CN105279572B - 城市轨道交通客流密集度指数计算与发布系统 - Google Patents
城市轨道交通客流密集度指数计算与发布系统 Download PDFInfo
- Publication number
- CN105279572B CN105279572B CN201510591408.5A CN201510591408A CN105279572B CN 105279572 B CN105279572 B CN 105279572B CN 201510591408 A CN201510591408 A CN 201510591408A CN 105279572 B CN105279572 B CN 105279572B
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- index
- closeness
- data
- 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.)
- Active
Links
Landscapes
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提供了一种城市轨道交通客流密集度指数计算与发布系统,包括密集度指数发布单元,数据分析与密集度指数计算单元,多源数据输入单元。其中,多源数据输入单元可接入自动客流监测数据、AFC数据、列车实时载客数据及人工调查数据等多种数据;数据分析与密集度指数计算单元包括多时间粒度客流分析与预测模块、车站级客流密集度指数计算模块、线路级客流密集度指数计算模块、网络级客流密集度指数计算模块;指数发布单元包括指数显示模块、报表生成模块及面向用户的发布模块。
Description
技术领域
本发明属城市轨道交通领域,尤其涉及一种城市轨道交通客流拥挤度指数计算与发布系统。
背景技术
实时查看出行路径上的拥堵情况逐渐成为人们出行的必备手续之一。精确刻画道路交通拥堵情况的道路交通拥堵指数已成为国内外众多城市进行道路交通管理的重要手段,并在政府决策、行业管理中发挥越来越重要的角色。虽然轨道交通发展相对道路交通发展较晚,但是近年来城市轨道发展迅速,各城市的轨道交通网络逐渐形成规模,尤以北上广等城市为突出。城市轨道交通客流也不断创出新高,北京地铁2014年日均客流1000万人次已经成常态化,高峰期很多区间的满载率达到1.2以上,甚至有个别线路达到1.3以上,部分车站的换乘通道,车站站台,楼扶梯的客流密度甚至达到9-10人/m2,高峰时期拥堵不堪,极易发生踩踏事故。乘客出行越来越关注轨道交通的舒适性和安全性,实时发布轨道交通的拥挤度状况并能预测下一时段的拥挤度状况不仅可方便乘客进行路径选择,合理引导乘客出行,同时可为政府、运营管理企业动态获取城市轨道交通的拥挤程度提供了支撑,对于保障地铁运营意义深远。
发明内容
为了解决现有技术中存在的上述问题,本发明的目的是提供一种城市轨道交通客流拥挤度指数计算与发布系统,本计算与发布系统,主要功能为实现城市轨道交通客流密集度指数计算与发布。城市轨道交通客流密集度指数是根据轨道交通历史、实时及预测客流结果,推算出的车站、线路及全网的客流拥挤程度的表征,即本发明中提到的车站级客流密集度指数、线路级客流密集度指数和网络级客流密集度指数这三级密集度指数的汇总和总称。
为达到上述目的,本发明的技术解决方案是:
一种城市轨道交通客流密集度指数计算与发布系统,包括:
a、多源数据输入单元:获取自动客流监测设备、AFC设备和列车实时监控设备的实时和历史客流数据,及人工调查数据;
b、数据分析与密集度指数计算单元:包括多时间粒度客流分析与预测模块、车站级客流密集度指数计算模块、线路级客流密集度指数计算模块、网络级客流密集度指数计算模块;
c、密集度指数发布单元包括指数显示模块、报表生成模块和面向用户的发布模块;
所述数据分析与密集度指数计算单元与多源数据输入单元连接;所述多时间粒度客流分析及预测模块对从多源数据输入单元获取的实时和历史客流数据,并进行多种时间粒度的统计分析和预测,输出历史、实时及预测客流数据及多种时间粒度统计结果;所述密集度指数发布单元与数据分析与密集度指数计算单元通过数据接口连接;指数显示模块以数据分析与密集度指数计算单元输出的车站级客流密集度指数、线路级客流密集度指数、网络级客流密集度指数数据作为输入,以图形界面进行显示;数据分析与密集度指数计算单元的输出包括车站级客流密集度指数、线路级客流密集度指数、网络级客流密集度指数以及历史、实时及预测客流及其汇总结果;
多时间粒度客流分析及预测模块根据从多源数据输入单元获取的实时和历史客流数据,得到预测客流数据的步骤包括:
(1)对测试数据进行平稳性检验,若观测序列值是平稳,则无需进行差分运算,若非平稳,则需要进行d阶差分运算,直至使其成为平稳序列。然后对平稳序列数据进行随机性检验。若序列值彼此之间无任何相关性,则无需继续预测,若非纯随机序列,则可以进行下一步验证。
(2)计算平稳序列的自相关系数(ACF)和偏自相关系数(PACF),根据ACF和PACF的收尾特性,确定预测模型的的阶数,对预测模型中自回归系数多项式和移动平滑系数多项式中的未知参数和方差然后采用大量的历史数据对预测模型进行参数估计,得到参数值。
(3)对残差进行白噪声检验,以辨别预测模型的显著有效性,若残差序列为非白噪声序列,则证明观测序列值相关信息的提取还不完全,需对预测模型进行重新定阶。然后对步骤(2)中估计的对参数进行显著性检验,以确定参数的显著有效性,剔除不显著参数。
