CN110751325A - 一种建议生成方法、交通枢纽部署方法、装置及存储介质 - Google Patents
一种建议生成方法、交通枢纽部署方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110751325A CN110751325A CN201910986021.8A CN201910986021A CN110751325A CN 110751325 A CN110751325 A CN 110751325A CN 201910986021 A CN201910986021 A CN 201910986021A CN 110751325 A CN110751325 A CN 110751325A
- Authority
- CN
- China
- Prior art keywords
- destination
- passenger
- junction
- deployment
- transportation
- 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 90
- 239000013598 vector Substances 0.000 claims description 79
- 238000012545 processing Methods 0.000 claims description 34
- 230000009466 transformation Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 14
- 238000007726 management method Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 11
- 238000010276 construction Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 230000004888 barrier function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 230000008676 import Effects 0.000 description 6
- 238000007689 inspection Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000004907 flux Effects 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000004800 psychological effect Effects 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (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
本申请提供一种建议生成方法、交通枢纽部署方法、装置及存储介质,交通枢纽部署方法包括:获取交通枢纽中的旅客分布,其中,旅客分布表示当前交通枢纽中旅客的位置分布情况;根据旅客分布和交通枢纽中的目的地位置分布及障碍物位置分布,确定出目的地旅客密度,其中,每个旅客对应一个目的地,目的地旅客密度为与同一目的地对应的旅客的密度;根据目的地旅客密度,确定出交通枢纽的部署方案,以使交通枢纽的工作人员基于部署方案对交通枢纽进行部署。从而尽可能避免交通枢纽中拥堵情况的发生,降低交通枢纽中旅客发生事故的风险。提前对交通枢纽进行部署,可以节约人力成本且及时有效地维持交通枢纽的秩序,提高交通枢纽的管理效率。
Description
技术领域
本申请涉及交通运输领域,具体而言,涉及一种建议生成方法、交通枢纽部署方法、装置及存储介质。
背景技术
随着科技发展和产业信息化,交通运输工具的飞速发展,现在的交通枢纽如机场、地铁站、火车站等也在不断地扩大,而交通枢纽需要服务的人流量也在不断地增大。人流量的增加和产业的发展,对交通枢纽的服务能力和人流管理能力要求也越来越高。在交通枢纽内,特别是在交通枢纽的一些重要位置,例如交通枢纽的进出口、站台、安检处等,经常会出现拥堵的情况。
拥堵的发生,会提高旅客发生事故的风险。如何能够尽可能减少旅客发生事故的风险,减少甚至避免交通枢纽内的安全事故,提高交通枢纽的管理效率,也成为行业内的热点问题。现有技术中通常通过值机安检等电子设备的数据记录,确定出交通枢纽的大概人流量,并根据人流量,配备更多的工作人员去维持秩序,人力成本高,但维护常常不够及时,导致交通枢纽的管理效率较低。
发明内容
本申请实施例的目的在于提供一种建议生成方法、交通枢纽部署方法、装置及存储介质,以在尽可能节约人力成本的情况下,及时维持交通枢纽的秩序,以提高交通枢纽的管理效率。
为了实现上述目的,本申请的实施例通过如下方式实现:
第一方面,本申请实施例提供一种基于旅客运动的交通枢纽部署方法,应用于交通枢纽的部署,所述交通枢纽中包括障碍物和多个目的地,所述方法包括:获取所述交通枢纽中的旅客分布,其中,所述旅客分布表示当前所述交通枢纽中旅客的位置分布情况;根据所述旅客分布和所述交通枢纽中的目的地位置分布及障碍物位置分布,确定出目的地旅客密度,其中,每个旅客对应一个目的地,所述目的地旅客密度为与同一目的地对应的旅客的密度;根据所述目的地旅客密度,确定出所述交通枢纽的部署方案,以使所述交通枢纽的工作人员基于所述部署方案对所述交通枢纽进行部署。
通过以交通枢纽中的旅客分布、目的地位置分布及障碍物位置分布,确定出目的地旅客密度(可以提前预测目的地的旅客密度和大致的旅客达到量),从而根据目的地旅客密度确定出交通枢纽的部署方案。这样可以预测交通枢纽中目的地的旅客的通行数量,从而生成相应的部署方案,使得交通枢纽的工作人员提前对交通枢纽进行部署,以应对目的地可能到达的旅客量,从而尽可能避免交通枢纽中拥堵情况的发生,降低交通枢纽中旅客发生事故的风险。而提前对目的地进行部署,可以在节约人力成本的情况下及时有效地维持交通枢纽的秩序,进而提高交通枢纽的管理效率。
结合第一方面,在第一方面的第一种可能的实现方式中,根据所述旅客分布和所述交通枢纽中的目的地位置分布及障碍物位置分布,确定出目的地旅客密度,包括:根据所述旅客分布,确定出每个旅客的旅客位置,其中,所述旅客位置表示该旅客当前在交通枢纽中所处的位置;根据所述旅客位置、所述目的地位置分布和所述障碍物位置分布,确定出对应该旅客的目的地;根据每个旅客的目的地,确定出所述目的地旅客密度。
