CN106056303A - 一种城市地铁站拥挤度自动判定方法 - Google Patents

Abstract

本发明公开了一种城市地铁站拥挤度自动判定方法，该城市地铁站拥挤度自动判定方法以云模型辨识为基础，以行人速度、空间占有率、流量作为交通状况识别输入参数；通过构建待识别云模型和模板云模型，计算两者之间的相似度进而得到城市地铁站点内行人拥挤度。本发明结合多因素、多层次的综合性分析，能准确的反映行人拥挤度。

Description

一种城市地铁站拥挤度自动判定方法

技术领域

本发明属于城市轨道交通规划领域，尤其涉及一种城市地铁站拥挤度自动判定方法。

背景技术

地铁站点是城市轨道交通和城市客流接驳的一个重要场所。行人拥挤度反映了地铁站点内某设施(通道、楼梯、站台等)乘客疏散时行人聚集的时间特征和乘客在枢纽内安全疏散过程中的便捷性和舒适性。要准确的反映行人拥挤度，需要多因素、多层次的综合性分析，而目前的一些成果还达不到此要求。

目前国内外针对城市地铁站点行人拥挤度理论主要集中在数学模型和仿真、实验研究、和社会心理研究等3个方面。在数学模型和仿真方面，主要集中研究了常态下行人拥挤动力学或者恐慌状态下的疏散过程，建立了在数学逻辑框架下的行人拥挤恐慌数学模型，并利用元胞自动机模型、社会力模型、智能体模型等数学方法对拥挤疏散进行检验。通过仿真评估常态下基础设施的服务水平，改进设计方案，建立有效的交通组织预案，降低行人由于恐慌而造成的拥挤，预防拥挤事故灾难的发生。

发明内容

本发明的目的在于提供一种城市地铁站拥挤度自动判定方法，旨在解决现有方法不能准确反映行人拥挤度的问题。

本发明是这样实现的，一种城市地铁站拥挤度自动判定方法以云模型辨识为基础，以行人速度、空间占有率、流量作为交通状况识别输入参数；通过构建待识别云模型和模板云模型，计算两者之间的相似度进而得到城市地铁站点内行人拥挤度。

进一步，所述的城市地铁站拥挤度自动判定方法具体包括：

步骤一、确定地铁站内各设施的度量指标和权重；

步骤二、确定云模型的数字特征；

步骤三、建立各服务水平的模板云模型；

步骤四、建立待识别云模型；

步骤五、确定待识别云和模板云的相似度；

步骤六、判别地铁站内各设施的行人拥挤度。

进一步，根据《公共交通通行能力和服务水平手册》确定各类设施服务水平度量指标及其权重；

对于通道设施，采用行人占据空间、平均步行速度和单位宽度的行人流量作为综合交通换乘枢纽通道行人服务水平的指标；在识别枢纽内行人拥挤状态过程中，假设各个指标占有同等重要的作用，对于通道设施，假设度量指标具有相同的权值，即：ω₁＝ω₂＝ω₃＝1/3；

对于楼梯设施，采用人均占据面积和单位宽度人流率作为度量指标，各指标权重为：ω₁＝ω₂＝1/2；

对于站台设施，采用人均占据面积和平均人间距作为度量指标，各指标权重为：ω₁＝ω₂＝1/2。

进一步，根据《公共交通通行能力和服务水平手册》中各设施服务水平划分标准，并结合地铁站内实际情况假定出各指标的临界值；

设X＝[a,_b]为某度量指标的取值论域，又设某度量指标的阈值向量为X＝(x₁,x₂,x₃,x₄,x₅)，在确定云的数字特征之前，将指标值标准化到[0,₁]之间；

