CN116229305A - 一种基于视频识别的地铁车站流线拥堵状态实时评价方法 - Google Patents

Abstract

本发明提供了一种基于视频数据的地铁车站流线拥堵状态实时评价方法，属于城市轨交智能客运管理的技术领域。包括：选取地铁车站高峰时段主要客流流线作为评价流线，将该流线上的组成设施划分为m个服务设施和n个通道设施；利用视频识别技术提取流线上服务设施和通道设施的客流参数，计算客流流线拥堵状态评价指标值，输入概率神经网络模型，得到N个流线拥堵状态评价等级值Y_j，并以其出现的频次为权重对Y_j进行加权求和，获取该流线综合拥堵等级值P并进行发布。本发明基于视频识别建立客流流线拥堵状态评价指标和方法，能够从单点和流线层面为地铁车站动态或突发大客流监测预警及应急管控提供有效依据，对于提升车站大客流组织效率和运营安全具有重要作用。

Description

一种基于视频识别的地铁车站流线拥堵状态实时评价方法

技术领域

本发明属于城市轨交智能客运管理的技术领域，具体涉及一种基于视频数据的地铁车站流线拥堵状态实时评价方法。

背景技术

随着城市轨道交通线网规模的扩展，地铁车站客流规模不断增大，加之部分车站前期设施设计标准不适应实际客流需求，车站部分设施处客流拥堵频发，极大增加了高密度人群冲突和拥挤踩踏风险。

设施处客流拥挤状态的实时准确评价是开展车站大客流管控的基础。已有相关技术多针对车站单点设施或局部区域设施进行客流拥堵状态评价，缺乏从进出站或换乘流线层面考虑流线上各类服务设施(进出口、闸机、楼扶梯等)和通道设施的客流拥堵所具有的多并发性、关联传播性等复杂特性，极大地降低了其评价结果的实用价值(基于其评价结果制订的大客流管控措施存在顾此失彼、管控滞后等问题)，因此难以为车站动态或突发大客流应急处置方案的制订和优化提供科学依据。

发明内容

针对现有技术的缺陷，本发明基于视频识别技术采集客流流线上各类设施的客流参数，从流线层面开展客流拥堵状态实时评价，为地铁车站动态或突发大客流监测预警及应急管控提供科学依据。

为了实现上述目的，本发明提供了一种基于视频数据的地铁车站流线拥堵状态实时评价方法，包括如下步骤：

(1)选取地铁车站高峰时段主要客流流线作为评价流线，根据行人交通流特性，将该流线上的组成设施划分为m个服务设施、n个通道设施；

(2)设定流线拥堵评价间隔为C分钟，流线拥堵发布间隔为NC分钟；

(3)利用视频识别技术，每C分钟提取一次所述流线上所述服务设施和所述通道设施的客流参数；

(4)根据各视频监测点提取的所述客流参数计算客流流线拥堵状态评价指标值，包括所述流线上所述服务设施的总平均延误时间T、全流线排队空间占用率η以及所述通道设施的通道行人走行速度变异系数C_v；

(5)构建概率神经网络模型PNN，以所述客流流线拥堵状态评价指标值作为模型的输入，对流线拥堵状态进行实时评价，输出所述流线拥堵发布间隔内的N个流线拥堵状态评价等级值Y_j；

(6)基于所述流线拥堵发布间隔内的N个流线拥堵状态评价等级值Y_j，以各个所述流线拥堵状态评价等级值出现的频次为权重对Y_j进行加权求和，获取该流线拥堵发布间隔内的流线综合拥堵等级值P，并进行发布。

进一步的，所述主要客流流线为客流流量大且具有1个或多个常发拥堵点的进站、出站或换乘流线。

进一步的，所述服务设施包括出入口、安检机、闸机、楼扶梯出入口；所述通道设施包括进出站长通道和换乘长通道。

进一步的，所述服务设施提取的客流参数包括所述服务设施上游断面的客流到达率λ_i、所述服务设施前的行人实际排队队长l_i和实际队列数r_i；所述通道设施提取的客流参数为各所述通道设施上布设的1个或多个视频监测点的行人走行速度V_g。

