Trafik önseliyle yönlendirilen duruma duyarlı anomali tespit çerçevesi, kentsel otoyol trafik akışındaki normal davranıştan sapmaları yalnız ham zaman serisine bakarak değil; trafik akışının günlük ve haftalık yapısı, geçmişte aynı zaman dilimindeki davranışı, yerel değişim hızı ve trafik durumunun zamansal bağlamı gibi alan bilgisini de modele dahil ederek belirlemeyi amaçlayan bir derin öğrenme yaklaşımıdır. Çalışmanın çekirdeğinde, tek boyutlu trafik hacmi dizisini dokuz boyutlu ve yorumlanabilir bir özellik uzayına dönüştüren Multi-Scale Natural Neighborhood (MS-NaN) modülü ile ani sapmaları ve daha uzun süreye yayılan biçimsel anomalileri ayrı kollarda işleyen Dual-Branch Context-Gated Network (DB-CGNet) yer almaktadır.

Çalışma, Kanada'nın Edmonton kentindeki Whitemud Drive kentsel ekspres yolunda bulunan VDS 1030 endüktif döngü dedektöründen elde edilen Open ITS OpenData V7.0 trafik verilerini kullanmaktadır. Eksik kayıt içeren üç gün çıkarıldıktan sonra 21 günlük sürekli gerçek trafik serisi tutulmuş, dört şeritteki ölçümler tek yönlü kesitsel trafik hacmine birleştirilmiş ve başlangıçtaki 20 saniyelik ölçümler 3 dakikalık aralıklara yeniden örneklenmiştir. Böylece her gün 480 zaman adımı içermektedir.

Gerçek 21 günlük temiz trafik tabanının uzun dönem eğitim ve anomali değerlendirmesi için yeterli olmaması nedeniyle yazarlar, hafta içi ve hafta sonu gelgit biçimlerini ayıran B-spline tabanlı eğilim üretimi ve birinci dereceden otoregresif artık modellemesini kullanarak 70 günlük ek yüksek-benzerlikli trafik dizisi oluşturmuştur. Gerçek ve üretilmiş seriler birleştirilerek toplam 91 günlük ve 43.000'den fazla zaman adımı içeren bir değerlendirme yapısı elde edilmiştir. Trafik anomalileri ise yalnız rastgele gürültü eklenerek değil, Highway Capacity Manual (HCM) kapasite azaltma ilişkileri ve asimetrik tıkanıklık gelişim mantığı kullanılarak fiziksel olarak sınırlandırılmıştır.

En iyi genel sonuç, 3 dakikalık örnekleme nedeniyle 72 dakikalık geçmişe karşılık gelen T_w = 24 gözlem penceresinde elde edilmiştir. DB-CGNet bu koşulda AUC = 0,9112, F1 = 0,7757, Precision = 0,9228 ve Recall = 0,6690 değerlerine ulaşmıştır. Özellikle normal trafik gelgitlerine benzediği için ayırt edilmesi zor olan kısa shapelet anomalilerinde DB-CGNet'in recall değeri 0,5467 ile karşılaştırılan temel mimarilerin en yüksek değeridir.

Bununla birlikte bu sonuçların yorum sınırı önemlidir. Çalışma tek bir sabit otoyol kesitindeki trafik hacmi verisine dayanmaktadır. Hız, doluluk, araç yörüngesi, hava durumu veya eşzamanlı gerçek olay kayıtları model girdisine dahil edilmemiştir. Enjekte edilen anomali örüntüleri trafik fiziğiyle sınırlandırılmış olsa da belirli tarihsel kazaların veya olayların bire bir yeniden oluşturulmuş kayıtları değildir. Bu nedenle elde edilen performans, öncelikle trafik-fiziğiyle kısıtlanmış simüle edilmiş anomaliler altında anomali tespit başarısını göstermektedir; farklı yol ağlarında ve gerçek olay etiketleri altında genellenebilirlik ayrıca doğrulanmalıdır.

Araştırmanın temel problemi

Kentsel trafik akışı yalnız sabit bir ortalama çevresinde küçük rastgele değişimler göstermez. Sabah ve akşam zirveleri, hafta içi–hafta sonu farkları, darboğazların devreye girmesi, trafik kuyruğunun yayılması, talep dalgalanmaları ve sensör hataları aynı zaman serisi üzerinde çok farklı biçimler oluşturabilir. Bu nedenle bir trafik hacmi değerinin tek başına “yüksek” veya “düşük” olması, onun anormal olduğunu söylemek için yeterli değildir.

Örneğin 3000 araç/saatlik bir değer günün yoğun saatinde olağan olabilirken, aynı değer normalde çok daha düşük trafik görülen bir zaman diliminde farklı bir anlam taşıyabilir. Benzer biçimde kısa süreli sensör sıçraması ile gerçek bir tıkanıklığın başlangıcı aynı model tarafından aynı biçimde ele alınmamalıdır. Çalışmanın temel yaklaşımı bu nedenle yalnız “değer ne kadar değişti?” sorusunu değil, “bu değişim hangi trafik durumunda, hangi tarihsel bağlama göre ve nasıl bir zamansal biçimle gerçekleşti?” sorusunu da modele taşımaktır.

Trafik Akışı Anomalisi Bu Çalışmada Ne Anlama Geliyor?

Trafik akışı anomalisi, çalışma kapsamında bildirilen bir trafik kazasıyla bire bir eşleşmek zorunda olmayan ve gözlenen trafik hacmi dizisinin normal işletim örüntülerinden sapmasını ifade eden veri düzeyi bir durumdur. Bu sapma sensör arızası, iletişim hatası, olağandışı talep, tekrarlanmayan tıkanıklık veya başka bir trafik bozulmasının göstergesi olabilir; model doğrudan olay türü teşhisi yapmaz.

Noktasal ve shapelet anomalileri

Kaynak trafik anomalilerini iki temel davranış sınıfında ele almaktadır:

• Noktasal anomali: Yalnız tek zaman adımında ortaya çıkan izole sıçramadır. Veri setinde bir zaman adımı 3 dakika olduğundan noktasal anomali 3 dakikalık tek gözlemdir. Çalışma bunları özellikle sensör veya iletişim sorunlarıyla ilişkilendirir.
• Shapelet anomalisi: Art arda gelen birden fazla zaman adımına yayılan ve trafik dizisinin biçimini, eğilimini veya gelişimini değiştiren örüntüdür.

