[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

摘要

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，首先采用改进的小数据量法计算历史进站客流数据时间序列的Lyapunov指数，验证该序列的混沌特性，接着利用C_C方法确定混沌时间序列的时间延迟和最佳嵌入维数，对原时间序列进行相空间重构，确定模型训练测试样本集，并采用大范围网格搜索方法优化模型参数，再利用优化后的模型预测各时段的进站客流量，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，最后确定在某一置信度下各时段进站客流量预测残差的置信区间，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。本发现有效收缩了进站客流量的异常检测范围，降低了数据异常检测的误报率。

主权项

一种城市轨道交通AFC系统实时进站客流量异常检测方法，其特征在于：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＝{xi|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；xi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，以yj(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ej(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：e‾(i)=1NΣj=1Nej(i)]]>s(i)=s2(i)=1N-1Σj=1N(ej(i)-e‾(i))2]]>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，Zα/2为标准正态分布上的分位点；②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，tα/2(N‑1)为t(N‑1)分布上的分位点；由于实时进站客流量数值为整数，故需要对①和②计算得到的置信区间的下界向上取整、上界向下取整，取整后的置信区间左端点即为阀值下限，右端点即为阀值上限；(6)实时进站客流量异常检测与处理方法：如果从AFC系统中实时获取的某车站、某一时段的进站客流量在相应的置信区间阈值范围内，则采信该值；否则，判断该进站客流量异常，采用训练后的支持向量机回归模型对该进站客流量进行预测，采信取整后的预测值。