融合多種機(jī)制的交通時(shí)序數(shù)據(jù)異常檢測(cè)模型研究

中圖分類號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.7535/hbkd.2025yx03003

Research on anomaly detection model for traffic time series data integrating multiple mechanisms

ZHANG Peipei，LIU Jiaqi

（SchoolofEconomicsandManagement，NorthChinaUniversityofScienceandTechnology，Tangshan，HebeiO63oo，China）

Abstract：Toenhancetheanomalyrecognitionabilityof trafictimeseriesdata，ahybrid modelwasconstructed.Firstly，the multi-headatention，residualsandprobabiliticsparseself-atentionwerecombined toformaglobalfeaturerecognition（GFR） module，enhancing theability whilereducingcomputationalcomplexity.Secondly，the dilated convolutionandmulti-scale convolution werecombined to formalocalfeaturerecognition（LFR）module，furtheroptimizing local featureextraction. Thirdly，the FreeRunning training strategy wasused to improve model robustness.Fourthly，the modules and training strategy werecombined withLSTM，whiletheresultof theself-atention mechanismreplaced theLSTM input gate，soas to optimize long sequence memoryabilityand reducecomputing complexity.Finally，a multivariate Gausian distribution probabilityfunction wasused to discriminateanomalies.Theresults show that ading each moduleon the basis of LSTM significantly improvesthemodel'spredictionandanomalydetectionability；Comparedwiththegeneralhybridmodel Transformer-Bi-LSTM，the proposed model hasstronger prediction abilityandlowercomputational complexity.The proposed modelperformsefectivelyinrecognizingboth globalandlocalanomalies in trafictime seriesdata，which provides reference forimproving the operational efficiency and safety of the traffic system.

Keywords：computer neural networks；long sequence time-series data;anomaly detection; attention mechanism;LSTM

在交通領(lǐng)域，交通時(shí)序數(shù)據(jù)異常檢測(cè)至關(guān)重要。這類數(shù)據(jù)包括交通流量、速度和占有率等信息，其異常檢測(cè)對(duì)保障交通安全、優(yōu)化資源和提升交通效率意義重大。深度學(xué)習(xí)模型（如RNN、LSTM和Transformer）被廣泛用于異常檢測(cè)[1]，通過(guò)學(xué)習(xí)數(shù)據(jù)模式和長(zhǎng)期依賴關(guān)系，比較預(yù)測(cè)值與實(shí)際值，來(lái)判斷異常[2]。然而，交通數(shù)據(jù)動(dòng)態(tài)性強(qiáng)、復(fù)雜度高，受多種因素干擾[3]，需識(shí)別全局和局部特征異常[4]。1）全局特征檢測(cè)問(wèn)題：傳統(tǒng)RNN難以處理長(zhǎng)期依賴問(wèn)題，LSTM雖有改進(jìn)，但對(duì)極長(zhǎng)序列的處理仍有限制[5]，Transformer雖能捕捉遠(yuǎn)距離依賴[6]，但計(jì)算復(fù)雜度高，不利于超長(zhǎng)序列處理[7]。2）局部特征檢測(cè)問(wèn)題：卷積層雖能提取局部特征[8]，但因卷積核感受野固定，難以捕捉多尺度特征[9]。3）混合模型問(wèn)題：如 Transformer-Bi-LSTM混合模型雖能提升預(yù)測(cè)能力[10]，但在局部特征提取、魯棒性和計(jì)算效率方面仍有不足。針對(duì)上述問(wèn)題，本文提出一種混合模型，旨在優(yōu)化交通時(shí)序數(shù)據(jù)的異常檢測(cè)能力。

1 模型設(shè)計(jì)

