Трафиктин априордук маалыматы жетектеген абалга сезимтал аномалияларды аныктоо алкагы, шаардык ылдам жолдогу жол кыймылынын агымында кадимки жүрүм-турумдан четтөөлөрдү жөн гана чийки убакыт катарына карап эмес; жол кыймылынын күнүмдүк жана жумалык түзүлүшү, мурда ошол эле убакыт аралыгындагы жүрүм-туруму, жергиликтүү өзгөрүү ылдамдыгы жана трафик абалынын убакыттык контексти сыяктуу тармактык билимди да моделге киргизүү аркылуу аныктоого багытталган терең үйрөнүү ыкмасы. Изилдөөнүн өзөгүндө бир өлчөмдүү трафик көлөмүнүн катарын тогуз өлчөмдүү жана чечмелене турган өзгөчөлүктөр мейкиндигине айландырган Multi-Scale Natural Neighborhood (MS-NaN) модулу жана кескин четтөөлөр менен узагыраак убакытка созулган формалык аномалияларды өзүнчө бутактарда иштеткен Dual-Branch Context-Gated Network (DB-CGNet) жайгашкан.

Изилдөө Канаданын Эдмонтон шаарындагы Whitemud Drive шаардык экспресс-жолунда жайгашкан VDS 1030 индуктивдүү илмек детекторунан алынган Open ITS OpenData V7.0 трафик маалыматтарын колдонот. Жазуусу жетишпеген үч күн алынып салынгандан кийин 21 күндүк үзгүлтүксүз реалдуу трафик катары калтырылган, төрт тилкедеги өлчөөлөр бир багыттагы кесилиштик жалпы трафик көлөмүнө бириктирилген жана баштапкы 20 секунддук өлчөөлөр 3 мүнөттүк интервалдарга кайра үлгүлөнгөн. Ошентип, ар бир күн 480 убакыт кадамын камтыйт.

Реалдуу 21 күндүк тазаланган трафик базасы узак мөөнөттүү окутуу жана аномалияларды баалоо үчүн жетишсиз болгондуктан, авторлор иш күндөрү менен дем алыш күндөрүндөгү толкун сымал үлгүлөрдү бөлгөн B-spline негизиндеги тренд түзүүнү жана биринчи тартиптеги авторегрессиялык калдыктарды моделдөөнү колдонуп, кошумча 70 күндүк жогорку окшоштуктагы трафик катарын түзүшкөн. Реалдуу жана түзүлгөн катарлар бириктирилип, жалпы 91 күндү жана 43.000ден ашык убакыт кадамын камтыган баалоо түзүмү алынган. Трафик аномалиялары болсо жөн гана туш келди ызы-чуу кошуу менен эмес, Highway Capacity Manual (HCM) өткөрүмдүүлүктү азайтуу байланыштары жана асимметриялуу тыгындын өнүгүү логикасы аркылуу физикалык жактан чектелген.

Эң жакшы жалпы натыйжа 3 мүнөттүк үлгүлөөдөн улам 72 мүнөттүк тарыхка туура келген T_w = 24 байкоо терезесинде алынган. DB-CGNet бул шартта AUC = 0,9112, F1 = 0,7757, Precision = 0,9228 жана Recall = 0,6690 көрсөткүчтөрүнө жеткен. Айрыкча кадимки трафик толкундарына окшош болгондуктан айырмалоо кыйын болгон кыска shapelet аномалияларында DB-CGNetтин recall мааниси 0,5467 болуп, салыштырылган базалык архитектуралардын ичинен эң жогорку көрсөткүч.

Бирок бул натыйжаларды чечмелөөнүн чеги маанилүү. Изилдөө бир гана туруктуу экспресс-жол кесиминдеги трафик көлөмү маалыматтарына негизделет. Ылдамдык, толуктук, транспорт каражатынын траекториясы, аба ырайы же ошол убактагы реалдуу окуя жазуулары моделдин киришине кошулган эмес. Киргизилген аномалия үлгүлөрү трафик физикасы менен чектелген болсо да, белгилүү тарыхый кырсыктардын же окуялардын бирден-бир кайра түзүлгөн жазуулары эмес. Ошондуктан алынган көрсөткүчтөр биринчи кезекте трафик физикасы менен чектелген симуляцияланган аномалиялар шартындагы аномалияларды аныктоо ийгилигин көрсөтөт; ар башка жол тармактарында жана реалдуу окуя белгилери менен жалпылануу мүмкүнчүлүгү өзүнчө текшерилиши керек.

Изилдөөнүн негизги көйгөйү

Шаардык жол кыймылынын агымы туруктуу орточо маанинин айланасында гана майда туш келди өзгөрүүлөрдү көрсөтпөйт. Эртең мененки жана кечки чокулар, иш күнү–дем алыш айырмачылыктары, тар жерлердин ишке кириши, унаа кезегинин жайылышы, суроо-талаптын термелүүсү жана сенсор каталары бир убакыт катарында өтө ар башка формаларды жаратышы мүмкүн. Ошондуктан трафик көлөмүнүн мааниси өзүнчө эле “жогорку” же “төмөн” болушу анын аномалдуу экенин айтууга жетишсиз.

Мисалы, 3000 транспорт каражаты/саат деген маани күндүн тыгыз маалында кадимки болушу мүмкүн, ошол эле маани адатта трафик кыйла төмөн болгон убакыт аралыгында башкача мааниге ээ болушу мүмкүн. Ошондой эле кыска мөөнөттүү сенсордук секирик менен чыныгы тыгындын башталышын бир модель бирдей карабашы керек. Ошондуктан изилдөөнүн негизги ыкмасы моделге “маани канчалык өзгөрдү?” деген суроону гана эмес, “бул өзгөрүү кайсы трафик абалында, кайсы тарыхый контекстке карата жана кандай убакыттык формада болду?” деген суроону да киргизет.

Жол Кыймылынын Агымынын Аномалиясы Бул Изилдөөдө Эмнени Билдирет?

