一种基于网络拓扑的路网交通检测器多时段故障识别方法

本发明涉及交通检测，具体涉及一种基于网络拓扑的路网交通检测器多时段故障识别方法。

背景技术：

1、现有路网交通检测器故障识别与数据质量控制技术，主要分为单检测器数据统计判别与路网拓扑关联分析两类技术路径，其中单检测器数据统计判别法基于单个检测器数据的统计特征通过设定流量、速度、占有率等交通流参数的经验阈值，结合故障特征分类规则识别检测器的完全故障；路网拓扑关联分析法则依托流量守恒关系，结合相邻检测器数据相关性校验、多源检测设备一致性检验与回归类数据修复算法，对异常数据进行判别与补全，部分基于压缩感知的方法可通过单时段观测数据反推稀疏分布的故障检测器，为交通检测器运维与数据质量管控提供基础支撑。

2、但上述现有技术在实际应用中仍存在难以规避的性能短板，一方面，基于拓扑守恒的故障识别方法普遍依赖路网全路段检测器布设的前提条件，无法直接适配检测器部分覆盖的城市路网场景，应用场景存在局限性；另一方面，现有方法多基于单组或单一时段的观测数据开展故障判别，难以有效区分检测器持续性故障与随机测量噪声、短时交通波动引发的数据偏差，对输出数据看似合理、实则存在持续偏差的部分故障检测器识别能力不足，且未能充分利用连续多时段故障位置稳定的内在特征，故障识别结果的抗干扰性与判定可靠性普遍偏低。

技术实现思路

1、本发明的目的是提供一种基于网络拓扑的路网交通检测器多时段故障识别方法，解决上述技术问题。

2、为实现上述目的，本发明提供了一种基于网络拓扑的路网交通检测器多时段故障识别方法，包括以下步骤：

3、s1、根据目标路网的拓扑结构与交通检测器的布设方案，通过提取路网非形心节点集合、路段连接关系与各检测器的布设位置，采集连续多个时间段的观测路段流量数据，得到故障识别的基础输入数据；

4、s2、基于基础输入数据中的路网拓扑结构，通过构建非形心节点-路段关联矩阵，按照检测器布设位置将全路网路段划分为观测路段集合与未观测路段集合，得到分块后的节点-路段关联关系；

5、s3、基于分块后的节点-路段关联关系，通过求解未观测路段关联矩阵的左零空间基消除未观测路段的流量约束项，构建包括观测路段的故障诊断矩阵，得到观测路段流量的线性一致性约束关系；

6、s4、基于故障诊断矩阵与各时间段的观测路段流量数据，通过对各时段观测流量进行线性变换，得到各时间段对应的冗余误差向量，将多时段向量堆叠后形成冗余误差矩阵；

7、s5、基于冗余误差矩阵与故障诊断矩阵，通过引入检测器误差矩阵的行稀疏约束，构建基于多组观测数据的联合稀疏故障识别模型，得到故障识别的优化求解目标；

8、s6、基于联合稀疏故障识别模型，通过近端梯度下降算法进行迭代求解，得到各检测器在连续多时段内的误差矩阵估计结果；

9、s7、基于检测器的误差矩阵估计结果，通过计算各行向量的范数得到各交通检测器的故障得分，按照故障判定规则筛选后得到疑似故障检测器集合。

10、优选的，s1中，根据道路交通断面流量的采集需求，通过选取可直接获取路段流量数据的检测设备，得到用于采集观测数据的交通检测器；所述交通检测器包括环形线圈检测器、视频检测器、地磁检测器、超声波检测器、微波检测器、红外线检测器。

11、优选的，s2中，根据有向交通网络的节点流入流出规则，通过对每个非形心节点与各路段的连接关系进行数值编码，构建非形心节点-路段关联矩阵，为路网中的非形心节点总数量，为路网的总路段数量，得到描述路网流量守恒关系的矩阵表达；

12、其中，非形心节点-路段关联矩阵中的元素满足：当路段流入非形心节点时取值为1，当路段流出非形心节点时取值为-1，其他情况取值为0；对于理想路段流量向量，为第个观测时间段，非形心节点处的流量守恒方程为。

13、优选的，s3具体步骤包括：

14、s31、基于观测路段集合与未观测路段集合的划分结果，通过对非形心节点-路段关联矩阵按列维度进行分块，得到观测路段关联矩阵与未观测路段关联矩阵，对应的分块流量守恒方程为，其中，为观测路段的理想流量向量，为未观测路段的理想流量向量，为观测路段数量，为路网总路段数；