交通時(shí)序數(shù)據(jù)的復(fù)雜性使得交通數(shù)據(jù)的預(yù)測(cè)極具挑戰(zhàn)性，單一方法難以滿足高效、精準(zhǔn)的預(yù)測(cè)需求。為此，本文提出的交通時(shí)序數(shù)據(jù)預(yù)測(cè)模型融合了三大核心模塊：1）全局特征識(shí)別（global feature recognition，GFR）模塊，通過(guò)集成 Transformer的多頭注意力、殘差和概率稀疏自注意力機(jī)制，在精準(zhǔn)提取全局特征的同時(shí)降低計(jì)算復(fù)雜度;2）局部特征識(shí)別（local feature recognition，LFR）模塊，結(jié)合膨脹卷積和多尺度卷積技術(shù)，靈活捕捉交通數(shù)據(jù)中的局部細(xì)節(jié)特征，優(yōu)化局部特征提取效果;3）FreeRunning 訓(xùn)練策略，增強(qiáng)模型訓(xùn)練的魯棒性。將上述特征識(shí)別模塊和訓(xùn)練策略與LSTM相結(jié)合，并將全局特征識(shí)別模塊的輸出作為L(zhǎng)STM的輸入門控，進(jìn)一步降低計(jì)算復(fù)雜度，提升長(zhǎng)序列數(shù)據(jù)的記憶與預(yù)測(cè)能力。

1）GFRGRF是模型的核心部分，用于高效提取交通時(shí)序數(shù)據(jù)的全局特征。自注意力機(jī)制通過(guò)對(duì)輸入序列的全局建模捕捉長(zhǎng)距離依賴，但其計(jì)算復(fù)雜度隨序列長(zhǎng)度增加而呈平方增長(zhǎng)，限制了在長(zhǎng)序列數(shù)據(jù)中的應(yīng)用[1]。概率稀疏自注意力機(jī)制通過(guò)稀疏性度量方法對(duì)注意力得分進(jìn)行概率稀疏采樣，從而降低了計(jì)算復(fù)雜度[7]。然而，采樣后的鍵值對(duì)數(shù)量減少可能導(dǎo)致后續(xù)計(jì)算的缺失。為此，本模塊通過(guò)補(bǔ)零操作，結(jié)合卷積、ELU激活和最大池化對(duì)特征降采樣，使其在較短子序列上計(jì)算，降低計(jì)算量并防止過(guò)擬合。之后，利用反卷積進(jìn)行上采樣，恢復(fù)到原始序列長(zhǎng)度，在減少計(jì)算成本的同時(shí)，保持對(duì)序列的有效建模能力。此外，Trans-former的多頭注意力結(jié)構(gòu)能從不同子空間中提取信息，增強(qiáng)模型對(duì)復(fù)雜關(guān)系的捕捉能力，殘差結(jié)構(gòu)能有效解決訓(xùn)練過(guò)程中梯度消失問(wèn)題。基于此，GFR融合了概率稀疏自注意力、殘差和多頭注意力機(jī)制，能更全面、精準(zhǔn)地捕捉數(shù)據(jù)中的全局特征。如圖1所示，該模塊包含6層編碼器，每層均采用概率稀疏自注意力、殘差和多頭注意力結(jié)構(gòu)。

初始輸入為 17856×3 的矩陣（17856為時(shí)間點(diǎn)數(shù)，3為交通流量、平均速度和平均占用率三方面的數(shù)據(jù)）。輸入數(shù)據(jù)首先經(jīng)過(guò)位置編碼以獲取序列位置依賴關(guān)系，然后通過(guò)多頭概率稀疏自注意力和降采樣獲取自注意力輸出。經(jīng)上采樣后，與位置編碼輸出相加并歸一化，再經(jīng)過(guò)前饋網(wǎng)絡(luò)處理，最后進(jìn)行殘差求和與歸一化，得到與輸入形狀一致的編碼器輸出結(jié)果。本模塊采用8頭注意力機(jī)制，具體結(jié)構(gòu)如圖2所示。

