Resumen

La detección de anomalías en el flujo de tráfico es útil para mejorar la eficacia y fiabilidad de la detección de comportamientos defectuosos y la eficacia general del funcionamiento del tráfico. Los datos detectados por el sensor de flujo de tráfico contienen mucho ruido debido a fallos del equipo, interferencias ambientales y otros factores. En el caso de grandes ruidos en los datos de flujo de tráfico, se propone un método de detección de anomalías de flujo de tráfico basado en regresión ridge robusta con algoritmo de optimización de enjambre de partículas (PSO). Se construyen conjuntos de características que contienen características históricas con una fuerte correlación lineal y características estadísticas utilizando la ventana deslizante óptima. A continuación, los conjuntos de características se introducen en el modelo PSO-Huber-Ridge y el modelo genera el flujo de tráfico. Se recomienda la función de pérdida de Huber para reducir las interferencias de ruido en el flujo de tráfico. El término regular L2 de la regresión ridge se emplea para reducir el grado de sobreajuste del modelo de entrenamiento. Se construye una función de fitness, que puede equilibrar el tamaño relativo entre el error cuadrático medio de k-fold cross-validation y el error absoluto medio de k-fold cross-validation con el parámetro de control η para mejorar la eficiencia de optimización del algoritmo de optimización y la capacidad de generalización del modelo propuesto. Los hiperparámetros del modelo de previsión de regresión de cresta robusta se optimizan mediante el algoritmo PSO para obtener los hiperparámetros óptimos. El conjunto de datos de flujo de tráfico se utiliza para entrenar y validar el modelo propuesto. Comparado con otros métodos de optimización, el modelo propuesto tiene el RMSE, MAE y MAPE más bajos. Finalmente, el flujo de tráfico pronosticado por el modelo propuesto se utiliza para realizar la detección de anomalías. La anormalidad del error entre el valor pronosticado y el valor real se detecta mediante el umbral de flujo de tráfico anómalo basado en la ventana deslizante. Los resultados experimentales verifican la validez del modelo de detección de anomalías propuesto.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:modelo, flujo de tráfico, detección de anomalías en el flujo de tráfico, umbral de flujo de tráfico anormal, grandes ruidos en los datos de flujo de tráfico, modelo de previsión robusto de regresión ridge, método de detección de anomalías en el flujo de tráfico, conjunto de datos de flujo de tráfico, error absoluto medio de validación, función de pérdida huber
• Keywords:model, traffic flow, traffic flow anomaly detection, abnormal traffic flow threshold, large traffic flow data noises, robust ridge regression forecast model, traffic flow anomaly detection method, traffic flow data set, validation average absolute error, huber loss function