进一步的，所述步骤3具体为：

(3.1)对于所述服务设施，在允许排队空间区域内布设视频监测点，提前标定第i个所述服务设施的饱和流率μi，即单位时间最大能够通过的人数、最大允许的排队队长L_i以及队列数R_i；通过视频识别技术实时采集第i个所述服务设施的所述客流到达率λ_i，即单位时间实际到达的人数、所述行人实际排队队长l_i和所述实际队列数r_i，其中i＝1,2,3....m；

(3.2)对于所述通道设施，在通道的进出口、转弯区、能力瓶颈区等关键区段共布设P个视频监测点，采集所有监测点的行人走行速度为V_g，其中g＝1,2,3....P，P≥n。

进一步的，所述步骤4具体为：

(1)通过调查数据拟合确定高峰期所述乘客到达率λ_i的分布，最大离去率为该设施的所述饱和流率μ_i，当λ_i大于μ_i时产生排队延误，由累积到达、离去曲线之间围成的面积即为第i个所述服务设施处乘客的总排队延误时间T_i：

所述平均排队延误时间t_i：

其中：q₁为累计到达乘客数，根据所述乘客到达率λ_i的分布函数计算得到，λ_i由视频识别技术获得；q₂为累计离去乘客数，是第i个服务设施的饱和流率μ_i和持续时间τ的乘积；τ为排队持续时间；

所述流线上各类服务设施的总平均延误时间T为：

(2)针对服务设施，所述全流线排队空间占有率η计算公式为：

其中：γ_i为不同设施的排队空间占有率权重，通过专家打分法获得，

所述最大允许的排队队长L_i和队列数R_i的乘积为车站运营安全管理所允许的最大排队空间面积；所述行人实际排队队长l_i和实际队列数r_i根据视频识别技术获得；

(3)针对所述通道设施，用行人在p个通道视频监测点处采集的得到的速度波动性表征流线上通道设施的拥挤程度，所述通道行人走行速度变异系数C_v计算公式为：

其中：v为所述通道设施p个视频监测点行人走行速度的平均值。

进一步的，所述步骤5中概率神经网络模型训练过程如下：

(1)构建训练样本数据集，其中样本值用X＝(C_v,T,η)表示，样本大小为Z，并将其传递给模式层，其神经元个数为Z；

(2)对所述样本数据集中的所述客流流线拥堵状态评价指标值进行无量纲处理；

(3)初始化平滑因子，对于属于同一类别隐含层的样本采用相同的平滑因子；

(4)训练所述概率神经网络模型，将所述平滑因子赋予所述概率神经网络模型开始训练，计算模式层输出、输出层输出和误差率；

(5)修正平滑因子和训练阈值；

(6)判断误差率与给定阈值大小，若误差率小于给定阈值则输出拥堵等级，若本次误差超出上次误差的1.03倍则进入下一个样本的训练，否则调整平滑因子；

(7)继续训练网络直到满足条件后输入待测样本，获得待测样本的流线拥堵等级，其划分为M个等级，即所述拥堵状态评价等级值Y_j＝1,2,3...M，其中：j＝1,2,3...N。

进一步的，所述步骤6中流线综合拥堵等级值P计算公式为：

其中：Y_j＝1,2,3...M，j＝1,2,3...N，

指各个Y_j在该流线拥堵发布间隔内出现的频次。

本发明的有益效果：

本发明考虑进出站或换乘流线上各类服务设施和通道设施的客流拥堵特性(节点设施拥堵状态下的排队延误特性和通道设施拥堵状态下的行人速度变化特性)及流线上各类客流拥堵点具有的多并发性、关联传播性，考虑视频识别技术的可行性采集主要客流流线上的客流参数，建立客流流线拥堵状态评价指标和评价方法，能够从单点和流线层面为地铁车站动态或突发大客流监测预警及应急管控提供有效依据，对于提高地铁车站动态或突发大客流的应急组织效率、保障车站大客流运营安全具有重要作用。

