CN108229400A - 地铁车站大客流识别预警方法及*** - Google Patents
地铁车站大客流识别预警方法及*** Download PDFInfo
- Publication number
- CN108229400A CN108229400A CN201810010490.1A CN201810010490A CN108229400A CN 108229400 A CN108229400 A CN 108229400A CN 201810010490 A CN201810010490 A CN 201810010490A CN 108229400 A CN108229400 A CN 108229400A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- station
- flow
- layer
- intensity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Alarm Systems (AREA)
Abstract
一种地铁车站大客流识别预警方法及***,该方法包括:确定站台层以及站厅层需检测区域的面积,以及监控摄像机在车站内的摆放位置;根据监控摄像机采集到的不同区域的视频图像信息获取不同区域的客流信息;计算站台层和站厅层的客流密度及客流密度变化率;根据站台层和站厅层的客流密度以及客流密度变化率、监控摄像机采集到的梯形通道和换乘通道的视频图像信息,以及由自动售检票***设备获取的地铁车站出入客流量信息,确定大客流来源、流向以及大客流预警等级。本发明提供的技术方案利用客流密度及客流密度变化率以及车站内关键位置的客流数据,对大客流的来源、流向进行识别,预警指标更加全面,预警机制更为科学。
Description
技术领域
本发明涉及一种交通管理领域,具体地涉及一种地铁车站大客流识别预警方法及***。
背景技术
以地铁为骨干的综合交通体系,为缓解城市交通压力起到了重要的作用,为城市发展提供了强大的推动力。随着地铁线网规模不断扩大,地铁的可达性、便捷性不断提高,其对客流的吸引力也不断增大。急剧增加的客流量也使地铁安全面临着新的挑战,运力运量的不匹配、高峰时段线路的负荷强度持续增大、换乘站换乘客流量激增等问题都逐渐突显出来。地铁车站作为乘客大量聚集的场所,客流过度饱和状态出现频率越高,对地铁安全保障工作提出的更高越高。
地铁客流预警是根据历史客流规律和现场观测采集到的实时客流数据,提前对即将发生的大客流状况做出级别判定,发出预警信号,并向相关应急管理部门报告现场状况,确定客流控制方案,目的和意义在于预测安全隐患,防范于未然。掌握详细完全的客流分布信息,了解实时客流状态,有针对性的对高强度客流进行预警,有利于选取恰当的运力调度方案、应急疏散和客流组织方案,进而提高地铁车站处理大客流情况的能力,降低大客流带来的风险,最大程度保障乘客出行安全。
目前地铁车站大客流预警还处于刚起步阶段,客流状态的识别还停留在人工监控方式,主要依赖于车站工作人员的日常巡视和对车站关键区域监控图像的观察,预警机制相对比较简单。以图像信息采集为基础的客流预警,存在选取的考察指标单一、忽视对于大客流的类型的判断、简单地将电扶梯、楼梯、通道等其他位置等同考虑等问题。而利用车站自动售检票***(Automatic Fare Collection,简称AFC)设备统计的客流数据,通常有一定的滞后性,且不能获得车站具体客流分布情况。
以上问题都说明目前的预警方法都无法跟上日益增长的客流需求,存在较大隐患。
发明内容
本发明的目的在于提出一种地铁车站大客流识别预警方法及***,以科学、全面地进行地铁车站的大客流预警。
为达此目的,本发明采用以下技术方案:
一种地铁车站大客流识别预警方法,所述方法包括:确定站台层以及站厅层需检测区域的面积,以及监控摄像机在车站内的摆放位置;根据所述监控摄像机采集到的不同区域的视频图像信息获取所述不同区域的客流信息,所述不同区域包括所述站台层和所述站厅层;根据单位时间内所述站台层和所述站厅层的客流信息,计算所述站台层和所述站厅层的客流密度及客流密度变化率;根据所述站台层和所述站厅层的客流密度以及客流密度变化率、监控摄像机采集到的梯形通道和换乘通道的视频图像信息,以及由自动售检票***设备获取的地铁车站出入客流量信息,确定大客流来源、流向以及大客流预警等级。
上述方案中,所述确定大客流来源、流向以及大客流预警等级之后,所述方法还包括:在所述大客流预警等级超过设定的等级阈值时,根据所述大客流来源、流向以及所述大客流预警等级确定相应的处理措施;在实施所述相应的处理措施后,重复判断所述大客流预警等级是否超过设定的等级阈值,直至所述大客流预警等级小于等于所述设定的等级阈值。
上述方案中,所述确定站台层以及所述站厅层需检测区域的面积,包括:根据以下公式确定所述站厅层和所述站台层需检测区域的面积:Ah=Sh-Nh,Ap=Sp-Np。其中,Ah是乘客在站厅可以到达的区域的面积,Sh是站厅层总面积,Nh是乘客在站厅不可到达的区域的面积;Ap是乘客在站台可以到达的区域的面积,Sp是站台层总面积,Np是乘客在站台不可到达的区域的面积;和/或,所述确定所述监控摄像机的摆放位置,包括:将地铁车站内乘客可以到达的各个区域进行划分;将监控摄像机布设在乘客可以到达的各个区域,使所有所述乘客可以到达的各个区域均被覆盖在监控摄像机的监控范围内;在上行和下行的所述梯形通道的入口处设置监控摄像机;在所述换乘通道的入口处设置监控摄像机。
上述方案中,所述根据监控摄像机采集到的不同区域的视频图像信息获取所述不同区域的客流信息,包括:获取所述监控摄像机每隔30s采集的视频图像;通过运用计算机视觉算法对所述视频图像进行处理,获取各个区域的客流量;通过运用视频行人检测技术对每个梯形通道的视频图像进行处理,获取每一组乘客在梯形通道口的疏散时间。
