CN106779194A - 一种城市轨道交通站台乘客的分布预测方法 - Google Patents

Abstract

本发明公开一种城市轨道交通站台乘客的分布预测方法，所述方法包括：S1：统计城市轨道交通站台各候车区域内乘客分布的历史数据；S2：构建乘客选择候车区域的总预期花费模型，基于总花费最小原则和所述历史数据，对所述总预期花费模型进行校验得到乘客候车区域选择模型；S3：采用所述乘客候车区域选择模型预测时刻各候车区域内乘客的分布，本发明通过建立乘客候车区域选择模型，充分考虑乘客属性和选择候车区域的随机性，能够有效地预测站台乘客的分布，实现客流的监管调整，并为站台基础设施布局的优化提供参考。

Description

一种城市轨道交通站台乘客的分布预测方法

技术领域

本发明涉及城市轨道交通站台乘客分布的预测领域。更具体地，涉及一种城市轨道交通站台乘客的分布预测方法。

背景技术

随着城市轨道交通的发展，地面交通的压力和空气污染问题得到不断缓解，同时城市土地资源的利用率也不断提高。但随之而来的是地铁站台复杂的物理结构带来的客流问题，尤其是在高峰时期产生的复杂客流问题。乘客的动态特性不仅与自身的物理特性有关，同时与自身的行为习惯相关。在过去的几十年里，物理学、心理学、计算机科学等领域的研究人员对乘客动力学越来越感兴趣，因此，许多有效的关于乘客运动的宏观和微观研究方法被提出。

作为轨道交通重要组成部分的站台通常会存在相对庞大而复杂的客流。乘客在地铁站台上的行为包括行走、候车区域选择、等待列车、上下车等，由于乘客的行为习惯具有很强的随机特性，实际的乘客候车区域选择行为很难被模拟。当前，现场数据的采集以及实际的调查工作等十分耗费人力、物力和时间成本，因此，建立一套比较完整的描述乘客候车区域选择行为的理论方法用以预测站台乘客分布的问题往往比较困难。

由于乘客的候车区域选择行为将直接导致站台上乘客分布的不同以及影响车厢内乘客的拥挤度，因此，对这方面的研究是非常重要的一项工作。站台乘客分布的预测情况能够使工作人员及时监管客流并人为干扰站台乘客的分布，同时也为站台设施的布局提供参考。

因此，需要提供一种城市轨道交通站台乘客的分布预测方法，以满足实际客流分布预测的需求。

发明内容

本发明要解决的一个技术问题是提供一种城市轨道交通站台乘客的分布预测方法，充分考虑乘客属性、客流情况以及站台物理特性等因素的影响，有效地预测站台乘客的分布，实现站台客流的监管和调整。

为解决上述技术问题，本发明采用下述技术方案：

本发明公开了一种城市轨道交通站台乘客的分布预测方法，其特征在于，所述方法包括：

S1：统计城市轨道交通站台各候车区域内乘客分布的历史数据；

S2：构建乘客选择各候车区域的总预期花费模型，基于总花费最小原则和所述历史数据，对所述总预期花费模型进行校验得到乘客候车区域选择模型；

S3：采用所述乘客候车区域选择模型预测各候车区域内乘客的分布。

优选的，所述历史数据包括乘客属性、下车乘客的数量、通知列车到达前乘客的数量、列车打开车门前增加的乘客数量和未上车的乘客数量。

优选的，所述乘客属性包括乘客年龄、各年龄段乘客人数占总乘客人数的比例和各年龄段乘客人数的体重、身体半径、期望行走速度和反应时间。

优选的，所述S2包括：

S21：计算乘客选择各候车区域分别产生的总预期花费模型；

S22：根据总花费最小原则，得到最佳候车区域；

S23：根据所述历史数据校验所述最佳候车区域的总预期花费模型中的敏感参数，得到乘客候车区域选择模型。

优选的，所述最佳候车区域为

w^*＝argminC^iw,w＝1,2,3,...,n-1,n

其中，argmin()为取最小值函数，C^iw为乘客到候车区域i的总预期花费模型，n为候车区域的总数。

优选的，所述总预期花费模型为乘客到各候车区域所产生的预期花费模型、各候车区域内的乘客数量所产生的预期花费模型、乘客与各候车区域构成的三角区内的乘客密度所产生的预期花费模型和影响乘客候车区域选择的不确定因素带来的预期花费之和。

优选的，所述乘客到各候车区域所产生的预期花费模型为

其中，d^iw(t,x,y)为t时刻乘客i从当前位置(x，y)到候车区域w的距离，β₁为敏感正系数，α₁为惯性正参数，μ(t,x,y)为乘客选择到候车区域w过程中受到周围乘客密度影响的程度；

