CN110532515A - 基于afc与视频数据的城市轨道交通乘客行程反演系统 - Google Patents
基于afc与视频数据的城市轨道交通乘客行程反演系统 Download PDFInfo
- Publication number
- CN110532515A CN110532515A CN201910718118.0A CN201910718118A CN110532515A CN 110532515 A CN110532515 A CN 110532515A CN 201910718118 A CN201910718118 A CN 201910718118A CN 110532515 A CN110532515 A CN 110532515A
- Authority
- CN
- China
- Prior art keywords
- stroke
- data
- inverting
- passenger
- journey time
- 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
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 230000003993 interaction Effects 0.000 claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 238000013523 data management Methods 0.000 claims abstract description 10
- 238000012423 maintenance Methods 0.000 claims abstract description 7
- 238000009826 distribution Methods 0.000 claims description 48
- 238000000034 method Methods 0.000 claims description 31
- 238000012546 transfer Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000013500 data storage Methods 0.000 claims description 12
- 210000000352 storage cell Anatomy 0.000 claims description 12
- 238000009434 installation Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000005315 distribution function Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 239000004744 fabric Substances 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000001680 brushing effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims 1
- 230000002452 interceptive effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 17
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于AFC与视频数据的城市轨道交通乘客行程反演系统。该系统包括人机交互终端、行程反演服务器、行程时间计算服务器、数据管理服务器。人机交互终端提供乘客行程反演的驱动和结果展示;行程反演服务器调用行程时间计算服务器,通过路径反演和乘车方案交叉反演,生成行程指标;行程时间计算服务器基于列车运行计划、AFC数据和视频数据综合计算行程时间;数据管理服务器负责系统运行所需数据的存储、维护和融合。本发明利用城市轨道交通大数据,为反演乘客出行路径、获得乘车方案提供智能平台,提高城市轨道交通客运服务的智能化水平,提升乘客的出行质量。
Description
技术领域
本发明涉及城市轨道交通运行管理技术领域,尤其涉及一种基于AFC与视频数据的城市轨道交通乘客行程反演系统。
背景技术
随着国内各大城市轨道交通网络化复杂程度的不断提高,大客流趋势越发明显,乘客的出行选择趋于多样化,掌握乘客在路网中的选择规律和特点,及时推演客流分布状态,满足乘客的出行需求是十分必要的。依据智能手段合理描述出乘客在路网中的物理路径选择和列车选择行为,成为轨道交通运营管理者们关注的重点。
