CN108537089A

CN108537089A - 人流量估测系统及人流量估测方法

Info

Publication number: CN108537089A
Application number: CN201710116408.9A
Authority: CN
Inventors: 方辉; 贾真; 李克宇; 朱振刚; 李祥宝; 陈玫
Original assignee: Carrier Corp
Current assignee: Carrier Corp
Priority date: 2017-03-01
Filing date: 2017-03-01
Publication date: 2018-09-14
Anticipated expiration: 2037-03-01
Also published as: CN108537089B; US11113516B2; EP3590080A1; WO2018160477A1; US20200074164A1

Abstract

本发明提供一种人流量估测系统及人流量估测方法。该人流量估测系统包括：传感器网络，其包括分别布置在各个待估测区域中及各个待估测区域之间的用于采集数据的多个传感器；模型构建模块，其基于布置在各个待估测区域中和/或布置在各个待估测区域之间的多个传感器来构建水平人流模型及垂直人流模型；以及人流量估测模块，其基于所述水平人流模型及垂直人流模型来估测人流数据。根据本发明的人流量估测系统及人流量估测方法能够实现对三维空间的人流数据进行高精度的估测。

Description

人流量估测系统及人流量估测方法

技术领域

本发明涉及人流量估测领域，更具体而言，其涉及一种人流量估测系统及人流量估测方法。

背景技术

人流量估测系统在多种建筑应用中扮演着关键角色。通常而言，基于传感器融合的方案被广泛研究并用于建筑内的人流量估测。然而，绝大部分当前应用的人流量估测系统及方法仅用于估测水平方向上（例如，针对楼宇内的某层）的人流数据，而很少考虑估测垂直方向上（例如，楼层之间）的人流数据。这使得当前的人流量估测系统在用于多楼层建筑中时仍不够准确。

此外，当前的人流量估测系统通常依赖于单个传感器或传感器组合来实现。其中，基于传感器组合的方案更广泛地被研究并用于具有多个区域或对于整栋建筑的大规模人流估测。然而，当前的传感器融合系统在实践应用中仍不够准确，例如会发生由多个误差累积而导致的错误估测等。如何将非传感器类信息应用于人流量估测系统中，从而估测出精度更高的人流数据，成为亟待解决的技术问题。

发明内容

本发明的目的在于提供一种高精度的立体的人流量估测系统。

本发明的另一目的在于提供一种用于改善人流量估测系统的精度的人流量估测方法。

为实现本发明的目的，根据本发明的一个方面，提供一种人流量估测系统，其包括：传感器网络，其包括分别布置在各个待估测区域中及各个待估测区域之间的用于采集数据的多个传感器；模型构建模块，其基于布置在各个待估测区域中和/或布置在各个待估测区域之间的多个传感器来构建水平人流模型及垂直人流模型；以及人流量估测模块，其基于所述水平人流模型及垂直人流模型来估测人流数据。

为实现本发明的另一目的，根据本发明的另一方面，还提供一种一种人流量估测方法，其包括如前所述的人流量估测系统；所述方法包括：数据采集步骤S100，通过传感器网络采集各个待估测区域中及各个待估测区域之间的数据；模型构建步骤S200，基于各个待估测区域中和/或布置在各个待估测区域之间的数据来构建水平人流模型及垂直人流模型；以及人流量估测步骤S300，基于所述水平人流模型及垂直人流模型来估测人流数据。

