Abstract: C. Morris, J. J. Yang, M. G. Chorzepa, S. S. Kim, S. A. Durham (2022)

The current state of practice in traffic data quality control features rule-based data checking and validation processes, where the rules are subjective and insensitive to variation inherited with traffic data. In this paper, self-supervised deep learning approaches were explored to leverage the existence of multiple sources of traffic volume data, which permitted cross-checking of one data source against another for improved robustness. Two types of models were developed, aiming at detecting data anomalies at two distinct timescales. Particularly, a novel variational autoencoder (VAE)-based model was formulated for discerning data anomalies at the daily level and four recurrent model structures, including recurrent neural networks (RNN), gated recurrent units (GRU), long short-term memory (LSTM) units, and liquid time constant (LTC) networks, were evaluated for detecting anomalies in finer incremental timescales (i.e., 5-min intervals). The effectiveness of the proposed methods was demonstrated using two independent sources of traffic data from the Georgia Department of Transportation: (1) traffic counts collected by inductive loops as part of the statewide traffic count program, and (2) traffic volumes acquired by a video detection system as part of the Georgia 511, an advanced traveler information system in Georgia. Based on our experiments, the VAE-based model achieved a precision of 0.95, recall of 0.92, and F-1 score of 0.94. Among the recurrent models, the fully connected LTC produced the lowest prediction error and achieved a precision of 0.82, recall of 0.88, and F-1 score of 0.85.

Please note: The abstracts of the bibliography database may underly other copyrights.

Ihr Browser versucht gerade eine Seite aus dem sogenannten Internet auszudrucken. Das Internet ist ein weltweites Netzwerk von Computern, das den Menschen ganz neue Möglichkeiten der Kommunikation bietet.

Da Politiker im Regelfall von neuen Dingen nichts verstehen, halten wir es für notwendig, sie davor zu schützen. Dies ist im beidseitigen Interesse, da unnötige Angstzustände bei Ihnen verhindert werden, ebenso wie es uns vor profilierungs- und machtsüchtigen Politikern schützt.

Sollten Sie der Meinung sein, dass Sie diese Internetseite dennoch sehen sollten, so können Sie jederzeit durch normalen Gebrauch eines Internetbrowsers darauf zugreifen. Dazu sind aber minimale Computerkenntnisse erforderlich. Sollten Sie diese nicht haben, vergessen Sie einfach dieses Internet und lassen uns in Ruhe.

Die Umgehung dieser Ausdrucksperre ist nach §95a UrhG verboten.

Mehr Informationen unter www.politiker-stopp.de.

Self-Supervised Deep Learning Framework for Anomaly Detection in Traffic Data