Sınır notu: Kaynak kısa shapelet için 2–40, orta shapelet için 40–160 adım yazmaktadır. Bu nedenle tam 40 adım kaynak metinde iki aralıkta da görünmektedir. Verianla anlatımı bu sınırı kafasına göre 39/40 veya 40/41 biçiminde değiştirmemektedir.

Trafik zaman serisinin matematiksel tanımı

Trafik hacmi dizisi:

Temel tanım: \(v=[v_1,v_2,\ldots,v_N]\)

Burada \(v_t\), \(t\) zaman adımındaki trafik hacmidir ve kaynakta birimi veh/h, yani araç/saat olarak verilmektedir. \(N\), toplam gözlem sayısıdır.

Denklem (1) — kayan pencere:

\[ x_t=[v_{t-T_w+1},v_{t-T_w+2},\ldots,v_t]\in\mathbb{R}^{T_w} \]

\(T_w\) pencere uzunluğudur. Model yalnız tek bir \(v_t\) değerine bakmaz; son \(T_w\) gözlemi birlikte değerlendirir. Örneğin \(T_w=24\) ve örnekleme aralığı 3 dakika olduğunda model her karar için son 72 dakikalık trafik geçmişini görür.

Her \(x_t\) penceresinin etiketi \(y_t\in\{0,1\}\) biçimindedir. \(y_t=0\) normal, \(y_t=1\) anormal durumu gösterir. Etiket pencerenin son zaman adımı \(t\)'deki trafik durumuna göre belirlenmektedir.

Denklem (2) — MS-NaN özellik dönüşümü:

\[ F_t=\Phi(x_t),\qquad \Phi:\mathbb{R}^{T_w}\rightarrow\mathbb{R}^{T_w\times D},\qquad D=9 \]

Ham giriş \(x_t\) tek boyutlu trafik hacmi penceresidir. \(\Phi\), MS-NaN dönüşümünü temsil eder. Çıktı \(F_t\), her zaman adımı için dokuz özellik içeren \(T_w\times9\) boyutlu bir özellik matrisidir.

Denklem (3) — anomali olasılığı:

\[ \hat p_t=\sigma(z_t),\qquad z_t=f_{\theta}(F_t),\qquad \hat p_t\in(0,1) \]

\(f_{\theta}\), öğrenilebilir parametreleri \(\theta\) olan DB-CGNet'tir. \(z_t\) sınıflandırıcının logit çıktısıdır. Sigmoid fonksiyonu \(\sigma(\cdot)\), bu sınırsız logit değerini 0 ile 1 arasında bir anomali olasılığına dönüştürür.

MS-NaN Trafik Durumunu Modele Nasıl Aktarıyor?

Multi-Scale Natural Neighborhood (MS-NaN), ham trafik hacmini tek başına kullanmak yerine trafik akışının ani değişimini, geçmişte aynı zaman dilimine göre sapmasını, farklı tarihsel ölçeklerdeki aykırılığını ve gün içindeki periyodik konumunu birlikte temsil eden dokuz boyutlu deterministik bir özellik dönüşümüdür; bu özellikler daha sonra DB-CGNet'in öğrenilebilir ağ yapısına girdi olur.

1. Sağlam trafik hacmi normalizasyonu

Denklem (4):

\[ \widetilde v_t=\frac{v_t-m}{Q_3-Q_1} \]

\(m\), yalnız eğitim setinden hesaplanan medyandır. \(Q_1\) ve \(Q_3\), yine eğitim setinin sırasıyla %25 ve %75 yüzdelikleridir. \(Q_3-Q_1\) interquartile range, yani IQR'dir.

Bu normalizasyonun amacı ortalama ve standart sapmaya aşırı bağımlı olmak yerine medyan ve IQR gibi uç değerlere daha dayanıklı istatistikler kullanmaktır. Özellikle sensör sıçramalarının bulunduğu bir veri setinde birkaç aşırı değer tüm ölçeklendirmeyi bozmasın diye tercih edilmiştir. Eğitim seti dışındaki verilerden medyan veya yüzdelik hesaplanmaması bilgi sızıntısını önlemek içindir.

2. Ani ve daha geniş ölçekli farklar

Denklem (5):

\[ \Delta v_t=\widetilde v_t-\widetilde v_{t-1} \]

Bu değer, art arda gelen iki gözlem arasındaki ani değişimi ölçer. Büyük pozitif veya negatif değer kısa süreli sıçramalara duyarlılık sağlar.

Denklem (6):

\[ \Delta_s v_t=\widetilde v_t-\widetilde v_{t-s},\qquad s\in\mathbb{Z}^{+} \]

Çalışmada \(s=2\) kullanılmıştır. Bu fark yalnız bir önceki noktaya değil iki zaman adımı geriye bakarak daha geniş bir zamansal karşılaştırma sağlar. Kaynağın açıklamasına göre amaç yüksek frekanslı gürültünün etkisini azaltırken trafik gelişim eğilimini daha sağlam biçimde temsil etmektir.

3. Aynı dönem tarihsel referansı

Bir trafik değerinin anormal olup olmadığını değerlendirirken aynı saatteki ve aynı gün tipindeki geçmiş davranış önemlidir. \(H(t)\), mevcut \(t\) zamanı ile aynı gün tipi ve aynı gün-içi zaman indeksine sahip eğitim örneklerinin kümesidir.

Denklem (7):

\[ v_t^{hist}=\frac{1}{|H(t)|}\sum_{t'\in H(t)}v_{t'} \]

Bu denklem aynı trafik bağlamındaki tarihsel beklenen hacmi verir.

Denklem (8):

\[ \widetilde v_t^{hist}=\frac{v_t^{hist}-m}{Q_3-Q_1} \]

Tarihsel referans da ham trafik hacmiyle aynı \(m\), \(Q_1\) ve \(Q_3\) kullanılarak ölçeklendirilir. Böylece mevcut ölçüm ile tarihsel temel aynı ölçek üzerinde karşılaştırılabilir.

