通道行人集聚型异常事件自动识别算法设计

李　鑫，陈艳艳，陈　宁，刘小明，冯国臣

(北京工业大学　北京市交通工程重点实验室，北京　100124)



通道行人集聚型异常事件自动识别算法设计

李鑫，陈艳艳，陈宁，刘小明，冯国臣

(北京工业大学北京市交通工程重点实验室，北京100124)

摘要：为了对城市轨道交通枢纽通道内的集聚型异常事件进行合理的疏导和客流组织，保障城市轨道交通枢纽的安全、高效运行，本文提出了一种通道内行人集聚型异常事件的自动识别算法。该算法首先通过对通道客流基础数据平稳性和突变性的分析，创建了一种兼具平稳性和突变性特征的新数据类型，然后基于双截面客流数据设计了自动识别算法的关键参数—偏移空间差值。最后通过对关键参数变化特征的分析，建立了通道行人集聚型异常事件自动识别算法。仿真试验结果显示：该算法的检测精度为100%，反应时间均值为65 s，表明该算法对通道行人集聚事件有极强的自动检测能力和较短的反应时间。

关键词：交通工程；自动识别；交通流特征分析；集聚事件；行人；轨道交通枢纽

0引言

城市轨道交通枢纽客流具有高集中性、主导性和时间不均衡性的特征，这会导致枢纽设施在1日内某个时段或某个时段的短时间内往往要接受高密集客流冲击作用的影响，这种冲击作用尤其体现在作为枢纽瓶颈设施的人行通道，特别是换乘通道处，从而导致通道服务水平的下降[1]。相对于城市轨道交通枢纽内的客运设施，枢纽通道设施较差的通过能力会导致其对于客流异常性突变的适应性极差，枢纽通道处一旦发生异常事件，其对整个城市轨道交通枢纽都将产生巨大的影响。

目前，对交通系统中异常事件进行自动检测主要有两类方法，一是以视频数据源为数据基础，采用图像处理和模式识别技术进行异常事件的判别检测[2-10]；二是以交通流数据(如流量、密度、占有率等)为数据基础，通过对交通流变化特征的判断实现对交通系统中异常事件的自动检测识别[11-14]。在对行人异常事件的检测判别方面，目前的研究中主要以基于视频的检测方法为主，由于行人行走的复杂性和行走规则的多样性，现有文献中尚无涉及采用行人交通流特征分析进行异常事件检测判别的相关方法，这种方法目前主要集中于机动车领域。采用基于视频的行人异常事件自动检测方法存在检测范围小、检测复杂度高等缺点，因此，目前亟需一种无需增加客流监测设备，便可根据行人交通流的双截面特征进行异常事件判别的相关方法。

本文以N. Chen等[15]设计的行人集聚型异常事件仿真模型为基础，针对通道异常事件中的一种类型——行人集聚型异常事件进行研究，通过对通道双截面交通流特征的分析，设计通道内行人集聚型异常事件的自动识别算法。该自动识别算法的实现可以辅助城市轨道交通枢纽运营管理者进行运营管理，及时发现通道处的异常事件，保证城市轨道交通枢纽的安全高效运行。

1关键参数设计

关键参数是进行行人集聚型异常事件自动识别算法设计的数据基础。关键参数是枢纽通道双截面客流数据(即通道上下游客流数据)的关联值，其设计分为基础数据设计、关键参数确定两部分内容。

1.1基础数据设计

基础数据是关键参数设计的基础，基础数据属于单截面数据，由行人流量自动检测软件获取的原始数据为30 s客流量数据，利用该原始数据可获取基础数据类型(表1)。

由连续的同一种基础数据所组成的数据序列称为基础数据序列，它反映了该种基础数据的变化特征。为比较各基础数据的稳定性特征，统一基础数据稳定性评定标准，以基础数据序列均值与标准差之比，即标准百分误差来分析各基础数据序列的平稳性特征。

表1　基础数据类型

(1)

(2)

式中σ为基础数据序列的标准差。

(3)

