CN110246332A - 基于多源数据融合的轨道交通实时客流监察方法与系统 - Google Patents
基于多源数据融合的轨道交通实时客流监察方法与系统 Download PDFInfo
- Publication number
- CN110246332A CN110246332A CN201910484863.3A CN201910484863A CN110246332A CN 110246332 A CN110246332 A CN 110246332A CN 201910484863 A CN201910484863 A CN 201910484863A CN 110246332 A CN110246332 A CN 110246332A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- layer
- data
- real
- traffic
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 230000004927 fusion Effects 0.000 title claims abstract description 20
- 230000006870 function Effects 0.000 claims description 56
- 230000011664 signaling Effects 0.000 claims description 24
- 238000012546 transfer Methods 0.000 claims description 24
- 235000019580 granularity Nutrition 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 9
- 230000036961 partial effect Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 6
- 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 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 13
- 238000007726 management method Methods 0.000 description 10
- 238000013507 mapping Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明提供一种基于多源数据融合的轨道交通实时客流监察方法与系统。该方法包括：构建多层次交通网络模型，所述多层次交通网络模型包括交通生成层、起始点分布层、路径分配层和指标输出层；对于所述多层次交通网络模型的每一层，基于历史的多源数据统计信息设置误差函数，通过正向传递和反向传播进行优化，进而获得轨道交通网络中实时估计的不同时间粒度的线网、线路、区间、车站的客流量分布信息。本发明的方法和系统能够有效利用多源数据来实时估计轨道交通网络中客流量分布情况并降低了估计误差。
Description
技术领域
本发明涉及轨道交通技术领域，尤其涉及一种基于多源数据融合的轨道交通实时客流监察方法与系统。
背景技术
近年来，城市轨道交通发展迅速，客流呈现井喷式增长。为了确保城市轨道交通系统运营管理部门实时掌握线网、线路、区间、车站和列车等多尺度实时客流动态分布情况，在早晚高峰、节假日、车站发生大客流及突发事件等情况下能够提前采取相应处理措施，需对城市轨道交通线网、线路、区间、车站和列车的客流进行实时监察，而由于基础数据的原因，实时客流监察建立在对客流状态的实时估计上。城市轨道交通客流状态实时估计是实时客流监察、客流管控以及列车调度的基础，其在城市轨道交通运输组织过程中起到极其重要的作用。
在现有技术中，实时客流监察方法大多运用交易明细数据(例如AFC(AutomaticFare Collection System，城市轨道交通自动售检票系统)数据、二维码数据等)为基础做状态实时估计。然而城市轨道交通实时上传的交易明细数据存在不完整、延时等不足之处，利用单一交易明细数据计算出来的结果存在较多误差。并且，现有的客流估计模型无法更好的适用多源数据的融合。
因此，需要对现有技术进行改进，提供基于多源数据融合的轨道交通实时客流监察方法与系统。
发明内容
本发明的目的在于克服上述现有技术的缺陷，提供一种基于多源数据融合的轨道交通实时客流监察方法与系统，能够将多源数据融合到估计模型中，实现更精确的实时客流状态估计。
根据本发明的第一方面，提供了一种基于多源数据融合的轨道交通实时客流监察方法。该方法包括以下步骤：
步骤S1：构建多层次交通网络模型，所述多层次交通网络模型包括交通生成层、起始点分布层、路径分配层和指标输出层，其中，所述交通生成层用于实时估计不同时间粒度的客流进站量，所述起始点分布层基于实时估计的客流进站量获取各起始点车站间的交通出行量，所述路径分配层结合历史的多源数据统计信息获得同一起始点车站间的各出行路径的客流量，所述指标输出层基于所述交通生成层、所述起始点分布层和所述路径分配层统计的客流数据获得不同时间粒度的线网、线路、区间、车站的客流量分布信息；
