[发明专利]基于三元高斯混合模型的多维城市交通异常事件识别方法

说明书

本发明公开了一种基于三元高斯混合模型的多维城市交通异常事件识别方法。本发明运用人工智能算法，解决了对城市交通异常事件进行自动识别和研判的问题，异常事件的识别并不局限单一的警情，而是综合考虑警情、事故、施工等事件数据，该方法对城市宏观整体、中观区域以及微观路段均适用。

技术领域

本发明涉及一种基于三元高斯混合模型并结合聚类的多维城市交通异常事件的智能识别方法，属于智能交通应用技术领域。

背景技术

全面感知城市道路交通运行状况，尤其对城市交通事件的异常情况进行识别与预警，对缓解交通拥堵、增加交通安全提供了数据支持和理论依据，对提升城市交通管理和决策水平具有重要意义。目前主要研究集中在高速公路的异常事件识别，鲜少有对城市交通异常事件的识别研究。

发明内容

本发明目的是：通过交通大数据，运用人工智能算法，对城市交通异常事件进行识别和研判。

为了达到上述目的，本发明的技术方案是提供了一种基于三元高斯混合模型的多维城市交通异常事件识别方法，其特征在于，包括以下步骤：

步骤1：读取城市道路交通事件数据样本S，数据样本S的输入X包括三个维度的特征，分别为：基于事件序列的交通事件量、天气状况和交通拥堵指数；

步骤2：随机将数据样本S划分为子样本S1和子样本S2；

步骤3：根据子样本S1，用三元高斯混合模型进行建模，获得三元高斯混合模型M，三元高斯混合模型M可以计算出任意样本点的分布概率值p；

步骤4：将子样本S2用DBSCAN算法进行聚类，将子样本S2中的异常点识别出来，分别对异常点和正常点打上标记，子样本S2变为带标签的子样本S3；

步骤5：用步骤3中建好的三元高斯混合模型M计算子样本S3，得到子样本S3每个样本点x对应的分布概率值p，使得F1score最大的分布概率值p即为阈值t-score，其中，F1score的计算公式如下式所示：

式中，tp是真阳性的样本点的个数，fp是假阳性的样本点的个数，fn是假阴性的样本点的个数，真阳性的样本点定义为模型预测结果为异常，且实际为异常，假阳性的样本点定义为模型预测结果为异常，但实际不为异常，假阴性的样本点定义为模型预测结果为正常，但实际为异常，其中，选定所述阈值t-score包括以下步骤：

步骤501、将初始化p’值和最高的F1score值best_f1初始化为0；选定步长值step，step＝(max(P3)-min(P3))/1000，式中，P3表示S3每个样本点x对应的分布概率值p的集合；

步骤502、首先取p₁’值等于P3中的最小值与一个step之和，即有：p₁’＝min(P3)+step；

步骤503、在子样本S3中，取出分布概率值p小于p₁’的样本点，三元高斯混合模型M判断这些样本点为异常点，计算F1score，将计算得到的值记为f1；

步骤504、比较f1和best_f1的大小，如果f1大于best_f1的值，则将best_f1的值变为f1，同时将p₁’赋值给p’，p’＝p₁’，如果f1不大于best_f1的值，则best_f1和p’的值保持不变；

步骤505、循环重复步骤502到步骤504，p₁’每次加一个step，直到p₁’＝max(P3)，最后的p’值就是符合该城市路段的异常事件的阈值t-score；

步骤6：当有新交通事件时，获得新交通事件的三个维度的特征后用三元高斯混合模型M计算出分布概率值p，如果pt-score，即将新交通事件识别为异常。