[发明专利]城市轨道交通AFC系统实时进站客流量异常检测方法

说明书

技术领域

本发明涉及一种城市轨道交通AFC系统实时进站客流量异常检测方法，属于城市轨道交通智能化技术。

背景技术

城市轨道交通系统中的实时客流数据信息对地铁系统服务能力的提高至关重要。然而，由于AFC系统中的设备供应商的多样性以及实时数据传输过程的复杂性等原因，使得从AFC系统中获取的实时客流数据并不能完全反映运营实际情况，部分车站在某些时段的实时进站客流量与实际进站客流量差异较大，为了保证实时获取客流数据的质量，需要对实时获取的客流数据进行异常检测和纠错处理。通过对各车站、各时段客流量设定合理的阀值，可以有效判断实时获取的进站客流量是否为异常，故此过程中阀值上限和阀值下限的合理设定最为关键。

根据同车站、同时段客流分布符合正态分布的特点，利用“均值-三倍标准差法”确定客流阀值上下限是一种简便易行的方法，但由于样本数据本身存在异常值以及部分车站的季节性客流波动较大等原因，导致得出的阀值范围过大，不能有效地对实时获取的进站客流数据进行异常检测。

发明内容

发明目的：为了解决现有的基于阀值的实时进站客流数据异常检测方法算得的阀值范围进行数据异常检测的检测效果不佳的问题，本发明提供一种城市轨道交通AFC系统实时进站客流量异常检测方法，该方法通过验证该序列的混沌特性来确定模型训练测试样本集，然后利用训练样本中各时段进站量预测残差序列的分布特性，从而确定未来时段的进站客流量异常检测的阀值上限和阀值下限。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种城市轨道交通AFC系统实时进站客流量异常检测方法，包括如下步骤：

(1)混沌时间序列的相空间重构：从进站客流数据的原时间序列中截取部分时间序列X＝{x_i|i＝1,2,…,K}，应用C_C方法求得该部分时间序列的时间延迟τ和嵌入维数m；若该部分时间序列不混沌，则重新截取部分时间序列；若该部分时间序列混沌，则基于该部分时间序列对原时间序列进行相空间重构；x_i为第i个样本的进站客流量数据，K为该部分时间序列包含的样本个数。

(2)序列混沌特性判定：根据步骤(1)求得的时间延迟τ和嵌入维数m，利用改进的小数据量法计算该部分时间序列的Lyapunov指数：若Lyapunov指数为正，则表示该部分时间序列混沌；否则，表示该部分时间序列不混沌；

(3)实时进站客流预测模型：从相空间重构后的原时间序列中截取出训练样本集和验证样本集，对各样本集输入部分的各列数据进行标准正态分布转换；将转换后的训练样本集带入到支持向量机回归模型中进行训练，同时采用大范围网格搜索寻优方法(使用该方法可优化支持向量机回归模型的参数，提升模型的预测效果)确定支持向量机回归模型惩罚系数C、不敏感系数ε和指数径向基核函数参数λ；

(4)预测值和实际值的残差分布：将转换后的验证样本集带入到支持向量机回归模型中进行训练，利用训练后的支持向量机回归模型对验证样本某时段进站客流量进行单步预测，由于同类日期(工作日和非工作日)、同车站总体上各时段的进站客流量变化规律相似，由K-S检验结果可知训练后的支持向量机回归模型预测的各时段的进站客流量与实际进站客流量之间的残差序列分布符合正态分布；以y_j(i)表示第j天第i时段的实际进站客流量，以表示第j天第i时段的预测进站客流量，表示第j天第i时段的预测误差，e(i)表示同类日期第i时段的预测残差序列，则e_j(i)满足正态分布，即：

e(i)～N(μ,σ²)

其中，μ为同类日期第i时段预测残差的总体平均值，σ为同类日期第i时段预测残差的总体标准差，N(μ,σ²)表示均值为μ、方差为σ²的正态分布序列；

利用训练后的支持向量机回归模型对验证样本集进行预测，得到的同类日期第i时段预测残差的样本平均值和样本标准差s(i)分别为：

其中，N为同类日期第i时段预测残差的样本数量；

(5)确定进站客流置信区间：根据数理统计相关知识可知进行如下分类考虑：

①当N＞50时，σ≈s(i)；在给定置信度1-α下，未来同类日期第i时段进站客流量置信区间为：

其中，为该未来同类日期第i时段进站客流量预测值，Z_α/2为标准正态分布上的分位点；