一种基于车路协同的自监督车辆异常轨迹检测方法

本发明涉及图异常节点检测领域，尤其涉及一种基于车路协同的自监督车辆异常轨迹检测方法。

背景技术：

1、随着科技的飞速发展，智能化交通系统已成为交通领域的研究热点，车路协同技术更是以其独特的优势，在提升交通安全、缓解交通拥堵、提高交通效率等方面发挥着重要作用。车路协同旨在通过智能化的车辆和道路基础设施之间的协同合作，提升交通效率、减少交通事故，并改善驾驶体验。然而，实现车路协同所面临的挑战之一是有效地检测和处理车辆轨迹异常情况。车辆轨迹异常是指与正常行驶模式显著不符的车辆行为或轨迹模式，如某路段上车辆速度与周边路段速度存在明显差异的现象，导致异常的原因可能包括交通事故、违规驾驶、异常行驶等情况，这些异常情况对驾驶安全和交通流畅性产生负面影响。因此，开发一种高效准确的车辆轨迹异常检测技术对于实现车路协同的目标至关重要。然而传统的车辆轨迹异常检测方法主要依赖于人工设定的阈值或规则，这种方法往往难以适应不同道路和交通条件下的车辆轨迹变化。同时，由于数据量庞大且处理复杂，传统的监督学习方法在车辆轨迹异常检测中也存在诸多挑战，如标注数据不足、模型泛化能力有限等。

技术实现思路

1、本发明的目的在于提供一种基于车路协同的自监督车辆异常轨迹检测方法，解决了在缺少标签的交通网络中的检测异常车辆轨迹的问题。

2、本发明采用的技术方案是：

3、一种基于车路协同的自监督车辆异常轨迹检测方法，其包括以下步骤：包括以下步骤：

4、步骤1，基于传感器收集的道路交通信息，将道路信息建模成图结构；每个节点表示一个路段，节点之间是连边表示路段之间的连接性；

5、步骤2，随机选取一节点作为目标节点；为目标节点生成若干子图并从若干子图中选取部分子图作为目标节点的子图视图；

6、步骤3，通过图神经网络生成目标节点和对应子图视图的低维向量表示；

7、步骤4，通过生成性自监督学习任务，将根据节点上下文子图视图生成的节点表示与原始节点表示对比得到节点的生成异常分数；

8、步骤5，通过对比性自监督学习任务，选取正例和负例对比得到节点的对比异常分数；

9、步骤6，由生成异常分数和对比异常分数计算得到最终的异常得分。

10、步骤7，根据异常分数设定一个阈值，将超过该阈值的节点判定为异常。

11、进一步地，步骤1具体方法为：

12、步骤1-1，将每个路段表示为图结构中的一个节点，根据路段之间的连接性进行节点之间的连边；

13、步骤1-2，获取各个路段传感器收集到的过往车辆在某一时间段的平均速度作为对应节点特征的元素。

14、具体地，路段交通平均速度表示节点特征，节点特征的每个元素由各个路段传感器收集到的过往车辆在某一时间段的平均速度。

15、进一步地，步骤2的具体方法为：

16、步骤2-1，随机选中图中的一个节点vi作为目标节点；

17、步骤2-2，通过随机游走算法为目标节点vi生成t个子图；

18、步骤2-3，为每个子图计算亲密度分数，选取得分最高的k个子图作为目标节点的子图视图

19、进一步地，步骤3的具体方法为：

20、步骤3-1，从全图的特征矩阵和邻接矩阵中将vi的子图视图的特征矩阵和邻接矩阵选出；

21、步骤3-2，删去选中子图视图的特征矩阵中目标节点的节点属性信息；

22、步骤3-2，将子图视图的特征矩阵和邻接矩阵输入gcn编码器，其中gcn编码器的计算如下所示

23、

24、其中表示子图视图的节点嵌入矩阵，和分别是相应子图视图的特征矩阵和邻接矩阵；σ(·)表示激活函数，d(i,i)＝∑ja(i,j)，we是编码训练过程中使用的参数矩阵。

25、进一步地，步骤4的具体方法为：

26、步骤4-1，将子图视图的节点嵌入矩阵输入gcn解码器中得到经过解码的节点属性矩阵，计算如下所示

27、

28、其中表示经过编码解码重建的子图视图的特征矩阵，wd是解码训练过程中使用的参数矩阵；

29、步骤4-2，目标节点vi的重建特征位于的最后一行，将其与vi的原始特征向量比较，获得节点生成异常得分，具体计算如下：

30、

31、其中，scoreg(·)是生成异常打分函数，θ是调整参数，表示目标节点vi的重建特征，xi为vi的原始特征。

32、进一步地，步骤5的具体方法为：

33、步骤5-1，将节点vi的子图视图的节点特征矩阵通过平均池化得到子图视图的向量表示

34、

35、其中，sj是的向量表示，n为子图视图中节点的个数；

36、步骤5-2，选出对比学习要输入的正例和负例，其中正例就是节点vi的向量表示hi和节点vi对应的子图视图的向量表示sj，负例为hi和在全图中随机抽取的子图视图的向量表示

