段内监控点检测到的违法车辆的数量与车流量的比值。

步骤320：基于单位时段抓拍率构建与待检测日期和各邻近历史日期对应的抓拍率时间序列。

服务端获得待检测日期的单位时段抓拍率、每一邻近历史日期的单位时段抓拍率后，可以构建对应于待检测日期的抓拍率时间序列和对应于每一邻近历史日期的抓拍率时间序列。

示例性的，日期数量为6，单位时段为1小时，服务端可以依据待检测日期的24个单位时段抓拍率构建24维的抓拍率时间序列，并依据待检测日期之前6个邻近历史日期的24个单位时段抓拍率构建6个24维的抓拍率时间序列，总共得到与待检测日期和各邻近历史日期对应的7个抓拍率时间序列。

步骤330：计算所述待检测日期和各邻近历史日期对应的抓拍率时间序列两两之间的序列距离。

序列距离用于表示两个抓拍率时间序列之间的差异。示例性的，序列距离可以是欧式距离、动态时间规整（dynamictimewarping，dtw）等。

序列距离可以通过如下公式（1）来表示：

（1）

其中，dij表示第i个抓拍率时间序列与第j个抓拍率时间序列之间的序列距离；yit表示第i个抓拍率时间序列中第t个单位时段抓拍率；yjt表示第j个抓拍率时间序列中第t个单位时段抓拍率。

示例性的，如果以待检测日期对应的抓拍率时间序列和6个邻近历史日期对应的抓拍率时间序列来计算序列距离，参见如下表1，为计算出的所有序列距离。

表1

表1中序号为7的日期可以指示待检测日期，序号6至1表示距待检测日期由近及远的邻近历史日期。

步骤340：根据序列距离进行谱聚类。

服务端计算出待检测日期和各邻近历史日期对应的抓拍率时间序列两两之间的序列距离之后，可以以序列距离作为样本，进行谱聚类，从而获得谱聚类结果。谱聚类结果包括若干簇，簇的数量可以预先配置。示例性的，谱聚类结果可以包括两个簇，每一簇包括若干样本，簇中样本与日期一一对应。

步骤350：依据谱聚类结果判断目标监控点在待检测日期是否异常。

服务端可以依据谱聚类结果确定待检测日期对应的抓拍率时间序列与邻近历史日期对应的抓拍率时间序列之间的近似程度，并在近似程度低的情况下确定目标监测点在待检测日期存在异常。

在一实施例中，参见图4，为本申请一实施例提供的单位时段抓拍率的获取方法的流程示意图，如图4所示，服务端在获取单位时段抓拍率时，可以执行如下步骤311-步骤315。

步骤311：获取待检测日期的各单位时段抓拍率。

服务端可以依据目标上报的待检测日期中各单位时段的交通违法数据和车流量，计算出各单位时段抓拍率。

步骤312：确定待检测日期之前预设日期数量的候选历史日期。

服务端可以依据待检测日期和日期数量，在待检测日期的基础上往前确定出候选历史日期。这里，候选历史日期用于选择邻近历史日期。

示例性的，日期数量是6，待检测日期为2020年6月15日，则候选历史日期为2020年6月14日、2020年6月13日、2020年6月12日、2020年6月11日、2020年6月10日、2020年6月9日。

步骤313：判断预设历史抓拍率数据库中候选历史日期是否被标注为异常。

其中，历史抓拍率数据库用于记录非现场执法系统各监控点每日的单位时段抓拍率。当监控点在任一日期被检测出异常时，服务端可在历史抓拍率数据库为该监控点该日期添加异常标识，该异常标识指示监控点在该日期存在异常。

步骤314：若存在任一候选历史日期被标注为异常，在已确定的候选历史日期的基础上向前补齐，直到确定未被标注为异常的预设日期数量的邻近历史日期。

步骤315：从历史抓拍率数据库中获取邻近历史日期的各单位时段抓拍率。

一方面，若所有候选历史日期均未被标注为异常，服务端可以确定候选历史日期均为邻近历史日期。另一方面，若候选历史日期中存在被标注为异常的候选历史日期，服务端可以在候选历史日期的基础上向前补齐。服务端可以基于标注为异常的候选历史日期的数量，选择作为补充的候选历史日期，并判断补充的候选历史日期在历史抓拍率数据库中是否被标注为异常。经过若干次查找后，服务端可以确定满足日期数量的邻近历史日期。

