CN106156890A - 一种城市轨道交通通道内客流检测和预测方法及其系统 - Google Patents

Abstract

本发明公开了一种城市轨道交通通道内客流检测和预测方法，该方法的步骤包括：基于光传感技术，对通道进口处和出口处的客流量进行采集S1、基于社会力模型，构建通道两端客流流出量与通道内客流密度之间的关系，并计算获得行人密度与流出量之间的经验值S2和构建待检测通道的黑箱计算模型，并利用所述经验值和当前时刻通道的进出口处的客流量，计算当前时刻通道内的客流密度信息以及下一时刻的客流密度信息S3。本发明进一步公开了一种城市轨道交通通道内客流检测和预测系统。采用本方案能够有效地避免因客流密度过大所造成的安全隐患。本发明可以有效地解决城市轨道交通中大曲率通道的客流检测和预测问题，具有很强的创新性、实用性和科研价值。

Description

一种城市轨道交通通道内客流检测和预测方法及其系统

技术领域

本发明涉及行人流量检测与预测领域，特别是涉及一种城市轨道交通通道内客流检测和预测方法及其系统。

背景技术

近年来，随着各地政府管理机构对城市轨道交通认识的日益加深以及拉动内需的经济需求，全国各大城市轨道交通建设得以飞速发展。城市轨道交通由于其运量大、能耗低、污染少和乘坐方便等特点，吸引了越来越多的乘客，俨然已成为人们出行首选的公共交通工具。就北京而言，地铁日运营量已经超过1000万人次，乘客的安全管理成为当前面临的巨大挑战。据统计，北京市正在运营的地铁线路共有18条。到2020年为止，北京地铁将分40线/段，建成线路总长逾981公里的地铁线。随着越来越多的行人选择乘坐地铁出行，地铁站内经常会出现客流过度饱和的状态，尤其是在早晚出行高峰时段或节假日等。如果过度饱和的客流得不到及时有效的疏导，很容易导致拥堵，降低行人的流通率，甚至可能导致踩踏事故的发生。如何提高应对站内大客流的能力以保障群体秩序，以及合理制定突发事件时客流的疏散策略以降低事故风险概率成为我们亟需解决的安全问题。为了维护正常公共秩序，保障广大人民群众的生命财产安全，公共场所人流密度变化情况的实时监控和管理工作引起了广大社会管理者的重视。本发明提出的城市轨道交通通道客流密度实时检测方法及系统可以很好地为乘客提供引导，并为地铁运营管理人员提供决策支持。

随着计算机技术的飞速发展，越来越多的研究人员从视频处理的角度，对人流密度检测进行研究和处理。中国发明专利CN103065379 A中通过分析视频数据进行客流统计。通常，从视频处理的角度来分析行人流量变化时，算法计算量较大，易受摄像头成像质量的影响；同时，若欲获取通道内多处的行人流量情况，需在通道内布置多个摄像头，尤其在曲率较大的通道内，极易造成花费成本的提高；此外，通过视频分析获取客流量亦无法达到客流预测的目的。从系统级考虑，当客流密度增大到一定程度时，必定会造成拥挤，此时通道内客流的实时预测数据对于运营管理人员是非常重要的数据参考。

因此，需要设计了一种计算量少、实时性较高且能反映出行人异质性的客流检测和预测模型，以满足实际客流量检测的需求。

发明内容

本发明要解决的技术问题是提供一种城市轨道交通通道内客流检测和预测方法及系统，以现有技术中通道内客流实时检测存在盲区、无法实时预警客流密度变化以及检测设备成本较高等问题，尤其对于弯曲通道或是通道内的行人流为极易发生崩溃现象的双向行人流等情况。

