郇 寧，姚恩建，薛 飛

(綜合交通運(yùn)輸大數(shù)據(jù)應(yīng)用技術(shù)交通運(yùn)輸行業(yè)重點(diǎn)實(shí)驗(yàn)室(北京交通大學(xué))， 北京 100044)

近年來，中國各大城市地鐵線網(wǎng)不斷擴(kuò)張，軌道交通在城市綜合交通系統(tǒng)中的作用愈發(fā)重要. 在乘客出行需求日趨多樣化的背景下，大型文體賽事、慶典活動、道路交通管制等外部因素可能引發(fā)大量乘客于短時間內(nèi)涌入車站，如果組織不當(dāng)，可能導(dǎo)致乘客服務(wù)體驗(yàn)下降、運(yùn)行風(fēng)險升高，引發(fā)站內(nèi)、車廂過飽和甚至乘客人身安全事故. 因此，有必要形成一套適應(yīng)城市軌道交通客流特性的異常狀態(tài)識別方法，以填補(bǔ)運(yùn)營管理中異常信息的不對稱性，健全客運(yùn)組織的風(fēng)險預(yù)警機(jī)制.

異常識別(又稱異常檢測)是數(shù)據(jù)挖掘的一個重要分支，其目的在于發(fā)現(xiàn)數(shù)據(jù)集中與其他數(shù)據(jù)有顯著差異的樣本，如入侵檢測[1]、醫(yī)療診斷[2]、工業(yè)損檢[3]等. 在城軌運(yùn)營管理領(lǐng)域，同類技術(shù)主要體現(xiàn)在車輛設(shè)備和工控系統(tǒng)的硬件安全檢查等方面[4-5]，客運(yùn)部門往往以基礎(chǔ)的統(tǒng)計(jì)分析或閾值判斷方法來識別客流的異常狀態(tài)，存在時間滯后性、誤判率高、難以適應(yīng)客流的長期演化規(guī)律等不足. 相關(guān)研究中，文獻(xiàn)[6]系統(tǒng)地分析了城市軌道交通運(yùn)營事故的特點(diǎn)及風(fēng)險因素；文獻(xiàn)[7]基于時間序列相似性度量的思想，分析了進(jìn)站量時間序列中的突發(fā)客流現(xiàn)象. 整體上，現(xiàn)有研究尚未形成關(guān)于城軌客流異常識別的成熟理論和方法，本研究從自動售檢票系統(tǒng)實(shí)時采集的刷卡數(shù)據(jù)中提取分鐘進(jìn)站量時間序列，實(shí)現(xiàn)對客流狀態(tài)異常值的同步量化，主要內(nèi)容包括特征提取和異常判定兩個部分.

廣義上的特征提取通常依托于機(jī)器學(xué)習(xí)算法，尤其是深度學(xué)習(xí)模型，利用深層次的非線性結(jié)構(gòu)網(wǎng)絡(luò)模型獲取觀測樣本中的高階相關(guān)性信息，現(xiàn)已廣泛應(yīng)用于模式識別領(lǐng)域[8-9]. 典型地，卷積神經(jīng)網(wǎng)絡(luò)采用非全連接和權(quán)值共享的網(wǎng)絡(luò)結(jié)構(gòu)，擅長從局部特征逼近整體特征，在圖像識別方面應(yīng)用廣泛；堆疊自編碼器與深度置信網(wǎng)絡(luò)(deep belief network, DBN)都是以逐層訓(xùn)練的方式提取訓(xùn)練集特征，前者利用非線性變換尋找主特征方向，后者基于樣本概率分布獲取高層特征表示，在手寫識別、語音識別等方面有較好表現(xiàn). 在以時間序列為對象的研究中[10-11]，通常以多項(xiàng)式曲線擬合、離散傅里葉變換、連續(xù)小波變換、分段聚合近似等手段實(shí)現(xiàn)時間序列的降維、降噪表示，進(jìn)而實(shí)現(xiàn)對隱含信息的深層挖掘.