对于越大越优型指标，量纲化处理公式为：

$x^{*}=\frac{x-a}{b-a}---\left(1\right)$

对于越小越优型指标，量纲化处理公式为：

$x^{*}=\frac{b-x}{b-a}---\left(2\right)$

式中，b、a分别论域区间的最大值和最小值，x^*为任意指标值x的标准化值；

记Ω＝[0,₁]为标准化后的论域，按服务水平等级对Ω进行划分6个区间，各区间记为Ω_j，并有设Ω_j的上下限为由以下公式计算各服务水平等级云的3个参数：

A和F服务水平分别用半升正态云和半降正态云表示，他们的数字特征分别为Ex_x1、Ex_x6，熵为En_x1、En_x6，按照下式计算：

$\left\{\begin{array}{c}{\mathrm{Ex}}_{x1}=x_1^{*}\\ {\mathrm{En}}_{x1}={\mathrm{En}}_{x2}\\ {\mathrm{Ex}}_{x6}=x_5^{*}\\ {\mathrm{En}}_{x6}={\mathrm{En}}_{x5}\end{array}\right.---\left(3\right)$

B、C、D、E服务水平用全正态云表示，标记不同服务水平下的期望值分别为Ex_x2、Ex_x3、Ex_x4、Ex_x5，熵分别为En_x2、En_x3、En_x4、En_x5，这些特征值计算公式如下：

$\left\{\begin{array}{c}{\mathrm{Ex}}_{xj}=(x_{j-1}^{*}+x_j^{*})/2\\ {\mathrm{En}}_{xj}=(x_{j-1}^{*}-x_j^{*})/6\\ He=0.01\end{array}\right.,(j=2,3,4,5)---\left(4\right)$

进一步，设某设施有3个度量指标，各指标的子云记为R_j、S_j和T_j，则父云U_j由R_j、S_j和T_j合成，即U_j＝R_jοS_jοT_j(j＝1,2,3,4,5,6)，具体计算如下式：

$\left\{\begin{array}{c}Ex=\frac{\underset{i=1}{\overset{n}{\Σ}}{\mathrm{Ex}}_i\×{\mathrm{En}}_i\×{\mathrm{\ω}}_i}{\underset{i=1}{\overset{n}{\Σ}}{\mathrm{En}}_i\×{\mathrm{\ω}}_i}\\ En=\underset{i=1}{\overset{n}{\Σ}}{\mathrm{En}}_i\×{\mathrm{\ω}}_i\\ He=\frac{\underset{i=1}{\overset{n}{\Σ}}{\mathrm{He}}_i\×{\mathrm{En}}_i\×{\mathrm{\ω}}_i}{\underset{i=1}{\overset{n}{\Σ}}{\mathrm{En}}_i\×{\mathrm{\ω}}_i}\end{array}\right.---\left(5\right)$

进一步，建立待识别云模型的具体方法为：

步骤一、根据枢纽内设施服务水平度量指标的数字特征和正向正态云发生器的实现算法，利用子云的数字特征和用Matlab软件建立某度量指标的正向正态云发生器CG_Xj；

步骤二、将该指标实际采集的真实值x进行标准化处理后记为x^*；

规定：对于x≤a范围内的指标值，标准化结果为0，对于x≥b范围内的指标值，标准化结果为1；

步骤三、将实际采集到的指标参数x输入到正向正态云发生器CG_X1、CG_X2、CG_X3、CG_X4、CG_X5和CG_X6中；

每个云发生器的输出值μ_X1、μ_X2、μ_X3、μ_X4、μ_X5和μ_X6表示输入参数x隶属于X_j的程度；将μ_Xj归一化后得到X_j的权重ω_Xj：

${\mathrm{\ω}}_{Xj}=\frac{{\mathrm{\μ}}_{Xj}}{\underset{j=1}{\overset{6}{\Σ}}{\mathrm{\μ}}_{Xj}}---\left(6\right)$

根据式(5)计算输入参数x的云的特征数字，得到云X_x(Ex_X,En_X,He_X)，该云具体指将实测数据通过正向云发生器运算后得到的待识别云的3个特征值；

步骤四、通过步骤一和步骤二的计算，得到设施内其他各度量指标的待识别云的3个特征值；

步骤五、合成待识别云，假设某设施有三个度量指标，记各指标计算得到云分别为R_r、S_s和T_t，利用式(5)将合成得到待识别云U'＝R_rοS_sοT_t＝(Ex,En,He)。

