Чаҳорчӯбаи ҳассос ба ҳолат бо роҳнамоии дониши пешакии трафик барои ошкорсозии аномалия, равиши омӯзиши амиқест, ки ҳадаф дорад каҷравиҳоро аз рафтори муқаррарӣ дар ҷараёни ҳаракати нақлиёт дар роҳи экспресси шаҳрӣ на танҳо бо нигариш ба қатори вақти хом, балки бо ворид кардани донишҳои соҳавӣ, аз ҷумла сохтори рӯзона ва ҳафтаинаи ҷараёни нақлиёт, рафтори он дар ҳамон фосилаи вақт дар гузашта, суръати тағйироти маҳаллӣ ва заминаи вақтии ҳолати трафик ба модел муайян кунад. Дар меҳвари таҳқиқот модули Multi-Scale Natural Neighborhood (MS-NaN) қарор дорад, ки қатори якандозаи ҳаҷми трафикро ба фазои нӯҳандозаи хусусиятҳои тафсиршаванда табдил медиҳад, ва Dual-Branch Context-Gated Network (DB-CGNet) ки каҷравиҳои ногаҳонӣ ва аномалияҳои шаклии тӯлонитарро дар шохаҳои ҷудогона коркард мекунад.

Таҳқиқот аз додаҳои трафики Open ITS OpenData V7.0 истифода мебарад, ки аз детектори ҳалқаи индуктивии VDS 1030 дар роҳи экспресси шаҳрии Whitemud Drive дар шаҳри Эдмонтони Канада гирифта шудаанд. Пас аз хориҷ кардани се рӯзи дорои сабтҳои нопурра, қатори пайвастаи 21-рӯзаи воқеии трафик нигоҳ дошта шуд, ченкуниҳои чор хатти ҳаракат ба ҳаҷми яксамтаи буриши трафик муттаҳид гардиданд ва ченкуниҳои ибтидоии 20-сониягӣ ба фосилаҳои 3-дақиқаӣ аз нав намунагирӣ шуданд. Ҳамин тавр, ҳар рӯз 480 қадами вақтро дар бар мегирад.

Азбаски пойгоҳи тозаи воқеии 21-рӯзаи трафик барои омӯзиши дарозмуддат ва арзёбии аномалияҳо кофӣ набуд, муаллифон бо истифода аз эҷоди тамоюли асосёфта ба B-spline, ки шаклҳои мавҷии рӯзҳои корӣ ва рӯзҳои истироҳатро ҷудо мекунад, ва моделсозии бақияи авторегрессивии дараҷаи якум, қатори иловагии 70-рӯзаи трафики дорои шабоҳати баландро сохтанд. Қаторҳои воқеӣ ва тавлидшуда якҷо карда шуда, сохтори арзёбии иборат аз 91 рӯз ва зиёда аз 43.000 қадами вақт ба даст омад. Аномалияҳои трафик на танҳо бо илова кардани садои тасодуфӣ, балки бо истифода аз робитаҳои коҳиши иқтидори Highway Capacity Manual (HCM) ва мантиқи рушди асимметрии роҳбандӣ аз ҷиҳати физикӣ маҳдуд карда шуданд.

Натиҷаи беҳтарини умумӣ дар равзанаи мушоҳидаи T_w = 24 ба даст омад, ки бо сабаби намунагирии 3-дақиқаӣ ба таърихи 72-дақиқаӣ мувофиқат мекунад. DB-CGNet дар ин шароит ба AUC = 0,9112, F1 = 0,7757, Precision = 0,9228 ва Recall = 0,6690 расид. Махсусан дар аномалияҳои кӯтоҳи shapelet, ки аз сабаби монандӣ ба мавҷҳои муқаррарии трафик ҷудо кардани онҳо душвор аст, recall-и DB-CGNet бо 0,5467 баландтарин арзиш миёни меъмориҳои муқоисашудаи асосӣ мебошад.

Бо вуҷуди ин, ҳудуди тафсири ин натиҷаҳо муҳим аст. Таҳқиқот ба додаҳои ҳаҷми трафик аз танҳо як буриши собити роҳи экспресс асос ёфтааст. Суръат, ишғолшавӣ, траекторияи воситаи нақлиёт, обу ҳаво ё сабтҳои воқеии ҳамзамони рӯйдодҳо ба вуруди модел дохил нашудаанд. Гарчанде намунаҳои аномалияи воридшуда бо физикаи трафик маҳдуд шудаанд, онҳо сабтҳои айнан бозсозишудаи садамаҳо ё рӯйдодҳои муайяни таърихӣ нестанд. Аз ин рӯ, натиҷаи бадастомада пеш аз ҳама муваффақияти ошкорсозии аномалияҳоро дар шароити аномалияҳои симулятсионии маҳдудшуда бо физикаи трафик нишон медиҳад; қобилияти умумисозӣ дар шабакаҳои гуногуни роҳ ва зери тамғаҳои воқеии рӯйдодҳо бояд алоҳида тасдиқ шавад.

Масъалаи асосии таҳқиқот

Ҷараёни ҳаракати нақлиёти шаҳрӣ танҳо тағйироти хурди тасодуфӣ дар атрофи миёнаи собит нишон намедиҳад. Қуллаҳои саҳарӣ ва шомгоҳӣ, фарқҳои рӯзи корӣ–рӯзҳои истироҳат, фаъол шудани тангноҳо, паҳншавии навбати нақлиёт, тағйироти талабот ва хатогиҳои сенсор метавонанд дар як қатори вақтӣ шаклҳои хеле гуногун ба вуҷуд оранд. Аз ин рӯ, танҳо “баланд” ё “паст” будани як арзиши ҳаҷми трафик барои аномалӣ донистани он кофӣ нест.

Масалан, арзиши 3000 воситаи нақлиёт/соат дар соати серодами рӯз метавонад муқаррарӣ бошад, аммо ҳамон арзиш дар фосилаи вақте, ки одатан трафик хеле камтар аст, маънои дигар дошта метавонад. Ба ҳамин монанд, ҷаҳиши кӯтоҳмуддати сенсор ва оғози роҳбандии воқеӣ набояд аз ҷониби як модел ба як тарз баррасӣ шаванд. Аз ин рӯ, равиши асосии таҳқиқот ба модел на танҳо саволи “арзиш чӣ қадар тағйир ёфт?”, балки саволи “ин тағйирот дар кадом ҳолати трафик, нисбат ба кадом заминаи таърихӣ ва бо кадом шакли вақтӣ ба амал омад?”-ро низ ворид мекунад.

Аномалияи Ҷараёни Трафик Дар Ин Таҳқиқот Чӣ Маъно Дорад?