附图说明

图1为本发明实施例基于视频数据的地铁车站流线拥堵状态实时评价方法整体流程图。

图2为本发明实施例乘客累积到达-离去示意图。

图3为本发明实施例概率神经网络结构图。

图4本发明实施例地铁车站进站流线图及监测点位。

图5本发明实施例流线综合拥堵等级。

具体实施方式

下面结合附图和实例对本发明进一步做详细说明。

如图1所示，本发明实施例提供了一种基于视频数据的地铁车站流线拥堵状态实时评价方法，包括如下步骤：

S101、选取地铁车站高峰时段主要客流流线作为评价流线，根据行人交通流特性，将该流线上的组成设施划分为m个服务设施、n个通道设施；

主要客流流线为客流流量大且具有1个或多个常发拥堵点的进站、出站或换乘流线。

基于行人交通特性将主要客流流线划分为服务设施和通道设施两类设施，因站台是多条客流流线的合流终点或分流起点，因此不纳入单条流线的拥堵评估范围，需单独进行拥堵状态评价。

对于出入口、安检机、闸机、楼扶梯出入口等服务设施，非拥堵状态下乘客到达设施处接受服务后快速通过，拥堵状态下则产生持续性排队。

对于进出站长通道和换乘长通道等通道设施，一般呈长且窄的线形结构，行人通行时间较长，非拥挤状态下行人走行速度较为稳定，拥挤状态下行人走走停停导致速度波动较大。

S102、设定流线拥堵评价间隔为C分钟，流线拥堵发布间隔为NC分钟；

设定流线拥堵评价间隔为C分钟，其下限值取决于客流参数采集技术和流线拥堵状态评价算法所需的运算时间，如视频识别技术可实现1分钟得到1次流线拥堵状态评价值；流线拥堵发布间隔为NC分钟，N取正整数，其值取决于车站大客流管控的实际需要及操作可行性，如高峰时段客流时空波动程度小，N值取越大；大客流分级管控措施启动和调整所需的准备时长如：信息传递、物品准备及人员到岗等时间越长，N值取越大。

S103、利用视频识别技术，每C分钟提取一次所述流线上所述服务设施和所述通道设施的客流参数；

服务设施提取的客流参数包括服务设施上游断面的客流到达率λ_i、服务设施前的行人实际排队队长l_i和实际队列数r_i；通道设施提取的客流参数为各通道设施上1个或多个视频监测点的行人走行速度V_g。

对于服务设施，在允许排队空间区域内布设视频监测点，提前标定第i个所述服务设施的饱和流率μi，单位：人/min，即单位时间最大能够通过的人数、最大允许的排队队长L_i以及队列数R_i；通过视频识别技术实时采集第i个服务设施的客流到达率λ_i，单位：人/min，即单位时间实际到达的人数、行人实际排队队长l_i和实际队列数r_i，其中i＝1,2,3...m；

(3.2)对于所述通道设施，在通道的进出口、转弯区、能力瓶颈区等关键区段共布设P个视频监测点，采集所有监测点的行人走行速度为V_g，单位：m/min，其中g＝1,2,3....P，P≥n。

S104、根据各视频监测点提取的所述客流参数计算客流流线拥堵状态评价指标值，包括所述流线上所述服务设施的总平均延误时间T、全流线排队空间占用率η以及所述通道设施的通道行人走行速度变异系数C_v；

客流流线拥堵状态评价指标值计算过程如下：

(1)通过调查数据拟合确定高峰期乘客到达率λ_i的分布，最大离去率为该设施的所述饱和流率μ_i，当λ_i大于μ_i时产生排队延误，由累积到达、离去曲线之间围成的面积即为第i个服务设施处乘客的总排队延误时间T_i，单位：min，如图2所示，以乘客到达率λ_i服从泊松分布为例，T_i计算公式为：