4. Göreli sapma oranı

Denklem (9):

\[ \delta_t^{rel}= \operatorname{Clip} \left( \frac{v_t-v_t^{hist}} {\max(|v_t^{hist}|,\epsilon_1)}, -\kappa,\kappa \right) \]

Kaynakta \(\epsilon_1=10^{-3}\) veh/h ve \(\kappa=3,0\) olarak verilmiştir.

Pay, mevcut trafik hacminin tarihsel beklenen değerden ne kadar uzaklaştığını gösterir. Payda, bu farkı tarihsel seviyeye göre ölçeklendirir. Trafik hacmi sıfıra çok yaklaştığında bölme işleminin patlamaması için \(\max(|v_t^{hist}|,\epsilon_1)\) kullanılır. Sonuç çok aşırı olduğunda ise Clip işlemi değeri \([-3,3]\) aralığında sınırlar. Böylece tek bir uç sensör sıçramasının özellik dağılımını aşırı bozması engellenmeye çalışılır.

5. Natural Neighbor neden sabit KNN'den farklıdır?

Standart K-nearest-neighbor yaklaşımında komşu sayısı \(k\) önceden sabitlenir. Ancak trafik dağılımının yoğunluğu günün farklı saatlerinde aynı değildir. MS-NaN yaklaşımında \(k\) yerel örnek yoğunluğuna göre uyarlanır.

Belirli bir zaman dilimi için:

\[ S(t)=\{v_{t'}:t'\in H(t),t'\neq t\} \]

ve \(n_s=|S(t)|\) olsun.

Denklem (10):

\[ k^{*} = \min \left\{ k\leq\lfloor\sqrt{n_s}\rfloor+5 \;|\; \forall i\in S(t),\,I_k(i)\geq1 \right\} \]

\(I_k(i)\), örnek \(i\)'nin diğer örneklerin \(k\)-komşuluk kümelerinde kaç kez seçildiğini ifade eden in-degree değeridir. Algoritma, her örnek en az bir başka örnek tarafından komşu olarak seçilinceye kadar \(k\)'yi artırır. Böylece yoğun ve seyrek trafik bağlamlarında aynı sabit komşuluk büyüklüğünü zorla kullanmak yerine uyarlanabilir bir çevre oluşturulur.

Denklem (11) — NaN-Distance:

\[ D_t= \frac{1}{k^{*}} \sum_{i=1}^{k^{*}} \frac{|v_t-v_{(i)}|} {\sigma_{S(t)}+\epsilon_1} \]

\(v_{(i)}\), mevcut gözleme uzaklığına göre sıralanmış komşulardan \(i\)'incisidir. Farklar, ilgili dönem diliminin standart sapmasına bölünür. Bu nedenle yüksek hacimli zirve saatindeki mutlak 300 araç/saat fark ile düşük hacimli gece saatindeki aynı 300 araç/saat fark aynı şekilde yorumlanmak zorunda değildir.

Denklem (12):

\[ \sigma_{S(t)} = \sqrt{ \frac{1}{n_s} \sum_{v'\in S(t)} (v'-\bar v_S)^2 }, \qquad \bar v_S= \frac{1}{n_s} \sum_{v'\in S(t)}v' \]

\(\sigma_{S(t)}\), ilgili tarihsel dönem kümesinin standart sapmasıdır. Bu standartlaştırma NaN-Distance'ı farklı trafik düzeyleri arasında daha karşılaştırılabilir hale getirir.

6. Haftalık ve gün-tipi ölçekleri

Natural Neighbor işlemi iki farklı tarihsel çözünürlükte gerçekleştirilir:

• Weekly / day-of-week ölçeği: Pazartesi, salı vb. yedi ayrı gün sınıfı.
• Day-type ölçeği: Hafta içi ve hafta sonu olmak üzere iki sınıf.

Denklem (13):

\[ \widehat D_t^{dow} = \frac{D_t^{dow}-Q_1^{dow}} {Q_3^{dow}-Q_1^{dow}}, \qquad \widehat D_t^{dt} = \frac{D_t^{dt}-Q_1^{dt}} {Q_3^{dt}-Q_1^{dt}} \]

Buradaki \(Q_1^{dow},Q_3^{dow}\) ve \(Q_1^{dt},Q_3^{dt}\), ham trafik hacminin değil ilgili outlierness dağılımlarının kendi yüzdelikleridir. Kaynak bu ayrımı özellikle yapmaktadır. İki özellik ayrı ayrı dayanıklı biçimde ölçeklendirilir.

7. Gün içi faz kodlaması

Saat 23:59 ile 00:00 gerçek hayatta birbirine çok yakındır; fakat “dakika numarası” gibi doğrusal bir değişken kullanılırsa bu iki nokta sayısal olarak aralığın iki ucunda görünür. Çalışma bu yapay kopukluğu sinüs ve kosinüs ile birim çembere taşıyarak çözer.

Denklem (14):

\[ E_t^{sin} = \sin\left(\frac{2\pi\tau_{tod}}{T_d}\right), \qquad E_t^{cos} = \cos\left(\frac{2\pi\tau_{tod}}{T_d}\right) \]

\(\tau_{tod}\), gün içindeki zaman indeksidir; \(T_d\), bir gündeki toplam zaman adımı sayısıdır. Bu veri setinde 3 dakikalık aralıklarla bir gün 480 gözlem içerir. Sinüs ve kosinüs ikilisi, günün başlangıcı ile sonunu geometrik olarak birbirine bağlayan periyodik bir temsil oluşturur.

DB-CGNet Neden İki Ayrı Dal Kullanıyor?

Dual-Branch Context-Gated Network (DB-CGNet), tek bir zamansal alıcı alanın hem tek-adımlı ani sıçramaları hem de saatlere yayılan şekil değişimlerini aynı temsil içinde yeterince iyi yakalayamayabileceği varsayımından hareket eder; bu nedenle ani bozulma sinyallerini hafif bir MLP dalına, bütün dokuz boyutlu zaman dizisini ise GRU ve temporal attention kullanan eğilim dalına gönderir ve iki temsilin katkısını trafik bağlamından öğrenilen bir kapı katsayısıyla birleştirir.

Ani değişim dalı

Ani dal, pencerenin son zaman adımındaki yalnız üç özelliği kullanır:

\[ I_{inst}=\{2,3,5\} \]

Bunlar \(\Delta v_t\), \(\Delta_s v_t\) ve \(\delta_t^{rel}\)'dir.