为准确掌握客流在路网中的分布规律和特点,为运营管理部门合理制定运营方案提供科学的理论基础,一方面需要依据多源大数据获取海量、准确的乘客出行信息,使推演结果更加具有客观性;另一方面需要根据多源数据的不同特点,相互补充、修正来反演出更准确的乘客行程。
目前,现有技术中的国内轨道交通乘客行程推演的方法大都依据相关数据进行正向推演,但随着客流量和路网复杂性的增加,乘客的行为决策体现出复杂和多样性特征,既有方法已不能满足对乘客出行行为的准确描述。
发明内容
本发明的实施例提供了一种基于AFC与视频数据的城市轨道交通乘客行程反演系统,以实现充分掌握乘客在路网中的行程选择特征,为运营管理部门制定运营管控方案提供数据基础。
为了实现上述目的,本发明采取了如下技术方案。
一种基于AFC与视频数据的城市轨道交通乘客行程反演系统,包括:人机交互终端、行程反演服务器和行程时间计算服务器,所述行程反演服务器与所述人机交互终端、所述行程时间计算服务器连接;
所述的人机交互终端,用于提供用户使用接口和控制驱动接口,通过用户使用接口接收外部输入的路径反演和乘车方案反演所需的参数,通过控制驱动接口控制乘客行程反演的进程,对接收到的乘客行程反演结果进行展示;
所述的行程反演服务器,用于基于行程时间计算结果、基础数据与乘客动态数据进行乘客的乘车方案反演和路径反演,得到乘客行程反演结果,并进行乘客的行程指标的统计,将得到的乘客行程反演结果和乘客的行程指标的统计结果传输给所述人机交互终端;
所述的行程时间计算服务器,用于基于列车运行数据、视频检测数据和AFC数据联合计算乘客的行程时间分布,将得到的行程时间分布结果传输给行程反演服务器。
优选地,所述系统还包括:
数据管理服务器,用于与所述人机交互终端、行程反演服务器、行程时间计算服务器连接,管理和传输用于乘客行程反演的基础数据与动态数据。
优选地,所述人机交互终端包括系统设置单元和统计结果展示界面;
所述统计结果展示界面,用于对行程反演服务器传输过来的乘客行程反演结果进行展示,并提供乘客的行程指标的统计结果的查看。
所述系统设置单元,用于提供用户使用接口和控制驱动接口,通过用户使用接口接收外部输入的行程反演服务器中路径反演和乘车方案反演所需的参数;通过控制驱动接口对行程反演服务器中路径反演和乘车方案反演进行场景控制和进度控制。
优选地,所述行程反演服务器包括路径反演单元、乘车方案反演单元和行程指标统计单元;
所述路径反演单元,用于依据乘车方案反演结果选择是否进行路径反演,依据客观条件和经验参数构建Logit模型,依据行程时间修正路径选择比例,使用最大期望算法EM或优化算法优化Logit模型,根据优化后的Logit模型计算获得OD间的路径选择概率,得到乘客路径反演结果;
所述乘车方案反演单元,用于基于走行速度对乘客进行分类,基于走行速度和行程时间对各个类别的乘客的行程进行聚类,遍历所有乘客分类,遍历各个路径对应的所有行程,剔除无效行程,计算出OD间各有效行程概率,得到乘车方案反演结果;
所述行程指标统计单元,用于根据乘车方案反演结果,按照站点、OD、路径、列车分别统计行程时间分布、路径选择比例、列车衔接概率指标,并将统计结果反馈给人机交互终端中的统计结果查看单元。
优选地,所述行程时间计算服务器包括基于列车运行的行程集合计算单元、基于AFC数据的行程时间计算单元和基于视频检测的行程时间;
所述基于列车运行的行程集合计算单元,用于根据列车运行计划计算出列车的进、出站时间区间,根据进、出站时间区间和视频数据拟合函数计算出衔接出发列车集合和衔接到站列车集合,以及换乘衔接列车集合;
所述基于AFC数据的行程时间计算单元,用于依据AFC数据确定平峰时间的行程时间分布,依据视频数据计算得到的行程时间分布计算结果构建高峰与平峰时间关系函数,根据高峰与平峰时间关系函数和平峰时间的行程时间分布确定高峰时间的行程时间分布;
所述基于视频检测的行程时间计算单元,用于设定乘客在一定场景和设备设施类型的速度分布函数,根据乘客流线中的不同检测区域内的乘客移动速度拟合函数,依据设定的速度和距离来计算不同场景和设备设施对应的行程时间分布,将行程时间分布的计算结果反馈给基于AFC数据的行程时间计算单元。
优选地,所述数据管理服务器包括数据融合单元、数据存储单元和数据维护单元;
所述数据存储单元,用于通过数据库软件存储多源数据,所述多源数据包括:路网基础数据库、列车运行数据库、视频数据库、AFC刷卡数据库和统计结果数据;
所述数据维护单元,用于实现所述数据存储单元中存储的多源数据的查看、编辑、更新、同步与保护;
