Mfumo wa ugunduzi wa anomali unaozingatia hali na kuongozwa na maarifa ya awali ya trafiki, ni mkabala wa ujifunzaji wa kina unaolenga kutambua mikengeuko kutoka tabia ya kawaida katika mtiririko wa trafiki wa barabara za mwendokasi za mijini, si kwa kuangalia mfululizo ghafi wa wakati pekee, bali pia kwa kuingiza katika modeli maarifa ya nyanja kama muundo wa kila siku na kila wiki wa mtiririko wa trafiki, tabia ya kihistoria katika kipindi kilekile cha wakati, kasi ya mabadiliko ya ndani na muktadha wa wakati wa hali ya trafiki. Kiini cha utafiti kina Multi-Scale Natural Neighborhood (MS-NaN) moduli pamoja na Dual-Branch Context-Gated Network (DB-CGNet) ambao huchakata mikengeuko ya ghafla na anomali za kimuundo zinazoenea kwa muda mrefu katika matawi tofauti.

Utafiti unatumia data ya trafiki ya Open ITS OpenData V7.0 iliyopatikana kutoka kigunduzi cha kitanzi cha induktivu VDS 1030 kilicho kwenye barabara ya mwendokasi ya mijini Whitemud Drive katika Edmonton, Kanada. Baada ya kuondoa siku tatu zenye rekodi zilizokosekana, mfululizo halisi wa trafiki wa siku 21 mfululizo ulihifadhiwa, vipimo kutoka njia nne viliunganishwa kuwa ujazo wa trafiki wa sehemu moja wa mwelekeo mmoja, na vipimo vya awali vya sekunde 20 vilisampuliwa upya kwa vipindi vya dakika 3. Hivyo kila siku ina hatua 480 za wakati.

Kwa sababu msingi safi wa trafiki halisi wa siku 21 haukutosha kwa mafunzo ya muda mrefu na tathmini ya anomali, waandishi waliunda mfululizo wa ziada wa trafiki wa siku 70 wenye ufanano wa juu kwa kutumia uundaji wa mwelekeo unaotegemea B-spline unaotenganisha mifumo ya mzunguko wa siku za kazi na wikendi pamoja na uundaji wa mabaki wa autoregressive wa daraja la kwanza. Kwa kuunganisha mfululizo halisi na uliotengenezwa, muundo wa tathmini wa jumla ya siku 91 na zaidi ya hatua 43.000 za wakati ulipatikana. Anomali za trafiki hazikuwekewa mipaka kwa kuongeza kelele nasibu pekee, bali ziliwekewa vikwazo vya kifizikia kwa kutumia mahusiano ya kupunguza uwezo ya Highway Capacity Manual (HCM) na mantiki ya maendeleo yasiyolingana ya msongamano.

Matokeo bora ya jumla yalipatikana katika dirisha la uchunguzi linalolingana na historia ya dakika 72 kutokana na usampulishaji wa dakika 3, yaani T_w = 24 . Katika hali hii DB-CGNet ilifikia AUC = 0,9112, F1 = 0,7757, Precision = 0,9228 na Recall = 0,6690 . Hasa katika anomali fupi za shapelet ambazo ni ngumu kutofautisha kwa sababu zinafanana na mabadiliko ya kawaida ya trafiki, thamani ya recall ya DB-CGNet ya 0,5467 ndiyo ya juu zaidi kati ya miundo msingi iliyolinganishwa.

Hata hivyo, mpaka wa tafsiri ya matokeo haya ni muhimu. Utafiti unategemea data ya ujazo wa trafiki kutoka sehemu moja tu ya kudumu ya barabara ya mwendokasi. Kasi, occupancy/ujazo wa nafasi, njia za magari, hali ya hewa au rekodi halisi za matukio ya wakati mmoja hazikujumuishwa katika ingizo la modeli. Ingawa mifumo ya anomali iliyoingizwa iliwekewa mipaka na fizikia ya trafiki, si rekodi zilizoundwa upya moja kwa moja za ajali au matukio maalumu ya kihistoria. Kwa hiyo utendaji uliopatikana unaonyesha hasa mafanikio ya ugunduzi wa anomali chini ya anomali zilizoigizwa zilizowekewa vikwazo na fizikia ya trafiki ; uwezo wa kujumlisha katika mitandao tofauti ya barabara na chini ya lebo halisi za matukio lazima uthibitishwe kando.

Tatizo kuu la utafiti

Mtiririko wa trafiki mijini hauonyeshi tu mabadiliko madogo ya nasibu karibu na wastani usiobadilika. Vipindi vya kilele vya asubuhi na jioni, tofauti za siku za kazi na wikendi, kuanza kwa vizuizi vya mtiririko, kuenea kwa foleni, mabadiliko ya mahitaji na hitilafu za sensa vinaweza kuunda maumbo tofauti sana katika mfululizo uleule wa wakati. Kwa hiyo thamani ya ujazo wa trafiki kuwa “ya juu” au “ya chini” pekee haitoshi kusema kuwa ni isiyo ya kawaida.

Kwa mfano, thamani ya magari 3000/saa inaweza kuwa ya kawaida katika kipindi cha shughuli nyingi za siku, ilhali thamani hiyo hiyo inaweza kuwa na maana tofauti katika kipindi ambacho kwa kawaida huona trafiki ya chini zaidi. Vivyo hivyo, mruko mfupi wa sensa na mwanzo wa msongamano halisi havipaswi kushughulikiwa kwa namna ileile na modeli moja. Kwa hiyo mkabala mkuu wa utafiti hauingizi tu swali “thamani imebadilika kwa kiasi gani?”, bali pia “mabadiliko haya yametokea katika hali gani ya trafiki, kwa kulinganisha na muktadha gani wa kihistoria, na kwa umbo gani la wakati?” katika modeli.

Anomali ya Mtiririko wa Trafiki Inamaanisha Nini Katika Utafiti Huu?

Anomali ya mtiririko wa trafiki ni hali katika kiwango cha data inayomaanisha mkengeuko wa mfululizo wa ujazo wa trafiki unaozingatiwa kutoka mifumo ya kawaida ya uendeshaji, na si lazima ilingane moja kwa moja na ajali ya trafiki iliyoripotiwa katika utafiti. Mkengeuko huu unaweza kuwa kiashiria cha hitilafu ya sensa, kosa la mawasiliano, mahitaji yasiyo ya kawaida, msongamano usiojirudia au usumbufu mwingine wa trafiki; modeli haitambui moja kwa moja aina ya tukio.