2）LFRLFR是本模型的關(guān)鍵部分，專注于捕捉交通時(shí)序數(shù)據(jù)中的局部細(xì)節(jié)特征，以增強(qiáng)模型對(duì)短時(shí)波動(dòng)和局部模式的感知能力。卷積神經(jīng)網(wǎng)絡(luò)能自動(dòng)從輸人數(shù)據(jù)中提取具有代表性的局部特征，但在處理序列數(shù)據(jù)時(shí)，通常需要更深的網(wǎng)絡(luò)結(jié)構(gòu)來(lái)獲得較大的感受野，這可能導(dǎo)致梯度消失[12]。而時(shí)空卷積通過(guò)卷積輸入的間隔采樣，有效擴(kuò)大了感受野[13」，避免出現(xiàn)梯度消失。但模型還需捕捉不同時(shí)間尺度的特征，多尺度卷積網(wǎng)絡(luò)通過(guò)使用不同大小的卷積核來(lái)獲取不同尺度的特征[9]。本模塊結(jié)合膨脹卷積和多尺度卷積，使模型對(duì)不同頻率和幅度的變化具有更強(qiáng)的適應(yīng)性。如圖3所示，卷積輸入通道數(shù)為3，輸出通道數(shù)為1，模型共有4個(gè)尺度的卷積核 {2，4，8，16} ，所以卷積核大小分別為 {3×1×2，3×1×4，3×1×8，3×1×16} 。每個(gè)尺度的卷積核又對(duì)應(yīng)著4個(gè)膨脹率，大小分別為 1，2，4，8 。模型共產(chǎn)生 4×4=16 個(gè)卷積結(jié)果。接下來(lái)，利用拼接技術(shù)將16個(gè)卷積結(jié)果進(jìn)行拼接，拼接后大小為 17856×16 ，再經(jīng)過(guò)前饋網(wǎng)絡(luò)，輸出數(shù)據(jù)維度修改為17856×3 。

3）FreeRunning混合訓(xùn)練策略在時(shí)序數(shù)據(jù)處理中，傳統(tǒng)訓(xùn)練模式常采用TeacherForcing策略，即直接用真實(shí)標(biāo)簽作為下一時(shí)間步的輸人，從而加快模型學(xué)習(xí)輸入與輸出映射關(guān)系的速度[14]，如圖4a）所示。然式可能導(dǎo)致模型過(guò)度依賴外部輸入，忽視自身預(yù)測(cè)誤差的處理，在面對(duì)新數(shù)據(jù)時(shí)因缺乏糾錯(cuò)能力而無(wú)法有效適應(yīng)。FreeRunning 訓(xùn)練模式通過(guò)將前一步的輸出作為后一步的輸入（如圖4b）所示），迫使模型基于自身預(yù)測(cè)進(jìn)行訓(xùn)練，增強(qiáng)其對(duì)預(yù)測(cè)誤差的魯棒性和泛化能力，但也會(huì)增加訓(xùn)練的時(shí)間成本。本模型采用 TeacherForcing與FreeRunning混合訓(xùn)練策略，在 400個(gè)訓(xùn)練周期中，前40個(gè)周期用36個(gè)epoch 進(jìn)行TeacherForcing 訓(xùn)練，4個(gè)epoch 進(jìn)行FreeRunning 訓(xùn)練;最后40個(gè)epoch完全采用FreeRunning模式。通過(guò)動(dòng)態(tài)調(diào)整2種模式比例（如圖5所示），模型從依賴真實(shí)標(biāo)簽逐步過(guò)渡到依賴自身預(yù)測(cè)，有效緩解過(guò)擬合，兼顧快速收斂與強(qiáng)泛化能力，特別適用于交通預(yù)測(cè)這類復(fù)雜任務(wù)和長(zhǎng)序列數(shù)據(jù)，顯著提升模型在實(shí)際應(yīng)用中的表現(xiàn)。

4）整體結(jié)構(gòu)本文模型在LSTM的基礎(chǔ)上，融合了GFR、LFR以及 FreeRunning 混合訓(xùn)練策略：a）GFR經(jīng)過(guò)歸一化處理后，獲取輸入樣本的權(quán)重，記為 β ，并將其作為L(zhǎng)STM輸入門的門控，如圖6所示。LSTM的輸入門決定了當(dāng)前輸入信息能保存至細(xì)胞狀態(tài)的數(shù)量，而自注意力機(jī)制的輸出是給輸入的不同部分賦予不同程度的關(guān)注以及權(quán)重，恰好可以作為L(zhǎng)STM輸入門的門控參數(shù)。這種方法不但加快了模型的收斂速度，而且增強(qiáng)了其提取全局特征信息的能力。b）輸入數(shù)據(jù)經(jīng)過(guò)LFR模塊，提取出局部特征向量并輸人預(yù)測(cè)模型，進(jìn)而能夠更高效地提取局部特征。c）為了避免預(yù)測(cè)誤差持續(xù)累積，采用了FreeRunning 策略，有效地緩解了過(guò)擬合問(wèn)題，為后續(xù)的異常檢測(cè)打下基礎(chǔ)。