Аномалияи ҷараёни трафик ҳолати сатҳи додаҳоест, ки ҳатман бо садамаи нақлиётие, ки дар доираи таҳқиқот гузориш шудааст, як ба як мувофиқат намекунад ва каҷравии қатори мушоҳидашудаи ҳаҷми трафикро аз намунаҳои кори муқаррарӣ ифода мекунад. Ин каҷравӣ метавонад нишонаи вайронии сенсор, хатои иртибот, талаби ғайриодӣ, роҳбандии такрорнашаванда ё дигар халали трафик бошад; модел навъи рӯйдодро мустақиман ташхис намекунад.

Аномалияҳои нуқтавӣ ва shapelet

Манбаъ аномалияҳои трафикро дар ду синфи асосии рафтор баррасӣ мекунад:

• Аномалияи нуқтавӣ: Ҷаҳиши ҷудогонаест, ки танҳо дар як қадами вақт пайдо мешавад. Азбаски дар маҷмӯи додаҳо як қадами вақт 3 дақиқа аст, аномалияи нуқтавӣ як мушоҳидаи 3-дақиқаӣ мебошад. Таҳқиқот онҳоро махсусан бо мушкилоти сенсор ё иртибот мепайвандад.
• Аномалияи shapelet: Намунае, ки ба чанд қадами пайдарпайи вақт паҳн шуда, шакл, тамоюл ё рушди қатори трафикро тағйир медиҳад.

Ёддошти сарҳадӣ: Манбаъ барои shapelet-и кӯтоҳ 2–40 ва барои shapelet-и миёна 40–160 қадам менависад. Аз ин рӯ, дақиқ 40 қадам дар матни манбаъ дар ҳар ду фосила дида мешавад. Баёни Verianla ин сарҳадро худсарона ба 39/40 ё 40/41 тағйир намедиҳад.

Таърифи математикии қатори вақти трафик

Қатори ҳаҷми трафик:

Таърифи асосӣ: \(v=[v_1,v_2,\ldots,v_N]\)

Дар ин ҷо \(v_t\), ҳаҷми трафик дар қадами вақти \(t\) аст ва воҳиди он дар манбаъ veh/h, яъне воситаи нақлиёт/соат дода шудааст. \(N\), шумораи умумии мушоҳидаҳо мебошад.

Муодилаи (1) — равзанаи лағжанда:

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

\(T_w\) дарозии равзана аст. Модел танҳо ба як арзиши \(v_t\) наменигарад; \(T_w\) мушоҳидаи охиринро якҷо арзёбӣ мекунад. Масалан, вақте \(T_w=24\) ва фосилаи намунагирӣ 3 дақиқа аст, модел барои ҳар қарор таърихи охирини 72 дақиқаи трафикро мебинад.

Тамғаи ҳар равзанаи \(x_t\) ба шакли \(y_t\in\{0,1\}\) аст. \(y_t=0\) ҳолати муқаррарӣ ва \(y_t=1\) ҳолати аномалиро нишон медиҳад. Тамға аз рӯи ҳолати трафик дар қадами охирини вақти равзана \(t\) муайян мешавад.

Муодилаи (2) — табдили хусусиятҳои MS-NaN:

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

Вуруди хом \(x_t\) равзанаи якандозаи ҳаҷми трафик аст. \(\Phi\), табдили MS-NaN-ро ифода мекунад. Хуруҷи \(F_t\) матритсаи хусусиятҳои \(T_w\times9\) аст, ки барои ҳар қадами вақт нӯҳ хусусият дорад.

Муодилаи (3) — эҳтимоли аномалия:

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

\(f_{\theta}\), DB-CGNet бо параметрҳои омӯхташавандаи \(\theta\) мебошад. \(z_t\) хуруҷи logit-и таснифгар аст. Функсияи sigmoid-и \(\sigma(\cdot)\) ин арзиши бемаҳдуди logit-ро ба эҳтимоли аномалия дар байни 0 ва 1 табдил медиҳад.

MS-NaN Ҳолати Трафикро Чӣ Гуна Ба Модел Мегузаронад?

Multi-Scale Natural Neighborhood (MS-NaN) табдили нӯҳандозаи детерминистии хусусиятҳост, ки ба ҷойи истифодаи танҳо ҳаҷми хоми трафик тағйироти ногаҳонии ҷараёни трафик, каҷравӣ нисбат ба ҳамон фосилаи вақт дар гузашта, ғайримуқаррарӣ будан дар миқёсҳои гуногуни таърихӣ ва мавқеи даврии дохили рӯзро якҷо ифода мекунад; баъдан ин хусусиятҳо ба сохтори шабакаи омӯхташавандаи DB-CGNet ворид мешаванд.

1. Нормализатсияи устувори ҳаҷми трафик

Муодилаи (4):

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

\(m\) медианаест, ки танҳо аз маҷмӯи омӯзиш ҳисоб шудааст. \(Q_1\) ва \(Q_3\) низ мутаносибан персентилҳои %25 ва %75-и маҷмӯи омӯзиш мебошанд. \(Q_3-Q_1\) interquartile range, яъне IQRаст.

Ҳадафи ин нормализатсия истифодаи оморҳои ба арзишҳои канорӣ устувортар, аз қабили медиана ва IQR, ба ҷойи вобастагии аз ҳад зиёд ба миёна ва инҳирофи стандартӣ мебошад. Махсусан дар маҷмӯи додаҳое, ки ҷаҳишҳои сенсор доранд, ин барои он интихоб шудааст, ки чанд арзиши хеле канорӣ тамоми миқёсбандиро вайрон накунанд. Ҳисоб накардани медиана ё персентил аз додаҳои берун аз маҷмӯи омӯзиш барои пешгирии ихроҷи иттилоот аст.

2. Фарқҳои ногаҳонӣ ва миқёси васеътар

Муодилаи (5):

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

Ин арзиш тағйироти ногаҳонии байни ду мушоҳидаи пайдарпайро чен мекунад. Арзиши калони мусбат ё манфӣ ҳассосиятро ба ҷаҳишҳои кӯтоҳмуддат таъмин мекунад.

Муодилаи (6):

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

Дар таҳқиқот \(s=2\) истифода шудааст. Ин фарқ на танҳо ба нуқтаи қаблӣ, балки ду қадами вақт ба қафо менигарад ва муқоисаи васеътари вақтӣ медиҳад. Тибқи шарҳи манбаъ, ҳадаф коҳиш додани таъсири садои басомади баланд ва ҳамзамон устувортар ифода кардани тамоюли рушди трафик аст.

3. Истиноди таърихии ҳамон давра

Ҳангоми арзёбии аномалӣ будан ё набудани арзиши трафик, рафтори гузашта дар ҳамон соат ва ҳамон навъи рӯз муҳим аст. \(H(t)\) маҷмӯи намунаҳои омӯзишест, ки бо вақти ҷории \(t\) ҳамон навъи рӯз ва ҳамон индекси вақти дохили рӯзро доранд.

