CN115564151A - 一种基于形态识别的突发大客流形态识别方法及*** - Google Patents

一种基于形态识别的突发大客流形态识别方法及*** Download PDF

Info

Publication number
CN115564151A
CN115564151A CN202211553381.7A CN202211553381A CN115564151A CN 115564151 A CN115564151 A CN 115564151A CN 202211553381 A CN202211553381 A CN 202211553381A CN 115564151 A CN115564151 A CN 115564151A
Authority
CN
China
Prior art keywords
passenger flow
curve
current
virtual
subway station
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
Application number
CN202211553381.7A
Other languages
English (en)
Inventor
俞高赏
刘鹏
刘杰
拜正斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Zhiyuanhui Information Technology Co Ltd
Original Assignee
Chengdu Zhiyuanhui Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Zhiyuanhui Information Technology Co Ltd filed Critical Chengdu Zhiyuanhui Information Technology Co Ltd
Priority to CN202211553381.7A priority Critical patent/CN115564151A/zh
Publication of CN115564151A publication Critical patent/CN115564151A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Devices For Checking Fares Or Tickets At Control Points (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及城市轨道交通安全技术领域，公开了一种基于形态识别的突发大客流形态识别方法及***，其中，一种基于形态识别的突发大客流形态识别方法具体包括调用地铁站点的历史进出站数据生成特征虚拟客流曲线、读取地铁站点的当前进出站数据生成当前虚拟客流曲线、判断地铁站点是否存在突发大客流状态和确定地铁站点的突发大客流形态；一种基于形态识别的突发大客流形态识别***，包括特征虚拟客流曲线生成模块、当前虚拟客流曲线生成模块、状态判断模块和形态确定模块。本发明能够识别突发大客流形态，使运营决策部门可以基于突发大客流形态对客流进行预测并给城市轨道交通的日常运营提供指导。

