CN108960532A - 一种车站实时客流状态预测与预警系统及方法 - Google Patents
一种车站实时客流状态预测与预警系统及方法 Download PDFInfo
- Publication number
- CN108960532A CN108960532A CN201810859852.4A CN201810859852A CN108960532A CN 108960532 A CN108960532 A CN 108960532A CN 201810859852 A CN201810859852 A CN 201810859852A CN 108960532 A CN108960532 A CN 108960532A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- station
- unit
- early warning
- equipment
- 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 description 48
- 238000011156 evaluation Methods 0.000 claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 9
- 238000013523 data management Methods 0.000 claims description 8
- 238000013500 data storage Methods 0.000 claims description 7
- 210000000352 storage cell Anatomy 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 230000010365 information processing Effects 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 14
- 238000009434 installation Methods 0.000 description 10
- 238000012546 transfer Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000000926 separation method Methods 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种车站实时客流状态预测与预警系统,系统包括操作终端、车站客流预测服务器、车站客流状态评估服务器以及车站大客流预警服务器;操作终端,用于设置外部事件并查看未来一段时间内的车站客流预测结果、客流状态评估结果以及大客流预警结果;车站客流预测服务器,用于预测前后续时段车站整体及各区域的客流变化趋势及分布规律;车站客流状态评估服务器,用于根据车站客流预测结果对车站关键设备的客流状态及车站综合客流状态进行分级评估;车站大客流预警服务器,用于根据车站客流状态评估结果进行车站未来的大客流潜在风险及风险来源的预判及发布。能够通过检测客流对客流量进行预测并预警,能够及时将乘客运转。
Description
技术领域
本申请涉及轨道交通运营组织技术领域,尤其是涉及一种车站实时客流状态预测与预警系统及方法。
背景技术
随着城市建设的不断发展,城市轨道交通也越来越发达,因而,城市轨道交通也成为人们重要的交通工具,为人们的出行带来很大的便捷。
但是,随着城市轨道交通客流量不断增加,车站的客流量常常超过承载的安全限制,例如:早高峰以及晚高峰的地铁站,客流量的增加往往不能将乘客及时运转。因此,许多车站安装的客流检测设备,来获取某车站的进站人数、出站人数和换乘人数,通过进站人数、出站人数以及换乘人数来调整列车运行间隔或增加列车数量,但是,客流量的增加或减少存在突发性,客流量突然增大时,再采取解决措施不能够及时将乘客运转。
因此,能够对客流量进行预测以及对客流量进行预警是目前亟待解决的问题。
发明内容
有鉴于此,本申请的目的在于提供一种车站实时客流状态预测与预警系统及方法,能够通过检测客流对客流量进行预测及预警,能够及时将乘客运转。
第一方面,本申请实施例提供一种车站实时客流状态预测与预警系统,其特征在于,所述系统包括操作终端、车站客流预测服务器、车站客流状态评估服务器以及车站大客流预警服务器;
所述操作终端,用于设置外部事件并查看未来一段时间内的车站客流预测结果、客流状态评估结果以及大客流预警结果;
所述车站客流预测服务器,用于预测前后续时段车站整体及各区域的客流变化趋势及分布规律;
所述车站客流状态评估服务器,用于根据车站客流预测结果对车站关键设备设施的客流状态及车站综合客流状态进行分级评估;
所述车站大客流预警服务器,用于根据车站客流状态评估结果进行车站未来的大客流潜在风险及风险来源的预判及发布。
结合第一方面,本申请实施例提供了第一方面的第一种可能的实施方式,其中,所述操作终端,包含数据服务调用单元、人机交互单元、信息处理单元以及信息展示单元;
所述操作终端还用于,通过所述人机交互单元以及所述数据服务调用单元调用其他相关服务;
所述信息处理单元,用于对交互过程和服务结果进行信息处理,得到信息处理结果;
所述信息展示单元,用于展示所述信息处理结果。