(4)利用序列已观测到的样本值对序列在未来某个时刻的取值进行估计。采用线性最小方差预测方法,根据输入的实测的客流量及历史客流量序列预测序列未来值,得到预测客流数据。
上述预测模型是ARIMA(Autoregressive Integrated Moving Average)预测模型,是差分自回归滑动平均模型;ARIMA(p,d,q)中,AR是“自回归”,p为自回归项数;MA为“滑动平均”,q为滑动平均项数,d为使之成为平稳序列所做的差分次数即阶数。
历史、实时及预测客流数据及多种时间粒度统计结果为数据输入,由车站级客流密集度指数计算模块计算出车站级客流密集度指数;
历史、实时及预测客流数据及多种时间粒度统计结果为数据输入,结合车站级客流密集度指数,由线路级客流密集度指数计算模块计算线路区间客流密集度指数和线路级客流密集度指数;
历史、实时及预测客流数据及多种时间粒度统计结果为数据输入,结合线路级客流密集度指数,由网络级客流密集度指数计算模块计算出网络级客流密集度指数;
车站级客流密集度指数、线路级客流密集度指数、网络级客流密集度指数分级进行量化计算,并根据实际拥挤程度划分成相应拥挤状态。
车站级客流密集度指数、线路级客流密集度指数、网络级客流密集度指数用0-10分级进行量化计算,并根据实际拥挤程度划分成舒适、正常、轻度拥挤和极度拥挤四种状态;对应0-10分级量化计算体系,密集度指数0-3为舒适状态,密集度指数4-6为正常状态,密集度指数7-8为正常状态,密集度指数9-10为正常状态。
数据分析与密集度指数计算,短时预测的时间粒度为10秒~5分钟。
指数显示模块中对于密集度指数数值以不同颜色进行区分显示,对应不同的拥挤状态。具体来说,指数显示模块中对于密集度指数数值分别用绿色、黄色、橙色、红色对应前述舒适、正常、轻度拥挤和极度拥挤四种状态,并对应密集度指数具体数值范围。
指数显示模块的显示模式包括全网指数显示模式、线路指数显示模式和车站指数显示模式;
一、全网指数显示模式下,以轨道交通网络线路图作为显示基础,车站以圆点进行表示,并根据车站级密集度指数,按照对应状态及颜色进行显示;
线路区间根据线路区间客流密集度指数按照对应状态及颜色进行显示;
网络级密集度指数以数值形式进行直接显示,并按照对应状态及颜色进行显示;
二、线路指数显示模式下,以全线车站和区间线路图作为显示基础,车站以圆点进行表示,并根据车站级密集度指数,按照对应状态及颜色进行显示;
线路区间根据线路区间客流密集度指数按照对应状态及颜色进行显示;
三、车站指数显示模式下,显示全站结构图,并对不同区域按照客流数据得到拥挤状况,且划分为不同的拥挤状态,并用不同颜色进行区域标识;
全网指数显示模式下:点击轨道交通网络线路图中任意线路,进入该条线路对应的线路指数显示模式;点击轨道交通网络线路图中任意车站,则进入该车站对应的车站指数显示模式;
线路指数显示模式下:点击线路中任意车站,进入该车站对应的车站指数显示模式。
所述多源数据输入单元为C/S架构,它连接自动客流监测设备、AFC设备、列车实时监控设备及人工调查数据输入设备,获取客流监测数据、AFC数据、列车实时载客数据、人工调查数据,并对这些数据的格式进行整理符合统一标准;
所述多源数据输入单元中,自动客流监测设备包括采用视频分析、激光扫描、红外激光和彩色视频融合、压力传感器、红外传感器,这些设备自动监测客流状态获取客流监检测数据,并可通过网络、总线等多种方式连接多源数据输入单元;客流监测数据包括客流计数、速度和密度。
所述报表生成模块生成的报表内容包括:日、周、月、年下,可选车站、可选线路或网络的客流密集度指数,以及车站、线路和网络的客流信息;
面向用户的发布模块将指数显示模块的结果面向网络用户进行发布,采用B/S架构满足用户访问请求,同时支持电脑终端及手机用户。
城市轨道交通客流密集度指数的计算,包括车站级客流密集度指数计算、线路区间客流密集度指数计算、线路级客流密集度指数计算和网络级客流密集度指数计算,这些指数在本系统总分别由相应的计算模块计算,各个计算模块的计算方法为:
先以各个车站为点,计算车站客流密集度指数:对影响车站客流密集度指数的关键区域的客流密度因素,采用不同时间段的各关键区域客流量占总客流量的比值作为权重,并设定权重阈值,以大于该阈值的客流监测设备的加权与全部客流监测设备加权的比值得到车站客流密集度指数;
再以车站所在的线路为线,计算线路客流密集度指数:采用车站的权重和区间的权重进行加权求和得到线路客流密集度指数;车站的权重为该线路上所有大于设定权重阈值的车站的加权和与所有车站加权和的比值,区间部分为该区间的满载率的平均值即区间平均满载率;这里的区间是指线路上的两个车站之间的部分线路;
最后以各个线路构成的城市轨道交通的网络为面,计算网络客流密集度指数:由各线路客流密集度指数加权得到,该权重为线路客运量与网络客运量的比值。
所述影响车站客流密集度指数的关键区域包括车站的出入口、车站的通道、站台以及所有被规定的区域。
车站客流密集度指数、线路客流密集度指数和网络客流密集度指数计算中的权重都具有动态的更新机制。
具体来说,包括步骤:
a)先将城市轨道交通车站客流监测设备得到的历史、实时及预测客流数据及多种时间粒度统计结果作为输入数据,经计算得出基本时间粒度下车站密集度指数:
a-1)由公式(1),将车站各关键区域的客流密度ρ换算成拥挤程度ψ,利用车站关键区域的客流密度ρ与各关键区域服务水平分级对应后,得出车站内各关键区域的拥挤程度值;