Description

一种基于形态识别的突发大客流形态识别方法及***
技术领域
本发明涉及城市轨道交通安全技术领域，具体涉及一种基于形态识别的突发大客流形态识别方法及***。
背景技术
随着我国城市轨道交通建设的增长，其安全运营和应急调度的重要性日益突显。但是目前，特别是在面对突发大客流时，尚缺乏一种方法可以对城市轨道交通的突发大客流形态进行识别，运营决策部门无法基于突发大客流形态对客流进行预测并给城市轨道交通的日常运营提供指导。
发明内容
本发明的目的在于提供一种基于形态识别的突发大客流形态识别方法及***，用来对城市轨道交通的突发大客流形态进行识别，使运营决策部门可以基于突发大客流形态对客流进行预测并给城市轨道交通的日常运营提供指导。
为解决上述技术问题，本发明采用了以下方案：
一方面，一种基于形态识别的突发大客流形态识别方法，包括以下步骤：
S1：调用地铁站点的历史进出站数据；
S2：根据历史进出站数据生成特征虚拟客流曲线；
S3：读取地铁站点的当前进出站数据；
S4：根据当前进出站数据生成当前虚拟客流曲线；
S5：根据特征虚拟客流曲线和当前虚拟客流曲线判断地铁站点是否存在突发大客流状态；
S6：若判断地铁站点存在突发大客流状态，根据特征虚拟客流曲线、当前虚拟客流曲线和预设的突发大客流形态曲线确定地铁站点的突发大客流形态。
进一步的，所述历史进出站数据包括历史时间段、历史时间段内的任意时间段的进站客流值和出站客流值，所述S2具体包括：
S21：将历史时间段分为若干个连续且长度为客流周期的长度T的历史周期时间段；
S22：将历史周期时间段分为若干个连续的历史自定义时间段；
S23 ：根据全部历史自定义时间段的进站客流值和出站客流值计算全部历史自定义时间段的虚拟客流值；
S24：根据全部历史自定义时间段的虚拟客流值生成全部历史周期时间段的历史虚拟客流曲线；所述历史虚拟客流曲线的横坐标为时间，纵坐标为虚拟客流值；
S25：合并全部历史周期时间段的历史虚拟客流曲线生成地铁站点在一个客流周期的特征虚拟客流曲线；所述特征虚拟客流曲线的横坐标为时间，纵坐标为特征虚拟客流值。
进一步的，所述客流周期为从地铁站点进站的总人数与从地铁站点出站的总人数相等的最小时间间隔。
进一步的，所述虚拟客流值的计算公式如下：
Figure 81141DEST_PATH_IMAGE001
其中
Figure 100002_DEST_PATH_IMAGE002
代表在第i时刻的虚拟客流值，
Figure 499615DEST_PATH_IMAGE003
代表第K时刻的出站客流值，
Figure DEST_PATH_IMAGE004
代表第K时刻的进站客流值；所述客流周期开始时，
Figure 388068DEST_PATH_IMAGE002
的值为0。
进一步的，所述当前进出站数据包括当前周期时间段、当前周期时间段内的任意时间段的进站客流值和出站客流值，所述当前周期时间段的长度为客流周期的长度T且与历史周期时间段的时间间隔为n*T，n为自然数，所述S4具体包括：
S41：将当前周期时间段分为若干个连续的当前自定义时间段；
S42：根据当前自定义时间段的进站客流值和出站客流值计算当前自定义时间段的虚拟客流值；
S43：根据当前自定义时间段的虚拟客流值生成地铁站点在当前周期时间段的当前虚拟客流曲线；所述当前虚拟客流曲线的横坐标为时间，纵坐标为虚拟客流值。
进一步的，所述S5具体包括：
S51：根据当前虚拟客流曲线和特征虚拟客流曲线生成地铁站点的残差曲线；所述残差曲线的横坐标为时间，纵坐标为残差；
