李　鑫，陳艷艷，陳　寧，劉小明，馮國臣

(北京工業(yè)大學(xué)　北京市交通工程重點(diǎn)實(shí)驗(yàn)室，北京　100124)

?

通道行人集聚型異常事件自動(dòng)識(shí)別算法設(shè)計(jì)

李鑫，陳艷艷，陳寧，劉小明，馮國臣

(北京工業(yè)大學(xué)北京市交通工程重點(diǎn)實(shí)驗(yàn)室，北京100124)

摘要：為了對(duì)城市軌道交通樞紐通道內(nèi)的集聚型異常事件進(jìn)行合理的疏導(dǎo)和客流組織，保障城市軌道交通樞紐的安全、高效運(yùn)行，本文提出了一種通道內(nèi)行人集聚型異常事件的自動(dòng)識(shí)別算法。該算法首先通過對(duì)通道客流基礎(chǔ)數(shù)據(jù)平穩(wěn)性和突變性的分析，創(chuàng)建了一種兼具平穩(wěn)性和突變性特征的新數(shù)據(jù)類型，然后基于雙截面客流數(shù)據(jù)設(shè)計(jì)了自動(dòng)識(shí)別算法的關(guān)鍵參數(shù)—偏移空間差值。最后通過對(duì)關(guān)鍵參數(shù)變化特征的分析，建立了通道行人集聚型異常事件自動(dòng)識(shí)別算法。仿真試驗(yàn)結(jié)果顯示：該算法的檢測精度為100%，反應(yīng)時(shí)間均值為65 s，表明該算法對(duì)通道行人集聚事件有極強(qiáng)的自動(dòng)檢測能力和較短的反應(yīng)時(shí)間。

關(guān)鍵詞：交通工程；自動(dòng)識(shí)別；交通流特征分析；集聚事件；行人；軌道交通樞紐

0引言

城市軌道交通樞紐客流具有高集中性、主導(dǎo)性和時(shí)間不均衡性的特征，這會(huì)導(dǎo)致樞紐設(shè)施在1日內(nèi)某個(gè)時(shí)段或某個(gè)時(shí)段的短時(shí)間內(nèi)往往要接受高密集客流沖擊作用的影響，這種沖擊作用尤其體現(xiàn)在作為樞紐瓶頸設(shè)施的人行通道，特別是換乘通道處，從而導(dǎo)致通道服務(wù)水平的下降[1]。相對(duì)于城市軌道交通樞紐內(nèi)的客運(yùn)設(shè)施，樞紐通道設(shè)施較差的通過能力會(huì)導(dǎo)致其對(duì)于客流異常性突變的適應(yīng)性極差，樞紐通道處一旦發(fā)生異常事件，其對(duì)整個(gè)城市軌道交通樞紐都將產(chǎn)生巨大的影響。

目前，對(duì)交通系統(tǒng)中異常事件進(jìn)行自動(dòng)檢測主要有兩類方法，一是以視頻數(shù)據(jù)源為數(shù)據(jù)基礎(chǔ)，采用圖像處理和模式識(shí)別技術(shù)進(jìn)行異常事件的判別檢測[2-10]；二是以交通流數(shù)據(jù)(如流量、密度、占有率等)為數(shù)據(jù)基礎(chǔ)，通過對(duì)交通流變化特征的判斷實(shí)現(xiàn)對(duì)交通系統(tǒng)中異常事件的自動(dòng)檢測識(shí)別[11-14]。在對(duì)行人異常事件的檢測判別方面，目前的研究中主要以基于視頻的檢測方法為主，由于行人行走的復(fù)雜性和行走規(guī)則的多樣性，現(xiàn)有文獻(xiàn)中尚無涉及采用行人交通流特征分析進(jìn)行異常事件檢測判別的相關(guān)方法，這種方法目前主要集中于機(jī)動(dòng)車領(lǐng)域。采用基于視頻的行人異常事件自動(dòng)檢測方法存在檢測范圍小、檢測復(fù)雜度高等缺點(diǎn)，因此，目前亟需一種無需增加客流監(jiān)測設(shè)備，便可根據(jù)行人交通流的雙截面特征進(jìn)行異常事件判別的相關(guān)方法。

