CN117035198A - 城市轨道交通车站客流状态识别与管控方法 - Google Patents
城市轨道交通车站客流状态识别与管控方法 Download PDFInfo
- Publication number
- CN117035198A CN117035198A CN202311090193.XA CN202311090193A CN117035198A CN 117035198 A CN117035198 A CN 117035198A CN 202311090193 A CN202311090193 A CN 202311090193A CN 117035198 A CN117035198 A CN 117035198A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- cloud
- station
- standard
- flow state
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 230000002452 interceptive effect Effects 0.000 abstract description 5
- 230000001960 triggered effect Effects 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 18
- 238000012546 transfer Methods 0.000 description 16
- 230000000694 effects Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000008520 organization Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 230000000670 limiting effect Effects 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000366 juvenile effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011272 standard treatment Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 210000004291 uterus Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种双层云模型作为站内客流识别的方法,使用双层云模型作为站内客流预测状态实时识别的方法,以期对车站进行预测性客流状态实时识别。在此基础上以整合的父云识别结果,将客流识别与动态客流管控形成交互反馈;在进行车站客流预测状态实时识别时,若触发控制阈值,便以当前客流状态为输入,通过客流管控模型完成站内客流管控,保证车站运营安全。具体地,对车站各区域分别构建客流状态识别子云模型的标准云,再通过整合子标准云,构建对车站全局客流状态识别的父标准云;待测子云预测客流信息由视频摄像头采集的客流信息经处理后获得,整合得到待测父云;通过对比父标准云与待测父云之间的隶属度作为依据决定是否执行客流管控措施。
Description
技术领域
本发明属于城市轨道交通运营组织方案优化技术领域,具体涉及一种城市轨道交通车站客流状态识别与管控方法,。
背景技术
截止到2020年底,我国大陆地区已有45个城市开通城市轨道交通运营线路244条,地铁运营线路6280.8km,全国城市轨道交通日均客运量达到5131.7万人次。城市轨道交通站点除了承担着售检票、乘降、换乘等复杂的客运作业,还常伴随潮汐性的大客流集散,站台客流积压、楼扶梯通道等区域客流交织错乱的现象时有发生。上述问题不仅增加了乘客出行延误概率,更造成车站服务水平下降,严重的有可能威胁人民生命财产安全,因此对于城市轨道交通车站客运管控提出了更高的要求。而目前针对站点客流管控措施主要依靠历史整体客流特征规律和人工经验制定的列车运行计划、应急方案等,能一定程度上应对常规客流下车站客运组织集散疏导。然而实际工况中车站客流存在波动性与偶发性,导致车站管理人员无法实时依据当前客流变化实时有针对性的客流管控措施,容易使车站客流管控力度过大或过小,难以适应客流的动态变化。故在交通网络规模日渐庞大,客流变化存在显著动态变化的情况下,亟需建构一套客流状态实时状态识别与客流精细化管控相结合的运营组织方案。既能准确识别车站客流,全面了解客流的分布情况及规律,又能提升城市轨道交通有序的组织行车和合理的科学管理运营。
在轨道交通出行向着智慧化趋势发展下,通过对城市轨道交通车站的客流识别,了解车站客流集散规律以及挖掘乘客的出行行为特点,同时客流信息也为地铁调度策略提供参考依据,近年地铁客流量识别问题的研究逐渐成了热门研究方向。
为缓解车站客流压力,客流管控也成为车站日常运营的必要手段。沈鲤庭【沈鲤庭.基于地铁客流刷卡数据的通勤客流识别技术研究[D].浙江:浙江大学,2018.】提出基于自动售检票AFC***获取的地铁刷卡原始数据进行筛选与识别,根据通勤客流的空间分布情况,对大客流车站的客流组织、车站管理等提出建议和改善措施。唐金金等【唐金金侯凯文宋文慧.一种城市轨道交通客流管控方法与***:CN201910547200.1[P].2021-06-22.】提出根据行车与客流进出站监察信息,得到运行图数据,根据运行图数据进行客流推演进而生成客流分配数据,实现将运行图调整与客流控制相结合,从线网、线路、车站三个层面进行客流管控。