Жол кыймылынын агымынын аномалиясы — изилдөөнүн алкагында кабарланган жол кырсыгы менен сөзсүз бирден-бир дал келбеген жана байкалган трафик көлөмүнүн катарында кадимки иштөө үлгүлөрүнөн четтөөнү билдирген маалымат деңгээлиндеги абал. Бул четтөө сенсор бузулушунун, байланыш катасынын, адаттан тыш суроо-талаптын, кайталанбаган тыгындын же башка трафик бузулушунун белгиси болушу мүмкүн; модель окуянын түрүн түздөн-түз диагноздобойт.

Чекиттик жана shapelet аномалиялары

Булак трафик аномалияларын эки негизги жүрүм-турум классы катары карайт:

• Чекиттик аномалия: Бир гана убакыт кадамында пайда болгон обочолонгон секирик. Маалымат топтомунда бир убакыт кадамы 3 мүнөт болгондуктан, чекиттик аномалия 3 мүнөттүк бир байкоо болуп саналат. Изилдөө муну өзгөчө сенсор же байланыш көйгөйлөрү менен байланыштырат.
• Shapelet аномалиясы: Бир нече ырааттуу убакыт кадамына жайылып, трафик катарынын формасын, трендин же өнүгүшүн өзгөрткөн үлгү.

Чек боюнча эскертүү: Булак кыска shapelet үчүн 2–40, орто shapelet үчүн 40–160 кадам деп жазат. Ошондуктан так 40 кадам булак текстинде эки аралыкта тең кездешет. Verianla баяны бул чекти өз алдынча 39/40 же 40/41 түрүндө өзгөртпөйт.

Трафик убакыт катарынын математикалык аныктамасы

Трафик көлөмүнүн катары:

Негизги аныктама: \(v=[v_1,v_2,\ldots,v_N]\)

Бул жерде \(v_t\), \(t\) убакыт кадамындагы трафик көлөмү жана булакта анын бирдиги veh/h, башкача айтканда транспорт каражаты/саат деп берилген. \(N\), жалпы байкоолордун саны.

Теңдеме (1) — жылма терезе:

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

\(T_w\) терезенин узундугу. Модель бир гана \(v_t\) маанисин карабайт; акыркы \(T_w\) байкоону чогуу баалайт. Мисалы, \(T_w=24\) жана үлгүлөө аралыгы 3 мүнөт болгондо, модель ар бир чечим үчүн акыркы 72 мүнөттүк трафик тарыхын көрөт.

Ар бир \(x_t\) терезесинин белгиси \(y_t\in\{0,1\}\) түрүндө. \(y_t=0\) кадимки, \(y_t=1\) аномалдуу абалды билдирет. Белги терезенин акыркы убакыт кадамы \(t\) дагы трафик абалына жараша аныкталат.

Теңдеме (2) — MS-NaN өзгөчөлүк өзгөртүүсү:

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

Чийки кириш \(x_t\) бир өлчөмдүү трафик көлөмү терезеси. \(\Phi\) MS-NaN өзгөртүүсүн билдирет. Чыгыш \(F_t\) ар бир убакыт кадамы үчүн тогуз өзгөчөлүктү камтыган \(T_w\times9\) өлчөмдүү өзгөчөлүк матрицасы.

Теңдеме (3) — аномалия ыктымалдыгы:

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

\(f_{\theta}\) — үйрөнүлүүчү параметрлери \(\theta\) болгон DB-CGNet. \(z_t\) классификатордун logit чыгышы. Sigmoid функциясы \(\sigma(\cdot)\) бул чектелбеген logit маанисин 0 менен 1дин ортосундагы аномалия ыктымалдыгына айлантат.

MS-NaN Трафик Абалын Моделге Кантип Өткөрөт?

Multi-Scale Natural Neighborhood (MS-NaN) чийки трафик көлөмүн жалгыз колдонбой, трафик агымындагы кескин өзгөрүүнү, мурда ошол эле убакыт аралыгына салыштырмалуу четтөөнү, ар башка тарыхый масштабдардагы өзгөчөлөнүүнү жана күн ичиндеги мезгилдик ордун бирге чагылдырган тогуз өлчөмдүү детерминисттик өзгөчөлүк өзгөртүүсү; бул өзгөчөлүктөр кийин DB-CGNetтин үйрөнүлүүчү тармак түзүмүнө кириш катары берилет.

1. Туруктуу трафик көлөмүн нормалдаштыруу

Теңдеме (4):

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

\(m\) — окутуу топтомунан гана эсептелген медиана. \(Q_1\) жана \(Q_3\) да окутуу топтомунун тиешелүүлүгүнө жараша %25 жана %75 процентилдери. \(Q_3-Q_1\) interquartile range, башкача айтканда IQR.

Бул нормалдаштыруунун максаты орточо маани менен стандарттык четтөөгө ашыкча көз каранды болбой, медиана жана IQR сыяктуу четки маанилерге туруктуураак статистикаларды колдонуу. Айрыкча сенсордук секириктер бар маалымат топтомунда бир нече өтө четки маани бардык масштабдоону бузбашы үчүн тандалган. Окутуу топтомунан тышкаркы маалыматтан медиана же процентиль эсептелбеши маалыматтын агып кетүүсүн алдын алат.

2. Кескин жана кеңири масштабдагы айырмалар

Теңдеме (5):

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

Бул маани удаалаш эки байкоонун ортосундагы кескин өзгөрүүнү өлчөйт. Чоң оң же терс маани кыска мөөнөттүү секириктерге сезимталдык берет.

Теңдеме (6):

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

Изилдөөдө \(s=2\) колдонулган. Бул айырма мурунку бир чекитке гана эмес, эки убакыт кадамы артка карап, кеңири убакыттык салыштырууну берет. Булактын түшүндүрмөсү боюнча максат жогорку жыштыктагы ызы-чуунун таасирин азайтуу менен трафиктин өнүгүү трендин туруктуураак чагылдыруу.

3. Ошол эле мезгилдин тарыхый эталону

Трафик маанисинин аномалдуу же жок экенин баалоодо ошол эле сааттагы жана ошол эле күн тибиндеги мурунку жүрүм-турум маанилүү. \(H(t)\) — учурдагы \(t\) убактысы менен бирдей күн тибине жана бирдей күн ичиндеги убакыт индексине ээ окутуу үлгүлөрүнүн жыйындысы.

