交通异常检测方法、装置、设备、介质及程序产品

本发明涉及城市智能交通检测，具体地涉及一种交通异常检测方法、装置、设备、介质和程序产品。

背景技术：

1、随着城市化进程的不断加速，交通拥堵、交通事故频繁发生等问题日益突出。为了解决这些问题，提高城市交通治理的效率，需要开展有效的交通数据分析和异常检测工作。然而，交通数据具有复杂多样的特征，例如数据规模大、数据种类繁多、数据来源广泛、数据质量可信度不确定性等，使得交通数据分析变得更加困难。此外，交通数据还存在时间序列相关性、空间相关性、动态变化等特征。因此，在交通治理中，异常检测是非常重要的一环，旨在及早发现问题并采取相应的措施，避免交通拥堵、交通事故等问题的发生。

技术实现思路

1、鉴于上述问题，本发明提供了一种交通异常检测方法、装置、设备、介质和程序产品。

2、根据本发明的第一个方面，提供了一种交通异常检测方法，包括：响应于接收到针对目标区域的多个路口处的待检测时段内的交通状态信息，基于图神经网络和长短时记忆网络对交通状态信息进行处理，得到交通状态特征向量；其中，交通状态特征向量融合了相邻路口的交通状态信息和预定时长内的历史交通状态信息；对交通状态特征向量进行重构处理，得到交通状态的趋势重构信息和交通状态的周期重构信息；对交通状态信息进行序列分解，得到交通状态的趋势信息和交通状态的周期信息；基于目标函数，根据交通状态的趋势重构信息、交通状态的周期重构信息、交通状态的趋势信息和交通状态的周期信息，得到重构损失值；以及响应于重构损失值大于预定阈值，确定目标区域的交通状态异常。

3、根据本发明的实施例，待检测时段包括t个时刻，t为大于1的整数；基于图神经网络和长短时记忆网络对交通状态信息进行处理，得到交通状态特征向量，包括：基于图神经网络，对第t时刻的交通状态信息进行处理，得到第t时刻的融合特征向量，其中，融合特征向量融合了相邻路口的交通状态信息；将第t时刻的融合特征向量、第t-1时刻的交通状态特征向量和第t-s时刻的交通状态特征向量输入长短时记忆网络，输出第t时刻的交通状态特征向量，其中，t为大于s小于等于t的整数，s为大于等于2小于t整数；以及将t个时刻的交通状态特征向量进行拼接，生成交通状态特征向量。

4、根据本发明的实施例，将第t时刻的融合特征向量、第t-1时刻的交通状态特征向量和第t-s时刻的交通状态特征向量输入长短时记忆网络，输出第t时刻的交通状态特征向量，包括：确定与第t-1时刻的交通状态特征向量对应的第一权重和与第t-s时刻的交通状态特征向量对应的第二权重；根据第t-1时刻的交通状态特征向量、第一权重、第t-s时刻的交通状态特征向量和第二权重，得到历史交通状态对当前交通状态的影响特征向量；以及对第t时刻的融合特征向量和历史交通状态对当前交通状态的影响特征向量进行处理，得到第t时刻的交通状态特征向量。

5、根据本发明的实施例，对交通状态特征向量进行重构处理，得到交通状态的趋势重构信息和交通状态的周期重构信息，包括：基于第一网络对交通状态特征向量进行重构处理，得到交通状态的趋势重构信息，其中，第一网络包括空间-时间卷积神经网络和图卷积网络，第一网络是利用样本历史交通状态数据中的趋势数据训练得到的；以及基于第二网络对交通状态特征向量进行重构处理，得到交通状态的周期重构信息，其中，第二网络包括空间-时间卷积神经网络和图卷积网络，第二网络是利用样本历史交通状态数据中的周期数据训练得到的。

6、根据本发明的实施例，基于目标函数，根据交通状态的趋势重构信息、交通状态的周期重构信息、交通状态的趋势信息和交通状态的周期信息，得到重构损失值，包括：基于损失函数，根据交通状态的趋势重构信息和交通状态的趋势信息，得到趋势重构损失值；基于损失函数，根据交通状态的周期重构信息和交通状态的周期信息，得到第一周期重构损失值；基于动态时间调整函数，根据交通状态的周期重构信息和交通状态的周期信息，得到第二周期重构损失值；以及根据第一周期重构损失值、第二周期重构损失值和趋势重构损失值，得到重构损失值。

7、根据本发明的实施例，上述方法还包括：分别提取趋势重构信息的目标维度信息、趋势信息的目标维度信息、周期重构信息的目标维度信息和周期信息的目标维度信息；基于目标函数，根据趋势重构信息的目标维度信息、趋势信息的目标维度信息、周期重构信息的目标维度信息和周期信息的目标维度信息，得到目标维度的重构损失值；以及响应于目标维度的重构损失值大于与目标维度对应的预定阈值，确定交通异常的异常类型。