所述数据融合单元,用于对所述数据存储单元中存储的多源数据进行融合处理,清理异常数据,对数据进行空间和时间精度一致化转换,建立多源数据时空组合。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例的系统利用AFC数据与视频数据等城市轨道交通大数据,为反演乘客出行路径、获得乘车方案提供智能平台,提高城市轨道交通客运服务的智能化水平,提升乘客的出行质量。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1为本发明实施例提供的一种基于AFC与视频数据的城市轨道交通乘客行程反演系统的结构示意图;
图2为本发明实施例提供的一种基于AFC与视频数据的城市轨道交通乘客行程反演系统的终端界面示意图;
图3为本发明实施例提供的一种统计结果构成示意图;
图4为本发明实施例提供的一种多源数据融合流程图;
图5为本发明实施例提供的一种基于列车运行的行程集合计算流程;
图6为本发明实施例提供的一种基于视频检测的行程时间计算流程图;
图7为本发明实施例提供的一种基于AFC数据的行程时间分布计算流程图;
图8为本发明实施例提供的一种路径反演流程图;
图9为本发明实施例提供的一种乘车方案反演流程图;
图10为本发明实施例提供的一种平峰出站时间统计流程图;
图11为本发明实施例提供的一种进站时间、候车时间与留乘次数统计流程图;
图12为本发明实施例提供的一种换乘时间与列车衔接分布统计流程图;
图13为本发明实施例提供的一种路径行程时间统计流程图。
图14为本发明实施例提供的一种基于AFC与视频数据的城市轨道交通乘客行程反演系统的常规运行流程图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
信息技术的飞速发展,使得轨道交通运营管理部门已拥有基本的信息设备,目前尚无与基于AFC(Automatic Fare Collection System,城市轨道交通自动售检票系统)和视频数据的城市轨道交通乘客行程反演方法相关的应用。
本发明的主要设计目标是依据AFC数据和视频数据,充分掌握乘客在路网中的行程选择特征,为运营管理部门合理制定调整行车计划、制定运营管控方案提供数据基础,提高线路服务水平,缓解路网拥挤问题,提高乘客出行的舒适性和安全性。
图1为本发明实施例提供的一种基于AFC与视频数据的城市轨道交通乘客行程反演系统的结构示意图,包括:人机交互终端、行程反演服务器、行程时间计算服务器和数据管理服务器。行程反演服务器与人机交互终端、行程时间计算服务器连接,数据管理服务器与人机交互终端、行程反演服务器、行程时间计算服务器连接。
所述的人机交互终端,用于提供用户使用接口和控制驱动接口,通过用户使用接口接收外部输入的路径反演和乘车方案反演所需的参数,通过控制驱动接口控制乘客行程反演的进程,对接收到的乘客行程反演结果进行展示。
所述的行程反演服务器,用于基于行程时间计算结果、基础数据与乘客动态数据进行乘客的乘车方案反演和路径反演,得到乘客行程反演结果,并进行乘客的行程指标的统计,将得到的乘客行程反演结果和乘客的行程指标的统计结果传输给所述人机交互终端。
所述的行程时间计算服务器,用于基于列车运行数据、视频检测数据、AFC数据联合计算乘客的行程时间分布,将得到的行程时间分布结果传输给调用行程时间计算服务器。
数据管理服务器,用于与所述人机交互终端、行程反演服务器、行程时间计算服务器连接,管理和传输用于乘客行程反演的基础数据与动态数据。
上述人机交互终端可以包括系统设置单元和统计结果展示界面;
所述系统设置单元,用于提供用户使用接口和控制驱动接口,通过用户使用接口接收外部输入的行程反演服务器中路径反演和乘车方案反演所需的参数;通过控制驱动接口对行程反演服务器中路径反演和乘车方案反演进行场景控制和进度控制。
所述统计结果展示界面,用于对行程反演服务器传输过来的乘客行程反演结果进行展示,根据乘客行程反演结果按站点、OD、路径和列车等不同行程指标进行统计,并提供乘客的各种行程指标的统计结果的查看。
图2为本发明实施例提供的一种人机交互终端的界面示意图。当点击界面中的参赛设置按钮,可以根据表1设置需要的系统参数;当点击界面中的结果查看按钮,在界面中的内容显示部分将显示相应的参数设置和数据统计结果,可以显示乘客行程反演结果,支持按站点、OD、路径和列车等展示不同行程指标的统计结果。当点击界面中的统计分析按钮,根据乘客行程反演结果按站点、OD、路径和列车等不同行程指标进行统计。图3为本发明实施例提供的一种统计结果构成示意图。按站点统计分为进站时间分布、停车时间分布、换乘时间分布和出站时间分布;按OD统计分为行程时间分布和路径比例分布;按路径统计分为行程时间分布和乘车方案分布;按列车统计分为列车衔接概率分布、滞留次数分布和利用率的时空分布。
表1:系统参数表
上述数据管理服务器包括数据融合单元、数据存储单元和数据维护单元。