Denklem (15):

\[ f_{inst}=f_{T_w}|_{I_{inst}}\in\mathbb{R}^{3} \]

Amaç, tarihsel ortalama düzeyi veya periyodik kod gibi daha yavaş bağlam özelliklerini bu daldan çıkarıp ağı özellikle ani değişimlere odaklamaktır.

Denklem (16):

\[ h_{inst} = \operatorname{Dropout}_{p_d} \left[ \tanh \left( BN(W_1f_{inst}+b_1) \right) \right] \in\mathbb{R}^{d_h/2} \]

Kaynakta gizli boyut \(d_h=32\), dropout olasılığı \(p_d=0,3\)'tür. Böylece ani dal 16 boyutlu bir temsil üretir. Batch Normalization mini-batch içindeki dağılımı dengeler; \(\tanh\) çıktıyı \((-1,1)\) aralığına sınırlar; Dropout eğitim sırasında düzenlileştirme sağlar.

Eğilim gelişim dalı

Denklem (17):

\[ H=GRU(F_t),\qquad H\in\mathbb{R}^{T_w\times d_h} \]

GRU, bütün dokuz boyutlu zaman dizisini sırayla işler. Her zaman adımı için bir gizli durum \(h_i\) oluşur. Kaynak standart GRU'nun iç güncelleme ve reset kapısı denklemlerini yeniden yazmamış, standart GRU formülasyonuna atıf yapmıştır; dolayısıyla Verianla burada kaynakta bulunmayan yeni bir GRU denklemi eklememektedir.

Temporal attention

Denklem (18):

\[ e_i=w_a^{T}\tanh(W_ah_i+b_a), \qquad \alpha_i= \frac{\exp(e_i)} {\sum_j\exp(e_j)} \]

\(e_i\), zaman adımı \(i\)'nin attention skorudur. Softmax ile normalize edilen \(\alpha_i\), bütün zaman adımlarının ağırlıkları arasında karşılaştırılabilir bir dağılım oluşturur.

Denklem (19):

\[ c=\sum_i\alpha_i h_i \]

\(c\), attention ağırlıklarıyla oluşturulan bağlam vektörüdür.

Attention bütün geçmişi özetlerken son zaman adımının kritik bilgisini seyreltebileceği için kaynak son gizli durumu ayrıca korur.

Denklem (20):

\[ h_{trend}=[c;h_{T_w}]\in\mathbb{R}^{2d_h} \]

Noktalı virgül burada vektörlerin concatenation, yani ardışık birleştirilmesini ifade eder. Böylece eğilim dalı hem bütün pencerenin ağırlıklı özetini hem de en son trafik durumunu taşır.

Küresel trafik bağlamı

Denklem (21):

\[ \mu= \frac{1}{T_w}\sum_{i=1}^{T_w}f_i, \qquad \sigma_{std} = \sqrt{ \frac{1}{T_w} \sum_{i=1}^{T_w}(f_i-\mu)^2 } \]

Buradaki \(\mu\), pencere boyunca her özellik kanalının ortalama düzeyini; \(\sigma_{std}\) ise dalgalanma düzeyini temsil eder.

Denklem (22):

\[ c_{global}=[\mu;\sigma_{std}]\in\mathbb{R}^{2D} \]

\(D=9\) olduğundan küresel bağlam 18 bileşenli bir yapıdır.

Bağlam-duyarlı kapı katsayısı

Denklem (23):

\[ g= \sigma \left( w_g^{T} [h_{inst};h_{trend};c_{global}] +b_g \right), \qquad g\in(0,1) \]

\(g\), ani dalın ne ölçüde korunacağını belirleyen öğrenilmiş skaler kapı katsayısıdır. Önemli nokta, bu değerin yalnız trafik hacmine veya tek bir kurala göre hesaplanmaması; ani özellik, eğilim özelliği ve küresel bağlamın tamamından öğrenilmesidir.

Denklem (24):

\[ \widetilde h_{inst}=g\cdot h_{inst} \]

\(g\) küçüldükçe ani dal bastırılır; büyüdükçe daha fazla ani bilgi korunur. Eğilim dalı ise kaynak mimarisinde temel zamansal çapa olarak tam korunur.

Denklem (25):

\[ h_{fuse} = W_2 [\widetilde h_{inst};h_{trend}] +b_2 \in\mathbb{R}^{2d_h} \]

İki dal birleştirilir ve tam bağlantılı dönüşümden geçirilir.

Son sınıflandırıcı

Denklem (26):

\[ z_t= w_c^{T} \left[ \operatorname{Dropout}_{p_d} \left( ReLU(W_ch_{fuse}+b_c) \right) \right] +b_o \]

Son katman \(h_{fuse}\)'u önce \(d_h\) boyutlu gizli temsile, ardından tek bir logit \(z_t\)'ye indirger. Bu logit Denklem (3)'teki sigmoid ile \(\hat p_t\) anomali olasılığına dönüştürülür.

Kapı katsayısının deneyde nasıl davrandığı

Ablasyon analizinde \(T_w=24\) test pencerelerinden çıkarılan ortalama kapı değerleri, normal düşük dalgalanmalı pencerelerde 0,2878; normal yüksek dalgalanmalı pencerelerde 0,4108; noktasal anomalilerde 0,4653; kısa shapeletlerde 0,5015; orta shapeletlerde 0,5717 ve uzun shapeletlerde 0,6917 olarak raporlanmıştır.

Bu sonuç, anomali süresi veya yoğunluğu arttıkça ani dal bilgisinin daha fazla korunma eğilimi gösterdiğini ortaya koymaktadır. Ancak kaynak özellikle \(g\)'nin tek bir trafik göstergesinin doğrudan fonksiyonu olmadığını; ani dal, eğilim dalı ve küresel bağlamın birlikte etkisiyle öğrenildiğini belirtmektedir.

Focal Loss neden kullanılıyor?

Trafik anomalileri normal gözlemlerden daha seyrektir. Standart ikili çapraz entropi, çok sayıdaki kolay normal örneğin toplam kayıp üzerindeki etkisini büyüterek modelin azınlık anomalilerine yeterince odaklanmasını zorlaştırabilir.