Теңдеме (7):

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

Бул теңдеме ошол эле трафик контекстиндеги тарыхый күтүлгөн көлөмдү берет.

Теңдеме (8):

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

Тарыхый эталон да чийки трафик көлөмү менен бирдей \(m\), \(Q_1\) жана \(Q_3\) колдонулуп масштабдалат. Ошентип учурдагы өлчөм менен тарыхый база бир масштабда салыштырылат.

4. Салыштырмалуу четтөө катышы

Теңдеме (9):

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

Булакта \(\epsilon_1=10^{-3}\) veh/h жана \(\kappa=3,0\) деп берилген.

Алым учурдагы трафик көлөмү тарыхый күтүлгөн мааниден канчалык алыстаганын көрсөтөт. Бөлүм бул айырманы тарыхый деңгээлге карата масштабдайт. Трафик көлөмү нөлгө өтө жакындаганда бөлүү кескин өсүп кетпеши үчүн \(\max(|v_t^{hist}|,\epsilon_1)\) колдонулат. Натыйжа өтө чоң болгондо Clip операциясы маанини \([-3,3]\) аралыгында чектейт. Ошентип бир гана өтө четки сенсордук секирик өзгөчөлүктөрдүн бөлүштүрүлүшүн ашыкча бузуп жибербөөгө аракет кылынат.

5. Natural Neighbor эмне үчүн туруктуу KNNден айырмаланат?

Стандарттуу K-nearest-neighbor ыкмасында коңшулардын саны \(k\) алдын ала туруктуу белгиленет. Бирок трафик бөлүштүрүлүшүнүн тыгыздыгы күндүн ар башка убактарында бирдей эмес. MS-NaN ыкмасында \(k\) жергиликтүү үлгү тыгыздыгына жараша ыңгайлаштырылат.

Белгилүү бир убакыт аралыгы үчүн:

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

жана \(n_s=|S(t)|\) болсун.

Теңдеме (10):

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

\(I_k(i)\) — \(i\) үлгүсү башка үлгүлөрдүн \(k\)-коңшулук жыйындарында канча жолу тандалганын билдирген in-degree мааниси. Алгоритм ар бир үлгү жок дегенде бир башка үлгү тарабынан коңшу катары тандалганга чейин \(k\) маанисин көбөйтөт. Ошентип тыгыз жана сейрек трафик контексттеринде бирдей туруктуу коңшулук өлчөмүн мажбурлап колдонбой, ыңгайлашуучу чөйрө түзүлөт.

Теңдеме (11) — NaN-Distance:

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

\(v_{(i)}\) — учурдагы байкоого болгон аралык боюнча иреттелген коңшулардын \(i\)-чиси. Айырмалар тиешелүү мезгилдин стандарттык четтөөсүнө бөлүнөт. Ошондуктан көлөмү жогору чоку саатындагы абсолюттук 300 транспорт каражаты/саат айырма менен көлөмү төмөн түнкү убактагы ошол эле 300 транспорт каражаты/саат айырма бирдей чечмелениши шарт эмес.

Теңдеме (12):

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

\(\sigma_{S(t)}\) — тиешелүү тарыхый мезгил жыйындысынын стандарттык четтөөсү. Бул стандартташтыруу NaN-Distanceти ар башка трафик деңгээлдери арасында көбүрөөк салыштырмалуу кылат.

6. Жумалык жана күн-тиби масштабдары

Natural Neighbor операциясы эки башка тарыхый тактыкта жүргүзүлөт:

• Weekly / day-of-week масштабы: Дүйшөмбү, шейшемби ж.б. болуп жети өзүнчө күн классы.
• Day-type масштабы: Иш күнү жана дем алыш күнү болуп эки класс.

Теңдеме (13):

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

Бул жердеги \(Q_1^{dow},Q_3^{dow}\) жана \(Q_1^{dt},Q_3^{dt}\) чийки трафик көлөмүнүн эмес, тиешелүү outlierness бөлүштүрүүлөрүнүн өз процентилдери. Булак бул айырманы атайын белгилейт. Эки өзгөчөлүк өз-өзүнчө туруктуу түрдө масштабдалат.

7. Күн ичиндеги фаза коддоосу

23:59 менен 00:00 чыныгы жашоодо бири-бирине абдан жакын; бирок “мүнөт номери” сыяктуу сызыктуу өзгөрмө колдонулса, бул эки чекит сандык жактан аралыктын эки четинде көрүнөт. Изилдөө бул жасалма үзүлүүнү синус жана косинус аркылуу бирдик айланага өткөрүп чечет.

Теңдеме (14):

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

\(\tau_{tod}\) — күн ичиндеги убакыт индекси; \(T_d\) — бир күндөгү жалпы убакыт кадамдарынын саны. Бул маалымат топтомунда 3 мүнөттүк аралык менен бир күн 480 байкоону камтыйт. Синус менен косинус жуптугу күндүн башы менен аягын геометриялык жактан бириктирген мезгилдүү көрүнүштү түзөт.

DB-CGNet Эмне Үчүн Эки Өзүнчө Бутак Колдонот?

Dual-Branch Context-Gated Network (DB-CGNet) бир эле убакыттык кабыл алуу талаасы бир кадамдык кескин секириктерди да, сааттарга созулган форма өзгөрүүлөрүн да бир көрүнүштө жетиштүү жакшы кармай албашы мүмкүн деген божомолго негизделет; ошондуктан кескин бузулуу сигналдарын жеңил MLP бутагына, тогуз өлчөмдүү убакыт катарынын толугун болсо GRU жана temporal attention колдонгон тренд бутагына берет жана эки көрүнүштүн салымын трафик контекстинен үйрөнүлгөн дарбаза коэффициенти менен бириктирет.

Кескин өзгөрүү бутагы

Кескин бутак терезенин акыркы убакыт кадамындагы үч гана өзгөчөлүктү колдонот:

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

Булар \(\Delta v_t\), \(\Delta_s v_t\) жана \(\delta_t^{rel}\).

