CN106529815A - 城市轨道交通网络乘客出行时空轨迹估计方法及其应用 - Google Patents
城市轨道交通网络乘客出行时空轨迹估计方法及其应用 Download PDFInfo
- Publication number
- CN106529815A CN106529815A CN201611025177.2A CN201611025177A CN106529815A CN 106529815 A CN106529815 A CN 106529815A CN 201611025177 A CN201611025177 A CN 201611025177A CN 106529815 A CN106529815 A CN 106529815A
- Authority
- CN
- China
- Prior art keywords
- passenger
- station
- trip
- network
- track
- 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 47
- 230000009467 reduction Effects 0.000 claims abstract description 3
- 230000008569 process Effects 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 8
- 230000008901 benefit Effects 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000037361 pathway Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000005206 flow analysis Methods 0.000 abstract 1
- 230000006399 behavior Effects 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 229920000728 polyester Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000036962 time dependent 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/10—Small scale networks; Flat hierarchical networks
- H04W84/12—WLAN [Wireless Local Area Networks]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
- H04W88/08—Access point devices
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Computer Networks & Wireless Communication (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Analytical Chemistry (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Chemical & Material Sciences (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Quality & Reliability (AREA)
- Computational Mathematics (AREA)
- Educational Administration (AREA)
- Computer Hardware Design (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种城市轨道交通网络乘客出行时空轨迹估计方法,根据乘客在城市轨道交通网络中的出行状态特征,构建基于出行链的轨道交通超级网络,包括网络层、路径层和车站层;利用城市轨道交通网络范围内的WIFI信号数据,采用基于接收信号强度指示的定位算法,将WIFI信号数据转化为乘客在车站内的随时间变化的位置坐标;通过乘客位置坐标与车站平面图的对应,实现站内走行轨迹的还原;通过识别乘客位置信息中的线路编码和车站编码的变化,确定所经过的车站,与路径层中的有效路径集进行核对后,实现乘客网络出行时空轨迹的推断。本发明能满足定位精度要求、有效还原乘客的走行轨迹,将为城市轨道交通网络客流分析、票务清算以及出行诱导等提供理论与技术支持。
Description
技术领域
本发明属于智能交通技术领域,涉及城市交通系统乘客出行行为的分析方法,尤其是轨道交通网络乘客出行时空轨迹估计方法。
背景技术
近年来,许多城市的交通系统尤其是城市轨道交通系统已步入网络化运营的新阶段,线网结构日益复杂化导致乘客网络出行行为的随机性不断增强,网络客流时空分布状态更为复杂和多变。弄清乘客网络出行行为及其客流分布规律是编制轨道交通网络行车组织方案、开展车站客运组织工作的基础,是当前城市轨道交通网络化运营管理面临的重要问题。