所述α₁为

其中，dwell(t)＝1表示列车此时停在站内，dwell(t)＝0表示列车此时未停在站内，luggage(t)＝1表示乘客携带大件行李，luggage(t)＝0表示乘客未携带大件行李，和是正参数；

所述μ(t,x,y)为

其中，ρ(t,x,y)代表周围乘客的密度，ρ₀为临界密度，χ为正参数。

优选的，所述各候车区域内的乘客数量所产生的预期花费模型为

其中，L^w为候车区域w的物理长度，β₂为敏感正系数，α₂为惯性正参数，和分别代表在列车停站阶段和未停站阶段候车区域w被乘客占用长度，dwell(t)＝1表示列车此时停在站内，dwell(t)＝0表示列车此时未停在站内。

优选的，所述乘客与各候车区域构成的三角区内的乘客密度所产生的预期花费模型为

其中，ρ^iw(t,x,y)为乘客到各候车区域所构成的三角区内乘客密度，β₃为敏感正系数，α₃为惯性正参数。

优选的，所述S3中根据所述乘客候车区域选择模型，基于社会力模型预测未来各候车区域内乘客的分布，所述社会力模型为

其中，m_i为乘客i的质量，为乘客i的运动速度，为乘客i的自身驱动力，为乘客i与周围乘客j间的作用力，f_iw为乘客i与障碍物w间的作用力。

本发明的有益效果如下：

本发明所述技术方案考虑到乘客距离候车区域的距离、视野域内乘客的密度、乘客排队的长度等影响因素，基于采集的历史数据和视频，建立了一种城市轨道交通站台乘客的分布预测方法，可以再现乘客候车区域选择过程中的行为习惯和聚集特性，有效地预测站台乘客的分布，实现客流的监管调整，并为站台乘客分布的调整和基础设施布局的优化提供依据，具有很强的创新性、实用性和科研价值。

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示出本发明公开的一种城市轨道交通站台乘客的分布预测方法的流程图。

图2示出本发明实施例中乘客分布的历史数据的示意图。

图3示出本发明实施例中对乘客候车区域选择模型进行校验的示意图。

图4示出本发明实施例中对乘客候车区域选择模型进行准确率验证的示意图。

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。

如图1所示，本发明公开了一种城市轨道交通站台乘客的分布预测方法，所述方法包括：

S1：统计城市轨道交通站台各候车区域内乘客分布的历史数据。所述历史数据可包括人工采集的站台历史数据和视频资料，优选的，所述历史数据可包括乘客属性、下车乘客的数量、列车到达前乘客的数量、列车打开车门前增加的乘客数量和列车关门时由于某些原因未上车的乘客数量等类型。其中，所述乘客属性可包括乘客年龄、各年龄段乘客人数占总乘客人数的比例和各年龄段乘客人数的体重、身体半径、期望行走速度和反应时间等。

S2：构建乘客选择候车区域的总预期花费模型，基于总花费最小原则和所述历史数据，对所述总预期花费模型进行校验得到乘客候车区域选择模型。

S21：计算乘客选择各候车区域分别产生的总预期花费模型。所述总预期花费模型优选为乘客到各候车区域所产生的预期花费模型、各候车区域内的乘客数量所产生的预期花费模型和乘客与各候车区域构成的三角区内的乘客密度所产生的预期花费模型之和。

其中，所述乘客到各候车区域所产生的预期花费模型为

其中，d^iw(t,x,y)为t时刻乘客i从当前位置(x，y)到候车区域w的距离，β₁为敏感正系数，用于缩放α₁为惯性正参数，α₁受乘客的到达候车区域w的时间以及是否携带大件行李的影响，μ(t,x,y)为乘客选择到候车区域w过程中受到周围乘客密度影响的程度；

所述α₁为

其中，dwell(t)＝1表示列车此时停在站内，dwell(t)＝0表示列车此时未停在站内，luggage(t)＝1表示乘客携带大件行李，luggage(t)＝0表示乘客未携带大件行李，和是正参数；

所述μ(t,x,y)为

其中，ρ(t,x,y)代表周围乘客的密度，，ρ₀为临界密度，临界密度ρ₀可根据车站的服务水平而设定，χ为正参数。优选的，ρ₀＝1.43人/m²，正参数χ∈[0,1]。