Теңдеме (15):

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

Максат — тарыхый орточо деңгээл же мезгилдүү код сыяктуу жайыраак контексттик өзгөчөлүктөрдү бул бутактан чыгарып, тармакты айрыкча кескин өзгөрүүлөргө топтоо.

Теңдеме (16):

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

Булакта жашыруун өлчөм \(d_h=32\), dropout ыктымалдыгы \(p_d=0,3\). Ошентип кескин бутак 16 өлчөмдүү көрүнүш түзөт. Batch Normalization mini-batch ичиндеги бөлүштүрүүнү теңдейт; \(\tanh\) чыгышты \((-1,1)\) аралыгында чектейт; Dropout окутуу учурунда регуляризация берет.

Тренддин өнүгүү бутагы

Теңдеме (17):

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

GRU тогуз өлчөмдүү убакыт катарынын баарын ырааттуу иштетет. Ар бир убакыт кадамы үчүн жашыруун абал \(h_i\) пайда болот. Булак стандарттуу GRUнун ички жаңыртуу жана reset дарбаза теңдемелерин кайра жазган эмес, стандарттуу GRU формуласына шилтеме берген; ошондуктан Verianla бул жерде булакта жок жаңы GRU теңдемесин кошпойт.

Temporal attention

Теңдеме (18):

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

\(e_i\) — \(i\) убакыт кадамынын attention баллы. Softmax менен нормалдаштырылган \(\alpha_i\) бардык убакыт кадамдарынын салмактары арасында салыштырууга боло турган бөлүштүрүүнү түзөт.

Теңдеме (19):

\[ c=\sum_i\alpha_i h_i \]

\(c\) — attention салмактары менен түзүлгөн контекст вектору.

Attention бүт тарыхты жыйынтыктаганда акыркы убакыт кадамынын маанилүү маалыматын суюлта тургандыктан, булак акыркы жашыруун абалды өзүнчө сактайт.

Теңдеме (20):

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

Бул жердеги чекиттүү үтүр векторлордун concatenation, башкача айтканда ырааттуу бириктирилишин билдирет. Ошентип тренд бутагы бүт терезенин салмакталган жыйынтыгын да, эң акыркы трафик абалын да алып жүрөт.

Глобалдык трафик контексти

Теңдеме (21):

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

Бул жердеги \(\mu\) терезе боюнча ар бир өзгөчөлүк каналынын орточо деңгээлин; \(\sigma_{std}\) болсо термелүү деңгээлин билдирет.

Теңдеме (22):

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

\(D=9\) болгондуктан глобалдык контекст 18 компоненттүү түзүм.

Контекстке сезимтал дарбаза коэффициенти

Теңдеме (23):

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

\(g\) — кескин бутак канчалык деңгээлде сакталарын аныктаган үйрөнүлгөн скалярдык дарбаза коэффициенти. Маанилүү жагы — бул маани трафик көлөмү же бир гана эреже боюнча эсептелбейт; кескин өзгөчөлүк, тренд өзгөчөлүгү жана глобалдык контексттин баарынан үйрөнүлөт.

Теңдеме (24):

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

\(g\) кичирейген сайын кескин бутак басаңдатылат; чоңойгон сайын көбүрөөк кескин маалымат сакталат. Тренд бутагы болсо булак архитектурасында негизги убакыттык таяныч катары толук сакталат.

Теңдеме (25):

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

Эки бутак бириктирилип, толук байланышкан өзгөртүүдөн өткөрүлөт.

Акыркы классификатор

Теңдеме (26):

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

Акыркы катмар \(h_{fuse}\) маанисин алгач \(d_h\) өлчөмдүү жашыруун көрүнүшкө, андан кийин бир logit \(z_t\) маанисине кыскартат. Бул logit Теңдеме (3)төгү sigmoid аркылуу \(\hat p_t\) аномалия ыктымалдыгына айланат.

Дарбаза коэффициенти экспериментте кандай жүрүм-турум көрсөттү

Аblация анализинде \(T_w=24\) тест терезелеринен алынган орточо дарбаза маанилери нормалдуу төмөн термелүүчү терезелерде 0,2878; нормалдуу жогорку термелүүчү терезелерде 0,4108; чекиттик аномалияларда 0,4653; кыска shapeletтерде 0,5015; орто shapeletтерде 0,5717 жана узун shapeletтерде 0,6917 деп берилген.

Бул жыйынтык аномалиянын узактыгы же интенсивдүүлүгү өскөн сайын кескин бутактын маалыматын көбүрөөк сактоо тенденциясы бар экенин көрсөтөт. Бирок булак \(g\) бир гана трафик көрсөткүчүнүн түз функциясы эмес экенин; кескин бутак, тренд бутагы жана глобалдык контексттин биргелешкен таасири менен үйрөнүлөрүн өзгөчө белгилейт.

Focal Loss эмне үчүн колдонулат?

Трафик аномалиялары кадимки байкоолорго караганда сейрек. Стандарттуу экилик кесилишкен энтропия көп сандагы оңой нормалдуу үлгүлөрдүн жалпы жоготууга таасирин көбөйтүп, моделдин аз сандагы аномалияларга жетиштүү көңүл бурушун кыйындатышы мүмкүн.

Теңдеме (27):

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

\(y_t=1\) болсо \(p_t^{*}=p\); \(y_t=0\) болсо \(p_t^{*}=1-p\). Ошентип бир туюнтма моделдин чыныгы класска берген ыктымалдыгын билдирет.

Теңдеме (28) — Focal Loss:

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

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

Булакта \(\alpha=0,95\) жана \(\gamma=2,0\) колдонулган. Бул маанилер валидация топтомунда F1ди максималдаштыруу үчүн жүргүзүлгөн grid search жыйынтыгында тандалган. Каралган талапкерлер:

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

\(\alpha=0,95\) болгондо аномалия классынын салмагы 0,95, нормалдуу үлгүлөрдүн салмагы 0,05. Булак муну нормалдуу үлгүнүн салымы аномалия салмагына салыштырмалуу болжол менен 19 эсе басаңдатылышы катары түшүндүрөт. Мындан тышкары, \((1-p_t^{*})^\gamma\) мүчөсү оңой классификацияланган үлгүлөрдүн жоготууга салымын азайтып, татаал үлгүлөрдүн таасирин жогору сактайт.

