CN110493816B

CN110493816B - 一种用于轨交地铁车站客流量的实时预测方法

Info

Publication number: CN110493816B
Application number: CN201910774320.5A
Authority: CN
Inventors: 胡华; 刘志钢; 邓紫欢; 郝妍熙; 刘秀莲
Original assignee: Shanghai University of Engineering Science
Current assignee: Shanghai University of Engineering Science
Priority date: 2019-08-21
Filing date: 2019-08-21
Publication date: 2022-10-21
Anticipated expiration: 2039-08-21
Also published as: CN110493816A

Abstract

本发明属于城市轨交智能管理的技术领域，公开了一种用于轨交地铁车站客流量的实时预测方法，包括以地铁车站相邻两列车前列车离站时刻和下列车离站一段时间后的时刻之间的时长作为一个统计周期，将当前特征日某高峰时间段划分成N个统计周期；计算当前特征日上一个统计周期内地铁全站的WiFi客流量X_t‑1、各个拥堵点区域j的视频客流密度

利用神经网络，以当前特征日上一个统计周期内地铁全站的WiFi客流量X_t‑1、各个拥堵点区域j的视频客流密度

作为输入，实时预测当前特征日当前统计周期内地铁全站的实际客流量Y_t，从而完成对当前特征日当前统计周期内地铁全站客流量的实时预测；重复上述步骤，完成某高峰时段N个统计周期地铁全站客流量的实时预测。

Description

一种用于轨交地铁车站客流量的实时预测方法

技术领域

本发明属于城市轨交智能管理的技术领域，具体涉及一种用于轨交地铁车站客流量的实时预测方法。

背景技术

随着我国城市化进程的不断加快，城市人口不断增多，以公共交通为导向的城市交通模式使得大城市公共交通主要承担者——地铁及地铁车站成为人员密集场所。客流量过大、人员过度密集不仅易造成车站拥挤，降低乘客出行效率和乘车舒适度，进一步易诱发拥挤踩踏等人身安全事故，后果不堪设想。因此，对地铁站内客流进行合理控制，准确地对超过安全人员密度的车站客流量实现预警，对于提高车站大客流应急处置效率、保障车站运营安全具有重要意义。

近年来，自动客流采集技术在客流监测领域得到了广泛应用，包括车载称重技术、热敏传感技术、蓝牙定位技术、Wi-Fi技术、视频识别技术等。通过实验性研究发现，WiFi技术和视频识别技术是适合地铁车站客流监测预警的主要手段，两者在客流监测方面的优缺点如下：(1)WiFi探针易于通过唯一MAC地址进行客流跟踪和去重复，但可能存在采样不准确的问题，如一位乘客携带多部智能终端设备均被采集到则误判为多位乘客；(2)单一视频设备的图像识别精度较高，但由于多个视频监测设备的监测范围有重复区域或存在未覆盖的视频监测盲区，导致其难以应用于车站全局范围的客流监测。

发明内容

本发明提供了一种用于轨交地铁车站客流量的实时预测方法，解决了现有客流量的计算方法实效性差，准确度低等问题。

本发明可通过以下技术方案实现：

一种用于轨交地铁车站客流量的实时预测方法，包括以下步骤：

步骤一、以地铁车站相邻两列车前列车离站时刻和下列车离站一段时间后的时刻之间的时长作为一个统计周期t，将当前特征日p某高峰时间段划分成N个统计周期；

步骤二、计算当前特征日p上一个统计周期内地铁全站的WiFi客流量X_t-1、各个拥堵点区域j的视频客流密度

步骤三、利用神经网络，以当前特征日p上一个统计周期内地铁全站的WiFi客流量X_t-1、各个拥堵点区域j的视频客流密度

作为输入，实时预测当前特征日p当前统计周期内地铁全站的实际客流量Y_t，从而完成对当前特征日p当前统计周期内地铁全站客流量的实时预测；

步骤四、重复步骤二至三，完成当前特征日p某高峰时间段各个统计周期内地铁全站客流量的实时预测。

进一步，将地铁全站均划分成若干个网格，在每个网格的中心设置一个WIFI探针，以乘客移动终端的MAC地址作为检测对象，计算当前特征日p上一个统计周期内地铁全站的WiFi客流量X_t-1。

