CN106056303A - 一种城市地铁站拥挤度自动判定方法 - Google Patents
一种城市地铁站拥挤度自动判定方法 Download PDFInfo
- Publication number
- CN106056303A CN106056303A CN201610410730.8A CN201610410730A CN106056303A CN 106056303 A CN106056303 A CN 106056303A CN 201610410730 A CN201610410730 A CN 201610410730A CN 106056303 A CN106056303 A CN 106056303A
- Authority
- CN
- China
- Prior art keywords
- cloud
- identified
- crowding
- index
- pedestrian
- 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 44
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 239000000428 dust Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000003786 synthesis reaction Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000002123 temporal 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
- G06Q10/06—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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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:
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Ωj,并有设Ωj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Exx1、Exx6,熵为Enx1、Enx6,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Exx2、Exx3、Exx4、Exx5,熵分别为Enx2、Enx3、Enx4、Enx5,这些特征值计算公式如下:
进一步,设某设施有3个度量指标,各指标的子云记为Rj、Sj和Tj,则父云Uj由Rj、Sj和Tj合成,即Uj=RjοSjοTj(j=1,2,3,4,5,6),具体计算如下式:
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CGXj;
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CGX1、CGX2、CGX3、CGX4、CGX5和CGX6中;
每个云发生器的输出值μX1、μX2、μX3、μX4、μX5和μX6表示输入参数x隶属于Xj的程度;将μXj归一化后得到Xj的权重ωXj:
根据式(5)计算输入参数x的云的特征数字,得到云Xx(ExX,EnX,HeX),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Rr、Ss和Tt,利用式(5)将合成得到待识别云U'=RrοSsοTt=(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Uj之间的相似度,云相似度定义为:设有两朵云U'和云U,云滴xi(i=l,2,3…N)由云发生器U'产生,设xi在云U中隶属度为βi,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Uj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Uj中生成以Enj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Uj之间的相似度δj;
步骤七、将δj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λj;
进一步,行人拥挤度,计算公式为:
其中,ξj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:
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Ωj,并有设Ωj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Exx1、Exx6,熵为Enx1、Enx6,按照下式计算:
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Exx2、Exx3、Exx4、Exx5,熵分别为Enx2、Enx3、Enx4、Enx5,这些特征值计算公式如下:
进一步,设某设施有3个度量指标,各指标的子云记为Rj、Sj和Tj,则父云Uj由Rj、Sj和Tj合成,即Uj=RjοSjοTj(j=1,2,3,4,5,6),具体计算如下式:
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CGXj;
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CGX1、CGX2、CGX3、CGX4、CGX5和CGX6中,如图4所示;
图4中每个云发生器的输出值μX1、μX2、μX3、μX4、μX5和μX6表示输入参数x隶属于Xj的程度;将μXj归一化后得到Xj的权重ωXj:
根据式(5)计算输入参数x的云的特征数字,得到云Xx(ExX,EnX,HeX),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Rr、Ss和Tt,利用式(5)将合成得到待识别云U'=RrοSsοTt=(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Uj之间的相似度,云相似度定义为:设有两朵云U'和云U,云滴xi(i=l,2,3…N)由云发生器U'产生,设xi在云U中隶属度为βi,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Uj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Uj中生成以Enj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Uj之间的相似度δj;
步骤七、将δj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λj;
显然,待识别云U'的云滴xi,落在某个模板云Uj范围内越多,则相似度δj越大,可能程度λj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:
其中,ξj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Xj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Ωj,并有设Ωj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Exx1、Exx6,熵为Enx1、Enx6,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Exx2、Exx3、Exx4、Exx5,熵分别为Enx2、Enx3、Enx4、Enx5,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Rj、Sj和Tj,则父云Uj由Rj、Sj和Tj 合成,即Uj=RjοSjοTj(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CGXj;
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CGX1、CGX2、CGX3、CGX4、CGX5和CGX6中;
每个云发生器的输出值μX1、μX2、μX3、μX4、μX5和μX6表示输入参数x隶属于Xj的程度;将μXj归一化后得到Xj的权重ωXj:
根据式(5)计算输入参数x的云的特征数字,得到云Xx(ExX,EnX,HeX),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Rr、Ss和Tt,利用式(5)将合成得到待识别云U'=RrοSsοTt=(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Uj之间的相似度,云相似度定义为:设有两朵云U'和云U,云滴xi(i=l,2,3…N)由云发生器U'产生,设xi在云U中隶属度为βi,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Uj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Eni'=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Uj中生成以Enj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Uj之间的相似度δj;
步骤七、将δj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λj;
。
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,ξj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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610410730.8A CN106056303A (zh) | 2016-06-13 | 2016-06-13 | 一种城市地铁站拥挤度自动判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610410730.8A CN106056303A (zh) | 2016-06-13 | 2016-06-13 | 一种城市地铁站拥挤度自动判定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106056303A true CN106056303A (zh) | 2016-10-26 |
Family
ID=57170084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610410730.8A Pending CN106056303A (zh) | 2016-06-13 | 2016-06-13 | 一种城市地铁站拥挤度自动判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106056303A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886042A (zh) * | 2017-03-23 | 2018-04-06 | 比亚迪股份有限公司 | 列车车厢的拥挤度判定方法和装置 |
CN108492608A (zh) * | 2018-03-12 | 2018-09-04 | 北京航空航天大学 | 一种基于云模型的公交车客流量的分析方法及系统 |
CN108847025A (zh) * | 2018-08-28 | 2018-11-20 | 电子科技大学 | 一种交通拥堵判定方法 |
CN108921436A (zh) * | 2018-07-06 | 2018-11-30 | 西南交通大学 | 一种高铁列控系统rbc切换场景风险耦合分析平台 |
CN109671273A (zh) * | 2019-01-08 | 2019-04-23 | 北京工业大学 | 一种基于云模型的交通溢流严重程度评价方法 |
CN113205631A (zh) * | 2021-03-19 | 2021-08-03 | 武汉特斯联智能工程有限公司 | 一种基于人脸识别的社区访控方法和系统 |
CN117035198A (zh) * | 2023-08-28 | 2023-11-10 | 深圳技术大学 | 城市轨道交通车站客流状态识别与管控方法 |
-
2016
- 2016-06-13 CN CN201610410730.8A patent/CN106056303A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886042A (zh) * | 2017-03-23 | 2018-04-06 | 比亚迪股份有限公司 | 列车车厢的拥挤度判定方法和装置 |
CN107886042B (zh) * | 2017-03-23 | 2019-06-07 | 比亚迪股份有限公司 | 列车车厢的拥挤度判定方法和装置 |
CN108492608A (zh) * | 2018-03-12 | 2018-09-04 | 北京航空航天大学 | 一种基于云模型的公交车客流量的分析方法及系统 |
CN108921436A (zh) * | 2018-07-06 | 2018-11-30 | 西南交通大学 | 一种高铁列控系统rbc切换场景风险耦合分析平台 |
CN108921436B (zh) * | 2018-07-06 | 2021-10-08 | 西南交通大学 | 一种高铁列控系统rbc切换场景风险耦合分析平台 |
CN108847025A (zh) * | 2018-08-28 | 2018-11-20 | 电子科技大学 | 一种交通拥堵判定方法 |
CN109671273A (zh) * | 2019-01-08 | 2019-04-23 | 北京工业大学 | 一种基于云模型的交通溢流严重程度评价方法 |
CN113205631A (zh) * | 2021-03-19 | 2021-08-03 | 武汉特斯联智能工程有限公司 | 一种基于人脸识别的社区访控方法和系统 |
CN117035198A (zh) * | 2023-08-28 | 2023-11-10 | 深圳技术大学 | 城市轨道交通车站客流状态识别与管控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106056303A (zh) | 一种城市地铁站拥挤度自动判定方法 | |
CN104794361B (zh) | 一种水驱油藏开发效果综合评价方法 | |
CN102194056B (zh) | 煤层顶底板突水危险评价预测的bn-gis方法 | |
CN106772695B (zh) | 一种融合多测风站实测数据的铁路沿线风速预测方法 | |
Gorlé et al. | Dispersion in the wake of a rectangular building: validation of two Reynolds-averaged Navier–Stokes modelling approaches | |
CN105608326B (zh) | 一种山区复杂地形风场大涡模拟入口边界条件输入方法 | |
CN106529719A (zh) | 基于粒子群优化算法风速融合的风电功率预测的方法 | |
CN102122370A (zh) | 一种流域气候变化预测及趋势分析方法 | |
CN102867407A (zh) | 一种停车场有效泊位占有率多步预测方法 | |
CN104537436B (zh) | 一种地区小水电发电能力预测方法 | |
CN104899432A (zh) | 基于核函数组合的pso-lssvm脉动风速预测方法 | |
CN105243502A (zh) | 一种基于径流区间预测的水电站调度风险评估方法及系统 | |
CN116502775B (zh) | 一种水文序列增强及预测方法 | |
CN107464045A (zh) | 一种基于云模型的水利现代化指标体系评价方法 | |
CN103955779A (zh) | 一种风电功率爬坡事件概率场景预测方法 | |
CN106250590A (zh) | 一种基于cfd数值模拟的高空露天平台行人风环境评估方法 | |
CN105654186A (zh) | 用于应急救援最优路径计算的室内外一体化规划方法 | |
CN104182807A (zh) | 一种计及径流预报不确定性的水库调度风险评估方法 | |
CN110390437A (zh) | 一种区域轨道交通网络时刻表协调优化方法 | |
CN104537835A (zh) | 一种宏观—微观结合的环路交通可靠性仿真方法与系统 | |
CN103886133B (zh) | 一种测风塔覆盖范围统计分析方法 | |
CN104008305B (zh) | 用于千万千瓦风电基地的可发电风资源分布估计方法 | |
CN116882741A (zh) | 一种超标准洪水灾害动态定量评估方法 | |
CN104021428B (zh) | 用于建筑设计优化方案判断的方法 | |
CN103077312A (zh) | 一种城市轨道交通线路建设时序的自动判定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161026 |
|
RJ01 | Rejection of invention patent application after publication |