通过利用旅客位置、目的地位置分布和障碍物位置分布对交通枢纽中的旅客的目的地进行确定(预测),可以使得确定(预测)出的旅客的目的地更加准确,从而可以更加准确地确定(预测)出每个目的地的旅客到达的数量。因此,有利于针对交通枢纽确定出更加合理的部署方案。
结合第一方面的第一种可能的实现方式,在第一方面的第二种可能的实现方式中,根据所述旅客位置、所述目的地位置分布和所述障碍物位置分布,确定出对应该旅客的目的地,包括:根据所述旅客位置和所述障碍物位置分布,在交通枢纽概率投影空间中确定出对应该旅客的概率矢量场,其中,所述交通枢纽概率投影空间为以所述交通枢纽为基础确定出的空间,所述概率矢量场包括基于所述旅客位置确定出起点的多个矢量,所述矢量的方向表示该旅客在下一时刻从所述旅客位置出发的运动方向;根据所述概率矢量场和所述目的地位置分布,确定出对应该旅客的目的地。
通过利用交通枢纽概率投影空间和概率矢量场,并根据旅客位置和障碍物位置分布,在交通枢纽概率投影空间中确定出对应该旅客的概率矢量场,对每个旅客的运动的概率进行分析,从而有利于准确地确定出旅客的运动规律(即,结合障碍物位置分布,有利于在实际中准确确定(预测)出旅客的运动方向和运动到达的位置)。而结合旅客的运动规律和交通枢纽中的目的地位置分布,有利于更准确地确定出旅客的目的地。
结合第一方面的第二种可能的实现方式,在第一方面的第三种可能的实现方式中,根据所述概率矢量场和所述目的地位置分布,确定出对应该旅客的目的地,包括:基于所述概率矢量场,计算从所述旅客位置到所述目的地位置分布中每个目的地的位置的概率,并确定出其中概率最大的目的地为对应该旅客的目的地。
通过基于概率矢量场计算旅客位置到每个目的地的概率,确定出其中概率最大的目的地为对应该旅客的目的地,可以使得确定出的对应该旅客的目的地具有很高的准确性。
结合第一方面的第一种至第三种中任一可能的实现方式,在第一方面的第四种可能的实现方式中,根据每个旅客的目的地,确定出所述目的地旅客密度,包括:根据预设的旅客运动速度、每个旅客的所述旅客位置、对应该旅客的目的地,确定出预设时长内能够到达对应目的地的旅客;根据每个目的地在预设时长内到达的旅客,确定出所述目的地旅客密度。
通过基于预设的旅客运动速度、旅客位置和对应该旅客的目的地,可以确定出在预设时长内到达(或通行)该目的地的旅客,由此确定出的目的地旅客密度更贴近实际中的情况(实际情况中有旅客离开目的地,例如,目的地为进出口时,进出口的单位时间旅客通行量,即旅客离开此目的地),从而有利于确定出更加准确的部署方案。
结合第一方面的第四种可能的实现方式,在第一方面的第五种可能的实现方式中,根据所述目的地旅客密度,确定出所述交通枢纽的部署方案,包括:将每个目的地的旅客密度与该目的地的预设值比较,确定出待部署的目的地;根据所述待部署的目的地,确定出所述交通枢纽的部署方案。
通过将每个目的地旅客密度(可以视为单位时间到达和/或存在于该目的地的旅客的数量)与该目的地的预设值(例如,旅客的密度阈值)进行比较,从而确定该目的地是否需要进行相应的部署,有利于确定出更准确的部署方案,有利于在节约人力资源的同时,尽可能有效地对交通枢纽进行管理。
结合第一方面的第四种可能的实现方式,在第一方面的第六种可能的实现方式中,根据所述目的地旅客密度,确定出所述交通枢纽的部署方案,包括:根据所述目的地旅客密度确定出该目的地的旅客数量;根据每个目的地的旅客数量和该目的地的单位时间旅客处理量,确定出每个目的地的处理时间;将所述处理时间超出时间阈值的目的地确定为待部署的目的地;根据所述待部署的目的地,确定出所述交通枢纽的部署方案。
通过根据目的地的旅客数量(即单位时间到达目的地的旅客的数量)与该目的地的单位时间旅客处理量(例如,目的地为进出口时,该目的地的单位时间旅客通行量)进行比较,从而确定该目的地是否需要进行相应的部署,有利于确定出更准确的部署方案,有利于在节约人力资源的同时,尽可能有效地对交通枢纽进行管理。
第二方面,本申请实施例提供一种建议生成方法,应用于交通枢纽的改造,所述方法包括:获取在预设时段中由第一方面或第一方面可能的实现方式中任一项所述的交通枢纽部署方法确定出的所述交通枢纽的部署方案;确定出所述部署方案中每个目的地的部署量,其中,所述目的地的部署量表示对该目的地的部署次数、部署频率和/或部署规模;确定出所述部署量超过预设量的待改造目的地;根据所述待改造目的地,确定出改造所述交通枢纽的建议,以使改造所述交通枢纽的施工人员基于所述建议对所述交通枢纽进行改造。
通过根据在预设时段确定出的部署方案中每个目的地的部署量(部署次数、部署频率和/或部署规模),确定出部署量超过预设量的目的地,说明这些目的地可能长期存在人流量拥堵的问题,需要进行改造,从而将其确定为待改造目的地,并确定出改造交通枢纽的建议,从而有利于交通枢纽能够尽可能减少拥堵的问题,从而有利于提升交通枢纽的服务效率,也便于对交通枢纽进行有效的管理。
第三方面,本申请实施例提供一种基于旅客运动的交通枢纽部署装置,应用于交通枢纽的部署,所述交通枢纽中包括障碍物和多个目的地,所述装置包括:获取单元,用于获取所述交通枢纽中的旅客分布,其中,所述旅客分布表示当前所述交通枢纽中旅客的位置分布情况;处理单元,用于根据所述旅客分布和所述交通枢纽中的目的地位置分布及障碍物位置分布,确定出目的地旅客密度,其中,每个旅客对应一个目的地,所述目的地旅客密度为与同一目的地对应的旅客的密度;所述处理单元,还用于根据所述目的地旅客密度,确定出所述交通枢纽的部署方案,以使所述交通枢纽的工作人员基于所述部署方案对所述交通枢纽进行部署。
第四方面,本申请实施例提供一种存储介质,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如第一方面或第一方面可能的实现方式中任一项所述的基于旅客运动的交通枢纽部署方法;或者实现如第二方面所述的改造交通枢纽的建议生成方法。
第五方面,一种电子设备,包括存储器和处理器,所述存储器用于存储包括程序指令的信息,所述处理器用于控制程序指令的执行,所述程序指令被处理器加载并执行时实现第一方面或第一方面可能的实现方式中任一项所述的基于旅客运动的交通枢纽部署方法,或者实现第二方面所述的改造交通枢纽的建议生成方法。