结合第一方面,本申请实施例提供了第一方面的第二种可能的实施方式,其中,所述车站客流预测服务器,包含客流流线管理单元、客流规律分析单元和客流预测单元;
所述客流流线管理单元,用于根据乘客在车站的出行形成客流流线,并构建车站客流监测点处客流之间的关系;
所述客流规律分析单元,根据所述车站客流监测点处客流之间的关系进行客流时空的关系规律与数值规律分析;
所述客流预测单元,根据所述客流时空的关系规律与数值规律分析进行各监测点及关键区域的客流预测。
结合第一方面,本申请实施例还提供第一方面的第三种可能的实施方式,其中,所述车站客流状态评估服务器,包含评估标准设置单元、车站设备分类管理单元以及车站设备客流评估单元;
所述评估标准设置单元,用于供用户查看和设置各类设备状态评估的分级阈值;
车站设备分类管理单元,用于提供对车站各设备的分类及属性设置;
车站设备客流评估单元,用于根据设置的车站客流阈值,以及所述车站客流预测结果,对进站设备客流状态进行分时评估。
结合第一方面,本申请实施例提供了第一方面的第四种可能的实施方式,其中,
所述车站大客流预警服务器,包含预警状态计算单元、大客流风险源计算单、大客流预警信息生成单元;
所述预警状态计算单元,用于根据车站设备的未来客流状态的评估结果,计算车站预警的等级;
所述大客流风险源计算单元,用于根据启动车站预警条件下车站设备的客流状态,计算引起大客流风险来源的位置信息和时间信息;
所述预警信息生成单元,用于根据大客流风险来源计算预警的具体设备以及预警时间,并根据所述车站客流预测结果、所述客流状态评估结果、所述大客流预警结果以及所述预警时间,生成预警信息。
结合第一方面,本申请实施例还提供第一方面的第五种可能的实施方式,其中,所述系统还包括数据管理服务器;
所述数据管理服务器,包含数据存储单元以及数据维护服务单元;
所述数据存储单元,用于存储车站基础数据库、视频检测数据库、历史客流数据库、设备评估数据库、预测结果数据库、预警方案数据库;
数据维护服务单元,用于实现数据的查询、更新、编辑、同步与保护。
第二方面,本申请实施例提供一种车站实时客流状态预测与预警方法,其特征在于,所述方法包括:
设置外部事件并查看未来一段时间内的车站客流预测结果、客流状态评估结果以及大客流预警结果;
预测前后续时段车站整体及各区域的客流变化趋势及分布规律;
根据车站客流预测结果对车站关键设备设施的客流状态及车站综合客流状态进行分级评估;
根据车站客流状态评估结果进行车站未来的大客流潜在风险及风险来源的预判及发布。
结合第二方面,本申请实施例提供了第二方面的第一种可能的实施方式,其中,所述车站客流预测结果根据下述步骤得到:
根据乘客在车站的出行形成客流流线,并构建车站客流监测点处客流之间的关系;
根据所述车站客流监测点处客流之间的关系进行客流时空的关系规律与数值规律分析;
根据所述客流时空的关系规律与数值规律分析进行各监测点及关键区域的客流预测。
第三方面,本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述第二方面及第二方面中任意一种可能的实施方式中的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述第二方面及第二方面中任意一种可能的实施方式中的步骤。
本申请实施例提供的车站实时客流状态预测与预警系统及方法,通过车站客流预测服务器、车站客流状态评估服务器以及车站大客流预警服务器,能够预测车站各个设备处的客流量,得到车站客流预测结果、客流状态评估结果以及大客流预警结果。与现有技中,只能对客流量进行检测相比,本申请实施例提供的一种车站实时客流状态预测报警方法及装置可以对客流量进行预测,并根据客流量进行预警。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种车站实时客流状态预测与预警系统结构示意图;
图2示出了本申请实施例所提供的一种客流预警人机交互界面的结构示意图;
图3示出了本申请实施例所提供的另一种客流预警人机交互界面的结构示意图;
图4示出了本申请实施例所提供的一种大客流预警信息示例的示意图;
图5示出了本申请实施例所提供的一种车客流规律的关系示意图;
图6示出了本申请实施例所提供的一种客流流线示例的示意图;
图7示出了本申请实施例所提供的一种客流预测的流程示意图;
图8示出了本申请实施例所提供的一种车站设备状态评估标准示例的示意图;
图9示出了本申请实施例所提供的一种车站设备分类示例的示意图;
图10示出了本申请实施例所提供的一种车站设备客流评估的流程示意图;
图11示出了本申请实施例所提供的一种客流预警状态计算的流程示意图;
图12示出了本申请实施例所提供的一种大客流风险源计算的流程示意图;
图13示出了本申请实施例所提供的一种系统运行示例的示意图;
图14示出了本申请实施例所提供的一种车站实时客流状态预测与预警方法的流程示意图;
图15示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
随着城市轨道交通客流量不断增加,车站的客流量常常超过承载的安全限制,例如:早高峰以及晚高峰的地铁站,客流量的增加往往不能将乘客及时运转。因此,许多车站安装的客流检测设备,来获取某车站的进站人数以及出站人数,通过进站人数以及出站人数来调整列车运行间隔或增加列车数量,但是,客流量的增加或减少存在突发性,客流量突然增大时,再采取解决措施不能够及时将乘客运转。