步骤S2：对于所述多层次交通网络模型的每一层，基于历史的多源数据统计信息设置误差函数，通过正向传递和反向传播进行优化，进而获得轨道交通网络中实时估计的不同时间粒度的线网、线路、区间、车站的客流量分布信息。
在一个实施例中，在正向传递中，所述交通生成层基于实时估计的客流进站量和历史的多源数据统计信息设置均方差函数F1(α)，所述起始点分布层基于各起始点车站间的交通出行量和根据历史的多源数据统计信息得到的各出行路径的出行选择比例来生成均方差函数F2(γ)，所述路径分配层根据移动手机信令统计的不同出行路径选择比例来生成均方差函数F3(β)，所述指标输出层基于所述交通生成层、所述起始点分布层和所述路径分配层统计的客流数据和根据历史的多源数据统计的轨道交通网络中各区间通过的客流量来生成均方差函数F4(υ)；在反向传播中，根据正向传递过程中计算得的误差函数F1(α)、F2(γ)、F3(β)和F4(υ)分别计算误差函数关于相应变量的偏导数并进行估计值更新；
其中，α表示实时估计客流进站量，γ表示基于历史的多源数据信息统计的归一化后的各出行路径的出行概率样本，β表示基于历史的多源数据信息统计的归一化前的各出行路径的出行概率样本，v表示实时估计的各区间的客流量。
在一个实施例中，所述多源数据包括交易明细数据、手机信令数据、热力图数据以及线网运营指挥中心历史出行客流数据、视频检测数据、红外以及雷达数据中的一项或多项。
在一个实施例中，所述客流量分布信息包括轨道交通网络中不同时间粒度的线网、线路、区间、车站的进站量、出站量、换乘量和客运量中的一项或多项。
根据本发明的第二方面，提供一种基于多源数据融合的轨道交通实时客流监察系统。该系统包括：
模型构建模块：用于构建多层次交通网络模型，所述多层次交通网络模型包括交通生成层、起始点分布层、路径分配层和指标输出层，其中，所述交通生成层用于实时估计不同时间粒度的客流进站量，所述起始点分布层基于实时估计的客流进站量获取各起始点车站间的交通出行量，所述路径分配层结合历史的多源数据统计信息获得同一起始点车站间的各出行路径的客流量，所述指标输出层基于所述交通生成层、所述起始点分布层和所述路径分配层统计的客流数据获得不同时间粒度的线网、线路、区间、车站的客流量分布信息；
模型优化模块：用于对于所述多层次交通网络模型的每一层，基于历史的多源数据统计信息设置误差函数，通过正向传递和反向传播进行优化，进而获得轨道交通网络中不同时间粒度的线网、线路、区间、车站的客流量分布信息。
在一个实施例中，在正向传递中，所述交通生成层基于实时估计的客流进站量和历史的多源数据统计信息设置均方差函数F1(α)，所述起始点分布层基于各起始点车站间的交通出行量和根据历史的多源数据统计信息得到的各出行路径的出行选择比例来生成均方差函数F2(γ)，所述路径分配层根据移动手机信令统计的不同出行路径选择比例来生成均方差函数F3(β)，所述指标输出层基于所述交通生成层、所述起始点分布层和所述路径分配层统计的客流数据和根据历史的多源数据统计的轨道交通网络中各区间通过的客流量来生成均方差函数F4(υ)；在反向传播中，根据正向传递过程中计算得的误差函数F1(α)、F2(γ)、F3(β)和F4(υ)分别计算误差函数关于相应变量的偏导数并进行估计值更新；
其中，α表示实时估计客流进站量，γ表示基于历史的多源数据信息统计的归一化后的各出行路径的出行概率样本，β表示基于历史的多源数据信息统计的归一化前的各出行路径的出行概率样本，v表示实时估计的各区间的客流量。
在一个实施例中，本发明的系统还包括接口层、数据层和显示层，其中，所述接口层用于从该系统外部获得多源数据信息，所述数据层用于存储和处理获得的多源数据信息，所述显示层用于显示实时估计的不同区间的客流量分布信息。
在一个实施例中，所述接口层用于获取交易明细数据、手机信令数据、热力图数据以及线网运营指挥中心历史出行客流数据、视频检测数据、红外以及雷达数据中的一项或多项。
与现有技术相比，本发明的优点在于：能够实现对线网、线路、区间和车站客流的实时监察，确保城市轨道交通运营管理部门实时掌握客流动态分布情况，在早晚高峰、节假日、车站发生大客流及突发事件等情况下能够提前采取相应处理措施，进而提高线网运营效率和服务水平，缓解客流压力，降低事故发生风险，满足城市轨道交通运营管理部门实际应用要求；本发明通过将多源数据融合到所构建的多层次交通网络模型，能够降低总体估计误差，满足实际应用的要求。
附图说明
以下附图仅对本发明作示意性的说明和解释，并不用于限定本发明的范围，其中：
图1是根据本发明一个实施例的基于多源数据融合的轨道交通实时客流监察方法的流程图；
图2是根据本发明一个实施例的多层次轨道交通网络模型的示意图；
图3是根据本发明一个实施例的基于多源数据融合的轨道交通实时客流监察系统的示意图；
图4是中国成都市轨道交通线网的示意图；
图5(a)至图5(d)是根据本发明一个实施例的线网客流实时估计结果与实际结果的对比图；