式中Er为基础数据序列的标准百分误差。

选取北京地铁西单站客流换乘通道2014年7月23日某个时段正常运营情况下的客流量数据，以标准百分误差数据指标分析各基础数据的平稳性特征，如图1所示。由图1可知，数据平稳性最好的基础数据为滑动180 s客流量数据。

图1　基础数据序列两个时段的标准百分误差值示意图Fig.1　Standard percentage errors of basic data sequence during 2 time periods

以通道行人集聚型异常事件仿真试验为基础，研究各基础数据的突变性特征。为更好地展现基础数据序列在异常事件发生时的突变性特质，减小由于随机产生的客流突变对突变性特征分析的影响，试验中以90人/30 s的客流产生量均匀地产生系统行人。仿真通道为一30 m×6 m的客流通道，仿真时长为1 h，异常通道发生在第38 min，异常事件类型为伤病跌倒，单位客流生成量为1 800人/(hm)，服务水平为C级，如图2所示。

图2　通道异常事件仿真分析系统Fig.2　Schematic diagram of channel abnormal event simulation and analysis system

为体现异常事件发生后基础数据所表现出的突变性变化，本文设计突变率参数Mu，如式(4)所示：

(4)

式中，Mu为突变率参数；q1为基础数据序列的第1个数据；qa为异常事件发生前基础数据序列中的最后一个数据；qa+1为异常事件发生后基础数据序列中的第1个数据；qe为基础数据序列的最后一个数据。为避免由于仿真随机性产生的结果偏差，本文共设计了4次仿真试验，并分别计算了基础数据的突变率参数值(如图3所示)。

图3　基础数据突变率Fig.3　Mutation rate of basic data

由图3可以看出，随着统计间隔的增加，以客流量为基础的基础数据序列的突变率逐渐增大，而以滑动客流量为基础的基础数据序列的突变率变化不大，所有基础数据中，突变率最大的基础数据为180 s客流量数据。然而在考虑数据突变率的同时，还应考虑数据突变发生的时间节点。异常事件发生后，数据突变产生的时间节点越早，则对异常事件进行检测判别的效果也就越好，因此，对数据突变性的分析应包括突变率和突变性数据的产生时间。表2为以客流量为基础的基础数据序列中序列差值最大值出现的时间。可以发现，随着统计间隔的增加，客流量基础数据序列的突变性发生时间亦将后移。因此，综合考虑突变率和数据突变发生的时间节点因素，认为数据突变性最好的基础数据为90 s客流量数据。

表2　数据突变性发生时间表

可以看出，各种基础数据在平稳性和突变性上存在差异。为使数据兼具平稳性和突变性特征，以滑动180 s客流量数据作为新数据设计的基础，设计一种兼具平稳性与突变性的新数据类型。新数据设计的核心思想为：当30 s客流量数据连续出现3次突变性变化时，采用90 s前的滑动180 s客流量数据，否则采用该时刻的滑动180 s客流量数据，从而使新数据在保证平稳性的同时又对异常事件具有敏感的反应。新数据构建的具体流程如图4所示。

图4　新数据构建流程图Fig.4　Flowchart of establishing new data

新数据构建流程如下所示：

如图5、图6所示，通过对比新数据与滑动180 s 客流量数据以及90 s客流量数据可以发现，新数据不但继承了滑动180 s客流量数据的平稳性特征，还体现出了极强的突变性。

图5　新数据平稳性分析Fig.5　Stability analysis of new data

图6　新数据突变性分析Fig.6　Mutation analysis of new data

1.2关键参数确定

关键参数是行人集聚型异常事件自动识别算法设计的基础，关键参数属于双截面关联数据，客流数据在上下游截面间存在时间上的延迟，因此定义关键参数为偏移空间差值。关键参数以新数据为基础，其计算方法如图7所示。

图7　新数据偏移量计算方法示意图Fig.7　Schematic diagram of computing method of new data offset

(5)

由此得偏移空间差值的计算方法为：

(6)

