基于时空卷积神经网络GL-GCN的交通流异常检测算法.pdf

"基于时空卷积神经网络GL-GCN的交通流异常检测算法" 本文提出了一种基于时空卷积神经网络的交通流异常检测算法，命名为GL-GCN。该算法可以同时捕捉时空特性，建立预测交通流模型，并利用异常分数来判断交通流异常。算法中，空间信息采用图卷积网络捕获，时间依赖性采用深度神经网络DeepGLO的方法建模。实验结果表明，提出的模型具有有效性和优越性。 知识点： 1. 交通流异常检测：交通流异常检测是指检测交通流数据中异常的现象，通常需要考虑时间信息、空间信息等信息。 2. 时空卷积神经网络：时空卷积神经网络是一种可以同时捕捉时空特性的神经网络模型，常用于交通流预测、异常检测等领域。 3. 图卷积网络：图卷积网络是一种特殊的卷积神经网络，用于处理图形结构数据，常用于捕捉空间信息。 4. 深度神经网络：深度神经网络是一种多层神经网络，常用于建模时间依赖性，用于捕捉时间信息。 5. 异常检测：异常检测是指检测数据集中异常的现象，常用于数据挖掘、金融、安全、医疗、执法等领域。 6. 机器学习：机器学习是一种人工智能技术，常用于建立交通流异常检测模型，例如聚类、k-means、EM、决策树、贝叶斯、支持向量机等。 7. LSTM（Long Short Term Memory）：LSTM是一种特殊的递归神经网络，常用于捕捉时间信息，用于交通流预测和异常检测。 8. 时空特性：时空特性是指同时捕捉时间信息和空间信息的特性，常用于交通流预测和异常检测。 9. 预测交通流模型：预测交通流模型是指建立的模型，可以预测交通流的变化趋势，用于交通流异常检测。 10. 异常分数：异常分数是指用于判断交通流异常的分数，通常通过计算交通流数据与长期交通流数据的偏离程度来获得。 11. 数据挖掘：数据挖掘是指从大量数据中挖掘有价值的信息，常用于交通流异常检测等领域。 12. 交通流数据：交通流数据是指收集的交通流信息，例如交通速度、流量、占有率等。 13. 交通事故：交通事故是指交通流异常的原因之一，例如车祸、恶劣的天气条件等。 14. 短暂事件：短暂事件是指交通流异常的原因之一，例如交通事故、恶劣的天气条件等。 本文提出了基于时空卷积神经网络的交通流异常检测算法，具有有效性和优越性，能够同时捕捉时空特性，建立预测交通流模型，并利用异常分数来判断交通流异常。