Transportga oid aprior bilim bilan yoʻnaltirilgan holatga sezgir anomaliyalarni aniqlash doirasi, shahar tezyurar yoʻlidagi transport oqimida normal xatti-harakatdan ogʻishlarni faqat xom vaqt qatoriga qarab emas; transport oqimining kundalik va haftalik tuzilishi, oʻtmishda ayni vaqt oraligʻidagi xatti-harakati, mahalliy oʻzgarish tezligi va transport holatining vaqt konteksti kabi soha bilimlarini ham modelga kiritib aniqlashni maqsad qiladigan chuqur oʻrganish yondashuvidir. Tadqiqot markazida bir oʻlchamli transport hajmi ketma-ketligini toʻqqiz oʻlchamli va talqin qilinadigan xususiyatlar fazosiga aylantiruvchi Multi-Scale Natural Neighborhood (MS-NaN) moduli hamda keskin ogʻishlar va uzoqroq vaqtga yoyilgan shakliy anomaliyalarni alohida tarmoqlarda qayta ishlaydigan Dual-Branch Context-Gated Network (DB-CGNet) joylashgan.

Tadqiqot Kanadaning Edmonton shahridagi Whitemud Drive shahar tezyurar yoʻlida joylashgan VDS 1030 induktiv halqa detektoridan olingan Open ITS OpenData V7.0 transport maʼlumotlaridan foydalanadi. Yetishmayotgan qaydlar mavjud uch kun olib tashlangach, 21 kunlik uzluksiz real transport qatori saqlangan, toʻrt tasmadagi oʻlchovlar bir yoʻnalishli kesim transport hajmiga birlashtirilgan va dastlabki 20 soniyalik oʻlchovlar 3 daqiqalik intervallarga qayta namunalangan. Shunday qilib, har bir kun 480 vaqt qadamini oʻz ichiga oladi.

Real 21 kunlik toza transport bazasi uzoq muddatli oʻqitish va anomaliyalarni baholash uchun yetarli boʻlmagani sababli mualliflar ish kunlari va dam olish kunlaridagi toʻlqin shakllarini ajratuvchi B-spline asosidagi trend yaratish va birinchi tartibli avtoregressiv qoldiq modellashtirishdan foydalanib, qoʻshimcha 70 kunlik yuqori oʻxshashlikdagi transport ketma-ketligini yaratgan. Real va yaratilgan qatorlar birlashtirilib, jami 91 kun va 43.000 dan ortiq vaqt qadamini oʻz ichiga oluvchi baholash tuzilmasi hosil qilingan. Transport anomaliyalari esa faqat tasodifiy shovqin qoʻshish orqali emas, Highway Capacity Manual (HCM) sigʻimni kamaytirish munosabatlari va assimetrik tirbandlik rivojlanishi mantiqi yordamida fizik jihatdan cheklangan.

Eng yaxshi umumiy natija 3 daqiqalik namunalash tufayli 72 daqiqalik tarixga mos keluvchi T_w = 24 kuzatuv oynasida olingan. DB-CGNet ushbu sharoitda AUC = 0,9112, F1 = 0,7757, Precision = 0,9228 va Recall = 0,6690 qiymatlariga erishgan. Ayniqsa normal transport toʻlqinlariga oʻxshagani sababli ajratish qiyin boʻlgan qisqa shapelet anomaliyalarida DB-CGNet recall qiymati 0,5467 bilan taqqoslangan bazaviy arxitekturalar orasida eng yuqori natijadir.

Biroq bu natijalarni talqin qilish chegarasi muhim. Tadqiqot faqat bitta qatʼiy tezyurar yoʻl kesimidagi transport hajmi maʼlumotlariga asoslanadi. Tezlik, bandlik, transport vositasi trayektoriyasi, ob-havo yoki bir vaqtning oʻzidagi real hodisa qaydlari model kirishiga kiritilmagan. Kiritilgan anomaliya naqshlari transport fizikasi bilan cheklangan boʻlsa-da, muayyan tarixiy avariya yoki hodisalarning aynan qayta yaratilgan yozuvlari emas. Shu sababli olingan samaradorlik, avvalo, transport fizikasi bilan cheklangan simulyatsiya qilingan anomaliyalar sharoitidagi anomaliya aniqlash muvaffaqiyatini koʻrsatadi; turli yoʻl tarmoqlarida va real hodisa yorliqlari ostida umumlashtirilishi alohida tasdiqlanishi kerak.

Tadqiqotning asosiy muammosi

Shahar transport oqimi faqat oʻzgarmas oʻrtacha qiymat atrofida kichik tasodifiy oʻzgarishlarni koʻrsatmaydi. Ertalabki va kechki choʻqqilar, ish kuni–dam olish kuni farqlari, tor boʻgʻinlarning ishga tushishi, navbatning tarqalishi, talab tebranishlari va sensor xatolari bir xil vaqt qatorida juda turli shakllarni hosil qilishi mumkin. Shu sababli transport hajmi qiymatining oʻzi “yuqori” yoki “past” boʻlishi uning anomal ekanini aytish uchun yetarli emas.

Masalan, 3000 transport vositasi/soat qiymati kunning tigʻiz vaqtida odatiy boʻlishi mumkin, ayni qiymat odatda ancha past transport kuzatiladigan vaqt oraligʻida boshqa maʼno anglatishi mumkin. Xuddi shuningdek, qisqa muddatli sensor sakrashi bilan haqiqiy tirbandlikning boshlanishi bir model tomonidan bir xil tarzda koʻrib chiqilmasligi kerak. Shu sababli tadqiqotning asosiy yondashuvi modelga faqat “qiymat qancha oʻzgardi?” savolini emas, balki “bu oʻzgarish qaysi transport holatida, qaysi tarixiy kontekstga nisbatan va qanday vaqt shaklida yuz berdi?” savolini ham kiritadi.

Transport Oqimi Anomaliyasi Ushbu Tadqiqotda Nimani Anglatadi?