进一步，对所有WIFI探针的检测数据进行筛选，先将仅被出入口处或者站台区的WIFI探针探测到的MAC地址数据，以及车站内部固有设备和工作人员的MAC地址数据去除；再将探测到的剩余MAC地址数据按照升序排列，分别提取每个MAC地址数据的最后采集时刻，用所在统计周期的末端时刻减去每个MAC地址数据的最后采集时刻，若差值大于阈值，则剔除所述差值对应的MAC地址数据；最后，相同的MAC地址数据仅保留一个，将剩余MAC地址数据的数量之和作为当前特征日p上一个统计周期内地铁全站的WiFi客流量X_t-1。

进一步，在各个拥堵点区域k设置一个或多个摄像头，所述摄像头用于采集拥堵点区域j的乘客视频，相邻拥堵点区域j摄像头的拍摄范围没有重叠，利用卷积神经网络与岭回归结合的视频人数统计算法，计算每个拥堵点区域j的客流量，取其与对应拥堵点区域j的面积的商值作为当前特征日p上一个统计周期内的视频客流密度

进一步，所述拥堵点区域包括车站安检区、闸机区、楼扶梯区、站台区。

进一步，根据地铁全站的实际客流量Y_t与车站最大承载能力C的关系，实施三级客流预警，若80％C≤Y_t≤90％C，启动三级预警；若90％C＜Y_t≤100％C，启动二级预警；若Y_t＞100％C，启动一级预警。

本发明有益的技术效果在于：

以地铁车站相邻两列车前列车离站时刻和下列车离站一段时间后的时刻之间的时长作为一个统计周期t，计算当前特征日上一个统计周期内的WiFi客流量、视频客流密度，并以此作为神经网络输入，实时预测当前特征日当前统计周期内地铁全站的实际客流量，从而完成对当前特征日当前统计周期内地铁全站实际客流量的实时预测，本发明的实时预测方法综合了WiFi探针检测、视频人数分析进行融合估计，尽可能地减少单一检测方法的局限性，扩大了数据的采集范围，实现优势互补，提高了客流量检测精度；同时根据数据处理方法的需求灵活设定WIFI探针数据的可重叠统计周期，在此基础上根据WiFi探针采集的数据集特性通过去重、去站内工作人员和固定设备、判别和剔除出站口或停站列车上的途径乘客以及离站或上车的乘客等数据处理方法从统计周期数据集中精确筛选在统计周期末端时刻站内乘客的MAC地址条数，进一步提高了全站WiFi客流量与实际客流量的关联度，为提高实际客流量的预测精度奠定了数据基础，较人工统计方法节省了大量的人力、物力，为站台工作人员缓解高峰拥堵提供了数据依据，为解析高峰时段站内乘客的交通特征、仿真与预测站内乘客的时空分布、优化列车车站客运组织方案、启动车站大客流预案等提供参数依据，对于提高列车车站大客流管理水平、保障乘客出行安全具有重要作用。

附图说明

图1是本发明的总体流程示意图；

图2是本发明的地铁全站的WIFI探针分布示意图；

图3是本发明的视频人数统计算法的流程示意图；

图4是本发明的神经网络的结构示意图；

图5是采用本发明的方法预测得到的客流量和实际客流量的对比示意图。

具体实施方式

下面结合附图及较佳实施例详细说明本发明的具体实施方式。

如图1所示，本发明提出一种用于轨交地铁车站客流量的实时预测方法，以地铁车站相邻两列车第一列车离站时刻和下一列车离站一段时间后的时刻之间的时长作为一个统计周期，计算当前特征日p上一个统计周期内地铁全站的WiFi客流量X_t-1、各个拥堵点区域j的视频客流密度