上述方案中,所述确定大客流来源、流向以及大客流预警等级之前,所述方法还包括:获取每隔30s各自动售检票***设备的客流数据;根据所述各自动售检票***设备的客流数据计算出单位时间段内所述地铁车站的进站客流量和出站客流量。
上述方案中,所述根据单位时间内所述站台层和所述站厅层的客流信息,计算所述站台层和所述站厅层的客流密度及客流密度变化率,包括:基于各视频摄像机所拍到客流人数,根据以下公式计算站台和站台实时客流密度:其中,Dh为站厅层客流密度,Phn为站厅层的第n区域的客流人数,Ah是乘客在站厅可以到达的区域的面积;Dp为站台层客流密度,Ppn为站台层的各区域的客流人数,Ap是乘客在站台可以到达的区域的面积;以30s时间粒度的客流密度输入,根据以下公式计算5min时间段内的平均客流密度:
根据以下公式计算站台层和站厅层的客流密度变化率:
其中,Rh为站厅层客流密度变化率,为后5min站厅层客流平均密度,为前5min站厅层客流平均密度,Rp为站台层客流密度变化率,为后5min站台层客流平均密度,为前5min站台层客流平均密度。
上述方案中,所述确定大客流来源、流向以及大客流预警等级之前,所述方法还包括:按照客流密度将大客流预警等级分为M个等级,并根据以下公式计算预警状态的实时客流密度:
其中,Yi为第i级预警状态的实时客流密度阈值,Ri为第i级预警状态下该区域内的客流滞留比例,Ap为个人所占用的面积,M为自然数,i为自然数,1≤i≤M。
上述方案中,所述确定大客流来源、流向以及大客流预警等级,包括:根据以下公式计算每一组梯形通道的通行能力:
μn=C1×dn1+C2×dn2
其中,μn为第n组梯形通道的通行能力,C1为单位宽度的楼梯的通行能力,C2为单位宽度的电扶梯的通行能力,dn1为第n组楼梯的有效宽度,dn2为第n组电扶梯的有效宽度;
根据以下公式计算每一组梯形通道的疏散客流:
Qn=tn×μn
其中,Qn为第n组梯形通道疏散客流人数,tn为每辆列车到达后各梯形通道的客流疏散时间,μn为第n组梯形通道的通行能力,tn根据监控摄像机采集到的梯形通道的视频图像获取;
根据以下公式计算上行、下行每辆列车离开站台客流量:
其中,Q为每辆上行、下行列车到站的客流量,Q出站为该列车出站客流量,Q换乘为该列车换乘客流量;
根据监控摄像机采集到的换乘通道的视频图像信息获取每30s换乘通道各方向乘客通过人数;
根据所述每30s换乘通道各方向乘客通过人数,以及由自动售检票***设备获取的地铁车站进站数据和出站数据,计算大客流中各种客流量的组成数据;
根据所述大客流中各种客流量的组成数据,以及所述上行、下行每辆列车离开站台客流量,确定大客流来源、流向以及大客流预警等级。
一种地铁车站大客流识别预警***,所述***包括:区域确定单元,用于确定站台层以及站厅层需检测区域的面积,以及监控摄像机在车站内的摆放位置;数据获取单元,用于根据所述监控摄像机采集到的不同区域的视频图像信息获取所述不同区域的客流信息,所述不同区域包括所述站台层和所述站厅层;数据处理融合单元,用于根据单位时间内所述站台层和所述站厅层的客流信息,计算所述站台层和所述站厅层的客流密度及客流密度变化率;监测预警单元,用于根据所述站台层和所述站厅层的客流密度以及客流密度变化率、监控摄像机采集到的梯形通道和换乘通道的视频图像信息,以及由自动售检票***设备获取的地铁车站出入客流量信息,确定大客流来源、流向以及大客流预警等级。
上述方案中,所述***还包括预警反馈单元,用于在所述大客流预警等级超过设定的等级阈值时,根据所述大客流来源、流向以及所述大客流预警等级确定相应的处理措施;重复判断所述大客流预警等级是否超过设定的等级阈值,直至所述大客流预警等级小于等于所述设定的等级阈值。
采用本发明提供的地铁车站大客流识别预警方法及***,利用客流密度及客流密度变化率以及车站内关键位置的客流数据,对大客流的来源、流向进行识别,预警指标更加全面,预警机制更为科学。
附图说明
图1是本发明实施例地铁车站大客流识别预警方法的实现流程图;
图2是本发明实施例中的数据采集示意图;
图3是本发明实施例中的预警状态调整矩阵示意图;
图4是本发明实施例地铁车站大客流识别预警***的组成结构示意图;
图5是本发明实施例中应用地铁车站大客流识别预警***进行大客流识别预警的实施流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
如图1所示,本发明实施例提供的地铁车站大客流识别预警方法包括:
步骤110,确定站台层以及站厅层需检测区域的面积,以及监控摄像机在车站内的摆放位置。
步骤120,根据监控摄像机采集到的不同区域的视频图像信息获取不同区域的客流信息,不同区域包括站台层和站厅层。
步骤130,根据单位时间内站台层和站厅层的客流信息,计算站台层和站厅层的客流密度及客流密度变化率。
步骤140,根据站台层和站厅层的客流密度以及客流密度变化率、监控摄像机采集到的梯形通道和换乘通道的视频图像信息,以及由自动售检票***设备获取的地铁车站出入客流量信息,确定大客流来源、流向以及大客流预警等级。
这里,梯形通道包括步行梯以及电动扶梯。
本发明实施例根据视频图像信息和由自动售检票***设备获取的地铁车站出入客流量信息来确定大客流来源、流向以及大客流预警等级,克服了目前仅以视频监控和人工巡视为主要手段的预警模式,预警指标更加全面,预警机制更为科学,动态反馈过程更加实用有效。
在步骤110中,首先需要确定站台层以及站厅层需检测区域的面积、摄像机的摆放位置。具体地,确定站台层以及站厅层需检测区域的面积时,首先根据公式
Ah=Sh-Nh,Ap=Sp-Np