Denklem (27):

\[ p_t^{*}=p^{y_t}(1-p)^{1-y_t} \]

\(y_t=1\) ise \(p_t^{*}=p\); \(y_t=0\) ise \(p_t^{*}=1-p\) olur. Böylece tek ifade, modelin gerçek sınıfa verdiği olasılığı temsil eder.

Denklem (28) — Focal Loss:

\[ L_{FL} = -\frac{1}{|B|} \sum_{t\in B} \alpha_t(1-p_t^{*})^{\gamma}\log(p_t^{*}) \]

\[ \alpha_t= \begin{cases} \alpha, & y_t=1\\ 1-\alpha, & y_t=0 \end{cases} \]

Kaynakta \(\alpha=0,95\) ve \(\gamma=2,0\) kullanılmıştır. Bu değerler doğrulama setinde F1'i ençoklayacak biçimde yapılan grid search sonucunda seçilmiştir. Aranan adaylar:

• \(\alpha\in\{0,75,0,85,0,90,0,95\}\)
• \(\gamma\in\{1,0,1,5,2,0,2,5\}\)

\(\alpha=0,95\) olduğunda anomalilerin sınıf ağırlığı 0,95, normal örneklerin ağırlığı 0,05'tir. Kaynak bunu normal örnek katkısının anomali ağırlığına göre yaklaşık 19 kat bastırılması olarak açıklar. Ayrıca \((1-p_t^{*})^\gamma\) terimi kolay sınıflandırılmış örneklerin kayıp katkısını küçültürken zor örneklerin etkisini daha yüksek tutar.

Dinamik karar eşiği

Modelin verdiği \(\hat p_t\) değeri olasılıktır; bunun normal/anomali etiketine çevrilmesi için bir eşik gerekir. Kaynak sabit 0,5 kullanmak yerine Precision–Recall eğrisi boyunca eşik taraması yapmaktadır.

Denklem (29):

\[ F1(\tau) = \frac{ 2\,Prec(\tau)\,Rec(\tau) }{ Prec(\tau)+Rec(\tau)+\epsilon_2 } \]

Burada \(\epsilon_2=10^{-10}\), sayısal kararlılık için eklenen çok küçük sabittir.

Denklem (30):

\[ \tau^{*} = \arg\max_{\tau\in[0,1]}F1(\tau) \]

Yani tüm aday eşikler arasından F1'i en yüksek yapan eşik seçilir.

Denklem (31):

\[ \widehat y_t= \begin{cases} 1, & \widehat p_t\geq\tau^{*}\\ 0, & \widehat p_t<\tau^{*} \end{cases} \]

Bu yöntem karşılaştırılan modellerin her birinin kendi olasılık dağılımına uygun optimum karar eşiğinde değerlendirilmesini amaçlamaktadır.

Veri kaynağı ve ilk temizleme

Veri, University of Alberta Centre for Smart Transportation tarafından sağlanan Open ITS Open Traffic Data Consortium — OpenData V7.0 kaynağından alınmıştır. Çalışma Edmonton'daki Whitemud Drive kentsel ekspres yolunda bulunan VDS 1030 endüktif loop dedektörünü seçmiştir.

Rampalara ve weaving bölgelerine yakın karmaşık etkileşimleri azaltmak amacıyla bu sabit kesit tercih edilmiştir. Üç günlük eksik kayıt çıkarılmış, geriye 21 günlük sürekli trafik serisi kalmıştır. Dört şeritteki trafik ölçümleri tek yönlü kesitsel toplam akışa dönüştürülmüş ve 20 saniyelik orijinal kayıtlar 3 dakikaya yeniden örneklenmiştir.

İlk anomali tarama ve güvenilir temel seri oluşturma

Kaynak doğrudan ham 21 günlük veriyi “tamamen normal” kabul etmemektedir. Önce hafta içi ve hafta sonu serileri ayrılır. Her iki iz üzerinde robust STL decomposition uygulanır ve mevsimsel periyot 480 adım olarak belirlenir. Böylece trafik dizisi eğilim, mevsimsel yapı ve artık bileşenlerine ayrılır.

Daha sonra 40 adımlık yerel pencere üzerinde yerel ortalama ve standart sapma hesaplanarak \(\mu_{local}\pm3\sigma_{local}\) sınırları kullanılır. Buna ek olarak daha genel \(\mu_{global}\pm3\sigma_{global}\) sınırları uygulanır. İki yöntemle bulunan adayların birleşimi anomali aday havuzunu oluşturur.

Bu adaylar son aşamada görsel olarak ve trafik mühendisliği bilgisiyle elle kontrol edilir. Kaynak, hız sınırı kısıtları ve trafik mühendisliği bilgisinin kullanıldığını; izole sensör gürültüsünün çıkarılırken zamansal olarak tutarlı tıkanıklık dalgalanmalarının korunduğunu belirtmektedir.

21 günden 91 günlük değerlendirme dizisine geçiş

Temizlenen 21 günlük gerçek trafik serisi üç aşamayla uzatılır:

1. Hafta içi ve hafta sonu için her gün-içi zaman diliminde medyan trafik değerleri kullanılarak sağlam “tidal prototype” eğrileri çıkarılır ve B-spline ile yumuşatılır.
2. Yumuşatılmış makroskopik eğilim çıkarıldıktan sonra kalan küçük ölçekli dalgalanmalar birinci dereceden otoregresif süreç ile modellenir.
3. Artık bileşenleri Monte Carlo örneklemesiyle üretilir, takvim sırasına göre eğilimle birleştirilir ve fiziksel kapasite kısıtları uygulanır.

Bu süreç 70 günlük sentetik fakat trafik yapısını korumayı amaçlayan temel seri üretir. 70 günlük seri gerçek 21 günlük seriyle birleştirilerek 91 gün elde edilir.

Önemli kaynak sınırı: Makale birinci dereceden otoregresif artık modelini yöntem olarak bildirir ancak bu bölümde AR(1) katsayısının sayısal değerini veya ayrı bir numaralı AR(1) denklemini raporlamaz. Bu nedenle burada kaynak dışı \(\phi\) değeri veya yeni AR denklemi üretilmemiştir.

Sentetik temel verinin doğrulanması

Yazarlar yalnız “sentetik veri gerçeğe benziyor” demekle yetinmemiş; makroskopik ve mikroskopik iki düzeyde kontrol yapmıştır.