Динамикалык чечим чеги

Модель берген \(\hat p_t\) мааниси ыктымалдык; аны нормалдуу/аномалия белгисине айлантуу үчүн чек керек. Булак туруктуу 0,5 колдонбой, Precision–Recall ийри сызыгы боюнча чектерди сканерлейт.

Теңдеме (29):

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

Бул жерде \(\epsilon_2=10^{-10}\) — сандык туруктуулук үчүн кошулган өтө кичине туруктуу маани.

Теңдеме (30):

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

Башкача айтканда, бардык талапкер чектердин арасынан F1ди эң жогору кылган чек тандалат.

Теңдеме (31):

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

Бул ыкма салыштырылган моделдердин ар бирин өз ыктымалдык бөлүштүрүүсүнө ылайык оптималдуу чечим чегинде баалоону көздөйт.

Маалымат булагы жана алгачкы тазалоо

Маалымат University of Alberta Centre for Smart Transportation тарабынан берилген Open ITS Open Traffic Data Consortium — OpenData V7.0 булагынан алынган. Изилдөө Эдмонтондогу Whitemud Drive шаардык экспресс-жолунда жайгашкан VDS 1030 индуктивдүү loop детекторун тандаган.

Рампаларга жана weaving аймактарына жакын татаал өз ара аракеттерди азайтуу үчүн бул туруктуу кесим тандалган. Үч күндүк жетишпеген жазуулар алынып, 21 күндүк үзгүлтүксүз трафик катары калган. Төрт тилкедеги трафик өлчөөлөрү бир багыттагы кесилиштик жалпы агымга айландырылып, 20 секунддук баштапкы жазуулар 3 мүнөткө кайра үлгүлөнгөн.

Алгачкы аномалияларды сканерлөө жана ишенимдүү базалык катар түзүү

Булак чийки 21 күндүк маалыматты түз эле “толугу менен нормалдуу” деп кабыл албайт. Адегенде иш күндөрү жана дем алыш күндөрүнүн катарлары бөлүнөт. Эки изге тең robust STL decomposition колдонулат жана сезондук мезгил 480 кадам деп белгиленет. Ошентип трафик катары тренд, сезондук түзүм жана калдык компоненттерге бөлүнөт.

Андан кийин 40 кадамдык жергиликтүү терезеде жергиликтүү орточо жана стандарттык четтөө эсептелип, \(\mu_{local}\pm3\sigma_{local}\) чектери колдонулат. Мындан тышкары жалпыраак \(\mu_{global}\pm3\sigma_{global}\) чектери колдонулат. Эки ыкма менен табылган талапкерлердин бирикмеси аномалия талапкерлеринин пулун түзөт.

Бул талапкерлер акыркы этапта визуалдуу түрдө жана трафик инженериясынын билими менен кол менен текшерилет. Булак ылдамдык чеги боюнча чектөөлөр жана трафик инженериясынын билими колдонулганын; обочолонгон сенсор ызы-чуусу алып салынганда убакыт боюнча ырааттуу тыгын термелүүлөрү сакталганын билдирет.

21 күндөн 91 күндүк баалоо катарыга өтүү

Тазаланган 21 күндүк реалдуу трафик катары үч этап менен узартылат:

1. Иш күндөрү жана дем алыш күндөрү үчүн ар бир күн ичиндеги убакыт аралыгында медианалык трафик маанилерин колдонуп туруктуу “tidal prototype” ийри сызыктары алынат жана B-spline менен тегизделет.
2. Тегизделген макроскопиялык тренд алынып салынгандан кийин калган майда масштабдагы термелүүлөр биринчи тартиптеги авторегрессиялык процесс менен моделденет.
3. Калдык компоненттер Monte Carlo үлгүлөөсү менен түзүлүп, календардык ирет боюнча тренд менен бириктирилет жана физикалык өткөрүмдүүлүк чектөөлөрү колдонулат.

Бул процесс 70 күндүк синтетикалык, бирок трафик түзүлүшүн сактоого багытталган базалык катарды түзөт. 70 күндүк катар реалдуу 21 күндүк катар менен бириктирилип 91 күн алынат.

Маанилүү булак чеги: Макала биринчи тартиптеги авторегрессиялык калдык моделин ыкма катары билдирет, бирок бул бөлүмдө AR(1) коэффициентинин сандык маанисин же өзүнчө номерленген AR(1) теңдемесин бербейт. Ошондуктан бул жерде булактан тышкары \(\phi\) мааниси же жаңы AR теңдемеси түзүлгөн эмес.

Синтетикалык базалык маалыматты текшерүү

Авторлор “синтетикалык маалымат реалдууга окшош” деп эле токтоп калбастан, макроскопиялык жана микроскопиялык эки деңгээлде текшерүү жүргүзүшкөн.

MAE жана RMSE амплитудалык каталарды, \(R^2\) болсо убакыттык түзүмдүн шайкештигин баалоо үчүн колдонулган. Булак бул метрикалардын стандарттуу математикалык теңдемелерин өзүнчө номерленген формула катары бербегендиктен, бул жерде булактан тышкары теңдеме кошулган эмес.

Булак ECDF ийри сызыктары жана куту графиктери да эки бөлүштүрүүнүн ортосунда окшош жүрүм-турум көрсөткөнүн билдирет. RMSE медианалары реалдуу базалык жуптарда болжол менен 411 транспорт каражаты/саат, синтетикалык салыштырууда 396 транспорт каражаты/саат; \(R^2\) медианалары тиешелүүлүгүнө жараша 0,930 жана 0,936. RMSE медианаларынын салыштырмалуу айырмасы булакта болжол менен %3,6 деп көрсөтүлгөн.

Синтетикалык Аномалиялар Реалдуу Трафик Окуялары Менен Бирдейби?