異常判定按實(shí)現(xiàn)原理可大致分為4類：1)基于統(tǒng)計(jì)與數(shù)據(jù)分布的方法[12]，通過假設(shè)數(shù)據(jù)集服從某種分布模式(如多元正態(tài)分布)來識別異常點(diǎn)，但對于包含非線性動態(tài)特征的復(fù)雜問題適用性較差. 2)基于閾值判斷的方法[13-14]，依據(jù)客觀規(guī)律或人工經(jīng)驗(yàn)對異常事件的關(guān)鍵特征設(shè)置診斷條件，此類方法較為依賴對異常事件及其影響的先驗(yàn)知識. 3)基于劃分思想的方法[15-16]，如孤立森林算法利用隨機(jī)超平面切割每個子空間，將落在稀疏區(qū)域內(nèi)的樣本判定為異常；單類支持向量機(jī)通過學(xué)習(xí)機(jī)制構(gòu)建一個能夠圍繞全體正常樣本的幾何支撐域，將之以外的樣本視為異常. 該類方法的建模機(jī)理決定其僅適用于特定結(jié)構(gòu)的數(shù)據(jù)集，且易受到噪音維度或無關(guān)維度的干擾；4)基于距離或密度的方法[17]，如局部異常因子(local outlier factor, LOF)算法，通過衡量樣本點(diǎn)與其鄰域內(nèi)其他樣本點(diǎn)的分隔程度來判定異常狀態(tài)，在方法效率及擴(kuò)展性能上具有優(yōu)勢，但當(dāng)樣本集內(nèi)簇群分布過于復(fù)雜時，存在靈敏度下降的現(xiàn)象.

本文在綜合考慮數(shù)據(jù)獲取條件與檢測需求的基礎(chǔ)上，提出一種基于DBN和LOF的異常識別方法，實(shí)現(xiàn)以數(shù)據(jù)特征為導(dǎo)向的特征提取與模式劃分，為異常判定提供精細(xì)、可靠的樣本子集，進(jìn)而實(shí)現(xiàn)對異?？土鳡顟B(tài)的有效判別.

1 城軌客流數(shù)據(jù)特征

城市軌道交通作為公共交通系統(tǒng)的重要組成，其客流不僅會受到外部異常因素的影響，自身也處于長期的動態(tài)變化之中. 因此，異常識別應(yīng)建立在充分考慮客流常態(tài)變化的基礎(chǔ)之上，進(jìn)而準(zhǔn)確判定由外部因素引起的異常變化. 以廣州地鐵某站為例，分別選擇工作日、雙休日和節(jié)假日下的客流樣本進(jìn)行對比，如圖1所示.

圖1 某站客流常態(tài)變化

圖1中，該站工作日的晨間通勤高峰強(qiáng)度大、持續(xù)時間短，雙休日與節(jié)假日白天的客流強(qiáng)度相對較高，但節(jié)假日不存在晚高峰現(xiàn)象. 上述客流樣本均應(yīng)視為相應(yīng)場景下的正?？土鳡顟B(tài)，即異常識別應(yīng)兼容的常態(tài)客流變化. 此外，對于不同車站，在受到節(jié)假日等因素影響時，其客流也會呈現(xiàn)出不同的變化規(guī)律，此類變化也應(yīng)為異常識別方法所兼容.

進(jìn)一步，結(jié)合典型案例分析由外部因素引發(fā)的客流異常變化. 案例1，2017年6月3日、6月17日，廣州國際體育演藝中心舉辦文藝演出活動，晚間散場客流規(guī)模超出預(yù)期，蘿崗站內(nèi)付費(fèi)區(qū)發(fā)生乘客滯留現(xiàn)象；案例2，2017年8月1日、9月12日，廣州天河體育館舉辦大型體育賽事，體育中心站呈現(xiàn)不同強(qiáng)度的夜間高峰. 同時，選擇與案例日期客流規(guī)律相近的正常樣本作為參照，如圖2所示.

在本質(zhì)上，客流異常變化源于各類事件對乘客出行行為的影響，映射到客流層面，表現(xiàn)形式往往復(fù)雜多變，加之各類影響因素對客流的耦合效應(yīng)，使得傳統(tǒng)的人工檢測、閾值判別的識別方法難以應(yīng)對復(fù)雜多變的現(xiàn)實(shí)環(huán)境，呈現(xiàn)出較高的誤檢率、漏檢率. 由此，本文引入與客流數(shù)據(jù)特征相適應(yīng)的深度學(xué)習(xí)方法，以提升異常識別的精細(xì)化、智能化水平.

(a)案例1 (b)案例2

2 客流異常狀態(tài)識別方法

圖3為客流異常狀態(tài)識別流程圖. 首先，建立考慮客流時變規(guī)律的滑動時間窗口機(jī)制，以追蹤進(jìn)站客流的動態(tài)變化；其次，基于深度學(xué)習(xí)模型實(shí)現(xiàn)對窗口內(nèi)客流特征的提取與模式識別；然后，依據(jù)模式劃分結(jié)果確定歷史樣本集范圍，根據(jù)所獲取的客流特征對樣本的異常狀態(tài)進(jìn)行量化.