S52：若残差的绝对值大于自定义值x，x为正整数，则判断地铁站点存在突发大客流状态。
进一步的，所述S6具体包括：
S61：若判断地铁站点存在突发大客流状态，则对地铁站点的残差曲线与预设的突发大客流形态曲线进行相似度计算；
S62：根据相似度确定地铁站点的突发大客流形态。
进一步的，所述预设的突发大客流形态曲线包括全时段等比增长曲线、全时段等额增长曲线、某时段突发大客流持续时间短曲线和某时段突发大客流持续时间长曲线，对应的，所述突发大客流形态包括全时段等比增长、全时段等额增长、某时段突发大客流持续时间短和某时段突发大客流持续时间长。
另一方面，一种基于形态识别的突发大客流形态识别***，包括：
存储器；
一个或若干个处理器；
一个或若干个客流监测设备；
一个或若干个模块，存储在存储器中并被配置成由所述一个或若干个处理器执行，所述一个或若干个模块包括：
调用地铁站点的历史进出站数据，并根据历史进出站数据生成特征虚拟客流曲线的特征虚拟客流曲线生成模块；
读取地铁站点的当前进出站数据，并根据当前进出站数据生成当前虚拟客流曲线的当前虚拟客流曲线生成模块；
根据特征虚拟客流曲线和当前虚拟客流曲线判断地铁站点是否存在突发大客流状态的状态判断模块；
若判断地铁站点存在突发大客流状态，根据特征虚拟客流曲线、当前虚拟客流曲线和预设的突发大客流形态曲线确定地铁站点的突发大客流形态的形态确定模块。
进一步的，所述形态确定模块包括：
预设有突发大客流形态曲线的存储器；
对地铁站点的残差曲线与预设的突发大客流形态曲线进行相似度计算的相似度计算模块。
本发明具有的有益效果：
1、本发明中，通过提供一种基于形态识别的突发大客流形态识别方法及***，状态判断模块根据特征虚拟客流曲线生成模块和当前虚拟客流曲线生成模块生成的特征虚拟客流曲线和当前虚拟客流曲线判断地铁站点是否存在突发大客流状态，若存在突发大客流状态，形态确定模块会根据特征虚拟客流曲线、当前虚拟客流曲线和预设的突发大客流形态曲线确定地铁站点的突发大客流形态，实现对城市轨道交通的突发大客流形态进行识别，并使运营决策部门可以基于突发大客流形态对客流进行预测并给城市轨道交通的日常运营提供指导。
2、本发明中，通过根据当前虚拟客流曲线和特征虚拟客流曲线生成地铁站点的残差曲线，若残差的绝对值大于自定义值x，则判断地铁站点存在突发大客流状态，在判断地铁站点存在突发大客流状态后，才会对地铁站点的突发大客流形态进行确定。
3、本发明中，通过对地铁站点的残差曲线与预设的突发大客流形态曲线进行相似度计算，找到与地铁站点的残差曲线相似度最高的突发大客流形态曲线，并将地铁站点的突发大客流形态确定为该相似度最高的突发大客流形态曲线对应的突发大客流形态。
附图说明
图1为本发明中的基于形态识别的突发大客流形态识别方法的总体流程图；
图2为本发明中的S2的具体流程图；
图3为本发明中的S4的具体流程图；
图4为本发明中的基于形态识别的突发大客流形态识别***在实际使用中的总体结构图；
图5为突发大客流形态为全时段等额增长的站点的当前虚拟客流曲线与特征虚拟客流曲线。
具体实施方式
为使本领域技术人员更好地理解本发明/发明的技术方案，下面结合附图和具体实施方式对本发明/发明作进一步详细描述。
实施例1：
如图1和图5所示的一种基于形态识别的突发大客流形态识别方法，包括以下步骤：
S1：调用地铁站点的历史进出站数据；
S2：根据历史进出站数据生成特征虚拟客流曲线；
S3：读取地铁站点的当前进出站数据；
S4：根据当前进出站数据生成当前虚拟客流曲线；