Anomali za nukta na shapelet

Chanzo kinashughulikia anomali za trafiki katika madarasa mawili ya msingi ya tabia:

• Anomali ya nukta: Ni mruko uliotengwa unaotokea katika hatua moja tu ya wakati. Kwa kuwa hatua moja ya wakati katika seti ya data ni dakika 3, anomali ya nukta ni uchunguzi mmoja wa dakika 3. Utafiti unazihusisha hasa na matatizo ya sensa au mawasiliano.
• Anomali ya shapelet: Ni muundo unaoenea katika hatua kadhaa mfululizo za wakati na kubadilisha umbo, mwelekeo au maendeleo ya mfululizo wa trafiki.

Dokezo la mpaka: Chanzo kinaandika hatua 2–40 kwa shapelet fupi na hatua 40–160 kwa shapelet ya kati. Kwa hiyo hatua 40 kamili inaonekana katika vipindi vyote viwili katika maandishi ya chanzo. Maelezo ya Verianla hayabadilishi mpaka huu kiholela kuwa 39/40 au 40/41.

Ufafanuzi wa kihisabati wa mfululizo wa wakati wa trafiki

Mfululizo wa ujazo wa trafiki:

Ufafanuzi wa msingi: \(v=[v_1,v_2,\ldots,v_N]\)

Hapa \(v_t\) ni ujazo wa trafiki katika hatua ya wakati \(t\), na kitengo chake katika chanzo kimetolewa kama veh/h, yaani magari/saa . \(N\) ni jumla ya idadi ya uchunguzi.

Mlinganyo (1) — dirisha linalosogea:

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

\(T_w\) ni urefu wa dirisha. Modeli haitazami thamani moja tu ya \(v_t\); inatathmini pamoja uchunguzi \(T_w\) wa mwisho. Kwa mfano, \(T_w=24\) na muda wa usampulishaji ukiwa dakika 3, modeli huona historia ya trafiki ya mwisho ya dakika 72 kwa kila uamuzi.

Lebo ya kila dirisha \(x_t\) iko katika umbo \(y_t\in\{0,1\}\). \(y_t=0\) inaonyesha hali ya kawaida na \(y_t=1\) hali isiyo ya kawaida. Lebo huamuliwa kulingana na hali ya trafiki katika hatua ya mwisho ya wakati \(t\) ya dirisha.

Mlinganyo (2) — ubadilishaji wa vipengele wa MS-NaN:

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

Ingizo ghafi \(x_t\) ni dirisha la ujazo wa trafiki lenye mwelekeo mmoja. \(\Phi\) inawakilisha ubadilishaji wa MS-NaN. Tokeo \(F_t\) ni matriksi ya vipengele yenye ukubwa \(T_w\times9\), ikiwa na vipengele tisa kwa kila hatua ya wakati.

Mlinganyo (3) — uwezekano wa anomali:

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

\(f_{\theta}\) ni DB-CGNet yenye vigezo vinavyoweza kujifunzwa \(\theta\). \(z_t\) ni tokeo la logit la kiainishaji. Kitendakazi cha sigmoid \(\sigma(\cdot)\) hubadilisha thamani hii ya logit isiyo na mipaka kuwa uwezekano wa anomali kati ya 0 na 1.

MS-NaN Huingizaje Hali ya Trafiki Katika Modeli?

Multi-Scale Natural Neighborhood (MS-NaN) ni ubadilishaji wa vipengele wa kideterministi wenye vipimo tisa unaowakilisha kwa pamoja mabadiliko ya ghafla ya mtiririko wa trafiki, mkengeuko wake dhidi ya kipindi kilekile cha kihistoria, hali yake ya kuwa ya kipekee katika mizani tofauti ya kihistoria na nafasi yake ya mzunguko ndani ya siku badala ya kutumia ujazo ghafi wa trafiki pekee; vipengele hivi kisha huwa ingizo la muundo wa mtandao unaoweza kujifunza wa DB-CGNet.

1. Uhalalishaji thabiti wa ujazo wa trafiki

Mlinganyo (4):

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

\(m\) ni mediani inayokokotolewa kutoka seti ya mafunzo pekee. \(Q_1\) na \(Q_3\) ni asilimia za %25 na %75 mtawalia, pia kutoka seti ya mafunzo. \(Q_3-Q_1\) ni interquartile range, yaani IQR.

Lengo la uhalalishaji huu ni kutumia takwimu zinazostahimili zaidi thamani za pembeni kama mediani na IQR badala ya kutegemea kupita kiasi wastani na mkengeuko sanifu. Hasa katika seti ya data yenye miruko ya sensa, imechaguliwa ili thamani chache zilizopitiliza zisiharibu upimaji wote. Kutokokotoa mediani au asilimia kutoka data nje ya seti ya mafunzo kunalenga kuzuia uvujaji wa taarifa.

2. Tofauti za ghafla na za kiwango kipana zaidi

Mlinganyo (5):

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

Thamani hii hupima mabadiliko ya ghafla kati ya uchunguzi mbili zinazofuatana. Thamani kubwa chanya au hasi hutoa unyeti kwa miruko ya muda mfupi.

Mlinganyo (6):

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

Katika utafiti \(s=2\) imetumika. Tofauti hii hutazama hatua mbili za wakati nyuma badala ya nukta iliyotangulia pekee, hivyo kutoa ulinganisho mpana zaidi wa wakati. Kwa mujibu wa maelezo ya chanzo, lengo ni kuwakilisha mwelekeo wa maendeleo ya trafiki kwa uthabiti zaidi huku ikipunguza athari ya kelele ya masafa ya juu.

3. Rejeleo la kihistoria la kipindi kilekile

Wakati wa kutathmini kama thamani ya trafiki ni isiyo ya kawaida, tabia ya kihistoria katika saa ileile na aina ileile ya siku ni muhimu. \(H(t)\) ni seti ya mifano ya mafunzo yenye aina sawa ya siku na faharasa sawa ya wakati wa ndani ya siku kama wakati wa sasa \(t\).

