Anomaly detection using deep learning in metro station traffic systems

This master thesis investigates anomaly detection in metro stations, employing Deep learning (DL) techniques to enhance traffic management systems. The research develops a comprehensive methodology, which aids in ensuring efficient and safe metro station operations through accurate passenger flow prediction and anomaly detection. Starting from Automated Fare Collection (AFC) data, the study employs a Graph Neural Network (GNN) to forecast passenger flows. Subsequently, the forecast is utilized to compute prediction residuals, which are analyzed to classify anomalous behaviors in the flow. Bias and standard deviation in the residuals are calculated through a cross-validation approach and utilized to normalize the residuals. Finally, optimal anomaly threshold values are meticulously calculated through statistical and contextual observations and utilized to detect anomalies. Real-world data from Shenzhen metro stations is employed to build and test the methodology. In the absence of labeled data, artificially injected anomalies are utilized to assess the robustness and accuracy of the model. The results validate the capability of the framework to successfully detect anomalies and yield satisfactory evaluation metrics, proving the model’s applicability to real-world metro station environments. The study holds significant implications for metro stations thanks to the development of an inexpensive and effective anomaly detection methodology, fostering safer and more efficient operations. The discussion presents the model’s limitations and emphasizes on the importance of setting an appropriate threshold based on statistical, contextual, and cost effectiveness considerations, ensuring the proper trade-off between false positives and false negatives. In conclusion, the thesis provides a critical evaluation of the current methodology, laying the basis for future advancements in the realm of anomaly detection in metro stations.

Questa tesi di laurea magistrale indaga il rilevamento delle anomalie nelle stazioni della metropolitana utilizzando tecniche di deep learning al fine di migliorare i sistemi di gestione del traffico. La ricerca sviluppa una metodologia completa per garantire operazioni efficienti e sicure nelle stazioni della metropolitana attraverso una previsione accurata del flusso di passeggeri e il rilevamento delle anomalie. Partendo dai dati di raccolta automatica dei proventi (AFC), lo studio impiega le reti neurali grafiche (GNN) per prevedere i flussi di passeggeri. Successivamente, vengono calcolati i residui della previsione e analizzati per classificare i comportamenti anomali all'interno del flusso. Il bias e la deviazione standard dei residui vengono calcolati utilizzando un approccio di cross-validation e utilizzati per la normalizzazione. Infine, vengono determinati i valori ottimali della soglia di anomalia attraverso osservazioni statistiche e contestuali, consentendo il rilevamento delle anomalie. I dati reali provenienti dalle stazioni della metropolitana di Shenzhen vengono utilizzati per costruire e valutare la metodologia. In assenza di dati etichettati, vengono introdotte anomalie artificiali per valutare la robustezza e l'accuratezza del modello. I risultati convalidano le capacità di rilevamento delle anomalie del framework, producendo metriche di valutazione soddisfacenti e dimostrando la sua applicabilità negli ambienti reali delle stazioni della metropolitana. Lo studio presenta significative implicazioni per le stazioni della metropolitana, sviluppando una metodologia di rilevamento delle anomalie economica ed efficace che favorisce operazioni più sicure ed efficienti. La discussione delinea i limiti del modello e sottolinea l'importanza di stabilire una soglia appropriata basata su considerazioni statistiche, contestuali e di costo-efficacia, garantendo un giusto equilibrio tra falsi positivi e falsi negativi. In conclusione, la tesi fornisce una valutazione critica della metodologia attuale, gettando le basi per futuri progressi nel rilevamento delle anomalie nelle stazioni della metropolitana.