本文以N. Chen等[15]設(shè)計(jì)的行人集聚型異常事件仿真模型為基礎(chǔ)，針對(duì)通道異常事件中的一種類型——行人集聚型異常事件進(jìn)行研究，通過對(duì)通道雙截面交通流特征的分析，設(shè)計(jì)通道內(nèi)行人集聚型異常事件的自動(dòng)識(shí)別算法。該自動(dòng)識(shí)別算法的實(shí)現(xiàn)可以輔助城市軌道交通樞紐運(yùn)營管理者進(jìn)行運(yùn)營管理，及時(shí)發(fā)現(xiàn)通道處的異常事件，保證城市軌道交通樞紐的安全高效運(yùn)行。

1關(guān)鍵參數(shù)設(shè)計(jì)

關(guān)鍵參數(shù)是進(jìn)行行人集聚型異常事件自動(dòng)識(shí)別算法設(shè)計(jì)的數(shù)據(jù)基礎(chǔ)。關(guān)鍵參數(shù)是樞紐通道雙截面客流數(shù)據(jù)(即通道上下游客流數(shù)據(jù))的關(guān)聯(lián)值，其設(shè)計(jì)分為基礎(chǔ)數(shù)據(jù)設(shè)計(jì)、關(guān)鍵參數(shù)確定兩部分內(nèi)容。

1.1基礎(chǔ)數(shù)據(jù)設(shè)計(jì)

基礎(chǔ)數(shù)據(jù)是關(guān)鍵參數(shù)設(shè)計(jì)的基礎(chǔ)，基礎(chǔ)數(shù)據(jù)屬于單截面數(shù)據(jù)，由行人流量自動(dòng)檢測軟件獲取的原始數(shù)據(jù)為30 s客流量數(shù)據(jù)，利用該原始數(shù)據(jù)可獲取基礎(chǔ)數(shù)據(jù)類型(表1)。

由連續(xù)的同一種基礎(chǔ)數(shù)據(jù)所組成的數(shù)據(jù)序列稱為基礎(chǔ)數(shù)據(jù)序列，它反映了該種基礎(chǔ)數(shù)據(jù)的變化特征。為比較各基礎(chǔ)數(shù)據(jù)的穩(wěn)定性特征，統(tǒng)一基礎(chǔ)數(shù)據(jù)穩(wěn)定性評(píng)定標(biāo)準(zhǔn)，以基礎(chǔ)數(shù)據(jù)序列均值與標(biāo)準(zhǔn)差之比，即標(biāo)準(zhǔn)百分誤差來分析各基礎(chǔ)數(shù)據(jù)序列的平穩(wěn)性特征。

表1　基礎(chǔ)數(shù)據(jù)類型

(1)

(2)

式中σ為基礎(chǔ)數(shù)據(jù)序列的標(biāo)準(zhǔn)差。

(3)

式中Er為基礎(chǔ)數(shù)據(jù)序列的標(biāo)準(zhǔn)百分誤差。

選取北京地鐵西單站客流換乘通道2014年7月23日某個(gè)時(shí)段正常運(yùn)營情況下的客流量數(shù)據(jù)，以標(biāo)準(zhǔn)百分誤差數(shù)據(jù)指標(biāo)分析各基礎(chǔ)數(shù)據(jù)的平穩(wěn)性特征，如圖1所示。由圖1可知，數(shù)據(jù)平穩(wěn)性最好的基礎(chǔ)數(shù)據(jù)為滑動(dòng)180 s客流量數(shù)據(jù)。

圖1　基礎(chǔ)數(shù)據(jù)序列兩個(gè)時(shí)段的標(biāo)準(zhǔn)百分誤差值示意圖Fig.1　Standard percentage errors of basic data sequence during 2 time periods