Transport oqimi anomaliyasi tadqiqot doirasida qayd etilgan transport hodisasi bilan birma-bir mos kelishi shart boʻlmagan, kuzatilayotgan transport hajmi qatorining normal ishlash naqshlaridan ogʻishini ifodalovchi maʼlumot darajasidagi holatdir. Bu ogʻish sensor nosozligi, aloqa xatosi, noodatiy talab, takrorlanmaydigan tirbandlik yoki boshqa transport buzilishining belgisi boʻlishi mumkin; model hodisa turini bevosita tashxis qilmaydi.

Nuqtaviy va shapelet anomaliyalari

Manba transport anomaliyalarini ikki asosiy xatti-harakat sinfida koʻrib chiqadi:

• Nuqtaviy anomaliya: Faqat bitta vaqt qadamida paydo boʻladigan alohida sakrashdir. Maʼlumotlar toʻplamida bir vaqt qadami 3 daqiqa boʻlgani sababli nuqtaviy anomaliya 3 daqiqalik bitta kuzatuvdir. Tadqiqot ularni ayniqsa sensor yoki aloqa muammolari bilan bogʻlaydi.
• Shapelet anomaliyasi: Ketma-ket bir nechta vaqt qadamiga yoyilib, transport qatorining shakli, trendi yoki rivojlanishini oʻzgartiradigan naqshdir.

Chegara izohi: Manba qisqa shapelet uchun 2–40, oʻrta shapelet uchun 40–160 qadam deb yozadi. Shu sababli aynan 40 qadam manba matnida ikkala oraliqda ham koʻrinadi. Verianla bayoni bu chegarani oʻzboshimchalik bilan 39/40 yoki 40/41 shaklida oʻzgartirmaydi.

Transport vaqt qatorining matematik taʼrifi

Transport hajmi qatori:

Asosiy taʼrif: \(v=[v_1,v_2,\ldots,v_N]\)

Bu yerda \(v_t\), \(t\) vaqt qadamidagi transport hajmi boʻlib, manbada uning birligi veh/h, yaʼni transport vositasi/soat sifatida berilgan. \(N\), umumiy kuzatuvlar sonidir.

Tenglama (1) — sirpanma oyna:

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

\(T_w\) oyna uzunligidir. Model faqat bitta \(v_t\) qiymatiga qaramaydi; soʻnggi \(T_w\) kuzatuvni birgalikda baholaydi. Masalan, \(T_w=24\) va namunalash oraligʻi 3 daqiqa boʻlganda model har bir qaror uchun soʻnggi 72 daqiqalik transport tarixini koʻradi.

Har bir \(x_t\) oynasining yorligʻi \(y_t\in\{0,1\}\) shaklida. \(y_t=0\) normal, \(y_t=1\) anomal holatni koʻrsatadi. Yorliq oynaning soʻnggi vaqt qadami \(t\) dagi transport holatiga qarab belgilanadi.

Tenglama (2) — MS-NaN xususiyat oʻzgartirishi:

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

Xom kirish \(x_t\) bir oʻlchamli transport hajmi oynasidir. \(\Phi\), MS-NaN oʻzgartirishini ifodalaydi. Chiqish \(F_t\), har bir vaqt qadami uchun toʻqqizta xususiyatni oʻz ichiga oladigan \(T_w\times9\) oʻlchamli xususiyatlar matritsasidir.

Tenglama (3) — anomaliya ehtimoli:

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

\(f_{\theta}\), oʻrganiladigan parametrlari \(\theta\) boʻlgan DB-CGNet. \(z_t\) tasniflagichning logit chiqishidir. Sigmoid funksiyasi \(\sigma(\cdot)\) ushbu cheklanmagan logit qiymatini 0 dan 1 gacha boʻlgan anomaliya ehtimoliga aylantiradi.

MS-NaN Transport Holatini Modelga Qanday Uzatadi?

Multi-Scale Natural Neighborhood (MS-NaN), xom transport hajmining oʻzinigina ishlatish oʻrniga transport oqimining keskin oʻzgarishini, oʻtmishdagi ayni vaqt oraligʻiga nisbatan ogʻishini, turli tarixiy miqyoslardagi chetlanishini va kun ichidagi davriy oʻrnini birgalikda ifodalovchi toʻqqiz oʻlchamli deterministik xususiyat oʻzgartirishidir; bu xususiyatlar keyin DB-CGNet-ning oʻrganiladigan tarmoq tuzilmasiga kirish boʻladi.

1. Barqaror transport hajmi normallashtirishi

Tenglama (4):

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

\(m\), faqat oʻqitish toʻplamidan hisoblangan medianadir. \(Q_1\) va \(Q_3\) ham oʻqitish toʻplamining mos ravishda %25 va %75 persentillaridir. \(Q_3-Q_1\) interquartile range, yaʼni IQRdir.

Ushbu normallashtirishning maqsadi oʻrtacha va standart ogʻishga ortiqcha bogʻliq boʻlish oʻrniga mediana va IQR kabi chekka qiymatlarga chidamliroq statistikalarni ishlatishdir. Ayniqsa sensor sakrashlari mavjud maʼlumotlar toʻplamida bir necha keskin qiymat butun masshtablashni buzmasligi uchun tanlangan. Oʻqitish toʻplamidan tashqaridagi maʼlumotlardan mediana yoki persentil hisoblanmasligi axborot sizib chiqishining oldini olish uchundir.

2. Keskin va kengroq miqyosli farqlar

Tenglama (5):

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

Bu qiymat ketma-ket ikki kuzatuv orasidagi keskin oʻzgarishni oʻlchaydi. Katta musbat yoki manfiy qiymat qisqa muddatli sakrashlarga sezgirlik beradi.

Tenglama (6):

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

Tadqiqotda \(s=2\) ishlatilgan. Bu farq faqat oldingi nuqtaga emas, ikki vaqt qadami orqaga qarab kengroq vaqt taqqosini beradi. Manba izohiga koʻra maqsad yuqori chastotali shovqin taʼsirini kamaytirgan holda transport rivojlanish trendini barqarorroq ifodalashdir.

3. Ayni davrning tarixiy tayanchi

Transport qiymatining anomal yoki yoʻqligini baholashda ayni soat va ayni kun turidagi oʻtmish xatti-harakati muhim. \(H(t)\), joriy \(t\) vaqti bilan ayni kun turi va ayni kun-ichki vaqt indeksiga ega oʻqitish namunalarining toʻplamidir.

