一種城市軌道交通通道內客流檢測和預測方法及其系統與流程
2023-12-05 12:28:36 3
本發明涉及行人流量檢測與預測領域，特別是涉及一種城市軌道交通通道內客流檢測和預測方法及其系統。
背景技術：
近年來，隨著各地政府管理機構對城市軌道交通認識的日益加深以及拉動內需的經濟需求，全國各大城市軌道交通建設得以飛速發展。城市軌道交通由於其運量大、能耗低、汙染少和乘坐方便等特點，吸引了越來越多的乘客，儼然已成為人們出行首選的公共運輸工具。就北京而言，地鐵日運營量已經超過1000萬人次，乘客的安全管理成為當前面臨的巨大挑戰。據統計，北京市正在運營的地鐵線路共有18條。到2020年為止，北京地鐵將分40線/段，建成線路總長逾981公裡的地鐵線。隨著越來越多的行人選擇乘坐地鐵出行，地鐵站內經常會出現客流過度飽和的狀態，尤其是在早晚出行尖峰時段或節假日等。如果過度飽和的客流得不到及時有效的疏導，很容易導致擁堵，降低行人的流通率，甚至可能導致踩踏事故的發生。如何提高應對站內大客流的能力以保障群體秩序，以及合理制定突發事件時客流的疏散策略以降低事故風險概率成為我們亟需解決的安全問題。為了維護正常公共秩序，保障廣大人民群眾的生命財產安全，公共場所人流密度變化情況的實時監控和管理工作引起了廣大社會管理者的重視。本發明提出的城市軌道交通通道客流密度實時檢測方法及系統可以很好地為乘客提供引導，並為地鐵運營管理人員提供決策支持。
隨著計算機技術的飛速發展，越來越多的研究人員從視頻處理的角度，對人流密度檢測進行研究和處理。中國發明專利CN103065379 A中通過分析視頻數據進行客流統計。通常，從視頻處理的角度來分析行人流量變化時，算法計算量較大，易受攝像頭成像質量的影響；同時，若欲獲取通道內多處的行人流量情況，需在通道內布置多個攝像頭，尤其在曲率較大的通道內，極易造成花費成本的提高；此外，通過視頻分析獲取客流量亦無法達到客流預測的目的。從系統級考慮，當客流密度增大到一定程度時，必定會造成擁擠，此時通道內客流的實時預測數據對於運營管理人員是非常重要的數據參考。
因此，需要設計了一種計算量少、實時性較高且能反映出行人異質性的客流檢測和預測模型，以滿足實際客流量檢測的需求。
技術實現要素：
本發明要解決的技術問題是提供一種城市軌道交通通道內客流檢測和預測方法及系統，以現有技術中通道內客流實時檢測存在盲區、無法實時預警客流密度變化以及檢測設備成本較高等問題，尤其對於彎曲通道或是通道內的行人流為極易發生崩潰現象的雙向行人流等情況。
為解決上述技術問題，本發明採用下述技術方案：
一種城市軌道交通通道內客流檢測和預測方法，該方法的步驟包括：
S1、基於光傳感技術，對通道進口處和出口處的客流量進行採集；
S2、基於社會力模型，構建通道兩端客流流出量與通道內客流密度之間的關係，並計算獲得行人密度與流出量之間的經驗值；
S3、構建待檢測通道的黑箱計算模型，並利用所述經驗值和當前時刻通道的進出口處的客流量，計算當前時刻通道內的客流密度信息以及下一時刻的客流密度信息。
優選地，所述步驟S2包括：
S21、對通過待檢測通道的乘客進行學習抽樣；
S22、基於抽樣數據，利用社會力模型構建兩端客流流出量與通道內客流密度之間的關係：通過數據擬合獲得行人密度與流出量之間的經驗值。
優選地，所述步驟S3包括：
S31、將待檢測通道劃分成多個矩形黑箱，並根據計算精度和通道彎度的曲率大小確定黑箱長度；
S32、計算第i個黑箱內行人的數量Ni(t+1)：Ni(t+1)＝min(Ni,full,max(Ni(t)+(qi(t)-Qi(t))·Wi·△T,0))，計算黑箱內行人的數量，其中，Qi,i-1(t)和qi,i+1(t)分別為行人從第i個黑箱的左端和右端的流出量，qi-1,i(t)和Qi+1,i(t)分別為行人從第i個黑箱的左端和右端的流入量，Ni,full是第i個黑箱內行人密度達到最大閾值時對應的行人數；
