基于图时空模式学习网络的路网实时交通事件自动检测方法

摘要

为提升路网交通异常事件的检测精度并降低误报率，提出了一种基于图时空模式学习网络（GSTPL）的路网实时交通事件自动检测方法。将路网交通事件检测问题抽象为图结构异常检测任务；设计了交通时空融合图表达方法，筛选具有强时空依赖性与模式规律性的图节点信息作为网络输入；引入图时空卷积与图嵌入层对时空模式特征进行提取，构造多组件输入与融合预测结构对不同时间维的交通模式规律进行融合；设计了异常状态评估方法，通过对模型预测误差分布的学习，结合当前检测数据给出最终的异常事件判定结果。采用2个真实交通路网数据进行算法验证，实验结果表明，提出的GSTPL交通事件检测方法具有较高的检测精度、较低的误报率与更短的平均检测时间；在可接受误检率为5%与10%时，对异常交通事件的检测率可分别达到91%与96%以上。

关键词

交通运输系统工程 / 事件自动检测 / 图神经网络 / 模式学习 / 异常评估