为解决上述技术问题，本发明采用下述技术方案：

一种城市轨道交通通道内客流检测和预测方法，该方法的步骤包括：

S1、基于光传感技术，对通道进口处和出口处的客流量进行采集；

S2、基于社会力模型，构建通道两端客流流出量与通道内客流密度之间的关系，并计算获得行人密度与流出量之间的经验值；

S3、构建待检测通道的黑箱计算模型，并利用所述经验值和当前时刻通道的进出口处的客流量，计算当前时刻通道内的客流密度信息以及下一时刻的客流密度信息。

优选地，所述步骤S2包括：

S21、对通过待检测通道的乘客进行学习抽样；

S22、基于抽样数据，利用社会力模型构建两端客流流出量与通道内客流密度之间的关系：通过数据拟合获得行人密度与流出量之间的经验值。

优选地，所述步骤S3包括：

S31、将待检测通道划分成多个矩形黑箱，并根据计算精度和通道弯度的曲率大小确定黑箱长度；

S32、计算第i个黑箱内行人的数量N_i(t+1)：N_i(t+1)＝min(N_i,full,max(N_i(t)+(q_i(t)-Q_i(t))·W_i·△T,0))，计算黑箱内行人的数量，其中，Q_i,i-1(t)和q_i,i+1(t)分别为行人从第i个黑箱的左端和右端的流出量，q_i-1,i(t)和Q_i+1,i(t)分别为行人从第i个黑箱的左端和右端的流入量，N_i,full是第i个黑箱内行人密度达到最大阈值时对应的行人数；

S33、基于行人密度与流出量之间的关系和当前时刻通道的进出口处的客流量，分别对从第i个黑箱的左端涌出到第i-1个黑箱的行人流量Q_i,i-1(t)和从第i个黑箱的右端涌出到第i+1个黑箱的行人流量q_i,i+1(t)，进行实时更新。

优选地，该方法进一步包括：S4、将计算获得的所述下一时刻的客流密度信息与预设阈值比对，若超出阈值，则向工作人员报警，并对下一时刻的客流量进行监管调整，若未超出阈值，则继续步骤S1至S3的计算。

一种城市轨道交通通道内客流检测和预测系统，该系统包括：

客流量检测单元，基于光传感技术，对通道进口处和出口处的客流量进行采集；

客流计算实验单元，基于社会力模型，构建通道两端客流流出量与通道内客流密度之间的关系，并计算获得行人密度与流出量之间的经验值；

客流密度计算单元，构建待检测通道的黑箱计算模型，并利用所述经验值和当前时刻通道的进出口处的客流量，计算当前时刻通道内的客流密度信息以及下一时刻的客流密度信息。

优选地，所述客流量检测单元包括设置在通道内行人导流栏处的光束发射器和光接收器，所述光接收器通过串口通信的方式与客流计算实验单元和客流密度计算单元通信。

优选地，所述客流计算实验单元包括：

抽样模块，对通过待检测通道的乘客进行学习抽样；

拟合计算模块，基于抽样数据，利用社会力模型构建两端客流流出量与通道内客流密度之间的关系：通过数据拟合获得行人密度与流出量之间的经验值。

优选地，客流密度计算单元包括：

黑箱划分模块，将待检测通道划分成多个矩形黑箱，并根据计算精度和通道弯度的曲率大小确定黑箱长度；

行人数量计算模块，计算第i个黑箱内行人的数量N_i(t+1)：N_i(t+1)＝min(N_i,full,max(N_i(t)+(q_i(t)-Q_i(t))·W_i·△T,0))，计算黑箱内行人的数量，其中，Q_i,i-1(t)和q_i,i+1(t)分别为行人从第i个黑箱的左端和右端的流出量，q_i-1,i(t)和Q_i+1,i(t)分别为行人从第i个黑箱的左端和右端的流入量，N_i,full是第i个黑箱内行人密度达到最大阈值时对应的行人数；

数据更新模块，基于行人密度与流出量之间的关系和当前时刻通道的进出口处的客流量，分别对从第i个黑箱的左端涌出到第i-1个黑箱的行人流量Q_i,i-1(t)和从第i个黑箱的右端涌出到第i+1个黑箱的行人流量q_i,i+1(t)，进行实时更新。

优选地，该系统进一步包括：报警模块，将计算获得的所述下一时刻的客流密度信息与预设阈值比对，若超出阈值，则向工作人员报警，并对下一时刻的客流量进行监管调整。

优选地，该系统进一步包括：客流动态显示模块，对当前待检测通道的客流量情况进行动态显示。

本发明的有益效果如下：

本发明所述技术方案充分结合了宏观客流模型和微观客流模型的优点，不仅计算量较小而且充分考虑到行人之间具体的交互。在客流检测模块确定通道最左端和最右端的客流流入量之比以后，根据计算实验模块采样得出的密度和流出量的经验值，客流密度计算模块中采用的客流检测和预测方法可以不断更新每个“计算黑箱”在当前时刻和未来时刻的客流密度情况。当通道内的客流为单向流时，可根据客流的运动方向，设定另外方向的客流流入量为0。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明；