图6(a)至图6(d)是根据本发明一个实施例的线网不同指标的估计误差示意图。
具体实施方式
为了使本发明的目的、技术方案、设计方法及优点更加清楚明了，以下结合附图通过具体实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。
在本文示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
根据本发明的一个实施例，提供了一种基于多源数据融合的轨道交通实时客流监察方法。简言之，该方法使用包含交通生成层、起始点分布层、路径分配层和指标输出层构建的多层次交通网络模型来集成不同类型的交通数据源；将融合的多源数据、客流状态估计参数等不同数据映射到多层次交通网络模型的不同分层上；对多层次交通流网络模型中的不同层级生成复合函数并逐层前向求导，通过前向传播过程，完成客流状态的实时估计；根据前馈传播结果准确性需求，通过反向传播的机制逐层求出目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，不断更新需求变量的估计值。
具体地，参见图1所示，该实施例的客流监察方法包括以下步骤：
步骤S110，获取多源客流数据。
多源客流数据包含交易明细数据(例如AFC数据、二维码数据)、手机信令数据、热力图数据以及线网运营指挥中心的历史出行客流数据、视频检测数据、红外以及雷达等数据等。
例如，可通过地铁的AFC系统获取交易明细数据，如某工作日7点到9点的乘客AFC数据样本，这些数据样本包含各乘客的进站时间、出站时间、进站编码标识、出站编码标识等信息。
又如，手机信令数据可通过安装在地铁不同车站的设备获取，通过这些设备能够得到乘客实时位移轨迹并统计相应数据。
步骤S120，对从多种数据源获得的客流数据进行质量分析。
将获得的不同类型数据存储至数据库，作为不同类型的实时估计基础指标。进一步地，考虑数据上传过程的延时性和不完整性，可对获得的多种数据进行质量分析以确定不同时段局部最优的客流状态实时估计变量/参数，例如，滤除信息不完整数据和明显异常数据等。
步骤S130，构建客流状态实时估计误差优化模型。
构建多层次交通网络模型(HFN)，参见图2所示，该模型从整体上分为交通生成层、起始点分布层、路径分配层和指标输出层，模型中的每个节点表示一个变量，变量可以是标量、向量、矩阵、张量等，节点之间的边表示操作，即一个或多个变量的函数。在多层次交通网络模型中，可以灵活地添加变量和参数，从而能够综合估计各种出行行为参数和网络性能。
图2的多层次交通网络模型包括正向传递过程和反向传播过程，在正向传递过程中生成不同变量估计的均方差MSE(Mean Square Error)误差函数，考虑估计过程整体最优性，可对各变量MSE函数生成最小化优化模型。
步骤S140，将多源客流数据映射到多层次交通网络模型。
对于所构建的多层次交通网络模型，将每个车站的估计进站量Xo映射到HFN客流生成层的节点上，并将交易明细数据、历史出行客流数据、手机信令数据、视频检测数据、红外检测数据、激光雷达检测数据等不同数据映射到HFN的不同分层上，对多层次交通流网络中的不同层级生成复合函数并逐层前向计算，得出局部最优估计指标。
具体地，图2的多层次交通网络模型依次包括交通生成层、OD分布层(或称起始点分布层)、路径分配层和指标输出层，其中，α表示实时估计的客流进站量，γ表示基于手机信令数据、二维码数据等其他历史数据统计的归一化后的从O到各个D的出行概率样本，β表示基于手机信令数据、二维码数据等其他历史数据统计的归一化前的从O到各个D的出行概率样本，ρ表示线网中某一OD对中选择各个路径出行的概率样本，θ表示时间转化成费用的成本，δ表示乘客是否通过路径中某一区间的指示，当乘客通过该区间时，δ＝1，否则δ＝0，v(或标记为v)表示实时估计的各区间的客流量。
例如，基于Logit模型把时间成本θ转化为费用成本ρ：
其中，表示轨道交通网络站点o进站走行时间，o∈V，V表示轨道交通网络站点集合；表示轨道交通网络站点o出站走行时间，o∈V；表示轨道交通网络换乘站点o换乘走行时间，o∈V；δrtran表示乘客出行路径r中是否经过换乘站，如果经过换乘站，则δrtran＝1，否则，δrtran＝0；ta表示轨道交通网络断面a出行时间，a∈E，E表示轨道交通网络断面集合。
P表示在轨道交通网络中由站点o出发到达OD对w归一化前的估计选择比例，o∈V，w∈W，W表示轨道交通网络中OD对的集合，γ表示轨道交通网络由站点o出发到达OD对w归一化后的估计选择比例，或表示为γow，其中，Pow表示轨道交通网络由站点o出发到达OD对w的归一化前的估计选择比例。
步骤S150，对多层次交通网络模型反向传播求解。
根据前馈传播结果准确性，通过反向传播的机制逐层求出目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，不断更新需求变量的估计值，直到满足收敛条件为止。通过这种方式，利用正向传递和反向传播的交叉验证，能够获得满足实际应用需求的实时客流分布情况，例如交通生成、交通分布估计以及交通流分配等。