进一步，行人拥挤状态识别需计算待识别云U'与各模板云U_j之间的相似度，云相似度定义为：设有两朵云U'和云U，云滴x_i(i＝l，2，3…N)由云发生器U'产生，设x_i在云U中隶属度为β_i，定义为待识别云U'和模板云U的相似度；

计算待识别云U'与各模板云U_j之间的相似度，具体过程如下：

步骤一、在待识别云U'中生成以En为期望值，He²为方差的一个正态随机数En′_i＝NORM(En,He²)；

步骤二、在待识别云U'中生成以Ex为期望值，为方差的一个正态随机数

步骤三、在模板云云U_j中生成以En_j为期望值，为方差的一个正态随机数

步骤四、计算第j级服务水平的隶属度

步骤五、重复步骤一—至步骤四直至产生满足要求的n个云滴为止；

步骤六、计算待识别云U'与各模板云U_j之间的相似度δ_j；

${\mathrm{\δ}}_j=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\β}}_{ij}---\left(7\right)$

步骤七、将δ_j归一化后得到待识别云归属于第j种服务水平的可能程度λ_j；

${\mathrm{\λ}}_j=\frac{{\mathrm{\δ}}_j}{\underset{j=1}{\overset{6}{\Σ}}{\mathrm{\δ}}_j}---\left(8\right)$

进一步，行人拥挤度，计算公式为：

$\mathrm{\γ}=\underset{j=1}{\overset{6}{\Σ}}{\mathrm{\λ}}_j\×{\mathrm{\ξ}}_j---\left(9\right)$

其中，ξ_j表示不同服务水平的拥挤系数。

进一步，拥挤系数分别设为20、40、60、80、100、120，，6种服务水平对应的拥挤度范围是：非常畅通(γ＜30)，畅通(30≤γ＜50)，一般畅通(50≤γ＜70)，一般拥挤(70≤γ＜90)，拥挤(90≤γ＜110)，严重拥挤(γ≥110)。

本发明以云模型辨识为基础，以行人速度、空间占有率、流量作为交通状况识别输入参数；通过构建待识别云模型和模板云模型，计算两者之间的相似度进而得到城市地铁站点内行人拥挤度。本发明结合多因素、多层次的综合性分析，能准确的反映行人拥挤度。

附图说明

图1是本发明实施例提供的通道服务水平分级；

图2是本发明实施例提供的楼梯服务水平分级；

图3是本发明实施例提供的站台服务水平分级；

图4是本发明实施例提供的度量指标云发生器工作原理图；

图5是本发明实施例提供的城市地铁站拥挤度自动判定方法流程图。

具体实施方式

以下结合附图对本发明做进一步描述：

一种城市地铁站拥挤度自动判定方法以云模型辨识为基础，以行人速度、空间占有率、流量作为交通状况识别输入参数；通过构建待识别云模型和模板云模型，计算两者之间的相似度进而得到城市地铁站点内行人拥挤度。

如图5所示，所述的城市地铁站拥挤度自动判定方法具体包括：

S101、确定地铁站内各设施的度量指标和权重；

S102、确定云模型的数字特征；

S103、建立各服务水平的模板云模型；

S104、建立待识别云模型；

S105、确定待识别云和模板云的相似度；

S106、判别地铁站内各设施的行人拥挤度。

进一步，根据《公共交通通行能力和服务水平手册》确定各类设施服务水平度量指标及其权重；

对于通道设施，采用行人占据空间、平均步行速度和单位宽度的行人流量作为综合交通换乘枢纽通道行人服务水平的指标；在识别枢纽内行人拥挤状态过程中，假设各个指标占有同等重要的作用，对于通道设施，假设度量指标具有相同的权值，即：ω₁＝ω₂＝ω₃＝1/3；

