عنوان مقاله:
شبکه همجوشی عمیق هوشمند برای شناسایی ناهنجاری جریان ترافیک شهری
Intelligent deep fusion network for urban traffic flow anomaly identification
سال انتشار:
رشته: مهندسی کامپیوتر - فناوری اطلاعات - فناوری اطلاعات و ارتباطات
گرایش: هوش مصنوعی - مهندسی الگوریتم ها و محاسبات - شبکه های کامپیوتری - کاربردهای ICT
دانلود رایگان این مقاله:
دانلود مقاله ناهنجاری ترافیک شهری
مشاهده سایر مقالات جدید:
مقالات ISI فناوری اطلاعات و ارتباطات
2. Related work
Algorithms for detecting outliers in urban traffic can be divided into different classes. Classical methods, which use traditional machine learning methods, and advanced methods, which are based on deep learning. In this section we will discuss solutions of both classes. 2.1. Classical machine learning based solutions Ngan et al. [14] study the Chinese restaurant process to create an endless number of clusters for the flow values. All the flow values belonging to the cluster with the most elements are considered as inliers, while the other flow values are considered as outliers. Gu et al. [15] proposed an intelligent model for passenger flow anomalies. First, a hybrid k-means and hierarchical clustering algorithm is performed to identify the passenger flow represented by time series data. Anomaly detection indices are generated to represent the different types of outliers in the passenger flow. The different detected anomalies are reported to the city planners as alarms. Lin et al. [16] develop a method for predicting road traffic speeds based on Gaussian aggregation. To augment the training data, speed measurement data is first combined with tweet and trajectory data. The entire framework is then built using a mixture of a disaggregation model and a Gaussian process. Munoz-Organero et al. [17] present a method to filter out driving locations associated with unpredictable traffic situations, such as congestion, from infrastructure road features. Mahalanobis distance is used to determine the similarity of individual traffic flows recorded at each second within different time frames. Shi et al. [18] proposed a dynamic neighborhood-based technique to identify local anomalies in spatiotemporal traffic flow data. The dynamic flow is first represented by the real-time vehicle speed data. Then, the dynamic neighborhood structure is established by calculating the similarity of the spatio-temporal flows.
5. Discussions
This section summarizes the main findings from the application of decomposition methods and deep learning to the problem of identifying anomalies in urban traffic. • The first discovery of the study is that the proposed framework is able to handle large urban traffic datasets, such as those from Beijing. This is in contrast to previous anomaly detection techniques that require long execution times and evaluate the entire traffic flow database throughout the outlier detection process. The proposed framework is not only able to derive outliers from urban traffic data, but also to explore the different correlations between urban traffic data and identify different groups within these data [33]. We argue that the inclusion of decomposition approaches during the pre-processing phase enables rapid derivation and identification of outliers. • DCNN-TFO is an example of integrating data mining and machine learning research. In our scenario, artificial intelligence is combined with outlier identification to manage large amounts of urban traffic data and accelerate the mining process. This adaptation is done in stages, including decomposition and learning processes. • In addition, this study found that Deep Learning models benefit from pre-treatment of data through decomposition. Since each model uses comparable input, the recognition process is accelerated. • The last remark is that the framework is general and can be used for any type of network data, unlike previous methods that are limited to specific types of urban traffic data. The type of data shown in this paper is just an illustration of how our framework could be used. Our approach can also be used to solve different types of urban traffic data, such as trajectories [34,35], time series [36], and other [37,38].
(دقت کنید که این بخش از متن، با استفاده از گوگل ترنسلیت ترجمه شده و توسط مترجمین سایت ای ترجمه، ترجمه نشده است و صرفا جهت آشنایی شما با متن میباشد.)
