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
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 Download PDFInfo
- Publication number
- CN116229305A CN116229305A CN202211620815.0A CN202211620815A CN116229305A CN 116229305 A CN116229305 A CN 116229305A CN 202211620815 A CN202211620815 A CN 202211620815A CN 116229305 A CN116229305 A CN 116229305A
- Authority
- CN
- China
- Prior art keywords
- streamline
- flow line
- congestion
- facilities
- passenger flow
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 68
- 238000012544 monitoring process Methods 0.000 claims abstract description 25
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 239000000470 constituent Substances 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 23
- 238000009499 grossing Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000005251 gamma ray Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 230000008520 organization Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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Yj,并以其出现的频次为权重对Yj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
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Cv;
(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Yj;
(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Yj,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Yj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λi、所述服务设施前的行人实际排队队长li和实际队列数ri;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Vg。
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Li以及队列数Ri;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λi,即单位时间实际到达的人数、所述行人实际排队队长li和所述实际队列数ri,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Vg,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λi的分布,最大离去率为该设施的所述饱和流率μi,当λi大于μi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Ti:
所述平均排队延误时间ti:
其中:q1为累计到达乘客数,根据所述乘客到达率λi的分布函数计算得到,λi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μi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:γi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Li和队列数Ri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li和实际队列数ri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Cv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=(Cv,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Yj=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:
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λi、服务设施前的行人实际排队队长li和实际队列数ri;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Vg。
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Li以及队列数Ri;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λi,单位:人/min,即单位时间实际到达的人数、行人实际排队队长li和实际队列数ri,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Vg,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Cv;
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λi的分布,最大离去率为该设施的所述饱和流率μi,当λi大于μi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Ti,单位:min,如图2所示,以乘客到达率λi服从泊松分布为例,Ti计算公式为:
所述平均排队延误时间ti:
其中:q1为累计到达乘客数,根据乘客到达率λi的分布函数计算得到,λi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μi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:γi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Li和队列数Ri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li和实际队列数ri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Cv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Yj;
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Cv,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Yj。
其训练过程如下:
(1)构建训练样本数据集,其中样本值用X=(Cv,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Yj=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Yj,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Yj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:
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Cv;
(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Yj;
(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Yj,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Yj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λi、所述服务设施前的行人实际排队队长li和实际队列数ri;
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Vg。
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μi,即单位时间最大能够通过的人数、最大允许的排队队长Li以及队列数Ri;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λi,即单位时间实际到达的人数、所述行人实际排队队长li和所述实际队列数ri,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Vg,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λi的分布,最大离去率为该设施的所述饱和流率μi,当λi大于μi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Ti:
所述平均排队延误时间ti:
其中:q1为累计到达乘客数,根据所述乘客到达率λi的分布函数计算得到,λi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μi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:γi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Li和队列数Ri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li和实际队列数ri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Cv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=(Cv,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Yj=1,2,3...M,其中:j=1,2,3...N。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211620815.0A CN116229305B (zh) | 2022-12-16 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211620815.0A CN116229305B (zh) | 2022-12-16 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116229305A true CN116229305A (zh) | 2023-06-06 |
CN116229305B CN116229305B (zh) | 2024-07-16 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102631391B1 (ko) * | 2023-07-25 | 2024-01-31 | 주식회사 공감아이티 | 군중 모니터링 장치 및 방법 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105321347A (zh) * | 2015-09-18 | 2016-02-10 | 西安电子科技大学 | 一种分层次的路网交通拥堵评价方法 |
CN107358357A (zh) * | 2017-07-12 | 2017-11-17 | 北京市轨道交通设计研究院有限公司 | 城市轨道交通换乘车站评价方法 |
CN110796564A (zh) * | 2019-09-09 | 2020-02-14 | 国网浙江省电力有限公司经济技术研究院 | 电网企业综合计划分配测算的项目统计指标筛选方法 |
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 |
CN115083146A (zh) * | 2022-04-27 | 2022-09-20 | 同济大学 | 一种智能网联环境下的安全致因影响范围获取方法 |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105321347A (zh) * | 2015-09-18 | 2016-02-10 | 西安电子科技大学 | 一种分层次的路网交通拥堵评价方法 |
CN107358357A (zh) * | 2017-07-12 | 2017-11-17 | 北京市轨道交通设计研究院有限公司 | 城市轨道交通换乘车站评价方法 |
CN110796564A (zh) * | 2019-09-09 | 2020-02-14 | 国网浙江省电力有限公司经济技术研究院 | 电网企业综合计划分配测算的项目统计指标筛选方法 |
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 |
CN115083146A (zh) * | 2022-04-27 | 2022-09-20 | 同济大学 | 一种智能网联环境下的安全致因影响范围获取方法 |
Non-Patent Citations (1)
Title |
---|
李俊辉等: "基于概率神经网络的轨道交通车站客流安全状态评价", 《都市快轨交通》, vol. 28, no. 4, pages 1 - 5 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102631391B1 (ko) * | 2023-07-25 | 2024-01-31 | 주식회사 공감아이티 | 군중 모니터링 장치 및 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3414843B2 (ja) | 交通手段制御装置 | |
CN110084397B (zh) | 一种地铁直达线路规划方法 | |
CN108289203B (zh) | 一种用于轨道交通的视频监控*** | |
CN105488751A (zh) | 一种地铁站客流微观统计与调度方法 | |
CN108665178B (zh) | 一种基于afc的地铁站内楼扶梯客流量预测方法 | |
CN112949078B (zh) | 一种城市轨道交通客流-车流的匹配度计算方法 | |
CN108364464B (zh) | 一种基于概率模型的公交车辆旅行时间建模方法 | |
CN113850417A (zh) | 一种基于车站客流预测的客流组织决策方法 | |
CN114037158A (zh) | 一种基于od路径的客流预测方法及应用方法 | |
CN107808235B (zh) | 基于afc大数据的城市轨道大客流模型构建方法 | |
CN112381260A (zh) | 基于进站比例的城市轨道交通客流管控优化方法 | |
CN114707709A (zh) | 铁路综合客运枢纽安全预警方法及*** | |
CN111581538A (zh) | 一种基于高速公路收费数据的高速交通流状态推断方法 | |
CN112819316A (zh) | 一种综合客运枢纽轨道交通***的枢纽运能识别方法 | |
JP2008189180A (ja) | 列車運行管理システム | |
CN111401643B (zh) | 一种城市轨道交通客流回路自适应的智能列车调度方法 | |
CN115563761A (zh) | 基于时刻表的地铁枢纽站周围道路拥堵预测方法 | |
CN113487872B (zh) | 一种基于大数据和人工智能的公交车通行时间预测方法 | |
CN112528867B (zh) | 一种地铁车站突发大客流预警方法及其应用 | |
CN116109081A (zh) | 一种基于物联网的动态公交调度优化方法和装置 | |
CN116052435A (zh) | 一种城市道路拥堵影响范围界定与道路影响力计算方法 | |
Liu et al. | Understanding urban bus travel time: Statistical analysis and a deep learning prediction | |
CN108647832B (zh) | 一种基于神经网络的地铁运行间隔时间控制算法 | |
CN116229305B (zh) | 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 | |
CN108197724B (zh) | 公交复杂网络中效率权重计算与公交方案性能评估方法 |
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 | ||
GR01 | Patent grant |