目前,为了弄清乘客网络出行行为及其客流分布规律,一方面是借鉴道路交通流分配理论建立城市轨道交通客流分布模型,从路径效用函数建立、有效路径搜索算法、路径选择概率计算等方面进行了改进;另一方面,则是利用自动售检票系统(AFC)记录的进出站刷卡数据、列车自动监控系统(ATS)记录的列车运行数据等,构建乘客出行路径的反推模型。但上述现有的方法本质上是“先验”的,不能满足对已经发生的乘客出行情况准确还原(即“后验”的)的需要。公共交通客运组织的基础是客流,其关键在于掌握乘客在公共交通网络内部的走行轨迹。现有的相关研究主要采用微观行人仿真的方法来模拟乘客在站内的行为活动,但是仿真的方法同样不能完整描述乘客复杂的出行行为,致使所得结果与实际情况之间可能存在较大差别。可以看出,由于缺乏时空维度上的详细数据,传统方法对乘客出行特征的研究受到限制。
与此同时,信息通讯手段的进步与智能移动终端的普及为上述问题的解决提供了新的途径。面向公众开放的WIFI服务已开始接入城市轨道交通系统,并逐步向全网络覆盖的方向发展。目前,香港地铁、深圳地铁和上海地铁等均已提供WIFI信号服务,乘客在乘坐地铁出行过程中使用WIFI的同时记录了大量与时间关联的位置信息,为更准确地还原乘客的出行时空轨迹提供了良好的数据来源。此外,基于WIFI信号的定位技术可以很好地解决室内定位的需求,具有使用成本低、无需额外硬件设备支持、受非视距影响小等诸多优势,为利用WIFI定位技术推定乘客出行轨迹提供了技术支持。如何利用城市轨道交通网络范围内的WIFI信号数据确定地铁乘客的网络出行时空轨迹是亟待解决的问题。
发明内容
本发明的目的在于提供一种城市轨道交通网络乘客出行时空轨迹估计方法,更准确地还原或推断乘客的出行时空轨迹,进一步可为城市交通客流分析、票务清算、出行诱导等提供理论与技术支持。
为达到上述目的,本发明采用以下技术方案:
根据乘客在城市轨道交通网络中的出行状态特征,构建基于乘客出行链的轨道交通超级网络,包括:网络层、路径层和车站层;在此基础上,利用城市轨道交通网络范围内的WIFI信号数据,提出改进的基于接收信号强度指示(RSSI)定位算法,将WIFI信号数据转化为乘客在轨道交通车站内的随时间变化的位置坐标(即带时间信息的位置坐标);通过乘客位置坐标与轨道交通车站平面图的对应,实现乘客在轨道交通车站内走行轨迹的还原;通过乘客位置信息中的线路编码和车站编码的变化,确定乘客所经过的车站,与路径层中的有效路径集进行核对后,实现乘客网络出行时空轨迹的推断。
本发明解决其技术问题所采用的技术方案包括以下内容:
1、基于乘客出行链的城市轨道交通超级网络构建
为了描述乘客的完整出行过程,城市轨道交通网络构建既要反映轨道交通物理结构和有效的出行路径,又要体现车站的空间结构和设施设备布局,因此,本发明构建了一种三层结构的超级网络,依次为网络层、路径层和车站层,从整体到细部地完整描述乘客出行的网络环境。网络层的基本功能是存储、维护整个轨道交通网络的拓扑结构,采用数学图论中的有向连通图来描述网络拓扑关系。路径层是对乘客出行有效路径的描述。车站层是对车站内部结构的微观描述。
2、乘客网络出行时空轨迹推定模型构建
城市轨道交通网络的客流分布是乘客个体出行叠加的结果,以一个乘客的出行过程为例,在轨道交通超级网络的基础上利用WIFI信号数据推定乘客网络出行时空轨迹的步骤包括:
数据采集:收集车站内布设的无线接入点(Access Point,AP)的坐标位置和移动终端的信号强度数据。
数据预处理:对初始信号强度数据中的无效数据,进行剔除处理。
乘客定位算法:WIFI定位是利用无线接入点(Access Point,AP)的位置作为参考,通过分析接收到的无线信号的特征参数,根据相应的定位算法得到待测目标的位置,其中WIFI定位的实施包括两个阶段。第一阶段为测距:测定接收节点相对于发射节点的距离,基于信号强度指示RSSI的测距方法根据信号的路径损耗与传播距离的关系模型进行距离的计算,易于实施,成本较低,是目前运用较多的方法,本发明采用此测距方法。第二阶段为定位:目前主流的有三边测量法和位置指纹定位。由于三边测量定位算法在实际应用中,常由于距离测量误差导致无解的情况,本发明在此基础上,采用质心算法优化定位模型,根据三圆之间的相交关系不同,以多边形的质心近似作为待测点的坐标,提高定位算法的适应性。
站内走行轨迹可视化:按照时间顺序,将乘客的位置点坐标依次画在车站平面图的相应位置。
途径关键站点判断:根据乘客所处位置的线路编码与车站编码,与轨道交通拓扑结构进行比对。当车站编码改变,线路编码不变时,乘客到达下一车站;当线路编码和车站编码同时改变时,认为该乘客发生换乘。依次类推,识别乘客经过的车站集合。
路径有效性检验:路网拓扑结构决定了乘客的出行路径选择,将基于WIFI数据推断出的乘客途径车站集合与有效路径集进行对比,若匹配失败,则剔除无效样本。
所述乘客定位算法:第一阶段为测距,测定接收节点相对于发射节点的距离,基于信号强度指示RSSI的测距方法根据信号的路径损耗与传播距离的关系模型进行距离的计算;
第二阶段为定位,在三边测量定位算法基础上,采用质心算法优化定位模型,根据三圆之间的相交关系不同,以多边形的质心近似作为待测点的坐标,提高定位算法的适应性。
上述的城市轨道交通网络乘客出行时空轨迹估计方法在社会公共事务中的应用。
进一步,将所述方法用于收集有关客流特征的信息、监控大型场所的客流聚集情况,为社会公共事务的组织及运营提供保障。
由于采用上述技术方案,本发明具有以下有益效果:本发明充分利用城市轨道交通网络范围内的WIFI信号数据,构建了轨道交通超级网络,改进了基于接收信号强度指示(RSSI)的定位算法,提出了一种基于WIFI数据的乘客网络出行时空轨迹推断模型及算法,实现城市轨道交通网络乘客完整出行过程的准确描述。通过算例实验初步验证了该方法的可靠性与可行性,结果表明:基于WIFI数据定位的平均误差约1.5米,满足定位精度要求,能有效还原乘客的走行轨迹。随着WIFI服务覆盖轨道交通网络尤其是地铁网络进程的推进,本发明在城市公共交通网络运营管理领域具有良好的应用前景,将为客流分析、票务清算以及出行诱导等提供理论与技术支持。