8、本发明的第二方面提供了一种交通异常检测装置，包括：处理模块、重构模块、分解模块、损失计算模块和确定模块。处理模块，用于响应于接收到针对目标区域的多个路口处的待检测时段内的交通状态信息，基于图神经网络和长短时记忆网络对交通状态信息进行处理，得到交通状态特征向量；其中，交通状态特征向量融合了相邻路口的交通状态信息和预定时长内的历史交通状态信息。重构模块，用于对交通状态特征向量进行重构处理，得到交通状态的趋势重构信息和交通状态的周期重构信息。分解模块，用于对交通状态信息进行序列分解，得到交通状态的趋势信息和交通状态的周期信息。损失计算模块，用于基于目标函数，根据交通状态的趋势重构信息、交通状态的周期重构信息、交通状态的趋势信息和交通状态的周期信息，得到重构损失值。确定模块，用于响应于重构损失值大于预定阈值，确定目标区域的交通状态异常。

9、根据本发明的实施例，待检测时段包括t个时刻，t为大于1的整数。处理模块包括：融合子模块、处理子模块和拼接子模块。

10、融合子模块，用于基于图神经网络，对第t时刻的交通状态信息进行处理，得到第t时刻的融合特征向量，其中，融合特征向量融合了相邻路口的交通状态信息。处理子模块，用于将第t时刻的融合特征向量、第t-1时刻的交通状态特征向量和第t-s时刻的交通状态特征向量输入长短时记忆网络，输出第t时刻的交通状态特征向量，其中，t为大于s小于等于t的整数，s为大于等于2小于t整数。拼接子模块，用于将t个时刻的交通状态特征向量进行拼接，生成交通状态特征向量。

11、根据本发明的实施例，处理子模块包括确定单元、获得单元和生成单元。

12、确定单元，用于确定与第t-1时刻的交通状态特征向量对应的第一权重和与第t-s时刻的交通状态特征向量对应的第二权重。获得单元，用于根据第t-1时刻的交通状态特征向量、第一权重、第t-s时刻的交通状态特征向量和第二权重，得到历史交通状态对当前交通状态的影响特征向量。生成单元，用于对第t时刻的融合特征向量和历史交通状态对当前交通状态的影响特征向量进行处理，得到第t时刻的交通状态特征向量。

13、根据本发明的实施例，重构模块包括第一重构子模块和第二重构子模块。

14、第一重构子模块，用于基于第一网络对交通状态特征向量进行重构处理，得到交通状态的趋势重构信息，其中，第一网络包括空间-时间卷积神经网络和图卷积网络，第一网络是利用样本历史交通状态数据中的趋势数据训练得到的。第二重构子模块，用于基于第二网络对交通状态特征向量进行重构处理，得到交通状态的周期重构信息，其中，第二网络包括空间-时间卷积神经网络和图卷积网络，第二网络是利用样本历史交通状态数据中的周期数据训练得到的。

15、根据本发明的实施例，损失计算模块包括：趋势损失计算子模块、第一周期损失计算子模块、第二周期损失计算子模块和获得子模块。

16、趋势损失计算子模块，用于基于损失函数，根据交通状态的趋势重构信息和交通状态的趋势信息，得到趋势重构损失值。第一周期损失计算子模块，用于基于损失函数，根据交通状态的周期重构信息和交通状态的周期信息，得到第一周期重构损失值。第二周期损失计算子模块，用于基于动态时间调整函数，根据交通状态的周期重构信息和交通状态的周期信息，得到第二周期重构损失值。获得子模块，用于根据第一周期重构损失值、第二周期重构损失值和趋势重构损失值，得到重构损失值。

17、根据本发明的实施例，上述装置还包括：提取模块、目标维度的损失计算模块和异常类型确定模块。

18、提取模块，用于分别提取趋势重构信息的目标维度信息、趋势信息的目标维度信息、周期重构信息的目标维度信息和周期信息的目标维度信息。目标维度的损失计算模块，用于基于目标函数，根据趋势重构信息的目标维度信息、趋势信息的目标维度信息、周期重构信息的目标维度信息和周期信息的目标维度信息，得到目标维度的重构损失值。异常类型确定模块，用于响应于目标维度的重构损失值大于与目标维度对应的预定阈值，确定交通异常的异常类型。

19、本发明的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述交通异常检测方法。

20、本发明的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述交通异常检测方法。

21、本发明的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述交通异常检测方法。