具体地，在正向传递过程中，交通生成层结合实时的AFC数据和客流预测参数(例如，进站量阈值、OD比例参数及模型预测系数等)估计各个车站不同时间粒度的进站量Xo，并根据手机信令数据、二维码数据等其他历史数据统计得到的进站客流数据生成均方差(MSE)函数F1(α)；OD分布层利用实时估计得到的客流进站量Xo乘以估计的O到各个D出行选择比例Pow，可以获取各OD车站间的OD量Xw(即交通出行量)，并结合根据手机信令数据、二维码数据等其他历史数据统计得到的从O到各个D出行选择比例生成均方差(MSE)函数F2(γ)；路径分配层基于同一OD间存在多条出行路径，结合手机信令数据、二维码数据等其他历史数据统计的各路径选择比例Pwr进行分配，得到选择每条路径出行的乘客数量Xr，并根据移动手机信令统计得到的从O到D不同出行路径选择比例生成均方差(MSE)函数F3(β)；指标输出层基于所述交通生成层、所述起始点分布层和所述路径分配层统计的客流数据所获区间客流指标结合某一路径流量Xr与区间通过系数δra的乘积得到估计的区间客流量Xa，并根据手机信令数据、二维码数据等其他历史数据统计得到的各个区间通过乘客数量生成均方差(MSE)函数F4(υ)。通过这四个阶段分层估计，完成客流实时估计的正向传递过程。
例如，车站间的OD量Xw表示为：
各路径选择比例Pwr(Pwr∈ρ)表示为：
均方差(MSE)函数F2(γ)表示为：
其中，δrtran表示乘客是否通过路径中的某个区间的指示，当乘客通过该区间时，δrtran＝1，否则δrtran＝0，Pwr表示轨道交通网络OD对w∈W中，路径r∈R的估计选择比例，Pow表示轨道交通网络由站点o出发到达OD对w的估计选择比例，o∈V，w∈W，表示由手机信令采集的从车站o出发的所有OD对中，OD对w∈W的选择比例，N2表示轨道交通网络由站点o出发到达OD对w的总路径数。
同理，可以求出F3(β)、F4(υ)等，在此不再赘述。
在反向传播过程中，根据正向传递计算得出的误差函数F1(α)、F2(γ)、F3(β)和F4(υ)等计算误差函数关于各个变量的偏导数并进行估计值更新。具体地，基于误差函数F1(α)和F4(υ)对估计进站量的偏导数更新变量Xo；基于误差函数F3(β)和F4(υ)对估计的不同路径选择比例的偏导数更新参数Pwr；基于误差函数F2(γ)和F4(υ)对估计的不同OD选择比例的偏导数更新参数Pow。对不同估计值和参数进行权值更新后转正向传播过程，直到估计值的误差满足收敛条件。
在本发明实施例的多层次交通网络模型中，将每个车站的估计进站量Xo映射到多层次交通网络模型的客流生成层的节点上，并将交易明细数据、历史出行客流数据、手机信令数据、视频检测数据、红外检测数据、激光雷达检测数据等不同数据映射到多层次交通网络模型的不同分层上。通过这种方式，能够克服数据单一、不完整、延时等导致的误差较大的问题。此外，基于构建的多层次交通网络模型，在正向传递过程中生成不同变量估计的均方差MSE误差函数，考虑估计过程整体最优性，对各变量MSE函数生成最小化优化模型，进一步提高了客流估计的精确性。
步骤S160，实现轨道交通实时客流监察系统。
相应地，本发明实施例还提供一种基于多源数据融合的轨道交通实时客流监察系统，参见图3所示，该系统整体上包括接口层、数据层、客流状态实时估计层和用户层。
接口层可提供与交易明细数据清分中心(ACC，Automatic Clearing Center)、线网运营指挥中心、移动手机信令以及其它数据源的接口，以获取多源客流数据。
数据层对来自于不同接口的多源客流数据进行存储，这些数据可作为客流状态实时估计的基础数据，例如，存储实时交易明细数据，包括起点站ID，进站时间，终点站ID，出站时间等；存储历史客流数据，包括历史的进出站客流、历史的换乘站换乘客流、历史的OD客流分布；存储手机信令数据，包括实时的进出站客流统计、实时的站内换乘客流统计、实时的OD路径客流统计等。
客流状态实时估计层(或称实时客流监察层)用于实现本发明实施例的实时客流监察方法，例如，客流状态实时估计方案管理(如选择输入数据，设置估计的空间范围和时间粒度等)、客流状态实时估计模型方法管理(如模型优化、模型维护、模型相关参数管理等)、客流状态实时估计结果管理(如客流状态实时估计结果存储、查询、展示和维护等)。
用户层显示客流状态估计结果，以服务于客运管理部门、地铁出行乘客及车站管理人员等。
为了进一步验证本发明的基于多源数据融合的城市轨道交通客流估计方法与系统的可行性与先进性，选取实际城市轨道交通线网进行具体实施，以中国成都市轨道交通线网为例，构建拓扑网络进行实施验证，完成轨道交通线网实时客流监察过程，亦即轨道交通线网客流状态实时估计过程。
图4是成都市轨道交通线网，其中包含6条线路(即line 1、line2、line3、line4、line7和line10)、156个车站、14个换乘站，为了得到该交通线网的交易明细数据(以AFC数据为例)，从成都地铁的AFC系统中获得了一个工作日2019年1月15日7点到9点的共计310203条乘客AFC数据样本，如表1所示。手机信令数据通过安装在成都地铁不同车站的设备获得，通过该设备可以获得乘客实时位移轨迹并统计相应数据后上传至本发明的系统。在此实施例的客流状态估计中，时间相关的客流状态覆盖了从早上7点到9点的高峰时段，时间间隔设置为5分钟。