Муодилаи (7):

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

Ин муодила ҳаҷми таърихии интизоршавандаро дар ҳамон контексти трафик медиҳад.

Муодилаи (8):

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

Истиноди таърихӣ низ бо ҳамон \(m\), \(Q_1\) ва \(Q_3\)-и ҳаҷми хоми трафик миқёсбандӣ мешавад. Ҳамин тавр, ченкунии ҷорӣ ва пойгоҳи таърихӣ дар як миқёс муқоиса мешаванд.

4. Нисбати каҷравии нисбӣ

Муодилаи (9):

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

Дар манбаъ \(\epsilon_1=10^{-3}\) veh/h ва \(\kappa=3,0\) дода шудааст.

Сурат нишон медиҳад, ки ҳаҷми ҷории трафик аз арзиши таърихии интизоршаванда чӣ қадар дур шудааст. Махраҷ ин фарқро нисбат ба сатҳи таърихӣ миқёс мекунад. Вақте ҳаҷми трафик ба сифр хеле наздик мешавад, барои пешгирии таркишмонанд шудани тақсим \(\max(|v_t^{hist}|,\epsilon_1)\) истифода мешавад. Агар натиҷа аз ҳад зиёд бошад, амали Clip арзишро дар фосилаи \([-3,3]\) маҳдуд мекунад. Ҳамин тавр талош мешавад, ки як ҷаҳиши фавқулодаи сенсор тақсимоти хусусиятҳоро аз ҳад зиёд вайрон накунад.

5. Natural Neighbor Чаро Аз KNN-и Собит Фарқ Мекунад?

Дар равиши стандартии K-nearest-neighbor шумораи ҳамсояҳо \(k\) пешакӣ собит карда мешавад. Аммо зичии тақсимоти трафик дар соатҳои гуногуни рӯз яксон нест. Дар равиши MS-NaN \(k\) ба зичии маҳаллии намуна мутобиқ карда мешавад.

Барои фосилаи муайяни вақт:

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

ва \(n_s=|S(t)|\) бошад.

Муодилаи (10):

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

\(I_k(i)\) арзиши in-degree аст, ки нишон медиҳад намунаи \(i\) чанд маротиба дар маҷмӯаҳои \(k\)-ҳамсоягии дигар намунаҳо интихоб шудааст. Алгоритм \(k\)-ро то вақте зиёд мекунад, ки ҳар як намуна ҳадди ақал аз ҷониби як намунаи дигар ҳамчун ҳамсоя интихоб шавад. Ҳамин тавр, ба ҷойи маҷбуран истифода кардани андозаи собити ҳамсоягӣ дар контекстҳои зич ва камзичи трафик, муҳити мутобиқшаванда сохта мешавад.

Муодилаи (11) — NaN-Distance:

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

\(v_{(i)}\) ҳамсояи \(i\)-умест, ки аз рӯи масофа то мушоҳидаи ҷорӣ тартиб дода шудааст. Фарқҳо ба инҳирофи стандартии фосилаи дахлдори давра тақсим мешаванд. Аз ин рӯ, фарқи мутлақи 300 воситаи нақлиёт/соат дар соати қуллаи дорои ҳаҷми баланд ва ҳамон фарқи 300 воситаи нақлиёт/соат дар соати шабонаи дорои ҳаҷми паст ҳатман яксон тафсир намешаванд.

Муодилаи (12):

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

\(\sigma_{S(t)}\) инҳирофи стандартии маҷмӯи давраи таърихии дахлдор аст. Ин стандартизатсия NaN-Distance-ро байни сатҳҳои гуногуни трафик бештар муқоисашаванда мекунад.

6. Миқёсҳои ҳафтаина ва навъи рӯз

Амали Natural Neighbor дар ду тафсилоти гуногуни таърихӣ иҷро мешавад:

• Миқёси Weekly / day-of-week: Ҳафт синфи ҷудогонаи рӯз: душанбе, сешанбе ва ғайра.
• Миқёси Day-type: Ду синф: рӯзи корӣ ва рӯзи истироҳат.

Муодилаи (13):

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

\(Q_1^{dow},Q_3^{dow}\) ва \(Q_1^{dt},Q_3^{dt}\)-и ин ҷо персентилҳои худи тақсимоти outlierness мебошанд, на ҳаҷми хоми трафик. Манбаъ ин фарқро махсус таъкид мекунад. Ду хусусият ҷудогона ба таври устувор миқёсбандӣ мешаванд.

7. Кодгузории фазаи дохили рӯз

Соатҳои 23:59 ва 00:00 дар ҳаёти воқеӣ ба ҳам хеле наздиканд; аммо агар тағйирёбандаи хаттӣ ба мисли “рақами дақиқа” истифода шавад, ин ду нуқта аз ҷиҳати ададӣ дар ду нӯги фосила дида мешаванд. Таҳқиқот ин кандашавии сунъиро бо интиқоли синус ва косинус ба давраи воҳид ҳал мекунад.

Муодилаи (14):

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

\(\tau_{tod}\) индекси вақт дар дохили рӯз аст; \(T_d\) шумораи умумии қадамҳои вақт дар як рӯз. Дар ин маҷмӯи додаҳо бо фосилаҳои 3-дақиқаӣ як рӯз 480 мушоҳида дорад. Ҷуфти синус ва косинус тасвири давриеро месозад, ки оғоз ва анҷоми рӯзро геометрӣ ба ҳам мепайвандад.

DB-CGNet Чаро Аз Ду Шохаи Ҷудогона Истифода Мекунад?

Dual-Branch Context-Gated Network (DB-CGNet) аз фарзияе бармеояд, ки як майдони қабули вақтӣ метавонад ҳам ҷаҳишҳои ногаҳонии якқадамӣ ва ҳам тағйироти шаклие, ки соатҳо тӯл мекашанд, дар як тасвир ба қадри кофӣ хуб дарёфт накунад; бинобар ин сигналҳои халали ногаҳониро ба шохаи сабуки MLP ва тамоми қатори нӯҳандозаи вақтро ба шохаи тамоюле, ки GRU ва temporal attention истифода мебарад, мефиристад ва саҳми ду тасвирро бо коэффитсиенти дарвозае, ки аз контексти трафик омӯхта шудааст, муттаҳид мекунад.

Шохаи тағйироти ногаҳонӣ

Шохаи ногаҳонӣ танҳо се хусусияти қадами охирини вақти равзанаро истифода мебарад:

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

Инҳо \(\Delta v_t\), \(\Delta_s v_t\) ва \(\delta_t^{rel}\) мебошанд.

Муодилаи (15):

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

Ҳадаф ин аст, ки хусусиятҳои сусттари контекстӣ, ба мисли сатҳи миёнаи таърихӣ ё коди даврӣ, аз ин шоха хориҷ карда шуда, шабака махсусан ба тағйироти ногаҳонӣ тамаркуз кунад.