37、步骤5-3，将选出正例和负例送入鉴别器中得到鉴别分数，具体计算如下：

38、

39、其中，和分别是正例和负例的鉴别分数，σ(·)是一个非线性函数；

40、步骤5-4，不同的节点具有不同的上下文子图视图。如果一个节点是异常的，那么它就应该与其周围的上下文有更大的区别，也就是说，应该是明显高于根据正例和负例的鉴别分数计算得到对比异常分数，具体计算如下：

41、

42、其中，scorec(·)是对比异常打分函数。

43、进一步地，步骤6中根据生成异常分数和对比异常分数计算得到最终的异常分数，计算如下：

44、score(vi)＝λscoreg(vi)+yscorec(·)

45、其中，scoreg(·)是生成异常打分函数；scorec(·)是对比异常打分函数；λ和y分别是生成异常分数和对比异常分数的权重。

46、进一步地，步骤7具体包括以下步骤：

47、步骤7-1，根据节点的异常分数绘制出roc曲线(受试者操作特征曲线)，其中横轴表示假阳性率，纵轴表示真阳性率。

48、步骤7-2，在roc曲线上，坐标点(0，1)表示完美分类器，即假阳率为0，真阳率为1。通过计算roc曲线上每个点到坐标点(0，1)的欧氏距离，并选择欧式距离最近的点所对应的阈值作为最接近完美分类器的阈值。通常情况下，希望模型评估指标auc值越接近1，表示模型的性能越好。

49、步骤7-3，选定阈值之后，异常得分超过该阈值的节点将被判定为异常。

50、本发明采用以上技术方案，通过将带车辆属性信息的交通路网构建成图结构，本发明可以利用图上的异常节点检测算法来检测车辆的异常轨迹。通过选取目标节点子图，既能使本发明充分利用节点的上下文背景，又避免了全图输入造成的资源损耗。具体来说，本发明先用随机游走生成一些子图，然后计算这些子图与目标节点的亲密度得分，从中选取得分较高的子图作为节点的上下文背景。在进行自监督学习任务时，选中的子图在被删去目标节点信息之后被送入gcn编码器中，生成得到的子图的表示。在生成性自监督学习任务中，异常分数是根据子图表示中生成的节点表示与原始节点表示对比得到的。而在对比性自监督学习任务中，异常分数则是直接由子图的表示和选出的负例子图表示对比得到。最终的异常分数是由生成异常分数和对比异常分数共同计算得到，之后再选出合适的阈值来判断节点是否异常。通过采用生成性自监督学习任务和对比性自监督学习任务，本发明可以在不使用标签的情况下，找出图中与其他节点有显著不同或异常行为的节点。

技术特征：

1.一种基于车路协同的自监督车辆异常轨迹检测方法，其特征在于：其包括以下步骤：

2.根据权利要求1所述的一种基于车路协同的自监督车辆异常轨迹检测方法，其特征在于：步骤1具体方法为：

3.根据权利要求1所述的一种基于车路协同的自监督车辆异常轨迹检测方法，其特征在于：步骤2的具体方法为：

4.根据权利要求1所述的一种基于车路协同的自监督车辆异常轨迹检测方法，其特征在于：步骤3的具体方法为：

5.根据权利要求4所述的一种基于车路协同的自监督车辆异常轨迹检测方法，其特征在于：步骤4的具体方法为：

6.根据权利要求5所述的一种基于车路协同的自监督车辆异常轨迹检测方法，其特征在于：步骤5的具体方法为：

7.根据权利要求1所述的一种基于车路协同的自监督车辆异常轨迹检测方法，其特征在于：步骤6中根据异常分数和对比异常分数计算得到最终的异常分数，计算如下：

8.根据权利要求1所述的一种基于车路协同的自监督车辆异常轨迹检测方法，其特征在于：步骤7的具体方法为：

技术总结
本发明公开一种基于车路协同的自监督车辆异常轨迹检测方法，1）将道路信息建模成图结构；网络中的每个路段代表一个节点，路段之间的连通性由图中的边表示。2）为目标节点选取子图视图，从随机游走生成的子图中选取与目标节点亲密度分数高的子图作为输入；3）生成目标节点和对应子图的低维向量表示；4）通过生成性自监督学习任务得到节点的生成异常分数，反映为由解码器生成得到的重建特征向量与原始特征向量之间的回归损失；5）通过对比性自监督学习任务得到节点的对比异常分数，利用输入图的结构信息通过生成目标节点的正负例分别打分得到节点的对比损失；6）由生成异常分数和对比异常分数计算得到最终异常得分；7）根据异常分数设定一个阈值，将超过该阈值的节点判定为异常。本发明可在不使用标签的情况下找出异常行为的节点。

技术研发人员：林丽美,张雨昕,黄艳泽,汪晓丁
受保护的技术使用者：福建师范大学
技术研发日：
技术公布日：2024/9/23