[发明专利]一种基于低秩表示的地铁异常流量检测方法

说明书

本发明公开一种基于低秩表示的地铁异常流量检测方法，其能够准确检测出异常的流量数据继而对异常继续聚类分析。该方法包括步骤：(1)获取站点进出流量数据矩阵；(2)构建时序变化的异常检测低秩模型；(3)基于聚类方法进行异常聚类分析分组。

技术领域

本发明属于图像处理和智能交通的技术领域，具体地涉及一种基于低秩表示的地铁异常流量检测方法。

背景技术

数据，已经渗透到当今每一个行业和业务职能领域，现在世界已经进入了大数据时代，如何高效分析和利用这些海量数据成为当前数据挖掘的研究热点。在交通领域，大数据成为提升政府治理能力的新途径，关于交通数据的数据分析工作再次成为新的起点，应用大数据有助于了解城市交通拥堵问题中人的出行规律和原因，实现交通和生活的和谐，提高城市的宜居性，为政府精准管理提供基于数据的科学决策。

随着城市化进程的快速发展，交通运输需求快速增长，城市轨道交通系统承担重载运输任务；地铁通常成为公民在城市内出行的首选，正常的轨道交通功能对于城市的经济发展和人民的日常生活质量至关重要。但是，一些异常事件可能会对轨道交通的正常运转产生带来负面影响，例如，站内设备突发故障导致人群拥堵，乘客意外进入轨道导致列车急停，还有站点附近有大型活动可能会导致站点人流的涌入，这些都会威胁到乘客的人身财产安全。由于城市轨道交通系统具有相对封闭、网络连通的特点,城市轨道交通若发生重大运营事故，其影响往往不仅局限于发生地点，通常其影响范围会快速扩散。

所以检测轨道交通的异常事件是必要的，对于意外事件，如突发的设备故障等，管理人员可以及时推出公告提醒乘客，并采取应急措施；而且对于那些经常造成交通拥堵的活动事件，可以弄清楚其效果规律性，在相似的活动发生前，提取采取限流等措施。轨道交通一卡通数据涵盖了海量丰富的、实时全面的客流刷卡出行信息，对轨道交通一卡通数据进行深入分析和信息挖掘，可以有效的检测出地铁异常。由于城市轨道交通客流有很大部分是由上班、上学等通勤出行者组成，客流会呈现以天、周为循环周期的特征，呈现出有规律的变化，所以在一些事件的影响下，流量可能会产生在一段时间内变高或变低的变化，比如对于音乐会，体育赛事等大型活动，附近站点的流量可能会长时间上升。因此我们通过检测流量的变化来检测异常事件的发生。

对于异常的检测的研究大多是应用于高速公路和城市区域，很少有关于地铁异常检测的研究，而且大多数方法无法获取到特定的位置的异常。我们提出的一种基于低秩表示的地铁异常检测方法是将原始的数据流量分解成无异常的确定流成分流量和异常流量，由于地铁每日客流量呈现比较固定的变化规律，无异常的确定流成分流量矩阵具备低秩特性，而异常事件发生的概率是较小的，异常流量矩阵具备稀疏特性，故该方法可以检测到特定时空点的异常值，根据异常值我们还可以进行异常规律的时空探索。

发明内容

本发明的技术解决问题是，提供一种基于低秩表示的地铁异常流量检测方法，能够使得检测出由异常事件造成的相应的异常流量。

本发明的技术解决方案是：

一种基于低秩表示的地铁异常流量检测方法，利用地铁流量数据矩阵的低秩特性和异常流量数据矩阵的稀疏特性，建立一个正常流量和异常流量分离的通用模型，通过低秩表示将原始数据矩阵分解成正常流量数据矩阵和异常数据流量矩阵，再对异常流量矩阵进行聚类分析，有助于轨道交通管理者对于异常的发现和控制。

为实现上述目的，本发明采用如下的技术方案：

一种基于低秩表示的地铁异常流量检测方法，包括以下步骤：

步骤1、获取站点进出流量数据矩阵；

步骤2、构建时序变化的异常检测低秩模型；

步骤3、基于聚类方法进行异常聚类分析分组。

作为优选，所述异常检测低秩模型为：