CN107360590A

CN107360590A - 轨道车站局部拥堵点客流状态判定方法

Info

Publication number: CN107360590A
Application number: CN201710514303.9A
Authority: CN
Inventors: 劳超勇; 胡华; 刘志钢
Original assignee: Shanghai University of Engineering Science
Current assignee: Shanghai University of Engineering Science
Priority date: 2017-06-29
Filing date: 2017-06-29
Publication date: 2017-11-17

Abstract

本发明提供一种轨道车站局部拥堵点客流状态判定方法，包括步骤：在轨道站内拥堵点位置布设WiFi探针；实时采集探测范围内各无线通信终端的WiFi数据并发送给一服务器；建立指纹识别数据库；利用指纹识别数据库进行站内无线定位并对无线通信终端进行筛选，获得一优化无线通信终端群；建立一人工智能匹配模型；利用人工智能匹配模型处理采集到的优化无线通信终端群的WiFi数据，获得一匹配客流量；根据匹配客流量计算一通行能力利用率；将通行能力利用率与预设分级标准进行比较，获得一客流状态判定结果；将客流状态判定结果输出至一目标终端。本发明的一种轨道车站局部拥堵点客流状态判定方法，具有准确性高和有效性强的优点。

Description

轨道车站局部拥堵点客流状态判定方法

技术领域

本发明涉及轨道交通领域，尤其涉及一种轨道车站局部拥堵点客流状态判定方法。

背景技术

随着社会经济的快速发展和轨道交通线网规模的不断扩展，城市轨道交通客流总量持续增长，特别在早晚通勤高峰时段，客流的极度拥挤，不仅大大降低乘客出行效率和舒适性，还极大地增加了车站内运营安全隐患。

现有轨道交通主要客流监控与管理手段及其缺陷如下：(1)通过轨道交通自动售检票系统即AFC系统，获得各个闸机的进出站的客流量进行客流状态判定，主要缺陷是：AFC数据具有滞后性，AFC检测的数据滞后半小时才能输出到车控室，且AFC数据无法获取乘客在站内的行为时间等参数，因而无法判定在楼扶梯、站台等拥堵点的客流状态；(2)利用车站视频监控进行客流状态判定，存在的缺陷是：人工劳动强度高且缺乏统一的量化判定标准；(3)车站工作人员仅凭据历史工作经验主观判断客流状态，主要缺陷是：过于依赖于人工既有经验，无法保障判定决策的高效性和准确性，且缺乏应对未知经验事件的能力。

发明内容

针对上述现有技术中的不足，本发明提供一种轨道车站局部拥堵点客流状态判定方法，能够有效提高车站局部拥堵点大客流状态判定的准确性与有效性，为车站的运营管理提供决策依据，促进人工管理到自动化管理的转变，具有准确性高和有效性强的优点。

为了实现上述目的，本发明提供一种轨道车站局部拥堵点客流状态判定方法，包括步骤：

S1：在拥堵点布设WiFi探针；

S2：所述WiFi探针实时采集一探测范围内各无线通信终端的WiFi数据并将所述WiFi数据发送给一服务器；

S3：所述服务器根据所述WiFi数据建立一指纹识别数据库；

S4：利用所述指纹识别数据库进行站内无线定位并对所述无线通信终端进行筛选，获得一优化无线通信终端群；

S5：根据所述优化无线通信终端群中所述无线通信终端的数量和所述拥堵点的一实际客流量建立一无线通信终端的数量与实际客流量之间的人工智能匹配模型；

S6：利用所述人工智能匹配模型处理采集到的所述优化无线通信终端群的WiFi数据，获得一匹配客流量；

S7：根据所述匹配客流量计算一通行能力利用率；

S8：将所述通行能力利用率与一预设分级标准进行比较，获得一客流状态判定结果；

S9：将所述客流状态判定结果输出至一目标终端。

优选地，所述拥堵点包括进站闸机区域、出站闸机区域和楼梯入口区域。

优选地，所述WiFi数据包括信号强度信息、MAC地址信息和采集时间信息。

优选地，所述指纹识别数据库包括与各所述无线通信终端对应的所述信号强度信息、所述MAC地址信息和RSSI位置坐标信息。

优选地，所述S4进一步包括步骤：

利用预设的一匹配算法对各所述无线通信终端进行站内无线定位；

判断各所述无线通信终端与所述WiFi探针的距离是否在一预设范围内；

提取在所述预设范围内的所述无线通信终端形成所述优化无线通信终端群。

优选地，所述实际客流量通过在所述拥堵点人工调查获得。

优选地，所述人工智能匹配模型包括一输入层、一隐含层和一输出层，所述输入层用于输入所述无线通信终端的数量，所述隐含层用于利用一激励函数处理所述无线通信终端的数量并获得一匹配客流量；所述输出层用于输出所述匹配客流量；所述激励函数：

