Trafik apriorisi ilə yönləndirilən vəziyyətə həssas anomaliya aşkarlama çərçivəsi, şəhər ekspres yolu trafik axınında normal davranışdan kənaraçıxmaları yalnız xam zaman sırasına baxmaqla deyil; trafik axınının gündəlik və həftəlik quruluşu, keçmişdə eyni zaman dilimindəki davranışı, yerli dəyişmə sürəti və trafik vəziyyətinin zaman konteksti kimi sahə biliklərini də modelə daxil etməklə müəyyən etməyi hədəfləyən dərin öyrənmə yanaşmasıdır. Tədqiqatın mərkəzində birölçülü trafik həcmi ardıcıllığını doqquzölçülü və şərh oluna bilən xüsusiyyət məkanına çevirən Multi-Scale Natural Neighborhood (MS-NaN) modulu ilə ani kənaraçıxmaları və daha uzun müddətə yayılan formal anomaliləri ayrı qollarda emal edən Dual-Branch Context-Gated Network (DB-CGNet) yerləşir.

Tədqiqat Kanadanın Edmonton şəhərindəki Whitemud Drive şəhər ekspres yolunda yerləşən VDS 1030 induktiv ilmə detektorundan əldə edilmiş Open ITS OpenData V7.0 trafik məlumatlarından istifadə edir. Çatışmayan qeydləri olan üç gün çıxarıldıqdan sonra 21 günlük fasiləsiz real trafik sırası saxlanılmış, dörd zolaqdakı ölçmələr bir istiqamətli kəsik üzrə ümumi trafik həcminə birləşdirilmiş və ilkin 20 saniyəlik ölçmələr 3 dəqiqəlik intervallara yenidən nümunələnmişdir. Beləliklə hər gün 480 zaman addımından ibarətdir.

Real 21 günlük təmiz trafik bazasının uzunmüddətli təlim və anomaliya qiymətləndirilməsi üçün kifayət etməməsi səbəbindən müəlliflər həftəiçi və həftəsonu gelgit nümunələrini ayıran B-spline əsaslı trend yaradılması və birinci dərəcəli avtoreqressiv qalıq modelləşdirməsindən istifadə etməklə əlavə 70 günlük yüksək oxşarlıqlı trafik ardıcıllığı yaratmışlar. Real və yaradılmış sıralar birləşdirilərək ümumilikdə 91 gün və 43.000-dən çox zaman addımı ehtiva edən qiymətləndirmə quruluşu əldə edilmişdir. Trafik anomaliləri isə yalnız təsadüfi səs-küy əlavə edilməklə deyil, Highway Capacity Manual (HCM) tutumun azaldılması münasibətləri və asimmetrik tıxac inkişafı məntiqindən istifadə edilərək fiziki baxımdan məhdudlaşdırılmışdır.

Ən yaxşı ümumi nəticə 3 dəqiqəlik nümunələmə səbəbindən 72 dəqiqəlik keçmişə uyğun gələn T_w = 24 müşahidə pəncərəsində əldə edilmişdir. DB-CGNet bu şəraitdə AUC = 0,9112, F1 = 0,7757, Precision = 0,9228 və Recall = 0,6690 dəyərlərinə çatmışdır. Xüsusilə normal trafik gelgitlərinə bənzədiyi üçün ayırd edilməsi çətin olan qısa shapelet anomalilərində DB-CGNet-in recall göstəricisi 0,5467 ilə müqayisə edilən baza arxitekturaları arasında ən yüksək dəyərdir.

Bununla belə, bu nəticələrin şərh sərhədi vacibdir. Tədqiqat yalnız bir sabit ekspres yol kəsiyindəki trafik həcmi məlumatlarına əsaslanır. Sürət, doluluq, nəqliyyat vasitəsi trayektoriyası, hava şəraiti və ya eyni zamana aid real hadisə qeydləri model girişinə daxil edilməmişdir. Yeridilmiş anomaliya nümunələri trafik fizikası ilə məhdudlaşdırılmış olsa da, konkret tarixi qəzaların və ya hadisələrin birəbir yenidən yaradılmış qeydləri deyildir. Buna görə əldə edilmiş performans ilk növbədə trafik fizikası ilə məhdudlaşdırılmış simulyasiya olunmuş anomalilər altında anomaliya aşkarlama uğurunu göstərir; müxtəlif yol şəbəkələrində və real hadisə etiketləri altında ümumiləşdirilə bilmə ayrıca təsdiqlənməlidir.

Tədqiqatın əsas problemi

Şəhər trafik axını yalnız sabit orta qiymət ətrafında kiçik təsadüfi dəyişmələr göstərmir. Səhər və axşam pikləri, həftəiçi–həftəsonu fərqləri, darboğazların işə düşməsi, trafik növbəsinin yayılması, tələbin dalğalanmaları və sensor xətaları eyni zaman sırası üzərində çox fərqli formalar yarada bilər. Buna görə trafik həcmi dəyərinin təkcə “yüksək” və ya “aşağı” olması onun anormal olduğunu demək üçün kifayət deyil.

Məsələn, 3000 nəqliyyat vasitəsi/saat dəyəri günün sıx vaxtında adi ola bilər, lakin eyni dəyər normalda çox daha aşağı trafik olan zaman dilimində fərqli məna daşıya bilər. Eyni şəkildə qısamüddətli sensor sıçrayışı ilə real tıxacın başlanğıcı eyni model tərəfindən eyni cür emal edilməməlidir. Buna görə tədqiqatın əsas yanaşması modelə yalnız “dəyər nə qədər dəyişdi?” sualını deyil, həm də “bu dəyişmə hansı trafik vəziyyətində, hansı tarixi kontekstə görə və hansı zaman forması ilə baş verdi?” sualını daxil etməkdir.

Trafik Axını Anomaliyası Bu Tədqiqatda Nə Deməkdir?

Trafik axını anomaliyası, tədqiqat çərçivəsində bildirilmiş trafik qəzası ilə birəbir üst-üstə düşməsi məcburi olmayan və müşahidə edilən trafik həcmi ardıcıllığının normal istismar nümunələrindən kənaraçıxmasını ifadə edən məlumat səviyyəli vəziyyətdir. Bu kənaraçıxma sensor nasazlığı, rabitə xətası, qeyri-adi tələb, təkrarlanmayan tıxac və ya başqa trafik pozuntusunun göstəricisi ola bilər; model hadisə növünü birbaşa diaqnostika etmir.

Nöqtəvi və shapelet anomaliləri

Mənbə trafik anomalilərini iki əsas davranış sinfində nəzərdən keçirir:

• Nöqtəvi anomaliya: Yalnız bir zaman addımında yaranan təcrid olunmuş sıçrayışdır. Məlumat dəstində bir zaman addımı 3 dəqiqə olduğuna görə nöqtəvi anomaliya 3 dəqiqəlik tək müşahidədir. Tədqiqat bunları xüsusilə sensor və ya rabitə problemləri ilə əlaqələndirir.
• Shapelet anomaliyası: Ardıcıl bir neçə zaman addımına yayılan və trafik ardıcıllığının formasını, trendini və ya inkişafını dəyişən nümunədir.