Mlinganyo (7):

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

Mlinganyo huu hutoa ujazo wa kihistoria unaotarajiwa katika muktadha uleule wa trafiki.

Mlinganyo (8):

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

Rejeleo la kihistoria pia hupimwa kwa kutumia \(m\), \(Q_1\) na \(Q_3\) zilezile kama ujazo ghafi wa trafiki. Hivyo kipimo cha sasa na msingi wa kihistoria vinaweza kulinganishwa katika skeli ileile.

4. Uwiano wa mkengeuko wa jamaa

Mlinganyo (9):

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

Katika chanzo, \(\epsilon_1=10^{-3}\) veh/h na \(\kappa=3,0\) zimetolewa.

Kihesabu kinaonyesha jinsi ujazo wa sasa wa trafiki ulivyo mbali na thamani ya kihistoria inayotarajiwa. Kigawanyaji hupima tofauti hii kulingana na kiwango cha kihistoria. Ili kuzuia mgawanyo kuwa usio thabiti wakati ujazo wa trafiki uko karibu sana na sifuri, \(\max(|v_t^{hist}|,\epsilon_1)\) hutumiwa. Tokeo linapokuwa kubwa kupita kiasi, operesheni ya Clip huweka thamani katika kipindi \([-3,3]\). Hivyo jaribio hufanywa kuzuia mruko mmoja uliokithiri wa sensa kuharibu sana usambazaji wa vipengele.

5. Kwa nini Natural Neighbor ni tofauti na KNN yenye thamani isiyobadilika?

Katika mkabala wa kawaida wa K-nearest-neighbor, idadi ya majirani \(k\) huwekwa mapema. Hata hivyo, msongamano wa usambazaji wa trafiki si sawa katika saa tofauti za siku. Katika mkabala wa MS-NaN, \(k\) hubadilishwa kulingana na msongamano wa sampuli za eneo.

Kwa kipindi mahususi cha wakati:

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

na iwe \(n_s=|S(t)|\).

Mlinganyo (10):

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

\(I_k(i)\) ni thamani ya in-degree inayoonyesha mara ngapi sampuli \(i\) imechaguliwa katika seti za majirani \(k\) za sampuli nyingine. Algoriti huongeza \(k\) hadi kila sampuli ichaguliwe kama jirani na angalau sampuli nyingine moja. Hivyo mazingira yanayobadilika huundwa badala ya kulazimisha ukubwa uleule wa ujirani usiobadilika katika miktadha ya trafiki iliyo minene na iliyo haba.

Mlinganyo (11) — NaN-Distance:

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

\(v_{(i)}\) ni jirani wa \(i\)-th aliyeainishwa kulingana na umbali kutoka uchunguzi wa sasa. Tofauti hugawanywa kwa mkengeuko sanifu wa kipindi husika. Kwa hiyo tofauti kamili ya magari 300/saa katika saa ya kilele yenye ujazo mkubwa si lazima itafsiriwe sawa na tofauti hiyo hiyo ya magari 300/saa katika saa ya usiku yenye ujazo mdogo.

Mlinganyo (12):

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

\(\sigma_{S(t)}\) ni mkengeuko sanifu wa seti ya kipindi cha kihistoria husika. Usanifishaji huu hufanya NaN-Distance iweze kulinganishwa zaidi kati ya viwango tofauti vya trafiki.

6. Mizani ya kila wiki na aina ya siku

Operesheni ya Natural Neighbor inafanywa katika viwango viwili tofauti vya azimio la kihistoria:

• Kiwango cha Weekly / day-of-week: Madarasa saba tofauti ya siku: Jumatatu, Jumanne, n.k.
• Kiwango cha Day-type: Madarasa mawili: siku za kazi na wikendi.

Mlinganyo (13):

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

Hapa \(Q_1^{dow},Q_3^{dow}\) na \(Q_1^{dt},Q_3^{dt}\) ni asilimia za usambazaji wa outlierness husika wenyewe, si za ujazo ghafi wa trafiki. Chanzo kinafanya utofauti huu wazi. Vipengele viwili hupimwa kwa uthabiti kando.

7. Uwekaji msimbo wa awamu ndani ya siku

Saa 23:59 na 00:00 ziko karibu sana katika maisha halisi; lakini ikiwa kigezo cha mstari kama “namba ya dakika” kinatumika, nukta hizi mbili huonekana kitarakimu katika ncha mbili za kipindi. Utafiti hutatua kutengana huku bandia kwa kuhamisha thamani kwenye duara la kitengo kwa sine na cosine.

Mlinganyo (14):

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

\(\tau_{tod}\) ni faharasa ya wakati ndani ya siku; \(T_d\) ni jumla ya idadi ya hatua za wakati katika siku moja. Katika seti hii ya data, siku moja ina uchunguzi 480 kwa vipindi vya dakika 3. Jozi ya sine na cosine huunda uwakilishi wa mzunguko unaounganisha kijiometri mwanzo na mwisho wa siku.

Kwa Nini DB-CGNet Inatumia Matawi Mawili Tofauti?

Dual-Branch Context-Gated Network (DB-CGNet) inaanzia katika dhana kwamba eneo moja la muda la upokezi huenda lisiweze kunasa vizuri kwa wakati mmoja miruko ya ghafla ya hatua moja na mabadiliko ya umbo yanayoenea kwa saa katika uwakilishi mmoja; kwa hiyo hutuma ishara za usumbufu wa ghafla kwenye tawi jepesi la MLP, na mfululizo mzima wa wakati wenye vipimo tisa kwenye tawi la mwelekeo linalotumia GRU na temporal attention, kisha huunganisha mchango wa uwakilishi huo miwili kwa mgawo wa lango uliojifunza kutoka muktadha wa trafiki.

Tawi la mabadiliko ya ghafla

Tawi la ghafla hutumia vipengele vitatu tu katika hatua ya mwisho ya wakati ya dirisha:

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

Hivi ni \(\Delta v_t\), \(\Delta_s v_t\) na \(\delta_t^{rel}\).

Mlinganyo (15):

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

Lengo ni kuondoa kutoka tawi hili vipengele vya muktadha vinavyobadilika polepole zaidi, kama kiwango cha wastani cha kihistoria au msimbo wa mzunguko, na kuelekeza mtandao hasa kwenye mabadiliko ya ghafla.

