CN119441782A 一种基于深度学习的站台车辆异常行为智能分析方法 （国家能源集团煤焦化有限责任公司）

一种基于深度学习的站台车辆异常行为智本申请公开了一种基于深度学习的站台车入AGCN自适应图卷积网络和DTW动态时间规整算22.如权利要求1所述的一种基于深度学习的站台车辆异常行为智能分析方法，其特征3.如权利要求1所述的一种基于深度学习的站台车辆异常行为智能分析方法，其特征将文本数据转换为统一UTF_8编码格式并4.如权利要求1所述的一种基于深度学习的站台车辆异常行为智能分析方法，其特征5.如权利要求1所述的一种基于深度学习的站台车辆异常行为智能分析方法，其特征6.如权利要求5所述的一种基于深度学习的站台车辆异常行为智能分析方法，其特征使用带有标签的包括正常和异常行为的样本训练数据来训练7.如权利要求5所述的一种基于深度学习的站台车辆异常行为智能分析方法，其特征3对于时间序列数据，将原有的CNN卷积神经网络模型升级为LSTM长短时8.如权利要求5所述的一种基于深度学习的站台车辆异常行为智能分析方法，其特征9.如权利要求8所述的一种基于深度学习的站台车辆异常行为智能分析方法，其特征为每个节点分配一个注意力权重，该权重基于节点的特征和其邻居节点的特征来计对站台客流信息、路况信息、视频监控信息和车辆运行信息数据的应用DTW算法对这些时间序列数据进行时间轴基于深度学习技术构建一个异常行为识别模型，该模型结合了CNN卷积神经网络和将AGCN模块和DTW模块提取的特征作为输入，输入到这个深度学习模型中进行异常行4通过深度学习模型对这些数据进行深度挖掘和智能分析，从而准确识别出车辆异常行为、5将文本数据转换为统一UTF_8编码格式并使用softmax函数将注意力得分转换为权重，并将这些权重应用于特征聚合过程使用带有标签的包括正常和异常行为的样本训练数据来训练在卡尔曼滤波融合的基础上，进一步引入GNN图神经网络进行多源数据的深度融对于时间序列数据，将原有的CNN卷积神经网络模型升级为LSTM长短时记忆网络S302，应用DTW动态时间规整算法，对不同时间戳的数据进行时间轴上的精确对6应用DTW算法对这些时间序列数据进行时间轴基于深度学习技术构建一个异常行为识别模型，该模型结合了CNN卷积神经网络将AGCN模块和DTW模块提取的特征作为输入，输入到这个深度学习模型中进行异不仅体现在对已知异常行为的准确识别上，更体现在对新出现的异常行为的敏锐捕捉上。7[0022]图1为本发明实施例的一种基于深度学习的站台车辆异常行为智能分析方法的流[0026]图1是本发明实施例的一种基于深度学习的站台车辆异常行为智能分析方法的流际应用中可以根据客流变化动态调整采集频率，将采集到的数据通过无线通信网络4G/5G8对缺失值进行识别并删除含有缺失值的整条数据记录：对于连续缺失超过5秒的将时间戳数据转换为标准格式：将不同设备采集的时间戳数据统一转换为UTC时设定初始状态向量X和状态协方差矩阵P，这些通常基于先验知识或经验进行设使用状态转移方程预测下一时刻的状态向量X'和状态协方差矩阵P'；状态转移方程通常基于系统的物理模型或动态特性当新的观测数据到来时，使用观测方程将这些数据转换为与状态向量相同的维9构建多维度安全预警指标的构建过程以车辆超速预警指标、乘客拥挤度预警指[0045]随机初始化CNN模型的权重和偏置，设置学习率0.001（可根据实际情况进行调使用交叉熵损失函数计算预测结果与真实标签车内安装2个摄像头，分别监控车厢内和车外环境，每秒帧率为30帧，分辨率为高峰时段每10秒采集一次，所有采集到的数据通过4G/5G无线通信网络实时传输至数据中则进一步增强了模型对数据的整合能力。它不仅能够将来自不同来源的数据进行有效整