结合反事实与不确定性的交通流量异常检测方法

摘要

现有的交通流量预测模型通常仅关注在容忍异常数据的基础上提升预测精度，忽略了异常数据的检测与归因对优化智慧交通系统的重要性.针对该问题，提出了一种基于反事实生成与不确定性度量的交通流量异常检测方法CUG-U.具体来说，构建了一个反事实流量生成模块，该模块通过自监督训练将交通流量数据映射到高维特征空间进行扰动后，再映射回原始数据空间，确保反事实交通流量数据的真实性.此外，提出了一个不确定性度量模块，从时间和空间角度对输入数据的不确定性进行评估量化.最后，结合生成的反事实数据与不确定性量化结果，利用多次采样策略优化反事实流量数据的选取，进而实现精准的异常检测.实验结果表明，与基线模型相比，CUG-U在交通流量数据异常检测中表现出显著的性能优势.

关键词

反事实生成 / 不确定度量 / 异常检测 / 时空数据挖掘 / 贝叶斯神经网络