Mlinganyo (16):

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

Katika chanzo, kipimo fiche ni \(d_h=32\) na uwezekano wa dropout ni \(p_d=0,3\). Hivyo tawi la ghafla hutoa uwakilishi wenye vipimo 16. Batch Normalization husawazisha usambazaji ndani ya mini-batch; \(\tanh\) huweka tokeo katika kipindi \((-1,1)\); Dropout hutoa udhibiti wa kawaida wakati wa mafunzo.

Tawi la maendeleo ya mwelekeo

Mlinganyo (17):

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

GRU huchakata mfululizo mzima wa wakati wenye vipimo tisa kwa mpangilio. Kwa kila hatua ya wakati, hali fiche \(h_i\) hutokea. Chanzo hakijaandika upya milinganyo ya ndani ya lango la sasisho na reset ya GRU ya kawaida, bali kimerejelea uundaji wa kawaida wa GRU; kwa hiyo Verianla haiongezi hapa mlinganyo mpya wa GRU ambao haupo katika chanzo.

Temporal attention

Mlinganyo (18):

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

\(e_i\) ni alama ya attention ya hatua ya wakati \(i\). \(\alpha_i\), iliyohalalishwa kwa Softmax, huunda usambazaji unaoweza kulinganishwa kati ya uzito wa hatua zote za wakati.

Mlinganyo (19):

\[ c=\sum_i\alpha_i h_i \]

\(c\) ni vekta ya muktadha iliyoundwa kwa uzito wa attention.

Kwa sababu attention inaweza kupunguza taarifa muhimu ya hatua ya mwisho ya wakati inapofupisha historia yote, chanzo huhifadhi pia hali fiche ya mwisho kando.

Mlinganyo (20):

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

Nukta-koma hapa inaonyesha concatenation, yaani uunganishaji wa vekta kwa kufuatana. Hivyo tawi la mwelekeo hubeba muhtasari wenye uzito wa dirisha lote pamoja na hali ya mwisho zaidi ya trafiki.

Muktadha wa trafiki wa kimataifa

Mlinganyo (21):

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

Hapa \(\mu\) inawakilisha kiwango cha wastani cha kila njia ya kipengele katika dirisha; \(\sigma_{std}\) inawakilisha kiwango cha mabadiliko.

Mlinganyo (22):

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

Kwa kuwa \(D=9\), muktadha wa kimataifa ni muundo wenye vipengele 18.

Mgawo wa lango unaozingatia muktadha

Mlinganyo (23):

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

\(g\) ni mgawo wa lango skala uliojifunza unaoamua kiwango ambacho tawi la ghafla litahifadhiwa. Jambo muhimu ni kwamba thamani hii haikokotolewi kwa ujazo wa trafiki pekee wala kwa kanuni moja; hujifunzwa kutokana na athari ya pamoja ya kipengele cha ghafla, kipengele cha mwelekeo na muktadha wa kimataifa.

Mlinganyo (24):

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

Kadiri \(g\) inavyopungua, tawi la ghafla hukandamizwa; kadiri inavyoongezeka, taarifa zaidi za ghafla huhifadhiwa. Tawi la mwelekeo huhifadhiwa kikamilifu kama nanga kuu ya wakati katika usanifu wa chanzo.

Mlinganyo (25):

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

Matawi mawili huunganishwa na kupitishwa katika ubadilishaji uliounganishwa kikamilifu.

Kiainishaji cha mwisho

Mlinganyo (26):

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

Safu ya mwisho hupunguza \(h_{fuse}\) kwanza hadi uwakilishi fiche wa vipimo \(d_h\), kisha hadi logit moja \(z_t\). Logit hii hubadilishwa kwa sigmoid katika Mlinganyo (3) kuwa uwezekano wa anomali \(\hat p_t\).

Jinsi mgawo wa lango ulivyojiendesha katika jaribio

Katika uchambuzi wa ablation, thamani za wastani za lango zilizotolewa kutoka madirisha ya majaribio ya \(T_w=24\) ziliripotiwa kuwa 0,2878 katika madirisha ya kawaida yenye mabadiliko madogo; 0,4108 katika madirisha ya kawaida yenye mabadiliko makubwa; 0,4653 katika anomali za nukta; 0,5015 katika shapelet fupi; 0,5717 katika shapelet za kati; na 0,6917 katika shapelet ndefu.

Matokeo haya yanaonyesha mwelekeo wa kuhifadhi taarifa zaidi za tawi la ghafla kadiri muda au ukali wa anomali unavyoongezeka. Hata hivyo, chanzo kinasisitiza kwamba \(g\) si kitendakazi cha moja kwa moja cha kiashiria kimoja cha trafiki; hujifunzwa kutokana na athari ya pamoja ya tawi la ghafla, tawi la mwelekeo na muktadha wa kimataifa.

Kwa nini Focal Loss inatumika?

Anomali za trafiki ni chache kuliko uchunguzi wa kawaida. Binary cross-entropy ya kawaida inaweza kuongeza athari ya idadi kubwa ya mifano rahisi ya kawaida kwenye hasara ya jumla, na hivyo kufanya iwe vigumu kwa modeli kuzingatia vya kutosha anomali za darasa dogo.

Mlinganyo (27):

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

Ikiwa \(y_t=1\), basi \(p_t^{*}=p\); ikiwa \(y_t=0\), basi \(p_t^{*}=1-p\). Hivyo usemi mmoja unawakilisha uwezekano ambao modeli imetoa kwa darasa halisi.

Mlinganyo (28) — Focal Loss:

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

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

Katika chanzo \(\alpha=0,95\) na \(\gamma=2,0\) zimetumika. Thamani hizi zilichaguliwa kutokana na grid search iliyofanywa ili kuongeza F1 katika seti ya uthibitishaji. Wagombea waliotafutwa:

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

Wakati \(\alpha=0,95\), uzito wa darasa la anomali ni 0,95 na uzito wa mifano ya kawaida ni 0,05. Chanzo kinaeleza hili kama kukandamiza mchango wa mifano ya kawaida kwa takriban mara 19 ikilinganishwa na uzito wa anomali. Aidha, kipengele \((1-p_t^{*})^\gamma\) hupunguza mchango wa hasara wa mifano iliyoainishwa kwa urahisi huku kikidumisha athari kubwa zaidi ya mifano migumu.

