《Future Transportation》：Clustering Based Approach for Enhanced Characterization of Anomalies in Traffic Flows
编辑推荐：
本文提出一种结合多种异常检测技术（Elliptic Envelope、Isolation Forest、LOF）与聚类算法（k-means、层次聚类）的创新框架，通过滑动窗口预处理（1h/2h/3h）对蒙特利尔数据集进行多维度分析。研究首次实现异常检测与空间分区（213个区域）的协同优化，在保持聚类质量（轮廓系数0.73）的同时将计算复杂度从O(N2)降至O(N2/Z)，为大规模城市交通网络的实时异常表征提供新范式。
交通流异常表征的聚类增强方法研究
摘要
交通流异常是指与正常交通行为显著偏离的现象，可能表现为相对于历史趋势异常高或低的交通量。异常高流量会导致超过通常容量的拥堵，而异常低流量可能表明道路封闭或交通信号故障等事件。识别和理解这两种类型的异常对于有效的交通管理至关重要。本文提出了一种基于聚类的方法，用于增强交通流异常的表征。
引言
有效的交通管理对于城市规划和通勤体验至关重要。交通异常——流量或流速的异常偏差——可能导致拥堵或预示潜在事件，如事故或道路封闭。早期检测此类异常可以及时干预以最小化中断。传统单检测器方法如Isolation Forest或Local Outlier Factor经常无法同时捕捉时间连续性和空间相关性。先前研究表明，单检测器方法可能会遗漏高达25%的短期异常，而经典聚类方法如k-means产生的聚类纯度较低（约60%），无法一致区分拥堵异常和事件引起的异常。这些限制突出了需要集成多检测器策略与自适应聚类以更好地表示异常。
方法
提出的模型包括数据收集、预处理、聚类、表征和洞察五个阶段。预处理阶段使用三种滑动窗口配置：窗口大小1小时步长30分钟（场景1）、窗口大小2小时步长1小时（场景2）、窗口大小3小时步长1.5小时（场景3）。异常检测采用三种方法：Elliptic Envelope、Isolation Forest和Local Outlier Factor。聚类阶段使用k-means和层次聚类算法对检测到的异常进行分割。聚类质量通过轮廓系数、Calinski-Harabasz指数和Davies-Bouldin指数评估。
数据集使用蒙特利尔开放数据门户的交通数据，包含交叉口ID、名称、区域（ARRONDISSEMENT）和地理坐标。为提高可扩展性，将城市区域划分为213个区域，每个区域约包含11个交叉口。
结果与讨论
评估结果显示，Local Outlier Factor方法在所有场景中 consistently 产生最高质量的聚类，其轮廓系数最优。Isolation Forest在场景1中表现良好，但在后续场景中效果下降。Elliptic Envelope方法表现中等，但对数据特性更敏感。
k-means聚类算法 consistently 优于凝聚聚类，产生更紧凑和分离良好的聚类。最佳聚类数通过肘部法则确定，大多数场景下5-6个聚类能平衡可解释性和计算效率。
聚类表征揭示了不同的交通模式：
- •
聚类1显示最高的异常频率和中位交通量，表明拥堵城市区域或主要道路
- •
聚类0显示最低的异常频率和交通量，表明住宅或郊区区域
- •
聚类3显示最高的交通量标准差，表明交通模式波动较大的区域
地理分布分析显示不同区域主导不同的聚类类型，为区域特异性交通管理策略提供了见解。
实际意义
该方法为交通管理决策者提供了几个实际意义：
- 1.
通过快速检测异常，交通当局可以最小化拥堵并保持交通流畅
- 2.
城市规划者可以获得时空洞察，用于基础设施开发和道路网络规划
- 3.
政策制定者可以制定更有效的交通政策和法规
- 4.
分区策略提高了大规模城市网络的可扩展性
结论与未来工作
本文提出的多阶段方法成功实现了交通流异常的增强表征。Local Outlier Factor与k-means聚类的组合产生了最一致的结果。未来工作将重点集成优化算法和元启发式方法，如遗传算法和粒子群优化，到提出的分区结构中，基于检测到的异常动态调整信号时序，从而将异常表征与近实时交通管理决策联系起来。