附图说明

图1是本发明的人流量估测系统应用于具有多楼层的楼宇的实施例的特定楼层的布局示意图。

图2是本发明的人流量估测系统应用于具有多楼层的楼宇的实施例的在楼层间转移人流的布局示意图。

图3是本发明的人流量估测系统应用于具有多楼层的楼宇的另一个实施例的布局示意图。

图4是本发明的人流量估测系统结合非传感器类辅助信息来共同应用于待估测区域的一个实施例的布局示意图。

具体实施方式

本发明示出了一种人流量估测系统，其包括：传感器网络，其包括分别布置在各个待估测区域中及各个待估测区域之间的用于采集数据的多个传感器；模型构建模块，其基于布置在各个待估测区域中和/或布置在各个待估测区域之间的多个传感器来构建水平人流模型及垂直人流模型；以及人流量估测模块，其基于水平人流模型及垂直人流模型来估测人流数据。本发明提出的一种人流量估测系统通常应用于楼宇内，因此在此所指的待估测区域内的传感器通常用于采集单个楼层内各处的人流数据，而待估测区域之间的传感器通常用于采集各个楼层连通处的人流数据，并利用这些传感器数据来构建能够分别体现各个楼层内人流数据变化的水平人流模型以及体现楼层与楼层之间的人流数据变化的垂直人流模型，且基于此来估测各处的人流数据，由此实现了对人流数据的三维估测，并具有相对很高的估测精度。

可选地，为进一步提高系统的估测精度，还可以结合传感器数据与其他非传感器类数据，共同分析来获得结果。

作为一种实施例，为实现非传感器类数据的采集，该人流量估测系统还包括辅助信息采集模块，其用于分别采集各个待估测区域中的第一辅助信息及各个待估测区域之间的第二辅助信息；其中，第一辅助信息及第二辅助信息用于体现人流数据的变化。获取到的这些辅助信息一方面可直接应用于人流估测的输出结果中；另一方面也可以提供一个人流数据的可能区间，以便协助修正传感器的监测数据。如下将结合示例来进一步说明。

例如，第一辅助信息可以包括各个待估测区域中的水和/或电的用量。更具体而言，水和/或电的用量用于将待估测区域中的人流数据限定在第一数据区间内。此时，人流量估测模块可基于第一数据区间来修正估测的人流数据。也即，根据待估测区域中的水和/或电的用量，可以大致判断出该待估测区域内经验上可能存在第一数据区间内的人流量。此时，若由传感器采集的数据落在此第一数据区间内，则表明该传感器采集的数据可信度较高；而若由传感器采集的数据偏离此第一数据区间，则说明该传感器采集的数据可信度较低，应降低其数据权重，或者基于第一数据区间来调整该数据，或者对相应的传感器进行检修。

又如，第二辅助信息包括待估测区域之间的乘客运输装置的负载变化值。更具体而言，乘客运输装置的负载变化值用于反映发生负载变化的待估测区域中变化的人流数据。此时，人流量估测模块基于乘客运输装置的负载变化值来修正估测的人流数据。例如，还可以在乘客运输装置中布置传感器（如，视频摄像头）来对人流数据进行直接检测。此时，可通过乘客运输装置的负载变化值来获取乘客运输装置的人流数据，也可通过传感器来获取乘客运输装置的人流数据，还可结合两者或通过其中一者来修正另一者，以获取更为准确的乘客运输装置的人流数据。也即，若由传感器采集的数据变化值与该乘客运输装置的负载变化值所可能对应的人流数据变化值相近，则表明该传感器采集的数据可信度较高；而若由传感器采集的数据变化值与该乘客运输装置的负载变化值所可能对应的人流数据变化值偏离较大，则表明该传感器采集的数据可信度较低，应降低其数据权重，或者基于负载变化值来调整该数据，或者对相应的传感器进行检修。

类似地，为进一步提高数据估测精度，还可以通过人工输入数据来协助估测。

例如，传感器网络还包括辅助输入末端，其用于由使用者输入特定待估测区域中的人流数据；模型构建模块基于布置在各个待估测区域中和/或布置在各个待估测区域之间的多个传感器及辅助输入末端来构建水平人流模型及垂直人流模型。在应用中，来自辅助输入末端的数据比来自传感器的数据具有更高的数据权重。此时，可以认定由使用者通过辅助输入末端输入的特定待估测区域中的人流数据具有相当高的可信度，则无论该处的传感器采集数据与其是否相当，均可忽略该数据，而直接应用由使用者输入的人流数据来进行替换参与构建模型。且此时若由传感器采集的数据与使用者输入的人流数据偏离较大，则可以对相应的传感器进行检修。应当知道的是，前述实施例中提及的使用者既有可能是专门设置的工作人员，也有可能是楼宇巡检人员、电梯导引人员等兼职性人员。