所述各候车区域内的乘客数量所产生的预期花费模型为

其中，L^w为候车区域w的物理长度，由站台的物理结构决定，β₂为敏感正系数，用于缩放α₂为惯性正参数，决定了候车区域剩余空间的吸引能力，和分别代表在列车停站阶段和未停站阶段候车区域w被乘客占用长度，dwell(t)＝1表示列车此时停在站内，dwell(t)＝0表示列车此时未停在站内；

所述和可为

其中，n^w(t)代表各候车区域内实际的乘客数量。

所述乘客与各候车区域构成的三角区内的乘客密度所产生的预期花费模型为

其中，ρ^iw(t,x,y)为乘客到各候车区域所构成的三角区内乘客密度，β₃为敏感正系数，用于缩放α₃为惯性正参数。

因此，所述总预期花费模型为

其中，ξ为影响乘客候车区域选择行为的不确定因素带来的预期花费。

S22：根据总花费最小原则，得到最佳候车区域为

w^*＝argmin(C^iw),w＝1,2,3,...,n-1,n

其中，n为候车区域的总数，argmin()为取最小值函数。

S23：根据所述历史数据求解所述总预期花费模型中的未知参数，得到乘客候车区域选择模型。

S3：采用所述乘客候车区域选择模型预测时刻各候车区域内乘客的分布。根据所述乘客候车区域选择模型，基于社会力模型预测未来各候车区域内乘客的分布，所述社会力模型为

其中，m_i为乘客i的质量，为乘客i的运动速度，为乘客i的自身驱动力，为乘客i与周围乘客j间的作用力，f_iw为乘客i与障碍物w间的作用力。

行人最佳候车区域w^*的确定直接决定了社会力模型中行人的期望方向。根据本文中提出的乘客候车区域选择模型计算最佳候车区域w^*，判断是否改变目标候车区域；若行人保持之前的选择，则根据社会力模型更新行人的运动，且保持之前的期望方向；否则，根据更新后的候车区域改变行人的期望方向，并利用社会力模型更新行人的运动。一旦行人到达候车区域，则相应候车区域内的行人数加1。同时，设置乘客数量的阈值，将计算获得的未来时刻的各候车区域内乘客的分布与预设阈值比对，若超出阈值，则向工作人员报警，并对下一时刻的进站客流量进行监管调整，人为干扰站台乘客的分布，若未超出阈值，则继续采用本发明的乘客分布预测方法对未来时刻的各候车区域内乘客分布进行预测。

下面通过一个具体实施例来对本发明作进一步的说明，针对北京宣武门站4号线站台乘客分布预测进行仿真验证。首先，通过采集历史数据，获得乘客基本属性，如表1所示，

表1 乘客基本属性

乘客种类	中青年(男)	中青年(女)	儿童	老年人
					年龄	18≤年龄<60	18≤年龄<60	年龄<18	年龄≥60
比例(％)	47.5	48	3.1	1.4
					体重(kg)	66±15	57±15	30±15	65±15
身体半径(m)	0.270±0.020	0.240±0.020	0.210±0.015	0.250±0.020
					期望速度(m/s)	1.35±0.20	1.15±0.20	0.90±0.30	0.80±0.30
反应时间(s)	1±0.20	1±0.20	1±0.20	1±0.20

根据人工统计结果和列车时刻表在18:30到19:00期间，开往安河桥北方向的列车发车间隔是180s。其中，人工统计的各站台客流情况如图2所示，每个站台从上到下三个柱形数据统计分别为每个站台下车的乘客数量、列车打开车门前增加的乘客数量和被通知列车到达前乘客数量。通常，每辆列车的停站时间在30s到45s之间波动，乘客在列车到达之前可以通过站台广播或显示器获知列车即将到达等信息。假设乘客可以提前10s获知列车即将到达的信息。在仿真实验中，一个时间周期内，安河桥北方向的总候车人数为56，总的下车人数为153人，这与实际调研结果的平均值保持一致。其中，从左侧楼/扶梯进入站台的乘客数为30，而从右侧楼/扶梯进入站台的乘客数为26。

在所述候车区域选择模型中，α₂，α₃，β₁，β₂，β₃和χ是待校验的敏感参数，其值的大小与乘客选择某个候车区域的概率是息息相关的。通过进行大量仿真实验研究上述敏感参数的大小所带来的影响，同时结合仿真实验中站台上乘客的运动特性和实际观察到的特性，以及考虑上述参数设定的其他条件，设定约束条件，例如应该比大，从而表明当列车即将到达时或当乘客携带大件行李时，乘客将更愿意选择一个较近的候车区域，基于实际调研数据来确定。为了调整不同因素的影响程度，将记录每次仿真实验中和的幅值。考虑到上述所有的条件，根据实际调研数据求解得到满足实际情况的总预期花费的敏感参数如下：α₂＝8，α₃＝1，β₁＝110，β₂＝2.1，β₃＝100和χ＝0.5。

基于上述敏感参数，在每个时间周期内，列车车门打开之前各候车区域内乘客数量的实际统计结果的箱图以及星号标注的某一次随机仿真实验的结果如图3所示。其中，箱内的横线代表的是各候车区域内采集到的乘客实际数量的中位数；底部和顶部的边缘框分别代表所有采集到的数据有25％的数据值低于该底部边缘框所代表的数值，且有25％的数据值高于顶部边缘框所代表的数值。此外，虚线向两边分别延伸到所采集数据的最大值和最小值，且不考虑异常值。异常值分别由十字标志绘出。从图3中可观察到仿真实验的结果均在箱内，表明了本实施例提供的候车区域选择模型可以在一定程度上反映出站台上乘客的分布情况。

考虑到乘客运动的一些随机特性，针对表2中的不同场景分别进行了20次重复仿真实验。

表2 不同仿真场景设置和实验结果

其中，在场景1、2和3中，从两侧的楼/扶梯进入站台的乘客总数分别是实际调研总数的最小值、平均值和最大值。结果表明大部分仿真结果可以落在实际调研数据的箱内，而异常值仅在极少数的情况下才会产生。考虑到一些随机特性，这样的误差是可以接受的，这进一步反映出所述方法的有效性和可行性。

采用天宫院方向乘客的实际统计结果进行站台乘客分布预测方法的验证。在每次仿真实验中设定的乘客总数与某次实际采样值保持一致，同时，仿真实验中的周期时间也与实际统计结果保持一致。记录每次仿真实验中各候车区域内的乘客数量。如图4所示，24个候车区域内乘客数量的仿真结果与实际统计结果的绝对误差的平均值E和标准差用来验证所述方法的有效性。采用t检验来评估所述方法是否可实现站台乘客分布的预测。在置信水平为95％的情况下，统计观测值0.7317小于检测统计值1.7613，因此，t检验的结果验证了E＝2.5的假设，如图4所示。不可避免地，各候车区域内的乘客数量的仿真实验结果与实际统计结果间会存在差异，一个原因可能是乘客选择行为的随机性，每次实际统计的结果也会存在一定人工误差；另一个原因可能是站台上乘客的分布与进站的客流是从哪侧楼/扶梯进入以及进入站台时间息息相关。

综上所述，本发明公开的一种城市轨道交通站台乘客的分布预测方法以列车站台的实际历史数据为基础，在充分考虑列车属性、客流密度和站台物理特性的情况下建立乘客选择候车区域的总预期花费模型，并依据总花费最小原则和实际的历史数据对所述总预期花费模型进行校验，得到可用于预测候车区域中乘客分布的乘客候车区域选择模型，并设置候车人数阈值，实时动态监测站台候车乘车的分布状态，为站台发生突发事件或客流异常情况下候车乘客分布变化发出预警，为站台客流引导和调整具有指导意义，防止乘客滞留等异常情况发生，影响城市轨道交通的正常运营。

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站台乘客的分布预测方法，其特征在于，所述方法包括：

S1：统计城市轨道交通站台各候车区域内乘客分布的历史数据；

S2：构建乘客选择各候车区域的总预期花费模型，基于总花费最小原则和所述历史数据，对所述总预期花费模型进行校验得到乘客候车区域选择模型；

S3：采用所述乘客候车区域选择模型预测各候车区域内乘客的分布。

2.根据权利要求1所述的预测方法，其特征在于，所述历史数据包括乘客属性、下车乘客的数量、通知列车到达前乘客的数量、列车打开车门前增加的乘客数量和未上车的乘客数量。

3.根据权利要求2所述的预测方法，其特征在于，所述乘客属性包括乘客年龄、各年龄段乘客人数占总乘客人数的比例和各年龄段乘客人数的体重、身体半径、期望行走速度和反应时间。

4.根据权利要求1所述的预测方法，其特征在于，所述S2包括：

S21：计算乘客选择各候车区域分别产生的总预期花费模型；

S22：根据总花费最小原则，得到最佳候车区域；

S23：根据所述历史数据校验所述最佳候车区域的总预期花费模型中的敏感参数，得到乘客候车区域选择模型。

5.根据权利要求4所述的预测方法，其特征在于，所述最佳候车区域为w^*＝argmin C^iw,w＝1,2,3,...,n-1,n

其中，argmin()为取最小值函数，C^iw为乘客到候车区域i的总预期花费模型，n为候车区域的总数。

6.根据权利要求1所述的预测方法，其特征在于，所述总预期花费模型为乘客到各候车区域所产生的预期花费模型、各候车区域内的乘客数量所产生的预期花费模型、乘客与各候车区域构成的三角区内的乘客密度所产生的预期花费模型和影响乘客候车区域选择的不确定因素带来的预期花费之和。

7.根据权利要求6所述的预测方法，其特征在于，所述乘客到各候车区域所产生的预期花费模型为

$C_1^{iw}(t,x,y)=\exp \left(\frac{\mathrm{\μ}(t,x,y)\·d^{iw}(t,x,y)}{{\mathrm{\β}}_1}+{\mathrm{\α}}_1\right)$

其中，d^iw(t,x,y)为t时刻乘客i从当前位置(x，y)到候车区域w的距离，β₁为敏感正系数，α₁为惯性正参数，μ(t,x,y)为乘客选择到候车区域w过程中受到周围乘客密度影响的程度；

所述α₁为

${\mathrm{\α}}_1=\left\{\begin{array}{ccc}{\mathrm{\α}}_1^1& dwell\left(t\right)=1& luggage\left(t\right)=1\\ {\mathrm{\α}}_1^2& dwell\left(t\right)=0& luggage\left(t\right)=0\end{array}\right.$

其中，dwell(t)＝1表示列车此时停在站内，dwell(t)＝0表示列车此时未停在站内，luggage(t)＝1表示乘客携带大件行李，luggage(t)＝0表示乘客未携带大件行李，和是正参数；

所述μ(t,x,y)为

$\mathrm{\&mu;}(t,x,y)=\left\{\begin{array}{cc}1& \mathrm{\&rho;}(t,x,y)<{\mathrm{\&rho;}}_0\\ \mathrm{\&chi;}\&CenterDot;\frac{{\mathrm{\&rho;}}_0}{\mathrm{\&rho;}(t,x,y)}& \mathrm{\&rho;}(t,x,y)>{\mathrm{\&rho;}}_0\end{array}\right.$

其中，ρ(t,x,y)代表周围乘客的密度，ρ₀为临界密度，χ为正参数。

8.根据权利要求6所述的预测方法，其特征在于，所述各候车区域内的乘客数量所产生的预期花费模型为

$C_2^{iw}(t,x,y)=\left\{\begin{array}{cc}{\mathrm{\&beta;}}_2{L}_{after}^w\left(t\right)+{\mathrm{\&alpha;}}_2\frac{1}{L^w-L_{after}^w\left(t\right)}& dwell\left(t\right)=1\\ {\mathrm{\&beta;}}_2{L}_{before}^w\left(t\right)+{\mathrm{\&alpha;}}_2\frac{1}{L^w-L_{before}^w\left(t\right)}& dwell\left(t\right)=0\end{array}\right.$

其中，L^w为候车区域w的物理长度，β₂为敏感正系数，α₂为惯性正参数，和分别代表在列车停站阶段和未停站阶段候车区域w被乘客占用长度，dwell(t)＝1表示列车此时停在站内，dwell(t)＝0表示列车此时未停在站内。

9.根据权利要求6所述的预测方法，其特征在于，所述乘客与各候车区域构成的三角区内的乘客密度所产生的预期花费模型为

$C_3^{iw}(t,x,y)=\exp \left(\frac{{\mathrm{\&rho;}}^{iw}(t,x,y)}{{\mathrm{\&beta;}}_3}+{\mathrm{\&alpha;}}_3\right)$

其中，ρ^iw(t,x,y)为乘客到各候车区域所构成的三角区内乘客密度，β₃为敏感正系数，α₃为惯性正参数。

10.根据权利要求1所述的预测方法，其特征在于，所述S3中根据所述乘客候车区域选择模型，基于社会力模型预测未来各候车区域内乘客的分布，所述社会力模型为

$m_i\frac{d{\stackrel{\&RightArrow;}{v}}_i}{dt}={\stackrel{\&RightArrow;}{f}}_i^0+\underset{j(\&NotEqual;i)}{\&Sigma;}{\stackrel{\&RightArrow;}{f}}_{ij}+\underset{w}{\&Sigma;}{\stackrel{\&RightArrow;}{f}}_{iw}$

其中，m_i为乘客i的质量，为乘客i的运动速度，为乘客i的自身驱动力，为乘客i与周围乘客j间的作用力，f_iw为乘客i与障碍物w间的作用力。