2算法设计

异常事件的自动识别算法是进行行人集聚型异常事件检测的核心，自动识别算法应具备快速准确识别行人集聚型异常事件的能力，本文以集聚型异常事件发生时关键参数的变化特征作为算法设计的依据。

2.1变化特征

为进行行人集聚型异常事件自动识别算法设计，发现关键参数在异常事件发生时的特征，设计长 66 m，宽7 m的客运枢纽通道试验场景，以2014年7月23日7:00—19:00西单换乘通道的实际客流数据为基础，共进行12次仿真试验，分析关键参数在异常事件下的具体特征，试验结果如图8所示。

图8　异常事件情况下关键参数特征Fig.8　Characteristics of key parameters under abnormal circumstance

结果表明，异常事件发生后，关键参数的变化有以下几个特征：

(1)异常事件发生时段会对关键参数特征产生不同的影响，差异表现在关键参数绝对值的大小及异常事件发生短时间内关键参数的形态特征。

(2)异常事件发生后的短时间内，关键参数往往会有突变性的变化(小于-15)。

(3)异常事件发生后的短时间内，关键参数往往呈现类似于U形的形态特征。

(4)异常事件发生后的短时间内，关键参数在一段时间内均为负值。

2.2识别算法

图9　自动识别算法流程图Fig.9　Flowchart of automatic identification algorithm

算法具体流程如下：

自动识别算法中，阈值按式(7)和式(8)计算求得：

(7)

(8)

3试验验证

为检验算法的真实性，以2014年7月24日7:00—19:00 西单换乘通道的实际客流数为例，进行12次仿真验证试验，仿真结果如表3所示。可以看出，该算法的检测精度为100%，反应时间均值为65s，表明本文设计的自动识别算法具有极高的检测精度和较短的反应时间。

表3　不同时段仿真试验结果

4结论

本文在行人集聚型异常事件仿真模型的基础上，通过对基础数据平稳性和突变性特征的分析，以滑动180 s客流量为数据基础，设计了一种兼具数据平稳性和突变性特征的新数据类型，并以该新数据为基础，设计了关键参数——偏移空间差值。然后通过对关键参数在通道行人集聚型异常事件情况下的特征分析，设计了通道行人集聚型异常事件自动识别算法。试验结果表明，该算法对通道行人集聚型异常事件有极强的自动检测能力，可实现对城市轨道交通枢纽通道内异常事件自动检测的功能。由于通道行人异常事件历史资料的缺乏，本文主要以通道行人集聚型异常事件仿真模型为基础进行了算法设计，未来将以历史数据为依托，继续进行算法的验证和完善工作。

参考文献：

References:

[1]王波，李晓霞，安栓庄．轨道交通换乘站客流特性分析及车站设计[J]．都市快轨交通，2010,23(2)：55-58.

WANG Bo, LI Xiao-xia, AN Shuan-zhuang. 轨道交通换乘站客流特性分析及车站设计[J]. Urban Rapid Rail Transit, 2010,23(2)：55-58.

[2]WU X, OU Y, QIAN H, et al. A Detection System for Human Abnormal Behavior[C]//2005 IEEE/RSJ International Conference on Intelligent Robots and Systems. [S. l.]: IEEE, 2005:1204-1208.

[3]LIU C, WANG G, NING W, et al. Anomaly Detection in Surveillance Video Using Motion Direction Statistics [C]// Proceedings of the 2010 IEEE International Conference on Image Processing. Hong Kong: IEEE, 2010: 717-720.

[4]TUNG F, ZELEK J S, CLAUSI D A. Goal-based Trajectory Analysis for Unusual Behaviour Detection in Intelligent Surveillance[J]. Image and Vision Computing, 2011,29(4):230-240.

[5]XU D, WU X, SONG D, et al. Hierarchical Activity Discovery within Spatio-temporal Context for Video Anomaly Detection[C]//2013 20th IEEE International Conference on Image Processing. Melbourne: IEEE, 2013: 3597-3601.