图1示出本方案所述客流检测和预测方法的示意图；

图2示出本方案所述客流检测和预测系统的示意图；

图3示出本方案所述“计算黑箱”的示意图

图4示出本方案实例中所述直通道内的双向行人流的示意图

图5示出本方案实例中所述通道左端客流流出量与客流密度关系的示意图

图6示出本方案实例中所述通道右端客流流出量与客流密度关系的示意图

图7示出本方案实例中所述不同客流密度情况下通道左端客流流出量阈值的示意图

图8示出本方案实例中所述不同客流密度情况下通道右端客流流出量阈值的示意图

图9示出本方案实例中所述大小为10m*4m的3个“计算黑箱”的示意图

图10示出本方案实例中所述客流流量与通道内客流密度变化的示意图

具体实施方式

为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。

本申请考虑在一些复杂形状的通道内如S型通道或在人群密度较高的通道内，仅仅通过安装有限的摄像头或激光并不能达到实时监控通道内任意具体位置处客流密度等具体情况的目的，而且仅通过摄像头或激光提供的通道内有限位置处的客流数据亦无法达到预测未来时刻通道内客流情况的目的。因此，本方案设计了一种基于“计算黑箱”的通道客流量检测与预测方法及系统。该方案采用光发送与接收装置采集通道出入口处客流量，随后利用社会力模型进行计算实验，抽样采集一段时间内客流流出量与通道内客流密度变化的关系，并将数据拟合计算得出的经验值作为客流密度计算的输入值。客流密度计算过程中，本方案基于质量守恒定律提出的一种客流检测和预测模型，该模型汲取了行人动力学宏观模型计算量少和微观模型充分考虑行人自身行为习惯的优点，可以实时检测和预测当前时刻和未来时刻通道内任意具体位置处客流的密度，该模块通过将通道分为多个“计算黑箱”，可以更准确地传递通道内客流密度变化情况。

具体的，如图1所示，本发明公开了一种城市轨道交通通道内客流检测和预测方法，该方法包括：

步骤S1、利用安装在通道出入口处的乘客导流栏处的至少一组光束发射器和光接收器，对通道内客流量情况进行采集；具体的，当客流通过光发送装置和光传感器之间时对光束进行切割，经过检测光传感器电平高低变化实现客流成功计数，采集完成通道出入口处客流后，将采集的数据通过串口通信方式发送至计算机对客流密度进行计算处理。

步骤S2、虑到不同的计算场景客流成分的差异性如地铁站中大部分客流为中青年等，本发明中特别地考虑到客流计算实验模块中人群异质性的影响，并进行学习抽样计算。该模块主要是基于社会力模型，着重研究通道内客流密度与流出量间的关系：

$m_i\frac{d{\stackrel{\→}{v}}_i}{dt}={\stackrel{\→}{f}}_i^0+\underset{j(\≠i)}{\Σ}{\stackrel{\→}{f}}_{ij}+\underset{w}{\Σ}{\stackrel{\→}{f}}_{iw}---\left(12\right)$

本发明检测实例中通道的长度和宽度分别为10m和4m，通道两端的行人从通道外部在保证一定的行人流入量的条件下不断涌入直通道，如图4所示。经过客流检测模块的采集检测，从通道的两端涌入行人的流量之比为1：3。经过该模块的100次重复仿真实验。如图5和图6所示，得到通道内客流密度与流出量之间的关系。如图7和图8所示，给出了相应数据点的拟合曲线。如图5和图6标识出通道两端行人密度与行人流出量的关系，并在图7和图8中给出了数据均值的拟合曲线和95％置信区间的拟合曲线即上限曲线和下限曲线。当客流密度确定后，行人的流出量并不是固定不变的，而是在流出量的阈值[流出量^down，流出量^up]的范围内波动。

步骤S3、如图3所示，标识出了客流从微观到宏观的“计算黑箱”建模方法示意图，通过黑箱建模方法可实时获取当前时刻通道内部客流密度信息并可预测未来时刻客流情况。通常，可将通道划分成多个矩形“计算黑箱”进行处理，“计算黑箱”的长度由计算的精度和通道弯度的曲率大小共同决定。对于“计算黑箱”i来说，N_i(t)为在t时刻“计算黑箱”i内的行人数，Q_i,i-1(t)和q_i,i+1(t)分别为行人从“计算黑箱”i的左端和右端的流出量，而q_i-1,i(t)和Q_i+1,i(t)分别为行人从“计算黑箱”i的左端和右端的流入量。基于质量守恒定律，可得到(t+1)时刻“计算黑箱”i内行人的数量N_i(t+1)为：