此外，在此还对该人流量估测系统中的其他部件做出了更为细致的改善，如下将逐一说明。

例如，估测出的人流数据可包括人流量和/或人流密度等数据，以便在不同的应用情形中给出所需的输出结果。

可选地，水平人流模型及垂直人流模型分别包括人流量状态模型及传感器网络模型。其中，人流量状态模型用于体现各个传感器的布置位置处的人流密度或者进出各个传感器布置位置处的人流量。而传感器网络模型则用于体现传感器网络中各个传感器的监测数据。进一步地，模型构建模块包括：动态传感器融合子模块,其用于基于所述多个传感器的数据来构建传感器网络模型。

可选地，模型构建模块基于卡尔曼滤波（Kalman filter）算法、贝叶斯网络（Bayesian Networks）算法或DS（Dempster Shafer）证据算法来分析人流量状态模型及传感器网络模型。类似地，人流量估测模块也基于卡尔曼滤波算法、贝叶斯网络算法或DS证据算法来估测人流量。前述算法为模型构建与分析领域相对成熟的算法，故在此不再赘述。

可选地，传感器将待估测区域划分成多个待估测子区域；传感器用于检测各个待估测子区域中的人流数据和/或相邻的待估测子区域之间的人流数据。具体而言，对于同一楼层，其内部也存在多个房间或者走廊。因此，也有必要将这些区域划分成若干待估测子区域，并分别估测各处的人流数据及其之间的人流数据变化。

可选地，传感器包括光束传感器和/或PIR（passive infrared sensor）传感器和/或视频摄像头。

可选地，各个待估测区域之间的人流数据变化媒介包括乘客运输装置和/或楼梯。其中，乘客运输装置可以包括升降梯、自动扶梯等多种运输工具。各个待估测区域之间的人流量可以经由这些人流数据变化媒介而发生转移。

为体现前述各方案或可选方案的应用效果，在此将结合前述方案及图1至3来提供一个人流量估测系统的应用实施例，该示例体现出人流量估测系统应用于多楼层建筑中的综合估测。其基于动态人流量状态模型，并通过卡尔曼滤波算法来实时估测待估测区域内的人流量。对于该系统，其人流量状态模型可表示为：

x（t+1）=Ax（t）+w（t）；

y（t）=Cx（t）+v（t）；

再次参见图1，在该示例中，重点关注特定楼层（例如，一楼）的4个待估测子区域区域（也即图中所示的A-D区域。其中，A区域表示图1中间的楼层内与升降梯相邻接的走廊区域；B区域表示图1下侧的休息室；C区域表示图1上侧的楼梯间及货梯间；而D区域则表示该楼层内整个外围区域），这4个区域分别由1个PIR传感器及5个视频摄像头划分而成。且对这些区域的人流量及人数共计定义了14种状态：