所述平均排队延误时间t_i：

其中：q₁为累计到达乘客数，根据乘客到达率λ_i的分布函数计算得到，λ_i由视频识别技术获得；q₂为累计离去乘客数，是第i个服务设施的饱和流率μ_i和持续时间τ的乘积；τ为排队持续时间，单位：min；

流线上各类服务设施的总平均延误时间T，单位：min，计算公式为：

(2)针对服务设施，全流线排队空间占有率η计算公式为：

其中：γ_i为不同设施的排队空间占有率权重，通过专家打分法获得，

最大允许的排队队长L_i和队列数R_i的乘积为车站运营安全管理所允许的最大排队空间面积；行人实际排队队长l_i和实际队列数r_i根据视频识别技术获得；

(3)针对通道设施，用行人在p个通道视频监测点处采集的得到的速度波动性表征流线上通道设施的拥挤程度，通道行人走行速度变异系数C_v计算公式为：

其中：v为所述通道设施p个视频监测点行人走行速度的平均值。

S105、构建概率神经网络模型PNN，以所述客流流线拥堵状态评价指标值作为模型的输入，对流线拥堵状态进行实时评价，输出所述流线拥堵发布间隔内的N个流线拥堵状态评价等级值Y_j；

概率神经网络结构如图3所示，输入向量为服务设施的总平均延误时间T、全流线排队空间占用率η和通道行人走行速度变异系数C_v，输入层神经元数为3；模式层的神经元个数为训练样本数；将车站流线拥堵等级划分为M级，则求和层的神经元个数为M；输出层的神经元设定为1，输出结果为概率最大的拥堵等级Y_j。

其训练过程如下：

(1)构建训练样本数据集，其中样本值用X＝(C_v,T,η)表示，样本大小为Z，并将其传递给模式层，其神经元个数为Z；

(2)对所述样本数据集中的所述客流流线拥堵状态评价指标值进行无量纲处理；

(3)初始化平滑因子，对于属于同一类别隐含层的样本采用相同的平滑因子；

(4)训练所述概率神经网络模型，将所述平滑因子赋予所述概率神经网络模型开始训练，计算模式层输出、输出层输出和误差率；

(5)修正平滑因子和训练阈值；

(6)判断误差率与给定阈值大小，若误差率小于给定阈值则输出拥堵等级，若本次误差超出上次误差的1.03倍则进入下一个样本的训练，否则调整平滑因子；

(7)继续训练网络直到满足条件后输入待测样本，获得待测样本的流线拥堵等级，其划分为M个等级，即所述拥堵状态评价等级值Y_j＝1,2,3...M，其中：j＝1,2,3...N。

S106、基于所述流线拥堵发布间隔内的N个流线拥堵状态评价等级值Y_j，以各个所述流线拥堵状态评价等级值出现的频次为权重对Y_j进行加权求和，获取该流线拥堵发布间隔内的流线综合拥堵等级值P，并进行发布。

流线综合拥堵等级值P计算公式为：

其中：Y_j＝1,2,3...M，j＝1,2,3...N，

指各个Y_j在该流线拥堵发布间隔内出现的频次。

下面以上海某地铁站为例来说明本实施例，车站平面图如图4所示，该站日均客流约为10万人次，其中双休日的客流约为6万人次，高峰时期列车发车间隔为3min/趟。客流高峰时期为8:00-9:30和17:00-19:00；在所有出入口中，5号出入口客流最高，约占总客流40％，因此选取以5号口为入口的进站流线(图4当中的加粗流线)为研究对象，以下为具体步骤：