附图说明
图1是本发明的城市轨道交通乘客出行链图。
图2是本发明的轨道交通超级网络示意图(包含两次局部放大递进展示)。
图3是本发明的乘客出行轨迹生成步骤的流程图。
图4是本发明的三角定位算法原理图。
图5是本发明的路径传播损耗指数“RSSI—lgd”拟合图。
图6是本发明的实验定位误差图。
图7是本发明的实际轨迹与定位轨迹对比图。
具体实施方式
当携带手机、PAD、笔记本电脑等移动终端的乘客进入无线局域网环境后,打开终端的WIFI功能和请求位置服务,WIFI网络中的无线接入点(Access Point,AP)接收来自终端同一时刻发出的802.11MAC帧数据,每个AP各自提取接收到的终端的RSSI值,终端的MAC地址、终端发送数据包的时间戳和AP自身MAC地址等信息解封装成特殊的应用层报文,再通过以太网将报文发往数据库服务器。乘客出行过程产生的一系列位置信息都被记录在服务器的数据库中。
WIFI定位是利用无线接入点(Access Point,AP)的位置作为参考,通过分析接收到的无线信号的特征参数,根据相应的定位算法得到待测目标的位置,其中WIFI定位的实施包括两个阶段:
(a)测距:测定接收节点相对于发射节点的距离,有基于到达角度信息(AOA)、信号到达时间(TOA)、到达时间差(TDOA)和信号强度指示(RSSI)等技术,其中,基于RSSI的测距方法根据信号的路径损耗与传播距离的关系模型进行距离的计算,易于实施,成本较低,是目前运用较多的方法。
(b)定位:目前主流的有两大类方法,一类方法是实时计算待测节点与三个发射节点的距离值,按照几何关系采用三边测量法求得待测节点的坐标,另一类方法是位置指纹定位,所需采样样本数量大,数据库的建立难度大。
以下结合附图所示实施例对本发明作进一步的说明。
1、基于乘客出行链的城市轨道交通超级网络构建
城市轨道交通乘客的完整出行链是一系列进站、乘车、换乘、出站等过程组成的序列(请参阅图1),包括乘客在车站内的走行活动与网络上的出行路径选择,涉及乘客行为、列车运行和网络环境三因素相结合的复杂问题。
为了描述乘客的完整出行过程,城市轨道交通网络构建既要反映轨道交通物理结构和有效的出行路径,又要体现车站的空间结构和设施设备布局,因此,本发明构建了一种三层结构的超级网络,如图2所示,依次为网络层、路径层和车站层,从整体到细部地完整描述乘客出行的网络环境。
网络层:网络层的基本功能是存储、维护整个轨道交通网络的拓扑结构,采用数学图论中的有向连通图来描述网络拓扑关系,其形式化定义为:令有序三重集合G=(L,S,E)表示轨道交通物理网络的抽象,其中L={l1,l2,…lm}为网络轨道线路集合,其元素li表示线路i;S={s11,s12,…,sij,…,smn}为网络结点集合,其元素sij表示线路i上的车站j;E={e1,e2,…ew}为网络边集合,其元素ei表示相邻车站(si,j,si,j+1)间的轨道区间;令表示换乘站,则网络上所有换乘站的集合可表示为
路径层:路径层是对乘客出行路径的描述。在网络拓扑结构的基础上,利用基于深度优先的删除路径搜索算法获取OD之间的K条渐短路径。ROD={R1,R2,…,Rk,…,RK}为一对OD间的有效路径集合,其中,Rk表示第k条有效路径经过的车站序列集合Rk(Line,Station)。
车站层:车站层是对车站内部的微观描述。轨道交通车站为多层立体结构,乘客在不同层之间实现进站上车、下车出站以及换乘等出行行为。在车站CAD平面图作基础上建模构建,描述车站环境和闸机、楼扶梯等设施设备的布局。
2、乘客网络出行时空轨迹推定模型构建
城市轨道交通网络的客流分布是乘客个体出行叠加的结果,以下以一位乘客的出行过程为例,阐述在构建轨道交通超级网络基础上利用WIFI信号数据推定乘客网络出行时空轨迹的步骤,算法流程如图3所示,具体步骤以下分别加说明。
(1)数据采集
利用WIFI数据识别乘客出行轨迹需要收集车站内布设的AP基础信息和移动终端的WIFI信号强度数据。AP的基础信息包括每个AP的MAC地址,横、纵坐标,所在线路、车站以及位置标识,如表1所示。
信号强度数据需要从数据库服务器中提取,包括AP的MAC地址、终端的MAC地址、终端发送数据包的时间戳和AP接收到的信号强度,如表2所示。其中,终端的MAC地址作为区分不同终端设备的标识,代表唯一乘客。
表1AP基础信息数据字段
表2WIFI信号强度数据字段
(2)数据预处理
为了提高运算效率,对乘客位置数据进行预处理。联立查询表1与表2便可得到终端M在T时刻对应的一组定位基础数据(AP2,RSSI2,AP_X2,AP_Y2)…(APn,RSSIn,AP_Xn,AP_Yn)},若n≤2,则视为无效数据剔除。然后,将终端M对应的所有定位基础数据按照时间T的先后顺序排序。
(3)乘客定位算法
本实例中采用对硬件要求较低的基于RSSI的测距算法与三边测量定位算法,并在其基础上进行优化。首先根据信号强度与距离的映射关系,计算终端与AP间的距离。对数距离路径损耗模型的公式如下:
上述式中:d0为参考距离,一般取1米;d为待测点到AP节点的距离;Pr(d)和Pr(d0)分别表示距离d和d0处的信号强度;γ为路径传播损耗指数,根据不同环境其取值范围为2~5。将式(1)变形为式(2)就可以计算出移动终端到相应AP的距离:
然后,选择同一终端同一时间对应的信号强度最强的三个RSSI值,分别计算出终端与三个AP之间的距离,通过三边定位算法计算待测点位置。如图4所示,在理想情况下,待测节点D的位置由三个圆的交点唯一确定,可由下面的方程组解得:
在实际应用中,接收信号强度受无线信号传播环境的影响存在偏差,从而引起距离测量存在误差,三个圆的交点不唯一导致上述方程无解,将出现三个圆都不相交、只有其中两个圆相交、只有两个圆不相交以及三圆两两之间分别相交的情况,如表3所示。采用质心算法优化定位模型,根据三圆之间的相交关系不同,对不相交的两个圆连接其圆心,找到圆心连线与两圆的交点,对于相交的两个圆找出距离第三个圆心最近的一个交点,以这些关键点为顶点做多边形,将多边形的质心近似作为待测点的坐标。
通过以上定位算法将得到乘客在T时刻的位置坐标点PT(X,Y,LineID,StationID,PositionID),按表4所示的格式存储,作为轨迹推定的数据源。
表3待测点坐标计算公式
表4乘客位置坐标点字段
(4)站内走行轨迹可视化
根据乘客位置点PT(LineID,StationID,PositionID)调用相应的车站平面图,将乘客Ti时刻的坐标画在车站平面图相应位置,并与前一个位置点连接。如此循环,得到乘客在车站内按时间顺序的走行轨迹。
(5)途经关键站点判断
确定乘客出行路径的重点是判断乘客途经的关键车站。定义乘客在时刻t的位置信息为Pt(Lt,St),其中Lt,St分别是t时刻乘客所处位置的线路编码、车站编码。将乘客位置信息与轨道交通拓扑结构信息G(L,S)比对,当首次出现Pt(Lt,St)∈G(L,S),则该位置信息为进站点,记为PS1(L1,S1);当St或Lt发生变化时,乘客进入下一个车站,记为PS2(L2,S2)。如此类推,得到乘客经过的车站集合PS{(L1,S1),(L2,S2)…(Ln,Sn)}。
(6)路径有效性检验
根据步骤五中得到的起点车站PS1(L1,S1)与终点车站PSn(Ln,Sn),在有效路径集中找出该起、终点之间的K条有效路径。若第k条有效路径Rk(Line,Station)完全包含PS{(L1,S1),(L2,S2)…(Ln,Sn)}中的站点,则匹配成功,认为PS1→PS2→…→PSn为乘客的实际出行路径;当k达到一定阈值时,仍然无法找到能够匹配的路径,则认为此次匹配失败,删除样本。
3、实验精度测试
本发明选取上海地铁13号线金沙江西路站进行现场实验,对提出的模型及算法的合理性、实用性及准确性进行检验。
由于路径传播损耗指数γ的取值与环境有关,为了保证定位的精度,首先测定γ的取值。以一固定位置的路由器作为AP,在距离其0-8米的范围内,选取不同的采样点,测量出采样点到该AP的距离,并记录相应位置的信号强度数据。将距离的对数值lgd与相应的RSSI值进行线性拟合,如图5所示,通过拟合直线的斜率和纵坐标截距即可得到该环境下γ=2.8454,Pr(1)=-36.017dbm。
在进行乘客走行轨迹的定位实验时,在车站内随机布置多个路由器作为AP节点,构建WIFI信号覆盖的环境,并选取两堵垂直相交的墙面作为x轴和y轴,建立直角坐标系,以测量AP的位置坐标。然后,乘客携带具有检测WIFI信号强度功能的设备进站至乘车离开,或下车并走行出站,在走行过程中每隔30秒测量其位于不同位置时检测到的周围WIFI的信号强度,并记录其自身的实际坐标。最后,根据上述的定位算法计算出乘客经过的一系列位置坐标点,并采用如下定位误差公式来评价算法的定位精度:
式中:(x,y)为真实坐标,(x',y')为计算坐标。
图6为本次实验样本的定位误差。可以看出,本次实验的最大误差是6.3138m,最小误差是0.0304m,平均误差为1.5247m,基本满足对于城市轨道交通乘客定位的精度要求。
以一个乘客的走行轨迹为例,根据其经过的位置点,在车站平面图上绘制出该乘客在车站内的实际轨迹与定位轨迹,如图7所示。可以看出,虽然乘客的位置点受到定位误差的影响有所波动,但从整体上看,本发明的方法能有效还原出乘客的走行轨迹,描绘出乘客进、出站的整个过程,其中,数据点较密集的地方体现了乘客购票、通过闸机、站台候车等行为。
通过上述的实验,以乘客个体为研究对象,验证了利用WIFI数据推定乘客在轨道交通车站内走行轨迹具有较好的可行性与准确性。同时,由于乘客在网络上的出行路径主要通过其换乘站点进行识别与推断,其精度要求低于对乘客站内走行轨迹的推定,因而本发明提出的模型及算法也同样具有满足要求的可行性及准确性。进一步地,基于轨道交通超级网络模型,可实现对乘客在网络上出行时空轨迹的完整推定。
此外,需要指出的是,当研究的乘客人数和采集的样本点数量持续增加后,还将减弱定位误差对轨迹生成的影响,并且更容易地排除异常样本干扰。为此,该方法在以海量的实际WIFI数据作为数据源的条件下,应能取得更为理想的结果:通过分析一段时间内WIFI服务系统记录的大量WIFI数据,叠加网络上乘客群体的各条走行轨迹,可真实还原车站内乘客实时分布情况,计算站内聚集客流密度,为车站客流实时预警等提供有效支持;进一步地,随着WIFI网络在城市轨道交通系统的全面覆盖,在推断乘客在进站点、换乘站、出站点的走行过程的基础上,通过串联乘客途经的关键车站(主要为换乘车站)即可得到乘客选择的出行路径,从而为客流分布模型验证、模型参数标定及行车组织方案制定等奠定基础。
上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例作出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。面对WIFI服务在城市公共区域的广泛覆盖,本发明可应用于多个领域,例如:公交汽车载客情况的实时监控,通过乘客的WIFI连接信息确定上下车人数从而计算满载率等客流特征;商场、体育场馆等大型场所的客流聚集情况监控,为安全有序的运营提供保障。因此,本发明不限于上述的实施例,本领域技术人员根据本发明的揭示,不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。