MAE ve RMSE genlik hatalarını, \(R^2\) ise zamansal yapının uyumunu değerlendirmek için kullanılmıştır. Kaynak bu metriklerin standart matematik denklemlerini ayrıca numaralı formül olarak vermediğinden burada kaynak dışı denklem eklenmemiştir.

Kaynak ECDF eğrileri ve kutu grafiklerinin de iki dağılım arasında benzer davranış gösterdiğini raporlamaktadır. RMSE medyanları gerçek temel çiftlerinde yaklaşık 411 araç/saat, sentetik karşılaştırmada 396 araç/saat; \(R^2\) medyanları sırasıyla 0,930 ve 0,936'dır. RMSE medyanları arasındaki göreli fark kaynakta yaklaşık %3,6 olarak belirtilmiştir.

Sentetik Anomaliler Gerçek Trafik Olaylarıyla Aynı Şey midir?

Hayır. Çalışmadaki enjekte edilmiş noktasal ve shapelet anomalileri, belirli tarihsel kazaların veya olay kayıtlarının bire bir kopyaları değildir; HCM kapasite azaltma büyüklükleri, trafik akışı üzerindeki fiziksel sınırlar ve hızlı bozulma–daha yavaş toparlanma biçimi kullanılarak oluşturulmuş trafik-fiziğiyle kısıtlanmış veri düzeyi sapmalarıdır. Bu nedenle çalışma gerçek olay etiketli trafik olay tespitinin doğrudan saha doğrulaması olarak yorumlanmamalıdır.

HCM tabanlı kapasite azaltma

Denklem (32):

\[ Y(t)=\delta X(t) \]

\(X(t)\), normal trafik akışıdır. \(Y(t)\), anomali uygulanmış akıştır. \(\delta\in(0,1]\), olay sonrasında kalan kapasite oranını temsil eder. Örneğin \(\delta=0,58\), normal akışın yaklaşık %58'inin kaldığı daha düşük kapasite durumunu ifade eder.

Denklem (33):

\[ R= \frac{ N_{open}\times CAF_{per-lane} }{ N_{total} } \]

\(N_{open}\), açık kalan şerit sayısı; \(N_{total}\), toplam şerit sayısı; \(CAF_{per-lane}\), HCM'deki şerit başına Capacity Adjustment Factor'dür. Bu ilişki dört şeritli VDS 1030 kesiti için tesis düzeyindeki kalan kapasite oranını oluşturur.

Bu değerlerden hareketle kaynak shapelet enjeksiyonlarını sürekli aralıklara dönüştürür:

Noktasal anomaliler HCM kapasite azaltma yapısından ayrı üretilmiştir; çünkü kaynak bunları trafik kapasitesi kaybından çok sensör veya iletişim sorunlarıyla ilişkilendirir. Veri kaybı için \(\delta=0\), anormal sıçrama için \(\delta\in[1,4;3,0]\) kullanılmıştır.

Anomali gelişiminin üç aşaması

Shapelet anomalilerinde trafik bozulmasının zaman içinde simetrik olmadığı varsayılmıştır. Kaynak üç aşama tanımlar:

1. Şok oluşumu: Olaydan sonra trafik akışı darboğaz kapasitesine doğru hızlı biçimde düşer.
2. Darboğazın sürmesi: Kısıtlı kapasite bir süre düşük seviyede kalır.
3. Tıkanıklığın çözülmesi: Olay ortadan kalktıktan sonra kuyruktaki araçlar aşamalı olarak boşalır ve toparlanma ilk düşüşten daha yavaş gerçekleşir.

Kaynak bu üç aşamanın fiziksel mantığını açıklar ancak ayrı bir numaralı parçalı-zaman denklemi vermemektedir. Bu nedenle Verianla burada sahte bir üstel, doğrusal veya lojistik toparlanma formülü üretmemektedir.

Çalışmanın Yöntemi ve Bulguları

Deney veri bölümü

Toplam 91 günlük veri kronolojik olarak bölünmüştür. İlk %70, yaklaşık 64 gün, eğitim setidir. Son %30, yaklaşık 27 gün, bağımsız test setidir. Kronolojik bölme kullanılması gelecekteki trafik bilgisinin eğitim aşamasına sızmasını önlemeyi amaçlar.

Kayan pencere uzunlukları:

• \(T_w=12\) → 36 dakika
• \(T_w=24\) → 72 dakika
• \(T_w=36\) → 108 dakika
• \(T_w=48\) → 144 dakika
• \(T_w=60\) → 180 dakika

Uygulama ayrıntıları

Kaynak ayrıca bütün giriş özelliklerine, eğitim setinden hesaplanan istatistiklere dayalı z-score normalizasyonu uygulandığını belirtmektedir. Bu ifade, MS-NaN içinde Denklem (4), (8) ve (13)'te kullanılan medyan/IQR tabanlı özellik oluşturma işlemleriyle aynı şey değildir. Kaynak uygulama aşamasında ağ giriş özelliklerinin ayrıca z-score ile standardize edildiğini bildirir; iki normalizasyon aşamasını tek işlem gibi birleştirmemek gerekir.

Karşılaştırılan mimariler

Kontrollü mimari karşılaştırmasında bütün modeller aynı dokuz MS-NaN özelliğini, aynı Focal Loss yaklaşımını ve aynı PR tabanlı eşik optimizasyonunu kullanmaktadır. Temel değişken yalnız zaman serisini işleyen ağ mimarisidir.

• LSTM
• GRU
• BiLSTM
• BiGRU
• 1D-CNN
• FCN
• Transformer
• Hybrid_CLA, CNN-LSTM-Attention
• Önerilen DB-CGNet

Bu pencerede DB-CGNet dört ana metriğin tamamında en yüksek değeri elde etmiştir. AUC bakımından en yakın model Transformer'dır: 0,9112'ye karşı 0,9054. Kaynağın hesaplamasına göre fark yaklaşık %0,64'tür. F1 bakımından en yakın model Hybrid_CLA'dır: 0,7757'ye karşı 0,7481; kaynak bunu %3,69'luk üstünlük olarak verir.

144 dakikalık pencerede sonuç neden farklı?