Жок. Изилдөөдөгү киргизилген чекиттик жана shapelet аномалиялары белгилүү тарыхый кырсыктардын же окуя жазууларынын бирден-бир көчүрмөсү эмес; алар HCM өткөрүмдүүлүктү азайтуу чоңдуктары, трафик агымы боюнча физикалык чектер жана тез бузулуу–жайыраак калыбына келүү формасы менен түзүлгөн трафик физикасы менен чектелген маалымат деңгээлиндеги четтөөлөр. Ошондуктан изилдөө реалдуу окуя белгилери менен трафик окуяларын аныктоонун түз талаа текшерүүсү катары чечмеленбеши керек.

HCM негизиндеги өткөрүмдүүлүктү азайтуу

Теңдеме (32):

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

\(X(t)\) — кадимки трафик агымы. \(Y(t)\) — аномалия колдонулган агым. \(\delta\in(0,1]\) окуядан кийин калган өткөрүмдүүлүк катышын билдирет. Мисалы, \(\delta=0,58\) кадимки агымдын болжол менен %58и калган төмөнүрөөк өткөрүмдүүлүк абалын билдирет.

Теңдеме (33):

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

\(N_{open}\) — ачык калган тилкелердин саны; \(N_{total}\) — жалпы тилкелердин саны; \(CAF_{per-lane}\) — HCMдеги ар бир тилке үчүн Capacity Adjustment Factor. Бул байланыш төрт тилкелүү VDS 1030 кесими үчүн объект деңгээлиндеги калган өткөрүмдүүлүк катышын түзөт.

Бул маанилердин негизинде булак shapelet киргизүүлөрүн үзгүлтүксүз аралыктарга айлантат:

Чекиттик аномалиялар HCM өткөрүмдүүлүктү азайтуу түзүмүнөн өзүнчө түзүлгөн; анткени булак аларды трафик өткөрүмдүүлүгүнүн жоголушуна караганда сенсор же байланыш көйгөйлөрү менен көбүрөөк байланыштырат. Маалымат жоготуу үчүн \(\delta=0\), аномалдуу секирик үчүн \(\delta\in[1,4;3,0]\) колдонулган.

Аномалия өнүгүшүнүн үч баскычы

Shapelet аномалияларында трафик бузулушу убакыт боюнча симметриялуу эмес деп божомолдонгон. Булак үч баскычты аныктайт:

1. Шоктун пайда болушу: Окуядан кийин трафик агымы тар жердин өткөрүмдүүлүгүнө карай тез төмөндөйт.
2. Тар жердин уланышы: Чектелген өткөрүмдүүлүк бир аз убакыт төмөн деңгээлде калат.
3. Тыгындын чечилиши: Окуя жоюлгандан кийин кезектеги транспорт каражаттары акырындап тарайт жана калыбына келүү алгачкы төмөндөөгө караганда жайыраак жүрөт.

Булак бул үч баскычтын физикалык логикасын түшүндүрөт, бирок өзүнчө номерленген бөлүктүү-убакыт теңдемесин бербейт. Ошондуктан Verianla бул жерде жасалма экспоненциалдык, сызыктуу же логистикалык калыбына келүү формуласын түзбөйт.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Эксперименттик маалымат бөлүгү

Жалпы 91 күндүк маалымат хронологиялык түрдө бөлүнгөн. Алгачкы %70, болжол менен 64 күн, окутуу топтому. Акыркы %30, болжол менен 27 күн, көз карандысыз тест топтому. Хронологиялык бөлүү келечектеги трафик маалыматынын окутуу баскычына агып киришин алдын алууну көздөйт.

Жылма терезенин узундуктары:

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

Ишке ашыруу деталдары

Булак ошондой эле бардык кириш өзгөчөлүктөрүнө окутуу топтомунан эсептелген статистикага негизделген z-score нормалдаштыруу колдонулганын билдирет. Бул сөз MS-NaN ичиндеги Теңдеме (4), (8) жана (13)тө колдонулган медиана/IQR негизиндеги өзгөчөлүк түзүү операциялары менен бир нерсе эмес. Булак ишке ашыруу баскычында тармактын кириш өзгөчөлүктөрү өзүнчө z-score менен стандартташтырылганын билдирет; эки нормалдаштыруу баскычын бир операция катары бириктирбөө керек.

Салыштырылган архитектуралар

Көзөмөлдөнгөн архитектуралык салыштырууда бардык моделдер бирдей тогуз MS-NaN өзгөчөлүгүн, бирдей Focal Loss ыкмасын жана бирдей PR негизиндеги чек оптималдаштыруусун колдонушат. Негизги өзгөрмө убакыт катарын иштеткен тармак архитектурасы гана.

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

Бул терезеде DB-CGNet төрт негизги метриканын баарында эң жогорку мааниге жеткен. AUC боюнча эң жакын модель Transformer: 0,9112ге каршы 0,9054. Булактын эсеби боюнча айырма болжол менен %0,64. F1 боюнча эң жакын модель Hybrid_CLA: 0,7757ге каршы 0,7481; булак муну %3,69 артыкчылык катары берет.

144 мүнөттүк терезеде жыйынтык эмне үчүн башкача?

Бул жерде Hybrid_CLA F1 жана Recall боюнча DB-CGNetтен аз гана жогору. DB-CGNet болсо Precision боюнча 0,9283 менен эң жогорку маанини сактайт. Булак DB-CGNet үчүн %7,17, Hybrid_CLA үчүн %11,46 “false alarm rate” деген сөз айкашын колдонот; бул сандар тиешелүү Precision маанилеринин толуктоочусу түрүндө. Ошондуктан аларды стандарттуу ROC false-positive-rate түшүнүгү менен автоматтык теңештирбөө керек.

Бул жыйынтык маанилүү чечмелөө чегин коёт: изилдөө DB-CGNet ар бир байкоо терезесинде ар бир метрикада сөзсүз эң жакшы экенин көрсөтпөйт. Негизги артыкчылык — кыскараак 72 мүнөттүк контекстте күчтүү жана тең салмактуу көрсөткүчкө жетишүү.