针对城市轨道交通车站内车站客流实时状态识别的方法以及客流管控措施存在以下问题:
第一,针对城市轨道交通车站站内乘客出行特征及客流状态分析方面,目前成熟的研究主要依旧集中基于AFC历史客流数据的城市轨道交通车站的客流时空特征分析,这部分研究存在以下问题:一方面,目前绝大多数客流预测方法都基于AFC历史客流数据,缺少实时数据补充,导致仅基于AFC历史客流数据的车站客流预测方法的预测效果欠佳;另一方面,车站客流识别缺乏客流的空间分布信息,使车站管理人员不能掌握站内各区域客流的状态。
第二,针对城市轨道交通客流控制问题的研究方法,在基于过程仿真的方法上,大多是在理论分析(如基于Petri的网模型、***动力学模型或元胞自动机模型等)的基础上建立仿真模型,通过仿真模拟站内客流演化的过程。仿真模型可还原站内客流自组织现象,但随着车站乘客规模的扩大以及乘客行为规则的增加,仿真耗时也在成倍增长,且多数是从仿真及优化的方向出发实现站内客流控制,难以契合实时动态的客流控制。
第三,以往车站层面客流管控的相关研究中,多从常态性的客流拥挤视角出发来设计优化方案,由于常态性的客流拥挤具有较准确的规律性,因此这类优化方案在这种常态客流前提下能够取得良好的效果。但由于城市轨道交通车站客流受到乘客个人行为***。因此迫切需要科学有效的控制措施来提升车站应对动态客流风险的能力。
基于以上问题,如何针对客流状态进行实时把控,是我们当前多需要解决的问题。
发明内容
为了解决现有城市轨道交通运营组织中客流检测时的不准确等问题,本发明提出一种基于云模型理论的双层云模型作为站内客流识别的方法,本发明使用双层云模型作为站内客流预测状态实时识别的方法,以期对车站进行预测性客流状态实时识别。在此基础上以整合的父云识别结果,将客流识别与动态客流管控形成交互反馈。在进行车站客流预测状态实时识别时,若触发控制阈值,便以当前客流状态为输入,通过客流管控模型完成站内客流管控,保证车站运营安全。
本发明公开了一种城市轨道交通车站客流状态识别与管控方法,包括以下步骤:
S1:分析车站客流状态评价指标分级,对车站各区域分别构建客流状态识别子云模型的标准云,再通过权重比例加和整合子标准云,从而构建对车站全局客流状态识别的父标准云;
S2:以预测客流信息为基础,同理分别建立待测子云和待测父云;通过对比子标准云与待测子云之间的隶属度,获得各关键区域的客流状态等级;通过对比父标准云与待测父云之间的隶属度,获得当前车站全局客流状态,最终父云隶属度作为依据决定是否执行客流管控措施;
S3:以进站客流流速为控制变量,以客流状态识别结果为状态变量,当客流状态达到或超过触发客流管控的阈值时,结合实际情况对各出入口客流流速进行精细化的控制。
作为优选,在步骤S1中,云模型的构建方法如下:
将客流状态的某一指标分为n个等级,显示该指标包含n-1个阈值,将n-1个阈值标记为x1~xn-1,另设集合X={x1,x2,...,xn-1},对于集合X内各元素,进行等比例标准化处理,然后以第一级和第n级的客流状态云为半正态云,其中第一级客流状态云为半降正态云,第n级客流状态云为半升正态云,其他等级客流状态云为全正态云。
作为优选,等比例标准化的处理方式为:其中/>为等比例标准化处理后的值,该值即为指标阈值对应云模型的期望值Ex;max(xi)为集合X内元素最大值;min(xi)为集合X内元素最小值。
作为优选,由一次定量值对概念的贡献可确定熵En的计算公式,全正态云模型数字特征的提取,提取公式为:
因此,由一次定量值对概念的贡献可确定熵En的计算公式,全正态云模型数字特征取值如公式2所示:
其中,n为该设施特定指标的分级数;
半正态云模型数字特征取值公式为:
根据两个公式计算得到子云模型参数后,便可根据正态云模型生成算法产生云滴,若干个云滴整合便可得到子云模型标准云的云图。
作为优选,所述父云模型则子模型按权重整合而成,通过步骤S1得出云模型数字特征参数当共有j类设施,记第k类设施对应待测子云为/>记待测父云为F(ExF,EnF,HF),则各子云合成父云过程中,父云的数字特征的计算方式为:
其中,wk为子待测云权重。
作为优选,在计算各设施待测云对应客流状态的隶属度时,还需要进行多次计算求和取平均的方法以减少误差,并通过等比例标准化处理该平均值,以处理后的平均值作为待测云属于各级标准云的概率,此概率即待测云权重,计算公式为:
其中:
yi.q为第q次计算待测云隶属于标准云第i级客流状态的隶属度;
val为经过等比例标准化处理后的实测客流状态;
p为重复计算次数;
yi为经过p次计算得到的待测云隶属于标准云第i级客流状态的隶属度。
作为优选,得到用于客流识别的双层标准云、实测子云及实测父云F(ExF,EnF,HF),设第k个标准子云为/>标准父云为根据客流状态待测云与标准云的判断结果,建立车站客流预测状态实时识别方法,过程如下:
1)以待测云F(ExF,EnF,HF)的参数EnF为期望、参数HF为标准差得到正态随机数E′n;
2)以待测云F(ExF,EnF,HF)的参数ExF为期望、步骤1)得到的正态随机数E′n为标准差得到正态随机数xpractice;
3)设父标准云的第i级云图为以/>的参数为期望、参数/>为标准差得到正态随机数/>