Муодилаи (16):

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

Дар манбаъ андозаи ниҳонӣ \(d_h=32\), эҳтимоли dropout \(p_d=0,3\) мебошад. Ҳамин тавр шохаи ногаҳонӣ тасвири 16-андоза тавлид мекунад. Batch Normalization тақсимотро дар дохили mini-batch мувозинат мекунад; \(\tanh\) хуруҷро дар фосилаи \((-1,1)\) маҳдуд мекунад; Dropout ҳангоми омӯзиш регуляризатсия медиҳад.

Шохаи рушди тамоюл

Муодилаи (17):

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

GRU тамоми қатори нӯҳандозаи вақтро пайдарпай коркард мекунад. Барои ҳар қадами вақт ҳолати ниҳонии \(h_i\) ба вуҷуд меояд. Манбаъ муодилаҳои дохилии дарвозаи навсозӣ ва reset-и GRU-и стандартиро аз нав нанавишта, ба формулаи стандартии GRU истинод кардааст; бинобар ин Verianla дар ин ҷо муодилаи нави GRU-и дар манбаъ набударо илова намекунад.

Temporal attention

Муодилаи (18):

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

\(e_i\) холи attention-и қадами вақти \(i\) мебошад. \(\alpha_i\), ки бо Softmax нормализатсия шудааст, тақсимоти муқоисашавандаро байни вазнҳои ҳамаи қадамҳои вақт ба вуҷуд меорад.

Муодилаи (19):

\[ c=\sum_i\alpha_i h_i \]

\(c\) вектори контекстест, ки бо вазнҳои attention сохта шудааст.

Азбаски attention ҳангоми ҷамъбасти тамоми гузашта метавонад иттилооти муҳими қадами охирини вақтро суст кунад, манбаъ ҳолати охирини ниҳониро алоҳида нигоҳ медорад.

Муодилаи (20):

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

Нуқтавергул дар ин ҷо concatenation, яъне пайвастани пайдарпайи векторҳоро ифода мекунад. Ҳамин тавр, шохаи тамоюл ҳам хулосаи вазндори тамоми равзана ва ҳам ҳолати охирини трафикро нигоҳ медорад.

Контексти глобалии трафик

Муодилаи (21):

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

Дар ин ҷо \(\mu\) сатҳи миёнаи ҳар канали хусусиятро дар тӯли равзана; \(\sigma_{std}\) бошад сатҳи тағйирёбиро ифода мекунад.

Муодилаи (22):

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

Азбаски \(D=9\), контексти глобалӣ сохтори 18-компонентӣ мебошад.

Коэффитсиенти дарвозаи ҳассос ба контекст

Муодилаи (23):

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

\(g\) коэффитсиенти скалярии омӯхташудаи дарвоза аст, ки муайян мекунад шохаи ногаҳонӣ то чӣ андоза нигоҳ дошта мешавад. Нуктаи муҳим ин аст, ки ин арзиш танҳо аз рӯи ҳаҷми трафик ё як қоида ҳисоб намешавад; он аз тамоми хусусияти ногаҳонӣ, хусусияти тамоюл ва контексти глобалӣ омӯхта мешавад.

Муодилаи (24):

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

Ҳар қадар \(g\) хурд шавад, шохаи ногаҳонӣ бештар пахш мешавад; ҳар қадар калон шавад, маълумоти ногаҳонии бештар нигоҳ дошта мешавад. Шохаи тамоюл бошад дар меъмории манбаъ ҳамчун такягоҳи асосии вақтӣ пурра нигоҳ дошта мешавад.

Муодилаи (25):

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

Ду шоха муттаҳид шуда, аз табдили fully-connected мегузаранд.

Таснифгари ниҳоӣ

Муодилаи (26):

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

Қабати охир \(h_{fuse}\)-ро аввал ба тасвири ниҳонии \(d_h\)-андоза ва сипас ба як logit-и \(z_t\) кам мекунад. Ин logit бо sigmoid-и Муодилаи (3) ба эҳтимоли аномалияи \(\hat p_t\) табдил меёбад.

Коэффитсиенти дарвоза дар таҷриба чӣ гуна рафтор кард

Дар таҳлили аблятсия, арзишҳои миёнаи дарвоза аз равзанаҳои санҷишии \(T_w=24\) барои равзанаҳои муқаррарии камтағйир 0,2878; барои равзанаҳои муқаррарии сертағйир 0,4108; барои аномалияҳои нуқтавӣ 0,4653; shapelet-ҳои кӯтоҳ 0,5015; shapelet-ҳои миёна 0,5717 ва shapelet-ҳои дароз 0,6917 гузориш шудаанд.

Ин натиҷа нишон медиҳад, ки бо афзоиши давомнокӣ ё шиддати аномалия маълумоти шохаи ногаҳонӣ бештар нигоҳ дошта мешавад. Аммо манбаъ махсус таъкид мекунад, ки \(g\) функсияи мустақими як нишондиҳандаи трафик нест; он аз таъсири муштараки шохаи ногаҳонӣ, шохаи тамоюл ва контексти глобалӣ омӯхта мешавад.

Focal Loss чаро истифода мешавад?

Аномалияҳои трафик нисбат ба мушоҳидаҳои муқаррарӣ камёбтаранд. Энтропияи салибии дуии стандартӣ метавонад таъсири шумораи зиёди намунаҳои осони муқаррариро ба талафоти умумӣ зиёд карда, тамаркузи кофии моделро ба аномалияҳои камшумор душвор созад.

Муодилаи (27):

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

Агар \(y_t=1\), он гоҳ \(p_t^{*}=p\); агар \(y_t=0\), \(p_t^{*}=1-p\). Ҳамин тавр як ифода эҳтимолеро нишон медиҳад, ки модел ба синфи воқеӣ додааст.

Муодилаи (28) — Focal Loss:

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

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

Дар манбаъ \(\alpha=0,95\) ва \(\gamma=2,0\) истифода шудааст. Ин арзишҳо дар натиҷаи grid search барои ҳадди аксар кардани F1 дар маҷмӯи тасдиқ интихоб шудаанд. Номзадҳои ҷустуҷӯшуда:

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

Ҳангоми \(\alpha=0,95\) вазни синфи аномалия 0,95 ва вазни намунаҳои муқаррарӣ 0,05 мебошад. Манбаъ инро ҳамчун пахш шудани саҳми намунаҳои муқаррарӣ нисбат ба вазни аномалия тақрибан 19 маротиба шарҳ медиҳад. Ҳамчунин аъзои \((1-p_t^{*})^\gamma\) саҳми намунаҳои осон таснифшударо ба талафот кам карда, таъсири намунаҳои душворро баландтар нигоҳ медорад.