Tenglama (7):

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

Bu tenglama ayni transport kontekstidagi tarixiy kutilgan hajmni beradi.

Tenglama (8):

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

Tarixiy tayanch ham xom transport hajmi bilan bir xil \(m\), \(Q_1\) va \(Q_3\) yordamida masshtablanadi. Shunday qilib, joriy oʻlchov bilan tarixiy baza bir xil masshtabda taqqoslanishi mumkin.

4. Nisbiy ogʻish nisbati

Tenglama (9):

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

Manbada \(\epsilon_1=10^{-3}\) veh/h va \(\kappa=3,0\) deb berilgan.

Surat joriy transport hajmi tarixiy kutilgan qiymatdan qanchalik uzoqlashganini koʻrsatadi. Maxraj bu farqni tarixiy darajaga nisbatan masshtablaydi. Transport hajmi nolga juda yaqinlashganda boʻlish amali keskin oshib ketmasligi uchun \(\max(|v_t^{hist}|,\epsilon_1)\) ishlatiladi. Natija juda keskin boʻlsa, Clip amali qiymatni \([-3,3]\) oraligʻida cheklaydi. Shu tariqa bitta chekka sensor sakrashi xususiyatlar taqsimotini haddan tashqari buzishining oldini olishga harakat qilinadi.

5. Natural Neighbor nega qatʼiy KNN-dan farq qiladi?

Standart K-nearest-neighbor yondashuvida qoʻshnilar soni \(k\) oldindan qatʼiy belgilanadi. Biroq transport taqsimoti zichligi kunning turli vaqtlarida bir xil emas. MS-NaN yondashuvida \(k\) mahalliy namuna zichligiga moslashtiriladi.

Muayyan vaqt oraligʻi uchun:

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

va \(n_s=|S(t)|\) boʻlsin.

Tenglama (10):

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

\(I_k(i)\), \(i\) namunaning boshqa namunalarning \(k\)-qoʻshnichilik toʻplamlarida necha marta tanlanganini ifodalovchi in-degree qiymatidir. Algoritm har bir namuna kamida bitta boshqa namuna tomonidan qoʻshni sifatida tanlanguncha \(k\) ni oshiradi. Shu tariqa zich va siyrak transport kontekstlarida bir xil qatʼiy qoʻshnichilik hajmini majburan ishlatish oʻrniga moslashuvchan muhit yaratiladi.

Tenglama (11) — NaN-Distance:

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

\(v_{(i)}\), joriy kuzatuvga masofasiga koʻra tartiblangan qoʻshnilarning \(i\)-chisidir. Farqlar tegishli davr oraligʻining standart ogʻishiga boʻlinadi. Shu sababli yuqori hajmli choʻqqi soatidagi mutlaq 300 transport vositasi/soat farq bilan past hajmli tungi vaqtdagi ayni 300 transport vositasi/soat farq bir xil talqin qilinishi shart emas.

Tenglama (12):

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

\(\sigma_{S(t)}\), tegishli tarixiy davr toʻplamining standart ogʻishidir. Ushbu standartlashtirish NaN-Distance ni turli transport darajalari orasida taqqoslanadiganroq qiladi.

6. Haftalik va kun-turi miqyoslari

Natural Neighbor amali ikki xil tarixiy aniqlik darajasida bajariladi:

• Weekly / day-of-week miqyosi: Dushanba, seshanba va hokazo yettita alohida kun sinfi.
• Day-type miqyosi: Ish kuni va dam olish kuni boʻlib ikki sinf.

Tenglama (13):

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

Bu yerdagi \(Q_1^{dow},Q_3^{dow}\) va \(Q_1^{dt},Q_3^{dt}\), xom transport hajmining emas, tegishli outlierness taqsimotlarining oʻz persentillaridir. Manba bu farqni alohida taʼkidlaydi. Ikki xususiyat alohida-alohida barqaror usulda masshtablanadi.

7. Kun ichidagi fazani kodlash

Soat 23:59 bilan 00:00 real hayotda bir-biriga juda yaqin; biroq “daqiqa raqami” kabi chiziqli oʻzgaruvchi ishlatilsa, bu ikki nuqta son jihatidan oraliqning ikki chetida koʻrinadi. Tadqiqot ushbu sunʼiy uzilishni sinus va kosinus yordamida birlik aylanasiga koʻchirish orqali hal qiladi.

Tenglama (14):

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

\(\tau_{tod}\), kun ichidagi vaqt indeksidir; \(T_d\), bir kundagi jami vaqt qadamlari soni. Ushbu maʼlumotlar toʻplamida 3 daqiqalik intervallarda bir kun 480 kuzatuvni oʻz ichiga oladi. Sinus va kosinus juftligi kun boshi bilan oxirini geometrik tarzda bogʻlaydigan davriy tasvirni hosil qiladi.

DB-CGNet Nega Ikki Alohida Tarmoqdan Foydalanadi?

Dual-Branch Context-Gated Network (DB-CGNet) bitta vaqt qabul maydoni bir qadamli keskin sakrashlar va soatlarga yoyilgan shakl oʻzgarishlarini bir xil tasvirda yetarlicha yaxshi ushlay olmasligi mumkin degan taxmindan kelib chiqadi; shu sababli keskin buzilish signallarini yengil MLP tarmogʻiga, butun toʻqqiz oʻlchamli vaqt qatorini esa GRU va temporal attention ishlatadigan trend tarmogʻiga yuboradi hamda ikki tasvir hissasini transport kontekstidan oʻrganilgan darvoza koeffitsiyenti bilan birlashtiradi.

Keskin oʻzgarish tarmogʻi

Keskin tarmoq oynaning soʻnggi vaqt qadamidagi faqat uchta xususiyatdan foydalanadi:

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

Bular \(\Delta v_t\), \(\Delta_s v_t\) va \(\delta_t^{rel}\)dir.

