一种用于城市轨交地铁拥挤度的实时估计方法

摘要

本发明属于城市轨交智能管理的技术领域，公开了一种用于城市轨交地铁拥挤度的实时估计方法，用于同一列车经过线路上不同运行断面的拥挤度预测，包括以某号线列车经过某运行断面的始发时刻后T1时间和终到时刻前T2时间之间的时间段作为一个统计周期，将当前特征日某高峰时间段划分成N个统计周期；计算当前特征日各个统计周期内整车的WiFi客流量、视频客流量，上一个特征日对应统计周期内的AFC断面客流量；步骤三、利用神经网络，以当前特征日当前统计周期内的WiFi客流量、视频客流量，上一个特征日对应统计周期内的AFC断面客流量作为输入，实时估计当前特征日当前统计周期内整车的实际客流量，从而完成对列车拥挤度的实时估计。

说明书

技术领域

本发明属于城市轨交智能管理的技术领域，具体涉及一种用于城市轨交地铁拥挤度的实时估计方法。

背景技术

随着我国国民经济的不断发展，城市居民生活水平不断提升，作为城市四大功能之一的城市交通越来越受到大家的重视，其中列车凭借其安全、便捷、准点的出行特点受到广大城市居民的青睐，但由于客流具有时间、空间上的分布特性，地铁列车上的客流会出现局部拥挤现象，从而导致乘客上车困难、行车效率低、客运风险大等问题。因此，准确地对列车列车拥挤度进行实时判定，对地铁列车客运方案的调整、保障地铁列车行车安全、提高列车运能利用率、提高列车服务水平均具有重要意义。

近年来，各城市均在大力推进列车信息化和智能化建设，为获得地铁列车的实时拥挤度，AFC、视频、WiFi、蓝牙等自动客流监测技术在地铁列车上陆续投入使用。经调研分析，现有列车客流检测技术及其缺点如下：

(1)智能视频分析技术：列车行车过程中产生晃动影响视频识别精度；且由于视频监测范围重复或存在盲区，导致其不适合应用于整列车全局范围的客流识别或估计；

(2)WiFi探针技术：采样率较高，易于通过唯一MAC地址去重，适合于一定采样率下的整列车客流估计；但是客流密集程度高的情况下WiFi采样率可能有波动；

(3)AFC客流采集技术：利用乘客AFC进出站刷卡或二维码等数据，通过清分模型得到15min(最小时间粒度，还可以是1小时等)断面客流量，属于全样数据，能够对采样数据起到补充作用；但是无法获得实时断面客流数据，而且无法准确获得某一列车的客流数据，需要进行统计处理；

(4)蓝牙定位技术：采样率极低，无法满足客流统计分析的最低采样率要求，目前还无法应用于列车实时客流判定。

发明内容

本发明提供了一种用于城市轨交地铁拥挤度的实时估计方法，解决了现有拥挤度的计算方法实效性差，准确度低等问题。

本发明可通过以下技术方案实现：

一种用于城市轨交地铁拥挤度的实时估计方法，用于同一列车经过线路上不同运行断面的拥挤度预测，包括以下步骤：

步骤一、以某号线某运行方向的列车经过某一运行断面的始发时刻后T1时间和终到时刻前T2时间之间的时间段作为一个统计周期，将当前特征日p某高峰时间段划分成N个统计周期；

步骤二、计算当前特征日p各个统计周期内整车的WiFi客流量视频客流量上一个特征日p对应统计周期内的AFC断面客流量

步骤三、利用神经网络，以当前特征日p当前统计周期内的WiFi客流量视频客流量上一个特征日p对应统计周期内的AFC断面客流量作为输入，实时估计当前特征日p当前统计周期内整车的实际客流量Y^(p)，从而完成对当前特征日p当前统计周期内列车拥挤度的实时估计；

步骤四、重复步骤二至三，完成某高峰时段N个统计周期内列车拥挤度的实时估计。

进一步，将列车上每节车厢均划分成若干个网格，在每个网格的中心设置一个WIFI探针，以乘客移动终端的MAC地址作为检测对象，计算当前特征日p当前统计周期内整车的WiFi客流量