以通道行人集聚型異常事件仿真試驗(yàn)為基礎(chǔ)，研究各基礎(chǔ)數(shù)據(jù)的突變性特征。為更好地展現(xiàn)基礎(chǔ)數(shù)據(jù)序列在異常事件發(fā)生時(shí)的突變性特質(zhì)，減小由于隨機(jī)產(chǎn)生的客流突變對(duì)突變性特征分析的影響，試驗(yàn)中以90人/30 s的客流產(chǎn)生量均勻地產(chǎn)生系統(tǒng)行人。仿真通道為一30 m×6 m的客流通道，仿真時(shí)長為1 h，異常通道發(fā)生在第38 min，異常事件類型為傷病跌倒，單位客流生成量為1 800人/(hm)，服務(wù)水平為C級(jí)，如圖2所示。

圖2　通道異常事件仿真分析系統(tǒng)Fig.2　Schematic diagram of channel abnormal event simulation and analysis system

為體現(xiàn)異常事件發(fā)生后基礎(chǔ)數(shù)據(jù)所表現(xiàn)出的突變性變化，本文設(shè)計(jì)突變率參數(shù)Mu，如式(4)所示：

(4)

式中，Mu為突變率參數(shù)；q1為基礎(chǔ)數(shù)據(jù)序列的第1個(gè)數(shù)據(jù)；qa為異常事件發(fā)生前基礎(chǔ)數(shù)據(jù)序列中的最后一個(gè)數(shù)據(jù)；qa+1為異常事件發(fā)生后基礎(chǔ)數(shù)據(jù)序列中的第1個(gè)數(shù)據(jù)；qe為基礎(chǔ)數(shù)據(jù)序列的最后一個(gè)數(shù)據(jù)。為避免由于仿真隨機(jī)性產(chǎn)生的結(jié)果偏差，本文共設(shè)計(jì)了4次仿真試驗(yàn)，并分別計(jì)算了基礎(chǔ)數(shù)據(jù)的突變率參數(shù)值(如圖3所示)。

圖3　基礎(chǔ)數(shù)據(jù)突變率Fig.3　Mutation rate of basic data

由圖3可以看出，隨著統(tǒng)計(jì)間隔的增加，以客流量為基礎(chǔ)的基礎(chǔ)數(shù)據(jù)序列的突變率逐漸增大，而以滑動(dòng)客流量為基礎(chǔ)的基礎(chǔ)數(shù)據(jù)序列的突變率變化不大，所有基礎(chǔ)數(shù)據(jù)中，突變率最大的基礎(chǔ)數(shù)據(jù)為180 s客流量數(shù)據(jù)。然而在考慮數(shù)據(jù)突變率的同時(shí)，還應(yīng)考慮數(shù)據(jù)突變發(fā)生的時(shí)間節(jié)點(diǎn)。異常事件發(fā)生后，數(shù)據(jù)突變產(chǎn)生的時(shí)間節(jié)點(diǎn)越早，則對(duì)異常事件進(jìn)行檢測判別的效果也就越好，因此，對(duì)數(shù)據(jù)突變性的分析應(yīng)包括突變率和突變性數(shù)據(jù)的產(chǎn)生時(shí)間。表2為以客流量為基礎(chǔ)的基礎(chǔ)數(shù)據(jù)序列中序列差值最大值出現(xiàn)的時(shí)間。可以發(fā)現(xiàn)，隨著統(tǒng)計(jì)間隔的增加，客流量基礎(chǔ)數(shù)據(jù)序列的突變性發(fā)生時(shí)間亦將后移。因此，綜合考慮突變率和數(shù)據(jù)突變發(fā)生的時(shí)間節(jié)點(diǎn)因素，認(rèn)為數(shù)據(jù)突變性最好的基礎(chǔ)數(shù)據(jù)為90 s客流量數(shù)據(jù)。