Sərhəd qeydi: Mənbə qısa shapelet üçün 2–40, orta shapelet üçün 40–160 addım yazır. Buna görə tam 40 addım mənbə mətnində hər iki aralıqda görünür. Verianla izahı bu sərhədi özbaşına 39/40 və ya 40/41 formasında dəyişdirmir.

Trafik zaman sırasının riyazi tərifi

Trafik həcmi ardıcıllığı:

Əsas tərif: \(v=[v_1,v_2,\ldots,v_N]\)

Burada \(v_t\), \(t\) zaman addımındakı trafik həcmidir və mənbədə vahidi veh/h, yəni nəqliyyat vasitəsi/saat kimi verilir. \(N\), ümumi müşahidə sayıdır.

Tənlik (1) — sürüşən pəncərə:

\[ x_t=[v_{t-T_w+1},v_{t-T_w+2},\ldots,v_t]\in\mathbb{R}^{T_w} \]

\(T_w\) pəncərə uzunluğudur. Model yalnız bir \(v_t\) dəyərinə baxmır; son \(T_w\) müşahidəni birlikdə qiymətləndirir. Məsələn, \(T_w=24\) və nümunələmə intervalı 3 dəqiqə olduqda model hər qərar üçün son 72 dəqiqəlik trafik tarixçəsini görür.

Hər \(x_t\) pəncərəsinin etiketi \(y_t\in\{0,1\}\) formasındadır. \(y_t=0\) normal, \(y_t=1\) anormal vəziyyəti göstərir. Etiket pəncərənin son zaman addımı \(t\)-dəki trafik vəziyyətinə görə müəyyən edilir.

Tənlik (2) — MS-NaN xüsusiyyət çevrilməsi:

\[ F_t=\Phi(x_t),\qquad \Phi:\mathbb{R}^{T_w}\rightarrow\mathbb{R}^{T_w\times D},\qquad D=9 \]

Xam giriş \(x_t\) birölçülü trafik həcmi pəncərəsidir. \(\Phi\), MS-NaN çevrilməsini təmsil edir. Çıxış \(F_t\), hər zaman addımı üçün doqquz xüsusiyyət ehtiva edən \(T_w\times9\) ölçülü xüsusiyyət matrisidir.

Tənlik (3) — anomaliya ehtimalı:

\[ \hat p_t=\sigma(z_t),\qquad z_t=f_{\theta}(F_t),\qquad \hat p_t\in(0,1) \]

\(f_{\theta}\), öyrənilə bilən parametrləri \(\theta\) olan DB-CGNet-dir. \(z_t\) təsnifatçının logit çıxışıdır. Sigmoid funksiyası \(\sigma(\cdot)\), bu sərhədsiz logit dəyərini 0 ilə 1 arasında anomaliya ehtimalına çevirir.

MS-NaN Trafik Vəziyyətini Modelə Necə Ötürür?

Multi-Scale Natural Neighborhood (MS-NaN), xam trafik həcmini təkbaşına istifadə etmək əvəzinə trafik axınının ani dəyişməsini, keçmişdə eyni zaman diliminə görə kənaraçıxmasını, müxtəlif tarixi miqyaslardakı aykırılığını və gün daxilindəki dövri mövqeyini birlikdə təmsil edən doqquzölçülü deterministik xüsusiyyət çevrilməsidir; bu xüsusiyyətlər daha sonra DB-CGNet-in öyrənilə bilən şəbəkə quruluşuna giriş olur.

1. Dayanıqlı trafik həcmi normallaşdırılması

Tənlik (4):

\[ \widetilde v_t=\frac{v_t-m}{Q_3-Q_1} \]

\(m\), yalnız təlim dəstindən hesablanan mediandır. \(Q_1\) və \(Q_3\), yenə təlim dəstinin müvafiq olaraq %25 və %75 persentilləridir. \(Q_3-Q_1\) interquartile range, yəni IQR-dir.

Bu normallaşdırmanın məqsədi orta və standart sapmadan həddən artıq asılı olmaq əvəzinə median və IQR kimi kənar dəyərlərə daha davamlı statistik göstəricilərdən istifadə etməkdir. Xüsusilə sensor sıçrayışlarının olduğu məlumat dəstində bir neçə kənar dəyərin bütün miqyaslandırmanı pozmaması üçün seçilmişdir. Təlim dəstindən kənar məlumatlardan median və ya persentil hesablanmaması informasiya sızmasının qarşısını almaq üçündür.

2. Ani və daha geniş miqyaslı fərqlər

Tənlik (5):

\[ \Delta v_t=\widetilde v_t-\widetilde v_{t-1} \]

Bu dəyər ardıcıl iki müşahidə arasındakı ani dəyişməni ölçür. Böyük müsbət və ya mənfi dəyər qısamüddətli sıçrayışlara həssaslıq təmin edir.

Tənlik (6):

\[ \Delta_s v_t=\widetilde v_t-\widetilde v_{t-s},\qquad s\in\mathbb{Z}^{+} \]

Tədqiqatda \(s=2\) istifadə edilmişdir. Bu fərq yalnız əvvəlki nöqtəyə deyil, iki zaman addımı geriyə baxaraq daha geniş zaman müqayisəsi yaradır. Mənbənin izahına görə məqsəd yüksək tezlikli səs-küyün təsirini azaldarkən trafik inkişaf trendini daha dayanıqlı şəkildə təmsil etməkdir.

3. Eyni dövrün tarixi istinadı

Bir trafik dəyərinin anormal olub-olmadığını qiymətləndirərkən eyni saatda və eyni gün tipində keçmiş davranış vacibdir. \(H(t)\), cari \(t\) zamanı ilə eyni gün tipinə və eyni gün-daxili zaman indeksinə malik təlim nümunələrinin çoxluğudur.

Tənlik (7):

\[ v_t^{hist}=\frac{1}{|H(t)|}\sum_{t'\in H(t)}v_{t'} \]

Bu tənlik eyni trafik kontekstindəki tarixi gözlənilən həcmi verir.

Tənlik (8):

\[ \widetilde v_t^{hist}=\frac{v_t^{hist}-m}{Q_3-Q_1} \]

Tarixi istinad da xam trafik həcmi ilə eyni \(m\), \(Q_1\) və \(Q_3\) istifadə edilməklə miqyaslandırılır. Beləliklə cari ölçmə ilə tarixi baza eyni miqyasda müqayisə oluna bilər.

