CN202075864U - 异常交通状态自动检测*** - Google Patents

Abstract

本实用新型为一种异常交通状态自动检测***，利用行人交通数据判断至少一个位置的行人交通状态是否发生异常，所述行人交通数据包括历史行人交通数据和实时行人交通数据，该***包括：行人交通数据采样模块、历史行人交通数据库、阈值数据库以及异常行人交通状态检测模块。本实用新型通过建立人群不同行人交通状态的实时判断模型，对人群密集场所的人群聚集风险达到较好的监测和控制效果，有利于管理部门制定有效的管理对策。

Description

异常交通状态自动检测***

技术领域

本实用新型涉及行人交通领域，尤其涉及一种异常交通状态自动检测***。

背景技术

人员密集场所人员密度预警***，是依托安装在不同地点的视频设备，实时采集监测区域的视频图像，通过对视频图像中反映出的实时人群客流进行数据统计和分析，从而实现人员密集场所的人群密度预警预测。在应用中需要一种行人异常交通状态的检测方法以建立人群不同行人交通状态的实时判断模型，对人群密集场所的人群聚集风险达到较好的监测和控制效果。

实用新型内容

本实用新型的目的在于提出一种异常交通状态自动检测***，以利于管理部门制定有效的管理对策。

为了达到上述目的，本实用新型提供了一种异常交通状态自动检测***，其中利用行人交通数据判断至少一个位置的行人交通状态是否发生异常，所述行人交通数据包括历史行人交通数据和实时行人交通数据，其特征在于，该***包括：行人交通数据采样模块，在每个采样时刻实时采集所述位置的行人交通数据；历史行人交通数据库，与所述实时行人交通数据采样模块连接，接收并存储所述行人交通数据，所述存储的行人交通数据包括纵向时间序列，为同一位置特定天的按时间顺序排列的同一时刻的行人交通历史数据序列；阈值数据库，存储所述位置的异常行人交通状态阈值数据，所述存储的阈值数据包括第一阈值数据对，具有一第一上限阈值数据和一第一下限阈值数据；异常行人交通状态检测模块，与所述行人交通数据采样模块、历史行人交通数据库和阈值数据库连接，获取实时行人交通数据、纵向时间序列和第一阈值数据对，并根据纵向时间序列预测实时行人交通数据的纵向预测值，通过所述纵向时间序列、实时行人交通数据及其纵向预测值构建一行人交通状态异常指数，将所述行人交通状态异常指数与所述第一阈值数据对进行比对并根据比对结果判断所述位置是否发生行人交通状态异常。

本实用新型所述的异常交通状态自动检测***，其中所述行人交通数据包括行人的流量、区域行人数量、密度及速度。

本实用新型所述的异常交通状态自动检测***，其中还包括行人交通数据预处理模块，用以预处理行人交通数据采样模块采集到的行人交通数据。

本实用新型所述的异常交通状态自动检测***，其中所述行人交通数据预处理模块包括：丢失数据识别与修复模块，用以识别及修复丢失的实时行人交通数据；错误数据识别与修复模块，用以识别及修复错误实时的行人交通数据；时间序列平滑模块，用以对采集的实时行人交通数据进行平滑滤波；以及时间尺度合成模块，用以调整相邻行人交通数据之间的时间间隔。

本实用新型所述的异常交通状态自动检测***，还包括一报警模块，与所述异常行人交通状态检测模块连接，对于一采样时间窗口，如果行人交通异常指数连续大于第一上限阈值数据或小于第一下限阈值数据的次数超过一预定次数，则所述报警模块判断结果为发生了异常行人交通状态。

本实用新型所述的异常交通状态自动检测***，其中所述存储的行人交通数据还包括横向时间序列，为同一位置任一天的按时间顺序排列的行人交通历史数据序列；所述阈值数据库存储的阈值数据还包括第二阈值数据对，具有一第二上限阈值数据和一第二下限阈值数据。