确定站厅层和站台层需检测区域的面积。其中,Ah是乘客在站厅可以到达的区域的面积,Sh是站厅层总面积,Nh是乘客在站厅不可到达的区域的面积;Ap是乘客在站台可以到达的区域的面积,Sp是站台层总面积,Np是乘客在站台不可到达的区域的面积。
在本发明实施例中,可以确定Ah=Sh-Nh=750-350=400m2,Ap=Sp-Np=700-250=450m2。然后,根据《地铁设计规范》(GB 50157-2013)和《视频安防监控***工程设计规范》(GB 50395-2007),定义站厅、站台安装摄像头部署,同时考虑站厅、站台的实际情况和局限性,确定监控摄像机的摆放位置及作用。
具体地,先将地铁车站内乘客可以到达的各个区域进行划分;再将监控摄像机布设在乘客可以到达的各个区域,使所有乘客可以到达的各个区域均被覆盖在监控摄像机的监控范围内;并且,在上行和下行的梯形通道的入口处设置监控摄像机;以及,在换乘通道的入口处设置监控摄像机。
其中,将地铁车站内乘客可以到达的各个区域进行划分时,需要首先在地铁车站平面图上标注出乘客所有可以到达的区域,再将各区域进行划分,并在各区域布设不同类型的监控摄像机,使得所有乘客可到达的区域均被摄像机监控范围覆盖,并且不出现区域重复的情况。
如图2所示,监控摄像机206、监控摄像机207、监控摄像机208被安装到不同区域后,向地铁车站中央处理器201发送视频图像,同时,地铁车站中央处理器201还接收闸机202和闸机203分别发送的进站客流数据和出站客流数据。地铁车站中央处理器201得到的客流状态通过视频显示器204进行显示,同时地铁车站中央处理器201可以与远端操作台205交换客流数据。
在步骤120中,根据监控摄像机采集到的不同区域的视频图像信息获取不同区域的客流信息,包括:获取监控摄像机每隔30s采集的视频图像;通过运用计算机视觉算法对视频图像进行处理,获取各个区域的客流量;通过运用视频行人检测技术对每个梯形通道的视频图像进行处理,获取每一组乘客在梯形通道口的疏散时间。
具体地,在步骤120中,地铁车站中央处理器110将上传的视频图像存储至硬盘,其中,视频图像采集时间间隔并不局限于30s,可以按照实际情况确定。远端操作台205处的技术人员得出该车站各摄像头拍摄区域的客流量以及每一组乘客在梯形通道口的疏散时间后,将这些数据以及各通道分方向客流量结果存入视频监控数据库。
如表1所示的是以30s为采集时间间隔采集的30分钟的客流数据。
表1以30s为采集时间间隔采集的30分钟的客流数据。
其中,编号An为站台层摄像机,编号Bn为站厅层摄像机,n为自然数。
在步骤130中,计算站台层和站厅层的客流密度时及客流密度变换率时,基于各视频摄像机所拍到客流人数,根据以下公式计算站台和站台实时客流密度:
其中,Dh为站厅层客流密度,Phn为站厅层的第n区域的客流人数,Ah是乘客在站厅可以到达的区域的面积;Dp为站台层客流密度,Ppn为站台层的各区域的客流人数,Ap是乘客在站台可以到达的区域的面积;
以30s时间粒度的客流密度输入,根据以下公式计算5min时间段内的平均客流密度:
根据以下公式计算站台层和站厅层的客流密度变化率:
其中,Rh为站厅层客流密度变化率,为后5min站厅层客流平均密度,为前5min站厅层客流平均密度,Rp为站台层客流密度变化率,为后5min站台层客流平均密度,为前5min站台层客流平均密度。
在本发明实施例中,
如表2所示的30分钟的客流密度和客流密度变换率。
表2 30分钟的客流密度和客流密度变换率
在步骤140之前,还需要获取自动售检票***设备的客流数据,具体为:获取每隔30s各自动售检票***设备的客流数据;根据各自动售检票***设备的客流数据计算出单位时间段内地铁车站的进站客流量和出站客流量。
具体的,每隔30s各台闸机的客流数据上传至车站中央处理器,供远端操作台205处的技术人员进行调用。之后,根据这些客流数据计算出的实时的进站客流量和出站客流量,存入自动售检票***数据库中。如表3所示的是30分钟时间段内的客流数据。
表3 30分钟时间段内的客流数据
其中,编号En为进站闸机,编号0n为出站闸机,n为自然数。
在步骤140确定大客流来源、流向以及大客流预警等级之前,还需要预先设置大客流的分级标准,具体地:
按照客流密度将大客流预警等级分为M个等级,并根据以下公式计算预警状态的实时客流密度:
其中,Yi为第i级预警状态的实时客流密度阈值,Ri为第i级预警状态下该区域内的客流滞留比例,Ap为个人所占用的面积,M为自然数,i为自然数,1≤i≤M。
具体的,可以取M=4,即按照客流密度将大客流等级分为I、II、III、IV四个等级,分别对应大客流爆满、大面积大客流、局部大客流、大客流征兆四种状态,预警等级为绿、黄、橙、红,以前三级为操作性预警,第四级为一般性预警,具体各等级的客流密度阈值可结合具体城市地铁实际客流状况、运营人员经验、决策部门建议得到。
具体地,在本发明实施例中,Ri达到90%定为I级预警状态,Ri达到70%定为II级预警状态,Ri达到50%定为III级预警状态,Ri达到30%定为IV级预警状态。个人所占用的面积Api由肩宽、身体厚度及心理距离决定,根据我国成年人体质的实际情况及相关研究结论,拟取值0.3m2作为个人所占用的面积。大客流预警等级划分如表4所示。
表4大客流预警等级划分
大客流等级 | 预警等级 | 状态 | 滞留比例 | 客流密度下限(人/m2) |
IV | 绿 | 大客流征兆 | 30% | 1.00 |
III | 黄 | 局部大客流 | 50% | 1.67 |
II | 橙 | 大面积大客流 | 70% | 2.33 |
I | 红 | 大客流爆满 | 90% | 3.00 |