4)计算隶属于第i级服务水平的隶属度
5)重复N次步骤1)~4),设最终待测云与标准云第i级云图的相似度为βi,则βi可由为
重复步骤1)~5),得到待测云与各等级标准云的相似度,最后进行归一化处理计算各级相似度的百分比。
作为优选,在步骤S3中,以进站客流流速为控制变量,以客流状态识别结果为状态变量,当客流状态达到或超过触发客流管控的阈值时,实现闭环反馈管控建立车站动态客流管控,车站全局客流密度由各区域客流密度加权确定,为ρ(t)=Σωiρi(t),其中ρ(t)为t时段车站全局客流密度(人/m2);ωi为计算全局客流密度时,第i个区域所占权重,ρi(t)为t时段第i个区域客流密度(人/m2)。
本发明的有益效果是:本发明提供的城市轨道交通车站客流状态识别与管控方案相较于现有技术可以达到如下技术效果:
1、双层云模型能一定程度上弥补现状仅基于AFC历史客流数据的较为单薄的车站运营组织管理的方法,同时切合城市轨道交通客流需求具有时变性和不均衡性的复杂特点,使车站管理人员掌握站内各区域客流的状态。在双层云模型的构建方法中,子标准云反映车站各区域的状态分级,父标准云由子云根据服务能力分配权重整合而成,反映了车站全局的状态分级,实现各区域客流状态的反映。通过模型辨识,可精确获取车站当前各区域和全局的客流状态等级,并实际案例验证得到双层云模型对车站客流状态的相较于传统识别方法的精度更高,应用范围更广,实时性更强。
2、本发明构建客流状态实时识别模型,为车站取得良好客流管控效果提供决策依据。同时改进基于反馈控制的车站客流管控模型,实现精细化的实时客流管控,将车站客流状态实时识别与动态客流管控形成交互反馈。改进了客流管控闭环反馈模型,引入客流管控误差补足环节,旨在适应城市轨道交通客流的动态变化特性,寻求车站流入客流量的最优控制策略,在保证客流状态安全的前提下充分发挥车站集散能力,有助于城市轨道交通车站乘客服务水平和运营安全性均有全方位的提升。
附图说明
图1是本发明实施例提供的容纳类类型设施各级标准云图示意图;
图2是本发明实施例提供的通过类类型设施各级标准云图示意图;
图3是本发明实施例提供的车站父标准云云图;
图4是本发明实施例提供的不同类型设施服务水平跨度示意图;
图5图至图8本发明实施例提供的车站客流状态父标准云与四种客流情形父待测云云图;
图9是本发明实施例提供的未管控下各出入口进站客流速度;
图10是本发明实施例提供的未管控下车站全局客流密度时变图;
图11是本发明实施例提供的客流管控下各出入口进站客流速度对比图;
图12是本发明实施例提供的不同客流管控方法下的车站全局客流密度时变图
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合附图对本申请进行详细的描述,显然,所描述的实施例是本申请的部分实施例,而不是全部的实施例。,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
1、基于双层云模型的客流状态实时识别
S1:云模型的构建
假设某设施客流状态的某一指标可分为n个等级,显然该指标应包含n-1个阈值,将n-1个阈值标记为x1~xn-1,另设集合X={x1,x2,...,xn-1},对于集合X内各元素,以式1完成等比例标准化处理。
其中:
——xi等比例标准化处理后的值,该值即为指标阈值对应云模型的期望值Ex;
max(xi)——集合X内元素最大值;
min(xi)——集合X内元素最小值。
经过等比例标准化处理,元素最小值期望值为0,元素最大值期望值为1,其他元素期望值介于0与1之间。因此,第一级(对应指标阈值最小)和第n级(对应指标最大)的客流状态云为半正态云,其中第一级客流状态云为半降正态云,第n级客流状态云为半升正态云,其他等级客流状态云为全正态云。
由于正态云模型具有正态分布特性,类似于正态分布的区间与面积关系,根据一次定量值对概念的贡献,假设集合X上所有元素对概念的贡献值之和为100%,则以下特征:
1)区间[Ex-0.674En,Ex+0.674En]对概念的贡献值之和为50.0%;
2)区间[Ex-En,Ex+En]对概念的贡献值之和为68.3%;
3)区间[Ex-2En,Ex+2En]对概念的贡献值之和为95.4%;
4)区间[Ex-3En,Ex+3En]对概念的贡献值之和为99.7%。
对所有全正态云成立。因此,由一次定量值对概念的贡献可确定熵En的计算公式,全正态云模型数字特征取值如公式2所示。
其中,n为该设施特定指标的分级数。
半正态云模型数字特征取值公式如式3所示
依据式2、式3计算得到子云模型参数后,便可根据正态云模型生成算法产生云滴,若干个云滴整合便可得到子云模型标准云的云图。
S2:车站客流实时识别的双层云模型
父云模型是相对子云模型而言的,前文中子云模型指站内各设施的各指标按服务水平分级生成的云模型,是各设施服务水平分级的量化,而父云模型则子模型按权重整合而成,是车站服务水平分级的量化。
通过站内摄像头识别设施客流状态,以此划定服务等级并进行等比例标准化处理,结合上文式2和式3可分别得出云模型数字特征参数设站内共有j类设施,记第k类设施对应待测子云为/>记待测父云为F(ExF,EnF,HF),则各子云合成父云过程中,父云的数字特征可由式4确定。
父云的数字特征可由式4确定。
其中,wk为子待测云权重。