[6]BERTINI M, DEL BIMBO A, SEIDENARI L. Multi-scale and Real-time Non-parametric Approach for Anomaly Detection and Localization[J]. Computer Vision and Image Understanding, 2012, 116(3): 320-329.

[7]WU S, MOORE B E, SHAH M. Chaotic Invariants of Lagrangian Particle Trajectories for Anomaly Detection in Crowded Scenes[C]// 2010 IEEE Conference on Computer Vision and Pattern Recognition. San Francisco: IEEE, 2010: 2054-2060.

[8]SCOVANNER P, TAPPEN M F. Learning Pedestrian Dynamics from the Real World[C]// IEEE 12th International Conference on Computer Vision. Kyoto: IEEE, 2009: 381-388.

[9]ZHAO B, LI F, XING E P. Online Detection of Unusual Events in Videos via Dynamic Sparse Coding[C]//IEEE Conference on Computer Vision and Pattern Recognition. Providence, RI: IEEE, 2011: 3313-3320.

[10]LU C, SHI J, JIA J. Abnormal Event Detection at 150 FPS in MATLAB[C]// IEEE International Conference on Computer Vision. Sydney: IEEE, 2013: 2720-2727.

[11]HALL F L, SHI Y, ATALA G. Off-line Testing of the McMaster Incident Detection Algorithm under Recurrent Congestion[R]. Washington, D.C: Transportation Research Record, 1993.

[12]COLLINS J F. Automatic Incident Detection Experience with TRRL Algorithm HIOCC[R]. Crowthorne, UK: Transport and Road Research Laboratory, 1983.

[13]SHEU J B, RITCHIE S G. Prototype of a New Framework for Realtime Road Traffic Congestion Detection[C]// Proceedings of 15th International Conference on Applications of Advanced Technologies in Transportation Engineering. Mewport Beach, CA: American Society of Civil Engineers, 1998: 183-190.

[14]SHEU J B. A Stochastic Modeling Approach to Dynamic Prediction of Section-wide Inter-lane and Intra-lane Traffic Variables Using Point Detector Data[J]. Transportation Research Part A: Policy and Practice, 1999, 33(2): 79-100.

[15]CHEN Y, CHEN N, WANG Y, et al. Modeling Pedestrian Behaviors under Attracting Incidents Uing Cellular Automata [J]. Physica A: Statistical Mechanics and Its Applications,2015,432: 287-300.

Design of Automatic Identification Algorithm for Pedestrian Clustering in Channel

LI Xin， CHEN Yan-yan，CHEN Ning， LIU Xiao-ming， FENG Guo-chen

(Beijing Key Laboratory of Traffic Engineering, Beijing University of Technology, Beijing 100124, China)

Abstract：In order to carry out reasonable guidance and passenger flow organization in the traffic hub channel of urban rail transit, ensure the safe and efficient operation of urban rail transit hub, we put forward an algorithm that can recognize the abnormal events of crowds gathering in the transfer channel automatically. Basic information like stability and mutability of pedestrian volume is analysed firstly, creating a new type data set characterized by stability and mutability based on the calculated result, and then the key parameter-difference of space offset of automatic identification algorithm is designed based on the double-section pedestrian volume, and variation characteristics analysis of the key parameter will help to establish the algorithm for automatic identifying crowds gathering abnormal events. The simulation experiment result shows that the detection accuracy of the algorithm is 100%, and the reaction time is 65 s, which shows that the algorithm has a strong automatic detection ability and a shorter reaction time for the pedestrian clustering events.

Key words：traffic engineering; automatic identification; traffic flow characteristic analysis; clustering event; pedestrian; rail transport hub

收稿日期：2015-07-24

基金项目：国家自然科学基金项目(51208014)

作者简介：李鑫(1990-)，男，山西晋中人，硕士研究生.(lixinye1990@163.com)

doi:10.3969/j.issn.1002-0268.2016.05.019

中图分类号：U491.2+27

文献标识码：A

文章编号：1002-0268(2016)05-0121-07