Ҳадди динамикии қарор

Арзиши \(\hat p_t\), ки модел медиҳад, эҳтимол аст; барои табдил додани он ба тамғаи муқаррарӣ/аномалия ҳад лозим аст. Манбаъ ба ҷойи истифодаи 0,5-и собит дар тӯли каҷи Precision–Recall ҳадҳоро месанҷад.

Муодилаи (29):

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

Дар ин ҷо \(\epsilon_2=10^{-10}\) собити хеле хурдест, ки барои устувории ададӣ илова шудааст.

Муодилаи (30):

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

Яъне аз байни ҳамаи ҳадҳои номзад он ҳаде интихоб мешавад, ки F1-ро баландтарин мекунад.

Муодилаи (31):

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

Ин усул ҳадаф дорад ҳар як модели муқоисашударо дар ҳадди оптималии қароре арзёбӣ кунад, ки ба тақсимоти эҳтимолии худи он мувофиқ аст.

Манбаи додаҳо ва тозакунии ибтидоӣ

Додаҳо аз Open ITS Open Traffic Data Consortium — OpenData V7.0 гирифта шудаанд, ки аз ҷониби University of Alberta Centre for Smart Transportation пешниҳод шудааст. Таҳқиқот детектори ҳалқаи индуктивии VDS 1030 -ро дар роҳи экспресси шаҳрии Whitemud Drive дар Эдмонтон интихоб кардааст.

Ин буриши собит барои коҳиш додани ҳамкориҳои мураккаб дар наздикии рампаҳо ва минтақаҳои weaving интихоб шудааст. Сабтҳои нопурраи се рӯз хориҷ карда шуданд ва қатори пайвастаи 21-рӯзаи трафик боқӣ монд. Ченкуниҳои трафик дар чор хат ба ҷараёни умумии яксамтаи буриш табдил дода шуда, сабтҳои аслии 20-сониягӣ ба 3 дақиқа аз нав намунагирӣ шуданд.

Санҷиши ибтидоии аномалияҳо ва сохтани қатори боэътимоди асосӣ

Манбаъ додаҳои хоми 21-рӯзаро мустақиман “комилан муқаррарӣ” қабул намекунад. Аввал қаторҳои рӯзҳои корӣ ва рӯзҳои истироҳат ҷудо мешаванд. Дар ҳар ду пайгирӣ robust STL decomposition татбиқ шуда, давраи мавсимӣ 480 қадам муайян мешавад. Ҳамин тавр қатори трафик ба тамоюл, сохтори мавсимӣ ва компонентҳои бақия ҷудо мешавад.

Сипас дар равзанаи маҳаллии 40-қадамӣ миёна ва инҳирофи стандартии маҳаллӣ ҳисоб шуда, ҳадҳои \(\mu_{local}\pm3\sigma_{local}\) истифода мешаванд. Илова бар ин, ҳадҳои умумитарини \(\mu_{global}\pm3\sigma_{global}\) татбиқ мешаванд. Иттиҳоди номзадҳое, ки бо ду усул ёфт шудаанд, ҳавзи номзадҳои аномалияро ташкил медиҳад.

Ин номзадҳо дар марҳилаи ниҳоӣ ба таври визуалӣ ва бо дониши муҳандисии трафик дастӣ санҷида мешаванд. Манбаъ мегӯяд, ки маҳдудиятҳои суръат ва дониши муҳандисии трафик истифода шудаанд; ҳангоми хориҷ кардани садои ҷудогонаи сенсор, мавҷҳои роҳбандии аз ҷиҳати вақт пайваста нигоҳ дошта шудаанд.

Гузариш аз 21 рӯз ба қатори арзёбии 91-рӯза

Қатори тозашудаи воқеии 21-рӯзаи трафик дар се марҳила дароз карда мешавад:

1. Барои рӯзҳои корӣ ва истироҳат, дар ҳар фосилаи вақти дохили рӯз бо истифода аз арзишҳои медиании трафик каҷҳои устувори “tidal prototype” ба даст оварда шуда, бо B-spline ҳамвор карда мешаванд.
2. Пас аз хориҷ кардани тамоюли макроскопии ҳамворшуда, тағйироти боқимондаи хурдмиқёс бо раванди авторегрессивии дараҷаи якум модел мешаванд.
3. Компонентҳои бақия бо намунагирии Monte Carlo тавлид шуда, аз рӯи тартиби тақвимӣ бо тамоюл якҷо карда мешаванд ва маҳдудиятҳои физикии иқтидор татбиқ мегарданд.

Ин раванд қатори асосии 70-рӯзаи синтетикиро тавлид мекунад, ки ҳадафаш нигоҳ доштани сохтори трафик аст. Қатори 70-рӯза бо қатори воқеии 21-рӯза якҷо шуда, 91 рӯз ба даст меояд.

Ҳудуди муҳими манбаъ: Мақола модели бақияи авторегрессивии дараҷаи якумро ҳамчун усул гузориш медиҳад, аммо дар ин бахш арзиши ададии коэффитсиенти AR(1) ё муодилаи алоҳидаи рақамгузоришудаи AR(1)-ро намедиҳад. Аз ин рӯ дар ин ҷо арзиши \(\phi\) ё муодилаи нави AR, ки дар манбаъ нест, сохта нашудааст.

Тасдиқи додаҳои асосии синтетикӣ

Муаллифон танҳо бо гуфтани “додаҳои синтетикӣ ба воқеӣ монанданд” қонеъ нашуда, дар ду сатҳ — макроскопӣ ва микроскопӣ — санҷиш анҷом додаанд.

MAE ва RMSE барои арзёбии хатогиҳои амплитуда ва \(R^2\) барои арзёбии мувофиқати сохтори вақтӣ истифода шудаанд. Азбаски манбаъ муодилаҳои стандартии математикии ин метрикаҳоро ҳамчун формулаҳои ҷудогонаи рақамгузоришуда надодааст, дар ин ҷо муодилаи берун аз манбаъ илова нашудааст.

Манбаъ гузориш медиҳад, ки каҷҳои ECDF ва диаграммаҳои қуттӣ низ байни ду тақсимот рафтори монанд нишон медиҳанд. Медианаҳои RMSE дар ҷуфтҳои воқеии асосӣ тақрибан 411 воситаи нақлиёт/соат, дар муқоисаи синтетикӣ 396 воситаи нақлиёт/соат; медианаҳои \(R^2\) мутаносибан 0,930 ва 0,936 мебошанд. Фарқи нисбии медианаҳои RMSE дар манбаъ тақрибан %3,6 гуфта шудааст.

Оё Аномалияҳои Синтетикӣ Бо Рӯйдодҳои Воқеии Трафик Яксонанд?