所述数据存储单元,是由主流数据库软件为平台的单元,用于通过数据库软件存储多源数据,所述多源数据包括:路网基础数据库、列车运行数据库、视频数据库、AFC刷卡数据库和统计结果数据;
所述数据维护单元,用于实现所述数据存储单元中存储的多源数据的查看、编辑、更新、同步与保护。
所述数据融合单元,用于对所述数据存储单元中存储的多源数据进行融合处理,清理异常数据,对数据进行空间和时间精度一致化转换,建立多源数据时空组合;上述多源数据可以包括路网基础数据、列车运行数据、视频数据和AFC刷卡数据等数据。图4为本发明实施例提供的一种多源数据融合流程图,具体处理过程包括:基于数据库中的路网基础数据、列车运行数据、视频数据、AFC刷卡数据等,根据参数设定时空范围选择对应数据,然后清理异常数据,进行空间和时间精度一致化转换。然后,根据行程建立空间和时间的有向关联关系,建立有效的多源数据时空组合。
上述行程时间计算服务器可以包括基于列车运行的行程集合计算单元、基于AFC数据的行程时间计算单元和基于视频检测的行程时间计算单元。
所述基于列车运行的行程集合计算单元,用于根据列车运行计划计算出列车的进、出站时间区间,根据进、出站时间区间和视频数据拟合函数计算出衔接出发列车集合和衔接到站列车集合,以及换乘衔接列车集合;图5为本发明实施例提供的一种基于列车运行的行程集合计算流程,具体处理过程包括:首先基于视频数据拟合函数计算出站时间区间,从而计算衔接到站列车集合,然后基于视频数据拟合函数计算进站时间区间,从而计算衔接出发列车集合,最后根据进、出站时间与行车时间计算换乘衔接列车集合。其中,视频数据拟合函数包括进站、出站途径的设备设施(楼扶梯、通道、站厅、站台)的速度分布函数;速度分布函数所需样本采用区域内轨迹跟踪的方式,采样多名乘客跟踪其通过速度得到速度样本,并记录样本采集的所属时刻,使用经典的分布函数(如正态或伽马分布)进行速度分布函数拟合,据此得到不同设备的分时段的的速度分布函数。
所述基于视频检测的行程时间计算单元,用于设定乘客在一定场景(平日、节假日等)和设备设施类型(站台、通道、楼扶梯等)的速度分布函数,根据乘客流线中的不同检测区域内的乘客移动速度拟合函数,依据设定的速度和距离来计算不同场景和设备设施对应的行程时间分布,将计算结果反馈给基于AFC数据的行程时间计算单元。图6为本发明实施例提供的一种基于视频检测的行程时间计算流程图,具体处理过程包括:首先根据乘客在站内的行程流线,采集多个检测区域内的乘客移动速度的分时数值样本,然后设定乘客速度在一定场景(平日、节假日等)和设备设施类型(站台、通道、楼扶梯等)的速度分布函数,使用样本来拟合函数的参数,最后通过输入速度和距离,计算不同场景和设备设施对应的行程时间分布。
所述基于AFC数据的行程时间计算单元,用于依据AFC数据确定平峰时间的行程时间分布,依据视频数据计算得到的行程时间分布计算结果,构建高峰与平峰时间关系函数,确定高峰行程时间分布。图7为本发明实施例提供的一种基于AFC数据的行程时间分布计算流程图,具体处理过程包括:首先基于AFC数据确定平峰出站时间分布,然后基于高峰与平峰的时间关系函数和平峰出站时间分布计算出高峰出站时间分布。接着基于出站时间分布计算到达衔接列车分布;基于到达衔接列车分布计算分时进站时间分布;再基于进站时间分布计算出发衔接列车分布,然后计算换乘到达时间分布;最后,对于一次换乘行程,获得换乘间的列车衔接概率,根据列车衔接概率计算换乘时间分布。
上述行程反演服务器可以包括路径反演单元、乘车方案反演单元和行程指标统计单元。
所述路径反演单元,用于依据乘车方案反演结果选择是否进行路径反演,依据客观条件和经验构建Logit模型,依据行程时间修正路径选择比例,使用EM(Expectation-Maximization algorithm,最大期望算法)算法或优化算法优化Logit模型,根据优化后的Logit模型计算获得OD间的路径选择概率,得到乘客路径反演结果。图8为本发明实施例提供的一种路径反演流程图,具体处理过程包括:首先根据已知客观条件(换乘次数、在车时间、候车时间和换乘走行时间等)、经验条件(在车拥挤度)与经验参数(包括广义费用和logit函数中的参数)构建初始的Logit模型。
上述logit模型形如其中pk是选择路径K的概率,β是参数,L是备选路径条数,V是广义费用,广义费用计算根据客观条件和经验条件所得,形如其中θ=(θ1,θ2,...,θk)是参数。Xj=[xj1,xj2,...,xjk]T是客观条件和经验条件中的要素取值,计算路径选择先验比例;然后以行程时间为后验修正路径选择先验比例,以修正后的路径选择比例计算成本并修正初始的Logit模型的参数;接着以计算所得成本和修正后的Logit模型参数为初始值,构建Logit模型;最后,以OD刷卡时间分布误差最小为优化目标,以logit和广义费用的参数为解,使用EM模型或其他常用优化算法求解。求解过程中,每轮迭代不断更新参数,根据logit模型及其广义费用函数计算得到路径选择比例,根据选择比例计算得到各列车拥挤度和各OD的乘客进出站时间分布,将列车拥挤度作为下一轮更新的在车拥挤度成本计算依据,循环迭代终止得到最优参数,根据最优参数和logit模型及其广义费用计算函数计算获得OD间的路径选择概率。