式(1)中,
i表示某区域的客流监测设备编号;j表示车站关键区域,j包括车站的出入口、通道、站台以及所有被规定的区域;
ψ上限和ψ下限分别表示车站关键区域的拥挤程度的上限和下限;
ψi表示客流检测设备i监测范围的拥挤程度值;
ρ上限和ρ下限分别表示客流密度值在分级水平里对应的上限和下限;
ρj表示关键区域j的客流密度值;
a-2)再将基本时间粒度下车站密集度指数作为输入,计算得到短时车站客流密集度指数:
根据不同关键区域的拥挤程度阈值ψ0,以及设备和关键区域的对应关系,不同设施设备的权重α,通过公式(2)计算出短时车站客流密集度指数I车站;
式(2)中:
表示关键区域j的客流检测设备i监测范围的拥挤程度值;
表示关键区域j的拥挤程度阈值;
表示关键区域j的客流检测设备i的权重,该权重是由该设备检测范围内的流量Vi j占该关键区域j内的所有设备范围内的客流量的比例得出;
用来表示关键区域j的客流检测设备i监测范围的拥挤程度值大于关键区域j的拥挤程度阈值时候的值用于公式(2)的计算统计;
b)将短时车站客流平均密集度指数和短时区间满载率作为输入,计算得出短时线路客流密集度指数:
b-1)首先计算短时区间满载率由公式(3)选择区间上下行的平均满载率作为短时区间满载率;
式(3)中,
为线路l上的区间m的断面满载率,k表示上行或者下行;
M为线路上车站个数;
为线路l上的区间满载率归一化参数;
b-2)再将短时车站客流密集度指数和车站的权重,以及车站客流密集度指数阈值作为输入,根据公式(4)计算短时车站客流平均密集度指数值;
式(4)中,
表示线路l上的车站密集度指数的阈值;
表示线路l的车站n的密集度指数;
表示线路l上车站n的权重,该权重是按照车站n的进站量和所在线路l的进线量的比值确定车站;
用来表示线路l的车站j的密集度指数大于线路l上的车站密集度指数的阈值时候的值用于公式(4)的计算统计;
b-3)最后将短时车站客流平均密集度指数与短时区间客流密集度指数作为输入,由公式(5)计算得出短时线路客流密集度指数;
式(5)中,λ表示区间的权重,λ<1;
c)将轨道交通网络中各条线路的短时线路客流密集度指数作为输入,计算出短时网络客流密集度指数:
将短时线路客流密集度指数和相应线路的权重作为输入,根据公式(6)计算得到短时网络客流密集度指数,该权重由式(7)计算得到;
式(6)、(7)中,
γl表示线路l的权重,该权重是按照线路l的客运量Pl占全网客运量的比例计算得到;式中为线路l的短时线路客流密集度指数;
d)将短时车站客流密集度指数、短时线路客流密集度指数和短时网络客流密集度指数作为输入,分别计算其它时间粒度车站、线路和网络密集度指数;
小时车站、线路和网络客流密集度指数是分别由短时车站、线路和网络客流密集度指数取平均值得出;
全日车站、线路和网络客流密集度指数是分别由车站、线路和网络早高峰2小时和晚高峰2小时的客流密集度指数取平均值得出;
周车站、线路和网络客流密集度指数是分别由本周工作日的车站、线路和网络客流密集度指数的平均值得出;
月车站、线路和网络客流密集度指数是分别由该月工作日的车站、线路和网络客流密集度指数取平均值得出;
年车站、线路和网络的密集度指数是分别由月车站、线路和网络客流密集度指数取平均值计算得出。
AFC系统的全称是Automatic Fare Collection System,是现有技术中的由计算机集中控制的自动售票(包括半自动售票)、自动检票以及自动收费和统计的封闭式自动化网络系统。城市轨道交通自动售检票系统(AFC)的结构进行了层次划分,共分为车票、车站终端设备、车站计算机系统、线路中央计算机系统、清分系统五个层次。
附图说明:
图1为本计算与发布系统框架示意图图。
图2为本计算与发布系统流程图。
图3为密集度指数计算单元流程图。
图4为客流预测方法流程示意图。
具体实施方式:
下面结合具体实施方式对本技术方案进一步说明如下:
一种城市轨道交通客流密集度指数计算与发布系统:
1)本系统,主要功能为实现城市轨道交通客流密集度指数计算与发布,城市轨道交通客流密集度指数是根据轨道交通实时、历史及预测客流结果推算出的车站、线路及全网的客流拥挤程度的表征,即是车站级客流密集度指数、线路级客流密集度指数、网络级客流密集度指数三级密集度指数的汇总和总称。(此处定义再斟酌一下)
2)本系统包括密集度指数发布单元,数据分析与密集度指数计算单元,多源数据输入单元。其中,多源数据输入单元可接入自动客流监测数据、AFC数据、列车实时载客数据等多种数据;数据分析与密集度指数计算单元包括多时间粒度客流分析与预测模块、车站级客流密集度指数计算模块、线路级客流密集度指数计算模块、网络级客流密集度指数计算模块;指数发布单元包括指数显示模块、报表生成模块及面向用户的发布模块。
3)本系统中,多源数据输入单元采用C/S架构,自动连接自动客流监测设备、AFC设备、列车实时监控设备及人工调查数据输入模块等多种设备,获取自动客流监测数据(包含客流计数、速度、密度等参数)、AFC数据、列车实时载客数据、人工调查数据等多种数据,并对其格式按照统一标准进行整理。所述的自动客流监测设备包括采用视频分析、激光扫描、红外激光和彩色视频融合、压力传感器、红外传感器等各种不同类型的自动客流监测设备,这些设备可自动监测客流状态获取客流信息,并可通过网络、总线等多种方式连接多源数据输入单元。