采集服务设施、通道设施的客流参数；

选取的进站流线中，服务设施包括：1个出入口、1个安检仪、1组进站闸机、一组楼扶梯；通道设施为连接四个服务设施的行人通道，共计三个路段。主要利用站内已布设的摄像头进行客流数据采集，以某天6:00-23:00时间段为例，基于视频按照3min时间间隔，采集各个点位的客流数据，共获得340个样本数据，部分进站流线拥挤状态评价指标值见下表。

表1

拥堵等级输出；

前面60个数据用于训练概率神经网络，待网络稳定后，将剩余的数据输入到模型当中，通过概率神经网络获得的以3分钟为评价间隔的流线拥挤等级见下表。

表2进站流线拥堵等级(划分4个拥堵等级)

计算综合拥堵等级；

在前述获得的流线拥挤等级的基础上，以15分钟为发布间隔(即一个发布间隔包括5个评价间隔)对拥堵状态进行综合评价，以9：00-9：15为例，说明流线综合拥堵等级的计算过程：

该发布间隔的5个评价间隔的评价结果见下表，在该发布间隔内拥堵等级4出现了1次，拥堵等级3出现了3次，则综合流线拥堵等级P＝[(3*4+4*1)/5]＝3。

9：03-9：15流线拥堵等级

该进站流线的流线综合拥堵等级，如图5所示。根据综合拥堵等级评价结果，进站流线在早高峰期间的客流拥堵状态集中表现为畅通和基本畅通，少数时段会出现拥堵状态，但短时间内客流能够消散；而晚高峰期间，客流状态集中表现为基本畅通和拥挤，甚至严重拥挤，在18:30左右，根据流线拥堵等级评价结果，流线上的客流已经处于极度拥挤状态，车站工作人员应当立即采取措施，一是可以限制流线上的来源客流，即在该站4号口、5号口采取间歇性进站的措施，减少乘客到达，二是可以在双向通道内侧出口进行客流引导，将此处的客流引导到1、2号口一侧的安检进行检票进站，防止由于客流积聚产生客流拥堵。

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。

Claims (8)

1.一种基于视频数据的地铁车站流线拥堵状态实时评价方法，其特征在于，包括如下步骤：

(1)选取地铁车站高峰时段主要客流流线作为评价流线，根据行人交通流特性，将该流线上的组成设施划分为m个服务设施、n个通道设施；

(2)设定流线拥堵评价间隔为C分钟，流线拥堵发布间隔为NC分钟；

(3)利用视频识别技术，每C分钟提取一次所述流线上所述服务设施和所述通道设施的客流参数；

(4)根据各视频监测点提取的所述客流参数计算客流流线拥堵状态评价指标值，包括所述流线上所述服务设施的总平均延误时间T、全流线排队空间占用率η以及所述通道设施的通道行人走行速度变异系数C_v；

(5)构建概率神经网络模型PNN，以所述客流流线拥堵状态评价指标值作为模型的输入，对流线拥堵状态进行实时评价，输出所述流线拥堵发布间隔内的N个流线拥堵状态评价等级值Y_j；

(6)基于所述流线拥堵发布间隔内的N个流线拥堵状态评价等级值Y_j，以各个所述流线拥堵状态评价等级值出现的频次为权重对Y_j进行加权求和，获取该流线拥堵发布间隔内的流线综合拥堵等级值P，并进行发布。

2.根据权利要求1所述的基于视频数据的地铁车站流线拥堵状态实时评价方法，其特征在于：所述主要客流流线为客流流量大且具有1个或多个常发拥堵点的进站、出站或换乘流线。

3.根据权利要求1所述的基于视频数据的地铁车站流线拥堵状态实时评价方法，其特征在于：

所述服务设施包括出入口、安检机、闸机、楼扶梯出入口；

所述通道设施包括进出站长通道和换乘长通道。

4.根据权利要求1所述的基于视频数据的地铁车站流线拥堵状态实时评价方法，其特征在于，所述服务设施提取的客流参数包括所述服务设施上游断面的客流到达率λ_i、所述服务设施前的行人实际排队队长l_i和实际队列数r_i；