所述乘车方案反演单元,用于基于走行速度对乘客进行分类,基于走行速度和行程时间对各个类别的乘客的行程进行聚类,遍历所有乘客分类,遍历各个路径对应的所有行程,剔除无效行程,计算出OD间各有效行程概率,得到乘车方案反演结果。图9为本发明实施例提供的一种乘车方案反演流程图,具体处理过程包括:首先基于走行速度对乘客进行分类,再基于走行速度和行程时间对各个类别的乘客的行程进行聚类,然后判断是否遍历所有乘客分类,若是则更新OD间各行程概率,否则判断是否遍历路径对应所有行程,若是则返回判断是否遍历所有乘客分类,若否则判断行程中的时间与乘客所属分类是否一致,若一致则返回判断是否遍历路径对应所有行程,不一致则将该行程设为无效。根据此流程,对计算行程时间时所得的衔接概率进行修正,如行程无效,则将衔接概率依比例分配至同一时空的其他有效行程上,得到修正后的乘客的乘车方案。
所述行程指标统计单元,用于根据乘车方案反演结果,按照站点、OD、路径、列车分别统计行程时间分布、路径选择比例、列车衔接概率指标,并将统计结果反馈给人机交互终端中的统计结果查看单元。
图11为本发明实施例提供的一种进站时间、候车时间与留乘次数统计流程图,该处理流程由上述行程时间计算服务器中的基于列车运行的行程集合计算单元来完成,具体处理过程包括:首先,指定车站O,对所有D点,判断OD间是否无换乘行程,且D点出站时间分布已知,若是,则将去往D点的乘坐列车频次加入集合C;若否,则返回判断是否遍历所有D点;遍历所有D点后,判断是否遍历进站时刻的分段,若是则结束循环,否则先计算该进站时段的可衔接列车,根据集合C计算得到该时段的衔接列车分布,计算得到该时段的进站时间分布,然后用进站时间与走行时间分布计算候车时间分布,用候车时间与到达时刻计算留乘次数分布。
图12为本发明实施例提供的一种换乘时间与列车衔接分布统计流程图,该处理流程由上述行程时间计算服务器中的基于AFC数据的行程时间计算单元来完成,具体处理过程包括:首先指定换乘车站某换乘方向,遍历所有OD,获得通过此换乘方向且各选行程只有一个且换乘仅一次的OD对集合S;然后遍历集合S中的OD对应AFC记录,获得O点的出发列车概率分布,获得D点的到达列车概率分布,获得乘客细分下的列车区间衔接概率分布加入集合E;接着,判断是否遍历换乘方向的集合E,若是则结束循坏,否则根据列车到达前方线路车站时间统计分时的换乘时间分布。
图13为本发明实施例提供的一种路径行程时间统计流程图,该处理流程由上述行程时间计算服务器中的基于视频检测的行程时间计算单元来完成,具体处理过程包括:首先指定OD,判断是否遍历路径,若是则结束循环,否则判断是否遍历行程,若遍历则根据行程的时间及概率统计路径时间,结束循环,否则根据行程对应的记录及概率统计时间。
图14为本发明实施例提供的一种基于AFC与视频数据的城市轨道交通乘客行程反演系统的常规运行流程图,具体处理过程包括:首先,通过人机交互终端进行系统设置,然后调用相应场景(平日、节假日、高峰、平峰等)和设备设施类型(站台、通道、楼扶梯等)的对应数据,基于列车运行进行行程集合计算;接着同时基于AFC数据和视频数据进行行程时间的计算,结合二者的计算结果对行程时间进行校正;最后判断固定路径的乘车方案反演是否达成目标,若达成,则结束循环,否则,继续进行路径反演。
综上所述,本发明实施例的系统利用AFC数据与视频数据等城市轨道交通大数据,充分掌握乘客在路网中的行程选择特征,为反演乘客出行路径、获得乘车方案提供智能平台,提高城市轨道交通客运服务的智能化水平,提升乘客的出行质量。为运营管理部门合理制定调整行车计划、制定运营管控方案提供数据基础,提高线路服务水平,缓解路网拥挤问题,提高乘客出行的舒适性和安全性。
本发明实施例的系统通过视频数据获得车站微观的不同场景的行程时间分布及其函数关系,通过AFC数据校准logit模型参数获得更准确的路径先验选择概率,以行程时间数据作为后验校准,获得更加准确的行程路径分布。本发明实施例的系统在行程时间分布基础上,通过用户细分,计算行程中衔接概率,获得更加准确的乘车方案。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.一种基于AFC与视频数据的城市轨道交通乘客行程反演系统,其特征在于,包括:人机交互终端、行程反演服务器和行程时间计算服务器,所述行程反演服务器与所述人机交互终端、所述行程时间计算服务器连接;