4)本系统中,数据分析与密集度指数计算单元与多源数据输入单元直接相连,并通过多时间粒度客流分析及预测模块对从多源数据输入单元获取的客流数据进行秒、分、小时、日等多种时间粒度的汇总分析,并进行短时预测。以实时、历史及预测客流及其汇总结果为数据输入,通过车站级客流密集度指数计算模块计算出车站级客流密集度指数;以实时、历史及预测客流及其汇总结果为数据输入,结合车站级客流密集度指数计算结果,通过线路级客流密集度指数计算模块计算线路区间客流密集度指数和线路级客流密集度指数;以实时、历史及预测客流及其汇总结果为数据输入,结合线路级客流密集度指数计算结果,通过网络级客流密集度指数计算模块计算出网络级客流密集度指数。
本系统中,车站级客流密集度指数、线路级客流密集度指数、网络级客流密集度指数用0-10分级进行量化计算,并根据实际拥挤程度划分成舒适、正常、轻度拥挤和极度拥挤四种状态。对应0-10分级量化计算体系,密集度指数0-3为舒适状态,密集度指数4-6为正常状态,密集度指数7-8为正常状态,密集度指数9-10为正常状态。在实际应用时候,也可以采用其它如0-100等分级量化体制,及划分为不等于四种状态,以及改变每种状态对应的密集度指数数值范围。
本系统中,数据分析与密集度指数计算单元的输出包括车站级客流密集度指数、线路级客流密集度指数、网络级客流密集度指数以及实时、历史及预测客流及其汇总结果。
本系统中,数据分析与密集度指数计算,短时预测的时间粒度通常为10秒-5分钟。
4)本系统中,指数发布单元与数据分析与密集度指数计算单元通过数据接口连接,指数显示模块以数据分析与密集度指数计算单元输出的车站级客流密集度指数、线路级客流密集度指数、网络级客流密集度指数数据作为输入,以图形界面进行显示。
本系统中,指数显示模块中对于密集度指数数值以不同颜色进行区分显示,如分别用绿色、黄色、橙色、红色对应前述舒适、正常、轻度拥挤和极度拥挤四种状态,并按照前述规则对应密集度指数具体数值范围。
指数显示模块分全网指数显示模式、线路指数显示模式和车站指数显示模式。全网指数显示模式以轨道交通网络线路图作为显示基础,车站以圆点进行表示,并根据车站级密集度指数计算结果,按照对应状态及颜色进行显示;线路区间根据线路区间客流密集度指数结果,按照对应状态及颜色进行显示;网络级密集度指数计算结果以数值形式进行直接显示,并按照对应状态及颜色进行显示。
全网指数显示模式下,点击轨道交通网络线路图中任意线路,进入该条线路对应的线路指数显示模式。线路指数显示模式下,以全线车站和区间线路图作为显示基础,站以圆点进行表示,并根据车站级密集度指数计算结果,按照对应状态及颜色进行显示;线路区间根据线路区间客流密集度指数结果,按照对应状态及颜色进行显示。全网指数显示模式下,点击轨道交通网络线路图中任意车站,进入该车站对应的车站指数显示模式。车站指数显示模式下,显示全站结构图,并对不同区域根据客流数据判别拥挤状况,且划分为舒适、正常、轻度拥挤和极度拥挤四种状态,分别用绿色、黄色、橙色、红色进行区域标识。线路指数显示模式下,点击线路中任意车站,进入该车站对应的车站指数显示模式。
本系统中,报表生成模块可实现日、周、月、年可选车站、可选线路和网络的客流密集度指数和车站、线路和网络的客流信息。
本系统中,面向用户的发布模块将指数显示模块的结果面向网络用户进行发布,采用B/S架构满足用户访问请求,同时支持电脑终端及手机用户。
下面结合附图进行说明:
如图1所示,为本系统的框架图。包括密集度指数发布单元,数据分析与密集度指数计算单元,多源数据输入单元。其中,多源数据输入单元可接入自动客流监测数据、AFC数据、列车实时载客数据及人工调查数据等多种数据;数据分析与密集度指数计算单元包括多时间粒度客流分析与预测模块、车站级客流密集度指数计算模块、线路级客流密集度指数计算模块、网络级客流密集度指数计算模块;指数发布单元包括指数显示模块、报表生成模块及面向用户的发布模块。系统最终采用B/S架构面向网络用户进行发布。
如图2所示,为系统整体流程示意图。根据系统要实现的功能,进行系统数据库流程设计,本系统根据数据来源分为本地数据库和物联网数据库。监测设备的输出监测数据存入物联网数据库,根据监测设备提供的输入数据,由密集度指数计算核心引擎通过读取本地数据库模型内部参数表,计算出车站、线路、网络各时间粒度的密集度指数值,然后再存储于本地数据库。后由前端显示模块读取后显示和发布。采取这种模式的好处是前端发布只需读取而不需要计算,网络响应时间短,反应比较快。前端系统和后端计算可以分开开发,缩短开发时间。
如图3所示,以实时、历史及预测客流及其汇总结果为数据输入,通过车站级客流密集度指数计算模块计算出车站级客流密集度指数;以实时、历史及预测客流及其汇总结果为数据输入,结合车站级客流密集度指数计算结果,通过线路级客流密集度指数计算模块计算线路区间客流密集度指数和线路级客流密集度指数;以实时、历史及预测客流及其汇总结果为数据输入,结合线路级客流密集度指数计算结果,通过网络级客流密集度指数计算模块计算出网络级客流密集度指数。
如图4所示,为客流预测方法流程示意图。本方法总体上以前15分钟实时监测数据和历史同期监测数据均值(前15分钟实时检测数据缺失时,采用历史同期数据的均值(通常为前一天相应时段、前一周相应时段或上月相应时段等))为实时输入,通过历史样本数据拟合和深入挖掘,标定初始的模型参数,并通过实际监测数据,对模型参数进行定期更新,从而保证模型的适应性和预测精度。经过获得观测序列值、平稳性检验、白噪声检验、计算自相关系数和偏相关系数、模型定阶、未知参数估计、模型检验、模型优化和预测序列未来值和分析结果等过程得出预测结果。作为通用型模型,开发的车站客流预测模型可以客流监测设备监测数据为基础,实现对未来以15分钟为时间粒度的通道断面客流量以及以30秒为时间粒度的站台、通道、出入口客流密度的精确预测,后通过拥挤度指数算法计算出车站、线路和网络的下一时间粒度的拥挤度指数值。