2. کارهای مرتبط
الگوریتم های تشخیص نقاط پرت در ترافیک شهری را می توان به کلاس های مختلفی تقسیم کرد. روش‌های کلاسیک که از روش‌های یادگیری ماشینی سنتی استفاده می‌کنند و روش‌های پیشرفته که مبتنی بر یادگیری عمیق هستند. در این بخش راه حل های هر دو کلاس را مورد بحث قرار می دهیم. 2.1. راه حل های کلاسیک مبتنی بر یادگیری ماشینی Ngan et al. [14] فرآیند رستوران چینی را مطالعه کنید تا تعداد بی پایانی از خوشه ها برای مقادیر جریان ایجاد کنید. تمام مقادیر جریان متعلق به خوشه با بیشترین عناصر به عنوان مقادیر درونی در نظر گرفته می شوند، در حالی که مقادیر دیگر جریان به عنوان مقادیر پرت در نظر گرفته می شوند. گو و همکاران [15] یک مدل هوشمند برای ناهنجاری های جریان مسافر پیشنهاد کرد. ابتدا، یک k-means ترکیبی و الگوریتم خوشه‌بندی سلسله مراتبی برای شناسایی جریان مسافر که توسط داده‌های سری زمانی نشان داده می‌شود، انجام می‌شود. شاخص‌های تشخیص ناهنجاری برای نشان دادن انواع مختلف نقاط پرت در جریان مسافر تولید می‌شوند. ناهنجاری های مختلف شناسایی شده به عنوان زنگ خطر به برنامه ریزان شهری گزارش می شود. لین و همکاران [16] روشی را برای پیش‌بینی سرعت ترافیک جاده‌ای بر اساس تجمع گاوسی ایجاد کرد. برای افزایش داده های آموزشی، داده های اندازه گیری سرعت ابتدا با داده های توییت و مسیر ترکیب می شوند. سپس کل چارچوب با استفاده از مخلوطی از مدل تفکیک و فرآیند گاوسی ساخته می‌شود. Munoz-Organero و همکاران. [17] روشی را برای فیلتر کردن مکان‌های رانندگی مرتبط با موقعیت‌های ترافیکی غیرقابل پیش‌بینی، مانند تراکم، از ویژگی‌های جاده زیرساخت ارائه می‌کند. فاصله Mahalanobis برای تعیین شباهت جریان های ترافیکی فردی که در هر ثانیه در بازه های زمانی مختلف ثبت می شود استفاده می شود. شی و همکاران [18] یک تکنیک مبتنی بر همسایگی پویا برای شناسایی ناهنجاری‌های محلی در داده‌های جریان ترافیک مکانی-زمانی پیشنهاد کرد. جریان دینامیکی ابتدا با داده های سرعت خودرو در زمان واقعی نشان داده می شود. سپس، ساختار همسایگی پویا با محاسبه شباهت جریان‌های مکانی-زمانی ایجاد می‌شود.
5. بحث و گفتگو
این بخش یافته‌های اصلی را از کاربرد روش‌های تجزیه و یادگیری عمیق تا مشکل شناسایی ناهنجاری‌ها در ترافیک شهری خلاصه می‌کند. • اولین کشف این مطالعه این است که چارچوب پیشنهادی قادر به مدیریت مجموعه داده های بزرگ ترافیک شهری، مانند مواردی از پکن است. این برخلاف تکنیک‌های تشخیص ناهنجاری قبلی است که به زمان‌های طولانی اجرا نیاز دارند و کل پایگاه‌داده جریان ترافیک را در طول فرآیند تشخیص بیرونی ارزیابی می‌کنند. چارچوب پیشنهادی نه تنها قادر به استخراج اطلاعات پرت از داده های ترافیک شهری است، بلکه می تواند همبستگی های مختلف بین داده های ترافیک شهری را کشف کند و گروه های مختلف را در این داده ها شناسایی کند [33]. ما استدلال می کنیم که گنجاندن رویکردهای تجزیه در طول مرحله پیش پردازش، استخراج و شناسایی سریع نقاط پرت را امکان پذیر می کند. • DCNN-TFO نمونه ای از یکپارچه سازی تحقیقات داده کاوی و یادگیری ماشین است. در سناریوی ما، هوش مصنوعی با شناسایی پرت ترکیب می‌شود تا حجم زیادی از داده‌های ترافیک شهری را مدیریت کرده و فرآیند استخراج را تسریع کند. این سازگاری در مراحلی از جمله فرآیندهای تجزیه و یادگیری انجام می شود. • علاوه بر این، این مطالعه نشان داد که مدل های یادگیری عمیق از پیش پردازش داده ها از طریق تجزیه سود می برند. از آنجایی که هر مدل از ورودی قابل مقایسه استفاده می‌کند، فرآیند شناسایی تسریع می‌شود. • نکته آخر این است که چارچوب کلی است و بر خلاف روش های قبلی که به انواع خاصی از داده های ترافیک شهری محدود می شود، برای هر نوع داده شبکه قابل استفاده است. نوع داده‌های نشان‌داده‌شده در این مقاله فقط نشان‌دهنده چگونگی استفاده از چارچوب ما است. رویکرد ما همچنین می‌تواند برای حل انواع مختلف داده‌های ترافیک شهری، مانند مسیرها [34،35]، سری‌های زمانی [36] و موارد دیگر مورد استفاده قرار گیرد [37،38].