示例性的，日期数量是6，待检测日期为2020年6月15日，候选历史日期为2020年6月14日、2020年6月13日、2020年6月12日、2020年6月11日、2020年6月10日、2020年6月9日，服务端确定2020年6月10被标注为异常后，可以选择2020年6月8日作为补充的候选历史日期，当确定2020年6月8日未被标注为异常后，可以确定邻近历史日期为2020年6月14日、2020年6月13日、2020年6月12日、2020年6月11日、2020年6月9日、2020年6月8日。

服务端在确定邻近历史日期后，可以从历史抓拍率数据库中获取每一邻近历史日期的各单位时段抓拍率。

通过上述措施，可以避免目标监控点在异常运行时的抓拍率对待检测日期的异常检测产生干扰，提升了异常检测的准确性。

在一实施例中，参见图5，为本申请一实施例提供的谱聚类的执行方法的流程示意图，如图5所示，服务端在根据序列距离进行谱聚类时，可以执行如下步骤341-步骤344。

步骤341：以待检测日期和邻近历史日期构建无向权重图，基于序列距离确定无向权重图对应的邻接矩阵。

服务端可以依据待检测日期和邻近历史日期构建无向权重图。该无向权重图可表示为g=（v，e），v为数据集{vi-n+1，vi-n+2,……,vi}，数据集v中的样本点表示无向权重图的顶点，vi表示待检测日期，vi-n+1到vi-1表示邻近历史日期，n是日期数量加一的数值，表示用于计算的所有日期的数量。e为数据集{（vi,vj）|（vi,vj）∈v×v,vivj}，数据集e中包括数据集v中任意两个样本点vi和vj之间的权重，该权重可表示为wij。

服务端可以依据已经计算出的序列距离确定各个权重，从而以所有计算出的权重构建无向权重图对应的邻接矩阵。邻接矩阵w可表示为：

对于n个日期，可以得到尺度为n*n的邻接矩阵。

步骤342：依据邻接矩阵确定无向权重图的度矩阵和拉普拉斯矩阵。

服务端可以依据邻接矩阵计算出无向权重图的度矩阵。度矩阵d可表示为：

其中，度矩阵d中的元素可通过如下公式（2）来计算：

（2）

这里，wij为邻近矩阵w中的元素。

在获得度矩阵之后，服务端可以依据度矩阵和邻接矩阵，计算出无向权重图的拉普拉斯矩阵l，计算方式可通过如下公式（3）来表示：

（3）

其中，d为度矩阵，w为邻接矩阵。

步骤343：根据度矩阵和拉普拉斯矩阵计算最大的指定数量的特征值，以及对应于特征值的特征向量。

服务端可以以广义特征值公式对度矩阵和拉普拉斯矩阵进行计算，计算方式可通过如下公式（4）来表示：

（4）

其中，l为拉普拉斯矩阵，d为度矩阵，u为特征向量，λ为特征值。

服务端可以计算出多个特征值以及对应于特征值的特征向量，并选择最大的指定数量的特征值以及对应于特征值的特征向量。示例性的，指定数量为2，服务端可以从计算出的特征值中选择最大特征值λ1和λ2（λ1≥λ2），并确定与特征值λ1对应的特征向量u1、与特征值λ2对应的特征向量u2。特征向量均包含n个元素，n即为用于计算的日期数。

步骤344：从特征向量中确定多个样本，并对多个样本进行聚类，获得谱聚类结果。

服务端可以根据指定数量的特征向量构建特征矩阵，特征矩阵u∈r^n×2。服务端可将特征矩阵u中行向量转换为单位向量，得到矩阵y。矩阵y中的元素可通过特征矩阵u中的元素通过如下公式（5）计算得到：

（5）

其中，yij表示矩阵y中第i行第j列的元素，uij表示特征矩阵u中第i行第j列的元素。

矩阵y中每一行可看做是r²空间的一个点，每一点与用于计算的n个日期一一对应。若待检测日期的序号为n，则邻近历史日期的序号可分别表示为1、2、……、n-1。

服务端可以通过k均值聚类算法将r²空间中的点划分为c1和c2两个簇，每个簇中包含若干r²空间的点。此时，获得谱聚类结果。

在一实施例中，服务端在基于序列距离确定无向权重图的邻接矩阵时，可以以待检测日期和邻近历史日期为无向权重图的顶点，以每一顶点的基础分析参数和顶点与其它顶点之间的序列距离，构建对应于每一顶点的计算参数。