本发布系统能够实现车站级、线路级和网络级的状态和拥挤度指数的动态发布及统计报表生成、拥挤度指数未来趋势预测功能。主要功能包括:
轨道交通网络图绘制编辑等功能。能够实现轨道交通网络的绘制,站点、区间信息的维护,以及后期新线开通后,新线路和车站的增加等功能。路网绘制时,可以每个站点、每个区间为最小的单元,每个区间分为上下行区间,换乘站按照换乘的线路的多少,单独显示车站,并将车站标识出来,以便对不同站台的客流拥挤情况进行单独显示。
按照线路、车站进行拥挤程度查看功能。当选择某条线路后,能够单独显示该线路的所有车站和区间,按照用户自定义的“车站类型”查看,如选择“换乘站”之后,可以单独显示所有的换乘站;“枢纽站”可显示所有的枢纽车站,如西直门、东直门、北京站、北京西站、北京南站等。同时可显示所有处于拥挤状态、处于极度拥挤的车站。当鼠标移动至某个车站时,可弹出具体的车站信息,包括车站的进出站客流量、拥挤度指数、换乘量(换乘站)等信息。若该站有出入口、换乘通道、站台等详细的客流数据进行查看,那么可以点击“车站具体信息查看”,进入到车站级的页面中进行查看。同时当鼠标移动至某个区间时,可弹出一个对话框,显示详细的区间信息,包括断面的满载率、密集度指数、断面客流量等。
出行路径查询功能。可以支持对于出行路径查询功能,输入起点站、终到站,点击搜素便可以得到最短的出行路径,每个路径的拥堵状况可以显示出来。
实时、历史、预测的客流信息显示功能。实时的客流状态信息,可以支持定时的数据刷新功能,如30s自动刷新一次页面,根据本地的时间,实现网络客流状态信息的实时读取。预测的客流状态及指数信息,也可进行自动刷新,基本功能与实时的类似。查看历史信息时,通过时间选择框,实现时间的定位,从而显示历史拥挤度指数信息。
Claims (7)
1.一种城市轨道交通客流密集度指数计算与发布系统,其特征是包括:
a、多源数据输入单元:获取自动客流监测设备、AFC设备和列车实时监控设备的实时和历史客流数据,及人工调查数据;
b、数据分析与密集度指数计算单元:包括多时间粒度客流分析与预测模块、车站级客流密集度指数计算模块、线路级客流密集度指数计算模块、网络级客流密集度指数计算模块;
c、密集度指数发布单元:包括指数显示模块、报表生成模块和面向用户的发布模块;
所述数据分析与密集度指数计算单元与多源数据输入单元连接;所述多时间粒度客流分析与预测模块对从多源数据输入单元获取的实时和历史客流数据,进行多种时间粒度的统计分析和预测;数据分析与密集度指数计算单元的输出包括车站级客流密集度指数、线路级客流密集度指数、网络级客流密集度指数以及历史、实时及预测客流及其汇总结果;
所述密集度指数发布单元与数据分析与密集度指数计算单元通过数据接口连接;指数显示模块以数据分析与密集度指数计算单元输出的车站级客流密集度指数、线路级客流密集度指数、网络级客流密集度指数数据作为输入,以图形界面进行显示;
在数据分析与密集度指数计算单元中:
以最近某时间粒度实时监测数据为实时输入,通过历史样本数据拟合和深入挖掘,标定预测模型参数的初始值,并通过实际监测数据,对预测模型参数的值进行定期更新;如果所述最近某时间粒度实时监测数据缺失时,则采用历史同期数据的均值为实时输入;
经过获得观测序列值、平稳性检验、白噪声检验、计算自相关系数和偏相关系数、模型定阶、未知参数估计、模型检验、模型优化和预测序列未来值和分析结果过程,得出预测结果;
历史、实时及预测客流数据及多种时间粒度统计结果为数据输入,由车站级客流密集度指数计算模块计算出车站级客流密集度指数;
历史、实时及预测客流数据及多种时间粒度统计结果为数据输入,结合车站级客流密集度指数,由线路级客流密集度指数计算模块计算线路区间客流密集度指数和线路级客流密集度指数;
历史、实时及预测客流数据及多种时间粒度统计结果为数据输入,结合线路级客流密集度指数,由网络级客流密集度指数计算模块计算出网络级客流密集度指数;
车站级客流密集度指数、线路级客流密集度指数、网络级客流密集度指数分级进行量化计算,并根据实际拥挤程度划分成相应拥挤状态;
所述多时间粒度客流分析与预测模块根据从多源数据输入单元获取的实时和历史客流数据,求得预测客流数据的步骤包括:
(1)先对实时和历史客流数据进行平稳性检验;
若实时和历史客流数据的序列的值是平稳的,则无需进行差分运算,若非平稳,则对实时和历史客流数据的序列进行d阶差分运算,直至使其成为平稳序列;
然后对平稳序列的数据进行随机性检验;
若序列的值彼此之间无相关性,则结束预测;若非纯随机序列,则进行下一步验证;
(2)计算平稳序列的自相关系数ACF和偏自相关系数PACF;
由ACF和PACF的收尾特性,确定ARIMA预测模型的阶数;对ARIMA预测模型中自回归系数多项式和移动平滑系数多项式中的未知参数和方差,采用历史数据对ARIMA预测模型进行参数估计,得到参数值;
(3)对残差进行白噪声检验,以辨别ARIMA预测模型的显著有效性;
若残差序列为非白噪声序列,则证明观测序列值信息的提取还不完全,需对模型进行重新定阶;
然后对步骤(2)中估计的参数进行显著性检验,以确定参数的显著有效性,剔除不显著参数;