为了保证车站客流组织方案的科学性与合理性,亟需依靠智能信息手段,以路网客流全局动态发展的定量分析为基础,进行科学的客流控制方案制定。而随着信息技术发展,目前尚无将客流检测信息应用到客流预测以及客流预警中相关的方法与系统,利用客流检测数据进行车载客流预测与预警是十分必要的。
基于此,本申请实施例提供了一种车站实时客流状态预测与预警系统及方法,可以通过客流检测设备获得客流检测信息,利用客流检测数据进行客流量的预测以及预警。下面通过实施例进行描述。
为便于对本实施例进行理解,首先对本申请实施例所公开的一种车站实时客流状态预测与预警系统进行详细介绍。
参见图1所示,一种车站实时客流状态预测与预警系统,该系统包括:操作终端101、车站客流预测服务器102、车站客流状态评估服务器103、以及车站大客流预警服务器104;
所述操作终端,用于设置外部事件并查看未来一段时间内的车站客流预测结果、客流状态评估结果以及大客流预警结果;
所述车站客流预测服务器,用于预测前后续时段车站整体及各区域的客流变化趋势及分布规律;
所述车站客流状态评估服务器,用于根据车站客流预测结果对车站关键设备的客流状态及车站综合客流状态进行分级评估;
所述车站大客流预警服务器,用于根据车站客流状态评估结果进行车站未来的大客流潜在风险及风险来源的预判及发布。
在具体实施中,设备为车站内的通道设施,如:电梯,闸机等。参见图2所示,操作终端包含的人机交互单元,包含了图中所示的子界面,其中子界面用于进行人机交互,子界面涵盖了该站所有线路的站台、站厅,可以选择查看该站所有线路的站台、站厅的客流预测结果,如:查询1号线站台的客流预测结果,预测结果包含该平面内摄像头设置点位置以及该位置处的拥挤度。操作终端包含的信息展示单元包括了平面展示区域及客流预测信息展示区域;平面展示区域展示通过子界面选择的相应的站台或站厅平面,包含该平面内摄像头设置点位置以及该位置处的拥挤度。客流预测信息展示区域可以通过选择设备号和时间粒度,来查询接下来客流量和客流密度的变化趋势,即车站客流预测结果。
在这里,参见图3所示,客流预测信息展示区域还可以用来展示车站关键设备状态评估表,车站关键设备状态评估表显示已选择线路的站台/站厅所有设备的客流密度、客流量和评估状态,可通过选择时间查看相应时间的设备评估状态,粒度为5min。预警与客流控制信息展示区域包括预警状态和客流控制措施,客流控制措施包括了开始时间、结束时间、建议采用和具体措施,如图4所示的大客流预警信息示例,预警状态显示根据预警状态计算流程计算出的结果,分为一级预警、二级预警和三级预警,示例中为一级预警;客流控制措施部分,开始时间和结束时间是根据客流预测结果做出的建议,例如示例中表示2018年5月3日12点37分18秒开始采取客流控制措施,2018年5月3日13点07分18秒结束客流控制;建议采用是提出客流控制的等级,分为一级客流控制、二级客流控制和三级客流控制,示例中为一级客流控制;具体措施是根据前面的时间和等级,系统提供的控制客流的相关措施,如一号线站厅3010、3011设为出闸;D口出闸机设为单向出闸,关闭缺口H1、H2,缩小I口。
参见图1所示,本申请实施例提供的一种车站实时客流状态预测与预警系统,其中,所述车站客流预测服务器,包含客流流线管理单元、客流规律分析单元和客流预测单元;
所述客流流线管理单元,用于根据乘客在车站的出行形成客流流线,并构建车站客流监测点处客流之间的关系;
所述客流规律分析单元,根据所述车站客流监测点处客流之间的关系进行客流时空的关系规律与数值规律分析;
所述客流预测单元,根据所述客流时空的关系规律与数值规律分析进行各监测点及关键区域的客流预测,得到所述客流预测结果。
在具体实施中,乘客在进入车站到乘车,再到达目的地后出站,会形成流线,包括进站流线、换乘流线以及出站流线,也即,客流流线实际为乘客的行驶路线。
参见图5所示,客流规律关系是指,站台、楼梯、扶梯、站厅、闸机处客流波动的影响因素,按流线属性可分为进站客流、出站客流和换乘客流;按时间属性可分为季节、周、日、时段;按设备属性可分为密度和流量,按外部事件可分为天气、大型活动等。
例如:参见图6所示,乘客的进站流线可以是乘客进入车站,通过非付费区进站设备设施,该设备设施包括自动扶梯、楼梯和通道,到达站厅,然后通过闸机检票进站;接着通过付费区进站设备设施,包括自动扶梯、楼梯、通道,到达站台候车区域,等待列车到达继而乘车。换乘流线可以是换乘乘客在列车到达后,下车抵达本线路站台,通过付费区换乘设备设施,包括自动扶梯、楼梯和换乘通道,从而到达另一线路的站台候车区域,进行乘车。出站流线可以是下车乘客在列车到达目的地后,下车到站台,通过付费区出站设备设施,包括自动扶梯、楼梯和通道,到达站厅,直接刷卡或投入车票通过闸机,再通过非付费区出站设备设施,包括自动扶梯、楼梯和通道,离开车站。
具体地,参见图7所示,对客流量进行预测的时候,可以是通过下述过程进行预测:
首先,判断是否遍历所有设置点的监测设备,若是,直接输出预测结果;若否,则根据不同时段对客流量进行划分,并将每种类型的客流量继续划分为常态样本和非常态样本,每个样本包含一个训练集和一个测试集;将两种样本分别输入模型进行训练,调用粒子群算法寻找模型参数,并用该参数训练支持向量回归模型,用相应的测试集进行测试并输出预测结果,当预测结果满足误差要求时,输出该模型的最优参数建立模型,否则继续寻找最优参数;常态和非常态模型标定好后,输入验证集(同样包括一个训练集和一个测试集),比较两种模型在各时刻的预测结果,通过特征判断选择最优模型,最后输出客流量预测结果。