一种情况下，每一顶点的基础分析参数可以是该顶点的序号，也就是顶点对应日期的序号。示例性的，待检测日期和n-1个邻近历史日期的序号分别为n、n-1、……、2、1。相应的，各顶点的基础分析参数分别为n、n-1、……、2、1。

对于任一顶点而言，服务端可以累加该顶点与其它各顶点之间的序列距离，计算方式可通过如下公式（6）来表示：

（6）

其中，disti为第i个顶点与其它顶点的序列距离之和，dji为第i个顶点与第j个顶点之间的序列距离。

服务端可以依据顶点的序号和对应的序列距离之和，构建顶点的计算参数。对于第i个顶点而言，计算参数dti可表示为（i，disti）。

另一种情况下，每一顶点的基础分析参数可以是该顶点对应日期的多个单位时段抓拍率的主成分分析综合得分。

服务端可以对待检测日期和n-1个邻近历史日期的多个单位时段抓拍率分布进行主成分分析。针对每一日期，确定该日期对应的若干单位时段抓拍率作为主成分，并计算出主成分分析综合得分zi。这里，作为主成分的数量可以是经验值，示例性的，每一日期有24个单位时段抓拍率，可通过主成分分析从中确定4个单位时段抓拍率作为该日期抓拍率的主成分。

服务端可以依据顶点对应的主成分分析综合得分和对应的序列距离之和，构建顶点的计算参数。对于第i个顶点而言，计算参数dti可表示为（zi，disti）。以主成分分析的方式构建计算参数，可以从每一日期多个单位时段抓拍率中确定出代表性数据（比如一天中早中晚行车高峰期的数据），并以代表性数据计算综合得分构成计算参数，参与到谱聚类分析中。

在获得每一顶点的计算参数之后，服务端可以依据高斯核函数对每两个顶点的计算参数进行计算，获得两个顶点之间的权重。计算方式可通过公式（7）来表示：

（7）

其中，wij表示第i个顶点与第j个顶点之间的权重，dti表示第i个顶点的计算参数，dtj表示第j个顶点的计算参数；σ为预设常数，在一实施例中，σ=1。

服务端可以依据计算出的每两个顶点之间的权重构建邻接矩阵w。

在一实施例中，服务端在基于序列距离确定无向权重图的邻接矩阵时，可以以待检测日期和邻近临时日期为无向权重图的顶点，对每两个顶点之间的序列距离进行归一化处理，获得两个顶点之间的权重。计算方式可通过公式（8）来表示：

（8）

其中，wij表示第i个顶点与第j个顶点之间的权重，dji为第i个顶点与第j个顶点之间的序列距离，dmin为所有序列距离中的最小值，dmax为所有序列距离中的最大值。

服务端可以依据计算出的每两个顶点之间的权重构建邻接矩阵w。

在一实施例中，参见图6，为本申请一实施例提供的判断异常方法的流程示意图，如图6所示，服务端在基于谱聚类结果判断异常时，可以执行如下步骤351-步骤353。

步骤351：依据与待检测日期对应的簇计算目标概率。

在获得谱聚类结果后，服务端可以确定待检测日期对应点所在的簇，并计算目标概率。计算方式可通过如下公式（9）来表示：

（9）

其中，pn表示目标概率，card(c1)表示簇c1中元素（点）的个数，card(c2)表示簇c2中元素（点）的个数；n表示用于聚类的点的总数，同时是待检测日期对应点的序号。

通过上述公式（9），服务端可以确定待检测日期对应的点所在簇中元素的个数，并依据该个数和点的总数计算出目标概率。

步骤352：判断目标概率是否不大于正常概率阈值。

步骤353：若是，确定目标监控点在待检测日期存在异常。

其中，所述正常概率阈值根据所述目标监控点对应的监控点类型、使用时长和历史阈值均值确定。可以理解的是，现有技术在进行监控点异常检测时也会采用阈值等关键参数，然而该参数在现有技术中往往时固定的，没有考虑到非现场执法系统中不同的监控点特性均有所不同，且随着监控点设备的长时间运行和老化，原有的检测参数会对监控点的实时状况不再适用，采用现有技术中固定检测参数的方法会显著影响非现场执法系统异常检测的准确性。

本发明实施例提供的正常概率阈值的确定方法，考虑到了监控点类型、使用时长和历史阈值均值等因素，在每一次根据对序列距离进行的谱聚类结果来确定目标监控点在所述待检测日期是否异常时，能够自适应地确定其中的关键参数，即正常概率阈值。本领域技术人员能够理解，在监控点设备刚投入使用时进行异常检测时的正常概率阈值，明显不适用于监控点设备投入使用多年后进行异常检测的情形。