表2　數(shù)據(jù)突變性發(fā)生時(shí)間表

可以看出，各種基礎(chǔ)數(shù)據(jù)在平穩(wěn)性和突變性上存在差異。為使數(shù)據(jù)兼具平穩(wěn)性和突變性特征，以滑動(dòng)180 s客流量數(shù)據(jù)作為新數(shù)據(jù)設(shè)計(jì)的基礎(chǔ)，設(shè)計(jì)一種兼具平穩(wěn)性與突變性的新數(shù)據(jù)類型。新數(shù)據(jù)設(shè)計(jì)的核心思想為：當(dāng)30 s客流量數(shù)據(jù)連續(xù)出現(xiàn)3次突變性變化時(shí)，采用90 s前的滑動(dòng)180 s客流量數(shù)據(jù)，否則采用該時(shí)刻的滑動(dòng)180 s客流量數(shù)據(jù)，從而使新數(shù)據(jù)在保證平穩(wěn)性的同時(shí)又對(duì)異常事件具有敏感的反應(yīng)。新數(shù)據(jù)構(gòu)建的具體流程如圖4所示。

圖4　新數(shù)據(jù)構(gòu)建流程圖Fig.4　Flowchart of establishing new data

新數(shù)據(jù)構(gòu)建流程如下所示：

如圖5、圖6所示，通過對(duì)比新數(shù)據(jù)與滑動(dòng)180 s 客流量數(shù)據(jù)以及90 s客流量數(shù)據(jù)可以發(fā)現(xiàn)，新數(shù)據(jù)不但繼承了滑動(dòng)180 s客流量數(shù)據(jù)的平穩(wěn)性特征，還體現(xiàn)出了極強(qiáng)的突變性。

圖5　新數(shù)據(jù)平穩(wěn)性分析Fig.5　Stability analysis of new data

圖6　新數(shù)據(jù)突變性分析Fig.6　Mutation analysis of new data

1.2關(guān)鍵參數(shù)確定

關(guān)鍵參數(shù)是行人集聚型異常事件自動(dòng)識(shí)別算法設(shè)計(jì)的基礎(chǔ)，關(guān)鍵參數(shù)屬于雙截面關(guān)聯(lián)數(shù)據(jù)，客流數(shù)據(jù)在上下游截面間存在時(shí)間上的延遲，因此定義關(guān)鍵參數(shù)為偏移空間差值。關(guān)鍵參數(shù)以新數(shù)據(jù)為基礎(chǔ)，其計(jì)算方法如圖7所示。

圖7　新數(shù)據(jù)偏移量計(jì)算方法示意圖Fig.7　Schematic diagram of computing method of new data offset

(5)

由此得偏移空間差值的計(jì)算方法為：

(6)

2算法設(shè)計(jì)

異常事件的自動(dòng)識(shí)別算法是進(jìn)行行人集聚型異常事件檢測的核心，自動(dòng)識(shí)別算法應(yīng)具備快速準(zhǔn)確識(shí)別行人集聚型異常事件的能力，本文以集聚型異常事件發(fā)生時(shí)關(guān)鍵參數(shù)的變化特征作為算法設(shè)計(jì)的依據(jù)。

2.1變化特征

為進(jìn)行行人集聚型異常事件自動(dòng)識(shí)別算法設(shè)計(jì)，發(fā)現(xiàn)關(guān)鍵參數(shù)在異常事件發(fā)生時(shí)的特征，設(shè)計(jì)長 66 m，寬7 m的客運(yùn)樞紐通道試驗(yàn)場景，以2014年7月23日7:00—19:00西單換乘通道的實(shí)際客流數(shù)據(jù)為基礎(chǔ)，共進(jìn)行12次仿真試驗(yàn)，分析關(guān)鍵參數(shù)在異常事件下的具體特征，試驗(yàn)結(jié)果如圖8所示。

圖8　異常事件情況下關(guān)鍵參數(shù)特征Fig.8　Characteristics of key parameters under abnormal circumstance