Tenglama (15):

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

Maqsad tarixiy oʻrtacha daraja yoki davriy kod kabi sekinroq kontekst xususiyatlarini ushbu tarmoqdan chiqarib, tarmoqni ayniqsa keskin oʻzgarishlarga yoʻnaltirishdir.

Tenglama (16):

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

Manbada yashirin oʻlcham \(d_h=32\), dropout ehtimoli \(p_d=0,3\). Shu tariqa keskin tarmoq 16 oʻlchamli tasvir hosil qiladi. Batch Normalization mini-batch ichidagi taqsimotni muvozanatlashtiradi; \(\tanh\) chiqishni \((-1,1)\) oraligʻida cheklaydi; Dropout oʻqitish vaqtida regulyarizatsiya beradi.

Trend rivojlanish tarmogʻi

Tenglama (17):

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

GRU butun toʻqqiz oʻlchamli vaqt qatorini ketma-ket qayta ishlaydi. Har bir vaqt qadami uchun yashirin holat \(h_i\) hosil boʻladi. Manba standart GRUning ichki yangilash va reset darvozasi tenglamalarini qayta yozmagan, standart GRU formulirovkasiga murojaat qilgan; shuning uchun Verianla bu yerda manbada boʻlmagan yangi GRU tenglamasini qoʻshmaydi.

Temporal attention

Tenglama (18):

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

\(e_i\), \(i\) vaqt qadamining attention ballidir. Softmax bilan normallashtirilgan \(\alpha_i\) barcha vaqt qadamlarining ogʻirliklari orasida taqqoslanadigan taqsimot hosil qiladi.

Tenglama (19):

\[ c=\sum_i\alpha_i h_i \]

\(c\), attention ogʻirliklari bilan yaratilgan kontekst vektoridir.

Attention butun oʻtmishni umumlashtirganda soʻnggi vaqt qadamining muhim maʼlumotini suyultirishi mumkinligi sababli manba soʻnggi yashirin holatni alohida saqlaydi.

Tenglama (20):

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

Nuqtali vergul bu yerda vektorlarning concatenation, yaʼni ketma-ket birlashtirilishini anglatadi. Shunday qilib, trend tarmogʻi butun oynaning ogʻirliklangan xulosasini ham, eng soʻnggi transport holatini ham olib yuradi.

Global transport konteksti

Tenglama (21):

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

Bu yerdagi \(\mu\) oyna boʻylab har bir xususiyat kanalining oʻrtacha darajasini; \(\sigma_{std}\) esa tebranish darajasini ifodalaydi.

Tenglama (22):

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

\(D=9\) boʻlgani sababli global kontekst 18 komponentli tuzilmadir.

Kontekstga sezgir darvoza koeffitsiyenti

Tenglama (23):

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

\(g\), keskin tarmoq qay darajada saqlanishini belgilovchi oʻrganilgan skalyar darvoza koeffitsiyentidir. Muhim jihat shuki, bu qiymat faqat transport hajmi yoki bitta qoida asosida hisoblanmaydi; keskin xususiyat, trend xususiyati va global kontekstning barchasidan oʻrganiladi.

Tenglama (24):

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

\(g\) kichraygan sari keskin tarmoq bostiriladi; kattalashgan sari koʻproq keskin maʼlumot saqlanadi. Trend tarmogʻi esa manba arxitekturasida asosiy vaqt tayanchi sifatida toʻliq saqlanadi.

Tenglama (25):

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

Ikki tarmoq birlashtiriladi va toʻliq bogʻlangan oʻzgartirishdan oʻtkaziladi.

Yakuniy tasniflagich

Tenglama (26):

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

Yakuniy qatlam \(h_{fuse}\) ni avval \(d_h\) oʻlchamli yashirin tasvirga, soʻng bitta logit \(z_t\) ga qisqartiradi. Ushbu logit Tenglama (3) dagi sigmoid orqali \(\hat p_t\) anomaliya ehtimoliga aylantiriladi.

Darvoza koeffitsiyenti tajribada qanday tutdi

Ablatsiya tahlilida \(T_w=24\) test oynalaridan olingan oʻrtacha darvoza qiymatlari normal past tebranishli oynalarda 0,2878; normal yuqori tebranishli oynalarda 0,4108; nuqtaviy anomaliyalarda 0,4653; qisqa shapeletlarda 0,5015; oʻrta shapeletlarda 0,5717 va uzoq shapeletlarda 0,6917 deb xabar qilingan.

Bu natija anomaliya davomiyligi yoki intensivligi oshgani sari keskin tarmoq maʼlumotini koʻproq saqlash tendensiyasini koʻrsatadi. Biroq manba ayniqsa \(g\) bitta transport koʻrsatkichining bevosita funksiyasi emasligini; keskin tarmoq, trend tarmogʻi va global kontekstning birgalikdagi taʼsiri bilan oʻrganilishini taʼkidlaydi.

Nega Focal Loss ishlatiladi?

Transport anomaliyalari normal kuzatuvlarga qaraganda siyrakroq. Standart ikkilik kesishgan entropiya koʻp sonli oson normal namunalarning umumiy yoʻqotishga taʼsirini oshirib, modelning kam sonli anomaliyalarga yetarli eʼtibor qaratishini qiyinlashtirishi mumkin.

Tenglama (27):

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

\(y_t=1\) boʻlsa \(p_t^{*}=p\); \(y_t=0\) boʻlsa \(p_t^{*}=1-p\). Shu tariqa bitta ifoda modelning haqiqiy sinfga bergan ehtimolini ifodalaydi.

Tenglama (28) — Focal Loss:

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

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

Manbada \(\alpha=0,95\) va \(\gamma=2,0\) ishlatilgan. Ushbu qiymatlar validatsiya toʻplamida F1 ni maksimal qilish uchun oʻtkazilgan grid search natijasida tanlangan. Qidirilgan nomzodlar:

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

\(\alpha=0,95\) boʻlganda anomaliyalar sinfi ogʻirligi 0,95, normal namunalar ogʻirligi 0,05. Manba buni normal namuna hissasining anomaliya ogʻirligiga nisbatan taxminan 19 baravar bostirilishi deb tushuntiradi. Shuningdek, \((1-p_t^{*})^\gamma\) hadi oson tasniflangan namunalarning yoʻqotishga hissasini kamaytirar ekan, qiyin namunalarning taʼsirini yuqoriroq saqlaydi.