15、s32、基于未观测路段关联矩阵，通过求解矩阵的左零空间得到左零空间基矩阵，满足约束条件，得到可消除未观测路段流量项的线性变换矩阵；

16、s33、基于左零空间基矩阵与观测路段关联矩阵，通过矩阵相乘运算构建故障诊断矩阵，得到仅包含观测路段流量约束的故障诊断矩阵，其中为左零空间的维度。

17、优选的，s4的具体步骤包括：

18、s41、基于第个时间段的观测路段实测流量数据，通过分解理想流量与测量误差的叠加构成关系，得到检测器误差向量与实测流量向量、理想流量向量的对应关系，满足；

19、s42、基于故障诊断矩阵与第个时间段的实测流量向量，通过线性变换运算得到第个时间段的冗余误差向量，结合理想流量满足的约束，推导得到冗余误差与检测器误差的关系为；

20、s43、基于连续个时间段的冗余误差向量，通过按列堆叠的方式进行矩阵拼接，得到冗余误差矩阵，将各时间段的检测器误差向量按列堆叠构成检测器误差矩阵，结合单时段冗余误差与检测器误差的线性映射关系，以推导出冗余误差矩阵与检测器误差矩阵的关系为。

21、优选的，s5中，基于连续多时段故障检测器位置相对稳定的特征，通过对检测器误差矩阵施加行稀疏约束，构建联合稀疏故障识别优化模型，得到以检测器误差矩阵为优化变量的求解目标；

22、联合稀疏故障识别模型的表达式为：

23、；

24、其中，为检测器误差矩阵的估计结果，表示frobenius范数，为正则化参数，为检测器误差矩阵第行的2范数，用于表征第个检测器的连续多时段误差聚合程度；为检测器误差矩阵的第行全部元素。

25、优选的，联合稀疏故障识别模型中的正则化参数，基于实际路网的测量噪声水平与故障识别精度需求，通过调整稀疏惩罚的力度进行预设取值，用于平衡数据拟合误差与检测器误差矩阵的行稀疏程度。

26、优选的，s6中，基于近端梯度下降的优化框架，通过交替执行梯度下降与近端软阈值操作迭代求解所述联合稀疏故障识别模型，得到检测器误差矩阵的估计结果；

27、其中，梯度下降步骤的更新表达式为：

28、；

29、其中，为第次迭代的检测器误差矩阵，为梯度下降后的中间矩阵，为梯度的lipschitz常数；

30、近端行软阈值更新表达式为：

31、；

32、其中，为正值截断函数，为第次迭代后检测器误差矩阵的第行；为第次迭代中，经梯度下降步骤计算得到的中间矩阵的第行向量。

33、优选的，s7中，基于求解得到的检测器误差矩阵估计结果，通过计算矩阵各行向量的2范数得到各交通检测器的故障得分，得到每个检测器的故障可能性量化值；

34、第个交通检测器的故障得分计算公式为：

35、；

36、其中，为第个交通检测器的故障得分，得分越高表示该检测器在多个时间段内对冗余误差的贡献越持续、显著，发生故障的可能性越大。

37、优选的，s7中，基于预设的故障判定阈值，通过比较各检测器的故障得分与阈值的大小关系，筛选得到疑似故障检测器集合，满足，为识别得到的疑似故障检测器集合；

38、若未设置故障判定阈值，则基于各检测器的故障得分按降序排列，得到交通检测器的故障排查优先级序列，故障得分越高的检测器排查与维护优先级越高。

39、因此，本发明采用上述一种基于网络拓扑的路网交通检测器多时段故障识别方法，具有的有益效果为：

40、1、通过构建非形心节点-路段关联矩阵刻画路网流量守恒关系，基于未观测路段关联矩阵的左零空间基做线性变换，消除未观测路段的流量约束项，最终构建得到仅包含观测路段的故障诊断矩阵；无需依赖全路段检测器布设条件即可建立观测数据间的一致性约束，可直接应用于检测器部分覆盖的实际城市路网，无需额外外部校准设备与数据，降低了故障识别的部署成本与应用门槛。

41、2、基于连续多个时间段的观测流量数据构建冗余误差矩阵，结合故障检测器在连续时段内位置相对稳定的特性，将故障识别问题转化为检测器误差矩阵的行稀疏求解问题，建立联合稀疏故障识别模型，充分挖掘多时段观测数据的内在关联信息；能够抑制单组观测数据中随机测量噪声对故障判定的干扰，提升部分故障、隐蔽性故障检测器的识别准确率与鲁棒性，减少单时段数据异常导致的误判、漏判问题。

42、3、通过采用近端梯度下降算法求解联合稀疏故障识别模型，通过逐行软阈值更新实现检测器误差矩阵的稀疏化约束，算法收敛逻辑清晰、计算效率高，可适配不同规模的路网检测场景；同时通过误差矩阵行范数量化得到各检测器的故障得分，既支持预设阈值直接输出疑似故障检测器集合，也支持按故障得分生成运维排查优先级序列，判定方式灵活可配置，能够为交通检测器运维、交通数据质量管控提供分级、可落地的决策依据。

43、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。