結(jié)果表明，異常事件發(fā)生后，關(guān)鍵參數(shù)的變化有以下幾個(gè)特征：

(1)異常事件發(fā)生時(shí)段會(huì)對(duì)關(guān)鍵參數(shù)特征產(chǎn)生不同的影響，差異表現(xiàn)在關(guān)鍵參數(shù)絕對(duì)值的大小及異常事件發(fā)生短時(shí)間內(nèi)關(guān)鍵參數(shù)的形態(tài)特征。

(2)異常事件發(fā)生后的短時(shí)間內(nèi)，關(guān)鍵參數(shù)往往會(huì)有突變性的變化(小于-15)。

(3)異常事件發(fā)生后的短時(shí)間內(nèi)，關(guān)鍵參數(shù)往往呈現(xiàn)類似于U形的形態(tài)特征。

(4)異常事件發(fā)生后的短時(shí)間內(nèi)，關(guān)鍵參數(shù)在一段時(shí)間內(nèi)均為負(fù)值。

2.2識(shí)別算法

圖9　自動(dòng)識(shí)別算法流程圖Fig.9　Flowchart of automatic identification algorithm

算法具體流程如下：

自動(dòng)識(shí)別算法中，閾值按式(7)和式(8)計(jì)算求得：

(7)

(8)

3試驗(yàn)驗(yàn)證

為檢驗(yàn)算法的真實(shí)性，以2014年7月24日7:00—19:00 西單換乘通道的實(shí)際客流數(shù)為例，進(jìn)行12次仿真驗(yàn)證試驗(yàn)，仿真結(jié)果如表3所示?？梢钥闯?，該算法的檢測精度為100%，反應(yīng)時(shí)間均值為65s，表明本文設(shè)計(jì)的自動(dòng)識(shí)別算法具有極高的檢測精度和較短的反應(yīng)時(shí)間。

表3　不同時(shí)段仿真試驗(yàn)結(jié)果

4結(jié)論

本文在行人集聚型異常事件仿真模型的基礎(chǔ)上，通過對(duì)基礎(chǔ)數(shù)據(jù)平穩(wěn)性和突變性特征的分析，以滑動(dòng)180 s客流量為數(shù)據(jù)基礎(chǔ)，設(shè)計(jì)了一種兼具數(shù)據(jù)平穩(wěn)性和突變性特征的新數(shù)據(jù)類型，并以該新數(shù)據(jù)為基礎(chǔ)，設(shè)計(jì)了關(guān)鍵參數(shù)——偏移空間差值。然后通過對(duì)關(guān)鍵參數(shù)在通道行人集聚型異常事件情況下的特征分析，設(shè)計(jì)了通道行人集聚型異常事件自動(dòng)識(shí)別算法。試驗(yàn)結(jié)果表明，該算法對(duì)通道行人集聚型異常事件有極強(qiáng)的自動(dòng)檢測能力，可實(shí)現(xiàn)對(duì)城市軌道交通樞紐通道內(nèi)異常事件自動(dòng)檢測的功能。由于通道行人異常事件歷史資料的缺乏，本文主要以通道行人集聚型異常事件仿真模型為基礎(chǔ)進(jìn)行了算法設(shè)計(jì)，未來將以歷史數(shù)據(jù)為依托，繼續(xù)進(jìn)行算法的驗(yàn)證和完善工作。

參考文獻(xiàn)：

References:

[1]王波，李曉霞，安栓莊．軌道交通換乘站客流特性分析及車站設(shè)計(jì)[J]．都市快軌交通，2010,23(2)：55-58.

WANG Bo, LI Xiao-xia, AN Shuan-zhuang. 軌道交通換乘站客流特性分析及車站設(shè)計(jì)[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

基金項(xiàng)目：國家自然科學(xué)基金項(xiàng)目(51208014)

作者簡介：李鑫(1990-)，男，山西晉中人，碩士研究生.(lixinye1990@163.com)

doi:10.3969/j.issn.1002-0268.2016.05.019

中圖分類號(hào)：U491.2+27

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1002-0268(2016)05-0121-07