Dinamik qaror chegarasi

Model bergan \(\hat p_t\) qiymati ehtimoldir; uni normal/anomaliya yorligʻiga aylantirish uchun chegara kerak. Manba qatʼiy 0,5 ishlatish oʻrniga Precision–Recall egri chizigʻi boʻylab chegaralarni skanerlaydi.

Tenglama (29):

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

Bu yerda \(\epsilon_2=10^{-10}\), sonli barqarorlik uchun qoʻshilgan juda kichik konstantadir.

Tenglama (30):

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

Yaʼni barcha nomzod chegaralar orasidan F1 ni eng yuqori qiladigan chegara tanlanadi.

Tenglama (31):

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

Ushbu usul taqqoslangan modellarning har birini oʻz ehtimollik taqsimotiga mos optimal qaror chegarasida baholashni maqsad qiladi.

Maʼlumot manbai va dastlabki tozalash

Maʼlumot University of Alberta Centre for Smart Transportation tomonidan taqdim etilgan Open ITS Open Traffic Data Consortium — OpenData V7.0 manbasidan olingan. Tadqiqot Edmontondagi Whitemud Drive shahar tezyurar yoʻlida joylashgan VDS 1030 induktiv loop detektorini tanlagan.

Rampalar va weaving hududlariga yaqin murakkab oʻzaro taʼsirlarni kamaytirish maqsadida ushbu qatʼiy kesim tanlangan. Uch kunlik yetishmayotgan qaydlar olib tashlanib, 21 kunlik uzluksiz transport qatori qolgan. Toʻrt tasmadagi transport oʻlchovlari bir yoʻnalishli kesim umumiy oqimiga aylantirilib, 20 soniyalik dastlabki qaydlar 3 daqiqaga qayta namunalangan.

Dastlabki anomaliya skaneri va ishonchli bazaviy qatorni yaratish

Manba xom 21 kunlik maʼlumotni bevosita “toʻliq normal” deb qabul qilmaydi. Avval ish kuni va dam olish kuni qatorlari ajratiladi. Har ikkala izda robust STL decomposition qoʻllanadi va mavsumiy davr 480 qadam etib belgilanadi. Shu tariqa transport qatori trend, mavsumiy tuzilma va qoldiq komponentlarga ajratiladi.

Keyin 40 qadamli mahalliy oyna boʻyicha mahalliy oʻrtacha va standart ogʻish hisoblanib, \(\mu_{local}\pm3\sigma_{local}\) chegaralari ishlatiladi. Bunga qoʻshimcha ravishda umumiyroq \(\mu_{global}\pm3\sigma_{global}\) chegaralari qoʻllanadi. Ikki usul bilan topilgan nomzodlarning birlashmasi anomaliya nomzodlari havzasini hosil qiladi.

Ushbu nomzodlar yakuniy bosqichda vizual tarzda va transport muhandisligi bilimi asosida qoʻlda tekshiriladi. Manba tezlik cheklovlari va transport muhandisligi bilimidan foydalanilganini; alohida sensor shovqini olib tashlanar ekan, vaqt boʻyicha izchil tirbandlik tebranishlari saqlanganini bildiradi.

21 kundan 91 kunlik baholash qatoriga oʻtish

Tozalangan 21 kunlik real transport qatori uch bosqichda uzaytiriladi:

1. Ish kuni va dam olish kunlari uchun har bir kun-ichki vaqt oraligʻida median transport qiymatlaridan foydalanib barqaror “tidal prototype” egri chiziqlari olinadi va B-spline bilan silliqlanadi.
2. Silliqlangan makroskopik trend olib tashlangach, qolgan kichik miqyosli tebranishlar birinchi tartibli avtoregressiv jarayon bilan modellashtiriladi.
3. Qoldiq komponentlar Monte Carlo namunalashi bilan yaratiladi, kalendar tartibiga koʻra trend bilan birlashtiriladi va fizik sigʻim cheklovlari qoʻllanadi.

Ushbu jarayon 70 kunlik sintetik, biroq transport tuzilishini saqlashga qaratilgan bazaviy qatorni hosil qiladi. 70 kunlik qator real 21 kunlik qator bilan birlashtirilib 91 kun olinadi.

Muhim manba chegarasi: Maqola birinchi tartibli avtoregressiv qoldiq modelini usul sifatida bildiradi, biroq ushbu boʻlimda AR(1) koeffitsiyentining son qiymatini yoki alohida raqamlangan AR(1) tenglamasini bermaydi. Shu sababli bu yerda manbadan tashqari \(\phi\) qiymati yoki yangi AR tenglamasi yaratilmagan.

Sintetik bazaviy maʼlumotni tekshirish

Mualliflar faqat “sintetik maʼlumot realga oʻxshaydi” deyish bilan cheklanmagan; makroskopik va mikroskopik ikki darajada tekshiruv oʻtkazgan.

MAE va RMSE amplituda xatolarini, \(R^2\) esa vaqt tuzilmasining mosligini baholash uchun ishlatilgan. Manba ushbu metrikalarning standart matematik tenglamalarini alohida raqamlangan formula sifatida bermagani sababli bu yerda manbadan tashqari tenglama qoʻshilmagan.

Manba ECDF egri chiziqlari va quti grafiklari ham ikki taqsimot oʻrtasida oʻxshash xatti-harakat koʻrsatganini bildiradi. RMSE medianalari real bazaviy juftliklarda taxminan 411 transport vositasi/soat, sintetik taqqoslashda 396 transport vositasi/soat; \(R^2\) medianalari esa mos ravishda 0,930 va 0,936. RMSE medianalari orasidagi nisbiy farq manbada taxminan %3,6 deb berilgan.

Sintetik Anomaliyalar Real Transport Hodisalari bilan Bir Xilmi?