并以此作为神经网络输入，实时预测当前特征日p当前统计周期内地铁全站的实际客流量Y_t，这样，当得知当前统计周期内地铁全站的客流量状况，工作人员可以对下一个统计周期的客流组织方案或大客流应急预案进行适当规划，从而尽可能缓解车站大客流拥挤状况或安全风险水平，提高了城市轨交车站大客流管理的智能化水平。

具体包括以下步骤：

步骤一、以地铁车站相邻两列车前列车离站时刻和下列车离站一段时间后的时刻之间的时长作为一个统计周期t，其离站时间间隔即发车间隔大约为2-8分钟，下列车离站时刻起延长的一段时间可选择30-60秒，优选1分钟，如当前相邻三趟地铁列车离站时间为7：00、7：02、7：04，则当前统计周期为7：00-7：03，下一个统计周期为7：02-7：05。考虑到车站客流量变化最大的起因来自于列车到站和发车，因此，以相邻两趟地铁列车离站时间间隔来定义统计周期，可以很好反应车站客流量的变化规律，使预测结果更加接近实际情况。

对于WiFi客流量X_t-1：

将地铁全站均划分成若干个网格，在每个网格的中心设置一个WIFI探针，如图2所示，以乘客对应的MAC地址作为检测对象，计算当前特征日p上一个统计周期内地铁全站的WiFi客流量X_t-1。其网格的数量可以根据WIFI探针的实际性能和全站的实际面积来决定，确保WIFI探针的探测范围能够覆盖整个列车，WIFI探针采集数据的格式如下表所示。

为了提高后续计算的准确性，需要对地铁全站所有WIFI探针的检测数据进行筛选。

1)为了避免途经出入口处而未进站的乘客或途径列车未下车的乘客的影响，筛除仅被出入口处或者站台区的WIFI探针探测到的MAC地址数据，同时，提前获取车站内部固有设备和工作人员的MAC地址数据，并将其去除；

2)将探测到的剩余MAC地址数据按照升序排列，分别提取每个MAC地址数据的最后采集时刻，用所在统计周期的末端时刻减去每个MAC地址数据的最后采集时刻，若差值大于对应MAC地址数据的平均检测时间间隔的1.5倍及以上，则剔除该差值对应的MAC地址数据，假设某MAC地址在某个时长为3分钟的统计周期内共被检测到5次，而平均检测时间间隔为15秒，该MAC地址最后一次被检测的时刻距离统计周期末的时长为25秒，大于该MAC地址在该统计周期内平均检测时间间隔(15s)的1.5倍，则应剔除该MAC地址，原因在于该MAC地址在统计周期末之前的25s以内均未被车站内部的任何探针采集，可认为该乘客在统计周期末端时刻已出站或上车离站，因此需将其剔除。

3)数据去重：筛除统计周期中重复被采集的数据，即相同MAC地址只保留一个。

最后，计算剩余MAC地址数据的数量之和作为当前特征日p上一个统计周期内地铁全站的WiFi客流量X_t-1。

对于视频客密度

可选车站安检区、闸机区、楼扶梯区、站台区等区域作为拥堵点，共计k个，在各个拥堵点区域j设置一个或者多个摄像头，该摄像头用于采集拥堵点区域j的乘客视频，相邻拥堵点区域j的摄像头的拍摄范围没有重叠。针对统计周期内的某一帧视频图像，利用卷积神经网络与岭回归结合的视频人数统计算法，如图3所示，即通过卷积神经网络回归该帧视频图像中人头中心点，获得人群密度分布特征图，然后使用岭回归模型分析人群密度分布特征图得到该帧视频图像对应的人数，最后计算各个拥堵点区域j的摄像头分析得到人头数，取其与对应拥堵点区域面积的商值即为当前特征日p上一个统计周期内的各个拥堵点区域j的视频客流密度