2異常檢測(cè)方法

在完成預(yù)測(cè)之后，模型使用多元高斯分布概率函數(shù)來(lái)識(shí)別異常，如圖7所示。

獲取時(shí)序數(shù)據(jù)集 X_M=[x₁，x₂，…，x_i，…，x_M] ，其中， M 代表數(shù)據(jù)集 X_M 的大?。?i 為正整數(shù)； x_i 代表時(shí)間 i 的記錄值。使用預(yù)測(cè)模型對(duì)所述數(shù)據(jù)集 X_M 進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)結(jié)果 ，并計(jì)算 X_M 中每個(gè)預(yù)測(cè)值 與真實(shí)數(shù)值 y_i 的誤差向量 e_i ，如式（1）所示。然后，計(jì)算每個(gè) e_i 的高斯分布概率密度 ?_Pi，?_Pi 通過(guò)多元高斯分布模型計(jì)算，參數(shù)包括高斯分布的均值 μ 和協(xié)方差 Σ，μ 和 Σ 的計(jì)算如式（2）、（3）所示。最后，計(jì)算每個(gè)誤差向量 e_i 的高斯分布概率密度值，如式（4）所示。當(dāng)概率密度值 ?_Pi 小于閾值 τ 時(shí)，記錄值 Ψ_Xi 為異常，否則為正常。通過(guò)F1最大化的方式來(lái)確定區(qū)分異常值和正常值的閾值 τ 。

3 結(jié)果與討論

為了全面評(píng)估本文提出的交通時(shí)序數(shù)據(jù)異常檢測(cè)模型的性能，從多個(gè)維度對(duì)模型進(jìn)行實(shí)驗(yàn)驗(yàn)證。

3.1 實(shí)驗(yàn)準(zhǔn)備

1）樣本數(shù)據(jù)情況本實(shí)驗(yàn)使用美國(guó)加州交通系統(tǒng)的PEMsO8 數(shù)據(jù)集，包含17O 個(gè)探測(cè)器每隔 5min 采集的交通數(shù)據(jù)，共62d、17856個(gè)時(shí)間點(diǎn)。每個(gè)探測(cè)器的數(shù)據(jù)有交通平均占有率、交通流量和交通平均速度3個(gè)特征，如圖8所示。隨機(jī)選取136個(gè)探測(cè)器 （80% ）作為訓(xùn)練集，34個(gè)探測(cè)器 20% 作為測(cè)試集。

2）訓(xùn)練環(huán)境和參數(shù)設(shè)置硬件：CentOS7操作系統(tǒng)，CPU為 Intel Core i5-8250U，GPU為NVIDIAGeForceMX150。軟件：CUDA9.2，CuDNN7.6，Python3.8，Keras 框架。訓(xùn)練參數(shù)：初始學(xué)習(xí)率為 1× 10^-4 ，均方誤差損失，Adam優(yōu)化器，迭代400次。GFR參數(shù)：編碼器為6層，注意力頭數(shù)為8，dropout為0.2。LFR參數(shù)：4個(gè)尺度卷積核大小為 {3×1×2 ， 3×1×4 ， 3×1×8 ， ，膨脹率為 {1， 2， 4， 8} 。LSTM參數(shù)：隱含層大小為10，dropout為0.2。