(4)利用序列已观测到的样本值对序列在未来某个时刻的取值进行估计;
采用线性最小方差预测方法,根据实测的客流量及历史客流量序列预测序列未来值,得到预测客流数据。
2.根据权利要求1所述的城市轨道交通客流密集度指数计算与发布系统,其特征是预测的时间粒度为10秒~5分钟。
3.根据权利要求1所述的城市轨道交通客流密集度指数计算与发布系统,其特征是所述数据分析与密集度指数计算单元中对车站级客流密集度指数、线路级客流密集度指数、网络级客流密集度指数分级进行量化,并根据实际拥挤程度划分成相应拥挤状态;
指数显示模块中对于密集度指数数值以不同颜色进行区分显示,对应不同的拥挤状态。
4.根据权利要求1所述的城市轨道交通客流密集度指数计算与发布系统,其特征是车站级客流密集度指数、线路级客流密集度指数、网络级客流密集度指数用0-10分级进行量化计算,并根据实际拥挤程度划分成舒适、正常、轻度拥挤和极度拥挤四种状态;对应0-10分级量化计算体系,密集度指数0-3为舒适状态,密集度指数4-6为正常状态,密集度指数7-8为正常状态,密集度指数9-10为正常状态。
5.根据权利要求1所述的城市轨道交通客流密集度指数计算与发布系统,其特征是指数显示模块的显示模式包括全网指数显示模式、线路指数显示模式和车站指数显示模式;
一、全网指数显示模式下,以轨道交通网络线路图作为显示基础,车站以圆点进行表示,并根据车站级密集度指数,按照对应状态及颜色进行显示;
线路区间根据线路区间客流密集度指数按照对应状态及颜色进行显示;
网络级密集度指数以数值形式进行直接显示,并按照对应状态及颜色进行显示;
二、线路指数显示模式下,以全线车站和区间线路图作为显示基础,车站以圆点进行表示,并根据车站级密集度指数,按照对应状态及颜色进行显示;
线路区间根据线路区间客流密集度指数按照对应状态及颜色进行显示;
三、车站指数显示模式下,显示全站结构图,并对不同区域按照客流数据得到拥挤状况,且划分为不同的拥挤状态,并用不同颜色进行区域标识;
全网指数显示模式下:点击轨道交通网络线路图中任意线路,进入该条线路对应的线路指数显示模式;点击轨道交通网络线路图中任意车站,则进入该车站对应的车站指数显示模式;
线路指数显示模式下:点击线路中任意车站,进入该车站对应的车站指数显示模式。
6.根据权利要求1所述的城市轨道交通客流密集度指数计算与发布系统,其特征是所述多源数据输入单元为C/S架构,它连接自动客流监测设备、AFC设备、列车实时监控设备及人工调查数据输入设备,获取客流监测数据、AFC数据、列车实时载客数据、人工调查数据,并对这些数据的格式进行整理以符合统一标准;
7.根据权利要求1所述的城市轨道交通客流密集度指数计算与发布系统,其特征是所述报表生成模块生成的报表内容包括:日、周、月、年,可选车站、可选线路或网络的客流密集度指数,以及车站、线路和网络的客流信息;
面向用户的发布模块将指数显示模块的结果面向网络用户进行发布,采用B/S架构满足用户访问请求,同时支持电脑终端及手机用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510591408.5A CN105279572B (zh) | 2015-09-16 | 2015-09-16 | 城市轨道交通客流密集度指数计算与发布系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510591408.5A CN105279572B (zh) | 2015-09-16 | 2015-09-16 | 城市轨道交通客流密集度指数计算与发布系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105279572A CN105279572A (zh) | 2016-01-27 |
CN105279572B true CN105279572B (zh) | 2017-02-08 |
Family
ID=55148548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510591408.5A Active CN105279572B (zh) | 2015-09-16 | 2015-09-16 | 城市轨道交通客流密集度指数计算与发布系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105279572B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153882B (zh) | 2016-03-03 | 2021-10-15 | 北京嘀嘀无限科技发展有限公司 | 乘客打车时刻分布区间的预测方法和系统 |
WO2017149720A1 (ja) * | 2016-03-03 | 2017-09-08 | 三菱電機株式会社 | 混雑予測装置および混雑予測方法 |
CN105791022B (zh) * | 2016-04-14 | 2019-07-30 | 北京中电万联科技股份有限公司 | 一种拥挤度检测预警系统 |
CN105929340B (zh) * | 2016-06-30 | 2019-08-20 | 四川普力科技有限公司 | 一种基于arima估算电池soc的方法 |