Yoʻq. Tadqiqotdagi kiritilgan nuqtaviy va shapelet anomaliyalari muayyan tarixiy avariya yoki hodisa qaydlarining aynan nusxasi emas; ular HCM sigʻim kamayishi miqdorlari, transport oqimidagi fizik chegaralar hamda tez buzilish–sekinroq tiklanish shakli yordamida yaratilgan transport fizikasi bilan cheklangan maʼlumot darajasidagi ogʻishlardir. Shu sababli tadqiqotni real hodisa yorliqlari bilan transport hodisalarini aniqlashning bevosita dala tasdigʻi sifatida talqin qilish kerak emas.

HCM asosidagi sigʻimni kamaytirish

Tenglama (32):

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

\(X(t)\), normal transport oqimidir. \(Y(t)\), anomaliya qoʻllangan oqimdir. \(\delta\in(0,1]\), hodisadan keyin qolgan sigʻim nisbatini ifodalaydi. Masalan, \(\delta=0,58\), normal oqimning taxminan %58 qismi qolgan pastroq sigʻim holatini anglatadi.

Tenglama (33):

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

\(N_{open}\), ochiq qolgan tasmalar soni; \(N_{total}\), jami tasmalar soni; \(CAF_{per-lane}\), HCM dagi har bir tasma uchun Capacity Adjustment Factor. Ushbu munosabat toʻrt tasmali VDS 1030 kesimi uchun obyekt darajasidagi qolgan sigʻim nisbatini hosil qiladi.

Ushbu qiymatlardan kelib chiqib manba shapelet kiritishlarini uzluksiz oraliqlarga aylantiradi:

Nuqtaviy anomaliyalar HCM sigʻimni kamaytirish tuzilmasidan alohida yaratilgan; chunki manba ularni transport sigʻimining yoʻqolishidan koʻra sensor yoki aloqa muammolari bilan bogʻlaydi. Maʼlumot yoʻqolishi uchun \(\delta=0\), anomal sakrash uchun \(\delta\in[1,4;3,0]\) ishlatilgan.

Anomaliya rivojlanishining uch bosqichi

Shapelet anomaliyalarida transport buzilishi vaqt boʻyicha simmetrik emas deb faraz qilingan. Manba uch bosqichni belgilaydi:

1. Shokning shakllanishi: Hodisadan keyin transport oqimi tor boʻgʻin sigʻimiga tomon tez pasayadi.
2. Tor boʻgʻinning davom etishi: Cheklangan sigʻim bir muddat past darajada qoladi.
3. Tirbandlikning yechilishi: Hodisa tugagach navbatdagi transport vositalari bosqichma-bosqich tarqaladi va tiklanish dastlabki pasayishdan sekinroq yuz beradi.

Manba ushbu uch bosqichning fizik mantiqini tushuntiradi, biroq alohida raqamlangan boʻlakli-vaqt tenglamasini bermaydi. Shu sababli Verianla bu yerda soxta eksponensial, chiziqli yoki logistik tiklanish formulasini yaratmaydi.

Tadqiqot Usuli va Natijalari

Tajriba maʼlumotlari boʻlimi

Jami 91 kunlik maʼlumot xronologik tarzda boʻlingan. Dastlabki %70, taxminan 64 kun, oʻqitish toʻplamidir. Oxirgi %30, taxminan 27 kun, mustaqil test toʻplamidir. Xronologik boʻlish kelajakdagi transport maʼlumotlarining oʻqitish bosqichiga sizib kirishini oldini olishni maqsad qiladi.

Sirpanma oyna uzunliklari:

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

Amalga oshirish tafsilotlari

Manba shuningdek barcha kirish xususiyatlariga oʻqitish toʻplamidan hisoblangan statistikaga asoslangan z-score normallashtirishi qoʻllanganini bildiradi. Bu ifoda MS-NaN ichidagi Tenglama (4), (8) va (13) da ishlatilgan mediana/IQR asosidagi xususiyat yaratish amallari bilan bir xil emas. Manba amalga oshirish bosqichida tarmoq kirish xususiyatlari alohida z-score bilan standartlashtirilganini bildiradi; ikki normallashtirish bosqichini bitta amal sifatida birlashtirmaslik kerak.

Taqqoslangan arxitekturalar

Nazoratli arxitektura taqqosida barcha modellar bir xil toʻqqizta MS-NaN xususiyati, bir xil Focal Loss yondashuvi va bir xil PR asosidagi chegara optimallashtirishidan foydalanadi. Asosiy oʻzgaruvchi faqat vaqt qatorini qayta ishlovchi tarmoq arxitekturasidir.

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

Ushbu oynada DB-CGNet toʻrtta asosiy metrikaning barchasida eng yuqori qiymatni olgan. AUC boʻyicha eng yaqin model Transformer: 0,9112 ga qarshi 0,9054. Manba hisobiga koʻra farq taxminan %0,64. F1 boʻyicha eng yaqin model Hybrid_CLA: 0,7757 ga qarshi 0,7481; manba buni %3,69 ustunlik deb beradi.

144 daqiqalik oynada natija nega boshqacha?

Bu yerda Hybrid_CLA F1 va Recall boʻyicha DB-CGNetdan ozgina ustun. DB-CGNet esa Precision boʻyicha 0,9283 bilan eng yuqori qiymatni saqlaydi. Manba DB-CGNet uchun %7,17, Hybrid_CLA uchun %11,46 “false alarm rate” iborasidan foydalanadi; bu sonlar tegishli Precision qiymatlarining toʻldiruvchisi shaklida. Shu sababli ularni standart ROC false-positive-rate tushunchasi bilan avtomatik tenglashtirmaslik kerak.

Bu natija muhim talqin chegarasini belgilaydi: tadqiqot DB-CGNetning har bir kuzatuv oynasida har bir metrikada mutlaq eng yaxshi ekanini koʻrsatmaydi. Asosiy ustunlik qisqaroq 72 daqiqalik kontekstda kuchli va muvozanatli samaradorlikka erishishdir.

Hisoblash xarajati

DB-CGNetning 12.165 ta oʻqitiladigan parametri Hybrid_CLAning 176.257 parametrining taxminan %6,9 qismini tashkil etadi. Biroq DB-CGNetning model-forward vaqti Hybrid_CLAdan past emas: oʻrtacha 0,576 ms ga qarshi 0,508 ms. Manba farq atigi 0,068 ms ekaniga eʼtibor qaratadi.