3.2 訓(xùn)練收斂狀況比較

通過(guò)消融實(shí)驗(yàn)，逐一添加模塊并分析影響，如圖9所示。1）添加1個(gè)模塊：收斂效果總體優(yōu)于原始LSTM模型，其中GFR 收斂最快，F(xiàn)reeRunning 次之，LFR 再次之。2）添加2個(gè)模塊：總體優(yōu)于單模塊模型，GFR + FreeRunning表現(xiàn)最佳，GFR + LFR次之，LFR + FreeRunning再次之。3）添加3個(gè)模塊：初始收斂速度不如雙模塊模型，但后期收斂效果最好。總之，3個(gè)模塊都添加的模型最優(yōu)，雙模塊優(yōu)于單模塊，且均優(yōu)于原始LSTM模型。

3.3 預(yù)測(cè)能力比較

通過(guò)平均絕對(duì)誤差（MAE）和 R² 值（見(jiàn)式（5）—（7））評(píng)估模型性能，結(jié)果如表1所示。1）添加1個(gè)模塊：總體優(yōu)于原始LSTM模型，GFR 表現(xiàn)最好，F(xiàn)reeRunning 次之，LFR 稍弱。2）添加 2個(gè)模塊：總體優(yōu)于單模

塊模型，其中GFR + FreeRunning表現(xiàn)最佳，GFR+LFR 次之，LFR+FreeRunning稍弱。3）添加3個(gè)模塊：預(yù)測(cè)能力最強(qiáng)?？傊?，3個(gè)模塊都添加時(shí)模型最優(yōu)，其次是雙模塊，再次是單模塊。

3.4異常檢測(cè)能力比較

圖10和圖11分別呈現(xiàn)了長(zhǎng)時(shí)和短時(shí)數(shù)據(jù)的異常檢測(cè)結(jié)果，a）圖均為歸一化后的交通流量（藍(lán)色）、交通平均速度（橙色）和交通平均占有率（綠色），b）圖均為基于多元高斯分布概率密度倒數(shù)的異常分值。由圖可知，模型能有效察覺(jué)長(zhǎng)時(shí)和短時(shí)數(shù)據(jù)的異常情況。實(shí)驗(yàn)數(shù)據(jù)證明了模型的有效性。

數(shù)據(jù)定義：將62d數(shù)據(jù)定義為長(zhǎng)時(shí)數(shù)據(jù)，1d數(shù)據(jù)為短時(shí)數(shù)據(jù)。測(cè)試集包含34個(gè)探測(cè)器，共607104個(gè)數(shù)據(jù)點(diǎn)，其中長(zhǎng)時(shí)異常73個(gè)，短時(shí)異常2740個(gè)。

實(shí)驗(yàn)方法：通過(guò)消融實(shí)驗(yàn)對(duì)比各模型的異常檢測(cè)能力，結(jié)果見(jiàn)表2和表3。

評(píng)價(jià)指標(biāo)：TP為正常數(shù)據(jù)被正確判定的數(shù)量，TN為異常數(shù)據(jù)被正確判定的數(shù)量，F(xiàn)N為漏檢數(shù)量， P 為精確度，R為召回率（見(jiàn)式（8）一（10））。

結(jié)果分析：3個(gè)模塊均添加的模型優(yōu)于雙模塊模型，雙模塊模型優(yōu)于單模塊模型，單模塊模型優(yōu)于原始LSTM。長(zhǎng)時(shí)異常檢測(cè)中，GFR模塊貢獻(xiàn)最大;短時(shí)異常檢測(cè)中，LFR模塊貢獻(xiàn)最大。FreeRunning混合訓(xùn)練策略對(duì)長(zhǎng)時(shí)和短時(shí)異常檢測(cè)均有提升作用。

3.5 對(duì)比分析

將模型的預(yù)測(cè)能力和異常檢測(cè)能力做對(duì)比分析。

1）預(yù)測(cè)能力如表4所示，單模塊總體提升了LSTM的預(yù)測(cè)能力，其中GFR提升效果最佳，F(xiàn)reeRun-ning次之，LFR較小。雙模塊優(yōu)于單模塊，GFR + FreeRunning提升幅度最大，其次是GFR + LFR，LFR + FreeRunning稍遜一籌。3個(gè)模塊均添加的模型預(yù)測(cè)能力提升最為顯著。