S5：根据特征虚拟客流曲线和当前虚拟客流曲线判断地铁站点是否存在突发大客流状态；
S6：若判断地铁站点存在突发大客流状态，根据特征虚拟客流曲线、当前虚拟客流曲线和预设的突发大客流形态曲线确定地铁站点的突发大客流形态。
具体的，所述S5具体包括：
S51：根据当前虚拟客流曲线和特征虚拟客流曲线生成地铁站点的残差曲线；所述残差曲线的横坐标为时间，纵坐标为残差；
S52：若残差的绝对值大于自定义值x，x为正整数，例如，自定义值x为100。则判断地铁站点存在突发大客流状态。
具体的，所述S6具体包括：
S61：若判断地铁站点存在突发大客流状态，则对地铁站点的残差曲线与预设的突发大客流形态曲线进行相似度计算；
S62：根据相似度确定地铁站点的突发大客流形态。
具体的，所述预设的突发大客流形态曲线包括全时段等比增长曲线、全时段等额增长曲线、某时段突发大客流持续时间短曲线和某时段突发大客流持续时间长曲线，对应的，所述突发大客流形态包括全时段等比增长、全时段等额增长、某时段突发大客流持续时间短和某时段突发大客流持续时间长。
例如，图5中的线A为当前虚拟客流曲线、线B为特征虚拟客流曲线，若地铁站点在一个工作日内的突发大客流形态为全时段等比增长，则该地铁站点在该工作日内的虚拟客流值与特征虚拟客流值的比值基本保持不变且增长幅度一般在130%~250%之间；若地铁站点的突发大客流形态为全时段等额增长，则该地铁站点的虚拟客流值与特征虚拟客流值的差值基本保持不变且增长的数值一般在100-200之间；若地铁站点的突发大客流形态为某时段突发大客流持续时间短，则该地铁站点在15分钟到30分钟内的虚拟客流值与特征虚拟客流值的差值会异常增加并降低，其虚拟客流峰值能达到正常时段的200%~500%；若地铁站点的突发大客流形态为某时段突发大客流持续时间短，则该地铁站点在150分钟到300分钟内的虚拟客流值与特征虚拟客流值的差值会异常升高并回落。
上述对突发大客流形态的描述是从进站客流角度进行描述的，从出站客流角度描述同样适用。
本实施例的工作原理：
调用地铁站点的历史进出站数据，并根据历史进出站数据生成特征虚拟客流曲线；读取地铁站点的当前进出站数据，并根据当前进出站数据生成当前虚拟客流曲线，根据特征虚拟客流曲线和当前虚拟客流曲线生成残差曲线；若残差的绝对值高于自定义值x，则判断地铁站点存在突发大客流状态，并对地铁站点的残差曲线与预设的突发大客流形态曲线进行相似度计算，确定地铁的突发大客流形态。
实施例2：
本实施例基于实施例1，如图2至图3所示的一种基于形态识别的突发大客流形态识别方法，所述S2具体包括：
S21：将历史时间段分为若干个连续且长度为客流周期的长度T的历史周期时间段，例如，所述客流周期的长度T为7天；
S22：将历史周期时间段分为若干个连续的历史自定义时间段；
S23 ：根据全部历史自定义时间段的进站客流值和出站客流值计算全部历史自定义时间段的虚拟客流值；
S24：根据全部历史自定义时间段的虚拟客流值生成全部历史周期时间段的历史虚拟客流曲线；所述历史虚拟客流曲线的横坐标为时间，纵坐标为虚拟客流值；
S25：合并全部历史周期时间段的历史虚拟客流曲线生成地铁站点在一个客流周期的特征虚拟客流曲线；所述特征虚拟客流曲线的横坐标为时间，纵坐标为特征虚拟客流值。
具体的，所述客流周期为从地铁站点进站的总人数与从地铁站点出站的总人数相等的最小时间间隔。
具体的，所述虚拟客流值的计算公式如下：
Figure 256798DEST_PATH_IMAGE001
其中