N_i(t+1)＝min(N_i,full,max(N_i(t)+(q_i(t)-Q_i(t))·W_i·△T,0)) (1)

Q_i(t)＝Q_i,i-1(t)+q_i,i+1(t) (2)

q_i(t)＝q_i-1,i(t)+Q_i+1,i(t) (3)

N_i,full是计算黑箱i内行人密度为最大阈值时对应的行人数。受到通道物理大小的限制以及参考实际经验数据，设定通道内行人密度的最大阈值为5.4人/m²，则N_i,full＝5.4·W_i·L_i。其中，W_i是“计算黑箱”i的宽度，L_i是其长度。q_i(t)是涌入“计算黑箱”i的行人总流量，Q_i(t)是从“计算黑箱”i两端涌出的行人总流量。值得我们注意的是，“计算黑箱”i内的实际人数不仅需保证足够多，以满足“计算黑箱”内行人涌出量的要求；同时，“计算黑箱”i左右两端的“计算黑箱”i-1和i+1需有足够大的空间，使从“计算黑箱”i内涌出的行人进入；综合考虑基于微观社会力模型得到的客流密度与流出量间的关系，从“计算黑箱”i的左端涌出到“计算黑箱”i-1的行人流量Q_i,i-1(t)可以得到实时更新：

Q_i,i-1(t)＝min(Q′_i,i-1(t),Q″_i,i-1(t),Q″′_i,i-1(t)) (4)

$Q_{i,i-1}^{\′}\left(t\right)=\left(Q_{i,i-1}^{up}\right(\mathrm{\ρ},t)-Q_{i,i-1}^{down}(\mathrm{\ρ},t\left)\right)\·r\left(1\right)+Q_{i,i-1}^{down}(\mathrm{\ρ},t)---\left(5\right)$

$Q_{i,i-1}^{\′\′}\left(t\right)=\frac{a_R}{a_L+a_R}\·\frac{N_i\left(t\right)}{W_i\·\mathrm{\Δ}T}---\left(6\right)$

$Q_{i,i-1}^{\′\′\′}\left(t\right)=\max (\frac{a_R}{a_L+a_R}\·\frac{N_{i-1,full}-N_{i-1}\left(t\right)}{W_i\·\mathrm{\Δ}T},0)---\left(7\right)$

其中，△T＝1s。r(1)是介于0和1间的随机数。和是基于社会力模型得到的行人密度与流出量间的经验值，即从某具体行人密度处对应的上限曲线和下限曲线对应的中间数据中选取，该部分数据从客流计算实验模块中获得。a_L:a_R代表从外部涌入“计算黑箱”左端的客流量q_L和涌入“计算黑箱”右端的客流量q_R之比，为客流检测模块的输入值。

类似地，从“计算黑箱”i的右端涌出到“计算黑箱”i+1的行人流量q_i,i+1(t)也可得到实时更新：

q_i,i+1(t)＝min(q′_i,i+1(t),q″_i,i+1(t),q″′_i,i+1(t)) (8)

$q_{i,i+1}^{\′}\left(t\right)=\left(q_{i,i+1}^{up}\right({\mathrm{\ρ}}_i\left(t\right),t)-q_{i,i+1}^{down}({\mathrm{\ρ}}_i\left(t\right),t\left)\right)\·r\left(1\right)+q_{i,i+1}^{down}\left({\mathrm{\ρ}}_i\right(t),t)---\left(9\right)$

$q_{i,i+1}^{\′\′}\left(t\right)=\frac{a_L}{a_L+a_R}\·\frac{N_i\left(t\right)}{W_i\·\mathrm{\Δ}T}---\left(10\right)$

$q_{i,i+1}^{\′\′\′}\left(t\right)=max(\frac{a_L}{a_L+a_R}\·\frac{N_{i+1,full}-N_{i+1}\left(t\right)}{W_i\·\mathrm{\Δ}T},0)---\left(11\right)$

同理，亦可得到从“计算黑箱”i-1的右端涌出到“计算黑箱”i的行人流量q_i-1,i(t)，以及从“计算黑箱”i+1的左端涌入到“计算黑箱”i的行人流量Q_i+1,i(t)。因此，每个“计算黑箱”在t+1时刻的客流情况如N_i(t+1)和ρ_i(t)等可得到预测。进一步地，在上述结果的基础上可预测得到t+2，t+3，……，t+n时刻“计算黑箱”内的客流情况。