对于楼梯设施，采用人均占据面积和单位宽度人流率作为度量指标，各指标权重为：ω₁＝ω₂＝1/2；

对于站台设施，采用人均占据面积和平均人间距作为度量指标，各指标权重为：ω₁＝ω₂＝1/2。

进一步，根据《公共交通通行能力和服务水平手册》中各设施服务水平划分标准，并结合地铁站内实际情况假定出各指标的临界值，具体如图1-图3所示。

设X＝[a,b]为某度量指标的取值论域，又设某度量指标的阈值向量为X＝(x₁,x₂,x₃,x₄,x₅)，在确定云的数字特征之前，将指标值标准化到[0,1]之间；

对于越大越优型指标，量纲化处理公式为：

$x^{*}=\frac{x-a}{b-a}---\left(1\right)$

对于越小越优型指标，量纲化处理公式为：

$x^{*}=\frac{b-x}{b-a}---\left(2\right)$

式中，b、a分别论域区间的最大值和最小值，x^*为任意指标值x的标准化值；

记Ω＝[0,1]为标准化后的论域，按服务水平等级对Ω进行划分6个区间，各区间记为Ω_j，并有设Ω_j的上下限为由以下公式计算各服务水平等级云的3个参数：

A和F服务水平分别用半升正态云和半降正态云表示，他们的数字特征分别为Ex_x1、Ex_x6，熵为En_x1、En_x6，按照下式计算：

$\left\{\begin{array}{c}{\mathrm{Ex}}_{x1}=x_1^{*}\\ {\mathrm{En}}_{x1}={\mathrm{En}}_{x2}\\ {\mathrm{Ex}}_{x6}=x_5^{*}\\ {\mathrm{En}}_{x6}={\mathrm{En}}_{x5}\end{array}\right.---\left(3\right)$

B、C、D、E服务水平用全正态云表示，计算各服务水平等级云的3个参数。标记不同服务水平下的期望值分别为Ex_x2、Ex_x3、Ex_x4、Ex_x5，熵分别为En_x2、En_x3、En_x4、En_x5，这些特征值计算公式如下：

$\left\{\begin{array}{c}{\mathrm{Ex}}_{xj}=(x_{j-1}^{*}+x_j^{*})/2\\ {\mathrm{En}}_{xj}=(x_{j-1}^{*}-x_j^{*})/6\\ He=0.01\end{array}\right.,(j=2,3,4,5)---\left(4\right)$

进一步，设某设施有3个度量指标，各指标的子云记为R_j、S_j和T_j，则父云U_j由R_j、S_j和T_j合成，即U_j＝R_jοS_jοT_j(j＝1,2,3,4,5,6)，具体计算如下式：

$\left\{\begin{array}{c}Ex=\frac{\underset{i=1}{\overset{n}{\Σ}}{\mathrm{Ex}}_i\×{\mathrm{En}}_i\×{\mathrm{\ω}}_i}{\underset{i=1}{\overset{n}{\Σ}}{\mathrm{En}}_i\×{\mathrm{\ω}}_i}\\ En=\underset{i=1}{\overset{n}{\Σ}}{\mathrm{En}}_i\×{\mathrm{\ω}}_i\\ He=\frac{\underset{i=1}{\overset{n}{\Σ}}{\mathrm{He}}_i\×{\mathrm{En}}_i\×{\mathrm{\ω}}_i}{\underset{i=1}{\overset{n}{\Σ}}{\mathrm{En}}_i\×{\mathrm{\ω}}_i}\end{array}\right.---\left(5\right)$

进一步，建立待识别云模型的具体方法为：

步骤一、根据枢纽内设施服务水平度量指标的数字特征和正向正态云发生器的实现算法，利用子云的数字特征和用Matlab软件建立某度量指标的正向正态云发生器CG_Xj；

步骤二、将该指标实际采集的真实值x进行标准化处理后记为x^*；

规定：对于x≤a范围内的指标值，标准化结果为0，对于x≥b范围内的指标值，标准化结果为1；

步骤三、将实际采集到的指标参数x输入到正向正态云发生器CG_X1、CG_X2、CG_X3、CG_X4、CG_X5和CG_X6中，如图4所示；

图4中每个云发生器的输出值μ_X1、μ_X2、μ_X3、μ_X4、μ_X5和μ_X6表示输入参数x隶属于X_j的程度；将μ_Xj归一化后得到X_j的权重ω_Xj：