车站待测云由各设施处待测云通过式(4-4)获得。在计算各设施待测云对应客流状态的隶属度时,需要进行多次计算求和取平均的方法以减少误差,并通过等比例标准化处理该平均值,以处理后的平均值作为待测云属于各级标准云的概率,此概率即待测云权重,如式5所示。
其中:
yi.q——第q次计算待测云隶属于标准云第i级客流状态的隶属度;
val——经过等比例标准化处理后的实测客流状态;
p——重复计算次数;
yi——经过p次计算得到的待测云隶属于标准云第i级客流状态的隶属度。
需要指出的是,由于站内容易形成瓶颈的区域更容易影响整个车站的服务水平,而瓶颈与设施的服务能力相关,本文提出以设施静态服务能力为计算依据的标准云权重确定方法,如式6。该方法解决子标准云合成父标准云的权重差异性问题。
其中:
wk criterion——在子标准云合成父标准云中,第k类设施对应子标准云所占权重;
Ck——第k类设施服务能力(人/h)。
计算得到标准云权重后,便可使用式(4)实现父标准云的整合,从而得到加权后车站客流识别标准云。
至此,可得到用于客流识别的双层标准云、实测子云及实测父云F(ExF,EnF,HF),设第k个标准子云为/>标准父云为下面需要根据客流状态待测云与标准云的判断结果,建立车站客流预测状态实时识别方法。以父云为例,识别方法具体如下:
1)以待测云F(ExF,EnF,HF)的参数EnF为期望、参数HF为标准差得到正态随机数E′n;
2)以待测云F(ExF,EnF,HF)的参数ExF为期望、步骤1)得到的正态随机数E′n为标准差得到正态随机数xpractice;
3)设父标准云的第i级云图为以/>的参数为期望、参数/>为标准差得到正态随机数/>
4)计算隶属于第i级服务水平的隶属度
5)重复N次步骤1)~4),设最终待测云与标准云第i级云图的相似度为βi,则βi可由式7确定;
6)重复步骤1)~5),得到待测云与各等级标准云的相似度,最后进行归一化处理计算各级相似度的百分比即可。
2、考虑集散能力最大化的客流管控建模流管控模型
在进行车站客流状态识别后,当触发控制阈值时,需要进行站内客流的管控。本节在前文对车站客流状态及客流管控分析的基础上,提出考虑精细化客流管控的城市轨道交通车站客流管控模型,满足车站运营对服务品质和安全的要求。因此本发明的模拟案例仿真中,以车站客流密度、客流量以及各方向客流量为状态变量,以进站客流流速为控制变量,实现闭环反馈管控建立车站动态客流管控策略。
S1:客流管控模型
闭环反馈控制是根据状态变量,即根据站内全局客流密度与安全客流密度阈值来评估客流安全状态,从而调整进站客流的流速。车站全局客流密度由各区域客流密度加权确定,如式8所示。
ρ(t)=∑ωiρi(t) (8)
其中:
ρ(t)——t时段车站全局客流密度(人/m2);
ωi——计算全局客流密度时,第i个区域所占权重,按式(4-6)计算确定;
ρi(t)——t时段第i个区域客流密度(人/m2)。
假设某车站有且仅有一个出入口,设得进站客流流速如式9所示。
其中:
v(t)——时段t进站客流流速(人/h);
ρ*——触发限流的客流密度阈值(人/m2);
——调节系数。
上述客流管控模型可视为比例调节反馈控制模型,单纯的比例调节可能存在稳态误差,反映到实际客流管控中即客流密度会与期望客流密度有一定差距,导致车站未能充分发挥应有的集散能力。从自动控制的角度出发,可考虑引入积分控制以消除稳态误差,由此构建进站客流流速如式10所示。
其中:
——调节系数;
Δρi——Δρi=ρ*-ρ(i)。
由式10可以看出,在反馈控制模型中,时段t进站客流流速由时段t-1客流密,即客流管控存在时间上的滞后性,不能满足客流管控对时效性的要求。为降低反馈控制的时间滞后性影响及控制偏差,提出以预测客流密度改进的反馈控制方法,如式11所示。
其中:
ρp(t)——时段t客流密度预测值(人/m2)。
S2:调节系数的确定
调节系数表示全局客流密度变化一个单位对应需要调节进站客流流速的幅度,则表示全局客流密度累积误差对进站客流流速的影响程度。假设所有乘客走行速度一致且均匀分布,则时段t内客流量和客流密度变化如式12和式13所示:
Δq(t)=v(t)Δt (12)
其中:
Δq(t)——进站客流量(人次);
Δt——客流管控时间粒度(min);
Δρ(t)——车站客流密度变化幅度(人/m2);
S——车站可用面积(m2)。
根据调节系数的定义,其值可根据式(4-14)确定。
调节系数可根据式14,而参数/>需根据实际情况确定。下而将本文客流管控模型推广到换乘车站的情形中。
在换乘车站中,进站客流按照目的站台的不同,将去往不同线路的站台,且通常情况下不同线路的客流量是不同的,进而对车站客流密度的影响也不同。现设某换乘车站为r线换乘,时段t进站客流流向各线路比例为β1(t),β2(t),...,βr(t),当时间粒度较小时,时段t进站客流流向比例可通过前一时段进站客流走向得知,如式15所示。
其中:
qi(t-1)——t-1时段内目的线路为i的进站客流量(人次);
q总(t-1)——t-1时段内总进站客流量(人次)。
设对时段t进站客流进行管控时,各各线路调节参数为和根据定义,各参数的值可根据式16和式17确定。
设车站共有s个可用出入口,现将所有出入口合并,即将进站客流的产生视为一个虚拟的客流源,此时转化为单个出入口的进站客流流速管控问题,可根据式11进行客流管控。理想状态下,需要根据车站客流密度具体情况,对进站客流中不同线路客流进行差异性控制,时段t内车站对流向第j个线路的进站客流流速管控如式18所示。