Kizingiti cha uamuzi kinachobadilika

Thamani \(\hat p_t\) inayotolewa na modeli ni uwezekano; kizingiti kinahitajika ili kuibadilisha kuwa lebo ya kawaida/anomali. Badala ya kutumia 0,5 isiyobadilika, chanzo huchanganua vizingiti katika mkunjo wa Precision–Recall.

Mlinganyo (29):

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

Hapa \(\epsilon_2=10^{-10}\) ni thabiti ndogo sana iliyoongezwa kwa uthabiti wa nambari.

Mlinganyo (30):

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

Yaani, kati ya vizingiti vyote vinavyowezekana, huchaguliwa kizingiti kinachotoa F1 ya juu zaidi.

Mlinganyo (31):

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

Njia hii inalenga kutathmini kila modeli iliyolinganishwa katika kizingiti chake bora cha uamuzi kinacholingana na usambazaji wake wa uwezekano.

Chanzo cha data na usafishaji wa awali

Data ilipatikana kutoka Open ITS Open Traffic Data Consortium — OpenData V7.0 iliyotolewa na University of Alberta Centre for Smart Transportation. Utafiti ulichagua VDS 1030 kigunduzi cha kitanzi cha induktivu kilicho kwenye barabara ya mwendokasi ya mijini Whitemud Drive huko Edmonton.

Sehemu hii ya kudumu ilichaguliwa ili kupunguza mwingiliano changamano karibu na ramps na maeneo ya weaving. Rekodi zilizokosekana za siku tatu ziliondolewa, na mfululizo wa trafiki wa siku 21 mfululizo ukabaki. Vipimo vya trafiki katika njia nne vilibadilishwa kuwa jumla ya mtiririko wa sehemu moja wa mwelekeo mmoja, na rekodi za awali za sekunde 20 zilisampuliwa upya hadi dakika 3.

Uchunguzi wa awali wa anomali na uundaji wa mfululizo msingi unaoaminika

Chanzo hakichukulii data ghafi ya siku 21 moja kwa moja kuwa “ya kawaida kabisa”. Kwanza mfululizo wa siku za kazi na wikendi hutenganishwa. Robust STL decomposition hutumika kwenye mistari yote miwili na kipindi cha msimu huwekwa kuwa hatua 480. Hivyo mfululizo wa trafiki hugawanywa katika vipengele vya mwelekeo, msimu na mabaki.

Kisha wastani wa eneo na mkengeuko sanifu hukokotolewa kwenye dirisha la eneo la hatua 40 na mipaka ya \(\mu_{local}\pm3\sigma_{local}\) hutumika. Zaidi ya hayo, mipaka ya jumla zaidi ya \(\mu_{global}\pm3\sigma_{global}\) hutumika. Muungano wa wagombea wanaopatikana kwa njia hizo mbili huunda hifadhi ya wagombea wa anomali.

Katika hatua ya mwisho, wagombea hawa hukaguliwa kwa macho na kwa mikono kwa kutumia maarifa ya uhandisi wa trafiki. Chanzo kinaeleza kwamba vikwazo vya kikomo cha kasi na maarifa ya uhandisi wa trafiki vilitumika; kelele ya sensa iliyotengwa iliondolewa huku mabadiliko ya msongamano yenye mwendelezo wa wakati yakihifadhiwa.

Kutoka siku 21 hadi mfululizo wa tathmini wa siku 91

Mfululizo halisi wa trafiki wa siku 21 uliosafishwa hupanuliwa kwa hatua tatu:

1. Kwa siku za kazi na wikendi, mikunjo thabiti ya “tidal prototype” hutolewa kwa kutumia thamani za mediani za trafiki katika kila kipindi cha ndani ya siku na kulainishwa kwa B-spline.
2. Baada ya kuondoa mwelekeo wa makroskopiki uliolainishwa, mabadiliko ya kiwango kidogo yaliyobaki huundwa kwa mchakato wa autoregressive wa daraja la kwanza.
3. Vipengele vya mabaki hutengenezwa kwa usampulishaji wa Monte Carlo, huunganishwa na mwelekeo kulingana na mpangilio wa kalenda, na vikwazo vya uwezo wa kifizikia hutumika.

Mchakato huu hutengeneza mfululizo msingi wa sintetiki wa siku 70 unaolenga kuhifadhi muundo wa trafiki. Mfululizo wa siku 70 huunganishwa na mfululizo halisi wa siku 21 ili kupata siku 91 .

Kikomo muhimu cha chanzo: Makala inaripoti modeli ya mabaki ya autoregressive ya daraja la kwanza kama mbinu, lakini katika sehemu hii hairipoti thamani ya nambari ya mgawo wa AR(1) wala mlinganyo tofauti wa AR(1) uliopewa namba. Kwa hiyo hakuna thamani ya \(\phi\) au mlinganyo mpya wa AR nje ya chanzo unaozalishwa hapa.

Uthibitishaji wa data msingi ya sintetiki

Waandishi hawakutosheka tu kusema “data sintetiki inafanana na halisi”; walifanya ukaguzi katika viwango viwili, makroskopiki na mikroskopiki.

MAE na RMSE zilitumika kutathmini makosa ya ukubwa, huku \(R^2\) ikitumika kutathmini ulinganifu wa muundo wa wakati. Kwa kuwa chanzo hakijatoa milinganyo ya kawaida ya kihisabati ya vipimo hivi kama fomula zilizopewa namba, hakuna mlinganyo wa nje ya chanzo ulioongezwa hapa.

Chanzo kinaripoti pia kwamba mikunjo ya ECDF na michoro ya kisanduku inaonyesha tabia inayofanana kati ya usambazaji huo miwili. Mediani za RMSE ni takriban magari 411/saa katika jozi za msingi halisi na magari 396/saa katika ulinganisho wa sintetiki; mediani za \(R^2\) ni 0,930 na 0,936 mtawalia. Tofauti ya jamaa kati ya mediani za RMSE imetajwa katika chanzo kuwa takriban %3,6.

Je, Anomali Sintetiki ni Sawa na Matukio Halisi ya Trafiki?