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,下面将对本申请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为本申请实施例提供的一种基于旅客运动的交通枢纽部署方法的流程图。
图2为本申请实施例提供的一种均匀的概率矢量场的示意图。
图3为本申请实施例提供的一种均匀的概率矢量场的示意图。
图4为本申请实施例提供的一种旅客到点状目的地的概率矢量场的示意图。
图5为本申请实施例提供的一种旅客到环状目的地的概率矢量场的示意图。
图6为本申请实施例提供的一种带有三个目的地的交通枢纽的场景示意图。
图7为本申请实施例提供的对带有三个目的地的交通枢纽的旅客目的地统计图。
图8为本申请实施例提供的一种带有两个目的地的交通枢纽的场景示意图。
图9为本申请实施例提供的对带有两个目的地的交通枢纽的旅客目的地统计图。
图10为本申请实施例提供的一种建议生成方法的流程图。
图11为本申请实施例提供的一种交通枢纽部署模型的运行的流程图。
图12为本申请实施例提供的一种带有三个目的地的交通枢纽的部署示意图。
图13为本申请实施例提供的一种基于旅客运动的交通枢纽部署装置的结构框图。
图14为本申请实施例提供的一种建议生成装置的结构框图。
图15为本申请实施例提供的一种电子设备的结构框图。
图标:10-交通枢纽部署装置;11-获取单元;12-处理单元;20-建议生成装置;21-部署方案获取单元;22-部署量确定单元;23-待改造目的地确定单元;24-建议生成单元;30-电子设备;31-存储器;32-通信模块;33-总线;34-处理器。
具体实施方式
随着科技发展和产业信息化,交通运输工具的飞速发展,现在的交通枢纽如机场、地铁站、火车站等也在不断地扩大,而交通枢纽需要服务的人流量也在不断地增大。人流量的增加和产业的发展,对交通枢纽的服务能力和人流管理能力要求也越来越高。而随着人流量的增加,在交通枢纽内,特别是在交通枢纽的一些重要位置,例如交通枢纽的进出口、站台、安检处等,经常会出现拥堵的情况。拥堵的发生,会提高旅客发生事故的风险。
由于旅客在复杂场景下的运动具有较强的随机性和自主性,这使得要准确地对真实环境下旅客运动进行描述、计算、预测和分析具有极大的难度。而交通枢纽的环境又是复杂多变的,难以预料旅客在复杂环境中的各种行为。旅客运动的研究,其本质是关于复杂耦合系统的研究。
目前对于旅客行为的预测方法主要包括:(1)基于硬件设备的数据采集和分析,如:视频分析;值机安检等电子设备的数据记录;音频数据的分析等。(2)基于旅客动力学的数学物理理论模型分析,如:社会力模型;元胞自助机模型;磁场力模型;离散选择模型;流体力学模型等。(3)基于仿真软件的旅客运动分析。
现有的这些方法可以一定程度上描述旅客在一些特定场景中的运动,以及旅客运动过程中与外界的交互规则。但现有方法无法考虑旅客在复杂环境中的运动选择过程,更无法考虑旅客与旅客、旅客与环境之间的耦合关系。如何能够尽可能减少旅客发生事故的风险,减少甚至避免交通枢纽内的安全事故,提高交通枢纽的管理效率,也成为行业内的热点问题。现有技术中通常通过值机安检等电子设备的数据记录,通过上述对于旅客行为的预测方法,确定出交通枢纽的大概人流量,并根据人流量,配备更多的工作人员去维持秩序,人力成本高,但维护常常不够及时,导致交通枢纽的管理效率较低。
基于此,本申请提供一种建议生成方法、交通枢纽部署方法、装置及存储介质,以在尽可能节约人力成本的情况下,及时维持交通枢纽的秩序,以提高交通枢纽的管理效率。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
请参阅图1,图1为本申请实施例提供的一种交通枢纽部署方法的流程图。在本实施例中,交通枢纽部署方法可以包括步骤S10、步骤S20和步骤S30。
在执行步骤S10之前,可以构建交通枢纽部署模型,通过交通枢纽部署模型对交通枢纽中的旅客的行为进行预测,以基于旅客的行为,确定出交通枢纽的部署方案。
由于在交通枢纽中运动的旅客,通常会向周围行走,通过分析旅客向周围行走的概率,可以确定出旅客的运动规律,以预测旅客的目的地。具体的,可以将每个旅客视为交通枢纽概率投影空间中的一个点,此处,交通枢纽概率投影空间可以为以交通枢纽为基础而确定出的空间。由于不同的交通枢纽通常会有不同的空间结构,例如交通枢纽的目的地位置分布不同和/或障碍物位置分布不同。因此,为了使得构建的交通枢纽部署模型能够适用于多种不同空间结构的交通枢纽,本实施例中在构建交通枢纽部署模型的过程中,并不限定交通枢纽的空间结构(即并未将交通枢纽部署模型的构建过程限定于一个具体的交通枢纽概率投影空间中)。
示例性的,可以将旅客在空间(交通枢纽)中的行走概率在截面上进行投影,设概率投影矢量为E,由此可以形成一个概率投影空间,记为γ(Ω,E),其中γ是概率投影空间的符号,Ω表示旅客可以到达的空间中的区域,由此可以形成概率投影空间中的概率矢量场(需要注意的是,概率投影空间与交通枢纽概率投影空间有所不同,此处概率投影空间表示旅客可以到达的空间中的区域Ω与概率投影矢量E的关系;而交通枢纽概率投影空间是在其(概率投影空间)基础上结合交通枢纽的空间结构而确定出的空间,从范围上来说,概率投影空间表示的范围更广泛一些)。而概率投影矢量E在任意一个包含旅客当前所处位置的空间封闭曲面的通量都将形成一个旅客运动的概率矢量场,曲面上的点的概率通量密度相当于旅客在该曲面上运动时处于该点的概率密度。
在二维平面空间中,在不考虑外界作用和旅客自身心理作用的前提下,旅客将均匀地从当前位置,设为点P(t)=(x(t),y(t)),其中t表示时刻,向四周行走,其概率矢量场为:
其中,A表示二维平面空间中的任意一点,R2表示二维平面空间。
请参阅图2,图2示出的是一种均匀的概率矢量场的示意图。均匀的概率矢量场表示旅客向各个方向运动的概率相同,其中,O表示坐标系的原点,X表示横坐标轴,Y表示纵坐标轴,而P表示旅客当前所在位置点。
考虑到真实场景中旅客的自身心理因素将影响旅客的概率矢量场,为了提高交通枢纽部署模型对旅客运动的预测的准确性,本实施例中考虑了心理因素对旅客运动的影响。示例性的,可以在概率矢量场中加入旅客对于不同方向选择的心理因素的影响函数f(θ),由此,其概率矢量场将为:
基于此,可以建立旅客的心理因素对旅客运动的影响的关系,从而求得旅客在概率投影空间内的概率矢量场。通过这样的方式建立交通枢纽部署模型,可以考虑到实际场景中旅客的心理因素对旅客运动的影响,从而准确地预测旅客的运动。
