一种面向误报控制的城市轨道交通双域偏移融合扰动识别方法及系统与流程

本发明涉及城市轨道交通运营监测与智能交通信息处理，具体涉及一种面向误报控制的城市轨道交通双域偏移融合扰动识别方法及系统。

背景技术：

1、城市轨道交通站点通过相邻轨道区间和换乘关系形成复杂网络。线路延误、设备故障、换乘受阻或客流转移等运行扰动，不仅可能引起局部站点客流变化，还可能影响相关站点之间的客流联动关系。因此，需要对运营过程中的扰动进行及时识别，并形成便于运营监测的事件级结果。

2、现有异常检测方法通常根据历史客流、时间周期和空间关联估计正常客流状态，并以观测客流与预测客流之间的残差作为异常判别依据。由于城市轨道交通客流具有峰谷差异、工作日与周末差异及随机需求波动，较大残差并不必然对应真实运营扰动，容易产生误报；同时，该类方法主要关注客流数值变化，难以利用站点间依赖关系的变化，且点级异常结果较为分散，难以直接反映扰动的持续时间和影响范围。因此，有必要提供一种能够综合考虑客流变化和站点间依赖关系变化、降低普通客流波动引起的误报并形成事件级识别结果的城市轨道交通扰动识别方法。

技术实现思路

1、本发明旨在解决现有城市轨道交通扰动识别方法主要依据观测客流与正常客流预测值之间的残差进行异常判别时，容易将早晚高峰强度变化、工作日与周末差异、节假日波动及局部随机需求变化引起的普通客流波动误判为运营扰动，导致误报负担较高的问题；同时解决站点—时间级异常结果较为分散，难以直接反映扰动事件持续时间和影响范围的问题。

2、为此，本发明提供一种面向误报控制的城市轨道交通双域偏移融合扰动识别方法及系统，在客流状态偏移之外引入站点级网络依赖偏移作为结构性补充，通过客流数值偏离与站点依赖关系相对于正常参考状态的偏移进行联合判别，降低仅依据客流残差进行扰动识别产生的误报，并根据异常点之间的时间间隔及轨道网络空间关联形成事件级扰动识别结果。

3、为解决上述技术问题，本发明采用如下技术方案：

4、s01，获取并对齐多源数据，构建站点级时空图并确定运行场景

5、获取城市轨道交通客流数据、轨道交通网络拓扑数据、时间特征数据和天气数据，对所述客流数据、时间特征数据和天气数据进行时间对齐和空间对齐，并根据轨道交通网络拓扑构建站点级时空图。所述站点级时空图表示为：

6、

7、其中，为站点复合体节点集合，为站点之间的边集合，为描述站点连接关系的邻接矩阵。

8、在时刻，将各站点复合体对应的客流特征、时间特征和天气特征按照相同站点顺序排列，形成节点特征矩阵：

9、

10、其中，为站点复合体数量，为节点特征维数；按照时间顺序排列的节点特征矩阵与站点级时空图共同构成站点级时空图信号。

11、根据时间特征和天气特征中的至少一种确定运行场景。在一种实施方式中，所述运行场景根据工作日与非工作日、早高峰、平峰与晚高峰以及天气状态中的至少一种进行划分，用于后续选择与待识别时刻相匹配的正常参考时间窗口。

12、在一种实施方式中，所述客流数据、时间特征数据和天气数据统一至小时级时间粒度，并按照站点复合体进行空间对齐；所述轨道交通网络拓扑数据用于确定站点级时空图的节点及边的连接关系。

13、s02，构建时空图注意力正常状态估计模型和正常参考依赖矩阵

14、构建时空图注意力正常状态估计模型，并利用训练集中的历史时空图信号对所述模型进行训练。设历史窗口长度为，对于目标时刻，将目标时刻之前连续个时刻的节点特征矩阵以及站点级时空图输入所述模型：

15、其中，为目标时刻各站点的正常客流预测值组成的向量，为目标时刻对应的注意力依赖矩阵。

16、所述时空图注意力正常状态估计模型包括时间编码模块和图注意力模块。所述时间编码模块用于提取历史客流的短期变化特征、周期特征和高峰特征；所述图注意力模块用于在轨道交通网络拓扑约束下学习各站点与其邻域站点之间的动态依赖关系，并由图注意力权重形成注意力依赖矩阵。

17、从训练集中确定与所述运行场景相匹配的正常参考时间窗口集合，并对所述参考时间窗口对应的注意力依赖矩阵进行算术平均，得到正常参考依赖矩阵：

18、

19、所述正常参考依赖矩阵用于表征对应运行场景下轨道交通系统正常运行状态下相对稳定的站点间注意力依赖关系。

20、s03，获得正常客流预测值和当前邻域注意力依赖分布。

21、对于待识别时刻，获取该时刻之前连续个时刻的站点级时空图信号，即：

22、

23、将所述历史时空图信号和站点级时空图输入训练后的时空图注意力正常状态估计模型，获得待识别时刻各站点的正常客流预测值：

24、

25、并获得与待识别时刻对应的当前注意力依赖矩阵：

26、

27、所述当前注意力依赖矩阵中的元素表示模型在待识别时刻进行正常状态估计时，各站点对其邻域站点信息的注意力权重。按照与正常参考依赖矩阵相同的站点及邻域对应关系，从所述当前注意力依赖矩阵中提取各站点对应的当前邻域注意力依赖分布，用于后续计算站点级网络依赖偏移。