Эсептөө чыгымы

DB-CGNetтин 12.165 үйрөтүлүүчү параметри Hybrid_CLAнын 176.257 параметринин болжол менен %6,9ун түзөт. Бирок DB-CGNetтин model-forward убактысы Hybrid_CLAдан төмөн эмес: орточо 0,576 msге каршы 0,508 ms. Булак бул айырма болгону 0,068 ms экенине көңүл бурат.

Андан да маанилүүсү, билдирилген кечигүү нейрон тармагынын forward-pass убактысы гана. MS-NaN өзгөчөлүктөрүн чыгаруу, жылма терезе түзүү жана маалымат өткөрүү чыгымы бул убакыттарга киргизилген эмес. Ошондуктан 0,576 ms маанисин бүтүндөй баштан-аяк трафик иштетүү системасынын чыныгы жалпы кечигүүсү катары чечмелөө туура эмес.

Ар башка үйрөнүү парадигмалары менен тышкы салыштыруу

Бул жерде түздөн-түз “ошол эле архитектуранын компоненттерин салыштыруу” жүргүзүлбөйт. Auto-RL жана Si-TDD көзөмөлсүз ыкмалар болуп, ар башка кириштерди/окутуу механизмдерин колдонушат. Булак бул салыштырууну катуу компоненттик артыкчылыктын далили катары эмес, аномалияларды аныктоонун ар башка парадигмаларынын ортосундагы жалпы шилтеме катары берет.

Аномалиянын түрүнө жараша recall

Эң көңүл бурарлык жыйынтык кыска shapelet классында. DB-CGNet 0,5467 менен эң жогорку recall маанисине жеткен, булак муну Hybrid_CLAга салыштырмалуу %13,26, Transformerге салыштырмалуу %13,90 жана LSTMге салыштырмалуу %21,31 жакшыртуу катары билдирет.

Ал эми чекиттик жана орто shapelet аномалияларында эң жогорку recall Transformerге таандык. Узун shapelet аномалияларында DB-CGNet, Hybrid_CLA жана 1D-CNN 0,9653 менен тең эң жогорку мааниге жетишет. Демек, моделдин негизги айырмасы бардык аномалия түрлөрүндө абсолюттук артыкчылык эмес; айрыкча кадимки трафик термелүүлөрүнө окшогон кыска мөөнөттүү формалык аномалияларда күчтүүрөөк аныктоо камсыз кылышы.

Абляция изилдөөсү: кайсы компонент канчалык маанилүү?

MS-Prior алынганда глобалдык F1 0,7757ден 0,6986га түшөт; булак муну %9,9 салыштырмалуу төмөндөө деп билдирет. Кескин бутак алынганда салыштырмалуу F1 төмөндөшү %5,8; дарбазалуу фузия алынганда %2,4; Focal Loss алынганда %1,8.

Кыска shapelet аномалияларында айырма дагы даана. Recall:

• Толук модель: 0,5467
• MS-Prior жок: 0,3973 — %27,3 төмөндөө
• Кескин бутак жок: 0,4560 — %16,6 төмөндөө
• Дарбазалуу фузия жок: 0,5093 — %6,8 төмөндөө

Focal Loss алынганда кыска shapelet recall мааниси 0,5600гө көтөрүлөт; башкача айтканда recall боюнча гана аздап өсүү бар. Бирок глобалдык Precision 0,9228ден 0,8712ге, башкача айтканда 5,16 пайыздык пунктка төмөндөйт. Булак муну жумшагыраак чечим чегинен улам көбүрөөк жалган сигнал пайда болушу менен түшүндүрөт. Ошондуктан recall маанисине гана карап “Focal Loss керексиз” деген жыйынтык чыгарууга болбойт.

Компоненттердин маанилүүлүк тартиби

Булактын кыска shapelet аныктоо үчүн түзгөн компоненттердин маанилүүлүк тартиби төмөнкүдөй:

MS-Prior > Кескин Бутак > Дарбазалуу Фузия > Focal Loss

Бул тартип бардык мүмкүн болгон тапшырмалар үчүн универсалдуу маанилүүлүк тартиби эмес. Ал булактын өз маалымат топтому, өз аномалия түзүмү жана өзгөчө кыска shapelet аныктоо анализи шартында алынган.

Изилдөө колдогон жыйынтыктар

• Трафик абалына байланыштуу тарыхый априордук маалыматтарды тогуз өлчөмдүү MS-NaN түзүмүнө киргизүү, өзгөчө кадимки толкун термелүүлөрүнө окшогон кыска shapelet аномалияларын айырмалоого салым кошот.
• Кескин өзгөрүү менен тренддин өнүгүшүн өзүнчө бутактарда иштетүү бир типтүү көрүнүштүн ордуна гетерогендүү аномалия морфологияларын ар башкача моделдөөгө мүмкүнчүлүк берет.
• Контекстке сезимтал дарбаза кескин бутактын салымын трафик абалына жараша үйрөнүлгөн түрдө жөнгө сала алат.
• Focal Loss бул изилдөөдөгү тең салмаксыз класс түзүмүндө өзгөчө Precision жана жалган сигналды көзөмөлдөөгө салым кошот.
• T_w=24, башкача айтканда 72 мүнөттүк байкоо терезеси бул маалымат топтомунда DB-CGNet эң жакшы жалпы F1 жана AUC жыйынтыгын берген терезе.
• Физикалык чектөөлөр менен түзүлгөн синтетикалык базалык катар булакта жүргүзүлгөн MAE, RMSE, R², ECDF жана куту-график салыштырууларында реалдуу трафик катарына окшош статистикалык түзүмдү көрсөтөт.