理论上应分别对不同线路的进站客流进行客流管控,但由于在进站时无法区分客流具体流向,为保证车站客运安全,先暂定各进站口客流流速控制取安全值,设该值为则:
由于各出入口进站客流并不相等,因此需对不同出入口进站客流进行差异化的流速调整,现考虑以各出入口进站乘客数量大小确定权重,得到各出入口的期望客流流速,如式20所示。
其中:
vk(t)——第k个出入口进站客流在时段t内的期望流速(人/h);
qk(t)——第k个出入口在时段t内的进站客流量(人)。
最后,通过与前一控制时段的客流速度对比,可判定此时段是否对目标出入口进行控制:若该出入口上一时段客流流速低于此时段期望流速,则对该出入口进行进站客流流速控制;否则,不调节该出入口的进站客流流速。
3、案例优化方法应用分析
下面以深圳某地铁站为实际案例,使用双层云模型来识别城市轨道交通车站客流在各区域以及车站全局的客流状态。首先,对各站内各设施分别构建子云模型的标准云,结合设施服务能力对车站全局构建父云模型的标准云。其次,通过对比标准云与待测云之间的相似度及隶属度,获得各区域的客流状态等级;最后,通过整合各区域客流状态并对比父标准云,获得车站全局客流状态等级。在客流管控方面,引入客流管控误差补足环节以消除原有客流管控模型可能存在的管控力度不足或过大的问题,当客流状态达到或超过触发客流管控的阈值时,结合实际情况对各出入口客流流速进行精细化的控制,形成客流识别与客流管控的交互反馈。
S1,案例背景
该站点是深圳地铁3号线和4号线的换乘站之一,客流量极大,日均客流量可达四万人次,晚高峰时段超高峰小时客流量可接近一万人次,工作日客流量较休息日客流量大。其中3号线沿东西向布置,4号线沿南北向布置。站台设有出入口9个,其中E、F1、F2出入口通往3号线站厅,A1、A2、B、C1、C2、D出入口通往4号线站厅。车站负一层为3号线站厅层和4号线站厅层,两个站厅之间由一个L型换乘通道连接起来,长度约为130米;负二层为4号线站台层,站台形式为侧式站台,负三层为3号线站台层,站台形式为岛式站台。3号线站厅设有4台安检机,8台进站闸机、9台出站闸机,2组双向扶梯组;4号线站厅设有4台安检机,6台进站闸机、11台出站闸机,4台单向上行扶梯,4个楼梯。
AnyLogic具有反映乘客走行特征及群体自组织现象、实现各情形物理环境、贴合地铁车站实际运营、具备可视化数据分析工具等优点,因此采用AnyLogic作为仿真软件,基于该站台数据特征,使用双层云模型进行客流实时状态识别能力以及客流识别与客流管控的交互反馈效果的验证。
S2,客流状态的实时识别
站台客流预测状态实时识别包括三方面的内容:标准云的构建、待测云的构建和待测云关于标准云的隶属度判别。
依据表1、表2所示的容纳类和通过类设施状态分级,并进行按等比例标准处理后。得到的各级标准云数字特征如表3所示。其中,经等比例标准处理后的云数字特征大于等于1的值设定为1,小于等于0的值设定为0。
表1容纳类设施状态分级
/>
表2通过类设施出入口处状态分级
表3车站各级标准云数字特征
根据已知车站数据的云模型数字特征,设置云滴数为1000,可得不同类型设施各级标准云图,如图1、图2所示。
以上构建了车站子标准云,下面结合地铁站设施实际布设情况构建父标准云。由于是3号线与4号线的双线换乘站,因此可将设施划分为3号线进站通道、3号线站厅、3号线楼扶梯、3号线站台、4号线进站通道、4号线站厅、4号线楼扶梯、4号线站台、换乘通道共9个子设施。
根据上述有关双层云模型基本数字特征的分析,各子设施对父标准云的贡献由各子设施的服务能力确定,结合式6计算各子设施累加服务能力。设两大类子设施对父标准云贡献度值为50%,计算得到少年宫站各子设施累加通过能力与对父标准云权重如表4和表5所示。再表4和表5结合式1得到改站父标准云的数字特征如表6所示。
表4某站各通过类子设施累加服务能力计算值
表5某站各容纳类子设施累加服务能力计算值
表6某站父标准云数字特征
最终,由此得到车站父标准云云图如图3所示
S3,仿真参数设置
车站设施设备参数参考车站AnyLogic仿真模型进行设置;客流数据来源于摄像头采集车站客流的图片材料,通过深度学习算法识别情况获得客流量;客流参数基于2021年7月30日的工作日晚高峰时段客流OD数据确定。通过统计包括进出站客流量及换乘客流量,计算出客流参数。
1)进出站客流量。2021年7月30日的工作日晚高峰小时进出站客流量如表7所示。
表7进出站客流量
2)换乘客流量。2021年7月30日的工作日晚高峰小时换乘客流量如表8所示。
表8换乘客流量
3)进站、下车行人输入参数。根据进站客流量,将进站客流平均分配至9个出入口,可设置到达速率为986人/小时;根据出站及换乘客流量,双线四方向的列车乘客到达率设置如表9所示。
表9下车乘客到达率
S4,仿真结果
由于预测日当日的客流量极大,为获取不同客流情形下的客流预测状态实时识别结果,仿真分析的基本客流参数设置基为当日客流的0.25倍、0.5倍、0.75倍和1倍,分别对应情景一、情景二,以此类推。
仿真结果显示情形一和情形二中车站客流比较畅通,不存在客流拥堵现象;情形三中四号线站厅北部以及换乘通道与三号线站厅连接处出现小范围的客流拥堵问题,存在一定的营运安全风险;情形四中四号线站厅南北两端进站闸机处、三号线站厅东西两端进站闸机处、三号线楼扶梯和换乘通道与三号线连接处出现大范围的客流拥堵问题,车站运营处于高风险状态。得到客流密度如表10所示。
表10不同场景下车站客流密度