Claims (7)
1.一种城市轨道交通网络乘客出行时空轨迹估计方法,其特征在于:根据乘客在城市轨道交通网络中的出行状态特征,构建基于乘客出行链的轨道交通超级网络,包括网络层、路径层和车站层;在此基础上,利用城市轨道交通网络范围内的WIFI信号数据,采用基于接收信号强度指示的定位算法,将WIFI信号数据转化为乘客在城市轨道交通车站内的随时间变化的位置坐标;通过乘客位置坐标与城市轨道交通车站布局平面图与路网拓扑结构的对应,实现乘客在城市轨道交通网络内出行时空轨迹的还原。
2.根据权利要求1所述的城市轨道交通网络乘客出行时空轨迹估计方法,其特征在于,包括以下步骤:
(1)基于乘客出行链的轨道交通超级网络构建
所述城市轨道交通网络构建既反映物理结构和有效的出行路径,又体现城市轨道交通网络的空间结构和设施设备布局,以描述乘客的完整出行过程;
(2)乘客网络出行时空轨迹推定模型构建
城市轨道交通网络的客流分布是乘客个体出行叠加的结果,在轨道交通超级网络的基础上利用WIFI信号数据推定单个乘客网络出行时空轨迹的步骤包括:数据采集、数据预处理、乘客定位算法、轨道交通车站内走行轨迹可视化、途径关键站点判断及路径有效性检验。
3.根据权利要求2所述的城市轨道交通网络乘客出行时空轨迹估计方法,其特征在于:步骤(1)中所述城市轨道交通超级网络为三层结构,依次为网络层、路径层和车站层,从整体到细部地完整描述乘客出行的网络环境;所述网络层的基本功能是存储、维护整个交通网络的拓扑结构,采用数学图论中的有向连通图来描述网络拓扑关系;所述路径层是对乘客出行有效路径的描述;所述车站层是对车站内部结构的微观描述。
4.根据权利要求2所述的城市轨道交通网络乘客出行时空轨迹估计方法,其特征在于,步骤(2)中:
数据采集,收集城市轨道交通网络内布设的WIFI无线接入点的坐标位置和移动终端的信号强度数据;
数据预处理,对初始信号强度数据中的无效数据,进行剔除处理;
乘客定位算法,WIFI定位是利用无线接入点的位置作为参考,通过分析接收到的无线信号的特征参数,根据相应的定位算法得到待测目标的位置,其中WIFI定位包括测距和定位两个阶段;
城市轨道交通车站内走行轨迹可视化,按照时间顺序,将乘客的位置点坐标依次画在城市轨道交通车站布局平面图的相应位置。
途径关键站点判断,根据乘客所处位置的线路编码与车站编码,与路网拓扑结构进行比对;当车站编码改变,线路编码不变时,乘客到达下一车站;当线路编码和车站编码同时改变时,认为该乘客发生换乘;依次类推,识别乘客经过的车站集合;
路径有效性检验,路网拓扑结构决定了乘客的出行路径选择,将基于WIFI数据推断出的乘客途径车站集合与有效路径集进行对比,若匹配失败,则剔除无效样本。
5.根据权利要求4所述的城市轨道交通网络乘客出行时空轨迹估计方法,其特征在于,所述乘客定位算法:第一阶段为测距,测定接收节点相对于发射节点的距离,基于信号强度指示RSSI的测距方法根据信号的路径损耗与传播距离的关系模型进行距离的计算;
第二阶段为定位,在三边测量定位算法基础上,采用质心算法优化定位模型,根据三圆之间的相交关系不同,以多边形的质心近似作为待测点的坐标,提高定位算法的适应性。
6.权利要求1至5中任一所述的城市轨道交通网络乘客出行时空轨迹估计方法在社会公共事务中的应用。
7.权利要求6所述的应用,其特征在于:将所述方法用于收集有关客流特征的信息、监控大型场所的客流聚集情况,为社会公共事务的组织及运营提供保障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611025177.2A CN106529815A (zh) | 2016-11-15 | 2016-11-15 | 城市轨道交通网络乘客出行时空轨迹估计方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611025177.2A CN106529815A (zh) | 2016-11-15 | 2016-11-15 | 城市轨道交通网络乘客出行时空轨迹估计方法及其应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106529815A true CN106529815A (zh) | 2017-03-22 |
Family
ID=58353039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611025177.2A Pending CN106529815A (zh) | 2016-11-15 | 2016-11-15 | 城市轨道交通网络乘客出行时空轨迹估计方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106529815A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220920A (zh) * | 2017-04-28 | 2017-09-29 | 同济大学 | 一种基于Wi‑Fi信令数据的城市轨道交通动态限流方法 |
CN108876064A (zh) * | 2018-08-23 | 2018-11-23 | 北京交通大学 | 基于客流量的城市轨道交通网络关键车站识别方法 |
WO2019006732A1 (zh) * | 2017-07-06 | 2019-01-10 | 华为技术有限公司 | 一种信息推荐方法及装置 |
CN109272583A (zh) * | 2018-08-17 | 2019-01-25 | 深圳市永达电子信息股份有限公司 | 一种自动售票检票方法和系统 |