考虑到实际的交通枢纽并非一个理想化的毫无遮挡的空间,通常存在障碍物,例如通道的墙壁和路障等。因此,为了进一步提升交通枢纽部署模型对旅客运动的预测的准确性,本实施例中还考虑了障碍物对旅客运动的影响。
其中,Δ为拉普拉斯算子,(x,y)∈R2。
其中(x,y)∈S,nS是S在(x,y)点的向外法向量,这表示旅客不能穿过障碍物进行运动。
其中,nC是封闭曲线C在(x,y)点的向外法向量,Psum是旅客走出该封闭曲线的概率和。
基于式(4)、(5)、(6),可以建立空间中障碍物对旅客运动的影响的关系,从而求得旅客在概率投影空间内的概率矢量场。
如图3所示,图3示出了一种旅客在两个平行的障碍物中的概率矢量场的示意图。其中,O表示坐标系的原点,X表示横坐标轴,Y表示纵坐标轴,而P表示行人当前所在位置点。
通过这样的方式建立交通枢纽部署模型,可以考虑到实际场景中旅客的心理因素和障碍物对旅客运动的影响,从而更准确地预测旅客的运动。
在实际情景中,交通枢纽中的目的地,对旅客的运动也有较大的影响。因此,为了使交通枢纽部署模型对旅客运动进行更加准确的预测,在本实施例中,可以考虑目的地对旅客运动的影响,建立交通枢纽部署模型。需要说明的是,在本实施例中的目的地,可以为目标地点的一个范围内(例如半径为5米的圆形范围,或者以目标地点为中心的25平方米的范围内等)。
其中,nC是封闭曲线C在(x,y)点的向外法向量,Psum是旅客走进该封闭曲线的概率和。
如图4所示,图4示出了一种旅客到点状目的地的概率矢量场的示意图。
对于一个表面形状满足函数D的连续体的目的地,则有:
如图5所示,图5示出了一种旅客到环状目的地的概率矢量场的示意图。
从而,可以基于目的地的不同情况,建立交通枢纽部署模型。而通过这样的方式建立的交通枢纽部署模型,可以考虑到实际场景中目的地对旅客的运动的影响,从而更准确地预测旅客的运动。而就点状目的地和环状目的地分别建立对应的关系,可以适应实际情景中的大多数目的地的情况,因此,也能够增强交通枢纽部署模型的适用性。
在本实施例中,为了使交通枢纽部署模型对旅客的目的地进行有效的预测,可以建立概率矢量场中的条件概率关系,条件概率关系具体的建立过程如下:
这是概率矢量场中的条件概率定理,基于此定理,可以建立对于旅客的目的地的贝叶斯网络下的概率矢量场预测方法,进一步建立对旅客运动的目的地进行准确预测的交通枢纽部署模型。
需要说明的是,本实施例中以贝叶斯网络为例对旅客的目的地进行预测,在其他一些可选的实现方式中,还可以选用不确定性认知理论模型、网络图模型等,此处不作限定。
请继续参阅图5,此处将以图5中的环状目的地为例,结合建立的交通枢纽部署模型,对旅客的目的地进行预测。
如图5所示,假设图5中的圆环目的地的半径为2R。那么,对于一个半径为2R的圆环目的地集合,在不知道旅客目的地的前提下,若旅客从原点O走到了点(Rcosθ,Rsinθ),则可以根据概率矢量场中的条件概率定理,求得旅客的目的地为(2Rcosθ1,2Rsinθ1)的情况下的概率密度为:
利用这种方法,可以通过旅客的当前位置对旅客的目的地进行预测。
而在此处,针对旅客再次加入旅客在运动过程中的对应的心理因素函数,代入到贝叶斯网络下的概率矢量场进行迭代,即可准确预测旅客的目的地。需要说明的是,此处的心理因素函数,可以针对每个旅客二表现为不同的函数或者函数值,视旅客所在的空间的周围环境(例如有无障碍物)而定,或者,针对旅客就近选取路线的原则,差异化地添加旅客的心理因素函数。加入旅客在运动过程中的心理因素的条件下,即可更加准确地预测旅客的目的地。
需要说明的是,在本实施例中,交通枢纽部署模型的建立过程,可以是基于概率投影理论(即将旅客视为概率投影空间中的一个点,分析旅客的概率矢量场),将上述的多种因素(心理因素、障碍物、目的地)考虑到模型中,联合对旅客目的地的预测方法,建立一个完整的交通枢纽部署模型,以对交通枢纽中的旅客的运动(目的地)进行分析和预测;也可以是基于概率投影理论,根据上述的多种因素分别建立对应的子模型,而后将子模型进行联立,结合对旅客目的地的预测方法,最终形成一个功能完善的模型集合(即交通枢纽部署模型),以对交通枢纽中的旅客的运动(目的地)进行分析和预测。因此,建立模型的具体方式不应视为对本申请的限定。
在本实施例中,为了进一步完善交通枢纽部署模型的功能,可以在交通枢纽部署模型内加入统计目的地的旅客数量的部分,以统计的目的地旅客密度为基础,生成交通枢纽部署方案(后文将对此进行详细说明),以指导交通枢纽的工作人员对交通枢纽进行及时有效的部署。
为了验证交通枢纽部署模型的可行性、正确性和优越性,申请人对现实场景中的旅客进行观察实验。通过统计在一个截面上旅客通过的频率,对旅客的目的地概率进行预测,并将预测结果与实际观察数据进行对比,从而得到了模型的预测精确度。
请参阅图6,图6为本申请实施例提供的一种带有三个目的地的交通枢纽的场景示意图。其中,P为旅客,D1、D2和D3分别为该交通枢纽的三个目的地,X表示横坐标轴,Y表示纵坐标轴。以及,其中P=(-20m,0),D1=(-5m,2.5m),D2=(0,0),D3=(-5m,-2.5m),m为单位,米。申请人截取七个截面x=-19m,x=-17m,x=-15m,x=-13m,x=-11m,x=-9m,x=-7m,并记录下行人通过七个截面的纵坐标值,对其进行统计,得到如图7所示的结果,其中,probability表示概率根据本申请提供的交通枢纽部署模型,可以得到基于每个截面统计结果的预测结果,如表1所示。
表1.对于三个目的地的交通枢纽的预测结果.
其中,真实值表示旅客实际到达的目的地,而x=-19m,x=-17m,x=-15m,x=-13m,x=-11m,x=-9m,x=-7m对应的数据则表示模型预测的旅客的目的地,由此可以得知,交通枢纽部署模型对带有三个目的地的交通枢纽的预测准确性是非常可靠的。
请参阅图8,图8为本申请实施例提供的一种带有两个目的地的交通枢纽的场景示意图。其中,P为旅客,D1和D2分别为该交通枢纽的两个目的地,X表示横坐标轴,Y表示纵坐标轴。以及,其中P=(-15m,0),D1=(0,2.5m),D2=(0,-2.5m)。申请人截取四个截面x=-12m,x=-9m,x=-6m,x=-3m,并记录下旅客通过四个截面的纵坐标值,对其进行统计,得到如图9所示的结果,其中,probability表示概率。根据本申请提供的交通枢纽部署模型,可以得到基于每个截面统计结果的预测结果,如表2所示。
表2.对于两个目的地的交通枢纽的预测结果.