具体而言，所述监控点类型至少包括安全监控点、一般监控点和特殊监控点。本发明实施例在自适应地确定正常概率阈值时，需要考虑监控点类型的因素，即监控点所处于的环境。

监控点类型为安全监控点，可以是指监控点设备所处于的环境有建筑物屋檐、树木等物体的遮挡，或其本身处于地下室、建筑物内部，此类监控点设备老化速度最慢，自然故障的概率最低，因此在对此类目标监控点进行异常检测时正常概率阈值应该设置为相对最低的值a1。

监控点类型为一般监控点，可以是指监控点设备所处于马路、地面停车场、岗亭等一般的室外场所，由于监控点设备在设计时考虑到了该类一般使用场景，因此此类监控点设备只需要考虑正常的老化或故障，因此在对此类目标监控点进行异常检测时正常概率阈值应该设置为相对较低的值a2。

监控点类型为特殊监控点，可以是指监控点设备所处于一些常年极高温或极低温、高海拔等极端环境下，此类监控点设备老化速度最快，自然故障的概率最高，因此在对此类目标监控点进行异常检测时正常概率阈值应该设置为相对最高的值a2。

可以理解的是，对于同一型号设备而言，在使用时长、历史阈值均值等其他因素相同的前提下，不同监控点类型的设备对应的正常概率阈值之间的关系为：a1<a2<a3。因此，本发明实施例提供的正常概率阈值自适应确定方法，可以在每一次根据对序列距离进行的谱聚类结果来确定目标监控点在所述待检测日期是否异常时，根据监控点类型根据自适应地确定正常概率阈值。监控点类型参数可以在监控点设备投入在固定位置使用时进行设置并记录在非现场执法系统的后台数据中。

此外，所述使用时长根据所述目标监控点投入使用的日期和所述待检测日期确定。本领域技术人员可以理解的是，对于单一监控点设备而言，随着使用时长的增加，监控设备老化就会越严重，期间遭到人为干扰破坏以及软件配置出错的情况也会增多。因此，为了将这一因素纳入到每一次根据对序列距离进行的谱聚类结果来确定目标监控点在所述待检测日期是否异常的计算中，可以认为使用时长越长，正常概率阈值相应地会越高。

此外，所述历史阈值均值为所述目标监控点历次进行异常检测时采用的正常概率阈值的平均值。历史阈值均值反映的是目标监控点历次进行异常检测时采用的正常概率阈值的变化趋势，引入历史阈值均值一方面可以避免单次异常检测时非正常数据波动和噪声，一方面可以体现出检测点设备随着设备老化、软件更新不及时等因素导致的性能的线性下降过程，整体可以使得正常概率阈值的确定更加准确。

对于非现场执法系统中的目标监控点的历次异常检测时采用的正常概率阈值，可以在每次检测后记录在非现场执法系统的后台数据中，在下一次进行异常检测时调用并实时计算平均值；也可以在每次检测完成后由后台更新历史阈值均值的最新取值，并保留在后台数据中作为该监控点的属性信息。

本发明实施例中的正常概率阈值根据所述目标监控点对应的监控点类型、使用时长和历史阈值均值确定，一种可能的实施方式如下：

首先，根据目标监控点对应的使用时长确定正常概率阈值的取值区间[xi,yi]。对于一个目标监控点而言，其预设有与使用时长对应的多个正常概率阈值的取值区间[x1,y1],[x2,y2],……[xn,yn]，其中i=[1,n]，各取值区间可以由厂家根据该设备的实际性能在出厂时进行设定，也可以由用户在投入使用该设备时根据该设备对的使用历史进行定制化的设定，本发明实施例不做具体限定。使用时长与正常概率阈值的取值区间的映射关系可以预先设置好保存在非现场执法系统的后台数据中。可以理解的是，[x1,y1]对应的使用时长最小，因此[x1,y1]的数值区间也最小；[xn,yn]对应的使用时长最大，因此[xn,yn]的数值区间也最大。

然后，可以根据目标监控点对应的监控点类型确定正常概率阈值的取值在取值区间[xi,yi]的哪个端点附近。例如，当监控点类型为安全监控点时，正常概率阈值的取值在端点xi附近；当监控点类型为特殊监控点时，正常概率阈值的取值在端点yi附近；当监控点类型为一般监控点时，正常概率阈值的取值在中间值(xi+yi)/2附近。