Не. Аномалияҳои нуқтавӣ ва shapelet-и воридшуда дар таҳқиқот нусхаҳои айнан як ба яки садамаҳои таърихӣ ё сабтҳои рӯйдодҳо нестанд; онҳо каҷравиҳои сатҳи додаҳо мебошанд, ки бо бузургиҳои коҳиши иқтидори HCM, маҳдудиятҳои физикии ҷараёни трафик ва шакли вайроншавии тез–барқароршавии сусттар тавлид шудаанд. Аз ин рӯ таҳқиқот набояд ҳамчун тасдиқи мустақими саҳроии ошкорсозии рӯйдодҳои трафик бо тамғаҳои воқеии рӯйдодҳо тафсир шавад.

Коҳиши иқтидор бар асоси HCM

Муодилаи (32):

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

\(X(t)\) ҷараёни муқаррарии трафик аст. \(Y(t)\) ҷараёнест, ки аномалия ба он татбиқ шудааст. \(\delta\in(0,1]\) нисбати иқтидори боқимондаро пас аз рӯйдод ифода мекунад. Масалан, \(\delta=0,58\) ҳолати иқтидори пасттареро нишон медиҳад, ки тақрибан %58 ҷараёни муқаррарӣ боқӣ мондааст.

Муодилаи (33):

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

\(N_{open}\) шумораи хатҳои кушода; \(N_{total}\) шумораи умумии хатҳо; \(CAF_{per-lane}\) Capacity Adjustment Factor барои ҳар хат дар HCM мебошад. Ин робита барои буриши чорхаттаи VDS 1030 нисбати иқтидори боқимондаи сатҳи объектро медиҳад.

Бо такя ба ин арзишҳо, манбаъ воридкуниҳои shapelet-ро ба фосилаҳои пайваста табдил медиҳад:

Аномалияҳои нуқтавӣ аз сохтори коҳиши иқтидори HCM ҷудо тавлид шудаанд; зеро манбаъ онҳоро бештар бо мушкилоти сенсор ё иртибот мепайвандад, на бо талафи иқтидори трафик. Барои талафи додаҳо \(\delta=0\), барои ҷаҳиши ғайримуқаррарӣ \(\delta\in[1,4;3,0]\) истифода шудааст.

Се марҳилаи рушди аномалия

Дар аномалияҳои shapelet фарз шудааст, ки халали трафик дар вақт симметрӣ нест. Манбаъ се марҳиларо муайян мекунад:

1. Ташаккули шок: Пас аз рӯйдод ҷараёни трафик зуд ба сӯи иқтидори тангно коҳиш меёбад.
2. Идомаи тангно: Иқтидори маҳдудшуда муддате дар сатҳи паст боқӣ мемонад.
3. Ҳалли роҳбандӣ: Пас аз бартараф шудани рӯйдод, воситаҳои нақлиёти дар навбат буда тадриҷан холӣ мешаванд ва барқароршавӣ нисбат ба коҳиши аввал сусттар мегузарад.

Манбаъ мантиқи физикии ин се марҳиларо шарҳ медиҳад, аммо муодилаи алоҳидаи рақамгузоришудаи қисмӣ-вақтиро намедиҳад. Аз ин рӯ Verianla дар ин ҷо формулаи сохтаи экспоненсиалӣ, хаттӣ ё логистикии барқароршавиро тавлид намекунад.

Усул ва Натиҷаҳои Таҳқиқот

Бахши додаҳои таҷрибавӣ

Ҷамъи 91 рӯзи додаҳо ба таври хронологӣ тақсим шудааст. %70-и аввал, тақрибан 64 рӯз, маҷмӯи омӯзиш аст. %30-и охир, тақрибан 27 рӯз, маҷмӯи мустақили санҷиш аст. Тақсимоти хронологӣ барои пешгирии ихроҷи маълумоти трафики оянда ба марҳилаи омӯзиш истифода шудааст.

Дарозиҳои равзанаи лағжанда:

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

Тафсилоти татбиқ

Манбаъ инчунин мегӯяд, ки ба ҳамаи хусусиятҳои вуруд нормализатсияи z-score, ки ба омори ҳисобшуда аз маҷмӯи омӯзиш асос ёфтааст, татбиқ шудааст. Ин бо амалҳои эҷоди хусусиятҳои асосёфта ба медиана/IQR дар Муодилаҳои (4), (8) ва (13) дар дохили MS-NaN як чиз нест. Манбаъ хабар медиҳад, ки дар марҳилаи татбиқ хусусиятҳои вуруди шабака алоҳида бо z-score стандартӣ шудаанд; ду марҳилаи нормализатсияро набояд ҳамчун як амал якҷо кард.

Меъмориҳои муқоисашуда

Дар муқоисаи назоратшудаи меъморӣ ҳамаи моделҳо ҳамон нӯҳ хусусияти MS-NaN, ҳамон равиши Focal Loss ва ҳамон оптимизатсияи ҳад бар асоси PR-ро истифода мебаранд. Тағйирёбандаи асосӣ танҳо меъмории шабакаест, ки қатори вақтро коркард мекунад.

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

Дар ин равзана DB-CGNet дар ҳамаи чор метрикаи асосӣ арзиши баландтаринро ба даст овардааст. Наздиктарин модел аз рӯи AUC Transformer аст: 0,9112 дар муқобили 0,9054. Тибқи ҳисобкунии манбаъ, фарқ тақрибан %0,64 аст. Аз рӯи F1 наздиктарин модел Hybrid_CLA мебошад: 0,7757 дар муқобили 0,7481; манбаъ инро бартарии %3,69 меномад.

Чаро натиҷа дар равзанаи 144-дақиқаӣ фарқ мекунад?

Дар ин ҷо Hybrid_CLA аз рӯи F1 ва Recall бо фарқи кам аз DB-CGNet пеш мегузарад. Аммо DB-CGNet дар Precision бо 0,9283 арзиши баландтаринро нигоҳ медорад. Манбаъ барои DB-CGNet ифодаи “false alarm rate”-и %7,17 ва барои Hybrid_CLA %11,46-ро истифода мебарад; ин рақамҳо ба шакли пуркунандаи арзишҳои дахлдори Precision мебошанд. Аз ин рӯ онҳоро набояд ба таври худкор бо мафҳуми стандартии ROC false-positive-rate баробар донист.

Ин натиҷа ҳадди муҳими тафсирро муқаррар мекунад: таҳқиқот нишон намедиҳад, ки DB-CGNet дар ҳар равзанаи мушоҳида ва дар ҳар метрика ба таври мутлақ беҳтарин аст . Бартарии асосӣ ба даст овардани иҷрои қавӣ ва мутавозин дар заминаи кӯтоҳтари 72-дақиқаӣ мебошад.

Хароҷоти ҳисоббарорӣ

12.165 параметри омӯзишшавандаи DB-CGNet тақрибан %6,9 аз 176.257 параметри Hybrid_CLA-ро ташкил медиҳад. Бо вуҷуди ин, вақти model-forward-и DB-CGNet аз Hybrid_CLA камтар нест: ба ҳисоби миёна 0,576 ms дар муқобили 0,508 ms. Манбаъ таъкид мекунад, ки ин фарқ танҳо 0,068 ms аст.