28、s04，计算客流状态偏移。

29、获取站点在待识别时刻的观测客流值，并根据该观测客流值与时空图注意力正常状态估计模型输出的正常客流预测值之间的差异，计算客流状态偏移：

30、

31、其中，用于表示站点在待识别时刻 的客流状态偏移，用于表征所述观测客流相对于正常客流预测状态的数值偏离程度。

32、s05，计算站点级网络依赖偏移。

33、根据待识别时刻的当前注意力依赖矩阵与正常参考依赖矩阵之间的差异，计算网络依赖偏移。

34、轨道交通网络在待识别时刻的全图级网络依赖偏移表示为：

35、

36、其中，表示frobenius范数，用于表征当前轨道交通网络整体依赖结构相对于正常参考依赖结构的偏移程度。

37、为获得能够与站点级客流状态偏移对应融合的网络依赖偏移，从当前注意力依赖矩阵中提取站点对其邻域站点的注意力权重，并按照预设邻域站点顺序组成当前邻域注意力依赖分布：

38、

39、从正常参考依赖矩阵中按照相同邻域站点顺序提取对应的参考注意力权重，组成参考邻域注意力依赖分布：

40、

41、根据所述当前邻域注意力依赖分布与参考邻域注意力依赖分布之间的差异，计算站点级网络依赖偏移：

42、

43、其中，为站点的邻域站点集合。本发明用于双域偏移融合的是站点级网络依赖偏移，全图级网络依赖偏移仅用于描述轨道交通网络整体依赖结构的变化程度。

44、s06，标准化并融合双域偏移，确定异常点。

45、根据训练集中的客流状态偏移分布，确定客流状态偏移的均值和标准差；根据训练集中的站点级网络依赖偏移分布，确定站点级网络依赖偏移的均值和标准差。分别对客流状态偏移和站点级网络依赖偏移进行z-score标准化：

46、

47、

48、其中，为标准化客流状态偏移，为标准化站点级网络依赖偏移。

49、将两类标准化偏移进行加权融合，得到站点在时刻的联合扰动得分：

50、

51、其中，为客流状态偏移的融合权重，为站点级网络依赖偏移的融合权重。

52、在一种优选实施方式中，所述融合权重为非负权重，并满足：

53、

54、所述融合权重根据验证集上的事件级扰动识别结果进行选择；在确定融合权重后，根据验证集联合扰动得分的分布确定异常阈值。

55、按照下式确定站点—时间级异常点：

56、

57、其中，表示站点在时刻被确定为异常点，表示未被确定为异常点。

58、本发明以两类偏移加权形成的联合扰动得分作为异常判别依据，并采用一个联合异常阈值进行判别。

59、s07，根据时间间隔和轨道网络空间关联聚合异常点，输出事件级扰动识别结果。

60、将确定的站点—时间级异常点组成异常点集合：

61、

62、按照时间顺序排列所述异常点，并依次比较相邻异常时间点之间的时间间隔。当相邻异常时间点之间的时间间隔不超过预设时间间隔阈值时，将对应异常点划分至同一候选扰动事件窗口；当所述时间间隔超过预设时间间隔阈值时，结束当前候选扰动事件窗口，并以后续异常点开始新的候选扰动事件窗口。

63、对于同一候选扰动事件窗口内的异常点，根据对应异常站点在所述站点级时空图中的空间关联关系进行聚合。所述空间关联关系由站点级时空图中的相邻轨道区间关系和换乘关系中的至少一种确定，将满足空间关联条件的异常点聚合为同一扰动事件。

64、对于第个扰动事件窗口，汇总该窗口内的异常站点，得到受影响站点集合；根据受影响站点的线路归属关系确定受影响线路集合。第个事件级扰动识别结果表示为：

65、

66、其中，为事件开始时间，为事件结束时间，为事件级扰动得分。所述事件级扰动得分根据对应扰动事件内站点—时间级联合扰动得分确定；在一种实施方式中，采用最大值、平均值或加权平均值中的一种计算方式得到。

67、全部扰动事件组成事件级扰动识别结果集合：

68、

69、其中，为识别得到的扰动事件总数。

70、与仅依据客流残差进行扰动识别的方式相比，本发明具有以下有益效果：

71、1.本发明将观测客流相对于正常客流预测值的数值偏离与站点依赖关系相对于正常参考依赖矩阵的结构偏移进行联合判别，使网络依赖偏移能够作为客流残差之外的结构性补充信号，过滤部分由普通客流波动产生的残差峰值，降低误报告警负担。

72、2.本发明利用时空图注意力正常状态估计模型同时获得正常客流预测值和注意力依赖矩阵，使同一模型既能够提供计算客流状态偏移所需的正常状态基准，又能够提供计算网络依赖偏移所需的站点间依赖关系表征，避免仅依据客流数值变化进行扰动判别。

73、3.本发明采用站点级网络依赖偏移与站点级客流状态偏移进行对应融合，并分别对两类偏移进行标准化处理，能够减小不同站点客流规模差异以及两类偏移量纲差异对联合扰动得分的影响。

74、4. 本发明通过设置客流状态偏移和站点级网络依赖偏移的融合权重以及联合扰动得分的异常阈值，对两类偏移在异常判别中的作用进行调节，从而兼顾客流状态变化的敏感性与网络依赖变化的结构约束，提高扰动识别结果对不同运营监测场景的适用性。

75、5. 本发明将分散的站点—时间级异常点根据时间间隔以及异常站点在站点级时空图中的空间关联关系进行聚合，并输出事件开始时间、事件结束时间、受影响站点、受影响线路和事件级扰动得分，使识别结果能够直接反映扰动的持续时间和影响范围，避免空间上缺乏关联的异常点被简单合并为同一扰动事件，减少点级异常结果形成的碎片化告警，并提高扰动识别结果的可解释性。