Figure 620914DEST_PATH_IMAGE002
代表在第i时刻的虚拟客流值，
Figure 967713DEST_PATH_IMAGE003
代表第K时刻的出站客流值，
Figure 100885DEST_PATH_IMAGE004
代表第K时刻的进站客流值；所述客流周期开始时，
Figure 671675DEST_PATH_IMAGE002
的值为0。
具体的，所述当前进出站数据包括当前周期时间段、当前周期时间段内的任意时间段的进站客流值和出站客流值，所述当前周期时间段的长度为客流周期的长度T且与历史周期时间段的时间间隔为n*T，n为自然数，所述S4具体包括：
S41：将当前周期时间段分为若干个连续的当前自定义时间段；
S42：根据当前自定义时间段的进站客流值和出站客流值计算当前自定义时间段的虚拟客流值；
S43：根据当前自定义时间段的虚拟客流值生成地铁站点在当前周期时间段的当前虚拟客流曲线；所述当前虚拟客流曲线的横坐标为时间，纵坐标为虚拟客流值。
本实施例的工作原理：
在本方案中定义虚拟客流值为从地铁站点进站的总人数减去从地铁站点出站的总人数，经大量研究发现，绝大多数地铁站点的虚拟客流值每经过一段时间后便会归零，相邻两次归零之间的时间间隔基本保持一致，将这个时间间隔定义为客流周期，则会发现相邻两个客流周期的虚拟客流值随时间的变化曲线也基本保持一致，由此可根据上述所有变化曲线生成地铁站点在一个客流周期的特征虚拟客流曲线，并以特征虚拟客流曲线为基准研究地铁站点的突变大客流形态。
基于上述原理，本技术方案首先以客流周期为基准对历史时间段进行分段，将历史时间段分为若干个连续且长度为客流周期的长度T的历史周期时间段，生成全部历史周期时间段的历史虚拟客流曲线，并将全部历史虚拟客流曲线合并生成该地铁站点在一个客流周期内的特征虚拟客流曲线；获取地铁站点的当前进出站数据，并根据当前进出站数据生成地铁站点在当前周期时间段的当前虚拟客流曲线，通过将当前周期时间段的长度设置为客流周期的长度T且当前周期时间段与历史周期时间段的时间间隔为n*T，其中n为自然数，使当前虚拟客流曲线所处的当前周期时间段与特征虚拟客流曲线所处的客流周期相对应，便可以特征虚拟客流曲线为基准研究地铁站点的突发大客流形态。
本发明基于地铁站点在一个客流周期内的虚拟客流值具有归零的特性，以此可以先将历史数据进行基于客流周期的分段处理，再对不同段内的历史数据形成的虚拟客流值曲线进行曲线拟合，所得的曲线具有归零特性，所述归零特性是指该曲线的起始值和终点值均为零，中间为一段封闭的曲线，这个曲线具有一定的形状，利用该曲线的形状来标定和表达这个地铁站点的常态特征。再上述基础上，将实时数据所形成曲线与上述形状进行残差差异化分析，基于差异结果来定性地判断是否存在突发的大客流状态，并进一步根据残差的形状来分析大客流形态的类别，以便于为地铁站点的调度、管理、维护等提供定性依据，经测试，本发明的这种方式能够较为高效地实现对突发大客流形态的准确识别。
实施例3：
如图4所示的，一种基于形态识别的突发大客流形态识别***，包括：
存储器；
一个或若干个处理器；
一个或若干个客流监测设备；
一个或若干个模块，存储在存储器中并被配置成由所述一个或若干个处理器执行，所述一个或若干个模块包括：
调用地铁站点的历史进出站数据，并根据历史进出站数据生成特征虚拟客流曲线的特征虚拟客流曲线生成模块；
读取地铁站点的当前进出站数据，并根据当前进出站数据生成当前虚拟客流曲线的当前虚拟客流曲线生成模块；