CN110942198A (zh) * | 2019-11-27 | 2020-03-31 | 重庆市交通规划研究院 | 一种用于轨道交通运营的乘客路径识别方法和系统 |
CN110941278A (zh) * | 2019-12-20 | 2020-03-31 | 交控科技股份有限公司 | 一种站内动态安全分析方法 |
CN111071305A (zh) * | 2019-12-06 | 2020-04-28 | 北京交通运输职业学院 | 城市轨道交通列车停站时间智能估算方法及装置 |
CN111584091A (zh) * | 2020-04-29 | 2020-08-25 | 北京交通大学 | 一种城轨线路级密切接触者交叉感染风险辨识方法和装置 |
CN111858806A (zh) * | 2020-07-09 | 2020-10-30 | 武汉译码当先科技有限公司 | 乘客出行轨迹检测方法、装置、设备及存储介质 |
CN112268563A (zh) * | 2020-10-23 | 2021-01-26 | 重庆越致科技有限公司 | 一种行人乘坐轨道交通状态及轨迹的检测方法和装置 |
CN112268562A (zh) * | 2020-10-23 | 2021-01-26 | 重庆越致科技有限公司 | 一种基于行人自动轨迹导航的融合数据处理系统 |
CN112287837A (zh) * | 2020-10-29 | 2021-01-29 | 北京交通大学 | 基于数据驱动的城市轨道交通车站突发大客流预警方法 |
CN112312345A (zh) * | 2020-10-30 | 2021-02-02 | 上海市信产通信服务有限公司 | 基于容器云平台和大数据提升轨道交通运营能力的方法 |
CN112347864A (zh) * | 2020-10-21 | 2021-02-09 | 北京市地铁运营有限公司地铁运营技术研发中心 | 轨道交通客流感知及诱导方法、装置、设备和系统 |
CN112738718A (zh) * | 2021-03-29 | 2021-04-30 | 江苏云松智汇机电科技有限公司 | 一种基于lsa的时空大数据轨迹匹配方法 |
CN112966324A (zh) * | 2021-02-22 | 2021-06-15 | 北京交通大学 | 一种提升城市轨道交通车站站内拐角设施处行人走行效率的方法 |
CN114648875A (zh) * | 2022-03-21 | 2022-06-21 | 郑州铁路职业技术学院 | 一种基于城市轨道交通出行大数据的客流特征分析系统 |
CN115580830A (zh) * | 2022-12-07 | 2023-01-06 | 成都智元汇信息技术股份有限公司 | 一种基于ap探针多点定位的乘客违规路径检测方法及装置 |
CN116534086A (zh) * | 2023-06-08 | 2023-08-04 | 深圳市海成智联科技有限公司 | 一种轨交系统的车辆定位追踪和行驶事件判断方法及系统 |
CN117290618A (zh) * | 2023-11-27 | 2023-12-26 | 江西鹭鹭行科技有限公司 | 城市、城际轨道交通的时空伴随人群搜寻方法及系统 |
CN117494934A (zh) * | 2023-10-12 | 2024-02-02 | 北京交通大学 | 轨道交通车站混合交织客流实时解析方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140058772A1 (en) * | 2012-08-22 | 2014-02-27 | James Moskos | System and method for conducting an electronic auction for available cargo capacity on a cargo carrier |
CN105608505A (zh) * | 2015-12-22 | 2016-05-25 | 重庆邮电大学 | 一种基于手机信令数据的居民轨道交通出行方式识别方法 |
-
2016
- 2016-11-15 CN CN201611025177.2A patent/CN106529815A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140058772A1 (en) * | 2012-08-22 | 2014-02-27 | James Moskos | System and method for conducting an electronic auction for available cargo capacity on a cargo carrier |
CN105608505A (zh) * | 2015-12-22 | 2016-05-25 | 重庆邮电大学 | 一种基于手机信令数据的居民轨道交通出行方式识别方法 |
Non-Patent Citations (5)
Title |
---|
NOBUO KAWAGUCHI, ET. AL: "Underground Position: Subway Information System using WiFi Location Technology", 《2009 TENTH INTERNATIONAL CONFERENCE ON MOBILE DATA MANAGEMENT: SYSTEMS, SERVICES AND MIDDLEWARE》 * |