由于整个车站的客流量状况和各个拥堵点的密度状况成对应关系，其车站客流量越大则各个拥堵点的客流密度越大，且虽然同是时刻各个拥堵点的客流量相差较大，但其客流密度一般相差不大，更能够反应车站的客流状态，有助于后续利用神经网络的预测。

步骤三、利用神经网络，如图4所示，以当前特征日p上一个统计周期内地铁全站的WiFi客流量X_t-1、各个拥堵点区域j的视频客流密度

作为输入，实时预测当前特征日p当前统计周期内地铁全站的实际客流量Y_t，完成对当前特征日p当前统计周期内地铁全站客流量的实时预测。

在进行预测之前，首先需要对神经网络进行训练，其训练数据采用上文所述的计算方法得到，可取预测的统计周期对应当前特征日的高峰时段、非高峰时段，以上一个统计周期或者上上一个统计周期内的WiFi客流量X_t-1、各个拥堵点区域的视频客流密度

作为输入，以人工视频计数方式即使用人工计数的方式计算地铁全站的实际客流量Y_t作为输出，对神经网络进行训练。为了确保神经网络的预测精度，用于训练数据的样本数不少于120，若当前时段的数据不足够，可以取上一特征日或者再往上对应的特征日在相同时段的数据。

为了提高车站工作人员的警觉性，本发明根据地铁全站的实际客流量Y_t与车站最大承载能力C的关系，实施三级客流预警，若80％C≤Y_t≤90％C，启动三级预警；若90％C＜Y_t≤100％C，启动二级预警；若Y_t＞100％C，启动一级预警。

步骤四、重复步骤二至三，计算下一相邻两列车对应的统计周期内地铁全站客流量的实时预测，直至完成当前特征日p某高峰时间段各个统计周期内地铁全站客流量的实时预测。

以上海地铁9号线列车为例，详细描述本发明的方法。

第一步：根据上海地铁9号线曹路站日客流量分布图分析其客流时间分布特征，进而将预测时段划分为工作日高峰时段、工作日非高峰时段和双休日预测时段。

第二步：在曹路站内布设WIFI探针,根据WIFI探针的最佳探测距离如30m将车站划分成若干网格，在各网格中心分别布设探针,使其探测范围能够覆盖全车站，探针布设图可参考图2。

第三步：取样本数量n＝120，根据列车发车的时间间隔即相邻两趟列车的离站时间间隔延长1分钟，设置统计周期为3min，预测特征日选取周五，预测特征时段选取周五早高峰7:00-9:00。利用上述WIFI探针在曹路站采集2019年6月7日、14日、21日均为周五7:00-9:00的MAC地址数据并按以下规则进行数据筛选，计算得到WiFi客流量X_t：

2)将探测到的剩余MAC地址数据按照升序排列，分别提取每个MAC地址数据的最后采集时刻，用所在统计周期的末端时刻减去每个MAC地址数据的最后采集时刻，若差值大于对应MAC地址数据的平均检测时间间隔的1.5倍及以上，则剔除该差值对应的MAC地址数据。假设地铁列车发车的时间间隔为2分钟，相邻三趟列车的离站时刻为7：00、7：02、7：04，则第一个统计周期为7：00-7：03，第二个统计周期为7：02-7：05。对于第一个统计周期7：00-7：03，为获得7：03时仍然在车站内的WiFi客流量，将7：03时刻减去每个MAC地址数据的最后采集时刻，若差值大于对应MAC地址数据的平均检测时间间隔的1.5倍及以上，则将其剔除，说明该MAC地址在统计周期末之前的1.5倍时间以内均未被车站内部的任何探针采集，可认为该乘客已出站或上最近的一趟车离站，需将其剔除。例如某个MAC地址在7：00-7：03的统计周期内共被检测到5次，平均每次检测时间间隔为15秒，该MAC地址最后一次被检测的时刻是7:02:35，距离统计周期末25秒，大于该MAC地址在7：00-7：03之间的平均检测时间间隔(15s)的1.5倍，则剔除该MAC地址。