因此,站厅实时客流密度为0.75人/m2,0.75<1.00,站厅客流正常,站台实时客流密度为1.22人/m2,1.00<1.22<1.67,初步确定大客流等级为IV级,密度变化率持续高于0.05,增长趋势较快,可能为突发性大客流。
在步骤140中,根据各楼梯和电扶梯的疏散时间计算上行、下行每辆车离开站台客流量,出站乘客具体为上行或是下行方向,要根据实际列车到站时间和疏散时间记录对应确定。
之后,根据以下公式计算每一组梯形通道的通行能力:
μn=C1×dn1+C2×dn2
其中,μn为第n组梯形通道的通行能力,C1为单位宽度的楼梯的通行能力,C2为单位宽度的电扶梯的通行能力,dn1为第n组楼梯的有效宽度,dn2为第n组电扶梯的有效宽度;
根据以下公式计算每一组梯形通道的疏散客流:
Qn=tn×μn
其中,Qn为第n组梯形通道疏散客流人数,tn为每辆列车到达后各梯形通道的客流疏散时间,μn为第n组梯形通道的通行能力,tn根据监控摄像机采集到的梯形通道的视频图像获取;
根据以下公式计算上行、下行每辆列车离开站台客流量:
其中,Q为每辆上行、下行列车到站的客流量,Q出站为该列车出站客流量,Q换乘为该列车换乘客流量;
之后,根据监控摄像机采集到的换乘通道的视频图像信息获取每30s换乘通道各方向乘客通过人数,并根据每30s换乘通道各方向乘客通过人数,以及由自动售检票***设备获取的地铁车站进站数据和出站数据,计算大客流中各种客流量的组成数据;
然后根据大客流中各种客流量的组成数据,以及上行、下行每辆列车离开站台客流量,确定大客流来源、流向以及大客流预警等级。
举例说明:某地铁站有2组上行通道,第一组自动扶梯有效宽度为1米、楼梯有效宽度为3米,第二组自动扶梯有效宽度为1米、楼梯有效宽度为2米,每1米宽自动扶梯通行能力为7200人/h,每1米宽楼梯通行能力为4800人/h,疏散时间第一组38s、第二组46s。
此时,Q1=t1×μ1=38×6.5=247,第一组楼梯和电扶梯的通行能力
μ1=C1×d11+C2×d22=2×1+1.5×3=6.5人/s,
第一组楼梯和电扶梯的疏散客流Q1=t1×μ1=38×6.5=247,同理可得Q2=230。
计算上行、下行每辆列车离开站台客流:
根据监控摄像机采集到的换乘通道的视频图像信息获取每30s换乘通道各方向乘客通过人数;
根据每30s换乘通道各方向乘客通过人数,以及由自动售检票***设备获取的地铁车站进站数据和出站数据,取时间间隔为5分钟,估算出各种客流量在大客流状态中所占比例,如表5所示:
表5各种客流量在大客流状态中所占比例
由表5可知,大客流的主要来源是在该站下车客流,下车乘客大部分是在该站出站。
之后,根据识别出的大客流的主要来源,考虑楼梯和电扶梯处的客流疏散时间为且客流密度变化率较大,根据图3所示的预警状态调整矩阵可以将初步的确定为IV级的大客流等级调整为III级,发出大客流预警信号,之后,针对性的采取疏导管控措施,缓解车站大客流情况。
在步骤140之后,还需要根据大客流预警等级对地铁车站内的客流采取限流等应对措施,具体地,在大客流预警等级超过设定的等级阈值时,根据大客流来源、流向以及大客流预警等级确定相应的处理措施;在实施相应的处理措施后,重复判断大客流预警等级是否超过设定的等级阈值,直至大客流预警等级小于等于设定的等级阈值。
具体地,在相应的处理措施即管控措施实施之后,循环步骤120、步骤130和步骤140进行相应指标计算。指标计算结果与制定的各等级阈值进行比较,若计算结果还在预警区间内,则继续发出预警信号,采取相应管控措施;若计算结果低于最低的预警值,则预警结束。
与现有技术相比,本发明实施例提供的地铁车站大客流识别预警方法将可获取的客流数据进行融合,在利用客流密度及客流密度变化率对大客流的发展趋势进行预测的基础上,充分考虑运用车站内关键位置的客流指标对大客流的类型进行识别,克服了目前仅仅以视频监控和人工巡视为主要手段的预警模式,预警指标更加全面,预警机制更为科学,动态反馈过程可帮助地铁车站工作人员有针对性的采取管控措施,及时优化管控方案,对降低大客流带来的风险,减少事故的发生以及不必要的损失,提高地铁安全运营管理能力具有重要意义。
如图4所示,本发明实施例提供一种地铁车站大客流识别预警***,该***包括:
区域确定单元410,用于确定所述站台层以及站厅层需检测区域的面积、摄像机在车站内的摆放位置;
数据获取单元420,用于根据监控摄像机采集到的不同区域的视频图像信息获取不同区域的客流信息,不同区域包括站台层和站厅层;
数据处理融合单元430,用于根据单位时间内站台层和站厅层的客流信息,计算站台层和站厅层的客流密度及客流密度变化率;
监测预警单元440,用于根据站台层和站厅层的客流密度以及客流密度变化率、监控摄像机采集到的梯形通道和换乘通道的视频图像信息,以及由自动售检票***设备获取的地铁车站出入客流量信息,确定大客流来源、流向以及大客流预警等级。
本发明实施例提供的地铁车站大客流识别预警***还包括预警反馈单元,用于在大客流预警等级超过设定的等级阈值时,根据大客流来源、流向以及大客流预警等级确定相应的处理措施;并且,重复判断大客流预警等级是否超过设定的等级阈值,直至大客流预警等级小于等于设定的等级阈值。
预警反馈单元可以评价已经实施的客流管控方案的效果,便于及时对下一步的客流管控方案进行改善。
如图5所示,在进行地铁车站大客流识别预警时,首先由区域确定单元410需检测区域的面积、摄像机的摆放位置,再由数据获取单元420根据监控摄像机采集到的不同区域的视频图像信息获取不同区域的客流信息,之后,数据处理融合单元430计算获得站台层和站厅层的客流密度及客流密度变化率,监测预警单元440确定大客流来源、流向以及大客流预警等级,预警反馈单元510在根据大客流预警等级确定相应的处理措施之后,重复判断大客流预警等级是否超过设定的等级阈值,直至大客流预警等级小于等于设定的等级阈值,此时识别预警程序结束。