其中,真实值表示旅客实际到达的目的地,而x=-12m,x=-9m,x=-6m,x=-3m对应的数据则表示模型预测的旅客的目的地,由此可以得知,交通枢纽部署模型对带有两个目的地的交通枢纽的预测准确性也是非常可靠的。
通过对两个场景的实验,验证了本申请提供的交通枢纽部署模型的可行性、准确性和优越性。
在建立好交通枢纽部署模型后,将交通枢纽部署模型应用于交通枢纽的部署中,其中,交通枢纽中包括障碍物和多个目的地。而交通枢纽部署方法可以通过交通枢纽部署模型执行,以实现交通枢纽部署方法的功能。需要说明的是,执行交通枢纽部署方法的交通枢纽部署模型,可以是即时建立的,也可以是事先建立好的,此处不作限定。
基于此,交通枢纽部署模型可以执行步骤S10。
步骤S10:获取所述交通枢纽中的旅客分布,其中,所述旅客分布表示当前所述交通枢纽中旅客的位置分布情况。
在本实施例中,交通枢纽部署模型可以获取交通枢纽中的旅客分布,即当前交通枢纽中旅客的位置分布情况。而交通枢纽部署模型获取旅客分布的方式,可以是人为输入的,也可以是通过交通枢纽中的旅客位置获取设备获取交通枢纽中的旅客的位置(例如通过摄像设备,红外感应设备,距离感应设备等获取交通枢纽中的旅客分布,当然也可为多种设备的联合使用,例如摄像头配合距离感应设备,或者,在交通枢纽中有安检机、刷卡机等记录旅客进入交通枢纽的设备时,也可联合摄像设备与安检机,摄像设备与刷卡机等方式,此处不作限定);还可以是通过获取旅客计划表(例如车站或机场卖出的票中包含的旅客、时间等信息)并从中确定出的交通枢纽中的旅客分布。交通枢纽部署模型获取交通枢纽中的旅客分布的方式,此处不作限定。
交通枢纽部署模型可以获取交通枢纽的空间结构(包括交通枢纽的障碍物分布和目的地分布,其中,障碍物分布表示交通枢纽中障碍物的形状和位置分布情况,目的地分布表示交通枢纽中目的地的位置分布情况),基于交通枢纽的空间结构,交通枢纽部署模型可以建立交通枢纽概率投影空间。
需要说明的是,交通枢纽部署模型获取旅客分布和获取交通枢纽的空间结构的顺序可以不分先后,可以同时进行,也可以先获取旅客分布后获取空间结构,也可以先获取空间结构后获取旅客分布,此处不作限定。通常情况下,可以先获取交通枢纽的空间结构,以保证交通枢纽部署模型应用于交通枢纽时的效果,但不应视为对本申请的限定。
获取交通枢纽中的旅客分布后,可以执行步骤S20。
步骤S20:根据所述旅客分布和所述交通枢纽中的目的地位置分布及障碍物位置分布,确定出目的地旅客密度,其中,每个旅客对应一个目的地,所述目的地旅客密度为与同一目的地对应的旅客的密度。
在本实施例中,交通枢纽部署模型可以根据获取的旅客分布,确定出每个旅客的旅客位置,其中,旅客位置表示该旅客当前在交通枢纽中所处的位置。
确定出每个旅客的旅客位置后,交通枢纽部署模型可以基于旅客位置,在交通枢纽概率投影空间中确定出对应该旅客的旅客点,交通枢纽概率投影空间中的一个旅客点与交通枢纽中的一个旅客对应。而概率投影空间中也有与交通枢纽中的障碍物对应的障碍物,与交通枢纽中的目的地对应的目的地。
基于此,本实施例以交通枢纽中的一个旅客(交通枢纽概率投影空间中的旅客点)为例进行分析。交通枢纽部署模型可以根据旅客位置和障碍物位置分布(即交通枢纽概率投影空间中的旅客点的位置与交通枢纽概率投影空间中的障碍物),在交通枢纽概率投影空间中确定出对应该旅客的概率矢量场(即交通枢纽概率投影空间中该旅客点的概率矢量场)。
例如,旅客点处于交通枢纽概率投影空间中的两条平行障碍物构成的通道中,那么旅客点的概率矢量场可以参考图3所示的概率矢量场。其中,概率矢量场包括基于旅客位置确定出起点(即以交通枢纽概率投影空间中该旅客点为起点)的多个矢量,矢量的方向表示该旅客在下一时刻从旅客位置出发的运动方向。而矢量在任意一个包含旅客当前所处位置的空间封闭曲面的通量都可以形成一个旅客运动的概率矢量场,曲面上的点的概率通量密度相当于旅客在该曲面上运动时处于该点的概率密度。
确定出概率矢量场后,交通枢纽部署模型可以基于确定出的概率矢量场,结合交通枢纽部署模型中预设的贝叶斯网络下的概率矢量场预测方法,计算该旅客从旅客位置到目的地位置分布中每个目的地的位置的概率(即通过贝叶斯网络下的概率矢量场预测方法,对确定出的概率矢量场进行迭代,计算该概率矢量场对应的旅客点到达交通枢纽概率投影空间中各个目的地的概率),交通枢纽部署模型可以将其中概率最大的目的地确定为对应该旅客的目的地。
通过基于概率矢量场计算旅客位置到每个目的地的概率,并将其中概率最大的目的地确定为对应该旅客的目的地,可以使得确定出的对应该旅客的目的地具有很高的准确性。
本实施例中通过利用旅客位置、目的地位置分布和障碍物位置分布对交通枢纽中的旅客的目的地进行确定(预测),可以使得确定(预测)出的旅客的目的地更加准确,从而可以更加准确地确定(预测)出每个目的地的旅客密度(也可确定出到达的旅客数量)。因此,有利于针对交通枢纽确定出更加合理的部署方案。而利用交通枢纽概率投影空间和概率矢量场,并根据旅客位置和障碍物位置分布,在交通枢纽概率投影空间中确定出对应该旅客的概率矢量场,对每个旅客的运动的概率进行分析,从而有利于准确地确定出旅客的运动规律(即,结合障碍物位置分布,有利于在实际中准确确定(预测)出旅客的运动方向和运动到达的位置)。而结合旅客的运动规律和交通枢纽中的目的地位置分布,有利于更准确地确定出旅客的目的地。
确定出每个旅客的目的地后,可以统计每个目的地的旅客密度(也可统计旅客预计到达量),从而确定出目的地旅客密度。通过这样的方式,可以准确地确定出每个目的地的旅客密度(或大致的旅客数量),从而对各个目的地的拥堵状况进行前瞻性的预测,有利于交通枢纽的提前部署。