其中，x为所述无线通信终端的数量。

优选地，所述通行能力利用率＝匹配客流量/设计通行能力×100％。

本发明由于采用了以上技术方案，使其具有以下有益效果：

1、采用Wi-Fi探针进行轨道车站拥堵点的客流状态判定，从依靠人工经验进行客流的判定转变为数据驱动，实现数据智能化的客流状态判定，有效地提高客流状态的判定精度与准确性；

2、Wi-Fi探针布设灵活，覆盖范围广。在车站内的客流聚集拥堵的地方都能够通过布设设备，实现站内不同地点客流状态的判定。灵活的布设方案使得本发明的可行性强与适用性广，具有很好应用前景。

3、大大降低车站工作人员的劳动强度，车站工作人员只需观察显示屏的数据分析结果则可以知道目前站内的客流状态，降低了以往人工调查或视频观测的工作强度。

4、低投入成本。相比其他设备如红外检测设备、视频监测设备，本发明只需要几台低成本的Wi-Fi探针设备即可。

附图说明

图1为本发明实施例的轨道车站局部拥堵点客流状态判定方法的流程图；

图2为本发明实施例的WiFi探针在站厅层的安装位置的示意图；

图3为本发明实施例的WiFi探针在站台层的安装位置的示意图；

图4为本发明实施例的站内无线定位步骤的原理图；

图5为本发明实施例的利用人工智能匹配模型获得匹配客流量的原理图；

图6为本发明实施例的人工智能匹配模型的结构示意图。

具体实施方式

下面根据附图1～6，给出本发明的较佳实施例，并予以详细描述，使能更好地理解本发明的功能、特点。

请参阅图1～图3，本发明实施例的一种轨道车站局部拥堵点客流状态判定方法，包括步骤：

S1：在拥堵点布设WiFi探针1，使其处于工作状态。

其中，拥堵点包括进站闸机2区域、出站闸机3域和楼梯入口4区域。

车站内局部拥堵点是指在站内某一位置由于需求与供给产生矛盾所引起交通滞留现象的地点区域。在轨道车站内，客流拥堵常常发生在站内通行能力瓶颈处，如楼梯入口4区域、换乘通道、站闸机2区域或出站闸机3域等。实际操作中可根据车站历史客流特征和车站工作人员的经验确定车站客流瓶颈点或拥堵点，然后将WiFi探针1布设在选定拥堵点的合适区域。为了防止乘客的干扰与提高检测的精度，WiFi探针布设在拥堵点的正上方，即车站楼层的拥堵点顶部位置，如进站闸机2区域、出站闸机3域和楼梯入口4区域的正上方。本实施例中，WiFi探针1的检测范围在100m内。

S2：WiFi探针1实时采集一探测范围内各无线通信终端的WiFi数据并将WiFi数据通过局域网发送给一服务器进行数据处理。WiFi数据包括信号强度信息、MAC地址信息和采集时间信息。

S3：服务器根据WiFi数据建立一指纹识别数据库。指纹识别数据库包括与各无线通信终端对应的信号强度信息、MAC地址信息和RSSI位置坐标信息。

S4：利用指纹识别数据库进行站内无线定位并对无线通信终端进行筛选，获得一优化无线通信终端群。

其中，S4进一步包括步骤：

利用预设的一匹配算法对各无线通信终端进行站内无线定位；

判断各无线通信终端与WiFi探针1的距离是否在一预设范围内；

提取在预设范围内的无线通信终端形成优化无线通信终端群。

匹配算法可采用任一现有的基于WiFi信号强度建立指纹识别数据库进行站内无线算法定位的方法，在此不做限制。

现有匹配算法包括K最近邻分类算法、贝叶斯分类方法。通常使用的K最近邻匹配算法，即给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的K个实例，这K个实例的多数属于某个类，就把该输入实例分类到这个类中。实质是计算待测点到RSS向量和数据中记录的RSS向量之间的距离。假设待测区域有n个热点(AP)，m个参考点，则距离表达式为：

其中，q为整数，当q＝1时称为曼哈顿距离，q＝2时称为欧氏距离；L代表向量在空间的距离。ss_i表示待测点接收的RSS观测值，即待测点检测的无线通信终端的信号强度；i代表待测点上检测到的不同AP数；ss_j表示数据库中的记录数；j代表第j条记录中存储的不同AP数。

