專利名稱：異常交通狀態(tài)自動檢測系統(tǒng)的制作方法
技術(shù)領域：
本實用新型涉及行人交通領域，尤其涉及一種異常交通狀態(tài)自動檢測系統(tǒng)。
背景技術(shù)：
人員密集場所人員密度預警系統(tǒng)，是依托安裝在不同地點的視頻設備，實時采集監(jiān)測區(qū)域的視頻圖像，通過對視頻圖像中反映出的實時人群客流進行數(shù)據(jù)統(tǒng)計和分析，從而實現(xiàn)人員密集場所的人群密度預警預測。在應用中需要一種行人異常交通狀態(tài)的檢測方法以建立人群不同行人交通狀態(tài)的實時判斷模型，對人群密集場所的人群聚集風險達到較好的監(jiān)測和控制效果。

實用新型內(nèi)容本實用新型的目的在于提出一種異常交通狀態(tài)自動檢測系統(tǒng)，以利于管理部門制定有效的管理對策。為了達到上述目的，本實用新型提供了一種異常交通狀態(tài)自動檢測系統(tǒng)，其中利用行人交通數(shù)據(jù)判斷至少一個位置的行人交通狀態(tài)是否發(fā)生異常，所述行人交通數(shù)據(jù)包括歷史行人交通數(shù)據(jù)和實時行人交通數(shù)據(jù)，其特征在于，該系統(tǒng)包括行人交通數(shù)據(jù)采樣模塊，在每個采樣時刻實時采集所述位置的行人交通數(shù)據(jù)；歷史行人交通數(shù)據(jù)庫，與所述實時行人交通數(shù)據(jù)采樣模塊連接，接收并存儲所述行人交通數(shù)據(jù)，所述存儲的行人交通數(shù)據(jù)包括縱向時間序列，為同一位置特定天的按時間順序排列的同一時刻的行人交通歷史數(shù)據(jù)序列；閾值數(shù)據(jù)庫，存儲所述位置的異常行人交通狀態(tài)閾值數(shù)據(jù)，所述存儲的閾值數(shù)據(jù)包括第一閾值數(shù)據(jù)對，具有一第一上限閾值數(shù)據(jù)和一第一下限閾值數(shù)據(jù)；異常行人交通狀態(tài)檢測模塊，與所述行人交通數(shù)據(jù)采樣模塊、歷史行人交通數(shù)據(jù)庫和閾值數(shù)據(jù)庫連接，獲取實時行人交通數(shù)據(jù)、縱向時間序列和第一閾值數(shù)據(jù)對，并根據(jù)縱向時間序列預測實時行人交通數(shù)據(jù)的縱向預測值，通過所述縱向時間序列、實時行人交通數(shù)據(jù)及其縱向預測值構(gòu)建一行人交通狀態(tài)異常指數(shù)，將所述行人交通狀態(tài)異常指數(shù)與所述第一閾值數(shù)據(jù)對進行比對并根據(jù)比對結(jié)果判斷所述位置是否發(fā)生行人交通狀態(tài)異常。本實用新型所述的異常交通狀態(tài)自動檢測系統(tǒng)，其中所述行人交通數(shù)據(jù)包括行人的流量、區(qū)域行人數(shù)量、密度及速度。本實用新型所述的異常交通狀態(tài)自動檢測系統(tǒng)，其中還包括行人交通數(shù)據(jù)預處理模塊，用以預處理行人交通數(shù)據(jù)采樣模塊采集到的行人交通數(shù)據(jù)。本實用新型所述的異常交通狀態(tài)自動檢測系統(tǒng)，其中所述行人交通數(shù)據(jù)預處理模塊包括丟失數(shù)據(jù)識別與修復模塊，用以識別及修復丟失的實時行人交通數(shù)據(jù)；錯誤數(shù)據(jù)識別與修復模塊，用以識別及修復錯誤實時的行人交通數(shù)據(jù)；時間序列平滑模塊，用以對采集的實時行人交通數(shù)據(jù)進行平滑濾波；以及時間尺度合成模塊，用以調(diào)整相鄰行人交通數(shù)據(jù)之間的時間間隔。本實用新型所述的異常交通狀態(tài)自動檢測系統(tǒng)，還包括一報警模塊，與所述異常
