【技术实现步骤摘要】
本专利技术涉及交通运输信息工程领域，特别是涉及一种基于交通大数据的客流拥挤事件传播检测方法及系统。
技术介绍
1、客流拥挤是指发生在公交、地铁或者其它公共交通系统内的异常现象，通常当车辆内的乘客数量超过车辆最大承载能力时发生。客流拥挤事件的发生会增加乘客在旅途中的不适感，并通过延长乘客上车时间和降低行车速度的方式来阻碍客流拥挤事件的发生，会影响公共交通系统的效率。此外，客流拥挤事件的发生还会增加发生事故和跌倒的风险，对乘客安全构成威胁，进一步提升紧急情况下疏散人群的难度。在任何拥挤的站点，如果准备不足或现场管理不善，都可能会突然爆发客流拥挤事件，造成环境混乱。当乘客从一个车站涌出时，他们可能会自发地转移到与该站点邻近的其他站点，从而使整个交通网络长期处于混乱状态。在此情况下，可能会出现乘客大规模聚集现象，扰乱公共交通系统的正常秩序。鉴于这种情况具有快速传播的潜在可能性，有必要对客流拥挤进行深入研究，以准确打断其传播链。
2、以往的研究采用两阶段法检测离散的客流拥挤事件。第一阶段利用数据建模或数据挖掘技术预测客流序列的常态分布。在预测出客流序列的常态分布后，第二阶段识别显著偏离于多数分布的异常分布并计算其异常程度，当异常程度超过预设置的阈值时，这些异常就被标记为潜在的客流拥挤事件。尽管两阶段法能有效预测交通中的客流拥挤等异常事件，但却难以揭示已识别的异常事件在时间与空间上的潜在相关性。这一局限性阻碍管理者全面理解异常事件的时空传播模式，而这却对实时风险管理至关重要。
3、综上，以往的研究仅关注在客流序列中检
技术实现思路
1、本专利技术的目的是提供一种基于交通大数据的客流拥挤事件传播检测方法及系统，旨在实现客流拥挤事件传播的检测，从而发现大规模客流拥挤事件。
2、为实现上述目的，本专利技术提供了如下方案。
3、一种基于交通大数据的客流拥挤事件传播检测方法，包括：构建目标区域内各站点的客流时间序列；所述客流时间序列为上车客流时间序列或下车客流时间序列。
4、对于目标区域内的任一站点，将所述客流时间序列输入客流常态分布预测模型，预测所述客流时间序列的常态分布。
5、对于目标区域内的任一站点，基于所述客流时间序列和所述客流时间序列的常态分布，计算预测流量与观测流量之间的误差的对数概率密度。
6、根据目标区域内所有站点的对数概率密度和设定临界阈值确定所述目标区域内的离散客流拥挤事件；所述设定临界阈值是根据包括正常客流时间序列和异常客流时间序列的验证集确定的。
7、采用时空聚类算法对目标区域内的离散客流拥挤事件进行聚合，得到多个时空簇；每个所述时空簇内的离散客流拥挤事件具有时空关联性；每个所述时空簇内的离散客流拥挤事件传播形成一个大规模客流拥挤事件。
8、其中，所述客流常态分布预测模型是采用训练集对长短时图卷积深度学习模型训练得到的；所述训练集包括正常客流时间序列；所述长短时图卷积深度学习模型包括：transformer模块、时空图卷积模块和长短时融合模块。
9、所述transformer模块用于提取所述客流时间序列内隐含的长时依赖关系；所述时空图卷积模块用于提取所述客流时间序列内隐含的短时依赖关系和空间依赖关系；所述长短时融合模块用于将所述长时依赖关系和所述短时依赖关系融合，得到时间融合特征；所述时空图卷积模块还用于将所述时间融合特征与所述空间依赖关系相融合，输出所述客流时间序列的常态分布。
10、本专利技术还提供了一种基于交通大数据的客流拥挤事件传播检测系统，包括：时间序列构建模块，用于构建目标区域内各站点的客流时间序列；所述客流时间序列为上车客流时间序列或下车客流时间序列。
11、常态分布预测模块，用于对于目标区域内的任一站点，将所述客流时间序列输入客流常态分布预测模型，预测所述客流时间序列的常态分布。
12、对数概率密度计算模块，用于对于目标区域内的任一站点，基于所述客流时间序列和所述客流时间序列的常态分布，计算预测流量与观测流量之间的误差的对数概率密度。
13、离散客流拥挤事件确定模块，用于根据目标区域内所有站点的对数概率密度和设定临界阈值确定所述目标区域内的离散客流拥挤事件；所述设定临界阈值是根据包括正常客流时间序列和异常客流时间序列的验证集确定的。
14、离散客流拥挤事件聚合模块，用于采用时空聚类算法对目标区域内的离散客流拥挤事件进行聚合，得到多个时空簇；每个所述时空簇内的离散客流拥挤事件具有时空关联性；每个所述时空簇内的离散客流拥挤事件传播形成一个大规模客流拥挤事件。
15、其中，所述客流常态分布预测模型是采用训练集对长短时图卷积深度学习模型训练得到的；所述训练集包括正常客流时间序列；所述长短时图卷积深度学习模型包括：transformer模块、时空图卷积模块和长短时融合模块。