表10数据经上述式1、式2、式3等比例标准处理,计算结果如表11所示。
表11经比例标准处理后的客流密度
/>
表11数据结合式5,设重复计算次数为200次以减少误差,计算得到各区域客流状态隶属于各等级状态的权重,如表12和表13所示。
表12通过类设施
/>
表13容纳类设施
表12和表13反映了不同设施区域客流状态隶属度情况,可作为不同设施或区域客流管控的依据。从计算结果可以看出,通过类设施服务水平在不同情形下变化不显著,而容纳类设施服务水平变化较为显著,这是由于在参考《美国公共交通通行能力和服务质量手册(第二版)》(TCQSM)来分级城市轨道交通车站站内设施服务水平时,通过类设施的D、F两级跨度较大,如图4所示。
为解决不同类型设施服务水平等级划分的差异而导致站内整体客流状态难以确定的问题,下面将各子待测云整合成父云,通过计算父待测云对父标准云的隶属度来确定站内客流密度的状态。
将计算得到的实测权重值代入式2进行待测云的合成,最终得到合成待测云数字特征如表14所示。
表14待测云数字特征
根据表14的云数字特征构建待测云云图,与标准云云图对比如图5至图8所示。
最后,设重复计算次数为200次以减少误差,计算待测云与各等级标准云的相似度,计算结果如表15所示。
表15待测父云与标准父云相似度计算结果
在情形一中,车站客流状态与C级状态隶属度达到69.40%;在情形二中,车站客流状态与D级状态隶属度达到98.77%;在情形三和情形四中,车站客流状态与E级状态隶属度分别达到95.24%和98.62%。综上,可认为双层云模型对车站客流状态具有良好的辨识效果,结合客流信息预测的客流状态识别可有效作为后续车站客流管控的判别依据。
4、精细化动态客流管控
本文车站客流动态控制方法的控制对象为各出入口的进站客流流速,而实际车站客运过程中对各出入口的进站客流流速管控是通过出入口外设置栏杆铁马、限制出入口走行方向、调整售票机和闸机工作数量等措施实现的,是动态变化的过程,而AnyLogic仿真难以实现动态设施变化调节,因此仿真过程通过降低客流需求生成率实现各出入口限流。
该地铁站客流管控仿真的设施参数参考权力要求书中的设置。为模拟大客流情形,客流参数以预测日当日实际客流的1.3倍进行设置,控制时间粒度与客流信息预测时间粒度度一致,为5min,调节系数根据式14计算得为975,参数/>数值根据多次仿真实验可取值范围为/>本文取值为80。以上使用到的客流数据来源摄像头采集的图像信息识别而得。
该站共有8个出入口,以城市道路划分,可分为三组,其中,出入口F1、F2邻近莲花山公园客流量最小;出入口B、A1、A2邻近少年宫,客流量稍多;出入口E、C1、C2、D邻近商业区,客流量最大。根据实际情况与实地观测统计,现划分各出入口进站客流量占比如表16所示。
表16站内晚高峰期间各出入口客流量占比
根据上文仿真结果显示,情形三中客流已经存在一定的客流拥堵现象,此时对应车站全局客流状态等级E的隶属度超过95%,达到95.24%,可以认为此时处于较高风险客流状态,对应客流密度以表5-10和表5-11所计算得到的权重对各设施等级E对应客流密度进行加权求和得到,计算结果为2.22人/m2,以该值为车站承载能力极限对应客流密度,根据《城市轨道交通运营安全管理规范》中规定的客流达到车站承载能力的70%时应启动限流措施,因此少年宫站触发客流管控阈值ρ*=1.56人/m2。仿真时长设置为1h,对应晚高峰小时。在未采取客流管控的情况下,车站各出入口进站客流速度及车站全局客流密度随时间变化如图9和图10所示。
现分别使用禹丹丹等学者提出的偶发拥挤下轨道交通车站动态客流控制方法与本文控制方法针对上述情景进行效果对比。分别得到车站各出入口进站客流速度对比图,如图11所示;以及车站全局客流密度随时间分布变化情况的对比图,如图12所示。
由两条折现变化情况对比分析可得:两种客流管控方法均可完成车站客流的动态管控,从第10分钟开始,车站全局客流密度均在临界值附近波动。本发明提出的客流管控方法一方面从未超过客流密度阈值,而禹丹丹学者提出的客流管控方法在时段9与时段10略微超过了客流密度阈值。故可得出,此模型下提出的客流管控方法安全性更高;另一方面,本发明提出的客流管控方法更接近客流密度阈值,从而可在安全的客流密度范围内充分发挥车站集散能力。综合考虑,认为本文改进的客流管控可在安全范围内充分发挥车站集散能力,更好地应对车站客流拥堵引发的客运风险,保证车站运营安全。
5总结
本发明以客流密度作为客流状态的描述指标,提出双层云模型客流实时识别的构建方法。子标准云反映了车站各区域的状态分级,父标准云由子云根据服务能力分配权重整合而成,反映了车站全局的状态分级,待测云由预测客流信息获取,是各区域客流状态的反映,通过双层云模型辨识,可获取车站当前各区域和全局的客流状态等级。同时在在动态客流管控方面,引入客流管控误差补足环节,以消除原有客流管控模型可能存在管控力度过大或过小的问题,使车站在安全范围内充分发挥集散能力;其次,将客流管控模型推广到换乘车站,以各入口的进站客流为不同的控制变量,以期实现精细化的车站动态客流管控;最后,通过结合实际运营管控策略的分析,确定以车站全局客流状态等级E对应客流密度的70%作为触发客流管控的阈值。
以深圳地铁某站点为例,通过AnyLogic仿真验证了本文提出的双层云模型针对车站客流状态具有良好的辨识效果;以及验证了本文改进的精细化动态客流管控模型相较于原模型更具备优越性,在安全范围内可最大限度发挥车站客流集散能力,同时可使车站客流密度更加严格地限制在客流密度阈值以下,保证车站运营安全。综上,验证了双层云模型对车站客流状态具有良好的辨识效果,结合客流信息预测的客流状态识别可有效作为后续车站客流管控的判别依据。