S33、基於行人密度與流出量之間的關係和當前時刻通道的進出口處的客流量，分別對從第i個黑箱的左端湧出到第i-1個黑箱的行人流量Qi,i-1(t)和從第i個黑箱的右端湧出到第i+1個黑箱的行人流量qi,i+1(t)，進行實時更新。
優選地，該方法進一步包括：S4、將計算獲得的所述下一時刻的客流密度信息與預設閾值比對，若超出閾值，則向工作人員報警，並對下一時刻的客流量進行監管調整，若未超出閾值，則繼續步驟S1至S3的計算。
一種城市軌道交通通道內客流檢測和預測系統，該系統包括：
客流量檢測單元，基於光傳感技術，對通道進口處和出口處的客流量進行採集；
客流計算實驗單元，基於社會力模型，構建通道兩端客流流出量與通道內客流密度之間的關係，並計算獲得行人密度與流出量之間的經驗值；
客流密度計算單元，構建待檢測通道的黑箱計算模型，並利用所述經驗值和當前時刻通道的進出口處的客流量，計算當前時刻通道內的客流密度信息以及下一時刻的客流密度信息。
優選地，所述客流量檢測單元包括設置在通道內行人導流欄處的光束髮射器和光接收器，所述光接收器通過串口通信的方式與客流計算實驗單元和客流密度計算單元通信。
優選地，所述客流計算實驗單元包括：
抽樣模塊，對通過待檢測通道的乘客進行學習抽樣；
擬合計算模塊，基於抽樣數據，利用社會力模型構建兩端客流流出量與通道內客流密度之間的關係：通過數據擬合獲得行人密度與流出量之間的經驗值。
優選地，客流密度計算單元包括：
黑箱劃分模塊，將待檢測通道劃分成多個矩形黑箱，並根據計算精度和通道彎度的曲率大小確定黑箱長度；
行人數量計算模塊，計算第i個黑箱內行人的數量Ni(t+1)：Ni(t+1)＝min(Ni,full,max(Ni(t)+(qi(t)-Qi(t))·Wi·△T,0))，計算黑箱內行人的數量，其中，Qi,i-1(t)和qi,i+1(t)分別為行人從第i個黑箱的左端和右端的流出量，qi-1,i(t)和Qi+1,i(t)分別為行人從第i個黑箱的左端和右端的流入量，Ni,full是第i個黑箱內行人密度達到最大閾值時對應的行人數；
數據更新模塊，基於行人密度與流出量之間的關係和當前時刻通道的進出口處的客流量，分別對從第i個黑箱的左端湧出到第i-1個黑箱的行人流量Qi,i-1(t)和從第i個黑箱的右端湧出到第i+1個黑箱的行人流量qi,i+1(t)，進行實時更新。
優選地，該系統進一步包括：報警模塊，將計算獲得的所述下一時刻的客流密度信息與預設閾值比對，若超出閾值，則向工作人員報警，並對下一時刻的客流量進行監管調整。
優選地，該系統進一步包括：客流動態顯示模塊，對當前待檢測通道的客流量情況進行動態顯示。
本發明的有益效果如下：
本發明所述技術方案充分結合了宏觀客流模型和微觀客流模型的優點，不僅計算量較小而且充分考慮到行人之間具體的交互。在客流檢測模塊確定通道最左端和最右端的客流流入量之比以後，根據計算實驗模塊採樣得出的密度和流出量的經驗值，客流密度計算模塊中採用的客流檢測和預測方法可以不斷更新每個「計算黑箱」在當前時刻和未來時刻的客流密度情況。當通道內的客流為單向流時，可根據客流的運動方向，設定另外方向的客流流入量為0。
附圖說明
下面結合附圖對本發明的具體實施方式作進一步詳細的說明；
圖1示出本方案所述客流檢測和預測方法的示意圖；
圖2示出本方案所述客流檢測和預測系統的示意圖；
圖3示出本方案所述「計算黑箱」的示意圖
圖4示出本方案實例中所述直通道內的雙向行人流的示意圖
圖5示出本方案實例中所述通道左端客流流出量與客流密度關係的示意圖
圖6示出本方案實例中所述通道右端客流流出量與客流密度關係的示意圖
圖7示出本方案實例中所述不同客流密度情況下通道左端客流流出量閾值的示意圖
圖8示出本方案實例中所述不同客流密度情況下通道右端客流流出量閾值的示意圖