所述的人机交互终端,用于提供用户使用接口和控制驱动接口,通过用户使用接口接收外部输入的路径反演和乘车方案反演所需的参数,通过控制驱动接口控制乘客行程反演的进程,对接收到的乘客行程反演结果进行展示;
所述的行程反演服务器,用于基于行程时间计算结果、基础数据与乘客动态数据进行乘客的乘车方案反演和路径反演,得到乘客行程反演结果,并进行乘客的行程指标的统计,将得到的乘客行程反演结果和乘客的行程指标的统计结果传输给所述人机交互终端;
所述的行程时间计算服务器,用于基于列车运行数据、视频检测数据和AFC数据联合计算乘客的行程时间分布,将得到的行程时间分布结果传输给行程反演服务器。
2.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,用于与所述人机交互终端、行程反演服务器、行程时间计算服务器连接,管理和传输用于乘客行程反演的基础数据与动态数据。
3.根据权利要求2所述的系统,其特征在于,所述人机交互终端包括系统设置单元和统计结果展示界面;
所述统计结果展示界面,用于对行程反演服务器传输过来的乘客行程反演结果进行展示,并提供乘客的行程指标的统计结果的查看。
所述系统设置单元,用于提供用户使用接口和控制驱动接口,通过用户使用接口接收外部输入的行程反演服务器中路径反演和乘车方案反演所需的参数;通过控制驱动接口对行程反演服务器中路径反演和乘车方案反演进行场景控制和进度控制。
4.根据权利要求3所述的系统,其特征在于,所述行程反演服务器包括路径反演单元、乘车方案反演单元和行程指标统计单元;
所述路径反演单元,用于依据乘车方案反演结果选择是否进行路径反演,依据客观条件和经验参数构建Logit模型,依据行程时间修正路径选择比例,使用最大期望算法EM或优化算法优化Logit模型,根据优化后的Logit模型计算获得OD间的路径选择概率,得到乘客路径反演结果;
所述乘车方案反演单元,用于基于走行速度对乘客进行分类,基于走行速度和行程时间对各个类别的乘客的行程进行聚类,遍历所有乘客分类,遍历各个路径对应的所有行程,剔除无效行程,计算出OD间各有效行程概率,得到乘车方案反演结果;
所述行程指标统计单元,用于根据乘车方案反演结果,按照站点、OD、路径、列车分别统计行程时间分布、路径选择比例、列车衔接概率指标,并将统计结果反馈给人机交互终端中的统计结果查看单元。
5.根据权利要求4所述的系统,其特征在于,所述行程时间计算服务器包括基于列车运行的行程集合计算单元、基于AFC数据的行程时间计算单元和基于视频检测的行程时间;
所述基于列车运行的行程集合计算单元,用于根据列车运行计划计算出列车的进、出站时间区间,根据进、出站时间区间和视频数据拟合函数计算出衔接出发列车集合和衔接到站列车集合,以及换乘衔接列车集合;
所述基于AFC数据的行程时间计算单元,用于依据AFC数据确定平峰时间的行程时间分布,依据视频数据计算得到的行程时间分布计算结果构建高峰与平峰时间关系函数,根据高峰与平峰时间关系函数和平峰时间的行程时间分布确定高峰时间的行程时间分布;
所述基于视频检测的行程时间计算单元,用于设定乘客在一定场景和设备设施类型的速度分布函数,根据乘客流线中的不同检测区域内的乘客移动速度拟合函数,依据设定的速度和距离来计算不同场景和设备设施对应的行程时间分布,将行程时间分布的计算结果反馈给基于AFC数据的行程时间计算单元。
6.根据权利要求1所述的系统,其特征在于,所述数据管理服务器包括数据融合单元、数据存储单元和数据维护单元;
所述数据存储单元,用于通过数据库软件存储多源数据,所述多源数据包括:路网基础数据库、列车运行数据库、视频数据库、AFC刷卡数据库和统计结果数据;
所述数据维护单元,用于实现所述数据存储单元中存储的多源数据的查看、编辑、更新、同步与保护;
所述数据融合单元,用于对所述数据存储单元中存储的多源数据进行融合处理,清理异常数据,对数据进行空间和时间精度一致化转换,建立多源数据时空组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910718118.0A CN110532515B (zh) | 2019-08-05 | 2019-08-05 | 基于afc与视频数据的城市轨道交通乘客行程反演系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910718118.0A CN110532515B (zh) | 2019-08-05 | 2019-08-05 | 基于afc与视频数据的城市轨道交通乘客行程反演系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110532515A true CN110532515A (zh) | 2019-12-03 |