x₁：从D区域右侧进入A区域的人的数量；

x₂：从A区域进入D区域右侧的人的数量；

x₃：从A区域进入D区域左侧的人的数量；

x₄：从D区域左侧进入A区域的人的数量；

x₅：从B区域进入D区域左侧的人的数量；

x₆：从D区域左侧进入B区域的人的数量；

x₇：从C区域进入D区域左侧的人的数量；

x₈：从D区域左侧进入C区域的人的数量；

x₉：从A区域进入升降梯的人的数量；

x₁₀：从升降梯进入A区域的人的数量；

x₁₁：A区域内的人的数量；

x₁₂：B区域内的人的数量；

x₁₃：C区域内的人的数量；

x₁₄：D区域内的人的数量；

则用于示例的人流量状态模型为：

x₁（t+1）=a₁x₁₄（t）+w₁（t）；

x₂（t+1）=a₂x₁₁（t）+w₂（t）；

x₃（t+1）=a₃x₁₁（t）+w₃（t）；

x₄（t+1）=a₄x₁₄（t）+w₄（t）；

x₅（t+1）=a₅x₁₂（t）+w₅（t）；

x₆（t+1）=a₆x₁₄（t）+w₆（t）；

x₇（t+1）=a₇x₁₃（t）+w₇（t）；

x₈（t+1）=a₈x₁₄（t）+w₈（t）；

x₉（t+1）=a₉x₁₁（t）+w₉（t）；

x₁₀（t+1）=x₁₀（t）+w₁₀（t）；

x₁₁（t+1）=x₁₁（t）+x₁（t）-x₂（t）-x₃（t）+x₄（t）-x₉（t）+x₁₀（t）+w₁₁（t）；

x₁₂（t+1）=x₁₂（t）-x₅（t）+x₆（t）+w₁₂（t）；

x₁₃（t+1）=x₁₃（t）-x₇（t）+x₈（t）+w₁₃（t）；

x₁₄（t+1）=x₁₄（t）-x₁（t）+x₂（t）+x₃（t）-x₄（t）+x₅（t）-x₆（t）+x₇（t）-x₈（t）+w₁₄（t）。

以上人流量模型仅为针对特定楼层而构建。其中，a_i分别表示从对应区域进入其他区域中的人数的比例。

在此基础上，如需构建具有多个特定楼层的人流量模型，则还需要进一步引入若干变量方程。参见图2，由于，人流可经由升降梯E或者楼梯间C等进入其他楼层，因此，在不同升降梯及楼梯间内的人流数据也需要进行估测。其中，应当知道的是，经由升降梯可进入任意楼层，而经由楼梯间则只能进入相邻楼层。因此，补充的模型方程包括：

若假设电梯内的人数为x_e，则：

x_10，i（t+1）=a_ix_e（t）+w₁₀（t）；

其中，如果升降梯在第i层停止，则0<a_i<1；否则，a_i=0。

若假设经由楼梯间转移至第i+1层的人数为x_15，i；经由楼梯间转移至第i-1层的人数为x_16，i；且离开楼梯间的人数为x_7，i，则：

x_7，i（t+1）=a₁₀x_13，i（t）+w₇（t）；

x_15，i（t+1）=a₁₁x_13，i（t）+w₁₅（t）；

x_16，i（t+1）=a₁₂x_13，i（t）+w₁₆（t）；

综上可知，若该建筑具有N层，则该模型具有的状态量为16N+1个。基于此模型，可以分别估算出这16N+1个状态量的人流数据。

参见图3，作为简化，若直接从监管层面来构建模型，则仅需要获知如下状态量即可：各楼层的总人数x_1，i；升降梯内的人数x_e，i；进入或离开升降梯的人数x_2，i、x_3，i；从楼梯间上楼或下楼的总人数x_4，i、x_5，i。此时，基于该模型，仅需估算出这5N+1个状态量的人流数据即可实现为楼宇内人流数据的估测与管理。在实际应用中，这些管理适用于楼宇内的电梯调度、空调分配、安全管理及出入口开放等方面。

此外，结合前述方案及图4来提供另一个人流量估测系统的应用实施例，其基于动态人流量状态模型，并通过卡尔曼滤波算法来实时估测待估测区域内的人流量，与此同时，还通过增加辅助输入末端及人为输入数据来改善系统估测精度。对于该系统，其人流量状态模型可表示为：

x（t+1）=Ax（t）+w（t+1）；

y（t）=Cx（t）+v（t）；

其中，x表示状态矢量，且y表示测量值矢量；w和v则为分别表示人流量状态模型与测量值模型不确定性的矢量。

再次参见图4，其中示出了人流量估测系统应用的一个简单的待估测区域的示例，该示例体现出在传感器存在异常时对人流量状态模型及传感器网络模型的第一种调整方式。在该示例中，具有一个房间及一条走廊2个待估测子区域。在该待估测区域中，定义了6种状态：