Burada Hybrid_CLA, F1 ve Recall bakımından DB-CGNet'i az farkla geçmektedir. DB-CGNet ise Precision'da 0,9283 ile en yüksek değeri korur. Kaynak DB-CGNet için %7,17, Hybrid_CLA için %11,46 “false alarm rate” ifadesini kullanmaktadır; bu sayılar ilgili Precision değerlerinin tamamlayıcısı biçimindedir. Bu nedenle bunları standart ROC false-positive-rate kavramıyla otomatik olarak eşitlememek gerekir.

Bu sonuç önemli bir yorum sınırı koyar: çalışma DB-CGNet'in her gözlem penceresinde her metrkte mutlak biçimde en iyi olduğunu göstermemektedir. Ana avantaj, daha kısa 72 dakikalık bağlamda güçlü ve dengeli performans elde edilmesidir.

Hesaplama maliyeti

DB-CGNet'in 12.165 eğitilebilir parametresi, Hybrid_CLA'nın 176.257 parametresinin yaklaşık %6,9'udur. Bununla birlikte DB-CGNet'in model-forward süresi Hybrid_CLA'dan daha düşük değildir: ortalama 0,576 ms'ye karşı 0,508 ms'dir. Kaynak bu farkın yalnız 0,068 ms olduğuna dikkat çeker.

Daha da önemlisi, raporlanan gecikme yalnız sinir ağının forward-pass süresidir. MS-NaN özellik çıkarımı, kayan pencere oluşturma ve veri aktarım maliyeti bu zamanlara dahil değildir. Dolayısıyla 0,576 ms değerini bütün uçtan uca trafik işleme sisteminin gerçek toplam gecikmesi olarak yorumlamak doğru değildir.

Farklı öğrenme paradigmalarıyla harici karşılaştırma

Burada doğrudan “aynı mimarinin bileşen karşılaştırması” yapılmamaktadır. Auto-RL ve Si-TDD denetimsiz yaklaşımlardır ve farklı girdiler/eğitim mekanizmaları kullanırlar. Kaynak bu karşılaştırmayı katı bileşen üstünlüğü kanıtı olarak değil, farklı anomali tespit paradigmaları arasında genel referans olarak sunmaktadır.

Anomali türüne göre recall

En dikkat çekici sonuç kısa shapelet sınıfındadır. DB-CGNet 0,5467 ile en yüksek recall değerine ulaşırken kaynak bunu Hybrid_CLA'ya göre %13,26, Transformer'a göre %13,90 ve LSTM'ye göre %21,31 iyileşme olarak raporlar.

Buna karşılık noktasal ve orta shapelet anomalilerinde en yüksek recall Transformer'a aittir. Uzun shapelet anomalilerinde DB-CGNet, Hybrid_CLA ve 1D-CNN 0,9653 ile eşit en yüksek değere ulaşmaktadır. Dolayısıyla modelin asıl farklılaşması bütün anomali türlerinde mutlak üstünlük değil; özellikle normal trafik dalgalanmalarına benzeyen kısa süreli biçimsel anomalilerde daha güçlü algılama sağlamasıdır.

Ablasyon çalışması: hangi bileşen ne kadar önemli?

MS-Prior kaldırıldığında global F1 0,7757'den 0,6986'ya iner; kaynak bunu %9,9 göreli düşüş olarak raporlar. Ani dal kaldırıldığında göreli F1 düşüşü %5,8; kapılı füzyon kaldırıldığında %2,4; Focal Loss kaldırıldığında %1,8'dir.

Kısa shapelet anomalilerinde fark daha çarpıcıdır. Recall:

• Tam model: 0,5467
• MS-Prior yok: 0,3973 — %27,3 düşüş
• Ani dal yok: 0,4560 — %16,6 düşüş
• Kapılı füzyon yok: 0,5093 — %6,8 düşüş

Focal Loss kaldırıldığında kısa shapelet recall değeri 0,5600'a çıkar; yani tek başına recall açısından hafif yükselme vardır. Fakat global Precision 0,9228'den 0,8712'ye, yani 5,16 yüzde puan düşmektedir. Kaynak bunu daha gevşek karar sınırı nedeniyle daha fazla yanlış alarm oluşması şeklinde yorumlamaktadır. Dolayısıyla yalnız recall değerine bakıp “Focal Loss gereksiz” sonucu çıkarılamaz.

Bileşen önem sırası

Kaynağın kısa shapelet tespiti için oluşturduğu bileşen önem sırası şöyledir:

MS-Prior > Ani Dal > Kapılı Füzyon > Focal Loss

Bu sıralama bütün olası görevler için evrensel bir önem sıralaması değildir. Kaynağın kendi veri seti, kendi anomali yapısı ve özellikle kısa shapelet tespit analizi altında elde edilmiştir.

Çalışmanın desteklediği sonuçlar

• Trafik durumuna ilişkin tarihsel önsellerin dokuz boyutlu MS-NaN yapısına dahil edilmesi, özellikle normal gelgit dalgalanmalarına benzeyen kısa shapelet anomalilerinin ayrımına katkı sağlamaktadır.
• Ani değişim ve eğilim gelişiminin ayrı dallarda işlenmesi, tek tip temsil yerine heterojen anomali morfolojilerini farklı biçimde modellemeye olanak vermektedir.
• Bağlam-duyarlı kapı, ani dalın katkısını trafik durumuna göre öğrenilmiş biçimde düzenleyebilmektedir.
• Focal Loss, bu çalışmadaki dengesiz sınıf yapısında özellikle Precision ve yanlış alarm kontrolüne katkı sağlamaktadır.
• T_w=24, yani 72 dakikalık gözlem penceresi, bu veri setinde DB-CGNet'in en iyi genel F1 ve AUC sonucunu verdiği penceredir.
• Fiziksel kısıtlarla oluşturulan sentetik temel seri, kaynakta yapılan MAE, RMSE, R², ECDF ve kutu-grafik karşılaştırmalarında gerçek trafik serisine benzer istatistiksel yapı göstermektedir.

