本发明涉及交通检测，具体而言，涉及一种基于双分支时空对比学习的长期交通异常检测方法。
背景技术：
1、近年来，城市交通异常的增加导致交通拥堵和事故频发，影响了交通效率和公共安全。因此，交通异常检测在智能交通管理中扮演着至关重要的角色，例如调整信号配时和提前重新规划交通路线等。城市交通异常可以分为两类：(i)短期异常，通常由突发事件引起，如交通事故和特殊社会活动，以及(ii)长期异常，如长期的交通拥堵，这是由于交通结构变化和城市布局发展导致的对预期交通服务的长期不匹配。例如，新建的购物中心所在区域的交通需求急剧增加。然而，现有的公共交通路线尚未调整以适应这一变化，交叉路口的交通信号系统也无法满足当前需求，导致公交服务不足和长期的交通拥堵。因此，检测长期交通异常可以显著提高交通流动性和道路利用效率，从根本上减少交通拥堵和异常。过去已经开发了各种基于数据驱动和时间序列的异常检测方法用于短期非经常性交通异常，如交通拥堵和事故。然而，由于以下问题，这些方法在长期异常检测中难以使用。
2、在技术层面，长期交通异常的模式是多样的，因为它们由不同类型的城市背景信息变化引起，如不平衡的公交服务或某些地区人口的突然增加。因此，模型需要学习基于多种因素的区域/道路段的静态服务能力。另一方面，它需要学习基于自适应和自监督学习的动态数据驱动时空异质性。然后，如何检测静态关联和动态自学习时空依赖性之间的对比差异是检测交通长期异常的独特挑战。
技术实现思路
1、本发明的目的包括，例如，提供了一种基于双分支时空对比学习的长期交通异常检测方法，其能够结合动态数据时空异质性、节点的静态服务准确进行异常的长期交通流的检测。
2、本发明的实施例可以这样实现：
3、第一方面，本发明提供一种基于双分支时空对比学习的长期交通异常检测方法，所述方法包括：
4、基于待检测的交通网络获得多个视图，各所述视图包括多个节点；
5、针对各所述视图，获得所述视图中各所述节点的交通信号，并获得节点之间的邻接矩阵；
6、基于预先训练得到的检测模型的第一分支，并根据各所述节点的交通信号获得全局动态时空依赖关系信息；
7、基于所述检测模型的第二分支，并根据各所述节点的交通信号和节点之间的邻接矩阵获得静态区域时空依赖关系信息；
8、基于所述全局动态时空依赖关系信息和静态区域时空依赖关系信息，获得各所述节点对应的异常分值，所述异常分值表征所述节点是否存在长期交通异常。
9、在可选的实施方式中，所述获得所述视图中各所述节点的交通信号的步骤，包括：
10、获得所述视图中的多个节点在多个连续的时间步长上的多维交通信息；
11、基于所述时间步长将所述交通信息划分为在时间轴上连续且不重叠的多个时空块；
12、获得各所述时空块中各所述节点的交通信息，作为对应节点的交通信号。
13、在可选的实施方式中，所述第一分支包括依次连接的时间自注意力编码器、聚类层和空间自注意力编码器；
14、所述基于预先训练得到的检测模型的第一分支，并根据各所述节点的交通信号获得全局动态时空依赖关系信息的步骤，包括：
15、利用预先训练得到的检测模型的第一分支中的时间自注意力编码器，对各所述节点的交通信号进行处理，输出时间自注意力输出信息；
16、利用所述第一分支中的聚类层对多个节点进行聚类处理，得到多个聚类簇；
17、针对各所述聚类簇，分别将各所述聚类簇中的各个节点的时间自注意力输出信息输入所述第一分支中的空间自注意力编码器进行处理，输出各所述节点的时空自注意力输出信息；
18、基于各所述节点的时空自注意力输出信息，得到各所述节点的全局动态时空依赖关系信息。
19、在可选的实施方式中，所述时间自注意力编码器包括多个注意力头部；
20、所述利用预先训练得到的检测模型的第一分支中的时间自注意力编码器，对各所述节点的交通信号进行处理，输出时间自注意力输出信息的步骤，包括：
21、利用所述时间自注意力编码器中的各个注意力头部并行对所述节点的交通信号进行处理，分别获得所述交通信号对应的查询矩阵、键矩阵和值矩阵；
22、将所述查询矩阵、键矩阵和值矩阵相乘后再进行缩放处理，输出时间自注意力输出信息。
23、在可选的实施方式中，所述基于所述时空自注意力输出信息，得到全局动态时空依赖关系信息的步骤，包括：
24、对所述时空自注意力输出信息进行规范化处理；
25、对规范化处理后的时空自注意力输出信息采用包含残差连接的多个层级结构进行处理，得到全局动态时空依赖关系信息。