4行人交通狀態(tài)檢測模塊連接，對于一采樣時間窗口，如果行人交通異常指數(shù)連續(xù)大于第一上限閾值數(shù)據(jù)或小于第一下限閾值數(shù)據(jù)的次數(shù)超過一預定次數(shù)，則所述報警模塊判斷結(jié)果為發(fā)生了異常行人交通狀態(tài)。本實用新型所述的異常交通狀態(tài)自動檢測系統(tǒng)，其中所述存儲的行人交通數(shù)據(jù)還包括橫向時間序列，為同一位置任一天的按時間順序排列的行人交通歷史數(shù)據(jù)序列；所述閾值數(shù)據(jù)庫存儲的閾值數(shù)據(jù)還包括第二閾值數(shù)據(jù)對，具有一第二上限閾值數(shù)據(jù)和一第二下限閾值數(shù)據(jù)。本實用新型所述的異常交通狀態(tài)自動檢測系統(tǒng)，其中若判斷結(jié)果為發(fā)生了異常行人交通狀態(tài)，則所述異常行人交通狀態(tài)檢測模塊獲取實時行人交通數(shù)據(jù)、橫向時間序列和第二閾值數(shù)據(jù)對，并根據(jù)橫向時間序列預測實時行人交通數(shù)據(jù)的橫向預測值，通過所述橫向時間序列、實時行人交通數(shù)據(jù)及其橫向預測值構(gòu)建一突變行人交通狀態(tài)異常指數(shù)，將所述突變行人交通狀態(tài)異常指數(shù)與所述第二閾值數(shù)據(jù)對進行比對并根據(jù)比對結(jié)果判斷所述位置是否發(fā)生突變行人交通狀態(tài)異常。本實用新型所述的異常交通狀態(tài)自動檢測系統(tǒng)，還包括一報警模塊，與所述異常行人交通狀態(tài)檢測模塊連接，對于一采樣時間窗口，如果行人交通突變異常指數(shù)大于第二上限閾值數(shù)據(jù)或小于第二下限閾值數(shù)據(jù)的概率超過一預定概率，則所述報警模塊判斷結(jié)果為發(fā)生了突變異常行人交通狀態(tài)。本實用新型所述的異常交通狀態(tài)自動檢測系統(tǒng)，其中還包括信息發(fā)布模塊，與所述異常行人交通狀態(tài)檢測模塊連接，實時發(fā)布異常行人交通狀態(tài)或突變異常行人交通狀態(tài) fn息O通過本實用新型建立人群不同行人交通狀態(tài)(暢通、漸變異常、突發(fā)異常、擁堵等)的實時判斷模型，對人群密集場所的人群聚集風險達到較好的監(jiān)測和控制效果。

圖1為本實用新型行人異常交通狀態(tài)自動檢測系統(tǒng)的結(jié)構(gòu)框圖。
具體實施方式
下面參照附圖結(jié)合實施例對本實用新型進行進一步詳細說明。首先提供一種行人交通數(shù)據(jù)長期發(fā)展模式的構(gòu)建及更新方法，所述行人交通數(shù)據(jù)具有時間刻度和時間尺度，并且包括行人交通原始數(shù)據(jù)和行人交通實時數(shù)據(jù)，該方法包括 步驟Si，獲取至少一個位置多天的行人交通原始數(shù)據(jù)并存儲；步驟S2’ 對所述行人交通原始數(shù)據(jù)進行時間刻度和時間尺度校正；步驟S3’ 篩選同一位置特定天的按時間順序排列的同一時間刻度的行人交通原始數(shù)據(jù)序列并作為縱向時間序列；步驟S4’ 采樣行人交通實時數(shù)據(jù)并進行預處理；步驟S5’ 將所述預處理后的行人交通實時數(shù)據(jù)與所述縱向時間序列中的行人交通原始數(shù)據(jù)進行比對并根據(jù)比對結(jié)果更新縱向時間序列；步驟S6’ 重復步驟S4’ 和步驟S5’，從而完成行人交通數(shù)據(jù)長期發(fā)展模式的構(gòu)建與更新所述步驟S2’還包括篩選同一位置任一天的按時間順序排列的行人交通原始數(shù)據(jù)序列并作為橫向時間序列。所述行人交通數(shù)據(jù)包括流量、區(qū)域人數(shù)、密度及速度。所述步驟S2’包括以一時間刻度為基準，以一時間尺度為步長，將同一位置不同天的行人交通原