参见图1所示,本申请实施例提供的一种车站实时客流状态预测与预警系统,所述车站客流状态评估服务器,包含评估标准设置单元、车站设备分类管理单元以及车站设备客流评估单元;
所述评估标准设置单元,用于供用户查看和设置各类设备状态评估的分级阈值;
车站设备分类管理单元,用于提供对车站各设备的分类及属性设置;
车站设备客流评估单元,用于根据设置的车站客流阈值,以及所述车站客流预测结果,对进站设备客流状态进行分时评估。
在具体实施中,在进行对客流量进行预测前,会预先对所有设备进行分类以及预先设定评估标准。首先每一个设备的类别是不同的,根据每一个设备的设备类别,如:楼梯,闸机、附体,进一步确定每一个设备对应设备的网络之间互连的协议(Internet Protocol,IP)地址,身份标识号ID,位置信息、以及面积以及别名,还会根据设备的设备类型对每一个设备设定检测类型,检测类型可以是按照客流密度对客流进行检测。
例如:参见图8所示,可添加设备设施的类别、状态等级和颜色ID,输入该设备状态评估的分级阈值上限和下限,并查看出入口、扶梯、换乘通道、楼梯、站厅、站台、车门处以及全部八种位置处的设备设施状态的评估标准。示例中,出入口状态等级编号为0的设备,状态为畅通,颜色为绿色,阈值上下限为0.46和0;出入口状态等级编号为1的设备,状态为轻度拥堵,颜色为黄色,阈值上下限为0.69和0.46;出入口状态等级编号为2的设备,状态为中度拥堵,颜色为橙色,阈值上下限为0.73和0.69;出入口状态等级编号为3的设备,状态为严重拥堵,颜色为红色,阈值上下限为0.92和0.73。并将这些信息进行存储,在获取设备对应的设备信息时,可以直接通过设备的位置信息,就可以得到设备的其余信息。
参见图9所示,可修改输入的设备ID、位置、面积和别名,修改选择的检测类型和设备类别,实现设备设施的管理功能。示例中,IP为192.168.0.01的设备,检测类型为密度,ID为001,位于A口第一组扶梯,面积为10,别名是K1,设备类别为楼梯;IP为192.168.0.02的设备,检测类型为密度,ID为002,位于A口第二组扶梯,面积为10,别名是K1,设备类别为出入口;IP为192.168.0.03的设备,检测类型为密度,ID为003,位于B口第一组扶梯,面积为10,别名是K3,设备类别为楼梯;IP为192.168.0.04的设备,检测类型为密度,ID为004,位于B口第一组扶梯,面积为10,别名是K4,设备类别为出入口。
得到设备的评估标准以及设备的车站设备分类信息,进一步对车站设备客流进行评估。
参见图10所示,车站设备客流评估单元在对车站各个设备处的客流进行评估的时候,首先,获取设备的评估标准(图8)和设备分类信息(图9),进行设备状态的等级评估,即计算特定设备特定时段的评估等级,当遍历所有设备和相应的所有时段时,输出结果并结束,否则继续执行循环。
参见图1所示,本申请实施例提供的一种车站实时客流状态预测与预警系统,所述车站大客流预警服务器,包含预警状态计算单元,、大客流风险源计算单元,、大客流预警信息生成单元。;
所述预警状态计算单元,用于根据车站设备的未来客流状态的评估结果,计算车站预警的等级。
所述大客流风险源计算单元,用于根据启动车站预警条件下车站设备的客流状态,计算引起大客流风险来源的位置信息和时间信息。
所述预警信息生成单元,用于根据大客流风险来源计算预警的具体设备设施以及预警时间,并根据所述车站客流预测结果、所述客流状态评估结果、所述大客流预警结果以及所述预警时间,并生成预警信息。
在具体实施中,参见图11所示,客流预警状态的计算流程是,首先,获取设备的分时评估状态和获取启动预警的条件,继而评价该时刻状态是否应该启动预警,当遍历了所有启动条件后,不需要启动预警,则结束循坏;若没有遍历所有条件,则查找相应的分时评估状态并进行记录,评价是否满足启动条件,当满足时启动预警,循环结束,反之继续判断是否遍历所有启动条件。
参照图12所示,大客流风险源的计算流程是,首先,调入已记录的引发预警的设备的分时评估状态和客流流线,分析大客流风险预警位置与时间,当遍历所有引发预警设备的分时评估状态时,输出该分析结果,否则先根据流线判断拥挤来源,计算引起拥挤的开始时间,再输出大客流风险预警的位置信息与时间信息。
参见图1所示,本申请实施例提供的一种车站实时客流状态预测与预警系统,所述系统还包括数据管理服务器;
所述数据管理服务器,包含数据存储单元以及数据维护服务单元;
所述数据存储单元,用于存储车站基础数据、视频检测数据、历史客流数据、设备评估数据、预测结果数据、预警方案数据;
数据维护服务单元,用于实现数据的查询、更新、编辑、同步与保护。
数据管理服务器设置有众多数据库,参见表1所示,车站基础数据、视频检测数据、历史客流数据、实时的进出站刷卡数据、外部事件数据等,在进行客流预测与预警的过程中,数据管理服务器用于支撑其他服务器及模块的计算与运行。
该数据库存储有预定站点的所有历史信息以及预定站点的硬件设施信息,当在进行客流预测或客流预警时,可以调取表1中的有效信息。
表1
本申请实施例提供的一种车站实时客流状态预测与预警系统及方法,通过车站客流预测服务器、车站客流状态评估服务器以及车站大客流预警服务器,能够预测车站各个设备处的客流量,得到车站客流预测结果、客流状态评估结果以及大客流预警结果,实现对客流量进行预测,并根据预测的客流量进行预警。
示例:
参见图13所示,系统在运行过程中的流程为,首先运行人机交互单元,设置设备设施状态评估表和报警阈值表;系统发送更新指令,如果需要更新设备,则将设备更新指令也加载到该发送指令过程,从而启动车站客流预测服务器。该服务器的运行流程是,首先调用数据存储单元读取基础数据,并反馈至客流流线管理单元,生成客流流线;其次调用历史客流数据,并反馈至客流规律分析单元,进行客流时空的关系规律与数值规律分析;接着调用车站设备分类管理单元,初始化车站各设备设施的分类及属性;然后调用车站设备评估标准单元,初始化设备的客流分时评估状态,如果需要更新阈值,则将更新指令也发送到该初始化过程。进而判断系统是否收到停止消息,如果收到,则终止,结束运行;若未收到消息,则进入以下循环:未到达指定时刻,系统一直处于等待状态;当到达指定时刻,此时先调用客流预测单元进行预测,根据预测的结果调取设备分类单元,并通过客流评估单元,根据设置的车站客流阈值和客流预测结果,进行设备客流状态的分时评估,根据此评估结果,计算车站的预警状态;从而进入大客流风险源计算单元,计算引起大客流风险来源的位置和时间信息;接着调用预警信息生成单元,计算大客流的预警结果;将此结果反馈给操作终端,根据人机交互单元进行选择,并对预测和预警的结果进行处理,最后,将处理后的信息通过信息展示单元进行展示。
基于同一发明构思,本发明实施例中还提供了与车站实时客流状态预测与预警系统对应的车站实时客流状态预测与预警方法,由于本发明实施例中的车站实时客流状态预测与预警方法解决问题的原理与本发明实施例上述车站实时客流状态预测与预警系统相似,因此车站实时客流状态预测与预警方法的实施可以参见车站实时客流状态预测与预警系统的实施,重复之处不再赘述。
参见图14所示,本申请实施例还提供一种车站实时客流状态预测与预警方法,其中,所述方法根据下述步骤S1401-S1404进行:
S1401:设置外部事件并查看未来一段时间内的车站客流预测结果、客流状态评估结果以及大客流预警结果;
S1402:预测前后续时段车站整体及各区域的客流变化趋势及分布规律;
S1403:根据车站客流预测结果对车站关键设备设施的客流状态及车站综合客流状态进行分级评估;
S1404:根据车站客流状态评估结果进行车站未来的大客流潜在风险及风险来源的预判及发布。
可选地,本申请实施例提供一种车站实时客流状态预测与预警方法,其中,所述车站客流预测结果根据下述步骤得到:
根据乘客在车站的出行形成客流流线,并构建车站客流监测点处客流之间的关系;
根据所述车站客流监测点处客流之间的关系进行客流时空的关系规律与数值规律分析;
根据所述客流时空的关系规律与数值规律分析进行各监测点及关键区域的客流预测。
对应于上述实施例中的车站实时客流状态预测与预警方法,本申请实施例还提供了一种计算机设备1500,如图15所示,该设备包括存储器1501、处理器1502及存储在该存储器1501上并可在该处理器1502上运行的计算机程序,其中,上述处理器1502执行上述计算机程序时实现上述车站实时客流状态预测与预警方法的步骤。
具体地,上述存储器1501和处理器1502能够为通用的存储器和处理器,这里不做具体限定,当处理器1502运行存储器1501存储的计算机程序时,能够执行上述车站实时客流状态预测与预警方法,实现对客流量进行预测,并根据客流量进行预警。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述车站实时客流状态预测与预警方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述车站实时客流状态预测与预警方法,实现对客流量进行预测,并根据客流量进行预警。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种车站实时客流状态预测与预警系统,其特征在于,所述系统包括操作终端、车站客流预测服务器、车站客流状态评估服务器以及车站大客流预警服务器;
所述操作终端,用于设置外部事件并查看未来一段时间内的车站客流预测结果、客流状态评估结果以及大客流预警结果;
所述车站客流预测服务器,用于预测前后续时段车站整体及各区域的客流变化趋势及分布规律;
所述车站客流状态评估服务器,用于根据车站客流预测结果对车站关键设备的客流状态及车站综合客流状态进行分级评估;
所述车站大客流预警服务器,用于根据车站客流状态评估结果进行车站未来的大客流潜在风险及风险来源的预判及发布。
2.根据权利要求1所述系统,其特征在于,所述操作终端,包含数据服务调用单元、人机交互单元、信息处理单元以及信息展示单元;
所述操作终端还用于,通过所述人机交互单元以及所述数据服务调用单元调用其他相关服务;
所述信息处理单元,用于对交互过程进行信息处理,得到服务结果;
所述信息展示单元,用于展示所述服务结果。
3.根据权利要求1所述的系统,其特征在于,所述车站客流预测服务器,包含客流流线管理单元、客流规律分析单元和客流预测单元;
所述客流流线管理单元,用于根据乘客在车站的出行形成客流流线,并构建车站客流监测点处客流之间的关系;
所述客流规律分析单元,根据所述车站客流监测点处客流之间的关系进行客流时空的关系规律与数值规律分析;
所述客流预测单元,根据所述客流时空的关系规律与数值规律分析进行各监测点及关键区域的客流预测,得到所述客流预测结果。
4.根据权利要求1所述的系统,其特征在于,所述车站客流状态评估服务器,包含评估标准设置单元、车站设备分类管理单元以及车站设备客流评估单元;
所述评估标准设置单元,用于供用户查看和设置各类设备状态评估的分级阈值;