Муҳимтар аз ин, таъхири гузоришшуда танҳо вақти forward-pass-и шабакаи нейронӣ мебошад. Истихроҷи хусусиятҳои MS-NaN, сохтани равзанаи лағжанда ва хароҷоти интиқоли додаҳо ба ин вақтҳо дохил нестанд. Аз ин рӯ, арзиши 0,576 ms-ро ҳамчун таъхири воқеии умумии тамоми низоми коркарди трафик аз оғоз то анҷом тафсир кардан дуруст нест.

Муқоисаи беруна бо парадигмаҳои гуногуни омӯзиш

Дар ин ҷо муқоисаи мустақими “ҷузъҳои ҳамон як меъморӣ” анҷом дода намешавад. Auto-RL ва Si-TDD равишҳои беназоратанд ва вурудҳо/механизмҳои омӯзиши гуногунро истифода мебаранд. Манбаъ ин муқоисаро на ҳамчун далели қатъии бартарии ҷузъҳо, балки ҳамчун истиноди умумӣ байни парадигмаҳои гуногуни ошкорсозии аномалия пешниҳод мекунад.

Recall аз рӯи навъи аномалия

Натиҷаи ҷолибтарин дар синфи shapelet-и кӯтоҳ аст. DB-CGNet бо 0,5467 ба баландтарин арзиши recall мерасад ва манбаъ инро нисбат ба Hybrid_CLA беҳбудии %13,26, нисбат ба Transformer %13,90 ва нисбат ба LSTM %21,31 гузориш мекунад.

Баръакс, дар аномалияҳои нуқтавӣ ва shapelet-и миёна баландтарин recall ба Transformer тааллуқ дорад. Дар аномалияҳои shapelet-и дароз DB-CGNet, Hybrid_CLA ва 1D-CNN бо 0,9653 ба арзиши баробари баландтарин мерасанд. Аз ин рӯ фарқкунандаи асосии модел бартарии мутлақ дар ҳамаи навъҳои аномалия нест; балки махсусан дар аномалияҳои шаклии кӯтоҳмуддат ки ба тағйироти муқаррарии трафик монанданд, ошкорсозии қавитарро таъмин кардан аст.

Таҳқиқоти аблятсия: ҳар ҷузъ то чӣ андоза муҳим аст?

Ҳангоми хориҷ кардани MS-Prior, F1-и глобалӣ аз 0,7757 ба 0,6986 коҳиш меёбад; манбаъ инро коҳиши нисбии %9,9 гузориш мекунад. Ҳангоми хориҷ кардани шохаи фаврӣ коҳиши нисбии F1 %5,8, ҳангоми хориҷ кардани ҳамҷоясозии дарвозадор %2,4 ва ҳангоми хориҷ кардани Focal Loss %1,8 аст.

Дар аномалияҳои shapelet-и кӯтоҳ фарқ боз ҳам назаррастар аст. Recall:

• Модели пурра: 0,5467
• Бе MS-Prior: 0,3973 — коҳиши %27,3
• Бе шохаи фаврӣ: 0,4560 — коҳиши %16,6
• Бе ҳамҷоясозии дарвозадор: 0,5093 — коҳиши %6,8

Ҳангоми хориҷ кардани Focal Loss, recall-и shapelet-и кӯтоҳ ба 0,5600 боло меравад; яъне танҳо аз нигоҳи recall афзоиши андаке вуҷуд дорад. Аммо Precision-и глобалӣ аз 0,9228 ба 0,8712, яъне 5,16 банди фоизӣ коҳиш меёбад. Манбаъ инро ҳамчун ба вуҷуд омадани ҳушдорҳои бардурӯғи бештар аз сабаби ҳадди қароргирии сусттар тафсир мекунад. Аз ин рӯ танҳо ба recall нигариста хулосаи “Focal Loss нолозим аст” баровардан мумкин нест.

Тартиби аҳамияти ҷузъҳо

Тартиби аҳамияти ҷузъҳо, ки манбаъ барои ошкорсозии shapelet-и кӯтоҳ сохтааст, чунин аст:

MS-Prior > Шохаи фаврӣ > Ҳамҷоясозии дарвозадор > Focal Loss

Ин тартиб барои ҳамаи вазифаҳои имконпазир тартиби универсалии аҳамият нест. Он дар доираи маҷмӯи додаҳои худи манбаъ, сохтори аномалияи он ва махсусан таҳлили ошкорсозии shapelet-и кӯтоҳ ба даст омадааст.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

• Ворид кардани донишҳои пешакии таърихии вобаста ба ҳолати трафик ба сохтори нӯҳченаи MS-NaN махсусан ба фарқкунии аномалияҳои shapelet-и кӯтоҳ, ки ба тағйироти муқаррарии мавҷмонанди трафик шабоҳат доранд, мусоидат мекунад.
• Коркарди тағйироти фаврӣ ва рушди тамоюл дар шохаҳои ҷудогона имкон медиҳад, ки морфологияҳои гуногуни аномалия ба ҷойи як намояндагии ягона бо тарзҳои гуногун моделсозӣ шаванд.
• Дарвозаи ҳассос ба контекст метавонад саҳми шохаи фавриро мувофиқи ҳолати трафик ба шакли омӯхташуда танзим кунад.
• Focal Loss дар сохтори нобаробари синфҳои ин таҳқиқот махсусан ба Precision ва назорати ҳушдори бардурӯғ саҳм мегузорад.
• T_w=24, яъне равзанаи мушоҳидаи 72-дақиқаӣ, равзанаест, ки дар ин маҷмӯи додаҳо DB-CGNet беҳтарин натиҷаи умумии F1 ва AUC-ро медиҳад.
• Қатори асосии синтетикие, ки бо маҳдудиятҳои физикӣ сохта шудааст, дар муқоисаҳои MAE, RMSE, R², ECDF ва диаграммаҳои қуттӣ дар манбаъ сохтори омории монанд ба қатори воқеии трафикро нишон медиҳад.

Умумисозиҳое, ки таҳқиқот дастгирӣ намекунад

• Исбот нашудааст, ки DB-CGNet дар ҳамаи шаҳрҳо, ҳамаи шоҳроҳҳо ва ҳамаи навъҳои сенсорҳо ҳамин иҷроишро нишон медиҳад.
• Таҳқиқот нишон намедиҳад, ки садамаҳо ё рӯйдодҳои воқеӣ ба таври автоматӣ ва як-ба-як ташхис шудаанд.
• Аномалияҳои воридшуда нусхаи рӯйдодҳои муайяни таърихии воқеӣ нестанд.
• DB-CGNet дар ҳар дарозии равзана ва дар ҳар метрика аз ҳамаи моделҳо бартарӣ надорад; дар T_w=48 Hybrid_CLA аз рӯи F1 ва Recall баландтар аст.
• Вақти model-forward-и 0,576 ms таъхири тамоми низоми аз оғоз то анҷом нест.
• Модел дар ин таҷриба суръат, occupancy/пуршавӣ, траекторияҳои воситаҳои нақлиёт, шароити обу ҳаво ё гузоришҳои рӯйдодро якҷо истифода накардааст.
• Бо сабтҳои воқеии рӯйдодҳо тасдиқи саҳроии event-level анҷом дода нашудааст.