以上所述之实施例仅为本发明的较佳实施例,并非对本发明做任何形式上的限制。任何熟悉本领域的技术人员,在不脱离本发明技术方案范围情况下,利用上述揭示的技术内容对本发明技术方案作出更多可能的变动和润饰,或修改均为本发明的等效实施例。故凡未脱离本发明技术方案的内容,依据本发明之思路所作的等同等效变化,均应涵盖于本发明的保护范围内。
Claims (8)
1.一种城市轨道交通车站客流状态识别与管控方法,其特征在于,包括以下步骤:
S1:分析车站客流状态评价指标分级,对车站各区域分别构建客流状态识别子云模型的标准云,再通过权重比例加和整合子标准云,从而构建对车站全局客流状态识别的父标准云;
S2:以预测客流信息为基础,同理分别建立待测子云和待测父云;通过对比子标准云与待测子云之间的隶属度,获得各关键区域的客流状态等级;通过对比父标准云与待测父云之间的隶属度,获得当前车站全局客流状态,最终父云隶属度作为依据决定是否执行客流管控措施;
S3:以进站客流流速为控制变量,以客流状态识别结果为状态变量,当客流状态达到或超过触发客流管控的阈值时,结合实际情况对各出入口客流流速进行精细化的控制。
2.根据权利要求1所述的城市轨道交通车站客流状态识别与管控方法,其特征在于,在步骤S1中,云模型的构建方法如下:
将客流状态的某一指标分为n个等级,显示该指标包含n-1个阈值,将n-1个阈值标记为x1~xn-1,另设集合X={x1,x2,...,xn-1},对于集合X内各元素,进行等比例标准化处理,然后以第一级和第n级的客流状态云为半正态云,其中第一级客流状态云为半降正态云,第N级客流状态云为半升正态云,其他等级客流状态云为全正态云。
3.根据权利要求2所述的城市轨道交通车站客流状态识别与管控方法,其特征在于,等比例标准化的处理方式为:其中/>为等比例标准化处理后的值,该值即为指标阈值对应云模型的期望值Ex;max(xi)为集合X内元素最大值;min(xi)为集合X内元素最小值。
4.根据权利要求2所述的城市轨道交通车站客流状态识别与管控方法,其特征在于,由一次定量值对概念的贡献可确定熵En的计算公式,全正态云模型数字特征的提取,提取公式为:
因此,由一次定量值对概念的贡献可确定熵En的计算公式,全正态云模型数字特征取值如公式2所示:
其中,N为该设施特定指标的分级数;
半正态云模型数字特征取值公式为:
根据两个公式计算得到子云模型参数后,便可根据正态云模型生成算法产生云滴,若干个云滴整合便可得到子云模型标准云的云图。
5.根据权利要求1所述的城市轨道交通车站客流状态识别与管控方法,其特征在于,所述父云模型则子模型按权重整合而成,通过步骤S1得出云模型数字特征参数当共有j类设施,记第k类设施对应待测子云为/>记待测父云为F(ExF,EnF,HF),则各子云合成父云过程中,父云的数字特征的计算方式为:
其中,wk为子待测云权重。
6.根据权利要求5所述的城市轨道交通车站客流状态识别与管控方法,其特征在于,在计算各设施待测云对应客流状态的隶属度时,还需要进行多次计算求和取平均的方法以减少误差,并通过等比例标准化处理该平均值,以处理后的平均值作为待测云属于各级标准云的概率,此概率即待测云权重,计算公式为:
其中:
yi.q为第q次计算待测云隶属于标准云第i级客流状态的隶属度;
val为经过等比例标准化处理后的实测客流状态;
p为重复计算次数;
yi为经过p次计算得到的待测云隶属于标准云第i级客流状态的隶属度。
7.根据权利要求1所述的城市轨道交通车站客流状态识别与管控方法,其特征在于,得到用于客流识别的双层标准云、实测子云及实测父云F(ExF,EnF,HF),设第k个标准子云为/>标准父云为/>根据客流状态待测云与标准云的判断结果,建立车站客流预测状态实时识别方法,过程如下:
1)以待测云F(ExF,EnF,HF)的参数EnF为期望、参数HF为标准差得到正态随机数E′n;
2)以待测云F(ExF,EnF,HF)的参数ExF为期望、步骤1)得到的正态随机数E′n为标准差得到正态随机数xpractice;
3)设父标准云的第i级云图为以Fi criterion的参数为期望、参数/>为标准差得到正态随机数/>
4)计算隶属于第i级服务水平的隶属度
5)重复N次步骤1)~4),设最终待测云与标准云第i级云图的相似度为βi,则βi可由为
重复步骤1)~5),得到待测云与各等级标准云的相似度,最后进行归一化处理计算各级相似度的百分比。
8.根据权利要求1所述的城市轨道交通车站客流状态识别与管控方法,其特征在于,在步骤S3中,以进站客流流速为控制变量,以客流状态识别结果为状态变量,当客流状态达到或超过触发客流管控的阈值时,实现闭环反馈管控建立车站动态客流管控,车站全局客流密度由各区域客流密度加权确定,为ρ(t)=∑ωiρi(t),其中ρ(t)为t时段车站全局客流密度(人/m2);ωi为计算全局客流密度时,第i个区域所占权重,ρi(t)为t时段第i个区域客流密度(人/m2)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311090193.XA CN117035198A (zh) | 2023-08-28 | 2023-08-28 | 城市轨道交通车站客流状态识别与管控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311090193.XA CN117035198A (zh) | 2023-08-28 | 2023-08-28 | 城市轨道交通车站客流状态识别与管控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117035198A true CN117035198A (zh) | 2023-11-10 |