x₁：进入走廊的人的数量；

x₂：在走廊中的人的数量；

x₃：走出走廊的人的数量；

x₄：进入房间的人的数量；

x₅：走出房间的人的数量；

x₆：在房间中的人的数量。

则用于示例的人流量状态模型为：

x₁（t+1）=x₁（t）+w₁（t+1）；

x₂（t+1）=x₂（t）+x₁（t）-x₃（t）-x₄（t）+x₅（t）+w₂（t+1）；

x₃（t+1）=a₁x₂（t）+w₃（t+1）；

x₄（t+1）=a₂x₂（t）+w₄（t+1）；

x₅（t+1）=a₃x₆（t）+w₅（t+1）；

x₆（t+1）=x₆（t）+x₄（t）-x₅（t）+w₆（t+1）；

其中，a_i为未知的参数，其可被当做在一个样本时间内从特定区域进入另一区域的人的比率。例如，a₁为在一个样本时间内走出走廊的人的比率；a₂为在一个样本时间内进入房间的人的比率；而a₃为在一个样本时间内走出房间的人的比率。

如上通过各个待估测子区域中的人数与进出该待估测子区域的人数之间的相互关系构建了6个等式，由此可以通过划分出这两个待估测子区域的多个传感器来分析处理得到各个待估测子区域中的人数及进出其中的人流量。

具体而言，在该示例中，应用了包括两个光束传感器及两个视频摄像头1、2在内的四个传感器来获取人流数据及人流量数据。此处的传感器网络模型为：

y₁（t）=x₁（t）+v₁（t）；

y₂（t）=x₃（t）+v₂（t）；

y₃（t）=x₄（t）+v₃（t）；

y₄（t）=x₅（t）+v₄（t）；

其中，y₁与y₂为来自视频摄像头的测量值，而y₃与y₄为来自光束传感器的测量值。v_i为测量值的不确定性。

如上通过各个传感器的检测数据及与该检测数据相关的人流量之间的相互关系构建了4个等式，由此可直接得到与这些传感器相关的部分人流量数据。

继续前述实施例，如果有工作人员在待估测子区域A巡检，则其能够以极高精度来提供待估测子区域A中的具体人数，此时可以在模型中相应地增加方程：

y₅（t）=x₂（t）+v₅（t）；

由于工作人员的输入值具有非常高的精度，因此，在此可对不确定性v₅（t）赋予非常小的值。在基于卡尔曼滤波的算法中，可在基于人类的传感器模型及其随后的卡尔曼滤波计算中设置非常小的协方差值，因此该人类输入值的数据权重或贡献度将自动增加。如此设置将能够带来应用工作人员输入值后的更精确估测的人流数据。

根据本发明的另一个方面，还提供一种应用于前述实施例中的人流量估测系统的人流量估测方法。该人流量估测方法至少包括：数据采集步骤S100，通过传感器网络采集各个待估测区域中及各个待估测区域之间的数据；模型构建步骤S200，基于各个待估测区域中和/或布置在各个待估测区域之间的数据来构建水平人流模型及垂直人流模型；以及人流量估测步骤S300，基于水平人流模型及垂直人流模型来估测人流数据。通过以上步骤，该人流量估测系统能够有效利用传感器数据来构建能够分别体现楼层及楼层间人流数据变化的水平人流模型及垂直人流模型，并基于此来估测各个人流数据，由此实现了对人流数据的三维估测，并具有相对很高的估测精度。

此外，为进一步提高数据估测精度，还可对前述方法做出可选的改动。

例如，数据采集步骤S100还包括：采集各个待估测区域中的第一辅助信息及各个待估测区域之间的第二辅助信息；其中，第一辅助信息及第二辅助信息用于体现人流数据的变化；且人流量估测步骤S300还包括：基于第一辅助信息和/或第二辅助信息来修正估测的人流数据。由此可通过传感器之外的其他辅助信息来协助监测人流数据的变化，提高系统的判断及估测精度。