Çalışmanın desteklemediği genellemeler

• DB-CGNet'in bütün şehirlerde, bütün otoyollarda ve bütün sensör türlerinde aynı performansı göstereceği kanıtlanmamıştır.
• Çalışma gerçek kazaların veya olayların bire bir otomatik teşhis edildiğini göstermemektedir.
• Enjekte edilen anomaliler belirli gerçek tarihsel olayların kopyası değildir.
• DB-CGNet her pencere uzunluğunda her metrkte bütün modellerden üstün değildir; T_w=48'de Hybrid_CLA F1 ve Recall bakımından daha yüksektir.
• 0,576 ms model-forward süresi bütün uçtan uca sistem gecikmesi değildir.
• Model hız, doluluk, araç yörüngesi, hava koşulu veya olay raporlarını bu deneyde birlikte kullanmamıştır.
• Gerçek olay kayıtlarıyla event-level saha doğrulaması yapılmamıştır.

Temel sınırlılıklar

İlk sınırlılık veri coğrafyası ve sensör kapsamıdır. Değerlendirme VDS 1030 adlı tek sabit ekspres yol kesitindeki 3 dakikalık trafik hacmi serisine dayanmaktadır. Farklı yol ağlarında günlük periyot, kapasite, sensör karakteristiği ve örnekleme aralığı değişebilir. MS-NaN aynı zaman dilimindeki tarihsel referansları kullandığı için yeni ağlarda tarihsel gruplama, pencere uzunluğu ve anomali süre eşiklerinin yeniden kalibre edilmesi gerekebilir.

İkinci sınırlılık giriş değişkeninin tek kaynaklı olmasıdır. Hız, occupancy/doluluk, araç yörüngeleri, hava durumu veya olay kayıtları dahil edilmemiştir. Bu değişkenlerin eklenmesi özellik temsilinin ve füzyon mekanizmasının genişletilmesini gerektirir.

Üçüncü ve en önemli yorum sınırı gerçek olay doğrulamasıdır. Noktasal ve shapelet anomaliler trafik fiziğiyle sınırlandırılmış olsa da VDS 1030 için zamanla eşleşmiş kapsamlı olay kayıtları bulunmadığından belirli olaylarla bire bir doğrulama yapılamamıştır. Kaynak bu nedenle mevcut nicel sonuçların öncelikle trafik-fiziğiyle kısıtlanmış simüle anomaliler altındaki tespit performansını gösterdiğini belirtmektedir.

Gelecek çalışma yönleri arasında daha yüksek çözünürlüklü ve çok bölgeli trafik verisi, kapsamlı olay etiketleri, gerçek olay kayıtlarıyla doğrulama, çok kaynaklı özellik füzyonu, ağlar arası aktarım, kontrollü anomali oranı analizleri, uzay-zamansal anomali yayılımı, çevrimiçi uyarlamalı tespit ve daha gelişmiş yorumlanabilirlik bulunmaktadır.

Kaynak ve Yöntem Notu

Özgün çalışma: Traffic-Prior-Guided State-Aware Framework for Robust Urban Traffic Anomaly Detection

Yazarlar: Lingguang Wang; Changbo Kang; Yanchen Qiu; Yixuan Shang; Xiaomeng Wang; Qifeng Yu.

Corresponding author: Qifeng Yu.

Kurum 1: College of Transport and Communications, Shanghai Maritime University, Shanghai 201306, China.

Kurum 2: Municipal Engineering Maintenance Service Center, Baoji 721000, China.

Dergi: Urban Science.

Yayınevi: MDPI.

Cilt / sayı / makale: Volume 10, Issue 8, Article 457.

DOI: 10.3390/urbansci10080457.

Resmî bağlantı: https://doi.org/10.3390/urbansci10080457

Gönderim: 28 Mayıs 2026.

Revizyon: 31 Temmuz 2026.

Kabul: 4 Ağustos 2026.

Yayın: 7 Ağustos 2026.

Kaynak türü: Article; deneysel hesaplamalı trafik anomali tespiti ve derin öğrenme çalışması.

Hakemlik durumu: Urban Science'ın hakemli Version of Record yayınıdır; kaynak Received, Revised ve Accepted tarihlerini raporlamaktadır.

Lisans: Creative Commons Attribution, CC BY.

Veri kaynağı: Open ITS Open Traffic Data Consortium, OpenData V7.0; Centre for Smart Transportation, University of Alberta, Kanada; Whitemud Drive, Edmonton, VDS 1030.

Veri erişilebilirliği: Kaynak trafik verileri ilgili açık veri platformu ve makaledeki referanslar üzerinden erişilebilir. İşlenmiş ve çalışmanın bulgularını destekleyen verilerin corresponding author'dan makul talep üzerine alınabileceği bildirilmektedir.

Finansman: “Research on the Impact of Road Maintenance Construction on Traffic Efficiency and Driving Safety” projesi; Baoji Municipal Engineering Maintenance Service Center, China. Kaynak bir hibe numarası atanmadığını belirtmektedir.

Çıkar çatışması: Yazarlar çıkar çatışması olmadığını beyan etmektedir.

Etik kurul: Uygulanabilir değil.

Bilgilendirilmiş onam: Uygulanabilir değil.

Yazar katkıları: Kavramsallaştırma Qifeng Yu ve Xiaomeng Wang; metodoloji Qifeng Yu, Lingguang Wang ve Changbo Kang; yazılım Lingguang Wang ve Yanchen Qiu; doğrulama Lingguang Wang, Yanchen Qiu ve Yixuan Shang; biçimsel analiz Lingguang Wang, Changbo Kang ve Qifeng Yu; araştırma Lingguang Wang, Yanchen Qiu ve Yixuan Shang; veri kürasyonu Lingguang Wang, Yanchen Qiu ve Yixuan Shang; ilk taslak yazımı Lingguang Wang, Yanchen Qiu ve Yixuan Shang; inceleme ve düzenleme Lingguang Wang, Qifeng Yu ve Xiaomeng Wang; görselleştirme Lingguang Wang; danışmanlık Qifeng Yu ve Xiaomeng Wang; proje yönetimi Changbo Kang; finansman temini Changbo Kang.

Temel yöntemsel sınır: Çalışmanın ana nicel değerlendirmesi gerçek trafik ölçümlerinden oluşturulan ve fiziksel olarak sınırlandırılmış sentetik anomaliler içeren tek-kesitli bir veri düzeninde yapılmıştır. Gerçek olay kayıtlarıyla bire bir event-level doğrulama bulunmamaktadır. Farklı ağlara aktarılabilirlik, çok kaynaklı trafik girdileri ve gerçek olay etiketleri gelecekte ayrıca doğrulanmalıdır.