刘运杰等: "《基于RSSI的无线传感器网络修正加权质心定位算法》", 《传感技术学报》 * |
林玮等: "《基于RSSI的无线传感器网络三角形质心定位算法》", 《现代电子技术》 * |
邓中亮: "《室内外无线定位与导航》", 31 December 2013 * |
高雷等: "《无线传感器网络中一种基于三边测量法和质心算法的节点定位算法》", 《重庆工学院学报(自然科学)》 * |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220920B (zh) * | 2017-04-28 | 2020-08-18 | 同济大学 | 一种基于Wi-Fi信令数据的城市轨道交通动态限流方法 |
CN107220920A (zh) * | 2017-04-28 | 2017-09-29 | 同济大学 | 一种基于Wi‑Fi信令数据的城市轨道交通动态限流方法 |
WO2019006732A1 (zh) * | 2017-07-06 | 2019-01-10 | 华为技术有限公司 | 一种信息推荐方法及装置 |
CN109272583A (zh) * | 2018-08-17 | 2019-01-25 | 深圳市永达电子信息股份有限公司 | 一种自动售票检票方法和系统 |
CN109272583B (zh) * | 2018-08-17 | 2021-11-30 | 深圳市永达电子信息股份有限公司 | 一种自动售票检票方法和系统 |
CN108876064A (zh) * | 2018-08-23 | 2018-11-23 | 北京交通大学 | 基于客流量的城市轨道交通网络关键车站识别方法 |
CN108876064B (zh) * | 2018-08-23 | 2022-03-18 | 北京交通大学 | 基于客流量的城市轨道交通网络关键车站识别方法 |
CN110942198B (zh) * | 2019-11-27 | 2024-02-27 | 重庆市交通规划研究院 | 一种用于轨道交通运营的乘客路径识别方法和系统 |
CN110942198A (zh) * | 2019-11-27 | 2020-03-31 | 重庆市交通规划研究院 | 一种用于轨道交通运营的乘客路径识别方法和系统 |
CN111071305A (zh) * | 2019-12-06 | 2020-04-28 | 北京交通运输职业学院 | 城市轨道交通列车停站时间智能估算方法及装置 |
CN111071305B (zh) * | 2019-12-06 | 2021-12-31 | 北京交通运输职业学院 | 城市轨道交通列车停站时间智能估算方法及装置 |
CN110941278B (zh) * | 2019-12-20 | 2023-05-23 | 交控科技股份有限公司 | 一种站内动态安全分析方法 |
CN110941278A (zh) * | 2019-12-20 | 2020-03-31 | 交控科技股份有限公司 | 一种站内动态安全分析方法 |
CN111584091B (zh) * | 2020-04-29 | 2023-10-24 | 北京交通大学 | 一种城轨线路级密切接触者交叉感染风险辨识方法和装置 |
CN111584091A (zh) * | 2020-04-29 | 2020-08-25 | 北京交通大学 | 一种城轨线路级密切接触者交叉感染风险辨识方法和装置 |
CN111858806A (zh) * | 2020-07-09 | 2020-10-30 | 武汉译码当先科技有限公司 | 乘客出行轨迹检测方法、装置、设备及存储介质 |
CN112347864A (zh) * | 2020-10-21 | 2021-02-09 | 北京市地铁运营有限公司地铁运营技术研发中心 | 轨道交通客流感知及诱导方法、装置、设备和系统 |
CN112268562A (zh) * | 2020-10-23 | 2021-01-26 | 重庆越致科技有限公司 | 一种基于行人自动轨迹导航的融合数据处理系统 |
CN112268563A (zh) * | 2020-10-23 | 2021-01-26 | 重庆越致科技有限公司 | 一种行人乘坐轨道交通状态及轨迹的检测方法和装置 |
CN112268563B (zh) * | 2020-10-23 | 2022-03-04 | 重庆越致科技有限公司 | 一种行人乘坐轨道交通状态及轨迹的检测方法和装置 |
CN112287837B (zh) * | 2020-10-29 | 2021-08-17 | 北京交通大学 | 基于数据驱动的城市轨道交通车站突发大客流预警方法 |
CN112287837A (zh) * | 2020-10-29 | 2021-01-29 | 北京交通大学 | 基于数据驱动的城市轨道交通车站突发大客流预警方法 |
CN112312345A (zh) * | 2020-10-30 | 2021-02-02 | 上海市信产通信服务有限公司 | 基于容器云平台和大数据提升轨道交通运营能力的方法 |
CN112966324A (zh) * | 2021-02-22 | 2021-06-15 | 北京交通大学 | 一种提升城市轨道交通车站站内拐角设施处行人走行效率的方法 |
CN112966324B (zh) * | 2021-02-22 | 2023-11-07 | 北京交通大学 | 提升城市轨道交通车站拐角设施处行人走行效率的方法 |
CN112738718A (zh) * | 2021-03-29 | 2021-04-30 | 江苏云松智汇机电科技有限公司 | 一种基于lsa的时空大数据轨迹匹配方法 |
CN112738718B (zh) * | 2021-03-29 | 2021-07-06 | 江苏云松智汇机电科技有限公司 | 一种基于lsa的时空大数据轨迹匹配方法 |
CN114648875A (zh) * | 2022-03-21 | 2022-06-21 | 郑州铁路职业技术学院 | 一种基于城市轨道交通出行大数据的客流特征分析系统 |
CN115580830A (zh) * | 2022-12-07 | 2023-01-06 | 成都智元汇信息技术股份有限公司 | 一种基于ap探针多点定位的乘客违规路径检测方法及装置 |
CN115580830B (zh) * | 2022-12-07 | 2023-03-10 | 成都智元汇信息技术股份有限公司 | 一种基于ap探针多点定位的乘客违规路径检测方法及装置 |
CN116534086A (zh) * | 2023-06-08 | 2023-08-04 | 深圳市海成智联科技有限公司 | 一种轨交系统的车辆定位追踪和行驶事件判断方法及系统 |
CN116534086B (zh) * | 2023-06-08 | 2024-05-31 | 深圳市海成智联科技有限公司 | 一种轨交系统的车辆定位追踪和行驶事件判断方法及系统 |
CN117494934A (zh) * | 2023-10-12 | 2024-02-02 | 北京交通大学 | 轨道交通车站混合交织客流实时解析方法和系统 |
CN117494934B (zh) * | 2023-10-12 | 2024-06-11 | 北京交通大学 | 轨道交通车站混合交织客流实时解析方法和系统 |
CN117290618A (zh) * | 2023-11-27 | 2023-12-26 | 江西鹭鹭行科技有限公司 | 城市、城际轨道交通的时空伴随人群搜寻方法及系统 |
CN117290618B (zh) * | 2023-11-27 | 2024-03-01 | 江西鹭鹭行科技有限公司 | 城市、城际轨道交通的时空伴随人群搜寻方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529815A (zh) | 城市轨道交通网络乘客出行时空轨迹估计方法及其应用 | |
CN110111574B (zh) | 一种基于流量树分析的城市交通不平衡评价方法 | |
CN106814345B (zh) | 易于数据采集和高精度的室内定位方法 | |
CN101976500A (zh) | 交通网络分析方法及系统 | |
Leontiadis et al. | From cells to streets: Estimating mobile paths with cellular-side data | |
CN103428275B (zh) | 基于wsn的室内移动目标行动路线追踪方法 | |
CN108109423B (zh) | 基于WiFi室内定位的地下停车场智能导航方法及系统 | |
CN102708698B (zh) | 基于车联网的车辆最优路径导航方法 | |
CN106157689A (zh) | 一种停车场动态车位管理系统 | |
US8576063B2 (en) | System and method for tracking position of moving object | |
CN106710293A (zh) | 地下停车场车辆动态智能引导方法 | |
CN104076327B (zh) | 基于搜索空间缩减的连续定位方法 | |
Lin et al. | Study on the topology and dynamics of the rail transit network based on automatic fare collection data | |
JP2013210870A (ja) | 動線情報計測システムおよび方法、並びに情報処理装置 | |
CN105096584A (zh) | 一种交通决策支持方法、装置及系统 | |
CN107270914A (zh) | 基于主干道的室内路径规划方法 | |
Eldeeb et al. | Optimal placement of access points for indoor positioning using a genetic algorithm | |
CN104913782A (zh) | 一种基于采集与定位的室内外联合导航方法与系统 | |
Li et al. | Estimating crowd flow and crowd density from cellular data for mass rapid transit | |
CN114723480A (zh) | 一种针对乡村旅游的客流量预测方法及货物调度系统 | |
CN109862535A (zh) | 基于模拟退火粒子群算法的路边单元非全覆盖优化部署方法 | |
CN104101861B (zh) | 测距定位方法及系统 | |
CN105960011B (zh) | 基于传感网和贝叶斯方法的室内目标定位方法 | |
Yang et al. | Arterial link travel time estimation considering traffic signal delays using cellular handoff data | |
CN102143580A (zh) | 一种基于轮状图的无线网络终端的定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170322 |