本实用新型所述的异常交通状态自动检测***，其中若判断结果为发生了异常行人交通状态，则所述异常行人交通状态检测模块获取实时行人交通数据、横向时间序列和第二阈值数据对，并根据横向时间序列预测实时行人交通数据的横向预测值，通过所述横向时间序列、实时行人交通数据及其横向预测值构建一突变行人交通状态异常指数，将所述突变行人交通状态异常指数与所述第二阈值数据对进行比对并根据比对结果判断所述位置是否发生突变行人交通状态异常。

本实用新型所述的异常交通状态自动检测***，还包括一报警模块，与所述异常行人交通状态检测模块连接，对于一采样时间窗口，如果行人交通突变异常指数大于第二上限阈值数据或小于第二下限阈值数据的概率超过一预定概率，则所述报警模块判断结果为发生了突变异常行人交通状态。

本实用新型所述的异常交通状态自动检测***，其中还包括信息发布模块，与所述异常行人交通状态检测模块连接，实时发布异常行人交通状态或突变异常行人交通状态信息。

通过本实用新型建立人群不同行人交通状态(畅通、渐变异常、突发异常、拥堵等)的实时判断模型，对人群密集场所的人群聚集风险达到较好的监测和控制效果。

附图说明

图1为本实用新型行人异常交通状态自动检测***的结构框图。

具体实施方式

下面参照附图结合实施例对本实用新型进行进一步详细说明。

首先提供一种行人交通数据长期发展模式的构建及更新方法，所述行人交通数据具有时间刻度和时间尺度，并且包括行人交通原始数据和行人交通实时数据，该方法包括：步骤S1’：获取至少一个位置多天的行人交通原始数据并存储；步骤S2’：对所述行人交通原始数据进行时间刻度和时间尺度校正；步骤S3’：筛选同一位置特定天的按时间顺序排列的同一时间刻度的行人交通原始数据序列并作为纵向时间序列；步骤S4’：采样行人交通实时数据并进行预处理；步骤S5’：将所述预处理后的行人交通实时数据与所述纵向时间序列中的行人交通原始数据进行比对并根据比对结果更新纵向时间序列；步骤S6’：重复步骤S4’和步骤S5’，从而完成行人交通数据长期发展模式的构建与更新

所述步骤S2’还包括：筛选同一位置任一天的按时间顺序排列的行人交通原始数据序列并作为横向时间序列。所述行人交通数据包括流量、区域人数、密度及速度。所述步骤S2’包括：以一时间刻度为基准，以一时间尺度为步长，将同一位置不同天的行人交通原始数据时间刻度对齐。所述时间刻度的基准为每天00:00:00，所述时间尺度为5分钟。所述步骤S3’包括：筛选长期趋势相似的连续多个星期相同日期的行人交通原始数据并作为纵向时间序列。所述筛选的连续多个星期为4-5个星期。所述步骤S5’包括：若行人交通实时数据为正常行人交通数据，则用实时数据更新长期发展模式，同时剔除原来长期发展模式当中最早的一个数据；若行人交通实时数据为丢失、错误或行人异常交通数据，则保持原来的长期发展模式不变。

根据时间组织方式不同，本实用新型将行人交通数据的时间序列分为横向时间序列与纵向时间序列两类。其中，横向时间序列是指按任一天的时间顺序排列的数据序列；纵向时间序列是指按时间先后顺序排列特定天同一时段行人交通数据序列。

特定空间位置的行人交通数据时间序列通常具有长期趋势性、短期现势性和随机波动性三种特性。(1)长期趋势性，特定区域一般具有比较稳定的社会经济活动模式，即上班、上学、购物等活动在时间和空间的分布具有一定的规律性，导致不同星期同一日期(周一、周二……周日)的行人交通模式具有较强的相似性。本实用新型将同一监控位置、不同日期的同一参数数据时间序列具有相似性的特点称为长期趋势性。(2)短期现势性，由于行人交通事件等因素的影响，特定区域的行人规律短时之内可能出现偏离长期趋势的现象，本将其称为行人交通时间序列的短期现势性。(3)随机波动性，除了长期趋势性、短期现势性外，行人交通数据还存在明显的随机波动性，为了消除随机波动性对行人交通管理决策产生的影响，应该将其适当进行滤波。