2）異常檢測(cè)能力如表5所示，在長(zhǎng)時(shí)異常檢測(cè)中，單模塊GFR 優(yōu)化效果最佳，F(xiàn)reeRunning 次之，LFR貢獻(xiàn)不明顯，雙模塊GFR + FreeRunning表現(xiàn)最佳，GFR + LFR其次，LFR + FreeRunning最差，3個(gè)模塊均添加的模型提升效果最佳;在短時(shí)異常檢測(cè)中，單模塊 LFR貢獻(xiàn)最大，F(xiàn)reeRunning 次之，GFR最小，雙模塊GFR + LFR貢獻(xiàn)最大，LFR + FreeRunning其次，GFR + FreeRunning最差，3個(gè)模塊均添加模的型優(yōu)化效果最好。

總之，3個(gè)模塊皆有助于提升模型的預(yù)測(cè)能力，長(zhǎng)時(shí)異常檢測(cè)中GFR貢獻(xiàn)最大，短時(shí)異常檢測(cè)中LFR貢獻(xiàn)最大，F(xiàn)reeRunning混合訓(xùn)練策略對(duì)長(zhǎng)時(shí)和短時(shí)異常檢測(cè)均有貢獻(xiàn)。

3.6 與Transformer-Bi-LSTM模型比較

本文模型在PAN等[10]提出的 Transformer-Bi-LSTM模型基礎(chǔ)上進(jìn)行了改進(jìn)。1）對(duì)預(yù)測(cè)能力而言，本文模型與Transformer-Bi-LSTM模型相同，均結(jié)合了多頭自注意力與LSTM，但本模型還通過(guò)以下3個(gè)優(yōu)化措施提升了預(yù)測(cè)能力：一是使用LFR模塊增強(qiáng)局部特征提取；二是引人FreeRunning混合訓(xùn)練策略提升模型魯棒性；三是將自注意力機(jī)制的輸出作為L(zhǎng)STM的輸入門控。如表6所示，在單一改進(jìn)中，將 Bi-LSTM替換為FreeRunning混合訓(xùn)練策略的效果最顯著，其次為添加LFR模塊，最后是門控改進(jìn)。在雙重改進(jìn)中，LFR + FreeRunning組合提升最明顯，其次是門控改進(jìn) + FreeRunning組合，最后是LFR + 門控改進(jìn)組合。3處改進(jìn)均實(shí)施時(shí)，模型預(yù)測(cè)效果最佳。2）對(duì)計(jì)算復(fù)雜度而言，本文模型在Transformer-Bi-LSTM 模型基礎(chǔ)上，主要通過(guò)以下2個(gè)優(yōu)化措施降低計(jì)算復(fù)雜度：一是引入概率稀疏自注意力機(jī)制，將自注意力機(jī)制的復(fù)雜度由 O（N²） 降到了 O（NlogN ）（見(jiàn)式（11）—（12））[15]；二是把自注意力機(jī)制的結(jié)果作為L(zhǎng)STM輸入門控，進(jìn)一步減少計(jì)算量（見(jiàn)式（13）—（14））[16]。雖然本文模型與 Transformer-Bi-LSTM模型相比多了一個(gè)LFR模塊的計(jì)算（見(jiàn)式（15）—（16）），但該模塊計(jì)算量并不大（見(jiàn)式（17）），具體計(jì)算復(fù)雜度比較如表7所示[17]?？傊疚哪Ｐ屯ㄟ^(guò) LFR 模塊、FreRunning 混合訓(xùn)練策略和將自注意力機(jī)制的輸出作為L(zhǎng)STM的輸入門控，顯著提升了模型的預(yù)測(cè)能力，降低了計(jì)算復(fù)雜度，整體性能優(yōu)于Transformer-Bi-LSTM。

FLOPs_Bi-LSTM=2×N×4×（d×W+W×W），

FLOPs_FreeRuning=2×N×3×（d×W+W×W）

式中：num_layers為encoder層數(shù); h 為注意力頭數(shù)； N 為時(shí)間序列個(gè)數(shù)； d 為輸入特征維度； W 為隱含層參數(shù)數(shù)目； C_in 為輸入通道數(shù)； C_out 為輸出通道數(shù)； M 為不同卷積核種類個(gè)數(shù)；size_kernal，為第 i 個(gè)卷積的大小；num_dilation為膨脹卷積個(gè)數(shù)。