由于实际情景中,交通枢纽中到达目的地的旅客,在一定时间(例如目的地为通道口时,穿过通道口需要1秒钟,例如目的地为候机室,平均离开候机室的时间为25分钟,此处为举例,不应视为限定)内可以通过该目的地而离开交通枢纽。因此,为了进一步提升交通枢纽部署方法的效率,在本实施例中,可以根据预设的旅客运动速度、每个旅客的旅客位置、对应该旅客的目的地,确定出预设时长内能够到达对应目的地的旅客;根据每个目的地在预设时长内到达的旅客,确定出目的地旅客密度(或旅客数量)。
例如,交通枢纽部署模型中预设的旅客运动速度为1米每秒,旅客所在的旅客位置距离该旅客对应的目的地的路程为100米,而预设时长为180秒钟,那么该旅客即为可在预设时长内到达的旅客。由此确定出每个旅客到达对应的目的地的时间,再与预设时长进行比较,确定该旅客是否属于在预设时长内能够到达的旅客,并进一步确定包含在预设时长内能够到达目的地的旅客的目的地旅客密度(或旅客数量)。
通过基于预设的旅客运动速度、旅客位置和对应该旅客的目的地,可以确定出在预设时长内能够达到目的地的旅客,由此确定出的目的地旅客密度更贴近实际中的情况(实际情况中有旅客离开目的地,例如,目的地为进出口时,进出口的单位时间旅客通行量)。
确定出目的地旅客密度后,交通枢纽部署模型可以执行步骤S30。
步骤S30:根据所述目的地旅客密度,确定出所述交通枢纽的部署方案,以使所述交通枢纽的工作人员基于所述部署方案对所述交通枢纽进行部署。
为了进一步提升交通枢纽部署方法的效率,以便于更准确地确定出交通枢纽的部署方案,在本实施例中,交通枢纽部署模型也可以通过目的地旅客密度确定出每个目的地的旅客数量;将每个目的地的旅客数量与该目的地的预设值比较,以确定出待部署的目的地,进一步确定出交通枢纽的部署方案。
例如,交通枢纽中有三个目的地,A1、A2和A3,确定出的每个目的地的旅客密度为3人每平方米、1人每平方米、2人每平方米,而A1、A2和A3的预设值为2人每平方米。那么,A1的旅客密度超出了预设值,可以确定为待部署的目的地,从而确定出针对A1的部署方案,以及时缓解目的地A1的拥堵情况。又例如,交通枢纽中有三个目的地,A1、A2和A3,确定出的每个目的地的旅客数量:A1为15人,A2为8人,A3为43人,而A1、A2和A3的预设值分别为15人、10人和15人。那么A3的人数超出了预设值,可以确定为待部署的目的地,从而确定出针对A3的部署方案,以及时缓解目的地A3的拥堵情况。
通过将目的地的旅客密度(或单位时间到达目的地的旅客的数量)与该目的地的预设值(例如,旅客的密度阈值,或者旅客的数量阈值)进行比较,从而确定该目的地是否需要进行相应的部署,有利于确定出更准确的部署方案,有利于在节约人力资源的同时,尽可能有效地对交通枢纽进行管理。
在本实施例中,也可以确定出每个目的地的旅客数量;根据每个目的地的旅客数量和该目的地的单位时间旅客处理量,确定出每个目的地的处理时间;将处理时间超出时间阈值的目的地确定为待部署的目的地;进一步确定出交通枢纽的部署方案。
又例如,交通枢纽中有两个目的地,A4和A5,确定出的每个目的地的旅客数量:A4为36人,A5为17人。而A4和A5的单位时间(每分钟)的旅客处理量都为10人。而对应旅客密度的统计基础为3分钟内到达目的地的旅客,因此,A4和A5的时间阈值为3分钟。而A4处理对应的旅客需要3.6分钟,A5处理对应的旅客需要1.7分钟,A4的处理时间超过时间阈值,确定A4为待部署的目的地,A5的处理时间未超过时间阈值,对于A5,可以不作调整。
通过根据目的地的旅客数量(即单位时间到达目的地的旅客的数量)与该目的地的单位时间旅客处理量(例如,目的地为进出口时,该目的地的单位时间旅客通行量)相除,确定出目的地处理到达该目的地的旅客数量所花费的时间,与时间阈值相比,从而确定该目的地是否需要进行相应的部署,有利于确定出更准确的部署方案,有利于在节约人力资源的同时,尽可能有效地对交通枢纽进行管理。
在本实施例中,确定交通枢纽的部署方案的方式较为灵活。示例性的,交通枢纽的部署方案,可以是预先设定好的,在交通枢纽部署模型确定出待部署的目的地后,即可确定出对应的部署方案。例如,交通枢纽中的目的地A7和A9确定为待部署的目的地,那么交通枢纽部署模型可以确定出部署方案(部署方案中对A7和A9进行部署)。为了部署的及时性,本实施例中交通枢纽部署模型可以发送信息至A7和A9的工作人员,提示工作人员进行部署。
在其他一些可实现的方式中,若交通枢纽中的目的地为刷卡口,正常情况下每个目的地开放一个刷卡口,每个目的地皆设有一个备用刷卡口。在交通枢纽中的目的地B1和B4被确定为待部署的目的地时,交通枢纽部署模型确定出针对B1和B4的部署方案。装载交通枢纽部署模型的设备或系统,可以基于交通枢纽部署模型确定出的部署方案,自动控制B1和B4的备用刷卡口开放,以及时有效地部署交通枢纽,以尽可能避免和改善旅客的拥堵情况。
当然,这只是多种部署方案的确定方式中的两种,并不限定于此。并且,部署方案的确定,还可以视交通枢纽的管控条件而定。例如,交通枢纽中的目的地为安检口,而由于安检口的人流量的变化通常受时间影响(例如动车的安检口),而此类安检口通常限时开放,必定会出现排队和拥挤的现象。对于此类情况,同样可以通过本申请实施例提供的交通枢纽部署方法,结合经验(通过预先设定应对方法的方式),提前确定出拥堵的状态(旅客的数量),有利于对交通枢纽进行及时有效的部署(例如提前设置排队通道,设置引导旅客排队的路障等)。因此,确定部署方案的方式和部署方案的具体形式,不应视为对本申请的限定。
请参阅图10,图10示出了本申请实施例提供的一种建议生成方法的流程图。建议生成方法应用于交通枢纽的改造,建议生成方法的步骤可以由交通枢纽部署模型执行。在本实施例中,建议生成方法可以包括步骤S100、步骤S200、步骤S300和步骤S400。
需要生成改造交通枢纽的建议时,交通枢纽部署模型可以执行步骤S100。
步骤S100:获取在预设时段中确定出的所述交通枢纽的部署方案。