CN106156890B (zh) * | 2016-07-07 | 2018-06-29 | 北京交通大学 | 一种城市轨道交通通道内客流检测和预测方法及其系统 |
CN106845714A (zh) * | 2017-01-24 | 2017-06-13 | 东南大学 | 一种基于季节指数的arima模型预测城市轨道交通月度客流方法 |
CN107331156A (zh) * | 2017-08-22 | 2017-11-07 | 佛山市城市规划设计研究院 | 城市交通综合调查云平台与系统 |
CN107371004A (zh) * | 2017-08-23 | 2017-11-21 | 无锡北斗星通信息科技有限公司 | 一种彩色图像投影的方法 |
CN107295318A (zh) * | 2017-08-23 | 2017-10-24 | 无锡北斗星通信息科技有限公司 | 基于图像处理的彩色投影平台 |
CN108090612A (zh) * | 2017-12-18 | 2018-05-29 | 长沙志鸿文化传媒有限公司 | 基于物联网的城市轨道交通客流分析预测系统 |
CN108805347B (zh) * | 2018-06-05 | 2021-11-23 | 北方工业大学 | 基于客流池的地铁站外关联区域客流估计方法 |
CN109740444B (zh) * | 2018-12-13 | 2021-07-20 | 深圳云天励飞技术有限公司 | 人流量信息展示方法及相关产品 |
CN109919066B (zh) * | 2019-02-27 | 2021-05-25 | 湖南信达通信息技术有限公司 | 一种检测轨道交通车厢内乘客密度异常的方法和装置 |
CN110532515B (zh) * | 2019-08-05 | 2021-08-03 | 北京交通大学 | 基于afc与视频数据的城市轨道交通乘客行程反演系统 |
CN110516866B (zh) * | 2019-08-21 | 2020-06-26 | 上海工程技术大学 | 一种用于城市轨交列车拥挤度的实时估计方法 |
CN111950375A (zh) * | 2020-07-14 | 2020-11-17 | 英龙华通(武汉)科技发展有限公司 | 地铁线网客流监测显示方法及系统 |
CN112380925A (zh) * | 2020-10-27 | 2021-02-19 | 北京城建智控科技有限公司 | 数据处理方法、装置、设备和存储介质 |
CN112530163B (zh) * | 2020-11-23 | 2022-03-01 | 腾讯科技(深圳)有限公司 | 交通事故预测方法、装置、电子设备及存储介质 |
CN112861494A (zh) * | 2021-02-05 | 2021-05-28 | 青岛海信网络科技股份有限公司 | 基于路网数据的可视化报表生成方法、设备和存储介质 |
CN116128274B (zh) * | 2021-11-11 | 2023-09-26 | 北京轨道交通路网管理有限公司 | 数据分析系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104298881A (zh) * | 2014-10-15 | 2015-01-21 | 南通大学 | 一种基于贝叶斯网络模型的公交环境动态变化预报方法 |
CN104700159A (zh) * | 2015-02-12 | 2015-06-10 | 广州市地下铁道总公司 | 一种轨道交通客流监测预警系统 |
CN104765974A (zh) * | 2015-04-24 | 2015-07-08 | 北京城建设计发展集团股份有限公司 | 城市轨道交通客流密集度指数计算方法 |
CN104875774A (zh) * | 2015-06-16 | 2015-09-02 | 北京交通大学 | 一种基于城市轨道交通运行图的列车延迟调整方法及系统 |
-
2015
- 2015-09-16 CN CN201510591408.5A patent/CN105279572B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104298881A (zh) * | 2014-10-15 | 2015-01-21 | 南通大学 | 一种基于贝叶斯网络模型的公交环境动态变化预报方法 |
CN104700159A (zh) * | 2015-02-12 | 2015-06-10 | 广州市地下铁道总公司 | 一种轨道交通客流监测预警系统 |
CN104765974A (zh) * | 2015-04-24 | 2015-07-08 | 北京城建设计发展集团股份有限公司 | 城市轨道交通客流密集度指数计算方法 |
CN104875774A (zh) * | 2015-06-16 | 2015-09-02 | 北京交通大学 | 一种基于城市轨道交通运行图的列车延迟调整方法及系统 |
Non-Patent Citations (1)
Title |
---|
《北京城市轨道交通客流密集度指数研究》;魏运等;《都市快轨交通》;20150630;第28卷(第3期);第0部分-第2部分及图3、4 * |
Also Published As
Publication number | Publication date |
---|---|