根据特征虚拟客流曲线和当前虚拟客流曲线判断地铁站点是否存在突发大客流状态的状态判断模块；
若判断地铁站点存在突发大客流状态，根据特征虚拟客流曲线、当前虚拟客流曲线和预设的突发大客流形态曲线确定地铁站点的突发大客流形态的形态确定模块。
具体的，所述形态确定模块包括：
预设有突发大客流形态曲线的存储器；
对地铁站点的残差曲线与预设的突发大客流形态曲线进行相似度计算的相似度计算模块。
本实施例的工作原理：
特征虚拟客流曲线生成模块调用历史进出站数据，并根据历史进出站数据生成特征虚拟客流曲线；当前虚拟客流曲线生成模块读取当前进出站数据，并根据当前进出站数据生成当前虚拟客流曲线；状态判断模块接收特征虚拟客流曲线和当前虚拟客流曲线，生成残差曲线，并根据残差的绝对值判断地铁站点是否存在突发大客流状态，若判断存在突发大客流状态，状态判断模块向形态确定模块输出残差曲线，形态确定模块中的相似度计算模块会计算残差曲线和预设的突发大客流形态曲线的相似度，并将地铁站点的突发大客流形态确定为与残差曲线相似度最高的突发大客流形态曲线所对应的突发大客流形态。
实施例4：
本实施例从整体流程角度详细描述一种基于形态识别的突发大客流形态识别方法及***，如图1至图4所示：
本发明的技术方案包括一个生成特征虚拟客流曲线的过程、一个生成当前虚拟客流曲线的过程、一个判断地铁站点是否存在突发大客流状态的过程和一个确定地铁站点的突发大客流形态的过程，具体包括：
前置步骤：客流监测设备在地铁站点的地铁闸机处获取乘客的进出站情况，并根据乘客的进出站情况记录每15分钟的进站客流值和出站客流值，并将其存储在存储器中；
生成特征虚拟客流曲线：特征虚拟客流曲线生成模块调用过去时间中一个长度为140天的历史时间段内的全部进站客流值和出站客流值，地铁站点的客流周期的长度T为7天，特征虚拟客流曲线生成模块将历史时间段分为20组长度为7天的历史周期时间段，并根据各个历史周期时间段内的全部的进站客流值和出站客流值生成各个历史周期时间段的历史虚拟客流曲线，在将全部的历史虚拟客流曲线合并为一条特征虚拟客流曲线；
生成当前虚拟客流曲线：当前虚拟客流曲线生成模块读取当前周期时间段的全部进站客流值和出站客流值，并根据当前周期时间段内的全部的进站客流值和出站客流值生成当前周期时间段的当前虚拟客流曲线；
判断是否存在突发大客流状态：状态判断模块根据特征虚拟客流曲线和当前虚拟客流曲线生成残差曲线，若残差的绝对值大于100，则判断地铁站点存在突发大客流状态，并向形态确定模块输出残差曲线。
确定突发大客流形态：形态确定模块接收到来自状态判断模块的残差曲线后，将残差曲线与预设的突发大客流形态曲线进行相似度计算，并将地铁站点的突发客流形态设置为与残差曲线相似度最高的突发大客流形态曲线所对应的突发大客流形态。
从上述过程中可以看出，本发明通过将残差曲线直接与预设的突发大客流形态曲线进行相似度计算，并将相似度最高的突发大客流形态曲线所对应的突发大客流设置为地铁站点的突发大客流形态，无需根据客流构建函数，能够快速有效地识别地铁站点地地铁站点地突发大客流形态，使运营决策部门可以基于突发大客流形态对客流进行预测并给城市轨道交通的日常运营提供指导。
可以理解的是，以上实施方式仅仅是为了说明本发明/发明的原理而采用的示例性实施方式，然而本发明/发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明/发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明/发明的保护范围。