5始數(shù)據(jù)時間刻度對齊。所述時間刻度的基準為每天00:00:00，所述時間尺度為5分鐘。所述步驟S3’包括篩選長期趨勢相似的連續(xù)多個星期相同日期的行人交通原始數(shù)據(jù)并作為縱向時間序列。所述篩選的連續(xù)多個星期為4-5個星期。所述步驟S5’包括若行人交通實時數(shù)據(jù)為正常行人交通數(shù)據(jù)，則用實時數(shù)據(jù)更新長期發(fā)展模式，同時剔除原來長期發(fā)展模式當中最早的一個數(shù)據(jù)；若行人交通實時數(shù)據(jù)為丟失、錯誤或行人異常交通數(shù)據(jù)，則保持原來的長期發(fā)展模式不變。根據(jù)時間組織方式不同，本實用新型將行人交通數(shù)據(jù)的時間序列分為橫向時間序列與縱向時間序列兩類。其中，橫向時間序列是指按任一天的時間順序排列的數(shù)據(jù)序列 ’縱向時間序列是指按時間先后順序排列特定天同一時段行人交通數(shù)據(jù)序列。特定空間位置的行人交通數(shù)據(jù)時間序列通常具有長期趨勢性、短期現(xiàn)勢性和隨機波動性三種特性。(1)長期趨勢性，特定區(qū)域一般具有比較穩(wěn)定的社會經(jīng)濟活動模式，即上班、上學、購物等活動在時間和空間的分布具有一定的規(guī)律性，導致不同星期同一日期(周一、周二……周日)的行人交通模式具有較強的相似性。本實用新型將同一監(jiān)控位置、不同日期的同一參數(shù)數(shù)據(jù)時間序列具有相似性的特點稱為長期趨勢性。(2)短期現(xiàn)勢性，由于行人交通事件等因素的影響，特定區(qū)域的行人規(guī)律短時之內(nèi)可能出現(xiàn)偏離長期趨勢的現(xiàn)象， 本將其稱為行人交通時間序列的短期現(xiàn)勢性。( 隨機波動性，除了長期趨勢性、短期現(xiàn)勢性外，行人交通數(shù)據(jù)還存在明顯的隨機波動性，為了消除隨機波動性對行人交通管理決策產(chǎn)生的影響，應該將其適當進行濾波。對于某一日期，如果行人交通數(shù)據(jù)時間序列的發(fā)展過程比較符合長期發(fā)展模式， 則認為是一種正常行人交通狀態(tài)，否則，稱為行人異常交通狀態(tài)。正常行人交通狀態(tài)的可預測性較強，可以對其進行預警，而行人異常交通狀態(tài)的一般難以預測，只能對其進行實時報
Sfc目。行人異常交通狀態(tài)報警是管理部門的重要職能之一，因此，本實用新型分別設計行人異常交通狀態(tài)自動檢測算法和行人異常交通狀態(tài)報警機制。(1)行人異常交通狀態(tài)自動檢測方法根據(jù)行人異常交通狀態(tài)的定義可知，是否顯著偏離行人交通數(shù)據(jù)的長期發(fā)展模式是判斷行人異常交通狀態(tài)的標準。因此，本實用新型利用行人交通數(shù)據(jù)縱向時間序列，采用標準偏差法構(gòu)建行人交通狀態(tài)異常指數(shù)，具體如公式(6-1)所示。通過將其與相應閾值進行比較，判斷是否發(fā)生行人異常交通狀態(tài)。針對特定的位置，行人異常交通狀態(tài)的檢測閾值需要與用戶共同協(xié)商并確定。α(0=-7—
KO(6-1)
ι Ν
n^ (6-2)式中α (t)——當前采樣時間間隔的行人交通狀態(tài)異常指數(shù)；ζ (t)——當前采樣時間間隔的行人交通數(shù)據(jù)實測值；2(0——當前采樣時間間隔的行人交通數(shù)據(jù)縱向預測值；zK(t)——行人交通數(shù)據(jù)長期發(fā)展模式所含當天前面第K個歷史數(shù)據(jù)；N——行人交通數(shù)據(jù)長期發(fā)展模式所含歷史數(shù)據(jù)數(shù)量；
6[0031]σ α (t)——行人交通數(shù)據(jù)長期發(fā)展模式所含歷史數(shù)據(jù)的標準差。對于突發(fā)行人異常交通狀態(tài)而言，行人交通數(shù)據(jù)時間序列的突變性較為強烈。因此，本實用新型利用行人交通數(shù)據(jù)橫向時間序列，采用標準偏差法構(gòu)建行人異常交通狀態(tài)突變指數(shù)，具體如公式(6- 所示。通過將其與相應閾值進行比較，辨別突發(fā)行人異常交通狀態(tài)和漸變行人異常交通狀態(tài)。針對特定的位置，辨別閾值需要與用戶共同協(xié)商并確定。
權(quán)利要求1.一種異常交通狀態(tài)自動檢測系統(tǒng)，其特征在于，利用行人交通數(shù)據(jù)判斷至少一個位置的行人交通狀態(tài)是否發(fā)生異常，所述行人交通數(shù)據(jù)包括歷史行人交通數(shù)據(jù)和實時行人交通數(shù)據(jù)，其特征在于，該系統(tǒng)包括行人交通數(shù)據(jù)采樣模塊，在每個采樣時刻實時采集所述位置的行人交通數(shù)據(jù)；歷史行人交通數(shù)據(jù)庫，與所述實時行人交通數(shù)據(jù)采樣模塊連接，接收并存儲所述行人交通數(shù)據(jù)，所述存儲的行人交通數(shù)據(jù)包括縱向時間序列，為同一位置特定天的按時間順序排列的同一時刻的行人交通歷史數(shù)據(jù)序列；閾值數(shù)據(jù)庫，存儲所述位置的異常行人交通狀態(tài)閾值數(shù)據(jù)，所述存儲的閾值數(shù)據(jù)包括第一閾值數(shù)據(jù)對，具有一第一上限閾值數(shù)據(jù)和一第一下限閾值數(shù)據(jù)；異常行人交通狀態(tài)檢測模塊，與所述行人交通數(shù)據(jù)采樣模塊、歷史行人交通數(shù)據(jù)庫和閾值數(shù)據(jù)庫連接，獲取實時行人交通數(shù)據(jù)、縱向時間序列和第一閾值數(shù)據(jù)對，并根據(jù)縱向時間序列預測實時行人交通數(shù)據(jù)的縱向預測值，通過所述縱向時間序列、實時行人交通數(shù)據(jù)及其縱向預測值構(gòu)建一行人交通狀態(tài)異常指數(shù)，將所述行人交通狀態(tài)異常指數(shù)與所述第一閾值數(shù)據(jù)對進行比對并根據(jù)比對結(jié)果判斷所述位置是否發(fā)生行人交通狀態(tài)異常。
2.如權(quán)利要求1所述的異常交通狀態(tài)自動檢測系統(tǒng)，其特征在于，所述行人交通數(shù)據(jù)包括行人的流量、區(qū)域行人數(shù)量、密度及速度。
3.如權(quán)利要求1所述的異常交通狀態(tài)自動檢測系統(tǒng)，其特征在于，還包括行人交通數(shù)據(jù)預處理模塊，用以預處理行人交通數(shù)據(jù)采樣模塊采集到的行人交通數(shù)據(jù)。
4.如權(quán)利要求3所述的異常交通狀態(tài)自動檢測系統(tǒng)，其特征在于，所述行人交通數(shù)據(jù)預處理模塊包括丟失數(shù)據(jù)識別與修復模塊，用以識別及修復丟失的實時行人交通數(shù)據(jù)；錯誤數(shù)據(jù)識別與修復模塊，用以識別及修復錯誤實時的行人交通數(shù)據(jù)；時間序列平滑模塊，用以對采集的實時行人交通數(shù)據(jù)進行平滑濾波；以及時間尺度合成模塊，用以調(diào)整相鄰行人交通數(shù)據(jù)之間的時間間隔。