进一步，对每节车厢内部所有WIFI探针的检测数据进行筛选，先将探测频率低于两次的MAC地址数据去除，再将相同的MAC地址数据仅保留一个，将所有车厢内部剩余MAC地址的数量求和作为当前特征日p当前统计周期内整车的WiFi客流量

进一步，所述T1时间对应的时间段小于T2时间对应的时间段。

进一步，利用如下方程式计算上一个特征日p对应统计周期内整个列车的AFC断面客流量

进一步，在每节车厢内部设置一个或多个摄像头，所述摄像头用于采集车厢内部的乘客视频，相邻车厢内部的摄像头的拍摄范围没有重叠，利用卷积神经网络与岭回归结合的视频人数统计算法，计算每节车厢内部的客流量，取其总和作为当前特征日p当前统计周期内的视频客流量

进一步，利用如下方程式，计算当前特征日p当前统计周期内列车拥挤度D

本发明有益的技术效果在于：

以某号线列车经过运行断面的时间段作为统计周期，计算当前特征日当前统计周期内的WiFi客流量、视频客流量，上一个特征日相同统计周期内的AFC断面客流量，并以此作为神经网络输入，实时估计当前特征日当前统计周期内列车的实际客流量，从而完成对当前特征日当前统计周期内列车拥挤度的实时估计，本发明的实时估计方法综合了WiFi探针检测、视频人数分析和AFC清分数据系统对客流量进行融合估计，尽可能地减少单一检测方法的局限性，扩大了数据的采集范围，实现优势互补，提高了客流量检测精度，进而提高了对列车拥挤的实时估计精度，同时节省了大量的人力、物力，为站台工作人员缓解高峰拥堵提供了数据依据，为解析高峰时段站内乘客的交通特征、仿真与预测站内乘客的时空分布、优化列车车站客运组织方案、启动车站大客流预案等提供参数依据，对于提高列车车站大客流管理水平、保障乘客出行安全具有重要作用。

附图说明

图1是本发明的总体流程示意图；

图2是本发明的出入口的WIFI探针分布示意图；

图3是本发明的视频人数统计算法的流程示意图；

图4是本发明的神经网络的结构示意图；

图5是本发明的训练样本的数据示意图；

图6是采用本发明的方法预测得到的客流量和实际客流量的对比示意图。

具体实施方式

下面结合附图及较佳实施例详细说明本发明的具体实施方式。

如图1所示，本发明提出一种用于城市轨交地铁拥挤度的实时估计方法，用于同一列车经过线路上不同运行断面的拥挤度预测，以某号线列车经过运行断面的时间段作为统计周期，计算当前特征日p当前统计周期内整车的WiFi客流量视频客流量上一个特征日p对应统计周期内的AFC断面客流量并以此作为神经网络输入，实时估计当前特征日p当前统计周期内整车的实际客流量Y^(p)，从而完成对当前特征日p当前统计周期内列车拥挤度的实时估计，这样，当得知当前统计周期内某一运行断面的列车拥挤度状况，工作人员可以对下一运行断面的客流量进行适当规划，或者对列车的到站情况进行适当规划，从而尽可能缓解该拥挤状况，提高了城市轨交管理的智能化水平。

具体包括以下步骤：

步骤一、以某号线列车经过某一运行断面的始发时刻后T1时间和终到时刻前T2时间之间的时间段作为一个统计周期，将当前特征日p某高峰时间段划分成N个统计周期。为了避免列车停站、进站减速、出站加速情况下，对列车上WiFi探针和摄像头数据采集的影响，本发明选取列车经过某一运行断面期间，从其始发后到终到前的这段时间作为一个统计周期，这期间列车上并没有上下客，其客流量稳定不变，便于摄像头和WiFi探针进行数据采集，也为采集数据的准确提供了良好的环境，可取T1时间对应的时间段小于T2时间对应的时间段，尽可能留下更多的时间用于数据处理和传送，以便在列车经过整个运行断面的时间内完成实时估计，较早地为工作人员改善后续运行断面的拥挤度提供依据。