车站设备分类管理单元,用于提供对车站各设备的分类及属性设置;
车站设备客流评估单元,用于根据设置的车站客流阈值,以及所述车站客流预测结果,对进站设备客流状态进行分时评估。
5.根据权利要求1所述的系统,其特征在于,所述车站大客流预警服务器,包含预警状态计算单元、大客流风险源计算单、大客流预警信息生成单元;
所述预警状态计算单元,用于根据车站设备的未来客流状态的评估结果,计算车站预警的等级;
所述大客流风险源计算单元,用于根据启动车站预警条件下车站设备的客流状态,计算引起大客流风险来源的位置信息和时间信息;
所述预警信息生成单元,用于根据大客流风险来源计算预警的具体设备以及预警时间,并根据所述车站客流预测结果、所述客流状态评估结果、所述大客流预警结果以及所述预警时间,生成预警信息。
6.根据权利要求1所述的系统,其特征在于,所述系统还包括数据管理服务器;
所述数据管理服务器,包含数据存储单元以及数据维护服务单元;
所述数据存储单元,用于存储车站基础数据、视频检测数据、历史客流数据、设备评估数据、预测结果数据、预警方案数据;
数据维护服务单元,用于实现数据的查询、更新、编辑、同步与保护。
7.一种车站实时客流状态预测与预警方法,其特征在于,所述方法包括:
设置外部事件并查看未来一段时间内的车站客流预测结果、客流状态评估结果以及大客流预警结果;
预测前后续时段车站整体及各区域的客流变化趋势及分布规律;
根据车站客流预测结果对车站关键设备设施的客流状态及车站综合客流状态进行分级评估;
根据车站客流状态评估结果进行车站未来的大客流潜在风险及风险来源的预判及发布。
8.根据权利要求7所述的方法,其特征在于,所述车站客流预测结果根据下述步骤得到:
根据乘客在车站的出行形成客流流线,并构建车站客流监测点处客流之间的关系;
根据所述车站客流监测点处客流之间的关系进行客流时空的关系规律与数值规律分析;
根据所述客流时空的关系规律与数值规律分析进行各监测点及关键区域的客流预测。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求7-8任意一项所述的车站实时客流状态预测与预警方法的步骤。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求任意一项所述的车站实时客流状态预测与预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810859852.4A CN108960532A (zh) | 2018-08-01 | 2018-08-01 | 一种车站实时客流状态预测与预警系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810859852.4A CN108960532A (zh) | 2018-08-01 | 2018-08-01 | 一种车站实时客流状态预测与预警系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108960532A true CN108960532A (zh) | 2018-12-07 |
Family
ID=64465464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810859852.4A Pending CN108960532A (zh) | 2018-08-01 | 2018-08-01 | 一种车站实时客流状态预测与预警系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108960532A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858670A (zh) * | 2018-12-24 | 2019-06-07 | 哈尔滨工业大学 | 一种轨道交通车站大客流实时预警方法 |
CN110515311A (zh) * | 2019-07-22 | 2019-11-29 | 北京交通大学 | 城市轨道交通列车客流的动态仿真系统 |
CN111063190A (zh) * | 2019-12-10 | 2020-04-24 | 北京工业大学 | 城市轨道交通车站站台过饱和客流预控制方法及系统 |
CN112298293A (zh) * | 2020-10-30 | 2021-02-02 | 上海市信产通信服务有限公司 | 基于5g获取车站乘客行为轨迹参数的系统及方法 |
CN112365092A (zh) * | 2020-12-01 | 2021-02-12 | 北京交通大学 | 城市轨道交通路网大客流风险自适应预警系统 |
CN112581877A (zh) * | 2020-12-15 | 2021-03-30 | 深圳银谷建科网络有限公司 | 一种地铁车站智能信息发布系统 |
CN113159385A (zh) * | 2021-03-22 | 2021-07-23 | 中铁信(北京)网络技术研究院有限公司 | 一种基于深度强化学习的自反馈客流控制方法及装置 |
CN114038180A (zh) * | 2021-11-09 | 2022-02-11 | 北京京投亿雅捷交通科技有限公司 | 一种基于多源数据融合输入的客流预测风险预警方法 |