${\mathrm{\ω}}_{Xj}=\frac{{\mathrm{\μ}}_{Xj}}{\underset{j=1}{\overset{6}{\Σ}}{\mathrm{\μ}}_{Xj}}---\left(6\right)$

根据式(5)计算输入参数x的云的特征数字，得到云X_x(Ex_X,En_X,He_X)，该云具体指将实测数据通过正向云发生器运算后得到的待识别云的3个特征值；

步骤四、通过步骤一和步骤二的计算，得到设施内其他各度量指标的待识别云的3个特征值；

步骤五、合成待识别云，假设某设施有三个度量指标，记各指标计算得到云分别为R_r、S_s和T_t，利用式(5)将合成得到待识别云U'＝R_rοS_sοT_t＝(Ex,En,He)。

进一步，行人拥挤状态识别需计算待识别云U'与各模板云U_j之间的相似度，云相似度定义为：设有两朵云U'和云U，云滴x_i(i＝l，2，3…N)由云发生器U'产生，设x_i在云U中隶属度为β_i，定义为待识别云U'和模板云U的相似度；

计算待识别云U'与各模板云U_j之间的相似度，具体过程如下：

步骤一、在待识别云U'中生成以En为期望值，He²为方差的一个正态随机数En′_i＝NORM(En,He²)；

步骤二、在待识别云U'中生成以Ex为期望值，为方差的一个正态随机数

步骤三、在模板云云U_j中生成以En_j为期望值，为方差的一个正态随机数

步骤四、计算第j级服务水平的隶属度

步骤五、重复步骤一—至步骤四直至产生满足要求的n个云滴为止；

步骤六、计算待识别云U'与各模板云U_j之间的相似度δ_j；

${\mathrm{\δ}}_j=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\β}}_{ij}---\left(7\right)$

步骤七、将δ_j归一化后得到待识别云归属于第j种服务水平的可能程度λ_j；

${\mathrm{\λ}}_j=\frac{{\mathrm{\δ}}_j}{\underset{j=1}{\overset{6}{\Σ}}{\mathrm{\δ}}_j}---\left(8\right)$

显然，待识别云U'的云滴x_i，落在某个模板云U_j范围内越多，则相似度δ_j越大，可能程度λ_j也越大，表明枢纽内待识别状态与第j种服务水平越接近。进一步强调的是云辨识的结果并不是把待识别状态强制性的划归为某种服务水平里，而是辨识它归属于6种服务水平的可能程度。

进一步，行人拥挤度，计算公式为：

$\mathrm{\γ}=\underset{j=1}{\overset{6}{\Σ}}{\mathrm{\λ}}_j\×{\mathrm{\ξ}}_j---\left(9\right)$

其中，ξ_j表示不同服务水平的拥挤系数。

进一步，拥挤系数分别设为20、40、60、80、100、120，，6种服务水平对应的拥挤度范围是：非常畅通(γ＜30)，畅通(30≤γ＜50)，一般畅通(50≤γ＜70)，一般拥挤(70≤γ＜90)，拥挤(90≤γ＜110)，严重拥挤(γ≥110)。

下面根据本发明的流程，现以宁波市鼓楼地铁换乘站通道设施为例，进行应用演示。

1)确定各类设施服务水平度量指标及其权重。通道设施采用行人占据空间、平均步行速度和单位宽度的行人流量作为综合交通换乘枢纽通道行人服务水平的指标，楼梯设施采用空间占有率和单位宽度的行人流量作为综合交通换乘枢纽通道行人服务水平的指标，站台设施采用空间占有率和平均人间距作为综合交通换乘枢纽通道行人服务水平的指标。在识别枢纽内行人拥挤状态过程中，假设各个指标占有同等重要的作用，对于通道设施，假设度量指标具有相同的权值，即：ω₁＝ω₂＝ω₃＝1/3。