4結(jié)語(yǔ)

提出了一種新型交通時(shí)序數(shù)據(jù)異常檢測(cè)模型，旨在提升交通系統(tǒng)中長(zhǎng)時(shí)和短時(shí)異常檢測(cè)的性能：1）通過(guò)融合多頭注意力、殘差及概率稀疏自注意力來(lái)構(gòu)建GFR，在增強(qiáng)模型對(duì)全局特征識(shí)別能力的同時(shí)還降低了計(jì)算復(fù)雜度;2）將膨脹卷積與多尺度卷積相結(jié)合形成LFR，優(yōu)化局部特征提取，提升模型對(duì)細(xì)節(jié)的捕捉能力;3）運(yùn)用FreeRunning 混合訓(xùn)練策略，提升模型的魯棒性;4）與LSTM相結(jié)合，并將自注意力機(jī)制的結(jié)果替代LSTM輸入門控，在優(yōu)化長(zhǎng)序列記憶和預(yù)測(cè)能力的同時(shí)降低計(jì)算復(fù)雜度。該模型在預(yù)測(cè)和異常檢測(cè)方面全面優(yōu)于基礎(chǔ)的LSTM模型，且相比Transformer-Bi-LSTM混合模型展現(xiàn)出更強(qiáng)的實(shí)踐推廣價(jià)值，為滿足交通領(lǐng)域中既要求長(zhǎng)時(shí)異常檢測(cè)又要求短時(shí)異常檢測(cè)的復(fù)雜需求提供了一種高效且精準(zhǔn)的解決方案，能夠顯著提升交通系統(tǒng)的運(yùn)行效率與安全性。

本文交通數(shù)據(jù)異常檢測(cè)主要基于單一模態(tài)數(shù)據(jù)[18]，未來(lái)擬針對(duì)多模態(tài)數(shù)據(jù)融合研究尚不完善的情況[19]，進(jìn)一步探索多模態(tài)數(shù)據(jù)融合技術(shù)以及協(xié)同學(xué)習(xí)機(jī)制，以獲取更全面和準(zhǔn)確的交通信息，從而更精準(zhǔn)地識(shí)別各類交通異常情況，為交通系統(tǒng)的智能化管理提供技術(shù)支持。

參考文獻(xiàn)/References：

[1]ZHAOMengmeng，ENGHaipeng，Liiangetal.Multivariatetieserisaomalyetectionbasedspatil-temporaltwokad transformerinindustrial Internetof Things[J].Computers，MaterialsandContinua，2O24，8o（2）：2815-2837.

[2]ULLAH1，MAHMOUDQH.DesignanddevelopmentofRNNanomalydetectionmodelforIoTnetworks[J].IEEEAccessPractical Innovations，Open Solutions，2022，10：62722-62750.

[3]PAPACHARALAMPOUS G，TYRALIS H，PAPALEXIOU SM，et al. Global-scale masive feature extraction from monthly hydrocli matictimesertaiicalaacterzatiosatialedhdoloicalilityiefeotalEvio. DOI：10.1016/j. scitotenv. 2020.144612.

[4]HONGYu，WANGZngqing，XIEYongfang，etal.Amultigranularityherarchicalnetworkforlongandshrt-teforecastigon multivariate time series data[J]. Applied Soft Computing，2024. DOI：10.1016/j.asoc.2024.111537.

[5]ZHNG Wendong，ZHAOPutian，KAIHuang，etal.Understanding thepropertyoflongtermmemoryfortheLSTMwithatention mechanismC]/Proceedingsofthe3thCMInternationalCnferenceonInformationamp;KnowledgeManagement.S.1.]C2 2708-2717.

[6]YUBaiFAChn，HUAWangetal.TansformersasStatisticiansProvablein-ContextLearingwithi-ContextAlgoritheleco [DB/OL].[2024-10-19].https：//arxiv.org/abs/2306.04637.