CN117275243A (zh) * | 2023-11-22 | 2023-12-22 | 上海随申行智慧交通科技有限公司 | 基于多源交通出行数据的区域流控预测预警方法及应用 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632212A (zh) * | 2013-12-11 | 2014-03-12 | 北京交通大学 | 一种时变用户均衡动态网络演化客流预测系统和方法 |
CN107798422A (zh) * | 2017-10-10 | 2018-03-13 | 东南大学 | 一种城市轨道车站大客流安全预警系统 |
CN108197739A (zh) * | 2017-12-29 | 2018-06-22 | 中车工业研究院有限公司 | 一种城市轨道交通乘客流量预测方法 |
CN108229400A (zh) * | 2018-01-04 | 2018-06-29 | 东南大学 | 地铁车站大客流识别预警方法及系统 |
CN108345983A (zh) * | 2018-01-04 | 2018-07-31 | 北京轨道交通路网管理有限公司 | 路网运营安全状况及风险的评估方法、装置及处理器 |
-
2018
- 2018-08-01 CN CN201810859852.4A patent/CN108960532A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632212A (zh) * | 2013-12-11 | 2014-03-12 | 北京交通大学 | 一种时变用户均衡动态网络演化客流预测系统和方法 |
CN107798422A (zh) * | 2017-10-10 | 2018-03-13 | 东南大学 | 一种城市轨道车站大客流安全预警系统 |
CN108197739A (zh) * | 2017-12-29 | 2018-06-22 | 中车工业研究院有限公司 | 一种城市轨道交通乘客流量预测方法 |
CN108229400A (zh) * | 2018-01-04 | 2018-06-29 | 东南大学 | 地铁车站大客流识别预警方法及系统 |
CN108345983A (zh) * | 2018-01-04 | 2018-07-31 | 北京轨道交通路网管理有限公司 | 路网运营安全状况及风险的评估方法、装置及处理器 |
Non-Patent Citations (1)
Title |
---|
张琛: "基于时空耦合特征的城市轨道交通车站通道断面客流量实时预测", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858670A (zh) * | 2018-12-24 | 2019-06-07 | 哈尔滨工业大学 | 一种轨道交通车站大客流实时预警方法 |
CN110515311A (zh) * | 2019-07-22 | 2019-11-29 | 北京交通大学 | 城市轨道交通列车客流的动态仿真系统 |
CN111063190A (zh) * | 2019-12-10 | 2020-04-24 | 北京工业大学 | 城市轨道交通车站站台过饱和客流预控制方法及系统 |
CN111063190B (zh) * | 2019-12-10 | 2021-03-02 | 北京工业大学 | 城市轨道交通车站站台过饱和客流预控制方法及系统 |
CN112298293A (zh) * | 2020-10-30 | 2021-02-02 | 上海市信产通信服务有限公司 | 基于5g获取车站乘客行为轨迹参数的系统及方法 |
CN112365092A (zh) * | 2020-12-01 | 2021-02-12 | 北京交通大学 | 城市轨道交通路网大客流风险自适应预警系统 |
CN112581877A (zh) * | 2020-12-15 | 2021-03-30 | 深圳银谷建科网络有限公司 | 一种地铁车站智能信息发布系统 |
CN113159385A (zh) * | 2021-03-22 | 2021-07-23 | 中铁信(北京)网络技术研究院有限公司 | 一种基于深度强化学习的自反馈客流控制方法及装置 |
CN114038180A (zh) * | 2021-11-09 | 2022-02-11 | 北京京投亿雅捷交通科技有限公司 | 一种基于多源数据融合输入的客流预测风险预警方法 |
CN117275243A (zh) * | 2023-11-22 | 2023-12-22 | 上海随申行智慧交通科技有限公司 | 基于多源交通出行数据的区域流控预测预警方法及应用 |
CN117275243B (zh) * | 2023-11-22 | 2024-02-02 | 上海随申行智慧交通科技有限公司 | 基于多源交通出行数据的区域流控预测预警方法及应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960532A (zh) | 一种车站实时客流状态预测与预警系统及方法 | |
Sayarshad et al. | Non-myopic relocation of idle mobility-on-demand vehicles as a dynamic location-allocation-queueing problem | |