表1：实际的AFC数据样本
在该具体应用中，在大约5分钟内使用PC(CPU:i7-8550HQ 2GHZ，16GB RAM)在Visual Studio 2017中完成了一次2019年1月15日07:00-09:00客流状态实时估计过程，总共有581790个OD被分配至不同路径中，并且每15分钟对客流状态实时估计结果进行更新，生成不同时间、空间维度的客流指标，例如，选择了早高峰9:00的客流状态实时估计结果对线网客流指标进行展示。通过客流状态实时估计对于轨道交通运营管理者提前、有效地掌握线网中不同车站、区间的客流状态，进而采取限流、增加列车等措施具有重要的意义。
线网客流状态实时估计结果(包含线网进站量、线网出站量、线网换乘量和线网客运量)展示了早高峰7:00-9:00时刻每15分钟间隔的客流变化情况；同时，根据估计值和实际客流指标进行了对比分析，如表2所示，可见误差3％以内。
表2线网客流状态实时估计与实际值对比分析
图5(a)至图5(d)分别示出了根据本发明实施例估计的线网进站量、线网出站量、线网换乘量、线网客运量的实时估计数据(Real-time Estimated Data)与实际数据(Actual Data)的对比，可以看出，在早高峰7:00-9:00时段，估计的线网进站量、出站量、换乘量和客运量与实际客流数据虽然存在一定误差，但是整体的拟合程度都很高。
图6(a)至图6(d)表示多种数据源不同指标估计误差分析，其中，图6(a)是线网进站量误差，图6(b)是线网出站量误差，图6(c)是线网换乘量误差，图6(d)是线网客运量误差，对7:00-9:00时间段进行对比，可以看出，线网进站量、线网出站量、线网换乘量以及线网客运量指标误差基本在5％以下。
为了验证本发明的实际应用效果，将本发明的多源数据融合的城市轨道交通客流估计系统对成都市轨道交通部署应用，经过半年左右的试运行，线网客流状态实时估计总体误差在3％以内，有效地实现了成都市轨道交通实时客流监测，能够有力地支撑成都市轨道交通运营部门的管理运营。
综上所述，在本发明的城市轨道交通客流状态实时估计过程中，从交通生成层至指标输出层对不同层次的客流交通出行进行分层，将AFC数据、手机信令数据等不同的数据源映射到多层次流网络的不同分层上，从而实现多源数据的交叉检验与融合。本发明以多源数据融合作为实现实时客流监察的数据基础，有效地解决了仅采用单一数据所产生的误差问题。此外，本发明的多层次轨道交通网络模型通过基于计算图的前向及反向传播算法架构有效地实现多源异构数据的融合，完成城市轨道交通线网客流状态实时估计，进一步提高了估计的精确性。
应理解的是，上述的多层次交通网络模型中各层使用的误差函数不限于均方差函数，也可以是平均绝对误差函数等其他类型的误差函数。并且本发明的方法可应用于线网、线路、区间、车站和列车等多尺度实时客流动态分布情况的估计，对地铁线网的地区、规模没有限制。
需要说明的是，虽然上文按照特定顺序描述了各个步骤，但是并不意味着必须按照上述特定顺序来执行各个步骤，实际上，这些步骤中的一些可以并发执行，甚至改变顺序，只要能够实现所需要的功能即可。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以包括但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种基于多源数据融合的轨道交通实时客流监察方法，包括以下步骤：
步骤S1：构建多层次交通网络模型，所述多层次交通网络模型包括交通生成层、起始点分布层、路径分配层和指标输出层，其中，所述交通生成层用于实时估计不同时间粒度的客流进站量，所述起始点分布层基于实时估计的客流进站量获取各起始点车站间的交通出行量，所述路径分配层结合历史的多源数据统计信息获得同一起始点车站间的各出行路径的客流量，所述指标输出层基于所述交通生成层、所述起始点分布层和所述路径分配层统计的客流数据获得不同时间粒度的线网、线路、区间、车站的客流量分布信息；
步骤S2：对于所述多层次交通网络模型的每一层，基于历史的多源数据统计信息设置误差函数，通过正向传递和反向传播进行优化，进而获得轨道交通网络中实时估计的不同时间粒度的线网、线路、区间、车站的客流量分布信息。
2.根据权利要求1所示的方法，其特征在于：
在正向传递中，所述交通生成层基于实时估计的客流进站量和历史的多源数据统计信息设置均方差函数F1(α)，所述起始点分布层基于各起始点车站间的交通出行量和根据历史的多源数据统计信息得到的各出行路径的出行选择比例来生成均方差函数F2(γ)，所述路径分配层根据移动手机信令统计的不同出行路径选择比例来生成均方差函数F3(β)，所述指标输出层基于历史的多源数据统计的轨道交通网络中各区间通过的客流量来生成均方差函数F4(υ)；
在反向传播中，根据正向传递过程中计算得的误差函数F1(α)、F2(γ)、F3(β)和F4(υ)分别计算误差函数关于相应变量的偏导数并进行估计值更新；