对于某一日期，如果行人交通数据时间序列的发展过程比较符合长期发展模式，则认为是一种正常行人交通状态，否则，称为行人异常交通状态。正常行人交通状态的可预测性较强，可以对其进行预警，而行人异常交通状态的一般难以预测，只能对其进行实时报警。

行人异常交通状态报警是管理部门的重要职能之一，因此，本实用新型分别设计行人异常交通状态自动检测算法和行人异常交通状态报警机制。

(1)行人异常交通状态自动检测方法

根据行人异常交通状态的定义可知，是否显著偏离行人交通数据的长期发展模式是判断行人异常交通状态的标准。因此，本实用新型利用行人交通数据纵向时间序列，采用标准偏差法构建行人交通状态异常指数，具体如公式(6-1)所示。通过将其与相应阈值进行比较，判断是否发生行人异常交通状态。针对特定的位置，行人异常交通状态的检测阈值需要与用户共同协商并确定。

$\mathrm{\α}\left(t\right)=\frac{z\left(t\right)-\hat{z}\left(t\right)}{{\mathrm{\σ}}_{\mathrm{\α}}\left(t\right)}---(6-1)$

$\hat{z}\left(t\right)=\frac{1}{N}\underset{K=1}{\overset{N}{\mathrm{\Σ}}}{z}^K\left(t\right)---(6-2)$

式中：α(t)——当前采样时间间隔的行人交通状态异常指数；

z(t)——当前采样时间间隔的行人交通数据实测值；

——当前采样时间间隔的行人交通数据纵向预测值；

z^K(t)——行人交通数据长期发展模式所含当天前面第K个历史数据；

N——行人交通数据长期发展模式所含历史数据数量；

σ_α(t)——行人交通数据长期发展模式所含历史数据的标准差。

对于突发行人异常交通状态而言，行人交通数据时间序列的突变性较为强烈。因此，本实用新型利用行人交通数据横向时间序列，采用标准偏差法构建行人异常交通状态突变指数，具体如公式(6-3)所示。通过将其与相应阈值进行比较，辨别突发行人异常交通状态和渐变行人异常交通状态。针对特定的位置，辨别阈值需要与用户共同协商并确定。

$\mathrm{\β}\left(t\right)=\frac{z\left(t\right)-\tilde{z}\left(t\right)}{{\mathrm{\σ}}_{\mathrm{\β}}\left(t\right)}---(6-3)$

$\tilde{z}\left(t\right)=\frac{1}{n_h}\underset{j^{\′}=1}{\overset{n_h}{\mathrm{\Σ}}}z(t-j^{\′})---(6-4)$

式中：β(t)——当前采样时间间隔的行人异常交通状态突变指数；

z(t)——当前采样时间间隔的行人交通数据实测值；

——当前采样时间间隔的行人交通数据横向预测值；

z(t-j′)——当前采样时间间隔前面第j′个时间间隔的实测值；

n_h——行人异常交通状态突变指数计算所选关联时间间隔数量；

σ_β(t)——关联时间间隔行人交通数据的标准差。

本设计的检测算法能够检出较为明显的行人异常交通状态，但是检测结果稳定性较差，不利于管理部门制定有效的管理对策，因此，需要设计行人异常交通状态报警机制。

(2)行人异常交通状态报警机制

针对不同的用户需求以及数据序列的特征，本设计两个行人异常交通状态的报警机制。

基于持续检测的报警机制是指对于某一时间窗口，如果行人交通异常指数连续大于检测阈值的次数超过一定标准，则进行行人异常交通状态报警。此种报警机制所需的时间窗口通常较小，一般采用2-3个采样时间间隔即可。

基于持续检测的行人异常交通状态报警机制误警率一般较低，但是检测率也较低，因此，比较适于检测导致行人交通数据变化趋势稳定的行人异常交通状态。

本设计的行人异常交通状态的持续检测报警机制比较有效，显著提高了报警结果的稳定性，有助于管理部门制定合理的管理决策。

基于概率估计的报警机制是指对于某一时间窗口，如果行人交通异常指数大于阈值的概率超过一定概率，则进行行人异常交通状态报警。此种报警机制所需的时间窗口通常较大，一般采用4-5个采样时间间隔。

基于概率估计的行人异常交通状态报警机制检测率一般较高，同时误警率也较高，因此，比较适于检测导致行人交通数据波动性较强的行人异常交通状态。

如图1所示，为本实用新型异常行人交通状态自动检测***的结构框图，该***包括：行人交通数据采样模块M1，在每个采样时刻实时采集所述位置的行人交通数据；历史行人交通数据库B1，与所述实时行人交通数据采样模块M1连接，接收并存储所述行人交通数据，所述存储的行人交通数据包括纵向时间序列B11，为同一位置特定天的按时间顺序排列的同一时刻的行人交通历史数据序列；阈值数据库B2，存储所述位置的异常行人交通状态阈值数据，所述存储的阈值数据包括第一阈值数据对B21，具有一第一上限阈值数据和一第一下限阈值数据；异常行人交通状态检测模块M2，与所述行人交通数据采样模块M1、历史行人交通数据库B1和阈值数据库B2连接，获取实时行人交通数据、纵向时间序列和第一阈值数据对，并根据纵向时间序列预测实时行人交通数据的纵向预测值，通过所述纵向时间序列、实时行人交通数据及其纵向预测值构建一行人交通状态异常指数，将所述行人交通状态异常指数与所述第一阈值数据对进行比对并根据比对结果判断所述位置是否发生行人交通状态异常。

所述行人交通数据包括区域内行人的流量、数量、密度及速度。所述的异常行人交通状态检测***还包括行人交通数据预处理模块M3，用以预处理行人交通数据采样模块采集到的行人交通数据。所述行人交通数据预处理模块包括：丢失数据识别与修复模块M31，用以识别及修复丢失的实时行人交通数据；错误数据识别与修复模块M32，用以识别及修复错误实时的行人交通数据；时间序列平滑模块M33，用以对采集的实时行人交通数据进行平滑滤波；以及时间尺度合成模块M34，用以调整相邻行人交通数据之间的时间间隔。

对于一采样时间窗口，如果行人交通异常指数连续大于第一上限阈值数据或小于第一下限阈值数据的次数超过一预定次数，则判断结果为发生了异常行人交通状态。

或者，对于一采样时间窗口，如果行人交通异常指数大于第二上限阈值数据或小于第二下限阈值数据的概率超过一预定概率，则判断结果为发生了异常行人交通状态。

所述存储的行人交通数据还包括横向时间序列B12，为同一位置任一天的按时间顺序排列的行人交通历史数据序列；所述阈值数据库存储的阈值数据还包括第二阈值数据对B22，具有一第二上限阈值数据和一第二下限阈值数据。若判断结果为发生了异常行人交通状态，则所述异常行人交通状态检测模块获取实时行人交通数据、横向时间序列和第二阈值数据对，并根据横向时间序列预测实时行人交通数据的横向预测值，通过所述横向时间序列、实时行人交通数据及其横向预测值构建一突变行人交通状态异常指数，将所述突变行人交通状态异常指数与所述第二阈值数据对进行比对并根据比对结果判断所述位置是否发生突变行人交通状态异常。

本实用新型异常行人交通状态检测***还可以包括报警模块M4，与所述异常行人交通状态检测模块连接，在判断发生了异常行人交通状态或突变异常行人交通状态时，产生报警信号。实用新型异常行人交通状态检测***还可以包括信息发布模块M5，与所述异常行人交通状态检测模块连接，实时发布异常行人交通状态或突变异常行人交通状态信息。

本设计的行人异常交通状态的概率估计报警机制比较有效，以概率形式提高了报警结果的稳定性，有助于管理部门制定合理的管理决策。

以上所述仅为本实用新型的较佳实施例，非局限本实用新型的保护范围，凡运用本实用新型说明书及附图内容所做的等同结构变化，均包含于本实用新型的保护范围内。

Claims (9)

1.一种异常交通状态自动检测***，其特征在于，利用行人交通数据判断至少一个位置的行人交通状态是否发生异常，所述行人交通数据包括历史行人交通数据和实时行人交通数据，其特征在于，该***包括：

行人交通数据采样模块，在每个采样时刻实时采集所述位置的行人交通数据；

历史行人交通数据库，与所述实时行人交通数据采样模块连接，接收并存储所述行人交通数据，所述存储的行人交通数据包括纵向时间序列，为同一位置特定天的按时间顺序排列的同一时刻的行人交通历史数据序列；

阈值数据库，存储所述位置的异常行人交通状态阈值数据，所述存储的阈值数据包括第一阈值数据对，具有一第一上限阈值数据和一第一下限阈值数据；

异常行人交通状态检测模块，与所述行人交通数据采样模块、历史行人交通数据库和阈值数据库连接，获取实时行人交通数据、纵向时间序列和第一阈值数据对，并根据纵向时间序列预测实时行人交通数据的纵向预测值，通过所述纵向时间序列、实时行人交通数据及其纵向预测值构建一行人交通状态异常指数，将所述行人交通状态异常指数与所述第一阈值数据对进行比对并根据比对结果判断所述位置是否发生行人交通状态异常。

2.如权利要求1所述的异常交通状态自动检测***，其特征在于，所述行人交通数据包括行人的流量、区域行人数量、密度及速度。

3.如权利要求1所述的异常交通状态自动检测***，其特征在于，还包括行人交通数据预处理模块，用以预处理行人交通数据采样模块采集到的行人交通数据。

4.如权利要求3所述的异常交通状态自动检测***，其特征在于，所述行人交通数据预处理模块包括：

丢失数据识别与修复模块，用以识别及修复丢失的实时行人交通数据；

错误数据识别与修复模块，用以识别及修复错误实时的行人交通数据；

时间序列平滑模块，用以对采集的实时行人交通数据进行平滑滤波；以及

时间尺度合成模块，用以调整相邻行人交通数据之间的时间间隔。

5.如权利要求1所述的异常交通状态自动检测***，其特征在于，还包括一报警模块，与所述异常行人交通状态检测模块连接，对于一采样时间窗口，如果行人交通异常指数连续大于第一上限阈值数据或小于第一下限阈值数据的次数超过一预定次数，则所述报警模块判断结果为发生了异常行人交通状态。

6.如权利要求5所述的异常交通状态自动检测***，其特征在于，所述存储的行人交通数据还包括横向时间序列，为同一位置任一天的按时间顺序排列的行人交通历史数据序列；所述阈值数据库存储的阈值数据还包括第二阈值数据对，具有一第二上限阈值数据和一第二下限阈值数据。

7.如权利要求6所述的异常交通状态自动检测***，其特征在于，若判断结果为发生了异常行人交通状态，则所述异常行人交通状态检测模块获取实时行人交通数据、横向时间序列和第二阈值数据对，并根据横向时间序列预测实时行人交通数据的横向预测值，通过所述横向时间序列、实时行人交通数据及其横向预测值构建一突变行人交通状态异常指数，将所述突变行人交通状态异常指数与所述第二阈值数据对进行比对并根据比对结果判断所述位置是否发生突变行人交通状态异常。

8.如权利要求7所述的异常交通状态自动检测***，其特征在于，还包括一报警模块，与所述异常行人交通状态检测模块连接，对于一采样时间窗口，如果行人交通突变异常指数大于第二上限阈值数据或小于第二下限阈值数据的概率超过一预定概率，则所述报警模块判断结果为发生了突变异常行人交通状态。

9.如权利要求1-8中任意一项所述的异常交通状态自动检测***，其特征在于，还包括信息发布模块，与所述异常行人交通状态检测模块连接，实时发布异常行人交通状态或突变异常行人交通状态信息。

Images