本发明提供的地铁车站大客流识别预警***,利用客流密度及客流密度变化率以及车站内关键位置的客流数据,对大客流的来源、流向进行识别,预警指标更加全面,预警机制更为科学。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (10)
1.一种地铁车站大客流识别预警方法,其特征在于,所述方法包括:
确定站台层以及站厅层需检测区域的面积,以及监控摄像机在车站内的摆放位置;
根据所述监控摄像机采集到的不同区域的视频图像信息获取所述不同区域的客流信息,所述不同区域包括所述站台层和所述站厅层;
根据单位时间内所述站台层和所述站厅层的客流信息,计算所述站台层和所述站厅层的客流密度及客流密度变化率;
根据所述站台层和所述站厅层的客流密度以及客流密度变化率、监控摄像机采集到的梯形通道和换乘通道的视频图像信息,以及由自动售检票***设备获取的地铁车站出入客流量信息,确定大客流来源、流向以及大客流预警等级。
2.根据权利要求1所述的方法,其特征在于,所述确定大客流来源、流向以及大客流预警等级之后,所述方法还包括:
在所述大客流预警等级超过设定的等级阈值时,根据所述大客流来源、流向以及所述大客流预警等级确定相应的处理措施;
在实施所述相应的处理措施后,重复判断所述大客流预警等级是否超过设定的等级阈值,直至所述大客流预警等级小于等于所述设定的等级阈值。
3.根据权利要求1或2所述的方法,其特征在于,所述确定站台层以及所述站厅层需检测区域的面积,包括:
根据以下公式确定所述站厅层和所述站台层需检测区域的面积:Ah=Sh-Nh,Ap=Sp-Np
其中,Ah是乘客在站厅可以到达的区域的面积,Sh是站厅层总面积,Nn是乘客在站厅不可到达的区域的面积;Ap是乘客在站台可以到达的区域的面积,Sp是站台层总面积,Np是乘客在站台不可到达的区域的面积;
和/或,所述确定所述监控摄像机的摆放位置,包括:
将地铁车站内乘客可以到达的各个区域进行划分;
将监控摄像机布设在乘客可以到达的各个区域,使所有所述乘客可以到达的各个区域均被覆盖在监控摄像机的监控范围内;
在上行和下行的所述梯形通道的入口处设置监控摄像机;
在所述换乘通道的入口处设置监控摄像机。
4.根据权利要求3所述的方法,其特征在于,所述根据监控摄像机采集到的不同区域的视频图像信息获取所述不同区域的客流信息,包括:
获取所述监控摄像机每隔30s采集的视频图像;
通过运用计算机视觉算法对所述视频图像进行处理,获取各个区域的客流量;
通过运用视频行人检测技术对每个梯形通道的视频图像进行处理,获取每一组乘客在梯形通道口的疏散时间。
5.根据权利要求4所述的方法,其特征在于,所述确定大客流来源、流向以及大客流预警等级之前,所述方法还包括:
获取每隔30s各自动售检票***设备的客流数据;
根据所述各自动售检票***设备的客流数据计算出单位时间段内所述地铁车站的进站客流量和出站客流量。
6.根据权利要求5所述的方法,其特征在于,所述根据单位时间内所述站台层和所述站厅层的客流信息,计算所述站台层和所述站厅层的客流密度及客流密度变化率,包括:
基于各视频摄像机所拍到客流人数,根据以下公式计算站台和站台实时客流密度:
其中,Dn为站厅层客流密度,Phn为站厅层的第n区域的客流人数,Ah是乘客在站厅可以到达的区域的面积;Dp为站台层客流密度,Ppn为站台层的各区域的客流人数,Ap是乘客在站台可以到达的区域的面积;
以30s时间粒度的客流密度输入,根据以下公式计算5min时间段内的平均客流密度:
根据以下公式计算站台层和站厅层的客流密度变化率:
其中,Rh为站厅层客流密度变化率,为后5min站厅层客流平均密度,为前5min站厅层客流平均密度,Rp为站台层客流密度变化率,为后5min站台层客流平均密度,为前5min站台层客流平均密度。
7.根据权利要求6所述的方法,其特征在于,所述确定大客流来源、流向以及大客流预警等级之前,所述方法还包括:
按照客流密度将大客流预警等级分为M个等级,并根据以下公式计算预警状态的实时客流密度:
其中,Yi为第i级预警状态的实时客流密度阈值,Ri为第i级预警状态下该区域内的客流滞留比例,Ap为个人所占用的面积,M为自然数,i为自然数,1≤i≤M。
8.根据权利要求7所述的方法,其特征在于,所述确定大客流来源、流向以及大客流预警等级,包括:
根据以下公式计算每一组梯形通道的通行能力:
μn=C1×dn1+C2×dn2
其中,μn为第n组梯形通道的通行能力,C1为单位宽度的楼梯的通行能力,C2为单位宽度的电扶梯的通行能力,dn1为第n组楼梯的有效宽度,dn2为第n组电扶梯的有效宽度;
根据以下公式计算每一组梯形通道的疏散客流:
Qn=tn×μn
其中,Qn为第n组梯形通道疏散客流人数,tn为每辆列车到达后各梯形通道的客流疏散时间,μn为第n组梯形通道的通行能力,tn根据监控摄像机采集到的梯形通道的视频图像获取;
根据以下公式计算上行、下行每辆列车离开站台客流量:
其中,Q为每辆上行、下行列车到站的客流量,Q出站为该列车出站客流量,Q换乘为该列车换乘客流量;
根据监控摄像机采集到的换乘通道的视频图像信息获取每30s换乘通道各方向乘客通过人数;
根据所述每30s换乘通道各方向乘客通过人数,以及由自动售检票***设备获取的地铁车站进站数据和出站数据,计算大客流中各种客流量的组成数据;
根据所述大客流中各种客流量的组成数据,以及所述上行、下行每辆列车离开站台客流量,确定大客流来源、流向以及大客流预警等级。
9.一种地铁车站大客流识别预警***,其特征在于,所述***包括:
区域确定单元,用于确定站台层以及站厅层需检测区域的面积、监控摄像机在车站内的摆放位置;