其中，α表示实时估计客流进站量，γ表示基于历史的多源数据信息统计的归一化后的各出行路径的出行概率样本，β表示基于历史的多源数据信息统计的归一化前的各出行路径的出行概率样本，v表示实时估计的各区间的客流量。
3.根据权利要求1所述的方法，其特征在于，所述多源数据包括交易明细数据、手机信令数据、热力图数据以及线网运营指挥中心历史出行客流数据、视频检测数据、红外以及雷达数据中的一项或多项。
4.根据权利要求1所述的方法，其特征在于，所述客流量分布信息包括轨道交通网络中不同时间粒度的线网、线路、区间、车站的进站量、出站量、换乘量和客运量中的一项或多项。
5.一种基于多源数据融合的轨道交通实时客流监察系统，包括：
模型构建模块：用于构建多层次交通网络模型，所述多层次交通网络模型包括交通生成层、起始点分布层、路径分配层和指标输出层，其中，所述交通生成层用于实时估计不同时间粒度的客流进站量，所述起始点分布层基于实时估计的客流进站量获取各起始点车站间的交通出行量，所述路径分配层结合历史的多源数据统计信息获得同一起始点车站间的各出行路径的客流量，所述指标输出层基于所述交通生成层、所述起始点分布层和所述路径分配层统计的客流数据获得不同时间粒度的线网、线路、区间、车站的客流量分布信息；
模型优化模块：用于对于所述多层次交通网络模型的每一层，基于历史的多源数据统计信息设置误差函数，通过正向传递和反向传播进行优化，进而获得轨道交通网络中不同时间粒度的线网、线路、区间、车站的客流量分布信息。
6.根据权利要求5所述的系统，其特征在于，在正向传递中，所述交通生成层基于实时估计的客流进站量和历史的多源数据统计信息设置均方差函数F1(α)，所述起始点分布层基于各起始点车站间的交通出行量和根据历史的多源数据统计信息得到的各出行路径的出行选择比例来生成均方差函数F2(γ)，所述路径分配层根据移动手机信令统计的不同出行路径选择比例来生成均方差函数F3(β)，所述指标输出层基于所述交通生成层、所述起始点分布层和所述路径分配层统计的客流数据和根据历史的多源数据统计的轨道交通网络中各区间通过的客流量来生成均方差函数F4(υ)；
在反向传播中，根据正向传递过程中计算得的误差函数F1(α)、F2(γ)、F3(β)和F4(υ)分别计算误差函数关于相应变量的偏导数并进行估计值更新；
其中，α表示实时估计客流进站量，γ表示基于历史的多源数据信息统计的归一化后的各出行路径的出行概率样本，β表示基于历史的多源数据信息统计的归一化前的各出行路径的出行概率样本，v表示实时估计的各区间的客流量。
7.根据权利要求5所述的系统，其特征在于，还包括接口层、数据层和显示层，其中，所述接口层用于从该系统外部获得多源数据信息，所述数据层用于存储和处理获得的多源数据信息，所述显示层用于显示实时估计的不同区间的客流量分布信息。
8.根据权利要求7所述的系统，其特征在于，所述接口层用于获取交易明细数据、手机信令数据、热力图数据以及线网运营指挥中心历史出行客流数据、视频检测数据、红外以及雷达数据中的一项或多项。
9.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现根据权利要求1至4中任一项所述方法的步骤。
10.一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910484863.3A CN110246332B (zh) | 2019-06-05 | 2019-06-05 | 基于多源数据融合的轨道交通实时客流监察方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910484863.3A CN110246332B (zh) | 2019-06-05 | 2019-06-05 | 基于多源数据融合的轨道交通实时客流监察方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110246332A true CN110246332A (zh) | 2019-09-17 |
| CN110246332B CN110246332B (zh) | 2020-09-22 |
Family
ID=67886065
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910484863.3A Active CN110246332B (zh) | 2019-06-05 | 2019-06-05 | 基于多源数据融合的轨道交通实时客流监察方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110246332B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111145546A (zh) * | 2019-12-27 | 2020-05-12 | 银江股份有限公司 | 一种城市全域交通态势分析方法 |
| CN112242040A (zh) * | 2020-10-16 | 2021-01-19 | 成都中科大旗软件股份有限公司 | 一种景区客流多维度监管系统及方法 |