26、在可选的实施方式中，所述第二分支为图卷积网络模型；
27、所述基于所述检测模型的第二分支，并根据各所述节点的交通信号和节点之间的邻接矩阵获得静态区域时空依赖关系信息的步骤，包括：
28、基于所述检测模型的第二分支，根据节点之间的邻接矩阵计算得到区域自适应空间关系信息；
29、基于所述区域自适应空间关系信息和各所述节点的交通信号，得到多个视图下的多视图图矩阵；
30、将所述多视图图矩阵与所述第二分支中的图卷积的权重矩阵进行融合，得到静态区域时空依赖关系信息。
31、在可选的实施方式中，所述基于所述区域自适应空间关系信息和各所述节点的交通信号，得到多个视图下的多视图图矩阵的步骤，包括：
32、基于所述区域自适应空间关系信息、各所述节点的交通信号、所述第二分支中的图卷积的权重矩阵，并采用激活函数计算得到各个视图下节点的静态表示信息；
33、将多个视图下的静态表示信息进行组合，得到多个视图下的多视图图矩阵。
34、在可选的实施方式中，所述基于所述全局动态时空依赖关系信息和静态区域时空依赖关系信息，获得各所述节点对应的异常分值的步骤，包括：
35、将所述全局动态时空依赖关系信息和静态区域时空依赖关系信息进行融合，得到融合信息；
36、将所述融合信息的维度还原为各所述节点的交通信号的原始维度；
37、基于还原后的融合信息获得各所述节点对应的异常分值。
38、在可选的实施方式中，所述检测模型为预先基于训练样本并在损失函数的指导下训练获得；
39、所述损失函数由对比异质性损失函数、双流对比损失函数和重构损失函数按照不同权重累加获得。
40、在可选的实施方式中，所述对比异质性损失函数用于表征多个节点聚类时聚类结果的优良；
41、所述双流对比损失函数用于表征所述全局动态时空依赖关系信息和静态区域时空依赖关系信息之间的差异；
42、所述重构损失函数用于表征在所述检测模型的编码过程以及解码过程中重构准确性。
43、本发明实施例的有益效果包括，例如：
44、本技术提供一种基于双分支时空对比学习的长期交通异常检测方法，基于待检测的交通网络获得多个视图，各个视图包括多个节点。针对各个视图，获得视图中各节点的交通信号及节点之间的邻接矩阵。基于预先训练得到的检测模型的第一分支，并根据各节点的交通信号获得全局动态时空依赖关系信息，基于检测模型的第二分支，并根据各节点的交通信号和节点之间的邻接矩阵获得静态区域时空依赖关系信息。最后基于全局动态时空依赖关系信息和静态区域时空依赖关系信息，获得各节点的表征其是否存在长期交通异常的异常分值。本方案可以结合动态数据时空异质性、节点的静态服务进行长期交通异常检测，准确进行异常的长期交通流的检测。
1.一种基于双分支时空对比学习的长期交通异常检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于双分支时空对比学习的长期交通异常检测方法，其特征在于，所述获得所述视图中各所述节点的交通信号的步骤，包括：
3.根据权利要求1所述的基于双分支时空对比学习的长期交通异常检测方法，其特征在于，所述第一分支包括依次连接的时间自注意力编码器、聚类层和空间自注意力编码器；
4.根据权利要求3所述的基于双分支时空对比学习的长期交通异常检测方法，其特征在于，所述时间自注意力编码器包括多个注意力头部；
5.根据权利要求3所述的基于双分支时空对比学习的长期交通异常检测方法，其特征在于，所述基于所述时空自注意力输出信息，得到全局动态时空依赖关系信息的步骤，包括：
6.根据权利要求1所述的基于双分支时空对比学习的长期交通异常检测方法，其特征在于，所述第二分支为图卷积网络模型；
7.根据权利要求6所述的基于双分支时空对比学习的长期交通异常检测方法，其特征在于，所述基于所述区域自适应空间关系信息和各所述节点的交通信号，得到多个视图下的多视图图矩阵的步骤，包括：
8.根据权利要求1所述的基于双分支时空对比学习的长期交通异常检测方法，其特征在于，所述基于所述全局动态时空依赖关系信息和静态区域时空依赖关系信息，获得各所述节点对应的异常分值的步骤，包括：
9.根据权利要求1所述的基于双分支时空对比学习的长期交通异常检测方法，其特征在于，所述检测模型为预先基于训练样本并在损失函数的指导下训练获得；
10.根据权利要求9所述的基于双分支时空对比学习的长期交通异常检测方法，其特征在于，所述对比异质性损失函数用于表征多个节点聚类时聚类结果的优良；