由于通道内行人密度过大时可能导致拥挤踩踏事故的发生，本发明中根据相关经验数据设定预警密度阈值为3人/m²。当在未来时刻通道内任意位置处行人的密度高于该预警密度阈值时，客流密度计算模块将发出告警，提醒地铁值班人员对客流进行分流引导，在这种极端条件下不允许乘客再进入通道。

S4、计算获得的所述下一时刻的客流密度信息与预设阈值比对，若超出阈值，则向工作人员报警，并对下一时刻的客流量进行监管调整，若未超出阈值，则继续步骤S1至S3的计算。

本申请进一步公开了一种城市轨道交通通道内客流检测和预测系统，该系统包括：

客流量检测单元，基于光传感技术，对通道进口处和出口处的客流量进行采集；所述客流量检测单元包括设置在通道内行人导流栏处的光束发射器和光接收器，所述光接收器通过串口通信的方式与客流计算实验单元和客流密度计算单元通信。

客流计算实验单元，基于社会力模型，构建通道两端客流流出量与通道内客流密度之间的关系，并计算获得行人密度与流出量之间的经验值；所述客流计算实验单元包括：

抽样模块，对通过待检测通道的乘客进行学习抽样；

拟合计算模块，基于抽样数据，利用社会力模型构建两端客流流出量与通道内客流密度之间的关系：通过数据拟合获得行人密度与流出量之间的经验值。

客流密度计算单元，构建待检测通道的黑箱计算模型，并利用所述经验值和当前时刻通道的进出口处的客流量，计算当前时刻通道内的客流密度信息以及下一时刻的客流密度信息；所述客流密度计算单元包括：

黑箱划分模块，将待检测通道划分成多个矩形黑箱，并根据计算精度和通道弯度的曲率大小确定黑箱长度；

行人数量计算模块，计算第i个黑箱内行人的数量N_i(t+1)：N_i(t+1)＝min(N_i,full,max(N_i(t)+(q_i(t)-Q_i(t))·W_i·△T,0))，计算黑箱内行人的数量，其中，Q_i,i-1(t)和q_i,i+1(t)分别为行人从第i个黑箱的左端和右端的流出量，q_i-1,i(t)和Q_i+1,i(t)分别为行人从第i个黑箱的左端和右端的流入量，N_i,full是第i个黑箱内行人密度达到最大阈值时对应的行人数；

数据更新模块，基于行人密度与流出量之间的关系和当前时刻通道的进出口处的客流量，分别对从第i个黑箱的左端涌出到第i-1个黑箱的行人流量Q_i,i-1(t)和从第i个黑箱的右端涌出到第i+1个黑箱的行人流量q_i,i+1(t)，进行实时更新。

报警模块，将计算获得的所述下一时刻的客流密度信息与预设阈值比对，若超出阈值，则向工作人员报警，并对下一时刻的客流量进行监管调整。

本方案，为了验证客流密度计算模块的可行性和有效性，本实例中采用了如图9所示的包含3个矩形“计算黑箱”的通道进行实验。从附图10中可以清晰地得到当从通道的两端涌入行人的流量比为1：3时通道内客流密度的变化情况。

本方案，为了方便用户的操作和监控，该系统进一步设有：客流动态显示模块，对当前待检测通道的客流量情况进行动态显示。

综上所述，本发明所述技术方案充分结合了宏观客流模型和微观客流模型的优点，不仅计算量较小而且充分考虑到行人之间具体的交互。在客流检测模块确定通道最左端和最右端的客流流入量之比以后，根据计算实验模块采样得出的密度和流出量的经验值，客流密度计算模块中采用的客流检测和预测方法可以不断更新每个“计算黑箱”在当前时刻和未来时刻的客流密度情况。当通道内的客流为单向流时，可根据客流的运动方向，设定另外方向的客流流入量为0。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (10)