Маҳдудиятҳои асосӣ

Маҳдудияти аввал ҷуғрофияи додаҳо ва фарогирии сенсор аст. Арзёбӣ ба қатори 3-дақиқаии ҳаҷми трафик дар як қитъаи собити шоҳроҳи экспресс бо номи VDS 1030 асос ёфтааст. Дар шабакаҳои гуногуни роҳ даври рӯзона, иқтидор, хусусияти сенсор ва фосилаи намунагирӣ метавонанд фарқ кунанд. Азбаски MS-NaN истинодҳои таърихиро аз ҳамон фосилаи вақт истифода мебарад, дар шабакаҳои нав гурӯҳбандии таърихӣ, дарозии равзана ва ҳадҳои давомнокии аномалия метавонанд аз нав калибр карда шаванд.

Маҳдудияти дуюм якманбаъ будани тағйирёбандаи вуруд аст. Суръат, occupancy/пуршавӣ, траекторияҳои воситаҳои нақлиёт, обу ҳаво ё сабтҳои рӯйдод дохил карда нашудаанд. Илова кардани ин тағйирёбандаҳо васеъ кардани намояндагии хусусиятҳо ва механизми ҳамҷоясозиро талаб мекунад.

Маҳдудияти сеюм ва муҳимтарини тафсир тасдиқи рӯйдодҳои воқеӣ аст. Гарчанде аномалияҳои нуқтавӣ ва shapelet бо физикаи трафик маҳдуд шудаанд, барои VDS 1030 сабтҳои фарогири рӯйдодҳои бо вақт мутобиқ мавҷуд набуданд ва бинобар ин тасдиқи як-ба-як бо рӯйдодҳои муайян анҷом дода нашудааст. Аз ин рӯ манбаъ таъкид мекунад, ки натиҷаҳои миқдории ҷорӣ пеш аз ҳама иҷрои ошкорсозиро дар шароити аномалияҳои симулятсионии бо физикаи трафик маҳдудшуда нишон медиҳанд.

Самтҳои кори оянда додаҳои трафики дорои ҳалли баландтар ва бисёрминтақавӣ, тамғаҳои фарогири рӯйдод, тасдиқ бо сабтҳои воқеии рӯйдод, ҳамҷоясозии хусусиятҳои бисёрманбаъ, интиқол байни шабакаҳо, таҳлилҳои назоратшавандаи таносуби аномалия, паҳншавии фазоӣ-вақтии аномалия, ошкорсозии мутобиқшавандаи онлайн ва тафсирпазирии пешрафтаро дар бар мегиранд.

Ёддошт оид ба Манбаъ ва Усул

Таҳқиқоти аслӣ: Traffic-Prior-Guided State-Aware Framework for Robust Urban Traffic Anomaly Detection

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

Corresponding author: Qifeng Yu.

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

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

Маҷалла: Urban Science.

Ношир: MDPI.

Ҷилд / шумора / мақола: Volume 10, Issue 8, Article 457.

DOI: 10.3390/urbansci10080457.

Пайванди расмӣ: https://doi.org/10.3390/urbansci10080457

Ирсол: 28 Май 2026.

Бозбинӣ: 31 Июл 2026.

Қабул: 4 Август 2026.

Нашр: 7 Август 2026.

Навъи манбаъ: Article; таҳқиқоти таҷрибавии ҳисоббарории ошкорсозии аномалияи трафик ва омӯзиши амиқ.

Вазъи тақриз: Нашрияи тақризшудаи Version of Record-и Urban Science мебошад; манбаъ санаҳои Received, Revised ва Accepted-ро гузориш медиҳад.

Иҷозатнома: Creative Commons Attribution, CC BY.

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

Дастрасии додаҳо: Додаҳои манбаъии трафик тавассути платформаи дахлдори додаҳои кушода ва истинодҳои мақола дастрас мебошанд. Гузориш шудааст, ки додаҳои коркардшуда ва дастгиркунандаи бозёфтҳои таҳқиқотро аз corresponding author бо дархости асоснок гирифтан мумкин аст.

Маблағгузорӣ: Лоиҳаи “Research on the Impact of Road Maintenance Construction on Traffic Efficiency and Driving Safety”; Baoji Municipal Engineering Maintenance Service Center, China. Манбаъ мегӯяд, ки рақами грант таъин нашудааст.

Бархӯрди манфиатҳо: Муаллифон изҳор мекунанд, ки бархӯрди манфиатҳо вуҷуд надорад.

Кумитаи этикӣ: Татбиқшаванда нест.

Ризоияти огоҳона: Татбиқшаванда нест.

Саҳми муаллифон: Консептуализатсия Qifeng Yu ва Xiaomeng Wang; методология Qifeng Yu, Lingguang Wang ва Changbo Kang; нармафзор Lingguang Wang ва Yanchen Qiu; тасдиқ Lingguang Wang, Yanchen Qiu ва Yixuan Shang; таҳлили формалӣ Lingguang Wang, Changbo Kang ва Qifeng Yu; таҳқиқот Lingguang Wang, Yanchen Qiu ва Yixuan Shang; коркарди додаҳо Lingguang Wang, Yanchen Qiu ва Yixuan Shang; навиштани тарҳи аввал Lingguang Wang, Yanchen Qiu ва Yixuan Shang; бозбинӣ ва таҳрир Lingguang Wang, Qifeng Yu ва Xiaomeng Wang; визуализатсия Lingguang Wang; роҳнамоӣ Qifeng Yu ва Xiaomeng Wang; идоракунии лоиҳа Changbo Kang; дарёфти маблағгузорӣ Changbo Kang.

Ҳудуди асосии методологӣ: Арзёбии асосии миқдории таҳқиқот дар тарҳи якқитъагӣ анҷом дода шудааст, ки аз ченкуниҳои воқеии трафик сохта шуда, аномалияҳои синтетикии аз ҷиҳати физикӣ маҳдудшударо дар бар мегирад. Бо сабтҳои воқеии рӯйдод тасдиқи як-ба-яки event-level вуҷуд надорад. Интиқолпазирӣ ба шабакаҳои гуногун, вурудҳои бисёрманбаъии трафик ва тамғаҳои воқеии рӯйдод бояд дар оянда алоҳида тасдиқ шаванд.