Claims (10)

1.一种基于形态识别的突发大客流形态识别方法，其特征在于，包括以下步骤：
S1：调用地铁站点的历史进出站数据；
S2：根据历史进出站数据生成特征虚拟客流曲线；
S3：读取地铁站点的当前进出站数据；
S4：根据当前进出站数据生成当前虚拟客流曲线；
S5：根据特征虚拟客流曲线和当前虚拟客流曲线判断地铁站点是否存在突发大客流状态；
S6：若判断地铁站点存在突发大客流状态，根据特征虚拟客流曲线、当前虚拟客流曲线和预设的突发大客流形态曲线确定地铁站点的突发大客流形态。
2.根据权利要求1所述的一种基于形态识别的突发大客流形态识别方法，其特征在于，所述历史进出站数据包括历史时间段、历史时间段内的任意时间段的进站客流值和出站客流值，所述S2具体包括：
S21：将历史时间段分为若干个连续且长度为客流周期的长度T的历史周期时间段；
S22：将历史周期时间段分为若干个连续的历史自定义时间段；
S23 ：根据全部历史自定义时间段的进站客流值和出站客流值计算全部历史自定义时间段的虚拟客流值；
S24：根据全部历史自定义时间段的虚拟客流值生成全部历史周期时间段的历史虚拟客流曲线；所述历史虚拟客流曲线的横坐标为时间，纵坐标为虚拟客流值；
S25：合并全部历史周期时间段的历史虚拟客流曲线生成地铁站点在一个客流周期的特征虚拟客流曲线；所述特征虚拟客流曲线的横坐标为时间，纵坐标为特征虚拟客流值。
3.根据权利要求2所述的一种基于形态识别的突发大客流形态识别方法，其特征在于，所述客流周期为从地铁站点进站的总人数与从地铁站点出站的总人数相等的最小时间间隔。
4.根据权利要求3所述的一种基于形态识别的突发大客流形态识别方法，其特征在于，所述虚拟客流值的计算公式如下：
Figure 737759DEST_PATH_IMAGE001
其中
Figure DEST_PATH_IMAGE002
代表在第i时刻的虚拟客流值，
Figure 647071DEST_PATH_IMAGE003
代表第K时刻的出站客流值，
Figure 790304DEST_PATH_IMAGE004
代表第K时刻的进站客流值；所述客流周期开始时，
Figure 198283DEST_PATH_IMAGE002
的值为0。
5.根据权利要求4所述的一种基于形态识别的突发大客流形态识别方法，其特征在于，所述当前进出站数据包括当前周期时间段、当前周期时间段内的任意时间段的进站客流值和出站客流值，所述当前周期时间段的长度为客流周期的长度T且与历史周期时间段的时间间隔为n*T，n为自然数，所述S4具体包括：
S41：将当前周期时间段分为若干个连续的当前自定义时间段；
S42：根据当前自定义时间段的进站客流值和出站客流值计算当前自定义时间段的虚拟客流值；
S43：根据当前自定义时间段的虚拟客流值生成地铁站点在当前周期时间段的当前虚拟客流曲线；所述当前虚拟客流曲线的横坐标为时间，纵坐标为虚拟客流值。
6.根据权利要求5所述的一种基于形态识别的突发大客流形态识别方法，其特征在于，所述S5具体包括：
S51：根据当前虚拟客流曲线和特征虚拟客流曲线生成地铁站点的残差曲线；所述残差曲线的横坐标为时间，纵坐标为残差；
S52：若残差的绝对值大于自定义值x，x为正整数，则判断地铁站点存在突发大客流状态。
7.根据权利要求6所述的一种基于形态识别的突发大客流形态识别方法，其特征在于，所述S6具体包括：
S61：若判断地铁站点存在突发大客流状态，则对地铁站点的残差曲线与预设的突发大客流形态曲线进行相似度计算；
S62：根据相似度确定地铁站点的突发大客流形态。
8.根据权利要求7所述的一种预测突发大客流形态的方法，其特征在于，所述预设的突发大客流形态曲线包括全时段等比增长曲线、全时段等额增长曲线、某时段突发大客流持续时间短曲线和某时段突发大客流持续时间长曲线，对应的，所述突发大客流形态包括全时段等比增长、全时段等额增长、某时段突发大客流持续时间短和某时段突发大客流持续时间长。
9.一种基于形态识别的突发大客流形态识别***，其特征在于，包括：
存储器；
一个或若干个处理器；
一个或若干个客流监测设备；
一个或若干个模块，存储在存储器中并被配置成由所述一个或若干个处理器执行，所述一个或若干个模块包括：
调用地铁站点的历史进出站数据，并根据历史进出站数据生成特征虚拟客流曲线的特征虚拟客流曲线生成模块；
读取地铁站点的当前进出站数据，并根据当前进出站数据生成当前虚拟客流曲线的当前虚拟客流曲线生成模块；
根据特征虚拟客流曲线和当前虚拟客流曲线判断地铁站点是否存在突发大客流状态的状态判断模块；
若判断地铁站点存在突发大客流状态，根据特征虚拟客流曲线、当前虚拟客流曲线和预设的突发大客流形态曲线确定地铁站点的突发大客流形态的形态确定模块。
10.根据权利要求9所述的一种基于形态识别的突发大客流形态识别***，其特征在于，所述形态确定模块包括：
预设有突发大客流形态曲线的存储器；
对地铁站点的残差曲线与预设的突发大客流形态曲线进行相似度计算的相似度计算模块。
CN202211553381.7A 2022-12-06 2022-12-06 一种基于形态识别的突发大客流形态识别方法及*** Pending CN115564151A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211553381.7A CN115564151A (zh) 2022-12-06 2022-12-06 一种基于形态识别的突发大客流形态识别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211553381.7A CN115564151A (zh) 2022-12-06 2022-12-06 一种基于形态识别的突发大客流形态识别方法及***