最后，根据历史阈值均值对正常概率阈值的最终取值在取值区间的端点或中间点附近进行微调，例如可以求取区间的端点值或中间点值与历史阈值均值两者之间的均值。

本发明实施例中的正常概率阈值的确定方法，基于监控点类型、使用时长和历史阈值均值等因素自适应地计算出正常概率阈值，使得在每一次根据对序列距离进行的谱聚类结果来确定目标监控点在所述待检测日期是否异常时，所采用的正常概率阈值更加准确，进而提高了非现场执法系统异常检测的准确性。

在确定了正常概率阈值之后，服务端可以判断目标概率是否不大于正常概率阈值。一种情况下，目标概率大于正常概率阈值，此时，可以认定目标监控点在待检测日期运行正常。另一种情况下，目标概率不大于正常概率阈值，此时，可以确定目标监控点在待检测日期存在异常。

在一实施例中，服务端获得谱聚类结果之后，可以根据谱聚类结果，以预设切图算法进行切割。这里，切图算法可以包括ncut切图算法。服务端对无向权重图进行切割后，可以展示切割得到的切割结果。该切割结果可以直观地表示目标监控点在待检测日期是否存在异常。

参见图7，为本申请一实施例提供的切图示意图。如图7所示，图7中的a为切割前的无向权重图，无向权重图中各个点对应于一个日期，除待检测日期以外还有6个历史邻近日期，图7中的b为切割后的无向权重图。切割后的无向权重图中待检测日期对应的点与其它点不属于同一簇，目标监控点在待检测日期存在异常。

下面以具体例子说明本申请方案。

参见图8，为本申请一实施例提供的一段时间内的抓拍率统计图，如图8所示，为某路段在2020年9月11日00：00至2020年9月24日24：00之间针对违章代码1352获取的抓拍率。从图8中可看出，每日抓拍率曲线呈现较强的周期性，抓拍率曲线与该路段的交通早中晚出行高峰存在相关关系。

参见图9，为本申请一实施例提供的一天内的单位时段抓拍率统计图，如图9所示，图8中指示路段在2020年9月12日当天各个单位时段的抓拍率与交通出行高峰存在相关关系。

图10为本申请一实施例提供的一段时间内的单位时段抓拍率统计图，如图10所示，图8中指示路段在2020年9月11日至2020年9月25日每一天的单位时段抓拍率的波动规律大体相似，只有2020年9月17日的单位时段抓拍率存在较大差异。

在这种情况下，可对2020年9月17日的抓拍率进行进一步的分析。参见图11，为本申请一实施例提供的一段时间内单位时段抓拍率的分布曲线示意图，如图11所示，2020年9月11日至2020年9月17日分别被标为序号1至7，其中，2020年9月17日的抓拍率曲线变化趋势与前6天的曲线变化趋势明显不同。

参见图12，为本申请一实施例提供的一段时间内单位时段抓拍率的分布曲面示意图，如图12所示，将图11中每日同一单位时段的单位时段抓拍率连接起来后，数据曲线构成一个抓拍率分布曲面，分析分布曲面的等高线图发现，每日同一单位时段的单位时段抓拍率相近。多日同一单位时段纵向对比发现，序号为7的日期（2020年9月17日）在第14到16小时的抓拍率与其余6天明显不同，曲面出现较大凹陷。

图13是本发明一实施例的一种非现场执法系统异常检测装置，如图13所示，该装置可以包括：

获取模块1410，用于针对非现场执法系统中的目标监控点，获取待检测日期和预设日期数量的邻近历史日期的各单位时段抓拍率；其中，所述邻近历史日期是与所述待检测日期邻近的历史日期；

构建模块1420，用于基于所述单位时段抓拍率构建与所述检测日期和各邻近历史日期对应的抓拍率时间序列；

计算模块1430，用于计算所述待检测日期和各邻近历史日期对应的抓拍率时间序列两两之间的序列距离；

聚类模块1440，用于根据所述序列距离进行谱聚类；

判断模块1450，用于依据所述谱聚类结果判断所述目标监控点在所述待检测日期是否异常。

上述装置中各个模块的功能和作用的实现过程具体详见上述非现场执法系统异常检测方法中对应步骤的实现过程，在此不再赘述。

在本申请所提供的几个实施例中，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（rom，read-onlymemory）、随机存取存储器（ram，randomaccessmemory）、磁碟或者光盘等各种可以存储程序代码的介质。