[7]ZHOU Haoyi，ZHANGShanghang，PENGJieqi，etalInformer：BeyondEficientTransformerforLongSequenceTimeSeriesForecasting [DB/OL].[2024-10-19].https：//arxiv.org/abs/2012.07436.

[8]LIUChen，ZHENJuntao，SHANWeiTimeseriesclasificationbasedoconvolutionalnetwork withagatedlinearunitskeelngineering Applications of Artificial Inteligence，2023.DOI：10.1016/j.engappai.2023.106296.

[9]CUIZhicheng，CHENWenli，CHENYixinMulti-ScaleConvolutionalNeuralNetworksforTimeSeriesClassficationDB/O]22- 10-19].https：//arxiv.org/abs/1603.06995.

[10]PAGuangliang，JELi，LMinglei.Multi-Channel Multi-StepSpectrumPrediction UsigTransformerandStacked Bi-LSTMDB/OL]. [2024-10-19].https：//arxiv.org/abs/2405.19138.

[11]VASWAAAZEERNARMARN，etalAtentionisallyounedC//roceedingsofthe31stInternatioalCferecenNeu ral Information Processing Systems. [S.1.]：ACM，2017：60o0-6010.

[12]WANGYumiaoFENGLuweiSUNWei，etal.AlightweightCNN-transformernetworkforpixel-basedcropmappngusingtieies sentinel-2 imagery[J].Computersand Electronics in Agriculture，2024.DOI：10.1016/j.compag.2024.109370.

[13]BAI Shaojie，KOLTERJZKOLTUNV.Anempiricalevaluationofgenericconvolutionalandrecurent networksforsequence odeling [DB/OL].[2024-10-19].https：//arxiv.org/abs/1803.01271.

[14]LIShiyang，WANGTongtong，LIGuoyuan，etal.Short-termshiprollmotionpredictionusingtheencoder-decoderBi-LSTMwith teacher forcing[J].Ocean Engineering，2024.DOI：10.1016/j.oceaneng.2024.116917.

[15]崔欣瑩.基于注意力機(jī)制和 BiLSTM的輿情情感分析[D].哈爾濱：哈爾濱理工大學(xué)，2024. CUIXinying.AnalysisofPublicOpinionandEmotionBasedonAtentionMechanismandBiLSTMD].Harbin：HarbinUniversityofScience and Technology，2024.

[16]吳海，蔣林，李遠(yuǎn)成，等.面向可重構(gòu)結(jié)構(gòu)的LSTM混合壓縮優(yōu)化方法[J/OL].電訊技術(shù)[2025-04-30].htps：//doi.org/10.20079/j.isn. 1001-893x.240926004. WU HaiJIANGLin，Yuanceng，etalLSThybridcompressnoptimzationmethodforreonfigurablestructures/OL.eleco munication Engineering[2024-10-19].https：//doi.org/10.20079/j.issn.1001-893x.240926004.

[17]胡潤(rùn)文，項(xiàng)世軍，李曉龍，等.基于CNN計(jì)算局部復(fù)雜度的可逆信息隱藏算法[J].計(jì)算機(jī)學(xué)報(bào)，2024，47（4）：776-789. HURunwen，XIANGShijun，LIXiaolong，etal.CNNbasedlocalcomplexityetimationforreversibledatahdingJ].ChineseJoualf Computers，2024，47（4）：776-789.

[18]宮曉蟀，董培信.基于改進(jìn)孤立森林算法的交通流異常數(shù)據(jù)檢測(cè)模型[J].重慶交通大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，43（5）：61-69. GONG Xiaoxing，DONGPeixinTraficflowanomalydatadetectionmodelbasedonimprovedisolationforestalgorithmJ].Jouralof Chongqing Jiaotong University（Natural Science），2024，43（5）：61-69.

[19]吳精乙，景峻，賀熠凡，等.基于多模態(tài)大模型的高速公路場(chǎng)景交通異常事件分析方法[J].圖學(xué)學(xué)報(bào)，2024，45（6）：1266-1276. WUJingyi，JINGJun，HEYifan，etalTraffcanomalyeventanalysis methodforhighwaysenesbasedonmultimodallargelanguage models[J].Journal ofGraphics，2024，45（6）：1266-1276.