Hapana. Anomali za nukta na shapelet zilizoingizwa katika utafiti si nakala za moja kwa moja za ajali maalumu za kihistoria au rekodi za matukio; ni mikengeuko ya kiwango cha data iliyowekewa vikwazo na fizikia ya trafiki, iliyoundwa kwa kutumia ukubwa wa kupunguza uwezo wa HCM, mipaka ya kifizikia ya mtiririko wa trafiki na umbo la kuzorota kwa haraka–kupona polepole zaidi. Kwa hiyo utafiti haupaswi kutafsiriwa kama uthibitishaji wa moja kwa moja wa uwandani wa ugunduzi wa matukio ya trafiki yenye lebo halisi za matukio.

Kupunguza uwezo kwa msingi wa HCM

Mlinganyo (32):

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

\(X(t)\) ni mtiririko wa kawaida wa trafiki. \(Y(t)\) ni mtiririko baada ya kuwekewa anomali. \(\delta\in(0,1]\) inawakilisha uwiano wa uwezo uliobaki baada ya tukio. Kwa mfano, \(\delta=0,58\) inaonyesha hali ya uwezo wa chini ambapo takriban %58 ya mtiririko wa kawaida hubaki.

Mlinganyo (33):

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

\(N_{open}\) ni idadi ya njia zilizo wazi; \(N_{total}\) ni jumla ya idadi ya njia; \(CAF_{per-lane}\) ni Capacity Adjustment Factor kwa kila njia katika HCM. Uhusiano huu huunda uwiano wa uwezo uliobaki wa kiwango cha kituo kwa sehemu ya VDS 1030 yenye njia nne.

Kutokana na thamani hizi, chanzo hubadilisha uingizaji wa shapelet kuwa vipindi endelevu:

Anomali za nukta zilitengenezwa kando na muundo wa kupunguza uwezo wa HCM kwa sababu chanzo kinazihusisha zaidi na matatizo ya sensa au mawasiliano kuliko upotevu wa uwezo wa trafiki. Kwa upotevu wa data \(\delta=0\), na kwa mruko usio wa kawaida \(\delta\in[1,4;3,0]\) ulitumika.

Hatua tatu za maendeleo ya anomali

Katika anomali za shapelet, inadhaniwa kwamba usumbufu wa trafiki si linganifu kwa muda. Chanzo kinafafanua hatua tatu:

1. Uundaji wa mshtuko: Baada ya tukio, mtiririko wa trafiki hushuka kwa haraka kuelekea uwezo wa kizuizi.
2. Kuendelea kwa kizuizi: Uwezo uliopunguzwa hubaki katika kiwango cha chini kwa muda.
3. Kutatuliwa kwa msongamano: Baada ya tukio kuisha, magari katika foleni hutoka hatua kwa hatua na urejeshaji hutokea polepole zaidi kuliko kushuka kwa awali.

Chanzo kinaeleza mantiki ya kifizikia ya hatua hizi tatu lakini hakitoi mlinganyo tofauti wa wakati wenye vipande uliowekewa namba. Kwa hiyo Verianla haitengenezi hapa fomula bandia ya kupona ya ki-eksponensheli, mstari au lojistiki.

Mbinu na Matokeo ya Utafiti

Sehemu ya data ya majaribio

Jumla ya data ya siku 91 iligawanywa kikronolojia. %70 ya kwanza, takriban siku 64, ni seti ya mafunzo. %30 ya mwisho, takriban siku 27, ni seti huru ya majaribio. Matumizi ya mgawanyo wa kikronolojia yanalenga kuzuia taarifa za trafiki za siku zijazo kuvuja katika hatua ya mafunzo.

Urefu wa madirisha yanayosogea:

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

Maelezo ya utekelezaji

Chanzo pia kinaeleza kwamba uhalalishaji wa z-score unaotegemea takwimu zilizokokotolewa kutoka seti ya mafunzo ulitumika kwa vipengele vyote vya ingizo. Kauli hii si sawa na michakato ya kuunda vipengele inayotegemea mediani/IQR iliyotumika katika MS-NaN katika Mlinganyo (4), (8) na (13). Chanzo kinaeleza kwamba katika hatua ya utekelezaji vipengele vya ingizo la mtandao vinasanifishwa zaidi kwa z-score; hatua hizi mbili za uhalalishaji hazipaswi kuunganishwa kana kwamba ni operesheni moja.

Miundo iliyolinganishwa

Katika ulinganisho uliodhibitiwa wa miundo, modeli zote hutumia vipengele vilevile tisa vya MS-NaN, mkabala uleule wa Focal Loss na uboreshaji uleule wa kizingiti unaotegemea PR. Kigezo kikuu pekee kinachobadilika ni usanifu wa mtandao unaochakata mfululizo wa wakati.

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

Katika dirisha hili DB-CGNet imepata thamani ya juu zaidi katika vipimo vyote vinne vikuu. Kwa AUC, modeli iliyo karibu zaidi ni Transformer: 0,9112 dhidi ya 0,9054. Kwa hesabu ya chanzo, tofauti ni takriban %0,64. Kwa F1, modeli iliyo karibu zaidi ni Hybrid_CLA: 0,7757 dhidi ya 0,7481; chanzo kinatoa hili kama ubora wa %3,69.

Kwa nini matokeo ni tofauti katika dirisha la dakika 144?

Hapa Hybrid_CLA inaipita DB-CGNet kwa tofauti ndogo katika F1 na Recall. Hata hivyo, DB-CGNet inaendelea kuwa na thamani ya juu zaidi ya Precision, 0,9283. Chanzo kinatumia usemi “false alarm rate” wa %7,17 kwa DB-CGNet na %11,46 kwa Hybrid_CLA; nambari hizi ni viambatanisho vya thamani husika za Precision. Kwa hiyo hazipaswi kulinganishwa kiotomatiki na dhana ya kawaida ya ROC false-positive-rate.

Matokeo haya yanaweka mpaka muhimu wa tafsiri: utafiti hauonyeshi kwamba DB-CGNet ni bora kabisa katika kila dirisha la uchunguzi na kila kipimo . Faida kuu ni kupata utendaji wenye nguvu na uwiano mzuri katika muktadha mfupi wa dakika 72.