CN105279572A (zh) | 2016-01-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105279572B (zh) | 城市轨道交通客流密集度指数计算与发布系统 | |
Hussain et al. | Transit OD matrix estimation using smartcard data: Recent developments and future research challenges | |
Zhou et al. | Model of passenger flow assignment for urban rail transit based on entry and exit time constraints | |
CN103984994B (zh) | 一种城市轨道交通客流高峰持续时间预测方法 | |
Zhang et al. | Bus dwell time estimation and prediction: a study case in shanghai-china | |
Li et al. | Embedding risk attitudes in a scheduling model: application to the study of commuting departure time | |
CN108922178B (zh) | 基于公交多源数据的公交车辆实时满载率计算方法 | |
Yao et al. | Simulation‐Based Dynamic Passenger Flow Assignment Modelling for a Schedule‐Based Transit Network | |
CN106779429A (zh) | 基于afc刷卡数据的轨道换乘站点客流拥塞风险评价方法 | |
CN106898142B (zh) | 一种考虑路段相关性的路径行程时间可靠度计算方法 | |
CN106845768A (zh) | 基于生存分析参数分布的公交车旅行时间模型构建方法 | |
Wilson et al. | The potential impact of automated data collection systems on urban public transport planning. | |
CN110149593A (zh) | 基于移动台信令的路网客流状态辨识方法 | |
CN110348601A (zh) | 一种基于双向长短期记忆网络的地铁短期客流量预测方法 | |
Li et al. | Improving service quality with the fuzzy TOPSIS method: a case study of the Beijing rail transit system | |
JP2013210753A (ja) | 旅客流動情報生成システムおよび旅客流動情報生成方法 | |
Zhang et al. | Analyzing passenger density for public bus: Inference of crowdedness and evaluation of scheduling choices | |
Othman et al. | Simulating congestion dynamics of train rapid transit using smart card data | |
Carrion et al. | Value of reliability: high occupancy toll lanes, general purpose lanes, and arterials | |
Yoo | Transfer penalty estimation with transit trips from smartcard data in Seoul, Korea | |
Song et al. | Public transportation service evaluations utilizing seoul transportation card data | |
Paul | Estimating train passenger load from automated data systems: application to London underground | |
Yao et al. | Forecasting passenger flow distribution on holidays for urban rail transit based on destination choice behavior analysis | |
Hwang et al. | An examination of the accuracy of an activity-based travel simulation against smartcard and navigation device data | |
Ivanchev et al. | Stochastic bus traffic modelling and validation using smart card fare collection data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |