买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京建筑大学

摘要：本发明公开一种基于交通大数据的客流拥挤事件传播检测方法及系统，涉及交通运输信息工程领域，该方法包括：构建目标区域内各站点的客流时间序列；将客流时间序列输入客流常态分布预测模型得到客流时间序列的常态分布；基于客流时间序列的常态分布，计算预测流量与观测流量之间的误差的对数概率密度；根据对数概率密度确定目标区域内的离散客流拥挤事件；采用时空聚类算法对离散客流拥挤事件进行聚合，得到多个时空簇；每个时空簇内的离散客流拥挤事件传播形成一个大规模客流拥挤事件；其中，客流常态分布预测模型基于长短时图卷积深度学习模型构建。本发明能实现客流拥挤事件传播的检测，从而发现大规模客流拥挤事件。

主权项：1.一种基于交通大数据的客流拥挤事件传播检测方法，其特征在于，包括：构建目标区域内各站点的客流时间序列；所述客流时间序列为上车客流时间序列或下车客流时间序列；对于目标区域内的任一站点，将所述客流时间序列输入客流常态分布预测模型，预测所述客流时间序列的常态分布；对于目标区域内的任一站点，基于所述客流时间序列和所述客流时间序列的常态分布，计算预测流量与观测流量之间的误差的对数概率密度；根据目标区域内所有站点的对数概率密度和设定临界阈值确定所述目标区域内的离散客流拥挤事件；所述设定临界阈值是根据包括正常客流时间序列和异常客流时间序列的验证集确定的；采用时空聚类算法对目标区域内的离散客流拥挤事件进行聚合，得到多个时空簇；每个所述时空簇内的离散客流拥挤事件具有时空关联性；每个所述时空簇内的离散客流拥挤事件传播形成一个大规模客流拥挤事件；其中，所述客流常态分布预测模型是采用训练集对长短时图卷积深度学习模型训练得到的；所述训练集包括正常客流时间序列；所述长短时图卷积深度学习模型包括：Transformer模块、时空图卷积模块和长短时融合模块；所述Transformer模块用于提取所述客流时间序列内隐含的长时依赖关系；所述时空图卷积模块用于提取所述客流时间序列内隐含的短时依赖关系和空间依赖关系；所述长短时融合模块用于将所述长时依赖关系和所述短时依赖关系融合，得到时间融合特征；所述时空图卷积模块还用于将所述时间融合特征与所述空间依赖关系相融合，输出所述客流时间序列的常态分布；构建目标区域内各站点的客流时间序列，具体包括：获取目标区域内各站点在每天各个时段的乘客流量；所述乘客流量为乘客上车流量或乘客下车流量；对于目标区域内的任一站点，根据该站点一天所有时段的乘客流量确定流量分布序列，并根据该站点所有天数的流量分布序列确定流量分布矩阵；对于目标区域内的任一站点，采用滑动时间窗口提取所述流量分布矩阵的各个流量片段，并计算每个所述流量片段的平均值，构建流量平均值分布矩阵；对于目标区域内的任一站点，将所述流量平均值分布矩阵转换成行向量，并对所述行向量进行迭代选择，得到客流时间序列；基于所述客流时间序列和所述客流时间序列的常态分布，计算预测流量与观测流量之间的误差的对数概率密度，具体包括：将所述客流时间序列中的乘客流量确定为观测流量；根据所述客流时间序列的常态分布确定预测流量；采用包括正常客流时间序列的训练集确定预测误差序列，并构建所述预测误差序列的高斯分布模型；采用最大似然估计法计算所述高斯分布模型的均值和方差，并采用包括正常客流序列的验证集验证所述均值和所述方差；根据预测流量与观测流量之间的误差、验证后的均值和验证后的方差计算预测流量与观测流量之间的误差的对数概率密度；根据目标区域内所有站点的对数概率密度和设定临界阈值确定所述目标区域内的离散客流拥挤事件，具体包括：对于目标区域内的任一站点，若该站点的对数概率密度小于设定临界阈值，则确定该站点会发生离散客流拥挤事件；采用时空聚类算法对目标区域内的离散客流拥挤事件进行聚合，得到多个时空簇，具体包括：采用时空共享近邻聚类算法对目标区域内的离散客流拥挤事件进行聚合，得到多个时空簇。

全文数据：

权利要求：

百度查询： 北京建筑大学 一种基于交通大数据的客流拥挤事件传播检测方法及系统