Gharama ya ukokotoaji

Vigezo 12.165 vinavyoweza kujifunzwa vya DB-CGNet ni takriban %6,9 ya vigezo 176.257 vya Hybrid_CLA. Hata hivyo, muda wa model-forward wa DB-CGNet si mdogo kuliko wa Hybrid_CLA: wastani wa 0,576 ms dhidi ya 0,508 ms. Chanzo kinaonyesha kwamba tofauti hii ni 0,068 ms pekee.

Muhimu zaidi, ucheleweshaji ulioripotiwa ni muda wa forward-pass wa mtandao wa neva pekee. Uchimbaji wa vipengele vya MS-NaN, uundaji wa dirisha linalosogea na gharama ya uhamishaji wa data hazijajumuishwa katika nyakati hizi. Kwa hiyo si sahihi kutafsiri thamani ya 0,576 ms kama ucheleweshaji halisi wa jumla wa mfumo mzima wa kuchakata trafiki kutoka mwanzo hadi mwisho.

Ulinganisho wa nje na paradigmu tofauti za ujifunzaji

Hapa hakuna “ulinganisho wa vipengele vya usanifu uleule” wa moja kwa moja. Auto-RL na Si-TDD ni mikabala isiyosimamiwa na hutumia ingizo/mekanizimu tofauti za mafunzo. Chanzo kinawasilisha ulinganisho huu si kama ushahidi mkali wa ubora wa kipengele, bali kama rejeleo la jumla kati ya paradigmu tofauti za ugunduzi wa anomali.

Recall kulingana na aina ya anomali

Matokeo yanayovutia zaidi yako katika darasa la shapelet fupi. DB-CGNet inafikia recall ya juu zaidi ya 0,5467, na chanzo kinaripoti hili kama uboreshaji wa %13,26 dhidi ya Hybrid_CLA, %13,90 dhidi ya Transformer na %21,31 dhidi ya LSTM.

Kwa upande mwingine, katika anomali za nukta na shapelet za kati, recall ya juu zaidi ni ya Transformer. Katika anomali za shapelet ndefu, DB-CGNet, Hybrid_CLA na 1D-CNN zinafikia kwa usawa thamani ya juu zaidi ya 0,9653. Kwa hiyo utofauti mkuu wa modeli si ubora wa moja kwa moja katika aina zote za anomali; bali hasa katika anomali za kimuundo za muda mfupi zinazofanana na mabadiliko ya kawaida ya trafiki, hutoa ugunduzi wenye nguvu zaidi.

Utafiti wa ablation: kila kipengele ni muhimu kwa kiasi gani?

MS-Prior inapoondolewa, F1 ya jumla hushuka kutoka 0,7757 hadi 0,6986; chanzo kinaripoti hili kama upungufu wa jamaa wa %9,9. Tawi la ghafla linapoondolewa, upungufu wa jamaa wa F1 ni %5,8; muunganisho wenye lango unapoondolewa %2,4; na Focal Loss inapoondolewa %1,8.

Katika anomali za shapelet fupi, tofauti ni kubwa zaidi. Recall:

• Modeli kamili: 0,5467
• Bila MS-Prior: 0,3973 — upungufu wa %27,3
• Bila tawi la ghafla: 0,4560 — upungufu wa %16,6
• Bila muunganisho wenye lango: 0,5093 — upungufu wa %6,8

Focal Loss inapoondolewa, recall ya shapelet fupi huongezeka hadi 0,5600; yaani kuna ongezeko dogo kwa recall pekee. Lakini Precision ya jumla hushuka kutoka 0,9228 hadi 0,8712, yaani kwa pointi 5,16 za asilimia. Chanzo kinatafsiri hili kama kuongezeka kwa tahadhari za uongo kutokana na mpaka wa uamuzi uliolegea zaidi. Kwa hiyo haiwezekani kuhitimisha “Focal Loss haihitajiki” kwa kuangalia recall pekee.

Mpangilio wa umuhimu wa vipengele

Mpangilio wa umuhimu wa vipengele ulioundwa na chanzo kwa ugunduzi wa shapelet fupi ni kama ifuatavyo:

MS-Prior > Tawi la Ghafla > Muunganisho Wenye Lango > Focal Loss

Mpangilio huu si mpangilio wa umuhimu wa ulimwengu kwa kazi zote zinazowezekana. Ulipatikana chini ya seti ya data ya chanzo, muundo wake wa anomali na hasa uchambuzi wake wa ugunduzi wa shapelet fupi.

Matokeo yanayoungwa mkono na utafiti

• Kujumuisha maarifa ya awali ya kihistoria kuhusu hali ya trafiki katika muundo wa MS-NaN wenye vipimo tisa huchangia hasa kutofautisha anomali fupi za shapelet zinazofanana na mabadiliko ya kawaida ya mzunguko wa trafiki.
• Kuchakata mabadiliko ya ghafla na maendeleo ya mwelekeo katika matawi tofauti huruhusu morfolojia tofauti za anomali kuundwa kwa namna tofauti badala ya uwakilishi mmoja wa aina moja.
• Lango linalozingatia muktadha linaweza kurekebisha kwa namna iliyojifunza mchango wa tawi la ghafla kulingana na hali ya trafiki.
• Focal Loss huchangia hasa Precision na udhibiti wa tahadhari za uongo katika muundo wa madarasa usio na usawa wa utafiti huu.
• T_w=24, yaani dirisha la uchunguzi la dakika 72, ndilo dirisha ambalo DB-CGNet ilitoa matokeo bora ya jumla ya F1 na AUC katika seti hii ya data.
• Mfululizo msingi wa sintetiki ulioundwa kwa vikwazo vya kifizikia unaonyesha muundo wa kitakwimu unaofanana na mfululizo halisi wa trafiki katika ulinganisho wa MAE, RMSE, R², ECDF na michoro ya kisanduku uliofanywa katika chanzo.

Majumlisho yasiyoungwa mkono na utafiti

• Haijathibitishwa kwamba DB-CGNet itaonyesha utendaji uleule katika miji yote, barabara zote za mwendokasi na aina zote za sensa.
• Utafiti hauonyeshi kwamba ajali au matukio halisi yametambuliwa moja kwa moja na kiotomatiki.
• Anomali zilizoingizwa si nakala za matukio maalumu ya kihistoria.
• DB-CGNet si bora kuliko modeli zote katika kila urefu wa dirisha na kila kipimo; katika T_w=48 Hybrid_CLA ina F1 na Recall za juu zaidi.
• Muda wa model-forward wa 0,576 ms si ucheleweshaji wa mfumo mzima kutoka mwanzo hadi mwisho.
• Katika jaribio hili modeli haikutumia kwa pamoja kasi, occupancy/ujazo, njia za magari, hali ya hewa au ripoti za matukio.
• Hakuna uthibitishaji wa uwandani wa event-level uliofanywa kwa rekodi halisi za matukio.