步骤二、计算当前特征日p各个统计周期内整车的WiFi客流量视频客流量上一个特征日p对应统计周期内的AFC断面客流量

对于WiFi客流量

将列车上每节车厢均划分成若干个网格，在每个网格的中心设置一个WIFI探针，如图2所示，以乘客对应的MAC地址作为检测对象，计算当前特征日p当前统计周期内整个列车的WiFi客流量其网格的数量可以根据WIFI探针的实际性能和列车的实际体积来决定，确保WIFI探针的探测范围能够覆盖整个列车。

为了提高后续计算的准确性，需要对每节车厢内部所有WIFI探针的检测数据进行筛选。

(1)为了避免地面及高架线路上非列车内WiFi设备数据的影响，筛除统计周期内被探频次低于两次的MAC地址；

(2)数据去重：筛除统计周期中重复被采集的数据，即相同MAC地址只保留一个。

最后，计算所有车厢内部剩余MAC地址的数量之和作为当前特征日p当前统计周期内整个列车的WiFi客流量

对于视频客流量

在每节车厢内部设置摄像头，该摄像头用于采集车厢内部的乘客视频，相邻车厢内部的摄像头的拍摄范围没有重叠。针对统计周期内的某一帧视频图像，利用卷积神经网络与岭回归结合的视频人数统计算法，如图3所示，即通过卷积神经网络回归该帧视频图像中人头中心点，获得人群密度分布特征图，然后使用岭回归模型分析人群密度分布特征图得到该帧视频图像对应的人数，最后取该列车每节车厢选定摄像头分析得到人头数的之和即为当前特征日p当前统计周期内的视频客流量

对于AFC断面客流量

由于AFC清分数据具有延时性，全网进出站数据在次日凌晨才统一清分，即通过AFC清分数据只能获得历史特征日对应统计时段的断面客流量，故本发明采用预测特征日的上一个特征日的对应15min、对应运行断面上的AFC清分断面客流量的平均值作为AFC断面客流量计算公式如下：

步骤三、利用神经网络，如图4所示，以当前特征日p当前统计周期内的WiFi客流量视频客流量上一个特征日p对应统计周期内的AFC断面客流量作为输入，实时估计当前特征日p当前统计周期内列车的实际客流量Y^(p)，从而完成对当前特征日p当前统计周期内列车拥挤度的实时估计。

在进行预测之前，首先需要对神经网络进行训练，其训练数据采用上文所述的计算方法得到，同一列车在预测的统计周期对应时段内如高峰时段、非高峰时段内，经过不同运行断面的WiFi客流量视频客流量AFC断面客流量作为输入，以人工视频计数方式即使用人工计数的方式从列车始发站起通过视频统计各站各车门的上下车人数，进而根据以下公式计算出列车经过各个运行断面的实际客流量Y_t作为输出，对神经网络进行训练。为了确保神经网络的预测精度，用于训练数据的样本数不少于120，若当前时段的数据不足够，可以取同一列车上一特征日或者再往上对应的特征日在相同时段的数据。

Y_t＝∑上车人数-∑下车人数

利用如下方程式，计算当前特征日p当前统计周期内列车拥挤度D

本发明将列车拥挤度处于100％＜D≤130％时，视为严重拥挤；处于80％＜D≤100％时，视为拥挤；处于60％＜D≤80％时，视为一般拥挤；处于D≤60％时，视为不拥挤。

步骤四、重复步骤二至三，完成某个高峰时段N个统计周期内列车拥挤度的实时估计。

以上海地铁9号线列车为例，详细描述本发明的方法。

第一步：分析上海地铁9号线列车客流数据的时间分布特征，将预测特征日、预测时段划分为工作日高峰时段、工作日非高峰时段、非工作日时段三种时段。取预测特征日为2018年12月28日周五，预测特征时段为早高峰时段7:00-9:00中7：00-7：02，此时编号为XXX列车于经过运行断面松江大学城站与洞泾站。