圖9示出本方案實例中所述大小為10m*4m的3個「計算黑箱」的示意圖
圖10示出本方案實例中所述客流流量與通道內客流密度變化的示意圖
具體實施方式
為了更清楚地說明本發明，下面結合優選實施例和附圖對本發明做進一步的說明。附圖中相似的部件以相同的附圖標記進行表示。本領域技術人員應當理解，下面所具體描述的內容是說明性的而非限制性的，不應以此限制本發明的保護範圍。
本申請考慮在一些複雜形狀的通道內如S型通道或在人群密度較高的通道內，僅僅通過安裝有限的攝像頭或雷射並不能達到實時監控通道內任意具體位置處客流密度等具體情況的目的，而且僅通過攝像頭或雷射提供的通道內有限位置處的客流數據亦無法達到預測未來時刻通道內客流情況的目的。因此，本方案設計了一種基於「計算黑箱」的通道客流量檢測與預測方法及系統。該方案採用光發送與接收裝置採集通道出入口處客流量，隨後利用社會力模型進行計算實驗，抽樣採集一段時間內客流流出量與通道內客流密度變化的關係，並將數據擬合計算得出的經驗值作為客流密度計算的輸入值。客流密度計算過程中，本方案基於質量守恆定律提出的一種客流檢測和預測模型，該模型汲取了行人動力學宏觀模型計算量少和微觀模型充分考慮行人自身行為習慣的優點，可以實時檢測和預測當前時刻和未來時刻通道內任意具體位置處客流的密度，該模塊通過將通道分為多個「計算黑箱」，可以更準確地傳遞通道內客流密度變化情況。
具體的，如圖1所示，本發明公開了一種城市軌道交通通道內客流檢測和預測方法，該方法包括：
步驟S1、利用安裝在通道出入口處的乘客導流欄處的至少一組光束髮射器和光接收器，對通道內客流量情況進行採集；具體的，當客流通過光發送裝置和光傳感器之間時對光束進行切割，經過檢測光傳感器電平高低變化實現客流成功計數，採集完成通道出入口處客流後，將採集的數據通過串口通信方式發送至計算機對客流密度進行計算處理。
步驟S2、慮到不同的計算場景客流成分的差異性如地鐵站中大部分客流為中青年等，本發明中特別地考慮到客流計算實驗模塊中人群異質性的影響，並進行學習抽樣計算。該模塊主要是基於社會力模型，著重研究通道內客流密度與流出量間的關係：
<![CDATA[ m i d v i d t = f i 0 + Σ j ( i ) f i j + Σ w f i w - - - ( 12 ) ]]>
本發明檢測實例中通道的長度和寬度分別為10m和4m，通道兩端的行人從通道外部在保證一定的行人流入量的條件下不斷湧入直通道，如圖4所示。經過客流檢測模塊的採集檢測，從通道的兩端湧入行人的流量之比為1：3。經過該模塊的100次重複仿真實驗。如圖5和圖6所示，得到通道內客流密度與流出量之間的關係。如圖7和圖8所示，給出了相應數據點的擬合曲線。如圖5和圖6標識出通道兩端行人密度與行人流出量的關係，並在圖7和圖8中給出了數據均值的擬合曲線和95％置信區間的擬合曲線即上限曲線和下限曲線。當客流密度確定後，行人的流出量並不是固定不變的，而是在流出量的閾值[流出量down，流出量up]的範圍內波動。
步驟S3、如圖3所示，標識出了客流從微觀到宏觀的「計算黑箱」建模方法示意圖，通過黑箱建模方法可實時獲取當前時刻通道內部客流密度信息並可預測未來時刻客流情況。通常，可將通道劃分成多個矩形「計算黑箱」進行處理，「計算黑箱」的長度由計算的精度和通道彎度的曲率大小共同決定。對於「計算黑箱」i來說，Ni(t)為在t時刻「計算黑箱」i內的行人數，Qi,i-1(t)和qi,i+1(t)分別為行人從「計算黑箱」i的左端和右端的流出量，而qi-1,i(t)和Qi+1,i(t)分別為行人從「計算黑箱」i的左端和右端的流入量。基於質量守恆定律，可得到(t+1)時刻「計算黑箱」i內行人的數量Ni(t+1)為：
Ni(t+1)＝min(Ni,full,max(Ni(t)+(qi(t)-Qi(t))·Wi·△T,0)) (1)