1.一种城市轨道交通通道内客流检测和预测方法，其特征在于，该方法的步骤包括：

S1、基于光传感技术，对通道进口处和出口处的客流量进行采集；

S2、基于社会力模型，构建通道两端客流流出量与通道内客流密度之间的关系，并计算获得行人密度与流出量之间的经验值；

S3、构建待检测通道的黑箱计算模型，并利用所述经验值和当前时刻通道的进出口处的客流量，计算当前时刻通道内的客流密度信息以及下一时刻的客流密度信息。

2.根据权利要求1所述的客流检测和预测方法，其特征在于，所述步骤S2包括：

S21、对通过待检测通道的乘客进行学习抽样；

S22、基于抽样数据，利用社会力模型构建两端客流流出量与通道内客流密度之间的关系：通过数据拟合获得行人密度与流出量之间的经验值。

3.根据权利要求1所述的客流检测和预测方法，其特征在于，所述步骤S3包括：

S31、将待检测通道划分成多个矩形黑箱，并根据计算精度和通道弯度的曲率大小确定黑箱长度；

S32、计算第i个黑箱内行人的数量N_i(t+1)：

N_i(t+1)＝min(N_i,full,max(N_i(t)+(q_i(t)-Q_i(t))·W_i·△T,0))，计算黑箱内行人的数量，其中，Q_i,i-1(t)和q_i,i+1(t)分别为行人从第i个黑箱的左端和右端的流出量，q_i-1,i(t)和Q_i+1,i(t)分别为行人从第i个黑箱的左端和右端的流入量，N_i,full是第i个黑箱内行人密度达到最大阈值时对应的行人数；

S33、基于行人密度与流出量之间的关系和当前时刻通道的进出口处的客流量，分别对从第i个黑箱的左端涌出到第i-1个黑箱的行人流量Q_i,i-1(t)和从第i个黑箱的右端涌出到第i+1个黑箱的行人流量q_i,i+1(t)，进行实时更新。

4.根据权利要求1所述的客流检测和预测方法，其特征在于，该方法进一步包括：S4、将计算获得的所述下一时刻的客流密度信息与预设阈值比对，若超出阈值，则向工作人员报警，并对下一时刻的客流量进行监管调整，若未超出阈值，则继续步骤S1至S3的计算。

5.一种城市轨道交通通道内客流检测和预测系统，其特征在于，该系统包括：

客流量检测单元，基于光传感技术，对通道进口处和出口处的客流量进行采集；

客流计算实验单元，基于社会力模型，构建通道两端客流流出量与通道内客流密度之间的关系，并计算获得行人密度与流出量之间的经验值；

客流密度计算单元，构建待检测通道的黑箱计算模型，并利用所述经验值和当前时刻通道的进出口处的客流量，计算当前时刻通道内的客流密度信息以及下一时刻的客流密度信息。

6.根据权利要求5所述的客流检测和预测系统，其特征在于，所述客流量检测单元包括设置在通道内行人导流栏处的光束发射器和光接收器，所述光接收器通过串口通信的方式与客流计算实验单元和客流密度计算单元通信。

7.根据权利要求5所述的客流检测和预测系统，其特征在于，所述客流计算实验单元包括：

抽样模块，对通过待检测通道的乘客进行学习抽样；

拟合计算模块，基于抽样数据，利用社会力模型构建两端客流流出量与通道内客流密度之间的关系：通过数据拟合获得行人密度与流出量之间的经验值。

8.根据权利要求5所述的客流检测和预测系统，其特征在于，所述客流密度计算单元包括：

黑箱划分模块，将待检测通道划分成多个矩形黑箱，并根据计算精度和通道弯度的曲率大小确定黑箱长度；

行人数量计算模块，计算第i个黑箱内行人的数量N_i(t+1)：

N_i(t+1)＝min(N_i,full,max(N_i(t)+(q_i(t)-Q_i(t))·W_i·△T,0))，计算黑箱内行人的数量，其中，Q_i,i-1(t)和q_i,i+1(t)分别为行人从第i个黑箱的左端和右端的流出量，q_i-1,i(t)和Q_i+1,i(t)分别为行人从第i个黑箱的左端和右端的流入量，N_i,full是第i个黑箱内行人密度达到最大阈值时对应的行人数；

数据更新模块，基于行人密度与流出量之间的关系和当前时刻通道的进出口处的客流量，分别对从第i个黑箱的左端涌出到第i-1个黑箱的行人流量Q_i,i-1(t)和从第i个黑箱的右端涌出到第i+1个黑箱的行人流量q_i,i+1(t)，进行实时更新。

9.根据权利要求5所述的客流检测和预测系统，其特征在于，该系统进一步包括：报警模块，将计算获得的所述下一时刻的客流密度信息与预设阈值比对，若超出阈值，则向工作人员报警，并对下一时刻的客流量进行监管调整。

10.根据权利要求5所述的客流检测和预测系统，其特征在于，该系统进一步包括：客流动态显示模块，对当前待检测通道的客流量情况进行动态显示。