Family
ID=88637248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311090193.XA Pending CN117035198A (zh) | 2023-08-28 | 2023-08-28 | 城市轨道交通车站客流状态识别与管控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117035198A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575264A (zh) * | 2023-11-29 | 2024-02-20 | 北京市运输事业发展中心 | 一种基于视觉识别的车站运输调度方法 |
-
2023
- 2023-08-28 CN CN202311090193.XA patent/CN117035198A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575264A (zh) * | 2023-11-29 | 2024-02-20 | 北京市运输事业发展中心 | 一种基于视觉识别的车站运输调度方法 |
CN117575264B (zh) * | 2023-11-29 | 2024-05-07 | 北京市运输事业发展中心 | 一种基于视觉识别的车站运输调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110942411B (zh) | 基于区域联动的地铁车站客流分级报警方法 | |
EP4030365A1 (en) | Multi-mode multi-service rail transit analog simulation method and system | |
CN105279572B (zh) | 城市轨道交通客流密集度指数计算与发布*** | |
CN107358357A (zh) | 城市轨道交通换乘车站评价方法 | |
CN103632212B (zh) | 一种时变用户均衡动态网络演化客流预测***和方法 | |
CN109446920B (zh) | 基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法 | |
CN104778837A (zh) | 一种道路交通运行态势多时间尺度预测方法 | |
CN108805347B (zh) | 基于客流池的地铁站外关联区域客流估计方法 | |
Jenelius | Data-driven metro train crowding prediction based on real-time load data | |
CN110414832B (zh) | 一种地铁运营中的客流控制方法和装置 | |
CN105488751A (zh) | 一种地铁站客流微观统计与调度方法 | |
CN117035198A (zh) | 城市轨道交通车站客流状态识别与管控方法 | |
CN115240431A (zh) | 高速公路收费站交通流量实时在线仿真***及仿真方法 | |
CN103679399B (zh) | 一种车站客流联动管控方法 | |
CN115359659B (zh) | 一种车道开闭配置方法和*** | |
CN108665178B (zh) | 一种基于afc的地铁站内楼扶梯客流量预测方法 | |
CN113850417A (zh) | 一种基于车站客流预测的客流组织决策方法 | |
CN107767011A (zh) | 一种轨道车站行人特性采集***和服务水平动态评价方法 | |
CN103793761B (zh) | 一种枢纽异常客流量产生因素的识别方法 | |
CN107808235A (zh) | 基于afc大数据的城市轨道大客流模型构建方法 | |
CN113962437A (zh) | 人流预测模型的构建方法及轨道交通站人流情况预测方法 | |
Liu et al. | Microscopic Simulation-Based Pedestrian Distribution Service Network in Urban Rail Station | |
CN116229305A (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 | |
Zhuang et al. | Estimating escalator vs stairs choice behavior in the presence of entry railing: A field study |
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 |