如下将提供两类利用辅助信息来改善估测精度的示例。

例如，在数据采集步骤S100中，第一辅助信息包括各个待估测区域中的水和/或电的用量，其用于将待估测区域中的人流数据限定在第一数据区间内；在人流量估测步骤S300中，基于第一数据区间来修正估测的人流数据。由此，根据待估测区域中的水和/或电的用量，可以大致判断出该待估测区域内经验上可能存在第一数据区间内的人流量。此时，若由传感器采集的数据落在此第一数据区间内，则表明该传感器采集的数据可信度较高；而若由传感器采集的数据偏离此第一数据区间，则说明该传感器采集的数据可信度较低，应降低其数据权重，或者基于第一数据区间来调整该数据，或者对相应的传感器进行检修。

再如，在数据采集步骤S100中，第二辅助信息包括待估测区域之间的乘客运输装置的负载变化值，其用于反映发生负载变化的待估测区域中变化的人流数据；在人流量估测步骤S300中，基于乘客运输装置的变化的人流数据负载变化值来修正估测的人流数据。此时，若由传感器采集的数据变化值与该乘客运输装置的负载变化值所可能对应的人流数据变化值相近，则表明该传感器采集的数据可信度较高；而若由传感器采集的数据变化值与该乘客运输装置的负载变化值所可能对应的人流数据变化值偏离较大，则表明该传感器采集的数据可信度较低，应降低其数据权重，或者基于负载变化值来调整该数据，或者对相应的传感器进行检修。

例如，数据采集步骤S100还包括：采集由使用者通过辅助输入末端输入的特定待估测区域中的人流数据；在人流量估测步骤S300中，来自辅助输入末端的数据比来自传感器的数据具有更高的数据权重。此时，可以认定由使用者通过辅助输入末端输入的特定待估测区域中的人流数据具有相当高的可信度，则无论该处的传感器采集数据与其是否相当，均可忽略该数据，而直接应用由使用者输入的人流数据来进行替换参与构建模型。且此时若由传感器采集的数据与使用者输入的人流数据偏离较大，则可以对相应的传感器进行检修。

以上例子主要说明了本发明的人流量估测系统及人流量估测方法。尽管只对其中一些本发明的实施方式进行了描述，但是本领域普通技术人员应当了解，本发明可以在不偏离其主旨与范围内以许多其他的形式实施。因此，所展示的例子与实施方式被视为示意性的而非限制性的，在不脱离如所附各权利要求所定义的本发明精神及范围的情况下，本发明可能涵盖各种的修改与替换。

Claims

1.一种人流量估测系统，其特征在于，包括：

传感器网络，其包括分别布置在各个待估测区域中及各个待估测区域之间的用于采集数据的多个传感器；

模型构建模块，其基于布置在各个待估测区域中和/或布置在各个待估测区域之间的多个传感器来构建水平人流模型及垂直人流模型；以及

人流量估测模块，其基于所述水平人流模型及垂直人流模型来估测人流数据。

2.根据权利要求1所述的人流量估测系统，其特征在于，还包括辅助信息采集模块，其用于分别采集各个待估测区域中的非传感器获得的第一辅助信息及各个待估测区域之间的非传感器获得的第二辅助信息；其中，所述第一辅助信息及第二辅助信息用于体现人流数据的变化。

3.根据权利要求2所述的人流量估测系统，其特征在于，所述第一辅助信息包括各个待估测区域中的水和/或电的用量。

4.根据权利要求3所述的人流量估测系统，其特征在于，所述水和/或电的用量用于将所述待估测区域中的人流数据限定在第一数据区间内。

5.根据权利要求4所述的人流量估测系统，其特征在于，所述人流量估测模块基于所述第一数据区间来修正估测的人流数据。

6.根据权利要求2所述的人流量估测系统，其特征在于，所述第二辅助信息包括待估测区域之间的乘客运输装置的负载变化值。

7.根据权利要求6所述的人流量估测系统，其特征在于，所述乘客运输装置的负载变化值用于反映发生负载变化时所述待估测区域中人流变化的数据。

8.根据权利要求7所述的人流量估测系统，其特征在于，所述人流量估测模块基于所述乘客运输装置的负载变化值来修正估测的人流数据。

9.根据权利要求1至8任意一项所述的人流量估测系统，其特征在于，所述传感器网络还包括辅助输入末端，其用于由使用者输入特定待估测区域中的人流数据；所述模型构建模块基于布置在各个待估测区域中和/或布置在各个待估测区域之间的的多个传感器及辅助输入末端来构建水平人流模型及垂直人流模型。