Qi(t)＝Qi,i-1(t)+qi,i+1(t) (2)
qi(t)＝qi-1,i(t)+Qi+1,i(t) (3)
Ni,full是計算黑箱i內行人密度為最大閾值時對應的行人數。受到通道物理大小的限制以及參考實際經驗數據，設定通道內行人密度的最大閾值為5.4人/m2，則Ni,full＝5.4·Wi·Li。其中，Wi是「計算黑箱」i的寬度，Li是其長度。qi(t)是湧入「計算黑箱」i的行人總流量，Qi(t)是從「計算黑箱」i兩端湧出的行人總流量。值得我們注意的是，「計算黑箱」i內的實際人數不僅需保證足夠多，以滿足「計算黑箱」內行人湧出量的要求；同時，「計算黑箱」i左右兩端的「計算黑箱」i-1和i+1需有足夠大的空間，使從「計算黑箱」i內湧出的行人進入；綜合考慮基於微觀社會力模型得到的客流密度與流出量間的關係，從「計算黑箱」i的左端湧出到「計算黑箱」i-1的行人流量Qi,i-1(t)可以得到實時更新：
Qi,i-1(t)＝min(Q′i,i-1(t),Q″i,i-1(t),Q″′i,i-1(t)) (4)
<![CDATA[ Q i , i - 1 ′ ( t ) = ( Q i , i - 1 u p ( ρ , t ) - Q i , i - 1 d o w n ( ρ , t ) ) r ( 1 ) + Q i , i - 1 d o w n ( ρ , t ) - - - ( 5 ) ]]>
<![CDATA[ Q i , i - 1 ′ ′ ( t ) = a R a L + a R N i ( t ) W i Δ T - - - ( 6 ) ]]>
<![CDATA[ Q i , i - 1 ′ ′ ′ ( t ) = max ( a R a L + a R N i - 1 , f u l l - N i - 1 ( t ) W i Δ T , 0 ) - - - ( 7 ) ]]>
其中，△T＝1s。r(1)是介於0和1間的隨機數。和是基於社會力模型得到的行人密度與流出量間的經驗值，即從某具體行人密度處對應的上限曲線和下限曲線對應的中間數據中選取，該部分數據從客流計算實驗模塊中獲得。aL:aR代表從外部湧入「計算黑箱」左端的客流量qL和湧入「計算黑箱」右端的客流量qR之比，為客流檢測模塊的輸入值。
類似地，從「計算黑箱」i的右端湧出到「計算黑箱」i+1的行人流量qi,i+1(t)也可得到實時更新：
qi,i+1(t)＝min(q′i,i+1(t),q″i,i+1(t),q″′i,i+1(t)) (8)
<![CDATA[ q i , i + 1 ′ ( t ) = ( q i , i + 1 u p ( ρ i ( t ) , t ) - q i , i + 1 d o w n ( ρ i ( t ) , t ) ) r ( 1 ) + q i , i + 1 d o w n ( ρ i ( t ) , t ) - - - ( 9 ) ]]>
<![CDATA[ q i , i + 1 ′ ′ ( t ) = a L a L + a R N i ( t ) W i Δ T - - - ( 10 ) ]]>
<![CDATA[ q i , i + 1 ′ ′ ′ ( t ) = m a x ( a L a L + a R N i + 1 , f u l l - N i + 1 ( t ) W i Δ T , 0 ) - - - ( 11 ) ]]>
同理，亦可得到從「計算黑箱」i-1的右端湧出到「計算黑箱」i的行人流量qi-1,i(t)，以及從「計算黑箱」i+1的左端湧入到「計算黑箱」i的行人流量Qi+1,i(t)。因此，每個「計算黑箱」在t+1時刻的客流情況如Ni(t+1)和ρi(t)等可得到預測。進一步地，在上述結果的基礎上可預測得到t+2，t+3，……，t+n時刻「計算黑箱」內的客流情況。