CN110532515B CN110532515B (zh) | 2021-08-03 |
Family
ID=68661399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910718118.0A Active CN110532515B (zh) | 2019-08-05 | 2019-08-05 | 基于afc与视频数据的城市轨道交通乘客行程反演系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110532515B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111028058A (zh) * | 2019-12-11 | 2020-04-17 | 成都智元汇信息技术股份有限公司 | 基于人脸识别的票务系统 |
CN114582314A (zh) * | 2022-02-28 | 2022-06-03 | 江苏楷文电信技术有限公司 | 基于asr的人机音视频交互逻辑模型设计方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436556A (zh) * | 2012-01-09 | 2012-05-02 | 国电南瑞科技股份有限公司 | 轨道交通事故反演系统 |
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 |
CN104376624A (zh) * | 2014-07-22 | 2015-02-25 | 西南交通大学 | 一种基于afc客票数据的城市轨道交通客流分析方法 |
CN105279572A (zh) * | 2015-09-16 | 2016-01-27 | 北京城建设计发展集团股份有限公司 | 城市轨道交通客流密集度指数计算与发布系统 |
CN109035784A (zh) * | 2018-09-17 | 2018-12-18 | 江苏智通交通科技有限公司 | 基于多源异构数据的动态车流od估计方法 |
CN109308543A (zh) * | 2018-08-20 | 2019-02-05 | 华南理工大学 | 基于ls-svm和实时大数据的地铁短期客流预测方法 |
US20190228358A1 (en) * | 2016-11-08 | 2019-07-25 | Hitachi, Ltd. | Transportation System, Schedule Proposal System, and Train Operations System |
-
2019
- 2019-08-05 CN CN201910718118.0A patent/CN110532515B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436556A (zh) * | 2012-01-09 | 2012-05-02 | 国电南瑞科技股份有限公司 | 轨道交通事故反演系统 |
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 |
CN104376624A (zh) * | 2014-07-22 | 2015-02-25 | 西南交通大学 | 一种基于afc客票数据的城市轨道交通客流分析方法 |
CN105279572A (zh) * | 2015-09-16 | 2016-01-27 | 北京城建设计发展集团股份有限公司 | 城市轨道交通客流密集度指数计算与发布系统 |
US20190228358A1 (en) * | 2016-11-08 | 2019-07-25 | Hitachi, Ltd. | Transportation System, Schedule Proposal System, and Train Operations System |
CN109308543A (zh) * | 2018-08-20 | 2019-02-05 | 华南理工大学 | 基于ls-svm和实时大数据的地铁短期客流预测方法 |
CN109035784A (zh) * | 2018-09-17 | 2018-12-18 | 江苏智通交通科技有限公司 | 基于多源异构数据的动态车流od估计方法 |
Non-Patent Citations (2)
Title |
---|