第四步：选择车站两个安检区、两个闸机区、两个楼扶梯区、两处站台区共八个客流拥堵点，选取一个固定拥堵位置的摄像头用于视频数据分析，确保无重叠的监测区域。调取2019年6月7日、14日、21日均为周五7:00-9:00这八个拥堵点的视频数据，第一个统计周期为6：59-7：03，第二个统计周期为7：01-7：05，依次类推，利用卷积神经网络与岭回归结合的视频识别算法计算得到各统计周期的视频客流密度

其中，j＝1,2…8，t＝1,2,…,120。

第五步：通过视频计数方式获取的曹路站在2019年6月7日、14日、21日周五的早高峰时段7:00—9:00内，各个统计周期内的整个车站实际客流量Y_t。

第六步：建立曹路站的地铁全站的WiFi客流量X_t、八个拥堵点区域的视频客流密度

对地铁全站的实际客流量Y_t的神经网络预测模型，并利用traingdx学习规则对样本数据进行学习训练，建立满足训练精度要求的预测模型。随机取96组数据作为训练集，其余24组数据作为测试数据。对预测数据结果的精度进行分析，预测时段7：00-8:00的结果对比如图5所示。从图中可知，预测值曲线与实际值曲线的重合度较高，车站预测客流量与实际客流量的最大绝对偏差值为36人，平均绝对相对误差率为7.6％。

第七步：利用训练好的神经网络预测模型，输入2019年6月28日周五7:00—7:03的地铁全站的WiFi客流量为533以及八个拥堵点区域的视频客流密度值，预测得到7:02—7:05的地铁全站的实际客流量为514。

第八步：判断上述地铁全站的实际客流预测值514是否达到车站客流预警值，若达到，则自动预警和发布信息，联动启动相应等级下的大客流应急预案。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，在不背离本发明的和实质的前提下，可以对这些实施方式做出多种变更或修改，因此，本发明的保护范围由所附权利要求书限定。

Claims

1.一种用于轨交地铁车站客流量的实时预测方法，其特征在于包括以下步骤：

步骤四、重复步骤二至三，完成当前特征日p某高峰时间段各个统计周期内地铁全站客流量的实时预测；

将地铁全站均划分成若干个网格，在每个网格的中心设置一个WIFI探针，以乘客移动终端的MAC地址作为检测对象，计算当前特征日p上一个统计周期内地铁全站的WiFi客流量X_t-1；

对所有WIFI探针的检测数据进行筛选，先将仅被出入口处或者站台区的WIFI探针探测到的MAC地址数据，以及车站内部固有设备和工作人员的MAC地址数据去除；再将探测到的剩余MAC地址数据按照升序排列，分别提取每个MAC地址数据的最后采集时刻，用所在统计周期的末端时刻减去每个MAC地址数据的最后采集时刻，若差值大于阈值，则剔除所述差值对应的MAC地址数据；最后，相同的MAC地址数据仅保留一个，将剩余MAC地址数据之和作为当前特征日p上一个统计周期内地铁全站的WiFi客流量X_t-1；

在各个拥堵点区域j设置一个或多个摄像头，所述摄像头用于采集拥堵点区域j的乘客视频，相邻拥堵点区域k摄像头的拍摄范围没有重叠，利用卷积神经网络与岭回归结合的视频人数统计算法，计算每个拥堵点区域j的客流量，取其与对应拥堵点区域j的面积的商值作为当前特征日p上一个统计周期内的视频客流密度

2.根据权利要求1所述的用于轨交地铁车站客流量的实时预测方法，其特征在于：所述拥堵点区域包括车站安检区、闸机区、楼扶梯区、站台区。

3.根据权利要求1所述的用于轨交地铁车站客流量的实时预测方法，其特征在于：根据地铁全站的实际客流量Y_t与车站最大承载能力C的关系，实施三级客流预警，若80％C≤Y_t≤90％C，启动三级预警；若90％C<Y_t≤100％C，启动二级预警；若Y_t>100％C，启动一级预警。