Vikwazo vikuu

Kikomo cha kwanza ni jiografia ya data na wigo wa sensa. Tathmini inategemea mfululizo wa ujazo wa trafiki wa dakika 3 kutoka sehemu moja ya kudumu ya barabara ya mwendokasi iitwayo VDS 1030. Katika mitandao tofauti ya barabara, kipindi cha kila siku, uwezo, sifa za sensa na muda wa usampulishaji vinaweza kutofautiana. Kwa kuwa MS-NaN hutumia marejeleo ya kihistoria katika kipindi kilekile cha wakati, katika mitandao mipya uwekaji wa makundi ya kihistoria, urefu wa dirisha na vizingiti vya muda wa anomali vinaweza kuhitaji kurekebishwa upya.

Kikomo cha pili ni kwamba kigezo cha ingizo kinatoka chanzo kimoja. Kasi, occupancy/ujazo, njia za magari, hali ya hewa au rekodi za matukio hazikujumuishwa. Kuongeza vigezo hivi kunahitaji kupanua uwakilishi wa vipengele na mekanizimu ya muunganisho.

Kikomo cha tatu na muhimu zaidi cha tafsiri ni uthibitishaji wa matukio halisi. Ingawa anomali za nukta na shapelet zimewekewa vikwazo na fizikia ya trafiki, hakukuwa na rekodi kamili za matukio zilizoambatanishwa na wakati kwa VDS 1030, hivyo uthibitishaji wa moja kwa moja dhidi ya matukio maalumu haukuwezekana. Kwa hiyo chanzo kinaeleza kwamba matokeo ya sasa ya nambari yanaonyesha hasa utendaji wa ugunduzi chini ya anomali zilizoigizwa zilizowekewa vikwazo na fizikia ya trafiki.

Mielekeo ya kazi za baadaye inajumuisha data ya trafiki ya azimio la juu zaidi na maeneo mengi, lebo kamili za matukio, uthibitishaji kwa rekodi halisi za matukio, muunganisho wa vipengele kutoka vyanzo vingi, uhamishaji kati ya mitandao, uchambuzi wa viwango vya anomali vinavyodhibitiwa, ueneaji wa anomali katika nafasi-wakati, ugunduzi wa mtandaoni unaojirekebisha na ufasiri wa juu zaidi.

Maelezo ya Chanzo na Mbinu

Utafiti asili: Traffic-Prior-Guided State-Aware Framework for Robust Urban Traffic Anomaly Detection

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

Mwandishi wa mawasiliano: Qifeng Yu.

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

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

Jarida: Urban Science.

Mchapishaji: MDPI.

Juzuu / toleo / makala: Volume 10, Issue 8, Article 457.

DOI: 10.3390/urbansci10080457.

Kiungo rasmi: https://doi.org/10.3390/urbansci10080457

Imewasilishwa: 28 Mei 2026.

Marekebisho: 31 Julai 2026.

Imekubaliwa: 4 Agosti 2026.

Imechapishwa: 7 Agosti 2026.

Aina ya chanzo: Article; utafiti wa majaribio wa kikokotozi kuhusu ugunduzi wa anomali za trafiki na ujifunzaji wa kina.

Hali ya uhakiki: Ni chapisho lililohakikiwa la Version of Record la Urban Science; chanzo kinaripoti tarehe za Received, Revised na Accepted.

Leseni: Creative Commons Attribution, CC BY.

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

Upatikanaji wa data: Data ghafi za trafiki zinapatikana kupitia jukwaa husika la data wazi na marejeleo katika makala. Imeripotiwa kwamba data zilizochakatwa na zinazounga mkono matokeo ya utafiti zinaweza kupatikana kutoka kwa corresponding author kwa ombi linalofaa.

Ufadhili: Mradi wa “Research on the Impact of Road Maintenance Construction on Traffic Efficiency and Driving Safety”; Baoji Municipal Engineering Maintenance Service Center, China. Chanzo kinaeleza kwamba hakuna namba ya ruzuku iliyotolewa.

Mgongano wa maslahi: Waandishi wanatangaza kwamba hakuna mgongano wa maslahi.

Kamati ya maadili: Haitumiki.

Ridhaa yenye taarifa: Haitumiki.

Michango ya waandishi: Uundaji wa dhana Qifeng Yu na Xiaomeng Wang; metodolojia Qifeng Yu, Lingguang Wang na Changbo Kang; programu Lingguang Wang na Yanchen Qiu; uthibitishaji Lingguang Wang, Yanchen Qiu na Yixuan Shang; uchambuzi rasmi Lingguang Wang, Changbo Kang na Qifeng Yu; uchunguzi Lingguang Wang, Yanchen Qiu na Yixuan Shang; usimamizi wa data Lingguang Wang, Yanchen Qiu na Yixuan Shang; uandishi wa rasimu ya kwanza Lingguang Wang, Yanchen Qiu na Yixuan Shang; mapitio na uhariri Lingguang Wang, Qifeng Yu na Xiaomeng Wang; uonyeshaji Lingguang Wang; usimamizi wa kitaaluma Qifeng Yu na Xiaomeng Wang; usimamizi wa mradi Changbo Kang; upatikanaji wa ufadhili Changbo Kang.

Kikomo kikuu cha kimetodolojia: Tathmini kuu ya nambari ya utafiti ilifanywa katika mpangilio wa sehemu moja ulioundwa kutoka vipimo halisi vya trafiki na uliokuwa na anomali sintetiki zilizowekewa vikwazo vya kifizikia. Hakuna uthibitishaji wa moja kwa moja wa event-level kwa rekodi halisi za matukio. Uhamishikaji kwa mitandao tofauti, ingizo za trafiki kutoka vyanzo vingi na lebo halisi za matukio vinapaswa kuthibitishwa kando katika siku zijazo.