Xu et al. | Capacity-oriented passenger flow control under uncertain demand: Algorithm development and real-world case study | |
Zhang et al. | Models, algorithms, and evaluation for autonomous mobility-on-demand systems | |
CN110136427A (zh) | 一种基于车联网大数据的自动驾驶出租车调度系统 | |
Ataç et al. | Vehicle sharing systems: A review and a holistic management framework | |
Hänseler et al. | A passenger-pedestrian model to assess platform and train usage from automated data | |
Wang et al. | Exploring the Performance of Different On‐Demand Transit Services Provided by a Fleet of Shared Automated Vehicles: An Agent‐Based Model | |
Möller | Introduction to transportation analysis, modeling and simulation | |
Van Den Heuvel et al. | Monitoring the performance of the pedestrian transfer function of train stations using automatic fare collection data | |
Oh et al. | Evaluating automated demand responsive transit using microsimulation | |
Bhouri et al. | An agent-based computational approach for urban traffic regulation | |
Hasan | A framework for intelligent decision support system for traffic congestion management system | |
Häme | Demand-responsive transport: models and algorithms | |
CN113194138A (zh) | 基于ai深度学习的出行管理方法和系统 | |
Bucak et al. | Train timetabling for a double-track urban rail transit line under dynamic passenger demand | |
Luo et al. | Dynamic intra-cell repositioning in free-floating bike-sharing systems using approximate dynamic programming | |
Leffler et al. | Simulation of fixed versus on-demand station-based feeder operations | |
Sadrani et al. | Designing limited-stop bus services for minimizing operator and user costs under crowding conditions | |
Chuwang et al. | Short-term urban rail transit passenger flow forecasting based on fusion model methods using univariate time series | |
Qu et al. | Estimating Wait Time and Passenger Load in a Saturated Metro Network: A Data‐Driven Approach | |
Dikas et al. | Scheduled paratransit transport enhanced by accessible taxis | |
Csiszár | Model of multimodal mobility coordination and guiding system | |
Shalaby et al. | Rail transit disruption management: a comprehensive review of strategies and approaches | |
Amrani et al. | Architecture of a public transport supervision system using hybridization models based on real and predictive data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |