融合多种机制的交通时序数据异常检测模型研究

摘要

为提升交通时序数据异常识别能力，构建了一种混合模型。第一，融合多头注意力、残差及概率稀疏自注意力机制，形成全局特征识别(global feature recognition, GFR)模块，增强模型对全局特征的识别能力，有效降低计算复杂度；第二，将膨胀卷积与多尺度卷积相结合，形成局部特征识别(local feature recognition, LFR)模块，进一步优化模型局部特征的提取能力；第三，引入Free-Running训练策略，提升模型的鲁棒性；第四，将上述特征识别模块和训练策略与LSTM相结合，并将自注意力机制的结果替代LSTM的输入门控，以优化长序列的记忆效果，同时进一步降低计算复杂度；最后，采用多元高斯分布概率函数对异常进行判别。结果表明，每在LSTM基础上增加1个模块，所提模型的预测和异常检测能力均有提升；与常见的Transformer-Bi-LSTM混合模型相比，所提模型在预测能力上更为出色，且计算复杂度更低。所提模型在交通时序数据的全局和局部异常识别上高效、可靠，为提升交通系统的运行效率和安全性提供了参考。

关键词

计算机神经网络 / 长序列时序数据 / 异常检测 / 注意力机制 / LSTM