Publications (1)

Publication Number Publication Date
CN115564151A true CN115564151A (zh) 2023-01-03

Family

ID=84770426

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211553381.7A Pending CN115564151A (zh) 2022-12-06 2022-12-06 一种基于形态识别的突发大客流形态识别方法及***

Country Status (1)

Country Link
CN (1) CN115564151A (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107145985A (zh) * 2017-05-09 2017-09-08 北京城建设计发展集团股份有限公司 一种城市轨道交通客流区域联动预警方法
CN107358319A (zh) * 2017-06-29 2017-11-17 深圳北斗应用技术研究院有限公司 城市轨道交通客流预测方法、装置、存储介质和计算机设备
CN110119845A (zh) * 2019-05-11 2019-08-13 北京京投亿雅捷交通科技有限公司 一种轨道交通客流预测的应用方法
CN110782070A (zh) * 2019-09-25 2020-02-11 北京市交通信息中心 一种城市轨道交通突发事件客流时空分布预测方法
CN111091196A (zh) * 2019-11-15 2020-05-01 佳都新太科技股份有限公司 客流数据确定方法、装置、计算机设备和存储介质
CN112488568A (zh) * 2020-12-14 2021-03-12 上海工程技术大学 一种地铁车站大客流运营风险评价方法及其应用
CN112528867A (zh) * 2020-12-14 2021-03-19 上海工程技术大学 一种地铁车站突发大客流预警方法及其应用
CN112686417A (zh) * 2019-10-18 2021-04-20 深圳先进技术研究院 一种地铁大客流预测方法、***及电子设备
WO2021174755A1 (zh) * 2020-03-02 2021-09-10 北京全路通信信号研究设计院集团有限公司 一种基于深度学习的轨道交通客流需求预测方法和装置
CN113723716A (zh) * 2021-11-02 2021-11-30 深圳市城市交通规划设计研究中心股份有限公司 一种客流分级预警异常告警方法、设备及存储介质
CN114626585A (zh) * 2022-02-28 2022-06-14 北京交通大学 一种基于生成对抗网络的城市轨道交通短时客流预测方法
CN115169714A (zh) * 2022-07-08 2022-10-11 福州大学 城市地铁进出站客流量预测方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107145985A (zh) * 2017-05-09 2017-09-08 北京城建设计发展集团股份有限公司 一种城市轨道交通客流区域联动预警方法
CN107358319A (zh) * 2017-06-29 2017-11-17 深圳北斗应用技术研究院有限公司 城市轨道交通客流预测方法、装置、存储介质和计算机设备
CN110119845A (zh) * 2019-05-11 2019-08-13 北京京投亿雅捷交通科技有限公司 一种轨道交通客流预测的应用方法
CN110782070A (zh) * 2019-09-25 2020-02-11 北京市交通信息中心 一种城市轨道交通突发事件客流时空分布预测方法
CN112686417A (zh) * 2019-10-18 2021-04-20 深圳先进技术研究院 一种地铁大客流预测方法、***及电子设备
CN111091196A (zh) * 2019-11-15 2020-05-01 佳都新太科技股份有限公司 客流数据确定方法、装置、计算机设备和存储介质
WO2021174755A1 (zh) * 2020-03-02 2021-09-10 北京全路通信信号研究设计院集团有限公司 一种基于深度学习的轨道交通客流需求预测方法和装置
CN112488568A (zh) * 2020-12-14 2021-03-12 上海工程技术大学 一种地铁车站大客流运营风险评价方法及其应用
CN112528867A (zh) * 2020-12-14 2021-03-19 上海工程技术大学 一种地铁车站突发大客流预警方法及其应用
CN113723716A (zh) * 2021-11-02 2021-11-30 深圳市城市交通规划设计研究中心股份有限公司 一种客流分级预警异常告警方法、设备及存储介质
CN114626585A (zh) * 2022-02-28 2022-06-14 北京交通大学 一种基于生成对抗网络的城市轨道交通短时客流预测方法
CN115169714A (zh) * 2022-07-08 2022-10-11 福州大学 城市地铁进出站客流量预测方法

Similar Documents

Publication Publication Date Title
CN104091070B (zh) 一种基于时间序列分析的轨道交通故障诊断方法和***
Tang et al. Modeling drivers' dynamic decision-making behavior during the phase transition period: An analytical approach based on hidden markov model theory
CN111731962B (zh) 一种用于门的开合故障检测方法及检测预警***
CN101488284A (zh) 道路交通状况即时预测的智能管理***
CN108446864A (zh) 基于大数据分析的轨道交通设备的故障预警***及方法
CN103882827B (zh) 基于径流集合预报的水库防洪风险率预测方法及水库防洪调度方案评价方法
CN110428109B (zh) 地铁屏蔽门故障间隔时间预测模型建立及预测方法
CN107992958A (zh) 基于arma的人口超限预警方法
CN103198648A (zh) 用于公交***的自适应调度方法
CN111144727A (zh) 一种城市轨道交通进站客流韧性评估***及方法
CN106372799A (zh) 一种电网安全风险预测方法
Wu et al. Multiple-clustering ARMAX-based predictor and its application to freeway traffic flow prediction
CN115564151A (zh) 一种基于形态识别的突发大客流形态识别方法及***
CN116916362B (zh) 一种多目标优化的lte-r基站通信质量预测方法
CN111555908A (zh) 基于专家经验规则的电网复杂故障事件识别方法、装置及***
CN113628432B (zh) 地铁人流限流的智能预警***
CN114912854B (zh) 地铁列车运行调整方法、装置、电子设备及存储介质
CN114626956B (zh) 基于物联网的能源信息利用平台
CN113780682B (zh) 基于故障标志物的轨道交通***业务故障预测方法
CN108182805B (zh) 一种基于信疑双基建模的高速公路车辆监控管理方法
CN112131069B (zh) 基于聚类的设备运行监测方法及***
CN111476383A (zh) 一种泵站机组状态检修动态决策方法
CN112434858A (zh) 一种轨道交通客流预测方法及***
CN113147838A (zh) 一种用于地铁突发事故运营恢复的自动加车方法
CN113781693B (zh) 基于大数据的区块链身份信息认证***

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