16、所述transformer模块用于提取所述客流时间序列内隐含的长时依赖关系。
17、所述时空图卷积模块用于提取所述客流时间序列内隐含的短时依赖关系和空间依赖关系。
18、所述长短时融合模块用于将所述长时依赖关系和所述短时依赖关系融合，得到时间融合特征。
19、所述时空图卷积模块还用于将所述时间融合特征与所述空间依赖关系相融合，输出所述客流时间序列的常态分布。
20、根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
21、本专利技术实施例采用客流常态分布预测模型预测客流时间序列的常态分布，客流常态分布预测模型基于长短时图卷积深度学习模型构建，长短时图卷积深度学习模型包括：transformer模块、时空图卷积模块和长短时融合模块，通过提取客流时间序列内隐含的长时依赖关系、短时依赖关系和空间依赖关系能实现客流时间序列的常态分布的准确预测；基于客流时间序列的常态分布，通过计算预测流量与观测流量之间的误差的对数概率密度确定目标区域内的离散客流拥挤事件，能实现对离散客流拥挤事件的准确预测；采用时空聚类算法对离散客流拥挤事件进行聚合，得到多个时空簇，每个时空簇内的离散客流拥挤事件传播形成一个大规模客流拥挤事件，实现了客流拥挤事件传播的检测，从而发现大规模客流拥挤事件。
本文档来自技高网...【技术保护点】
1.一种基于交通大数据的客流拥挤事件传播检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于交通大数据的客流拥挤事件传播检测方法，其特征在于，构建目标区域内各站点的客流时间序列，具体包括：
3.根据权利要求1所述的基于交通大数据的客流拥挤事件传播检测方法，其特征在于，所述Transformer模块包括：L个Transformer网络；所述Transformer网络包括长时编码器和长时解码器；L个Transformer网络的长时编码器依次连接；L个Transformer网络的长时解码器依次连接；第L个Transformer网络的长时编码器与第L个Transformer网络的长时解码器连接；第1个Transformer网络的长时编码器用于输入客流时间序列；第1个Transformer网络的长时解码器用于输出重构后的客流时间序列；第L个Transformer网络的长时编码器用于输出所述客流时间序列内隐含的长时依赖关系；
4.根据权利要求1所述的基于交通大数据的客流拥挤事件传播检测方法，其特征在于，基于所述客流时间序列和所述客流时间序列的常态
5.根据权利要求4所述的基于交通大数据的客流拥挤事件传播检测方法，其特征在于，所述对数概率密度的计算公式为：
6.根据权利要求1所述的基于交通大数据的客流拥挤事件传播检测方法，其特征在于，根据目标区域内所有站点的对数概率密度和设定临界阈值确定所述目标区域内的离散客流拥挤事件，具体包括：
7.根据权利要求1所述的基于交通大数据的客流拥挤事件传播检测方法，其特征在于，采用时空聚类算法对目标区域内的离散客流拥挤事件进行聚合，得到多个时空簇，具体包括：
8.一种基于交通大数据的客流拥挤事件传播检测系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于交通大数据的客流拥挤事件传播检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于交通大数据的客流拥挤事件传播检测方法，其特征在于，构建目标区域内各站点的客流时间序列，具体包括：
3.根据权利要求1所述的基于交通大数据的客流拥挤事件传播检测方法，其特征在于，所述transformer模块包括：l个transformer网络；所述transformer网络包括长时编码器和长时解码器；l个transformer网络的长时编码器依次连接；l个transformer网络的长时解码器依次连接；第l个transformer网络的长时编码器与第l个transformer网络的长时解码器连接；第1个transformer网络的长时编码器用于输入客流时间序列；第1个transformer网络的长时解码器用于输出重构后的客流时间序列；第l个transformer网络的长时编码器用...
【专利技术属性】
技术研发人员：赵霞，李之红，吴梦琳，王铮镝，
申请(专利权)人：北京建筑大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。