2)确定云模型的数字特征。依据公式(1)～公式(4)将计算得出地铁站点通道设施行人服务水平下各指标的云的数字特征如表1所示。

表1 通道设施行人服务水平下各指标的云的数字特征

3)建立各服务水平的模板云模型。记U1、U2、U3、U4、U5和U6

地铁站点内基础设施以5000个云滴为基准，结合正向正态云发生器的具体实现算法，生成模板云图形。

4)建立待识别云。通过采集宁波市鼓楼地铁站点内实测数据，根据正向正态云发生器运算，可以实测行人交通数据生成的待识别云的数字特征值如表3～表5所示。

表3 实例中采集的原始数据

利用子云的数字特征及Matlab程序求解通道处云发生器的输出值将云发生器的输出值归一化后得到X_j的权重值。在第四步建立待识别云模型中，利用step(a)和step(b)的计算，得到设施内各度量指标的待识别云的3个数字特征值，结果如表4所示。

表4 待识别云的数字特征

利用模板云的数字特征，合成待识别云，即计算合成后待识别云的数字特征，其结果如表5所示。

表5 合成后待识别云的数字特征

5)确定待识别云和模板云的相似度。根据模板云和待识别云相似度计算公式(7)以及待识别云归属可能程度的计算公式(8)，可以得出：实际状态与6种服务水平的相似度分别为[0.000,0.000,0.000,0.570,508.020,3.009]，实际状态归属于6种服务水平的可能程度分别为[0.000,0.000,0.000,0.001,0.993,0.006]。显然，该状态介于D和E级服务水平之间，更多地倾向于E级，归属于其他服务水平的可能性极小，基本上都趋向于零。

6)判别地铁站内各设施的行人拥挤度。根据公式(9)计算出：通道处该时刻的行人拥挤度为100.095，处于拥挤状态。

利用本发明所述的技术方案，或本领域的技术人员在本发明技术方案的启发下，设计出类似的技术方案，而达到上述技术效果的，均是落入本发明的保护范围。

Claims (9)

1.一种城市地铁站拥挤度自动判定方法，其特征在于，所述的城市地铁站拥挤度自动判定方法以云模型辨识为基础，以行人速度、空间占有率、流量作为交通状况识别输入参数；通过构建待识别云模型和模板云模型，计算两者之间的相似度进而得到城市地铁站点内行人拥挤度。

2.如权利要求1所述的城市地铁站拥挤度自动判定方法，其特征在于，所述的城市地铁站拥挤度自动判定方法具体包括：

步骤一、确定地铁站内各设施的度量指标和权重；

步骤二、确定云模型的数字特征；

步骤三、建立各服务水平的模板云模型；

步骤四、建立待识别云模型；

步骤五、确定待识别云和模板云的相似度；

步骤六、判别地铁站内各设施的行人拥挤度。

3.如权利要求2所述的城市地铁站拥挤度自动判定方法，其特征在于，根据《公共交通通行能力和服务水平手册》确定各类设施服务水平度量指标及其权重；

对于通道设施，采用行人占据空间、平均步行速度和单位宽度的行人流量作为综合交通换乘枢纽通道行人服务水平的指标；在识别枢纽内行人拥挤状态过程中，假设各个指标占有同等重要的作用，对于通道设施，假设度量指标具有相同的权值，即：ω₁＝ω₂＝ω₃＝1/3；

对于楼梯设施，采用人均占据面积和单位宽度人流率作为度量指标，各指标权重为：ω₁＝ω₂＝1/2；

对于站台设施，采用人均占据面积和平均人间距作为度量指标，各指标权重为：ω₁＝ω₂＝1/2。

4.如权利要求2所述的城市地铁站拥挤度自动判定方法，其特征在于，根据《公共交通通行能力和服务水平手册》中各设施服务水平划分标准，并结合地铁站内实际情况假定出各指标的临界值；