5.如權(quán)利要求1所述的異常交通狀態(tài)自動檢測系統(tǒng)，其特征在于，還包括一報警模塊， 與所述異常行人交通狀態(tài)檢測模塊連接，對于一采樣時間窗口，如果行人交通異常指數(shù)連續(xù)大于第一上限閾值數(shù)據(jù)或小于第一下限閾值數(shù)據(jù)的次數(shù)超過一預定次數(shù)，則所述報警模塊判斷結(jié)果為發(fā)生了異常行人交通狀態(tài)。
6.如權(quán)利要求5所述的異常交通狀態(tài)自動檢測系統(tǒng)，其特征在于，所述存儲的行人交通數(shù)據(jù)還包括橫向時間序列，為同一位置任一天的按時間順序排列的行人交通歷史數(shù)據(jù)序列；所述閾值數(shù)據(jù)庫存儲的閾值數(shù)據(jù)還包括第二閾值數(shù)據(jù)對，具有一第二上限閾值數(shù)據(jù)和一第二下限閾值數(shù)據(jù)。
7.如權(quán)利要求6所述的異常交通狀態(tài)自動檢測系統(tǒng)，其特征在于，若判斷結(jié)果為發(fā)生了異常行人交通狀態(tài)，則所述異常行人交通狀態(tài)檢測模塊獲取實時行人交通數(shù)據(jù)、橫向時間序列和第二閾值數(shù)據(jù)對，并根據(jù)橫向時間序列預測實時行人交通數(shù)據(jù)的橫向預測值，通過所述橫向時間序列、實時行人交通數(shù)據(jù)及其橫向預測值構(gòu)建一突變行人交通狀態(tài)異常指數(shù)，將所述突變行人交通狀態(tài)異常指數(shù)與所述第二閾值數(shù)據(jù)對進行比對并根據(jù)比對結(jié)果判斷所述位置是否發(fā)生突變行人交通狀態(tài)異常。
8.如權(quán)利要求7所述的異常交通狀態(tài)自動檢測系統(tǒng)，其特征在于，還包括一報警模塊，與所述異常行人交通狀態(tài)檢測模塊連接，對于一采樣時間窗口，如果行人交通突變異常指數(shù)大于第二上限閾值數(shù)據(jù)或小于第二下限閾值數(shù)據(jù)的概率超過一預定概率，則所述報警模塊判斷結(jié)果為發(fā)生了突變異常行人交通狀態(tài)。
9.如權(quán)利要求1-8中任意一項所述的異常交通狀態(tài)自動檢測系統(tǒng)，其特征在于，還包括信息發(fā)布模塊，與所述異常行人交通狀態(tài)檢測模塊連接，實時發(fā)布異常行人交通狀態(tài)或突變異常行人交通狀態(tài)信息。
專利摘要本實用新型為一種異常交通狀態(tài)自動檢測系統(tǒng)，利用行人交通數(shù)據(jù)判斷至少一個位置的行人交通狀態(tài)是否發(fā)生異常，所述行人交通數(shù)據(jù)包括歷史行人交通數(shù)據(jù)和實時行人交通數(shù)據(jù)，該系統(tǒng)包括行人交通數(shù)據(jù)采樣模塊、歷史行人交通數(shù)據(jù)庫、閾值數(shù)據(jù)庫以及異常行人交通狀態(tài)檢測模塊。本實用新型通過建立人群不同行人交通狀態(tài)的實時判斷模型，對人群密集場所的人群聚集風險達到較好的監(jiān)測和控制效果，有利于管理部門制定有效的管理對策。
文檔編號G08G1/01GK202075864SQ20112013125
公開日2011年12月14日 申請日期2011年4月28日 優(yōu)先權(quán)日2011年4月28日
發(fā)明者倪慧薈, 劉曉琴, 姚曉暉, 龐雷, 李偉, 李鳳, 李明濤, 沈達, 王堯, 胡成 申請人:北京市勞動保護科學研究所