S5：根据优化无线通信终端群中无线通信终端的数量和拥堵点的一实际客流量建立一无线通信终端的数量与实际客流量之间的人工智能匹配模型。

可分时段统计定位在拥堵点位置处WiFi探针1采集的MAC地址数，获得优化无线通信终端群中无线通信终端的数量。实际客流量通过在拥堵点人工调查获得。

基于WiFi的信号强度建立的指纹数据库定位只能获取局部拥堵点位置被WiFi探针检测的客流量，而实际通过该处的客流量因漏检、误检等原因与实际通过客流量有一定差异，因此需要建立相同时段相同拥堵点的MAC地址数与实际通过客流量之间的自动估计模型。

S6：利用人工智能匹配模型处理采集到的优化无线通信终端群的WiFi数据，获得一匹配客流量。

S7：根据匹配客流量计算一通行能力利用率；其中，通行能力利用率＝匹配客流量/设计通行能力×100％。

S8：将通行能力利用率与一预设分级标准进行比较，获得一客流状态判定结果。本实施例中，预设分级标准可如表1所示，N为通行能力利用率：

表1.利用率评价指标分级标表

S9：将客流状态判定结果输出至一目标终端。

其中，步骤S4中，利用被检测得到的WiFi信号强度建立指纹识别数据库，并进行站内的算法定位，可确定通过局部拥堵点处的客流数据，排除在拥堵点外的客流干扰数据以提高精度。站内无线定位步骤的原理图可参阅图4。

请参阅图5和图6，人工智能匹配模型包括一输入层5、一隐含层6和一输出层7，输入层5用于输入无线通信终端的数量，隐含层6包含学习方式、激励函数和触发阈值三部分组成，其为人工智能算法的学习与训练层，用于利用一激励函数处理无线通信终端的数量并获得一匹配客流量；目前隐含层6主要使用的学习方式包括：梯度训练方法，其根据网络的误差平方和，使用负梯度训练原理自行调节各神经元的数据中心、宽度以及各层神经元之间的权值。输出层7用于输出匹配客流量。激励函数是进行数据训练的函数模型：

其中，x为无线通信终端的数量。

触发阈值是用来激活神经元而设置的一个临界值，达到这个临界值才会触发数据往下一层传输，即如神经细胞一样，需要刺激到一定程度才产生反射。

以多组的输入输出学习样本，经过隐含层6的学习与训练得到估计算法模型。

隐含层6的训练过程为：

第一步：进行激励函数的数据训练；

第二步：使用负梯度训练原理得到能量函数，计算隐含层与输出层之间的权值与阈值调整量，加速训练的速度；

第三步：利用触发阈值进行判断是否触发输出数值，如达到阈值则输出，如没达到则继续训练。

以上结合附图实施例对本发明进行了详细说明，本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本发明的保护范围。

Claims

1.一种轨道车站局部拥堵点客流状态判定方法，包括步骤：

S1：在拥堵点布设WiFi探针；

S3：所述服务器根据所述WiFi数据建立一指纹识别数据库；

S7：根据所述匹配客流量计算一通行能力利用率；

S9：将所述客流状态判定结果输出至一目标终端。

2.根据权利要求1所述的轨道车站局部拥堵点客流状态判定方法，其特征在于，所述拥堵点包括进站闸机区域、出站闸机区域和楼梯入口区域。

3.根据权利要求1所述的轨道车站局部拥堵点客流状态判定方法，其特征在于，所述WiFi数据包括信号强度信息、MAC地址信息和采集时间信息。

4.根据权利要求3所述的轨道车站局部拥堵点客流状态判定方法，其特征在于，所述指纹识别数据库包括与各所述无线通信终端对应的所述信号强度信息、所述MAC地址信息和RSSI位置坐标信息。

5.根据权利要求4所述的轨道车站局部拥堵点客流状态判定方法，其特征在于，所述S4进一步包括步骤：

6.根据权利要求5所述的轨道车站局部拥堵点客流状态判定方法，其特征在于，所述实际客流量通过在所述拥堵点人工调查获得。

7.根据权利要求6所述的轨道车站局部拥堵点客流状态判定方法，其特征在于，所述人工智能匹配模型包括一输入层、一隐含层和一输出层，所述输入层用于输入所述无线通信终端的数量，所述隐含层用于利用一激励函数处理所述无线通信终端的数量并获得一匹配客流量；所述输出层用于输出所述匹配客流量；所述激励函数：

其中，x为所述无线通信终端的数量。

8.根据权利要求7所述的轨道车站局部拥堵点客流状态判定方法，其特征在于，所述通行能力利用率＝匹配客流量/设计通行能力×100％。