设X＝[a,b]为某度量指标的取值论域，又设某度量指标的阈值向量为X＝(x₁,x₂,x₃,x₄,x₅)，在确定云的数字特征之前，将指标值标准化到[0,1]之间；

对于越大越优型指标，量纲化处理公式为：

对于越小越优型指标，量纲化处理公式为：

式中，b、a分别论域区间的最大值和最小值，x^*为任意指标值x的标准化值；

记Ω＝[0,1]为标准化后的论域，按服务水平等级对Ω进行划分6个区间，各区间记为Ω_j，并有设Ω_j的上下限为由以下公式计算各服务水平等级云的3个参数：

A和F服务水平分别用半升正态云和半降正态云表示，他们的数字特征分别为Ex_x1、Ex_x6，熵为En_x1、En_x6，按照下式计算：

B、C、D、E服务水平用全正态云表示，标记不同服务水平下的期望值分别为Ex_x2、Ex_x3、Ex_x4、Ex_x5，熵分别为En_x2、En_x3、En_x4、En_x5，这些特征值计算公式如下：

5.如权利要求2所述的城市地铁站拥挤度自动判定方法，其特征在于，设某设施有3个度量指标，各指标的子云记为R_j、S_j和T_j，则父云U_j由R_j、S_j和T_j 合成，即U_j＝R_jοS_jοT_j(j＝1,2,3,4,5,6)，具体计算如下式：

6.如权利要求2所述的城市地铁站拥挤度自动判定方法，其特征在于，建立待识别云模型的具体方法为：

步骤一、根据枢纽内设施服务水平度量指标的数字特征和正向正态云发生器的实现算法，利用子云的数字特征和用Matlab软件建立某度量指标的正向正态云发生器CG_Xj；

步骤二、将该指标实际采集的真实值x进行标准化处理后记为x^*；

规定：对于x≤a范围内的指标值，标准化结果为0，对于x≥b范围内的指标值，标准化结果为1；

步骤三、将实际采集到的指标参数x输入到正向正态云发生器CG_X1、CG_X2、CG_X3、CG_X4、CG_X5和CG_X6中；

每个云发生器的输出值μ_X1、μ_X2、μ_X3、μ_X4、μ_X5和μ_X6表示输入参数x隶属于X_j的程度；将μ_Xj归一化后得到X_j的权重ω_Xj：

根据式(5)计算输入参数x的云的特征数字，得到云X_x(Ex_X,En_X,He_X)，该云具体指将实测数据通过正向云发生器运算后得到的待识别云的3个特征值；

步骤四、通过步骤一和步骤二的计算，得到设施内其他各度量指标的待识别云的3个特征值；

步骤五、合成待识别云，假设某设施有三个度量指标，记各指标计算得到云分别为R_r、S_s和T_t，利用式(5)将合成得到待识别云U'＝R_rοS_sοT_t＝(Ex,En,He)。

7.如权利要求2所述的城市地铁站拥挤度自动判定方法，其特征在于，行人拥挤状态识别需计算待识别云U'与各模板云U_j之间的相似度，云相似度定义为：设有两朵云U'和云U，云滴x_i(i＝l，2，3…N)由云发生器U'产生，设x_i在云U中隶属度为β_i，定义为待识别云U'和模板云U的相似度；

计算待识别云U'与各模板云U_j之间的相似度，具体过程如下：

步骤一、在待识别云U'中生成以En为期望值，He²为方差的一个正态随机数En_i'＝NORM(En,He²)；

步骤二、在待识别云U'中生成以Ex为期望值，为方差的一个正态随机数

步骤三、在模板云云U_j中生成以En_j为期望值，为方差的一个正态随机数

步骤四、计算第j级服务水平的隶属度

步骤五、重复步骤一—至步骤四直至产生满足要求的n个云滴为止；

步骤六、计算待识别云U'与各模板云U_j之间的相似度δ_j；

步骤七、将δ_j归一化后得到待识别云归属于第j种服务水平的可能程度λ_j；

。

8.如权利要求2所述的城市地铁站拥挤度自动判定方法，其特征在于，行人拥挤度，计算公式为：

其中，ξ_j表示不同服务水平的拥挤系数。

9.如权利要求2所述的城市地铁站拥挤度自动判定方法，其特征在于，拥挤系数分别设为20、40、60、80、100、120，，6种服务水平对应的拥挤度范围是：非常畅通，γ＜30；畅通，30≤γ＜50；一般畅通，50≤γ＜70；一般拥挤，70≤γ＜90；拥挤，90≤γ＜110；严重拥挤，γ≥110。