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。

(1)

式中，$$\bar x$$为基础数据序列的均值；x_i为基础数据。

(2)

式中σ为基础数据序列的标准差。

(3)

式中E_r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。

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/(h·m)，服务水平为C级，如图 2所示。

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；q_a为异常事件发生前基础数据序列中的最后一个数据；q_a+1为异常事件发生后基础数据序列中的第1个数据；q_e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)。

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。

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。

新数据构建流程如下所示：

Step 1：获取30 s客流量序列的第i个值q_i^{30 s}，第i-1个值q_i-1^{30 s}，第i-2个值q_i-2^{30 s}，第i-3个值q_i-3^{30 s}；滑动600 s客流量序列的第i个值q_i^{mov600 s}，第i-1个值q_i-1^{mov600 s}，第i-2个值q_i-2^{mov600 s}，第i-3个值q_i-3^{mov600 s}；滑动180 s客流量序列的第i个值q_i^{mov180 s}，滑动180 s客流量序列的第i-3个值q_i-3^{mov180 s}。上界阈值T_upper，下界阈值T_lower。

Step 2：判断q_i^{30 s}是否满足条件：<或>，若满足条件，进入Step 3；否则，得到非连续滑动180 s客流量序列的第i个值为q_i^{mov180 s}。

Step 3：判断是否满足条件：<或>，若满足条件，进入Step 4；否则，得到非连续滑动180 s客流量序列的第i个值为q_i^{mov180 s}。

Step 4：判断q_i-1^{30 s}是否满足条件：q_i-2^{30 s}<或q_i-2^{30 s}>，若满足条件，进入Step 5；否则，得到非连续滑动180 s客流量序列的第i个值为q_i^{mov180 s}。

Step 5：判断q_i-3^{30 s}是否满足条件：<q_i-3^{30 s}<，若满足条件，得到非连续滑动180 s 客流量(即新数据)序列的第i个值为q_i-3^{mov180 s}；否则，得到非连续滑动180 s客流量序列的第i个值为q_i^{mov180 s}。

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。

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中，Q_i^ds为下游断面i时刻新数据；Q_i^us为上游断面i时刻新数据；k_max为偏移量最大预估值；k为偏移量；STD_k为两断面新数据偏移k时的标准差，其计算方法如式(5)所示。偏移量计算方法的核心思想为在偏移量[0,k_max]之间逐个计算两断面新数据的标准差，标准差最小所对应的偏移量即为最佳偏移量。

(5)

由此得偏移空间差值的计算方法为：

(6)

式中，d_i,j^ps为i时刻j断面新数据的偏移空间差值；Q_i,j为j断面i时刻的新数据值；Q_i-kbest,j-1为j-1断面i-k_best时刻的新数据值；k_best为最佳偏移量。

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。

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

根据关键参数的变化特征，设计识别算法(如图 9所示)，算法的核心思想为当关键参数在某时刻突然小于阈值T₁，或在一段时间内关键参数持续为负值且其中有一值小于阈值T₂时，则判断发生了异常事件。图 9中，S_i^a-b为a断面与b断面i时刻的关键参数，T₁和T₂为异常事件的判断阈值。

算法具体流程如下：

Step 1：获取i时刻a-b断面关键参数S_i^a-b、i-1时刻关键参数S_i-1^a-b、i-2时刻a-b断面关键参数S_i-2^a-b、i-3时刻a-b断面关键参数S_i-3^a-b、i-4时刻a-b 断面关键参数S_i-4^a-b、异常事件判断阈值T₁,T₂。

Step 2：判断S_i^a-b是否满足条件：S_i^a-b<0，若满足条件，进入Step 3；否则，判断为正常情况，不进行报警。

Step 3：判断S_i^a-b是否满足条件：S_i^a-b<T₁，若满足条件，则判断发生异常事件，进行报警；否则，进入Step 4。

Step 4：判断S_i-1^a-b是否满足条件：S_i-1^a-b<0，若满足条件，则进入Step 5；否则，判断为正常情况，不进行报警。

Step 5：判断S_i-2^a-b是否满足条件：S_i-2^a-b<0，若满足条件，则进入Step 6；否则，判断为正常情况，不进行报警。

Step 6：判断S_i-3^a-b是否满足条件：S_i-3^a-b<0，若满足条件，则进入Step 7；否则，判断为正常情况，不进行报警。

Step 7：判断S_i-4^a-b是否满足条件：S_i-4^a-b<0，若满足条件，则进入Step 8；否则，判断为正常情况，不进行报警。

Step 8：判断S_i-4^a-b是否满足条件：min{S_i^a-b,S_i-1^a-b,S_i-2^a-b,S_i-3^a-b,S_i-4^a-b}<T₂，若满足条件，则判断发生异常事件，进行报警；否则，判断为正常情况，不进行报警。

自动识别算法中，阈值按式(7)和式(8)计算求得：

(7)

(8)

式中，S_i^a-b为a-b断面i时刻的关键参数，min{S₀^a-b,…,S_i^a-b,…,S_{1 440}^a-b}为1日(7:00—19:00)中关键参数的最小值。

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65 s，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。

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。