| CN113291356A (zh) * | 2021-06-24 | 2021-08-24 | 北京交通大学 | 动态列车追踪间隔计算方法 |
| WO2022134692A1 (zh) * | 2020-12-25 | 2022-06-30 | 卡斯柯信号有限公司 | 一种轨道交通智能调度方法及系统 |
| CN117978978A (zh) * | 2024-03-05 | 2024-05-03 | 广东交通职业技术学院 | 一种基于多源数据融合的地铁客流监测与预警方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09230910A (ja) * | 1996-02-23 | 1997-09-05 | Nec Corp | 旅客需要予測方式 |
| 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 |
| CN106485359A (zh) * | 2016-10-13 | 2017-03-08 | 东南大学 | 一种基于列车运行时刻表的城市轨道交通断面客流推测方法 |
| CN106960261A (zh) * | 2017-03-27 | 2017-07-18 | 重庆邮电大学 | 一种基于轨道ic卡和手机信令数据的轨道交通客流预测方法 |
-
2019
- 2019-06-05 CN CN201910484863.3A patent/CN110246332B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09230910A (ja) * | 1996-02-23 | 1997-09-05 | Nec Corp | 旅客需要予測方式 |
| 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 |
| CN106485359A (zh) * | 2016-10-13 | 2017-03-08 | 东南大学 | 一种基于列车运行时刻表的城市轨道交通断面客流推测方法 |
| CN106960261A (zh) * | 2017-03-27 | 2017-07-18 | 重庆邮电大学 | 一种基于轨道ic卡和手机信令数据的轨道交通客流预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 周家中等: "基于空间加权的LS-SVM城市轨道交通车站客流量预测", 《铁道学报》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111145546A (zh) * | 2019-12-27 | 2020-05-12 | 银江股份有限公司 | 一种城市全域交通态势分析方法 |
| CN111145546B (zh) * | 2019-12-27 | 2021-02-12 | 银江股份有限公司 | 一种城市全域交通态势分析方法 |
| CN112242040A (zh) * | 2020-10-16 | 2021-01-19 | 成都中科大旗软件股份有限公司 | 一种景区客流多维度监管系统及方法 |
| WO2022134692A1 (zh) * | 2020-12-25 | 2022-06-30 | 卡斯柯信号有限公司 | 一种轨道交通智能调度方法及系统 |
| CN113291356A (zh) * | 2021-06-24 | 2021-08-24 | 北京交通大学 | 动态列车追踪间隔计算方法 |
| CN117978978A (zh) * | 2024-03-05 | 2024-05-03 | 广东交通职业技术学院 | 一种基于多源数据融合的地铁客流监测与预警方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110246332B (zh) | 2020-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110246332B (zh) | 基于多源数据融合的轨道交通实时客流监察方法与系统 | |
| CN110782070B (zh) | 一种城市轨道交通突发事件客流时空分布预测方法 | |
| Dulebenets et al. | Exact and heuristic solution algorithms for efficient emergency evacuation in areas with vulnerable populations | |
| Ghaemi et al. | Impact of railway disruption predictions and rescheduling on passenger delays | |
| US20200042799A1 (en) | System and method for point-to-point traffic prediction | |