数据获取单元,用于根据所述监控摄像机采集到的不同区域的视频图像信息获取所述不同区域的客流信息,所述不同区域包括所述站台层和所述站厅层;
数据处理融合单元,用于根据单位时间内所述站台层和所述站厅层的客流信息,计算所述站台层和所述站厅层的客流密度及客流密度变化率;
监测预警单元,用于根据所述站台层和所述站厅层的客流密度以及客流密度变化率、监控摄像机采集到的梯形通道和换乘通道的视频图像信息,以及由自动售检票***设备获取的地铁车站出入客流量信息,确定大客流来源、流向以及大客流预警等级。
10.根据权利要求9所述的***,其特征在于,所述***还包括预警反馈单元,用于在所述大客流预警等级超过设定的等级阈值时,根据所述大客流来源、流向以及所述大客流预警等级确定相应的处理措施;
重复判断所述大客流预警等级是否超过设定的等级阈值,直至所述大客流预警等级小于等于所述设定的等级阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810010490.1A CN108229400A (zh) | 2018-01-04 | 2018-01-04 | 地铁车站大客流识别预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810010490.1A CN108229400A (zh) | 2018-01-04 | 2018-01-04 | 地铁车站大客流识别预警方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108229400A true CN108229400A (zh) | 2018-06-29 |
Family
ID=62643054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810010490.1A Pending CN108229400A (zh) | 2018-01-04 | 2018-01-04 | 地铁车站大客流识别预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229400A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960532A (zh) * | 2018-08-01 | 2018-12-07 | 北京交通大学 | 一种车站实时客流状态预测与预警***及方法 |
CN109015638A (zh) * | 2018-08-15 | 2018-12-18 | 中国科学院合肥物质科学研究院 | 一种用于会议安保的巡逻机器人控制方法和*** |
CN109658312A (zh) * | 2018-12-07 | 2019-04-19 | 安徽通运计算机科技有限公司 | 一种交通运输企业运营监管*** |
CN109684998A (zh) * | 2018-12-21 | 2019-04-26 | 佛山科学技术学院 | 一种基于图像处理的地铁人流管理的***和方法 |
CN109711523A (zh) * | 2019-01-30 | 2019-05-03 | 成都智元汇信息技术股份有限公司 | 一种基于app客户端的地铁客流信息实时发布***及方法 |
CN109819038A (zh) * | 2019-01-30 | 2019-05-28 | 成都智元汇信息技术股份有限公司 | 一种基于客流信息实时上传的地铁综合管控***及方法 |
CN109816085A (zh) * | 2019-01-30 | 2019-05-28 | 成都智元汇信息技术股份有限公司 | 一种基于现场展示的地铁客流信息实时发布***及方法 |
CN110443131A (zh) * | 2019-07-02 | 2019-11-12 | 合肥非度信息技术有限公司 | 基于视频识别的客流潮汐分析方法、***及存储介质 |
CN110942411A (zh) * | 2019-11-20 | 2020-03-31 | 北京城建设计发展集团股份有限公司 | 基于区域联动的地铁车站客流分级报警方法 |
CN111063190A (zh) * | 2019-12-10 | 2020-04-24 | 北京工业大学 | 城市轨道交通车站站台过饱和客流预控制方法及*** |
CN111640280A (zh) * | 2020-04-21 | 2020-09-08 | 北京北大千方科技有限公司 | 一种基于多源信息融合的地铁站污染物预警方法 |
CN111768576A (zh) * | 2020-06-02 | 2020-10-13 | 上海城市交通设计院有限公司 | 一种地铁客流智能引导***及引导方法 |
CN112542040A (zh) * | 2019-09-20 | 2021-03-23 | 比亚迪股份有限公司 | 护栏控制方法、装置及存储介质 |
CN113297903A (zh) * | 2021-04-16 | 2021-08-24 | 广州地铁设计研究院股份有限公司 | 一种地铁客流数据获取方法、存储介质及计算机设备 |
CN113393355A (zh) * | 2021-04-29 | 2021-09-14 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 轨道交通相对客流分布计算方法、***、电子设备及介质 |
CN113487763A (zh) * | 2021-05-20 | 2021-10-08 | 胡彦霞 | 一种城市轨道交通安全智能检测*** |
CN114596652A (zh) * | 2022-01-24 | 2022-06-07 | 广州新科佳都科技有限公司 | 一种基于站点设备配置的客流量数据仿真方法及装置 |
CN116777089A (zh) * | 2022-09-30 | 2023-09-19 | 广州地铁集团有限公司 | 基于车站密度系数算法的线网客控方法、装置及相关设备 |
CN117275243A (zh) * | 2023-11-22 | 2023-12-22 | 上海随申行智慧交通科技有限公司 | 基于多源交通出行数据的区域流控预测预警方法及应用 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104635706A (zh) * | 2015-02-05 | 2015-05-20 | 上海市城市建设设计研究总院 | 基于信息源检测的群集人员监测及预警的方法及*** |
CN104700159A (zh) * | 2015-02-12 | 2015-06-10 | 广州市地下铁道总公司 | 一种轨道交通客流监测预警*** |
CN106778632A (zh) * | 2016-12-22 | 2017-05-31 | 东南大学 | 轨道交通大客流识别预警***和方法 |
CN106982334A (zh) * | 2017-03-02 | 2017-07-25 | 上海申通地铁集团有限公司 | 用于地铁车站的客流监控装置及方法 |
CN107331114A (zh) * | 2017-06-09 | 2017-11-07 | 安徽富煌科技股份有限公司 | 一种基于视频客流计数的人流量预警*** |
-
2018
- 2018-01-04 CN CN201810010490.1A patent/CN108229400A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104635706A (zh) * | 2015-02-05 | 2015-05-20 | 上海市城市建设设计研究总院 | 基于信息源检测的群集人员监测及预警的方法及*** |
CN104700159A (zh) * | 2015-02-12 | 2015-06-10 | 广州市地下铁道总公司 | 一种轨道交通客流监测预警*** |
CN106778632A (zh) * | 2016-12-22 | 2017-05-31 | 东南大学 | 轨道交通大客流识别预警***和方法 |
CN106982334A (zh) * | 2017-03-02 | 2017-07-25 | 上海申通地铁集团有限公司 | 用于地铁车站的客流监控装置及方法 |
CN107331114A (zh) * | 2017-06-09 | 2017-11-07 | 安徽富煌科技股份有限公司 | 一种基于视频客流计数的人流量预警*** |
Non-Patent Citations (2)
Title |
---|
周继彪: "综合交通换乘枢纽行人交通特性及安全疏散研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
王雪梅 等: "城市轨道交通运营客流交通状态评价", 《城市轨道交通研究》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960532A (zh) * | 2018-08-01 | 2018-12-07 | 北京交通大学 | 一种车站实时客流状态预测与预警***及方法 |
CN109015638A (zh) * | 2018-08-15 | 2018-12-18 | 中国科学院合肥物质科学研究院 | 一种用于会议安保的巡逻机器人控制方法和*** |
CN109015638B (zh) * | 2018-08-15 | 2021-06-18 | 中国科学院合肥物质科学研究院 | 一种用于会议安保的巡逻机器人控制方法和*** |
CN109658312A (zh) * | 2018-12-07 | 2019-04-19 | 安徽通运计算机科技有限公司 | 一种交通运输企业运营监管*** |
CN109684998A (zh) * | 2018-12-21 | 2019-04-26 | 佛山科学技术学院 | 一种基于图像处理的地铁人流管理的***和方法 |
CN109711523A (zh) * | 2019-01-30 | 2019-05-03 | 成都智元汇信息技术股份有限公司 | 一种基于app客户端的地铁客流信息实时发布***及方法 |
CN109819038A (zh) * | 2019-01-30 | 2019-05-28 | 成都智元汇信息技术股份有限公司 | 一种基于客流信息实时上传的地铁综合管控***及方法 |
CN109816085A (zh) * | 2019-01-30 | 2019-05-28 | 成都智元汇信息技术股份有限公司 | 一种基于现场展示的地铁客流信息实时发布***及方法 |
CN110443131A (zh) * | 2019-07-02 | 2019-11-12 | 合肥非度信息技术有限公司 | 基于视频识别的客流潮汐分析方法、***及存储介质 |
CN112542040A (zh) * | 2019-09-20 | 2021-03-23 | 比亚迪股份有限公司 | 护栏控制方法、装置及存储介质 |
CN110942411A (zh) * | 2019-11-20 | 2020-03-31 | 北京城建设计发展集团股份有限公司 | 基于区域联动的地铁车站客流分级报警方法 |
CN110942411B (zh) * | 2019-11-20 | 2022-09-09 | 北京城建设计发展集团股份有限公司 | 基于区域联动的地铁车站客流分级报警方法 |
CN111063190A (zh) * | 2019-12-10 | 2020-04-24 | 北京工业大学 | 城市轨道交通车站站台过饱和客流预控制方法及*** |
CN111640280B (zh) * | 2020-04-21 | 2022-11-01 | 北京北大千方科技有限公司 | 一种基于多源信息融合的地铁站污染物预警方法 |
CN111640280A (zh) * | 2020-04-21 | 2020-09-08 | 北京北大千方科技有限公司 | 一种基于多源信息融合的地铁站污染物预警方法 |
CN111768576A (zh) * | 2020-06-02 | 2020-10-13 | 上海城市交通设计院有限公司 | 一种地铁客流智能引导***及引导方法 |
CN113297903A (zh) * | 2021-04-16 | 2021-08-24 | 广州地铁设计研究院股份有限公司 | 一种地铁客流数据获取方法、存储介质及计算机设备 |
CN113393355A (zh) * | 2021-04-29 | 2021-09-14 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 轨道交通相对客流分布计算方法、***、电子设备及介质 |
CN113393355B (zh) * | 2021-04-29 | 2024-01-16 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 轨道交通相对客流分布计算方法、***、电子设备及介质 |
CN113487763A (zh) * | 2021-05-20 | 2021-10-08 | 胡彦霞 | 一种城市轨道交通安全智能检测*** |
CN114596652A (zh) * | 2022-01-24 | 2022-06-07 | 广州新科佳都科技有限公司 | 一种基于站点设备配置的客流量数据仿真方法及装置 |
CN116777089A (zh) * | 2022-09-30 | 2023-09-19 | 广州地铁集团有限公司 | 基于车站密度系数算法的线网客控方法、装置及相关设备 |
CN117275243A (zh) * | 2023-11-22 | 2023-12-22 | 上海随申行智慧交通科技有限公司 | 基于多源交通出行数据的区域流控预测预警方法及应用 |
CN117275243B (zh) * | 2023-11-22 | 2024-02-02 | 上海随申行智慧交通科技有限公司 | 基于多源交通出行数据的区域流控预测预警方法及应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229400A (zh) | 地铁车站大客流识别预警方法及*** | |
CN105404850B (zh) | 车站客流监测***、车站客流监测方法及车站客流管控***、车站客流管控方法 | |
CN112598182B (zh) | 一种轨道交通智能调度方法及*** | |
CN109858670B (zh) | 一种轨道交通车站大客流实时预警方法 | |
CN110942411B (zh) | 基于区域联动的地铁车站客流分级报警方法 | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN104217297B (zh) | 一种轨道交通车站动态安全风险评价方法 | |
CN106778632A (zh) | 轨道交通大客流识别预警***和方法 | |
CN107766969B (zh) | 一种基于地铁服务能力瓶颈区段识别的大站快线布设方法 | |
CN104392610B (zh) | 基于分布式视频的高速路交通事件影响范围动态监控方法 | |
CN102521965B (zh) | 基于车牌识别数据的交通需求管理措施效果评价方法 | |
CN207164830U (zh) | 建筑消防应急疏散指示*** | |
CN106652483A (zh) | 利用检测设备在区域公路网布设交通信息检测点的方法 | |
CN105787853A (zh) | 一种公共区域拥挤、***件应急预警*** | |
CN108289203A (zh) | 一种用于轨道交通的视频监控*** | |
CN103903429A (zh) | 一种快速公交停靠站的延误时间组合预测方法 | |
CN106781494B (zh) | 一种基于车辆轨迹与流量的机动车尾气遥测设备布点方法 | |
CN104021668A (zh) | 一种公共交通供需状态检测与预测***及方法 | |
CN106156890B (zh) | 一种城市轨道交通通道内客流检测和预测方法及其*** | |
CN109147318A (zh) | 一种用于交通枢纽客流疏散的交通方式舒适度判别*** | |
CN113393113B (zh) | 复杂网络理论信用评价的路内停车欠逃费追缴方法及*** | |
CN117593167A (zh) | 基于大数据的智能城市规划管理方法及*** | |
Zuo et al. | Determination of bus crowding coefficient based on passenger flow forecasting | |
CN112949029A (zh) | 一种车流客流协同评估方法及*** | |
CN116542404A (zh) | 一种客运枢纽场站抵站旅客接续换乘时间的预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180629 |