在本实施例中,交通枢纽部署模型可以获取预设值段中确定出的该交通枢纽的部署方案。例如,获取一个月/一周/一个季度内的确定出的该交通枢纽的部署方案。
通过获取历史数据并进行分析,可以对交通枢纽的情况有准确的认识,有利于确定出合理的针对该交通枢纽的改造建议。
获取预设时段中交通枢纽的部署方案后,交通枢纽部署模型可以执行步骤S200。
步骤S200:确定出所述部署方案中每个目的地的部署量,其中,所述目的地的部署量表示该目的地的部署次数、部署频率和/或部署规模。
在本实施例中,交通枢纽部署模型可以基于获取的部署方案,确定出部署方案中每个目的地的部署量,例如每个目的地的部署次数、部署频率和/或部署规模。由此可以确定出交通枢纽中哪些目的地属于经常部署的,这类经常部署的目的地,通常是目的地的构造问题(或者旅客流量)而导致需要经常部署,那么对其进行改造就是很有必要的。
确定出每个目的地的部署量后,交通枢纽部署模型可以执行步骤S300。
步骤S300:确定出所述部署量超过预设量的待改造目的地。
在本实施例中,交通枢纽部署模型可以根据每个目的地的部署量,与预设量进行比较,从中确定出超出预设量的目的地,并将相应目的地确定为待改造目的地。例如,目的地A3的部署频率为500次/月,预设量为300次/月,那么,目的地A3就可以确定为待改造目的地。又例如,目的地A4在预设时段内的部署次数为1231次(预设时段为第一季度),而第一季度的预设量为600次,那么目的地A4也可以确定为待改造目的地。
确定出待改造目的地后,交通枢纽部署模型可以执行步骤S400。
步骤S400:根据所述待改造目的地,确定出改造所述交通枢纽的建议,以使改造所述交通枢纽的施工人员基于所述建议对所述交通枢纽进行改造。
在本实施例中,交通枢纽部署模型可以根据待改造目的地,结合待改造目的地的部署量,以及待改造目的地的位置和交通枢纽的空间结构,确定出改造交通枢纽的建议。例如,目的地A4在预设时段内的部署次数为1231次(预设时段为第一季度),而第一季度的预设量为600次,说明目的地A4的部署次数较多,其原因通常是目的地A4的旅客处理效率较低(例如目的地A4的旅客处理量实际为10人每分钟,而通过目的地A4的旅客通过量确定出的理论值应为20-25人每分钟),那么可以通过拓宽目的地A4的通道,以达到提升目的地A4的旅客处理量的目的,或者为目的地A4增设备用通道,以达到提升目的地A4的旅客处理量的目的。由此,可以确定出改造交通枢纽的建议。而改造交通枢纽的施工人员则可以基于该建议对交通枢纽(待改造目的地)进行改造。
需要说明的是,前述的交通枢纽部署模型运行的方式,是基于每个旅客进行分析,从而准确地确定出旅客的目的地。此处,将结合图10对交通枢纽部署模型运行交通枢纽部署方法时更加高效准确的运行方式进行介绍。请参阅图11,图11示出了本申请实施例提供的一种交通枢纽部署模型的运行的流程图。
在本实施例中,一方面,交通枢纽部署模型可以获取旅客的初始位置或者旅客计划(即交通枢纽的旅客分布),从而确定出旅客在t时刻的位置(即旅客位置)。需要说明的是,确定出旅客在t时刻的位置,这个过程可以不断的进行迭代(令t=t+Δt)。另一方面,交通枢纽部署模型可以获取交通枢纽的目的地位置集合(即交通枢纽的目的地分布)和障碍物位置集合(即障碍物分布)。
交通枢纽部署模型可以根据获取的目的地位置集合、障碍物位置集合及确定出的旅客在t时刻的位置,可以计算出t时刻每个目的地对应的概率矢量场(即t时刻中所有指向同一个目的地的概率矢量场)。需要说明的是,计算出t时刻每个目的地对应的概率矢量场,这个过程可以不断的进行迭代(令t=t+Δt)。
以及,为了使得模型的预测结果更加准确,交通枢纽部署模型可以获取旅客在t+Δt时刻的位置。基于此,交通枢纽部署模型可以计算每个目的地对应的旅客到达t+Δt时刻的位置的概率。
而后,交通枢纽部署模型可以计算在时刻t+Δt的位置条件下旅客到各目的地的概率,并记录当前时刻的计算结果。将计算结果输入到预设的基于概率矢量场的贝叶斯网络模型中,并将当前的计算结果与先前的预测结果进行对比,并记录当前位置的预测结果,以作为下一次对比时的先前的预测结果。由此,可以对先前的计算结果进行调整,确定出预测结果。需要说明的是,此过程也是可以不断循环迭代的。
交通枢纽部署模型输出预测结果后,可以确定出旅客在时空面上的概率密度分布结果(即目的地旅客密度)。
基于确定出的旅客在时空面上的概率密度分布结果,交通枢纽部署模型可以自动生成最优的管控方案/部署方案并输出,从而确定出交通枢纽的部署方案。当然,在交通枢纽部署模型应用于对交通枢纽的改造时,可以输出最优的交通枢纽的建设方案(即改造交通枢纽的建议),此处不作限定。
通过这种方式,可以节约不少计算时间,而计算结果的准确性也能够得到保证,可以更加高效准确地确定出交通枢纽的部署方案/管控方案或建设方案。
为了充分利用工作人员和设备设施,可以在模型中自动将基于本方法得到的目的地旅客密度输入方案生成程序。通过基于交通枢纽部署方案建立的计算机程序、交通枢纽在某个时段内的排班信息或者交通枢纽未来规划信息,计算分析出在对应时段内每个区域的旅客密度,当模型计算出的旅客密度大于某个限定值时,触发本模型中交通枢纽运行方案程序,自动生成交通枢纽的管控方案/部署方案或者建设方案。
继续参阅前述图6-图7,以及表1的验证结论,假设旅客在某个截面上的拥挤限定值为2人/m。则对于x=-19m的截面分析,在y=0cm处的概率密度为0.073/0.2m,在y=-100cm的概率密度为0.0400/0.2m,在y=-250cm的概率密度为0.0228/0.2m。则根据排班信息得到同时到达的旅客的可能人数超过人时,在x=-19m,y=0cm处将会发生拥挤;此时可以触发运行方案自动生成程序,迭代求解最优的管控方案,实现应急管控。当同时到达的旅客可能人数超过人时,在x=-19m,y=0cm和y=-100cm范围内都将发生拥挤,当计算得到的旅客拥挤区域超过整个区域的一定比例(例如10%)时,就将触发运行方案自动生成程序,迭代求解最优的部署方案,实现即时性部署。当对于某个交通枢纽的规划设置超过现有建筑物承载能力时,如在此例中同时到达的旅客可能的人数远远超过10人时,就可以触发运行方案自动生成程序,迭代求解最优建设方案。