4. Nisbi kənaraçıxma nisbəti

Tənlik (9):

\[ \delta_t^{rel}= \operatorname{Clip} \left( \frac{v_t-v_t^{hist}} {\max(|v_t^{hist}|,\epsilon_1)}, -\kappa,\kappa \right) \]

Mənbədə \(\epsilon_1=10^{-3}\) veh/h və \(\kappa=3,0\) olaraq verilmişdir.

Surət cari trafik həcminin tarixi gözlənilən dəyərdən nə qədər uzaqlaşdığını göstərir. Məxrəc bu fərqi tarixi səviyyəyə görə miqyaslandırır. Trafik həcmi sıfıra çox yaxın olduqda bölmənin kəskin artmaması üçün \(\max(|v_t^{hist}|,\epsilon_1)\) istifadə olunur. Nəticə həddindən artıq olduqda isə Clip əməliyyatı dəyəri \([-3,3]\) aralığında məhdudlaşdırır. Beləliklə tək bir kənar sensor sıçrayışının xüsusiyyət paylanmasını həddən artıq pozmasının qarşısı alınmağa çalışılır.

5. Natural Neighbor niyə sabit KNN-dən fərqlənir?

Standart K-nearest-neighbor yanaşmasında qonşu sayı \(k\) əvvəlcədən sabitləşdirilir. Lakin trafik paylanmasının sıxlığı günün müxtəlif saatlarında eyni deyil. MS-NaN yanaşmasında \(k\) yerli nümunə sıxlığına uyğunlaşdırılır.

Müəyyən zaman dilimi üçün:

\[ S(t)=\{v_{t'}:t'\in H(t),t'\neq t\} \]

və \(n_s=|S(t)|\) olsun.

Tənlik (10):

\[ k^{*} = \min \left\{ k\leq\lfloor\sqrt{n_s}\rfloor+5 \;|\; \forall i\in S(t),\,I_k(i)\geq1 \right\} \]

\(I_k(i)\), \(i\) nümunəsinin digər nümunələrin \(k\)-qonşuluq çoxluqlarında neçə dəfə seçildiyini ifadə edən in-degree dəyəridir. Alqoritm hər nümunə ən az bir başqa nümunə tərəfindən qonşu kimi seçilənədək \(k\)-nı artırır. Beləliklə sıx və seyrək trafik kontekstlərində eyni sabit qonşuluq ölçüsünü məcburi tətbiq etmək əvəzinə uyğunlaşan mühit yaradılır.

Tənlik (11) — NaN-Distance:

\[ D_t= \frac{1}{k^{*}} \sum_{i=1}^{k^{*}} \frac{|v_t-v_{(i)}|} {\sigma_{S(t)}+\epsilon_1} \]

\(v_{(i)}\), cari müşahidəyə məsafəsinə görə sıralanmış qonşuların \(i\)-cisidir. Fərqlər müvafiq dövr diliminin standart sapmasına bölünür. Buna görə yüksək həcmli pik saatdakı mütləq 300 nəqliyyat vasitəsi/saat fərqlə aşağı həcmli gecə saatındakı eyni 300 nəqliyyat vasitəsi/saat fərq eyni cür şərh edilmək məcburiyyətində deyil.

Tənlik (12):

\[ \sigma_{S(t)} = \sqrt{ \frac{1}{n_s} \sum_{v'\in S(t)} (v'-\bar v_S)^2 }, \qquad \bar v_S= \frac{1}{n_s} \sum_{v'\in S(t)}v' \]

\(\sigma_{S(t)}\), müvafiq tarixi dövr çoxluğunun standart sapmasıdır. Bu standartlaşdırma NaN-Distance-ı müxtəlif trafik səviyyələri arasında daha müqayisəolunan edir.

6. Həftəlik və gün-tipi miqyasları

Natural Neighbor əməliyyatı iki müxtəlif tarixi ayırdetmə səviyyəsində həyata keçirilir:

• Weekly / day-of-week miqyası: Bazar ertəsi, çərşənbə axşamı və s. olmaqla yeddi ayrı gün sinfi.
• Day-type miqyası: Həftəiçi və həftəsonu olmaqla iki sinif.

Tənlik (13):

\[ \widehat D_t^{dow} = \frac{D_t^{dow}-Q_1^{dow}} {Q_3^{dow}-Q_1^{dow}}, \qquad \widehat D_t^{dt} = \frac{D_t^{dt}-Q_1^{dt}} {Q_3^{dt}-Q_1^{dt}} \]

Buradakı \(Q_1^{dow},Q_3^{dow}\) və \(Q_1^{dt},Q_3^{dt}\), xam trafik həcminin deyil, müvafiq outlierness paylanmalarının öz persentilləridir. Mənbə bu fərqi xüsusi vurğulayır. İki xüsusiyyət ayrıca dayanıqlı şəkildə miqyaslandırılır.

7. Gün-daxili faza kodlaşdırması

Saat 23:59 ilə 00:00 real həyatda bir-birinə çox yaxındır; lakin “dəqiqə nömrəsi” kimi xətti dəyişəndən istifadə edildikdə bu iki nöqtə rəqəmsal olaraq aralığın iki ucunda görünür. Tədqiqat bu süni qırılmanı sinus və kosinus vasitəsilə vahid çevrəyə daşımaqla həll edir.

Tənlik (14):

\[ E_t^{sin} = \sin\left(\frac{2\pi\tau_{tod}}{T_d}\right), \qquad E_t^{cos} = \cos\left(\frac{2\pi\tau_{tod}}{T_d}\right) \]

\(\tau_{tod}\), gün daxilindəki zaman indeksidir; \(T_d\), bir gündəki ümumi zaman addımlarının sayıdır. Bu məlumat dəstində 3 dəqiqəlik intervallarla bir gün 480 müşahidədən ibarətdir. Sinus və kosinus cütü günün başlanğıcı ilə sonunu həndəsi olaraq birləşdirən dövri təmsil yaradır.

DB-CGNet Niyə İki Ayrı Qoldan İstifadə Edir?

Dual-Branch Context-Gated Network (DB-CGNet), tək bir zaman qəbuledici sahəsinin həm tək-addımlı ani sıçrayışları, həm də saatlara yayılan forma dəyişmələrini eyni təmsildə kifayət qədər yaxşı tuta bilməyə biləcəyi fərziyyəsindən çıxış edir; buna görə ani pozuntu siqnallarını yüngül MLP qoluna, bütün doqquzölçülü zaman ardıcıllığını isə GRU və temporal attention istifadə edən trend qoluna göndərir və iki təmsilin töhfəsini trafik kontekstindən öyrənilən qapı əmsalı ilə birləşdirir.

Ani dəyişmə qolu

Ani qol pəncərənin son zaman addımındakı yalnız üç xüsusiyyətdən istifadə edir:

\[ I_{inst}=\{2,3,5\} \]

Bunlar \(\Delta v_t\), \(\Delta_s v_t\) və \(\delta_t^{rel}\)-dir.