Изилдөө колдобогон жалпылоолор

• DB-CGNet бардык шаарларда, бардык экспресс-жолдордо жана бардык сенсор түрлөрүндө бирдей көрсөткүч көрсөтөрү далилденген эмес.
• Изилдөө реалдуу кырсыктар же окуялар бирден-бир автоматтык түрдө диагноздолгонун көрсөтпөйт.
• Киргизилген аномалиялар белгилүү реалдуу тарыхый окуялардын көчүрмөсү эмес.
• DB-CGNet ар бир терезе узундугунда ар бир метрика боюнча бардык моделдерден жогору эмес; T_w=48де Hybrid_CLA F1 жана Recall боюнча жогору.
• 0,576 ms model-forward убактысы бүтүндөй баштан-аяк системанын кечигүүсү эмес.
• Модель бул экспериментте ылдамдык, толуктук, транспорт каражатынын траекториясы, аба ырайы же окуя отчетторун бирге колдонгон эмес.
• Реалдуу окуя жазуулары менен event-level талаа текшерүүсү жүргүзүлгөн эмес.

Негизги чектөөлөр

Биринчи чектөө — маалыматтын географиясы жана сенсор камтуусу. Баалоо VDS 1030 аттуу бир туруктуу экспресс-жол кесиминдеги 3 мүнөттүк трафик көлөмү катарына негизделет. Ар башка жол тармактарында күнүмдүк мезгил, өткөрүмдүүлүк, сенсор мүнөздөмөсү жана үлгүлөө аралыгы өзгөрүшү мүмкүн. MS-NaN ошол эле убакыт аралыгындагы тарыхый эталондорду колдонгондуктан, жаңы тармактарда тарыхый топтоо, терезе узундугу жана аномалия узактыгынын чектерин кайра калибрлөө талап кылынышы мүмкүн.

Экинчи чектөө — кириш өзгөрмөнүн бир булактуу болушу. Ылдамдык, occupancy/толуктук, транспорт каражаттарынын траекториялары, аба ырайы же окуя жазуулары киргизилген эмес. Бул өзгөрмөлөрдү кошуу өзгөчөлүктөрдүн көрүнүшүн жана фузия механизмин кеңейтүүнү талап кылат.

Үчүнчү жана эң маанилүү чечмелөө чеги — реалдуу окуяны текшерүү. Чекиттик жана shapelet аномалиялары трафик физикасы менен чектелген болсо да, VDS 1030 үчүн убакытка дал келген толук окуя жазуулары жок болгондуктан, белгилүү окуялар менен бирден-бир текшерүү жүргүзүлгөн эмес. Ошондуктан булак учурдагы сандык жыйынтыктар биринчи кезекте трафик физикасы менен чектелген симуляцияланган аномалиялардагы аныктоо көрсөткүчүн билдирерин белгилейт.

Келечектеги изилдөө багыттарына жогорку тактыктагы жана көп аймактуу трафик маалыматы, толук окуя белгилери, реалдуу окуя жазуулары менен текшерүү, көп булактуу өзгөчөлүк фузиясы, тармактар аралык трансфер, көзөмөлдөнгөн аномалия үлүшүнүн анализдери, мейкиндик-убакыт аномалиясынын жайылышы, онлайн ыңгайлашуучу аныктоо жана өнүккөн чечмеленүүчүлүк кирет.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска изилдөө: Traffic-Prior-Guided State-Aware Framework for Robust Urban Traffic Anomaly Detection

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

Corresponding author: Qifeng Yu.

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

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

Журнал: Urban Science.

Басмачы: MDPI.

Том / сан / макала: Volume 10, Issue 8, Article 457.

DOI: 10.3390/urbansci10080457.

Расмий шилтеме: https://doi.org/10.3390/urbansci10080457

Жөнөтүлгөн: 28 Май 2026.

Оңдолгон: 31 Июль 2026.

Кабыл алынган: 4 Август 2026.

Жарыяланган: 7 Август 2026.

Булак түрү: Article; эксперименттик эсептөөчү трафик аномалияларын аныктоо жана терең үйрөнүү изилдөөсү.

Рецензиялоо статусу: Urban Science журналынын рецензияланган Version of Record жарыялоосу; булак Received, Revised жана Accepted даталарын билдирет.

Лицензия: Creative Commons Attribution, CC BY.

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

Маалымат жеткиликтүүлүгү: Булак трафик маалыматтары тиешелүү ачык маалымат платформасы жана макаладагы шилтемелер аркылуу жеткиликтүү. Иштетилген жана изилдөөнүн жыйынтыктарын колдогон маалыматтарды corresponding authorдон негиздүү суроо-талап боюнча алууга болору билдирилет.

Каржылоо: “Research on the Impact of Road Maintenance Construction on Traffic Efficiency and Driving Safety” долбоору; Baoji Municipal Engineering Maintenance Service Center, China. Булак грант номери берилбегенин билдирет.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышы жок экенин билдиришет.

Этика комитети: Колдонулбайт.

Маалымдалган макулдук: Колдонулбайт.

Авторлордун салымы: Концептуалдаштыруу Qifeng Yu жана Xiaomeng Wang; методология Qifeng Yu, Lingguang Wang жана Changbo Kang; программалык камсыздоо Lingguang Wang жана Yanchen Qiu; текшерүү Lingguang Wang, Yanchen Qiu жана Yixuan Shang; формалдык талдоо Lingguang Wang, Changbo Kang жана Qifeng Yu; изилдөө Lingguang Wang, Yanchen Qiu жана Yixuan Shang; маалыматтарды курациялоо Lingguang Wang, Yanchen Qiu жана Yixuan Shang; биринчи долбоорду жазуу Lingguang Wang, Yanchen Qiu жана Yixuan Shang; карап чыгуу жана редакциялоо Lingguang Wang, Qifeng Yu жана Xiaomeng Wang; визуалдаштыруу Lingguang Wang; кеңеш берүү Qifeng Yu жана Xiaomeng Wang; долбоорду башкаруу Changbo Kang; каржылоону камсыз кылуу Changbo Kang.

Негизги методологиялык чек: Изилдөөнүн негизги сандык баалоосу реалдуу трафик өлчөөлөрүнөн түзүлгөн жана физикалык жактан чектелген синтетикалык аномалияларды камтыган бир кесимдүү маалымат түзүлүшүндө жүргүзүлгөн. Реалдуу окуя жазуулары менен бирден-бир event-level текшерүү жок. Ар башка тармактарга өткөрүлүүчүлүк, көп булактуу трафик кириштери жана реалдуу окуя белгилери келечекте өзүнчө текшерилиши керек.