10.根据权利要求9所述的人流量估测系统，其特征在于，来自所述辅助输入末端的数据比来自所述传感器的数据具有更高的数据权重。

11.根据权利要求1至8任意一项所述的人流量估测系统，其特征在于，所述人流数据包括人流量和/或人流密度。

12.根据权利要求1至8任意一项所述的人流量估测系统，其特征在于，所述水平人流模型及垂直人流模型分别包括人流量状态模型及传感器网络模型。

13.根据权利要求12所述的人流量估测系统，其特征在于，所述模型构建模块基于卡尔曼滤波算法、贝叶斯网络算法或DS证据算法来分析人流量状态模型及传感器网络模型。

14.根据权利要求12所述的人流量估测系统，其特征在于，所述模型构建模块包括：动态传感器融合子模块,其用于基于所述多个传感器的数据来构建传感器网络模型。

15.根据权利要求1至8任意一项所述的人流量估测系统，其特征在于，所述传感器将所述待估测区域划分成多个待估测子区域；所述传感器用于检测各个待估测子区域中的人流数据和/或相邻的所述待估测子区域之间的人流数据。

16.根据权利要求1至8任意一项所述的人流量估测系统，其特征在于，所述传感器包括光束传感器和/或PIR传感器和/或视频摄像头。

17.根据权利要求1至8任意一项所述的人流量估测系统，其特征在于，各个所述待估测区域之间的人流数据变化媒介包括乘客运输装置和/或楼梯。

18.根据权利要求1至8任意一项所述的人流量估测系统，其特征在于，所述人流量估测模块基于卡尔曼滤波算法、贝叶斯网络算法或DS证据算法来估测人流量。

19.一种人流量估测方法，包括：

数据采集步骤S100，通过传感器网络采集各个待估测区域中及各个待估测区域之间的数据；

模型构建步骤S200，基于各个待估测区域中和/或布置在各个待估测区域之间的数据来构建水平人流模型及垂直人流模型；以及

人流量估测步骤S300，基于所述水平人流模型及垂直人流模型来估测人流数据。

20.根据权利要求19所述的人流量估测方法，其特征在于：

数据采集步骤S100还包括：采集各个待估测区域中的非传感器获得的第一辅助信息及各个待估测区域之间的非传感器获得的第二辅助信息；其中，所述第一辅助信息及第二辅助信息用于体现人流数据的变化；

人流量估测步骤S300还包括：基于所述所述第一辅助信息和/或第二辅助信息来修正估测的人流数据。

21.根据权利要求20所述的人流量估测方法，其特征在于：

在数据采集步骤S100中，所述第一辅助信息包括各个待估测区域中的水和/或电的用量，其用于将所述待估测区域中的人流数据限定在第一数据区间内；

在人流量估测步骤S300中，基于所述第一数据区间来修正估测的人流数据。

22.根据权利要求20所述的人流量估测方法，其特征在于：

在数据采集步骤S100中，所述第二辅助信息包括待估测区域之间的乘客运输装置的负载变化值，其用于反映发生负载变化时所述待估测区域中人流变化的数据；

在人流量估测步骤S300中，基于所述乘客运输装置的负载变化值来修正估测的人流数据。

23.根据权利要求19至22任意一项所述的人流量估测方法，其特征在于：

所述数据采集步骤S100还包括：采集由使用者通过辅助输入末端输入的特定待估测区域中的人流数据；

在人流量估测步骤S300中，来自所述辅助输入末端的数据比来自所述传感器的数据具有更高的数据权重。