-
题名融合多种机制的交通时序数据异常检测模型研究
- 1
-
-
作者
张培培
刘佳奇
-
机构
华北理工大学经济管理学院
-
出处
《河北科技大学学报》
北大核心
2025年第3期257-267,共11页
-
基金
国家社会科学基金(23BGL056)。
-
文摘
为提升交通时序数据异常识别能力,构建了一种混合模型。第一,融合多头注意力、残差及概率稀疏自注意力机制,形成全局特征识别(global feature recognition,GFR)模块,增强模型对全局特征的识别能力,有效降低计算复杂度;第二,将膨胀卷积与多尺度卷积相结合,形成局部特征识别(local feature recognition,LFR)模块,进一步优化模型局部特征的提取能力;第三,引入Free-Running训练策略,提升模型的鲁棒性;第四,将上述特征识别模块和训练策略与LSTM相结合,并将自注意力机制的结果替代LSTM的输入门控,以优化长序列的记忆效果,同时进一步降低计算复杂度;最后,采用多元高斯分布概率函数对异常进行判别。结果表明,每在LSTM基础上增加1个模块,所提模型的预测和异常检测能力均有提升;与常见的Transformer-Bi-LSTM混合模型相比,所提模型在预测能力上更为出色,且计算复杂度更低。所提模型在交通时序数据的全局和局部异常识别上高效、可靠,为提升交通系统的运行效率和安全性提供了参考。
-
关键词
计算机神经网络
长序列时序数据
异常检测
注意力机制
LSTM
-
Keywords
computer neural networks
long sequence time-series data
anomaly detection
attention mechanism
LSTM
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