| Arbex et al. | Estimating the influence of crowding and travel time variability on accessibility to jobs in a large public transport network using smart card big data | |
| Yi et al. | Optimization of the issuance of evacuation orders under evolving hurricane conditions | |
| Liu et al. | Incorporating household gathering and mode decisions in large‐scale no‐notice evacuation modeling | |
| CN102346964A (zh) | 道路交通网络区域拥堵实时预测与智能管理系统 | |
| CN107978148A (zh) | 一种基于多源交通数据动态可靠性的交通状态预测方法 | |
| CN112686417A (zh) | 一种地铁大客流预测方法、系统及电子设备 | |
| Wang et al. | The prediction of traffic congestion and incident on urban road networks using Naive Bayes classifier | |
| Tao et al. | Online estimation model for passenger flow state in urban rail transit using multi‐source data | |
| Li et al. | Frequency-based path flow estimator for transit origin-destination trip matrices incorporating automatic passenger count and automatic fare collection data | |
| Yokoyama et al. | A framework for large-scale train trip record analysis and its application to passengers’ flow prediction after train accidents | |
| Zhen et al. | Train rescheduling model with train delay and passenger impatience time in urban subway network | |
| Zimmer et al. | Using data analytics to optimize public transportation on a college campus | |
| Jiang et al. | Modeling actual dwell time for rail transit using data analytics and support vector regression | |
| Mitsakis et al. | Combination of macroscopic and microscopic transport simulation models: Use case in Cyprus. | |
| Schneider et al. | The Application of Market-based Multi-Robot Task Allocation to Ambulance Dispatch | |
| Bagloee et al. | Side constrained traffic assignment problem for multiclass flow | |
| Yu et al. | A new approach on passenger flow assignment with multi-connected agents | |
| Zhen et al. | Traffic emergency vehicle deployment and dispatch under uncertainty | |
| Ghobadi et al. | Hypercube queuing model for emergency facility location problem considering travel and on-scene service times | |
| Yahia | Management and operation of emerging mobility services |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |