基于卷积神经网络典型相关分析(CNN-CCA)的地铁传感器时序数据异常检测方法研究

为解决物联网(IoT)传感器数据中复杂非线性相关性和集体异常检测难题，研究人员开发了基于卷积神经网络的典型相关分析(CNN-CCA)方法。该研究在自动驾驶列车(AT)定位系统中验证了模型性能，实现F1-score达89%的异常检测精度，为轨道交通智能运维提供了创新解决方案。

　　

随着物联网(IoT)技术在地铁等关键基础设施中的普及，海量传感器产生的时序数据隐藏着设备运行状态的重要信息。然而，传统分析方法面临三大挑战：难以捕捉高维数据中的非线性关系、缺乏标记数据监督训练、现有异常检测方法对集体异常(group anomalies)识别不足。这些问题直接影响着加拿大每年约1000起列车事故的预防能力，促使Queen's University的研究团队开展这项创新研究。

研究团队选择自动驾驶列车定位系统(ATP)作为突破口，该系统通过雷达、速度传感器等设备持续生成多维时序数据。传统典型相关分析(CCA)方法如线性CCA(LCCA)和深度CCA(DCCA)虽然能发现变量间相关性，但前者受限于线性假设，后者采用的MLP网络难以有效提取时序特征。为此，Vignesh Rao等学者在《Machine Learning with Applications》发表论文，提出CNN-CCA这一融合卷积神经网络与CCA的创新架构。

关键技术方法包括：1) 使用双通道1D-CNN提取时序特征，每通道含2个卷积层(64/128滤波器)和2个全连接层(64/32神经元)；2) 通过Hotelling's T²统计量构建异常检测阈值；3) 采用核密度估计(KDE)处理非高斯分布数据；4) 使用Hitachi Rail Canada提供的ATP仿真数据(含95,081条记录)和自制合成数据集进行验证。

4.1 相关性分析性能

在雷达目标检测分析中，CNN-CCA对列车速度(ego_speed)与目标数量(num_targets)的相关系数达0.90，优于DCCA的0.89。当限定邻车速度差阈值时，相关性仅下降4%，证明模型对操作条件的鲁棒性。

4.4.4 集体异常检测

在合成数据测试中，CNN-CCA的F1-score达0.89(召回率0.94)，显著优于DCCA的0.79。实际ATP数据检测精度(F1-score=0.84)虽略有下降，但T²统计量仍能清晰识别异常簇(图8)。

这项研究的重要意义在于：首次将CNN的时空特征提取能力与CCA的相关性分析相结合，解决了传统方法在IoT传感器数据分析中的局限性。提出的CNN-CCA不仅为轨道交通安全运维提供了新工具，其框架还可扩展至其他关键基础设施的预测性维护。未来研究可探索Transformer等新型架构，并收集真实异常数据进一步提升模型泛化能力。