[發明專利]城市軌道交通AFC系統實時進站客流量異常檢測方法

在審

• 申請號: 201710055877.4
• 申請日: 2017-01-25
• 公開（公告）號: CN106803137A
• 公開（公告）日: 2017-06-06
• 發明（設計）人: 張寧;張見;劉涵
• 申請（專利權）人: 東南大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/30
• 代理公司: 南京瑞弘專利商標事務所(普通合伙)32249
• 代理人: 楊曉玲

技術領域

本發明涉及一種城市軌道交通AFC系統實時進站客流量異常檢測方法，屬于城市軌道交通智能化技術。

背景技術

城市軌道交通系統中的實時客流數據信息對地鐵系統服務能力的提高至關重要。然而，由于AFC系統中的設備供應商的多樣性以及實時數據傳輸過程的復雜性等原因，使得從AFC系統中獲取的實時客流數據并不能完全反映運營實際情況，部分車站在某些時段的實時進站客流量與實際進站客流量差異較大，為了保證實時獲取客流數據的質量，需要對實時獲取的客流數據進行異常檢測和糾錯處理。通過對各車站、各時段客流量設定合理的閥值，可以有效判斷實時獲取的進站客流量是否為異常，故此過程中閥值上限和閥值下限的合理設定最為關鍵。

根據同車站、同時段客流分布符合正態分布的特點，利用“均值-三倍標準差法”確定客流閥值上下限是一種簡便易行的方法，但由于樣本數據本身存在異常值以及部分車站的季節性客流波動較大等原因，導致得出的閥值范圍過大，不能有效地對實時獲取的進站客流數據進行異常檢測。

發明內容

發明目的：為了解決現有的基于閥值的實時進站客流數據異常檢測方法算得的閥值范圍進行數據異常檢測的檢測效果不佳的問題，本發明提供一種城市軌道交通AFC系統實時進站客流量異常檢測方法，該方法通過驗證該序列的混沌特性來確定模型訓練測試樣本集，然后利用訓練樣本中各時段進站量預測殘差序列的分布特性，從而確定未來時段的進站客流量異常檢測的閥值上限和閥值下限。

技術方案：為實現上述目的，本發明采用的技術方案為：

一種城市軌道交通AFC系統實時進站客流量異常檢測方法，包括如下步驟：

(1)混沌時間序列的相空間重構：從進站客流數據的原時間序列中截取部分時間序列X＝{x_i|i＝1,2,…,K}，應用C_C方法求得該部分時間序列的時間延遲τ和嵌入維數m；若該部分時間序列不混沌，則重新截取部分時間序列；若該部分時間序列混沌，則基于該部分時間序列對原時間序列進行相空間重構；x_i為第i個樣本的進站客流量數據，K為該部分時間序列包含的樣本個數。

(2)序列混沌特性判定：根據步驟(1)求得的時間延遲τ和嵌入維數m，利用改進的小數據量法計算該部分時間序列的Lyapunov指數：若Lyapunov指數為正，則表示該部分時間序列混沌；否則，表示該部分時間序列不混沌；

(3)實時進站客流預測模型：從相空間重構后的原時間序列中截取出訓練樣本集和驗證樣本集，對各樣本集輸入部分的各列數據進行標準正態分布轉換；將轉換后的訓練樣本集帶入到支持向量機回歸模型中進行訓練，同時采用大范圍網格搜索尋優方法(使用該方法可優化支持向量機回歸模型的參數，提升模型的預測效果)確定支持向量機回歸模型懲罰系數C、不敏感系數ε和指數徑向基核函數參數λ；

(4)預測值和實際值的殘差分布：將轉換后的驗證樣本集帶入到支持向量機回歸模型中進行訓練，利用訓練后的支持向量機回歸模型對驗證樣本某時段進站客流量進行單步預測，由于同類日期(工作日和非工作日)、同車站總體上各時段的進站客流量變化規律相似，由K-S檢驗結果可知訓練后的支持向量機回歸模型預測的各時段的進站客流量與實際進站客流量之間的殘差序列分布符合正態分布；以y_j(i)表示第j天第i時段的實際進站客流量，以表示第j天第i時段的預測進站客流量，表示第j天第i時段的預測誤差，e(i)表示同類日期第i時段的預測殘差序列，則e_j(i)滿足正態分布，即：

e(i)～N(μ,σ²)

其中，μ為同類日期第i時段預測殘差的總體平均值，σ為同類日期第i時段預測殘差的總體標準差，N(μ,σ²)表示均值為μ、方差為σ²的正態分布序列；

利用訓練后的支持向量機回歸模型對驗證樣本集進行預測，得到的同類日期第i時段預測殘差的樣本平均值和樣本標準差s(i)分別為：

其中，N為同類日期第i時段預測殘差的樣本數量；

(5)確定進站客流置信區間：根據數理統計相關知識可知進行如下分類考慮：

①當N＞50時，σ≈s(i)；在給定置信度1-α下，未來同類日期第i時段進站客流量置信區間為：

其中，為該未來同類日期第i時段進站客流量預測值，Z_α/2為標準正態分布上的分位點；