所述通道设施提取的客流参数为各所述通道设施上布设的1个或多个视频监测点的行人走行速度V_g。

5.根据权利要求4所述的基于视频数据的地铁车站流线拥堵状态实时评价方法，其特征在于，所述步骤3具体为：

(3.1)对于所述服务设施，在允许排队空间区域内布设视频监测点，提前标定第i个所述服务设施的饱和流率μ_i，即单位时间最大能够通过的人数、最大允许的排队队长L_i以及队列数R_i；通过视频识别技术实时采集第i个所述服务设施的所述客流到达率λ_i，即单位时间实际到达的人数、所述行人实际排队队长l_i和所述实际队列数r_i，其中i＝1,2,3...m；

(3.2)对于所述通道设施，在通道的进出口、转弯区、能力瓶颈区等关键区段共布设P个视频监测点，采集所有监测点的行人走行速度为V_g，其中g＝1,2,3....P，P≥n。

6.根据权利要求5所述的基于视频数据的地铁车站流线拥堵状态实时评价方法，其特征在于，所述步骤4具体为：

(1)通过调查数据拟合确定高峰期所述乘客到达率λ_i的分布，最大离去率为该设施的所述饱和流率μ_i，当λ_i大于μ_i时产生排队延误，由累积到达、离去曲线之间围成的面积即为第i个所述服务设施处乘客的总排队延误时间T_i：

所述平均排队延误时间t_i：

其中：q₁为累计到达乘客数，根据所述乘客到达率λ_i的分布函数计算得到，λ_i由视频识别技术获得；q₂为累计离去乘客数，是第i个服务设施的饱和流率μ_i和持续时间τ的乘积；τ为排队持续时间；

所述流线上各类服务设施的总平均延误时间T为：

(2)针对服务设施，所述全流线排队空间占有率η计算公式为：

其中：γ_i为不同设施的排队空间占有率权重，通过专家打分法获得，

所述最大允许的排队队长L_i和队列数R_i的乘积为车站运营安全管理所允许的最大排队空间面积；所述行人实际排队队长l_i和实际队列数r_i根据视频识别技术获得；

(3)针对所述通道设施，用行人在p个通道视频监测点处采集的得到的速度波动性表征流线上通道设施的拥挤程度，所述通道行人走行速度变异系数C_v计算公式为：

其中：v为所述通道设施p个视频监测点行人走行速度的平均值。

7.根据权利要求1所述的基于视频数据的地铁车站流线拥堵状态实时评价方法，其特征在于，所述步骤5中概率神经网络模型训练过程如下：

(1)构建训练样本数据集，其中样本值用X＝(C_v,T,η)表示，样本大小为Z，并将其传递给模式层，其神经元个数为Z；

(2)对所述样本数据集中的所述客流流线拥堵状态评价指标值进行无量纲处理；

(3)初始化平滑因子，对于属于同一类别隐含层的样本采用相同的平滑因子；

(4)训练所述概率神经网络模型，将所述平滑因子赋予所述概率神经网络模型开始训练，计算模式层输出、输出层输出和误差率；

(5)修正平滑因子和训练阈值；

(6)判断误差率与给定阈值大小，若误差率小于给定阈值则输出拥堵等级，若本次误差超出上次误差的1.03倍则进入下一个样本的训练，否则调整平滑因子；

(7)继续训练网络直到满足条件后输入待测样本，获得待测样本的流线拥堵等级，其划分为M个等级，即所述拥堵状态评价等级值Y_j＝1,2,3...M，其中：j＝1,2,3...N。

8.根据权利要求1所述的基于视频数据的地铁车站流线拥堵状态实时评价方法，其特征在于，所述步骤6中流线综合拥堵等级值P计算公式为：

其中：Y_j＝1,2,3...M，j＝1,2,3...N，N_Yj指各个Y_j在该流线拥堵发布间隔内出现的频次。/>

Images