Yana muhimrogʻi, xabar qilingan kechikish faqat neyron tarmoqning forward-pass vaqtidir. MS-NaN xususiyatlarini chiqarish, sirpanma oyna yaratish va maʼlumot uzatish xarajati bu vaqtlarga kiritilmagan. Shu sababli 0,576 ms qiymatini butun uchidan-uchigacha transportni qayta ishlash tizimining haqiqiy umumiy kechikishi deb talqin qilish toʻgʻri emas.

Turli oʻrganish paradigmalariga nisbatan tashqi taqqoslash

Bu yerda bevosita “ayni arxitekturaning komponentlarini taqqoslash” amalga oshirilmaydi. Auto-RL va Si-TDD nazoratsiz yondashuvlar boʻlib, turli kirishlar/oʻqitish mexanizmlaridan foydalanadi. Manba bu taqqosni qatʼiy komponent ustunligining isboti sifatida emas, turli anomaliya aniqlash paradigmalari oʻrtasidagi umumiy maʼlumotnoma sifatida taqdim etadi.

Anomaliya turiga koʻra recall

Eng diqqatga sazovor natija qisqa shapelet sinfidadir. DB-CGNet 0,5467 bilan eng yuqori recall qiymatiga erishgan, manba buni Hybrid_CLAga nisbatan %13,26, Transformerga nisbatan %13,90 va LSTMga nisbatan %21,31 yaxshilanish sifatida bildiradi.

Bunga qarshi ravishda nuqtaviy va oʻrta shapelet anomaliyalarida eng yuqori recall Transformerga tegishli. Uzoq shapelet anomaliyalarida DB-CGNet, Hybrid_CLA va 1D-CNN 0,9653 bilan teng eng yuqori qiymatga erishadi. Demak, modelning asosiy farqlanishi barcha anomaliya turlarida mutlaq ustunlik emas; ayniqsa normal transport tebranishlariga oʻxshaydigan qisqa muddatli shakliy anomaliyalarda kuchliroq aniqlashni taʼminlashidir.

Ablatsiya tadqiqoti: qaysi komponent qanchalik muhim?

MS-Prior olib tashlanganda global F1 0,7757 dan 0,6986 gacha tushadi; manba buni %9,9 nisbiy pasayish deb bildiradi. Keskin tarmoq olib tashlanganda nisbiy F1 pasayishi %5,8; darvozali fuzion olib tashlanganda %2,4; Focal Loss olib tashlanganda %1,8.

Qisqa shapelet anomaliyalarida farq yanada yaqqol. Recall:

• Toʻliq model: 0,5467
• MS-Prior yoʻq: 0,3973 — %27,3 pasayish
• Keskin tarmoq yoʻq: 0,4560 — %16,6 pasayish
• Darvozali fuzion yoʻq: 0,5093 — %6,8 pasayish

Focal Loss olib tashlanganda qisqa shapelet recall qiymati 0,5600 gacha oshadi; yaʼni faqat recall nuqtayi nazaridan biroz oʻsish bor. Biroq global Precision 0,9228 dan 0,8712 gacha, yaʼni 5,16 foiz punkt pasayadi. Manba buni yumshoqroq qaror chegarasi sababli koʻproq yolgʻon signal yuzaga kelishi deb talqin qiladi. Shu sababli faqat recall qiymatiga qarab “Focal Loss keraksiz” degan xulosa chiqarib boʻlmaydi.

Komponentlarning muhimlik tartibi

Manbaning qisqa shapelet aniqlashi uchun tuzgan komponentlar muhimlik tartibi quyidagicha:

MS-Prior > Keskin Tarmoq > Darvozali Fuzion > Focal Loss

Bu tartib barcha mumkin boʻlgan vazifalar uchun universal muhimlik tartibi emas. U manbaning oʻz maʼlumotlar toʻplami, oʻz anomaliya tuzilishi va ayniqsa qisqa shapelet aniqlash tahlili sharoitida olingan.

Tadqiqot qoʻllab-quvvatlaydigan natijalar

• Transport holatiga doir tarixiy aprior bilimlarning toʻqqiz oʻlchamli MS-NaN tuzilmasiga kiritilishi, ayniqsa normal toʻlqin tebranishlariga oʻxshaydigan qisqa shapelet anomaliyalarini ajratishga hissa qoʻshadi.
• Keskin oʻzgarish va trend rivojlanishini alohida tarmoqlarda qayta ishlash bir xil tasvir oʻrniga geterogen anomaliya morfologiyalarini turlicha modellashtirish imkonini beradi.
• Kontekstga sezgir darvoza keskin tarmoq hissasini transport holatiga koʻra oʻrganilgan tarzda tartibga sola oladi.
• Focal Loss ushbu tadqiqotdagi nomuvozanatli sinf tuzilmasida ayniqsa Precision va yolgʻon signal nazoratiga hissa qoʻshadi.
• T_w=24, yaʼni 72 daqiqalik kuzatuv oynasi ushbu maʼlumotlar toʻplamida DB-CGNet eng yaxshi umumiy F1 va AUC natijasini bergan oynadir.
• Fizik cheklovlar bilan yaratilgan sintetik bazaviy qator manbada bajarilgan MAE, RMSE, R², ECDF va quti-grafik taqqoslarida real transport qatoriga oʻxshash statistik tuzilmani koʻrsatadi.

Tadqiqot qoʻllab-quvvatlamaydigan umumlashtirishlar

• DB-CGNet barcha shaharlarda, barcha tezyurar yoʻllarda va barcha sensor turlarida bir xil samaradorlik koʻrsatishi isbotlanmagan.
• Tadqiqot real avariya yoki hodisalar birma-bir avtomatik tashxis qilinganini koʻrsatmaydi.
• Kiritilgan anomaliyalar muayyan real tarixiy hodisalarning nusxasi emas.
• DB-CGNet har bir oyna uzunligida har bir metrikada barcha modellardan ustun emas; T_w=48 da Hybrid_CLA F1 va Recall boʻyicha yuqoriroq.
• 0,576 ms model-forward vaqti butun uchidan-uchigacha tizim kechikishi emas.
• Model ushbu tajribada tezlik, bandlik, transport vositasi trayektoriyasi, ob-havo yoki hodisa hisobotlarini birgalikda ishlatmagan.
• Real hodisa qaydlari bilan event-level dala tasdigʻi oʻtkazilmagan.