圖3 客流異常狀態(tài)識別流程

2.1 滑動時間窗口長度確定

滑動時間窗口的長度是影響識別效果的重要因素. 當(dāng)窗口長度較大時，包含充足的采樣信息，但易導(dǎo)致判別滯后；當(dāng)窗口長度較小時，對客流變化的感知更為細(xì)致，但易發(fā)生信息不足條件下的誤判. 因此，窗口長度應(yīng)與客流數(shù)據(jù)的時變規(guī)律相適應(yīng). 由于進(jìn)站客流的變化具有時間關(guān)聯(lián)性，故采用相關(guān)性分析方法挖掘歷史客流的時變規(guī)律，以符合關(guān)聯(lián)性約束的最大時間跨度作為窗口長度. 車站分時進(jìn)站量的自相關(guān)性系數(shù)計(jì)算公式[18]為

(1)

(2)

2.2 異常識別模型構(gòu)建

針對分鐘進(jìn)站量時間序列特征維數(shù)高、分類復(fù)雜度高的特點(diǎn)，為提升檢測性能，在異常判定前對樣本進(jìn)行特征提取與模式劃分處理. 采用預(yù)訓(xùn)練和微調(diào)相結(jié)合的訓(xùn)練機(jī)制，構(gòu)建如圖4所示的DBN模型.

圖4 DBN結(jié)構(gòu)示意圖

DBN模型自文獻(xiàn)[19]提出后廣泛用于模式識別領(lǐng)域. 具體地，DBN由受限玻爾茲曼機(jī)(restricted boltzmann machine, RBM)堆疊而成，RBM包含可視層V和隱含層H，層間采用全連接形式，層內(nèi)無連接. 定義V層包含M個節(jié)點(diǎn)，即V=(v1,v2,...,vm)，H層包含N個節(jié)點(diǎn)，即H=(h1,h2,...,hn). 對于一組給定狀態(tài)的(v,h)，RBM的能量為

(3)

在給定可視層節(jié)點(diǎn)狀態(tài)時，隱含層節(jié)點(diǎn)hn的激活概率可表示為

(4)

同理，在給定隱含層節(jié)點(diǎn)狀態(tài)時，可視層節(jié)點(diǎn)vm的激活概率為

(5)

采用對比散度(k-step contrastive divergence)算法進(jìn)行參數(shù)訓(xùn)練[20]，權(quán)值與偏置的更新規(guī)則為

(6)

(7)

(8)

頂端BP層作為一種有監(jiān)督的分類器，根據(jù)預(yù)訓(xùn)練獲取的隱含特征對樣本進(jìn)行類別劃分，并通過誤差反向傳播微調(diào)DBN網(wǎng)絡(luò)參數(shù). 定義樣本z于參數(shù)θ條件下的輸出為f(z,θ)，類別y∈{1,...,i,...,C}，預(yù)測結(jié)果屬于第i類的條件概率為

(9)

將fy(z,θ)視為真實(shí)類別y的似然函數(shù)，通過極大似然估計(jì)確定參數(shù). 具體地，以最小化負(fù)的對數(shù)似然方法來確定參數(shù)，即交叉熵?fù)p失函數(shù)為

L[y,f(z,θ)]=-lnfy(z,θ).

(10)

以獨(dú)熱編碼向量y表示目標(biāo)類別c，yi表示真實(shí)類別的分布，即僅存在yc=1，其余向量元素均取0，損失函數(shù)可表示為

(11)

如前述客流長期處于動態(tài)變化之中，不存在絕對標(biāo)準(zhǔn)的正常樣本，故根據(jù)樣本間的相對分布界定異常狀態(tài). 因此，在獲得DBN模型輸出的樣本特征和模式劃分結(jié)果后，將待檢樣本與相同模式的歷史樣本映射至多維特征空間，以樣本的特征向量為依據(jù)，進(jìn)行如下基于密度的異常判定[17].

對于特征空間Φ中的任一客流樣本p，定義k鄰近距離dk(p)為p與距離p第k遠(yuǎn)的樣本q間的歐式距離d(p,q)，則q至少存在k個樣本x,x∈Φ且x≠p，滿足d(p,x)≤d(p,q)；且存在至多k-1個樣本不滿足該條件. 基于此，定義p的第k距離鄰域Fk(p)為到p距離在dk(p)以內(nèi)的全部樣本，即

Fk(p)={x|d(p,x)≤dk(p)}.

(12)

(13)

(14)

由此可得樣本p的LOF值χk(p)的計(jì)算方法，計(jì)算公式為

(15)

由式(15)可知，χk(p)為樣本p鄰域樣本的局部可達(dá)密度與自身局部可達(dá)密度比的均值. 當(dāng)一組樣本的特征向量相等時，χk(p)=1；當(dāng)χk(p)的取值越大于1，說明樣本p的密度越小于其鄰域樣本密度，即p為異常的可能性越大.

