基于改进孤立森林算法的交通流异常数据检测模型

针对交通流异常数据实时检测问题，提出一种基于改进孤立森林算法与K-Means++算法相结合的交通流异常数据检测模型。首先，使用交通流量和交通流速度数据构建交通流序列；然后，利用改进孤立森林算法，构建交通流数据的异常评分模型，并通过K-Means++算法构建滑动窗口计算出异常评分的阈值，以此来实现对交通流数据异常值的实时检测；最后，通过实例分析验证模型的合理性和可行性。研究结果表明：改进孤立森林算法与K-Means++结合的方法可以准确地确定异常评分的阈值进而检测出异常数据；该模型与仅考虑交通流流量的模型、传统孤立森林模型相比，AUC分别高出29.7%和5.3%,与其他常用的LOF、ABOD、OCSVM方法相比，AUC均有所提高。该模型准确率明显提升，在交通流异常数据检测中具有更好的适用性，能够为交通管理部门提供交通状况检测支持，提高交通管理效率。