JIANYUAN GUO ET AL.: "Cooperative Passenger Inflow Control in Urban Mass Transit Network with Constraint on Capacity of Station", 《DISCRETE DYNAMICS IN NATURE AND SOCIETY》 * |
JIANYUAN GUO ET AL.: "Short-Term Abnormal Passenger Flow Prediction Based on the Fusion of SVR and LSTM", 《IEEE ACCESS》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111028058A (zh) * | 2019-12-11 | 2020-04-17 | 成都智元汇信息技术股份有限公司 | 基于人脸识别的票务系统 |
CN111028058B (zh) * | 2019-12-11 | 2023-06-09 | 成都智元汇信息技术股份有限公司 | 基于人脸识别的票务系统 |
CN114582314A (zh) * | 2022-02-28 | 2022-06-03 | 江苏楷文电信技术有限公司 | 基于asr的人机音视频交互逻辑模型设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110532515B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4030365A1 (en) | Multi-mode multi-service rail transit analog simulation method and system | |
CN104200286B (zh) | 一种城市轨道交通时刻表优化技术应用框架 | |
CN111369181B (zh) | 一种列车自主调度深度强化学习方法和装置 | |
CN103632212B (zh) | 一种时变用户均衡动态网络演化客流预测系统和方法 | |
CN107330547B (zh) | 一种城市公交动态调度优化方法及系统 | |
CN109789885B (zh) | 交通系统、调度表建议系统以及车辆运行系统 | |
CN104463364B (zh) | 一种地铁乘客实时分布和地铁实时密度预测方法及系统 | |
CN107358319A (zh) | 城市轨道交通客流预测方法、装置、存储介质和计算机设备 | |
CN112883640B (zh) | 数字孪生车站系统、基于该系统的作业调度方法及应用 | |
CN112183815B (zh) | 基于规则推荐算法的精准短时客流预测模型 | |
CN110162931A (zh) | 城市轨道交通大规模路网快速仿真系统 | |
WO2023065595A1 (zh) | 城市轨道交通线网与车站协同仿真计算方法 | |
CN108629000A (zh) | 一种手机轨迹数据聚类的群体行为特征提取方法及系统 | |
CN108665178B (zh) | 一种基于afc的地铁站内楼扶梯客流量预测方法 | |
CN110532515A (zh) | 基于afc与视频数据的城市轨道交通乘客行程反演系统 | |
CN112949078B (zh) | 一种城市轨道交通客流-车流的匹配度计算方法 | |
CN107610282A (zh) | 一种公交客流统计系统 | |
CN110222924A (zh) | 多方式的城市轨道交通车站客流控制系统及控制方法 | |
CN107392389A (zh) | 基于arima模型的出租车调度处理方法 | |
CN113053114A (zh) | 高速公路违规车辆出口站及出口时间的动态预测稽查方法 | |
CN110515311A (zh) | 城市轨道交通列车客流的动态仿真系统 | |
Yu et al. | Data-driven approach for solving the route choice problem with traveling backward behavior in congested metro systems | |
CN114529032A (zh) | 一种基于lstm网络的地铁断面客流预测方法 | |
Zhu | Passenger-to-train assignment model based on automated data | |
CN115759493A (zh) | 一种无人化智能感知服务系统 |
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 |