Tənlik (15):

\[ f_{inst}=f_{T_w}|_{I_{inst}}\in\mathbb{R}^{3} \]

Məqsəd tarixi orta səviyyə və ya dövri kod kimi daha yavaş kontekst xüsusiyyətlərini bu qoldan çıxarıb şəbəkəni xüsusilə ani dəyişmələrə fokuslamaqdır.

Tənlik (16):

\[ h_{inst} = \operatorname{Dropout}_{p_d} \left[ \tanh \left( BN(W_1f_{inst}+b_1) \right) \right] \in\mathbb{R}^{d_h/2} \]

Mənbədə gizli ölçü \(d_h=32\), dropout ehtimalı \(p_d=0,3\)-dür. Beləliklə ani qol 16 ölçülü təmsil yaradır. Batch Normalization mini-batch daxilindəki paylanmanı tarazlayır; \(\tanh\) çıxışı \((-1,1)\) aralığında məhdudlaşdırır; Dropout təlim zamanı requlyarizasiya təmin edir.

Trend inkişaf qolu

Tənlik (17):

\[ H=GRU(F_t),\qquad H\in\mathbb{R}^{T_w\times d_h} \]

GRU bütün doqquzölçülü zaman ardıcıllığını növbə ilə emal edir. Hər zaman addımı üçün gizli vəziyyət \(h_i\) yaranır. Mənbə standart GRU-nun daxili yeniləmə və reset qapısı tənliklərini yenidən yazmayıb, standart GRU formulalaşdırmasına istinad edib; buna görə Verianla burada mənbədə olmayan yeni GRU tənliyi əlavə etmir.

Temporal attention

Tənlik (18):

\[ e_i=w_a^{T}\tanh(W_ah_i+b_a), \qquad \alpha_i= \frac{\exp(e_i)} {\sum_j\exp(e_j)} \]

\(e_i\), \(i\) zaman addımının attention skorudur. Softmax ilə normallaşdırılan \(\alpha_i\), bütün zaman addımlarının çəkiləri arasında müqayisə oluna bilən paylanma yaradır.

Tənlik (19):

\[ c=\sum_i\alpha_i h_i \]

\(c\), attention çəkiləri ilə yaradılan kontekst vektorudur.

Attention bütün keçmişi xülasə edərkən son zaman addımının kritik məlumatını seyrəldə biləcəyi üçün mənbə son gizli vəziyyəti ayrıca saxlayır.

Tənlik (20):

\[ h_{trend}=[c;h_{T_w}]\in\mathbb{R}^{2d_h} \]

Nöqtəli vergül burada vektorların concatenation, yəni ardıcıl birləşdirilməsini ifadə edir. Beləliklə trend qolu həm bütün pəncərənin çəkili xülasəsini, həm də ən son trafik vəziyyətini daşıyır.

Qlobal trafik konteksti

Tənlik (21):

\[ \mu= \frac{1}{T_w}\sum_{i=1}^{T_w}f_i, \qquad \sigma_{std} = \sqrt{ \frac{1}{T_w} \sum_{i=1}^{T_w}(f_i-\mu)^2 } \]

Buradakı \(\mu\), pəncərə boyunca hər xüsusiyyət kanalının orta səviyyəsini; \(\sigma_{std}\) isə dalğalanma səviyyəsini təmsil edir.

Tənlik (22):

\[ c_{global}=[\mu;\sigma_{std}]\in\mathbb{R}^{2D} \]

\(D=9\) olduğuna görə qlobal kontekst 18 komponentli quruluşdur.

Kontekstə-həssas qapı əmsalı

Tənlik (23):

\[ g= \sigma \left( w_g^{T} [h_{inst};h_{trend};c_{global}] +b_g \right), \qquad g\in(0,1) \]

\(g\), ani qolun nə dərəcədə qorunacağını müəyyən edən öyrənilmiş skalyar qapı əmsalıdır. Vacib məqam odur ki, bu dəyər yalnız trafik həcminə və ya tək bir qaydaya görə hesablanmır; ani xüsusiyyət, trend xüsusiyyəti və qlobal kontekstin hamısından öyrənilir.

Tənlik (24):

\[ \widetilde h_{inst}=g\cdot h_{inst} \]

\(g\) kiçildikcə ani qol basdırılır; böyüdükcə daha çox ani məlumat qorunur. Trend qolu isə mənbə arxitekturasında əsas zaman lövbəri kimi tam saxlanılır.

Tənlik (25):

\[ h_{fuse} = W_2 [\widetilde h_{inst};h_{trend}] +b_2 \in\mathbb{R}^{2d_h} \]

İki qol birləşdirilir və tam əlaqəli çevrilmədən keçirilir.

Son təsnifatçı

Tənlik (26):

\[ z_t= w_c^{T} \left[ \operatorname{Dropout}_{p_d} \left( ReLU(W_ch_{fuse}+b_c) \right) \right] +b_o \]

Son qat \(h_{fuse}\)-u əvvəlcə \(d_h\) ölçülü gizli təmsilə, sonra isə tək logit \(z_t\)-yə endirir. Bu logit Tənlik (3)-dəki sigmoid vasitəsilə \(\hat p_t\) anomaliya ehtimalına çevrilir.

Qapı əmsalının təcrübədə necə davrandığı

Ablasiya analizində \(T_w=24\) test pəncərələrindən çıxarılan orta qapı dəyərləri normal aşağı dalğalanmalı pəncərələrdə 0,2878; normal yüksək dalğalanmalı pəncərələrdə 0,4108; nöqtəvi anomalilərdə 0,4653; qısa shapeletlərdə 0,5015; orta shapeletlərdə 0,5717 və uzun shapeletlərdə 0,6917 olaraq bildirilmişdir.

Bu nəticə anomaliyanın müddəti və ya intensivliyi artdıqca ani qol məlumatının daha çox qorunmağa meyl etdiyini göstərir. Lakin mənbə xüsusilə \(g\)-nin tək bir trafik göstəricisinin birbaşa funksiyası olmadığını; ani qol, trend qolu və qlobal kontekstin birgə təsiri ilə öyrənildiyini bildirir.

Focal Loss niyə istifadə olunur?

Trafik anomaliləri normal müşahidələrdən daha seyrəkdir. Standart ikili çarpaz entropiya çoxsaylı asan normal nümunələrin ümumi itkiyə təsirini artıraraq modelin azlıq təşkil edən anomalilərə kifayət qədər fokuslanmasını çətinləşdirə bilər.

Tənlik (27):

\[ p_t^{*}=p^{y_t}(1-p)^{1-y_t} \]

\(y_t=1\) olduqda \(p_t^{*}=p\); \(y_t=0\) olduqda isə \(p_t^{*}=1-p\) olur. Beləliklə tək ifadə modelin həqiqi sinfə verdiyi ehtimalı təmsil edir.

Tənlik (28) — Focal Loss:

\[ L_{FL} = -\frac{1}{|B|} \sum_{t\in B} \alpha_t(1-p_t^{*})^{\gamma}\log(p_t^{*}) \]

\[ \alpha_t= \begin{cases} \alpha, & y_t=1\\ 1-\alpha, & y_t=0 \end{cases} \]

Mənbədə \(\alpha=0,95\) və \(\gamma=2,0\) istifadə edilmişdir. Bu dəyərlər doğrulama dəstində F1-i maksimumlaşdırmaq üçün aparılan grid search nəticəsində seçilmişdir. Axtarılan namizədlər:

• \(\alpha\in\{0,75,0,85,0,90,0,95\}\)
• \(\gamma\in\{1,0,1,5,2,0,2,5\}\)

\(\alpha=0,95\) olduqda anomalilərin sinif çəkisi 0,95, normal nümunələrin çəkisi 0,05-dir. Mənbə bunu normal nümunə töhfəsinin anomaliya çəkisinə nisbətən təxminən 19 dəfə basdırılması kimi izah edir. Bundan əlavə, \((1-p_t^{*})^\gamma\) termini asan təsnif edilmiş nümunələrin itki töhfəsini azaldarkən çətin nümunələrin təsirini daha yüksək saxlayır.

Dinamik qərar həddi

Modelin verdiyi \(\hat p_t\) dəyəri ehtimaldır; onu normal/anomaliya etiketinə çevirmək üçün hədd lazımdır. Mənbə sabit 0,5 istifadə etmək əvəzinə Precision–Recall əyrisi boyunca hədd skanı aparır.

Tənlik (29):

\[ F1(\tau) = \frac{ 2\,Prec(\tau)\,Rec(\tau) }{ Prec(\tau)+Rec(\tau)+\epsilon_2 } \]

Burada \(\epsilon_2=10^{-10}\), rəqəmsal sabitlik üçün əlavə edilən çox kiçik sabitdir.

Tənlik (30):

\[ \tau^{*} = \arg\max_{\tau\in[0,1]}F1(\tau) \]

Yəni bütün namizəd hədlər arasından F1-i ən yüksək edən hədd seçilir.

Tənlik (31):

\[ \widehat y_t= \begin{cases} 1, & \widehat p_t\geq\tau^{*}\\ 0, & \widehat p_t<\tau^{*} \end{cases} \]

Bu metod müqayisə olunan modellərin hər birinin öz ehtimal paylanmasına uyğun optimal qərar həddində qiymətləndirilməsini hədəfləyir.

Məlumat mənbəyi və ilkin təmizləmə

Məlumat University of Alberta Centre for Smart Transportation tərəfindən təqdim edilən Open ITS Open Traffic Data Consortium — OpenData V7.0 mənbəyindən götürülmüşdür. Tədqiqat Edmonton şəhərindəki Whitemud Drive şəhər ekspres yolunda yerləşən VDS 1030 induktiv loop detektorunu seçmişdir.

Rampalara və weaving sahələrinə yaxın mürəkkəb qarşılıqlı təsirləri azaltmaq məqsədilə bu sabit kəsik seçilmişdir. Üç günlük çatışmayan qeyd çıxarılmış və geridə 21 günlük fasiləsiz trafik sırası qalmışdır. Dörd zolaqdakı trafik ölçmələri bir istiqamətli kəsik üzrə ümumi axına çevrilmiş, 20 saniyəlik orijinal qeydlər isə 3 dəqiqəyə yenidən nümunələnmişdir.

İlkin anomaliya skanı və etibarlı baza sırasının yaradılması

Mənbə xam 21 günlük məlumatı birbaşa “tamamilə normal” qəbul etmir. Əvvəlcə həftəiçi və həftəsonu sıraları ayrılır. Hər iki iz üzərində robust STL decomposition tətbiq olunur və mövsümi period 480 addım kimi müəyyən edilir. Beləliklə trafik ardıcıllığı trend, mövsümi struktur və qalıq komponentlərə ayrılır.

Daha sonra 40 addımlıq yerli pəncərə üzrə yerli orta və standart sapma hesablanaraq \(\mu_{local}\pm3\sigma_{local}\) hədləri istifadə olunur. Buna əlavə olaraq daha ümumi \(\mu_{global}\pm3\sigma_{global}\) hədləri tətbiq edilir. İki üsulla tapılan namizədlərin birliyi anomaliya namizədləri hovuzunu yaradır.

Bu namizədlər son mərhələdə vizual şəkildə və trafik mühəndisliyi biliyi ilə əl ilə yoxlanılır. Mənbə sürət həddi məhdudiyyətlərindən və trafik mühəndisliyi biliklərindən istifadə edildiyini; təcrid olunmuş sensor səs-küyü çıxarılarkən zaman baxımından ardıcıl tıxac dalğalanmalarının saxlandığını bildirir.

21 gündən 91 günlük qiymətləndirmə ardıcıllığına keçid

Təmizlənmiş 21 günlük real trafik sırası üç mərhələ ilə uzadılır:

1. Həftəiçi və həftəsonu üçün hər gün-daxili zaman dilimində median trafik dəyərlərindən istifadə etməklə dayanıqlı “tidal prototype” əyriləri çıxarılır və B-spline ilə hamarlaşdırılır.
2. Hamarlaşdırılmış makroskopik trend çıxarıldıqdan sonra qalan kiçikmiqyaslı dalğalanmalar birinci dərəcəli avtoreqressiv proseslə modelləşdirilir.
3. Qalıq komponentlər Monte Carlo nümunələməsi ilə yaradılır, təqvim sırasına uyğun trend ilə birləşdirilir və fiziki tutum məhdudiyyətləri tətbiq olunur.

Bu proses 70 günlük sintetik, lakin trafik quruluşunu qorumağı hədəfləyən baza sırası yaradır. 70 günlük sıra real 21 günlük sıra ilə birləşdirilərək 91 gün əldə edilir.

Vacib mənbə sərhədi: Məqalə birinci dərəcəli avtoreqressiv qalıq modelini metod kimi bildirir, lakin bu bölmədə AR(1) əmsalının rəqəmsal dəyərini və ya ayrıca nömrələnmiş AR(1) tənliyini vermir. Buna görə burada mənbədən kənar \(\phi\) dəyəri və ya yeni AR tənliyi yaradılmayıb.

Sintetik baza məlumatının doğrulanması

Müəlliflər yalnız “sintetik məlumat reala bənzəyir” deməklə kifayətlənməyib; makroskopik və mikroskopik olmaqla iki səviyyədə yoxlama aparıblar.

MAE və RMSE amplituda xətalarını, \(R^2\) isə zaman strukturunun uyğunluğunu qiymətləndirmək üçün istifadə edilmişdir. Mənbə bu metriklərin standart riyazi tənliklərini ayrıca nömrələnmiş formul kimi vermədiyinə görə burada mənbədən kənar tənlik əlavə edilməyib.

Mənbə ECDF əyriləri və qutu qrafiklərinin də iki paylanma arasında oxşar davranış göstərdiyini bildirir. RMSE medianları real baza cütlərində təxminən 411 nəqliyyat vasitəsi/saat, sintetik müqayisədə 396 nəqliyyat vasitəsi/saat; \(R^2\) medianları isə müvafiq olaraq 0,930 və 0,936-dır. RMSE medianları arasındakı nisbi fərq mənbədə təxminən %3,6 kimi göstərilib.

Sintetik Anomalilər Real Trafik Hadisələri ilə Eyni Şeydirmi?

Xeyr. Tədqiqatdakı yeridilmiş nöqtəvi və shapelet anomaliləri konkret tarixi qəzaların və ya hadisə qeydlərinin birəbir surəti deyil; HCM tutum azaldılması ölçüləri, trafik axını üzərində fiziki hədlər və sürətli pozulma–daha yavaş bərpa forması ilə yaradılmış trafik fizikası ilə məhdudlaşdırılmış məlumat səviyyəli kənaraçıxmalardır. Buna görə tədqiqat real hadisə etiketli trafik hadisələrinin aşkarlanmasının birbaşa sahə doğrulaması kimi şərh edilməməlidir.

HCM əsaslı tutum azaldılması

Tənlik (32):

\[ Y(t)=\delta X(t) \]

\(X(t)\), normal trafik axınıdır. \(Y(t)\), anomaliya tətbiq edilmiş axındır. \(\delta\in(0,1]\), hadisədən sonra qalan tutum nisbətini təmsil edir. Məsələn, \(\delta=0,58\), normal axının təxminən %58-nin qaldığı daha aşağı tutum vəziyyətini ifadə edir.

Tənlik (33):

\[ R= \frac{ N_{open}\times CAF_{per-lane} }{ N_{total} } \]

\(N_{open}\), açıq qalan zolaqların sayı; \(N_{total}\), ümumi zolaq sayı; \(CAF_{per-lane}\), HCM-də zolaq başına Capacity Adjustment Factor-dur. Bu münasibət dörd zolaqlı VDS 1030 kəsiyi üçün obyekt səviyyəsində qalan tutum nisbətini yaradır.

Bu dəyərlərdən çıxış edərək mənbə shapelet yeridilmələrini fasiləsiz aralıqlara çevirir:

Nöqtəvi anomalilər HCM tutum azaldılması quruluşundan ayrıca yaradılmışdır; çünki mənbə onları trafik tutumunun itkisindən daha çox sensor və ya rabitə problemləri ilə əlaqələndirir. Məlumat itkisi üçün \(\delta=0\), anormal sıçrayış üçün \(\delta\in[1,4;3,0]\) istifadə edilmişdir.

Anomaliya inkişafının üç mərhələsi

Shapelet anomalilərində trafik pozuntusunun zaman ərzində simmetrik olmadığı fərz edilmişdir. Mənbə üç mərhələ müəyyən edir:

1. Şokun yaranması: Hadisədən sonra trafik axını darboğaz tutumuna doğru sürətlə azalır.
2. Darboğazın davam etməsi: Məhdud tutum bir müddət aşağı səviyyədə qalır.
3. Tıxacın aradan qalxması: Hadisə aradan qalxdıqdan sonra növbədəki nəqliyyat vasitələri mərhələli şəkildə boşalır və bərpa ilkin enişdən daha yavaş baş verir.

Mənbə bu üç mərhələnin fiziki məntiqini izah edir, lakin ayrıca nömrələnmiş hissəli-zaman tənliyi vermir. Buna görə Verianla burada saxta eksponensial, xətti və ya logistika tipli bərpa formulu yaratmır.

Tədqiqatın Metodu və Nəticələri

Eksperimental məlumat bölməsi

Ümumi 91 günlük məlumat xronoloji qaydada bölünmüşdür. İlk %70, təxminən 64 gün, təlim dəstidir. Son %30, təxminən 27 gün, müstəqil test dəstidir. Xronoloji bölmədən istifadə gələcək trafik məlumatının təlim mərhələsinə sızmasının qarşısını almağı hədəfləyir.

Sürüşən pəncərə uzunluqları:

• \(T_w=12\) → 36 dəqiqə
• \(T_w=24\) → 72 dəqiqə
• \(T_w=36\) → 108 dəqiqə
• \(T_w=48\) → 144 dəqiqə
• \(T_w=60\) → 180 dəqiqə

Tətbiq detalları

Mənbə əlavə olaraq bütün giriş xüsusiyyətlərinə təlim dəstindən hesablanan statistikaya əsaslanan z-score normallaşdırmasının tətbiq edildiyini bildirir. Bu ifadə MS-NaN daxilində Tənlik (4), (8) və (13)-də istifadə olunan median/IQR əsaslı xüsusiyyət yaratma əməliyyatları ilə eyni şey deyil. Mənbə tətbiq mərhələsində şəbəkə giriş xüsusiyyətlərinin ayrıca z-score ilə standartlaşdırıldığını bildirir; iki normallaşdırma mərhələsini tək əməliyyat kimi birləşdirmək olmaz.

Müqayisə edilən arxitekturalar

Nəzarətli arxitektura müqayisəsində bütün modellər eyni doqquz MS-NaN xüsusiyyətindən, eyni Focal Loss yanaşmasından və eyni PR əsaslı hədd optimallaşdırmasından istifadə edir. Əsas dəyişən yalnız zaman sırasını emal edən şəbəkə arxitekturasıdır.

• LSTM
• GRU
• BiLSTM
• BiGRU
• 1D-CNN
• FCN
• Transformer
• Hybrid_CLA, CNN-LSTM-Attention
• Təklif olunan DB-CGNet

Bu pəncərədə DB-CGNet dörd əsas metrikin hamısında ən yüksək dəyəri əldə etmişdir. AUC baxımından ən yaxın model Transformer-dir: 0,9112-yə qarşı 0,9054. Mənbənin hesablamasına görə fərq təxminən %0,64-dür. F1 baxımından ən yaxın model Hybrid_CLA-dır: 0,7757-yə qarşı 0,7481; mənbə bunu %3,69 üstünlük kimi verir.

144 dəqiqəlik pəncərədə nəticə niyə fərqlidir?

Burada Hybrid_CLA F1 və Recall baxımından DB-CGNet-i az fərqlə keçir. DB-CGNet isə Precision-da 0,9283 ilə ən yüksək dəyəri saxlayır. Mənbə DB-CGNet üçün %7,17, Hybrid_CLA üçün %11,46 “false alarm rate” ifadəsini istifadə edir; bu rəqəmlər müvafiq Precision dəyərlərinin tamamlayıcısı şəklindədir. Buna görə onları standart ROC false-positive-rate anlayışı ilə avtomatik eyniləşdirmək olmaz.

Bu nəticə vacib şərh sərhədi qoyur: tədqiqat DB-CGNet-in hər müşahidə pəncərəsində hər metrikdə mütləq ən yaxşı olduğunu göstərmir. Əsas üstünlük daha qısa 72 dəqiqəlik kontekstdə güclü və tarazlı performans əldə edilməsidir.

Hesablama xərci

DB-CGNet-in 12.165 öyrədilə bilən parametri Hybrid_CLA-nın 176.257 parametrinin təxminən %6,9-udur. Bununla belə, DB-CGNet-in model-forward müddəti Hybrid_CLA-dan aşağı deyil: orta hesabla 0,576 ms-ə qarşı 0,508 ms-dir. Mənbə bu fərqin yalnız 0,068 ms olduğuna diqqət çəkir.

Daha vacibi, bildirilən gecikmə yalnız neyron şəbəkəsinin forward-pass müddətidir. MS-NaN xüsusiyyət çıxarılması, sürüşən pəncərə yaradılması və məlumat ötürmə xərci bu müddətlərə daxil deyil. Buna görə 0,576 ms dəyərini bütün ucdan-uca trafik emalı sisteminin real ümumi gecikməsi kimi şərh etmək doğru deyil.

Müxtəlif öyrənmə paradiqmaları ilə xarici müqayisə

Burada birbaşa “eyni arxitekturanın komponent müqayisəsi” aparılmır. Auto-RL və Si-TDD nəzarətsiz yanaşmalardır və fərqli girişlərdən/təlim mexanizmlərindən istifadə edirlər. Mənbə bu müqayisəni sərt komponent üstünlüyünün sübutu kimi deyil, müxtəlif anomaliya aşkarlama paradiqmaları arasında ümumi istinad kimi təqdim edir.

Anomaliya növünə görə recall

Ən diqqətçəkən nəticə qısa shapelet sinfindədir. DB-CGNet 0,5467 ilə ən yüksək recall dəyərinə çatarkən mənbə bunu Hybrid_CLA ilə müqayisədə %13,26, Transformer ilə müqayisədə %13,90 və LSTM ilə müqayisədə %21,31 yaxşılaşma kimi bildirir.

Buna qarşılıq nöqtəvi və orta shapelet anomalilərində ən yüksək recall Transformer-ə məxsusdur. Uzun shapelet anomalilərində DB-CGNet, Hybrid_CLA və 1D-CNN 0,9653 ilə bərabər ən yüksək dəyərə çatır. Buna görə modelin əsas fərqlənməsi bütün anomaliya növlərində mütləq üstünlük deyil; xüsusilə normal trafik dalğalanmalarına bənzəyən qısamüddətli formal anomalilərdə daha güclü aşkarlama təmin etməsidir.

Ablasiya tədqiqatı: hansı komponent nə qədər vacibdir?

MS-Prior çıxarıldıqda qlobal F1 0,7757-dən 0,6986-ya enir; mənbə bunu %9,9 nisbi azalma kimi bildirir. Ani qol çıxarıldıqda nisbi F1 azalması %5,8; qapılı füzyon çıxarıldıqda %2,4; Focal Loss çıxarıldıqda isə %1,8-dir.

Qısa shapelet anomalilərində fərq daha qabarıqdır. Recall:

• Tam model: 0,5467
• MS-Prior yoxdur: 0,3973 — %27,3 azalma
• Ani qol yoxdur: 0,4560 — %16,6 azalma
• Qapılı füzyon yoxdur: 0,5093 — %6,8 azalma

Focal Loss çıxarıldıqda qısa shapelet recall dəyəri 0,5600-a yüksəlir; yəni təkcə recall baxımından cüzi artım var. Lakin qlobal Precision 0,9228-dən 0,8712-yə, yəni 5,16 faiz bəndi azalır. Mənbə bunu daha yumşaq qərar sərhədi səbəbindən daha çox yanlış həyəcan yaranması kimi şərh edir. Buna görə yalnız recall dəyərinə baxaraq “Focal Loss lazımsızdır” nəticəsi çıxarmaq olmaz.

Komponent əhəmiyyəti sıralaması

Mənbənin qısa shapelet aşkarlanması üçün yaratdığı komponent əhəmiyyəti sıralaması belədir:

MS-Prior > Ani Qol > Qapılı Füzyon > Focal Loss

Bu sıralama bütün mümkün tapşırıqlar üçün universal əhəmiyyət sıralaması deyil. Mənbənin öz məlumat dəsti, öz anomaliya quruluşu və xüsusilə qısa shapelet aşkarlama analizi altında əldə edilmişdir.

Tədqiqatın dəstəklədiyi nəticələr

• Trafik vəziyyətinə dair tarixi apriorilərin doqquzölçülü MS-NaN quruluşuna daxil edilməsi, xüsusilə normal gelgit dalğalanmalarına bənzəyən qısa shapelet anomalilərinin fərqləndirilməsinə töhfə verir.
• Ani dəyişmə və trend inkişafının ayrı qollarda emal edilməsi, vahid tipli təmsil əvəzinə heterogen anomaliya morfologiyalarını fərqli şəkildə modelləşdirməyə imkan verir.
• Kontekstə-həssas qapı ani qolun töhfəsini trafik vəziyyətinə uyğun öyrənilmiş şəkildə tənzimləyə bilir.
• Focal Loss bu tədqiqatdakı balanssız sinif quruluşunda xüsusilə Precision və yanlış həyəcan nəzarətinə töhfə verir.
• T_w=24, yəni 72 dəqiqəlik müşahidə pəncərəsi bu məlumat dəstində DB-CGNet-in ən yaxşı ümumi F1 və AUC nəticəsini verdiyi pəncərədir.
• Fiziki məhdudiyyətlərlə yaradılmış sintetik baza sırası mənbədə aparılan MAE, RMSE, R², ECDF və qutu-qrafik müqayisələrində real trafik sırasına oxşar statistik quruluş göstərir.

Tədqiqatın dəstəkləmədiyi ümumiləşdirmələr

• DB-CGNet-in bütün şəhərlərdə, bütün ekspres yollarda və bütün sensor növlərində eyni performansı göstərəcəyi sübut edilməyib.
• Tədqiqat real qəzaların və ya hadisələrin birəbir avtomatik diaqnostika edildiyini göstərmir.
• Yeridilmiş anomalilər konkret real tarixi hadisələrin surəti deyil.
• DB-CGNet hər pəncərə uzunluğunda hər metrik üzrə bütün modellərdən üstün deyil; T_w=48-də Hybrid_CLA F1 və Recall baxımından daha yüksəkdir.
• 0,576 ms model-forward müddəti bütün ucdan-uca sistem gecikməsi deyil.
• Model bu təcrübədə sürət, doluluq, nəqliyyat vasitəsi trayektoriyası, hava şəraiti və ya hadisə hesabatlarını birlikdə istifadə etməyib.
• Real hadisə qeydləri ilə event-level sahə doğrulaması aparılmayıb.

Əsas məhdudiyyətlər

Birinci məhdudiyyət məlumat coğrafiyası və sensor əhatəsidir. Qiymətləndirmə VDS 1030 adlı tək sabit ekspres yol kəsiyindəki 3 dəqiqəlik trafik həcmi sırasına əsaslanır. Müxtəlif yol şəbəkələrində gündəlik period, tutum, sensor xüsusiyyətləri və nümunələmə intervalı dəyişə bilər. MS-NaN eyni zaman dilimində tarixi istinadlardan istifadə etdiyinə görə yeni şəbəkələrdə tarixi qruplaşdırma, pəncərə uzunluğu və anomaliya müddəti hədlərinin yenidən kalibrlənməsi lazım ola bilər.

İkinci məhdudiyyət giriş dəyişəninin tək mənbəli olmasıdır. Sürət, occupancy/doluluq, nəqliyyat vasitəsi trayektoriyaları, hava şəraiti və ya hadisə qeydləri daxil edilməyib. Bu dəyişənlərin əlavə olunması xüsusiyyət təmsilinin və füzyon mexanizminin genişləndirilməsini tələb edir.

Üçüncü və ən vacib şərh sərhədi real hadisə doğrulamasıdır. Nöqtəvi və shapelet anomaliləri trafik fizikası ilə məhdudlaşdırılmış olsa da, VDS 1030 üçün zamanla uyğunlaşdırılmış əhatəli hadisə qeydləri olmadığından konkret hadisələrlə birəbir doğrulama aparıla bilməyib. Mənbə buna görə mövcud kəmiyyət nəticələrinin ilk növbədə trafik fizikası ilə məhdudlaşdırılmış simulyasiya anomaliləri altındakı aşkarlama performansını göstərdiyini bildirir.

Gələcək tədqiqat istiqamətləri arasında daha yüksək ayırdetməli və çoxregionlu trafik məlumatları, əhatəli hadisə etiketləri, real hadisə qeydləri ilə doğrulama, çoxmənbəli xüsusiyyət füzyonu, şəbəkələrarası transfer, nəzarətli anomaliya nisbəti analizləri, məkan-zaman anomaliya yayılması, onlayn uyğunlaşan aşkarlama və daha inkişaf etmiş şərh edilə bilmə mövcuddur.

Mənbə və Metod Qeydi

Orijinal tədqiqat: Traffic-Prior-Guided State-Aware Framework for Robust Urban Traffic Anomaly Detection

Müəlliflər: Lingguang Wang; Changbo Kang; Yanchen Qiu; Yixuan Shang; Xiaomeng Wang; Qifeng Yu.

Corresponding author: Qifeng Yu.

Qurum 1: College of Transport and Communications, Shanghai Maritime University, Shanghai 201306, China.

Qurum 2: Municipal Engineering Maintenance Service Center, Baoji 721000, China.

Jurnal: Urban Science.

Nəşriyyatçı: MDPI.

Cild / nömrə / məqalə: Volume 10, Issue 8, Article 457.

DOI: 10.3390/urbansci10080457.

Rəsmi keçid: https://doi.org/10.3390/urbansci10080457

Göndərilmə: 28 May 2026.

Reviziya: 31 İyul 2026.

Qəbul: 4 Avqust 2026.

Nəşr: 7 Avqust 2026.

Mənbə növü: Article; eksperimental hesablama əsaslı trafik anomaliyalarının aşkarlanması və dərin öyrənmə tədqiqatı.

Rəy statusu: Urban Science jurnalının rəyli Version of Record nəşridir; mənbə Received, Revised və Accepted tarixlərini bildirir.

Lisenziya: Creative Commons Attribution, CC BY.

Məlumat mənbəyi: Open ITS Open Traffic Data Consortium, OpenData V7.0; Centre for Smart Transportation, University of Alberta, Kanada; Whitemud Drive, Edmonton, VDS 1030.

Məlumatların əlçatanlığı: Mənbə trafik məlumatları müvafiq açıq məlumat platforması və məqalədəki istinadlar vasitəsilə əlçatandır. Emal edilmiş və tədqiqatın nəticələrini dəstəkləyən məlumatların corresponding author-dan əsaslandırılmış sorğu əsasında əldə edilə biləcəyi bildirilir.

Maliyyələşdirmə: “Research on the Impact of Road Maintenance Construction on Traffic Efficiency and Driving Safety” layihəsi; Baoji Municipal Engineering Maintenance Service Center, China. Mənbə qrant nömrəsinin təyin edilmədiyini bildirir.

Maraqlar toqquşması: Müəlliflər maraqlar toqquşmasının olmadığını bəyan edirlər.

Etika komitəsi: Tətbiq olunmur.

Məlumatlandırılmış razılıq: Tətbiq olunmur.

Müəllif töhfələri: Konseptuallaşdırma Qifeng Yu və Xiaomeng Wang; metodologiya Qifeng Yu, Lingguang Wang və Changbo Kang; proqram təminatı Lingguang Wang və Yanchen Qiu; doğrulama Lingguang Wang, Yanchen Qiu və Yixuan Shang; formal təhlil Lingguang Wang, Changbo Kang və Qifeng Yu; tədqiqat Lingguang Wang, Yanchen Qiu və Yixuan Shang; məlumatların kurasiyası Lingguang Wang, Yanchen Qiu və Yixuan Shang; ilkin layihənin yazılması Lingguang Wang, Yanchen Qiu və Yixuan Shang; nəzərdən keçirmə və redaktə Lingguang Wang, Qifeng Yu və Xiaomeng Wang; vizuallaşdırma Lingguang Wang; məsləhətçilik Qifeng Yu və Xiaomeng Wang; layihə idarəetməsi Changbo Kang; maliyyələşdirmənin təmin edilməsi Changbo Kang.

Əsas metodoloji sərhəd: Tədqiqatın əsas kəmiyyət qiymətləndirilməsi real trafik ölçmələrindən yaradılmış və fiziki baxımdan məhdudlaşdırılmış sintetik anomalilər ehtiva edən tək-kəsikli məlumat quruluşunda aparılmışdır. Real hadisə qeydləri ilə birəbir event-level doğrulama yoxdur. Müxtəlif şəbəkələrə transfer edilə bilmə, çoxmənbəli trafik girişləri və real hadisə etiketləri gələcəkdə ayrıca təsdiqlənməlidir.