Asosiy cheklovlar

Birinchi cheklov maʼlumot geografiyasi va sensor qamrovidir. Baholash VDS 1030 nomli bitta qatʼiy tezyurar yoʻl kesimidagi 3 daqiqalik transport hajmi qatoriga asoslanadi. Turli yoʻl tarmoqlarida kundalik davr, sigʻim, sensor xususiyatlari va namunalash oraligʻi oʻzgarishi mumkin. MS-NaN ayni vaqt oraligʻidagi tarixiy tayanchlardan foydalangani sababli yangi tarmoqlarda tarixiy guruhlash, oyna uzunligi va anomaliya davomiyligi chegaralarini qayta kalibrlash talab qilinishi mumkin.

Ikkinchi cheklov kirish oʻzgaruvchisining bitta manbadan iboratligidir. Tezlik, occupancy/bandlik, transport vositalari trayektoriyalari, ob-havo yoki hodisa qaydlari kiritilmagan. Ushbu oʻzgaruvchilarni qoʻshish xususiyatlar tasviri va fuzion mexanizmini kengaytirishni talab qiladi.

Uchinchi va eng muhim talqin chegarasi real hodisa tasdigʻidir. Nuqtaviy va shapelet anomaliyalari transport fizikasi bilan cheklangan boʻlsa-da, VDS 1030 uchun vaqt bilan moslashtirilgan keng qamrovli hodisa qaydlari mavjud boʻlmagani sababli muayyan hodisalar bilan birma-bir tasdiqlash amalga oshirilmagan. Shu sababli manba mavjud miqdoriy natijalar, avvalo, transport fizikasi bilan cheklangan simulyatsiya anomaliyalari ostidagi aniqlash samaradorligini koʻrsatishini taʼkidlaydi.

Kelajakdagi tadqiqot yoʻnalishlari qatoriga yuqori aniqlikdagi va koʻp hududli transport maʼlumotlari, keng qamrovli hodisa yorliqlari, real hodisa qaydlari bilan tasdiqlash, koʻp manbali xususiyatlar fuzioni, tarmoqlararo transfer, nazorat qilinadigan anomaliya ulushi tahlillari, makon-vaqt anomaliya tarqalishi, onlayn moslashuvchan aniqlash va rivojlanganroq talqin qilinuvchanlik kiradi.

Manba va Usul Haqida Izoh

Asl tadqiqot: Traffic-Prior-Guided State-Aware Framework for Robust Urban Traffic Anomaly Detection

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

Corresponding author: Qifeng Yu.

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

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

Jurnal: Urban Science.

Nashriyot: MDPI.

Jild / son / maqola: Volume 10, Issue 8, Article 457.

DOI: 10.3390/urbansci10080457.

Rasmiy havola: https://doi.org/10.3390/urbansci10080457

Yuborilgan: 28 May 2026.

Tahrir: 31 Iyul 2026.

Qabul: 4 Avgust 2026.

Nashr: 7 Avgust 2026.

Manba turi: Article; eksperimental hisoblashga asoslangan transport anomaliyalarini aniqlash va chuqur oʻrganish tadqiqoti.

Taqriz holati: Urban Science jurnalining taqrizli Version of Record nashridir; manba Received, Revised va Accepted sanalarini bildiradi.

Litsenziya: Creative Commons Attribution, CC BY.

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

Maʼlumotlar mavjudligi: Manba transport maʼlumotlariga tegishli ochiq maʼlumot platformasi va maqoladagi havolalar orqali kirish mumkin. Qayta ishlangan va tadqiqot natijalarini qoʻllab-quvvatlovchi maʼlumotlarni corresponding author dan asosli soʻrov boʻyicha olish mumkinligi bildirilgan.

Moliyalashtirish: “Research on the Impact of Road Maintenance Construction on Traffic Efficiency and Driving Safety” loyihasi; Baoji Municipal Engineering Maintenance Service Center, China. Manba grant raqami biriktirilmaganini bildiradi.

Manfaatlar toʻqnashuvi: Mualliflar manfaatlar toʻqnashuvi yoʻqligini bayon qilgan.

Etika qoʻmitasi: Tatbiq etilmaydi.

Xabardor rozilik: Tatbiq etilmaydi.

Muallif hissalari: Konseptuallashtirish Qifeng Yu va Xiaomeng Wang; metodologiya Qifeng Yu, Lingguang Wang va Changbo Kang; dasturiy taʼminot Lingguang Wang va Yanchen Qiu; validatsiya Lingguang Wang, Yanchen Qiu va Yixuan Shang; formal tahlil Lingguang Wang, Changbo Kang va Qifeng Yu; tadqiqot Lingguang Wang, Yanchen Qiu va Yixuan Shang; maʼlumotlar kuratsiyasi Lingguang Wang, Yanchen Qiu va Yixuan Shang; dastlabki qoralama yozuvi Lingguang Wang, Yanchen Qiu va Yixuan Shang; koʻrib chiqish va tahrir Lingguang Wang, Qifeng Yu va Xiaomeng Wang; vizuallashtirish Lingguang Wang; maslahat Qifeng Yu va Xiaomeng Wang; loyiha boshqaruvi Changbo Kang; moliyalashtirishni taʼminlash Changbo Kang.

Asosiy metodologik chegara: Tadqiqotning asosiy miqdoriy baholashi real transport oʻlchovlaridan yaratilgan va fizik jihatdan cheklangan sintetik anomaliyalarni oʻz ichiga oluvchi bitta kesim maʼlumotlar tuzilmasida amalga oshirilgan. Real hodisa qaydlari bilan birma-bir event-level tasdiqlash mavjud emas. Turli tarmoqlarga koʻchirish imkoniyati, koʻp manbali transport kirishlari va real hodisa yorliqlari kelajakda alohida tasdiqlanishi kerak.