第二步：利用9号线列车每节车厢上已有的花生WiFi探针采集数据,并在列车每节车厢选取一个固定拥堵位置的摄像头用于视频数据分析，确保无重叠的监测区域。

第三步：根据包含9号线列车到发站时刻的列车运行ATS数据，选取9号线列车在松江大学城站与洞泾站之间的运行断面上的始发时刻后30s和终到时刻前50s之间的时间段为统计周期的始末时刻，即作为WiFi探针、视频和AFC数据的样本数据统计周期T。本实例中T＝1min。

第四步：取样本数量n＝120，根据各样本数据的统计周期，对WiFi探针采集的数据按照如下规则进行筛选，以获得有效WiFi探针数据集：

(1)为了避免地面及高架线路上非列车内WiFi设备数据的影响，筛除样本数据统计周期内探测频次低于两次的MAC地址；

(2)数据去重。筛除统计周期中重复被采集的数据，即相同MAC地址只保留一个。

根据设备MAC地址的唯一性，得到9号线列车2018年12月7日、14日、21日(周五)7:00-9:00、编号为XXX列车通过不同运行断面的WiFi客流量采集的部分数据见图5，取样本数量为120。

第五步：根据各样本数据统计周期，选取列车通过松江大学城站与洞泾站之间的运行断面的过程中样本统计周期内各车厢选定摄像头视频的某一帧，利用卷积神经网络与岭回归结合的视频人数统计算方法，即通过卷积神经网络回归列车监控视频图像中人头中心点，获得人群密度分布特征图，然后使用岭回归模型分析人群密度分布特征图得到该帧视频图像对应的人数，从而得到编号为XXX的9号线列车2018年12月7日、14日、21日(周五)7:00-9:00、通过不同运行断面、各车厢选定摄像头分析得到人头数的平均值即视频客流量采集的部分数据见图5。

第六步：根据各样本数据统计周期，提取和计算上海地铁9号线于2018年2018年11月30日、12月14日、12月7日(周五)于7:00-9:00之间相同15min、编号为XXX列车通过不同运行断面上的AFC清分列车乘客数的平均值作为AFC断面客流量采集的部分数据见图5。其中，AFC断面客流量的计算公式如下：

第七步：取样本数量n＝120，结合列车运行ATS数据，使用人工的方式从列车始发站起通过视频数9号线列车2018年12月7日、14日、21日(周五)7:00-9:00在各站、各车门的上下车人数，并根据以下公式计算得到编号为XXX列车通过不同运行断面上的实际运行断面列车客流量Y_t，采集的部分数据见图5：

Y_t＝∑上车人数-∑下车人数

第八步：采用BP神经网络建立上海地铁9号线WiFi客流量视频客流量AFC断面客流量对实际运行断面列车客流量Y_t的预测模型，参考图4。并利用采集的120组样本数据对BP神经网络进行学习和训练，建立满足训练精度要求的X_t→Y_t的预测模型，参考图4。

第九步：利用训练好的BP神经网络预测模型，输入2018年12月28日(周五)7:00-7:02、列车通过松江大学城站与洞泾站始发时刻后30s和终到时刻前50s之间的运行断面的WiFi客流量视频客流量AFC断面客流量预测得到当前统计周期7:00-7:02内的实际列车断面乘客数Y^p。上海地铁9号线列车在预测特征日、预测特征时段的预测乘客人数与实际乘客人数对比图如图6所示。从图中可知，预测值曲线与实际值曲线的重合度较高，列车乘客人数预测值与列车实际乘客人数的最大绝对偏差值为178人，平均绝对相对误差率为5.1％。

第十步：利用如下公式将预测模型预测的实际列车断面乘客数转化成实际列车断面拥挤度D：

按照如下方法判断列车断面拥挤度等级：

将实际列车断面拥挤度处于100％＜D≤130％时，视为严重拥挤；处于80％＜D≤100％时，视为拥挤；处于60％＜D≤80％时，视为一般拥挤；处于D≤60％时，视为不拥挤。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，在不背离本发明的和实质的前提下，可以对这些实施方式做出多种变更或修改，因此，本发明的保护范围由所附权利要求书限定。