3 案例分析

3.1 數(shù)據(jù)描述

以2018年3月份至6月份廣州地鐵早高峰(7：00—9：00)的分鐘進(jìn)站量數(shù)據(jù)為實(shí)驗(yàn)對象. 在前3個月內(nèi)，采集5 000條樣本構(gòu)成訓(xùn)練集，用于標(biāo)定模型參數(shù)；在最后1個月內(nèi)，采集1 000條樣本構(gòu)成測試集，用于檢驗(yàn)?zāi)Ｐ途? 經(jīng)歸一化處理，限制樣本振幅于[0,1]，即實(shí)驗(yàn)所用的分鐘進(jìn)站量時間序列樣本.

綜合考慮采樣時段客流特性、分類命中率以及異常識別準(zhǔn)確率等因素，結(jié)合實(shí)驗(yàn)測試結(jié)果，建立樣本標(biāo)簽體系見表1，從客流的波動特性和變化趨勢兩個方面描述樣本的形態(tài)特征，并采用數(shù)值規(guī)則與人工判別相結(jié)合的方式對樣本集進(jìn)行標(biāo)注.

表1 樣本標(biāo)簽描述

3.2 案例結(jié)果

經(jīng)實(shí)驗(yàn)測試，確定DBN模型參數(shù)如下：節(jié)點(diǎn)結(jié)構(gòu)為{60-30-20-20-15-8}，批訓(xùn)練的塊大小取100，學(xué)習(xí)率取0.05，迭代輪次取120. 為評價模式劃分效果，定義混淆矩陣H，其元素hij表示屬于i類樣本被劃分到j(luò)類的數(shù)目，總體精度η表達(dá)式[21]為

(16)

經(jīng)統(tǒng)計(jì)，表2為測試樣本集的模式劃分結(jié)果. 此外，對比傳統(tǒng)反向傳播神經(jīng)網(wǎng)絡(luò)以及二、三、四隱含層DBN的模式劃分效果，取得的整體精度分別為83.1%，63.7%，92.5%和87.6%. 可見，三隱含層DBN的表現(xiàn)較優(yōu)，也表明該模型能夠在降低樣本數(shù)據(jù)維度的同時，有效提取客流特征，為異常判定匹配合理的參考樣本.

表2 測試集分類混淆矩陣

為全面檢驗(yàn)異常識別方法的有效性，在測試集中正常樣本的基礎(chǔ)上，引入不同的干擾策略以模擬典型的客流異常狀態(tài)，規(guī)則見表3. 為直觀展示異常識別過程，以測試集中的一組樣本為例，按分鐘進(jìn)站量同步計(jì)算LOF值的變化情況，如圖5所示.

表3 測試集異常樣本模擬干擾策略

(a)策略Ⅱ、策略Ⅲ

(b)策略Ⅳ、策略Ⅴ

利用策略Ⅰ下的測試集測試此方法的誤檢率，利用策略Ⅱ、Ⅲ、Ⅳ和Ⅴ下的測試集測試此方法的準(zhǔn)確率. 以訓(xùn)練集中97%可靠度下的LOF值控制限為標(biāo)準(zhǔn)，取反應(yīng)時間為5 min. 具體地，對于策略Ⅰ，若任意連續(xù)5 min內(nèi)LOF均值超出控制限，則認(rèn)為發(fā)生誤判；對于策略Ⅱ、Ⅲ、Ⅳ和Ⅴ，若干擾引入后5 min內(nèi)LOF均值達(dá)到控制限，則認(rèn)為識別準(zhǔn)確. 測試集異常識別結(jié)果見表4.

可見，識別效果與異常狀態(tài)的形式和程度相關(guān)，且受到合格條件中反應(yīng)時效要求的影響. 整體上，該方法的平均誤檢率為3.98%，對于4類策略下異常樣本的平均識別準(zhǔn)確率分別為87.53%、91.74%、92.07%和96.17%，能夠在保證較低誤檢率的情況下，實(shí)現(xiàn)對各類異常狀態(tài)的準(zhǔn)確識別.

表4 測試集異常識別結(jié)果

4 結(jié) 論

1)通過分析分時進(jìn)站量時間序列的自相關(guān)性，建立了與客流時變特性相適應(yīng)的滑動時間窗口機(jī)制，確定最佳窗口長度為60 min，為異常狀態(tài)動態(tài)識別奠定了基礎(chǔ).

2)設(shè)計(jì)了解決待檢樣本特征提取與模式劃分的DBN模型，確定了三隱層的模型結(jié)構(gòu)，實(shí)現(xiàn)了精確率為92.5%的客流樣本模式劃分，為異常判定提供了精細(xì)化的樣本分類結(jié)果.

3)引入了4類干擾策略模擬客流的異常狀態(tài)，通過計(jì)算時間窗口內(nèi)待檢樣本的LOF值，實(shí)現(xiàn)了對各類異常狀態(tài)的靈敏識別，平均準(zhǔn)確率為91.9%，為城軌車站大客流預(yù)警提供了有效的解決方案.