由於通道內行人密度過大時可能導致擁擠踩踏事故的發生，本發明中根據相關經驗數據設定預警密度閾值為3人/m2。當在未來時刻通道內任意位置處行人的密度高於該預警密度閾值時，客流密度計算模塊將發出告警，提醒地鐵值班人員對客流進行分流引導，在這種極端條件下不允許乘客再進入通道。
S4、計算獲得的所述下一時刻的客流密度信息與預設閾值比對，若超出閾值，則向工作人員報警，並對下一時刻的客流量進行監管調整，若未超出閾值，則繼續步驟S1至S3的計算。
本申請進一步公開了一種城市軌道交通通道內客流檢測和預測系統，該系統包括：
客流量檢測單元，基於光傳感技術，對通道進口處和出口處的客流量進行採集；所述客流量檢測單元包括設置在通道內行人導流欄處的光束髮射器和光接收器，所述光接收器通過串口通信的方式與客流計算實驗單元和客流密度計算單元通信。
客流計算實驗單元，基於社會力模型，構建通道兩端客流流出量與通道內客流密度之間的關係，並計算獲得行人密度與流出量之間的經驗值；所述客流計算實驗單元包括：
抽樣模塊，對通過待檢測通道的乘客進行學習抽樣；
擬合計算模塊，基於抽樣數據，利用社會力模型構建兩端客流流出量與通道內客流密度之間的關係：通過數據擬合獲得行人密度與流出量之間的經驗值。
客流密度計算單元，構建待檢測通道的黑箱計算模型，並利用所述經驗值和當前時刻通道的進出口處的客流量，計算當前時刻通道內的客流密度信息以及下一時刻的客流密度信息；所述客流密度計算單元包括：
黑箱劃分模塊，將待檢測通道劃分成多個矩形黑箱，並根據計算精度和通道彎度的曲率大小確定黑箱長度；
行人數量計算模塊，計算第i個黑箱內行人的數量Ni(t+1)：Ni(t+1)＝min(Ni,full,max(Ni(t)+(qi(t)-Qi(t))·Wi·△T,0))，計算黑箱內行人的數量，其中，Qi,i-1(t)和qi,i+1(t)分別為行人從第i個黑箱的左端和右端的流出量，qi-1,i(t)和Qi+1,i(t)分別為行人從第i個黑箱的左端和右端的流入量，Ni,full是第i個黑箱內行人密度達到最大閾值時對應的行人數；
數據更新模塊，基於行人密度與流出量之間的關係和當前時刻通道的進出口處的客流量，分別對從第i個黑箱的左端湧出到第i-1個黑箱的行人流量Qi,i-1(t)和從第i個黑箱的右端湧出到第i+1個黑箱的行人流量qi,i+1(t)，進行實時更新。
報警模塊，將計算獲得的所述下一時刻的客流密度信息與預設閾值比對，若超出閾值，則向工作人員報警，並對下一時刻的客流量進行監管調整。
本方案，為了驗證客流密度計算模塊的可行性和有效性，本實例中採用了如圖9所示的包含3個矩形「計算黑箱」的通道進行實驗。從附圖10中可以清晰地得到當從通道的兩端湧入行人的流量比為1：3時通道內客流密度的變化情況。
本方案，為了方便用戶的操作和監控，該系統進一步設有：客流動態顯示模塊，對當前待檢測通道的客流量情況進行動態顯示。
綜上所述，本發明所述技術方案充分結合了宏觀客流模型和微觀客流模型的優點，不僅計算量較小而且充分考慮到行人之間具體的交互。在客流檢測模塊確定通道最左端和最右端的客流流入量之比以後，根據計算實驗模塊採樣得出的密度和流出量的經驗值，客流密度計算模塊中採用的客流檢測和預測方法可以不斷更新每個「計算黑箱」在當前時刻和未來時刻的客流密度情況。當通道內的客流為單向流時，可根據客流的運動方向，設定另外方向的客流流入量為0。
顯然，本發明的上述實施例僅僅是為清楚地說明本發明所作的舉例，而並非是對本發明的實施方式的限定，對於所屬領域的普通技術人員來說，在上述說明的基礎上還可以做出其它不同形式的變化或變動，這裡無法對所有的實施方式予以窮舉，凡是屬於本發明的技術方案所引伸出的顯而易見的變化或變動仍處於本發明的保護範圍之列。