例如,请参阅图12,图12示出了一种带有三个目的地的交通枢纽的部署示意图。基于同时到达的旅客可能人数,交通枢纽部署模型生成的部署方案为,在入口处增设路障M和N,以引导旅客向各自的目的地运动,尽可能避免由于旅客过于集中而发生拥堵的情况(未设路障时,三个目的地的旅客可同时聚集在通向三个目的地的区域内,而设置路障M和N后,目的地为目的地D1的旅客可通过路障M与障碍物之间形成的通道与目的地为目的地D2的旅客分流,目的地为目的地D3的旅客可通过路障N与障碍物之间形成的通道与目的地为目的地D2的旅客分流,从而尽可能避免拥堵的发生)。
通过这样的方法可以快速求解旅客的运动规律并且可以自动生成最优解决方案。本申请提供的交通枢纽部署模型不仅解决了旅客运动规律求解的难题,还可以基于旅客流动规律分析结果的生成交通枢纽的即时性部署方案、应急管控方案和未来规划建设的相关方案,为交通枢纽自动化管理、智能空间建设等有着重要的意义,具有广泛的应用范围。
请参阅图13,基于同一发明构思,本申请实施例还提供一种基于旅客运动的交通枢纽部署装置10,应用于交通枢纽的部署,所述交通枢纽中包括障碍物和多个目的地,所述装置10包括:
获取单元11,用于获取所述交通枢纽中的旅客分布,其中,所述旅客分布表示当前所述交通枢纽中旅客的位置分布情况。
处理单元12,用于根据所述旅客分布和所述交通枢纽中的目的地位置分布及障碍物位置分布,确定出目的地旅客密度,其中,每个旅客对应一个目的地,所述目的地旅客密度为与同一目的地对应的旅客的密度。
所述处理单元12,还用于根据所述目的地旅客密度,确定出所述交通枢纽的部署方案,以使所述交通枢纽的工作人员基于所述部署方案对所述交通枢纽进行部署。
在本实施例中,所述处理单元12,还用于根据所述旅客分布,确定出每个旅客的旅客位置,其中,所述旅客位置表示该旅客当前在交通枢纽中所处的位置;根据所述旅客位置、所述目的地位置分布和所述障碍物位置分布,确定出对应该旅客的目的地;根据每个旅客的目的地,确定出所述目的地旅客密度。
在本实施例中,所述处理单元12,还用于根据所述旅客位置和所述障碍物位置分布,在交通枢纽概率投影空间中确定出对应该旅客的概率矢量场,其中,所述交通枢纽概率投影空间为以所述交通枢纽为基础确定出的空间,所述概率矢量场包括基于所述旅客位置确定出起点的多个矢量,所述矢量的方向表示该旅客在下一时刻从所述旅客位置出发的运动方向;根据所述概率矢量场和所述目的地位置分布,确定出对应该旅客的目的地。
在本实施例中,所述处理单元12,还用于基于所述概率矢量场,计算从所述旅客位置到所述目的地位置分布中每个目的地的位置的概率,并确定出其中概率最大的目的地,以及将该概率最大的目的地确定为对应该旅客的目的地。
在本实施例中,所述处理单元12,还用于根据预设的旅客运动速度、每个旅客的所述旅客位置、对应该旅客的目的地,确定出预设时长内能够到达对应目的地的旅客;根据每个目的地在预设时长内到达的旅客,确定出所述目的地旅客密度。
在本实施例中,所述处理单元12,还用于将每个目的地的旅客密度与该目的地的预设值比较,确定出待部署的目的地;根据所述待部署的目的地,确定出所述交通枢纽的部署方案。
在本实施例中,所述处理单元12,还用于根据所述目的地旅客密度确定出每个目的地的旅客数量;根据每个目的地的旅客数量和该目的地的单位时间旅客处理量,确定出每个目的地的处理时间;将所述处理时间超出时间阈值的目的地确定为待部署的目的地;根据所述待部署的目的地,确定出所述交通枢纽的部署方案。
以及,请参阅图14,本申请实施例还提供一种建议生成装置20,应用于交通枢纽的改造,所述装置20包括:
部署方案获取单元21,用于获取在预设时段中由所述交通枢纽部署方法确定出的所述交通枢纽的部署方案。
部署量确定单元22,用于确定出所述部署方案中每个目的地的部署量,其中,所述目的地的部署量表示该目的地的部署次数、部署频率和/或部署规模。
待改造目的地确定单元23,用于确定出所述部署量超过预设量的待改造目的地。
建议生成单元24,用于根据所述待改造目的地,确定出改造所述交通枢纽的建议,以使改造所述交通枢纽的施工人员基于所述建议对所述交通枢纽进行改造。
本申请实施例还提供一种存储介质,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如前文所述的基于旅客运动的交通枢纽部署方法;或者实现如前文所述的改造交通枢纽的建议生成方法。
请参阅图15,本申请的实施例还提供一种电子设备30,本申请实施例提供的用于执行基于旅客运动的交通枢纽部署方法和/或建议生成方法的交通枢纽部署模型,可以承载于电子设备30中。电子设备30可以为终端,例如智能手机、平板电脑、个人电脑、个人数字助理等;电子设备30也可以为服务器,例如网络服务器、云服务器、服务器集群、数据服务器等,此处不作限定。
示例性的,电子设备30可以包括:通过网络与外界连接的通信模块32、用于执行程序指令的一个或多个处理器34、总线33和不同形式的存储器31,例如,磁盘、ROM(Read-OnlyMemory,只读存储器)、或RAM(Random Access Memory,随机存取存储器),或其任意组合。
示例性的,存储器31中存储有程序。处理器34可以从存储器31调用并运行这些程序,从而便可以通过运行程序而使交通枢纽部署模型执行基于旅客运动的交通枢纽部署方法和/或建议生成方法。
综上所述,本申请实施例提供一种建议生成方法、交通枢纽部署方法、装置及存储介质,通过以交通枢纽中的旅客分布、目的地位置分布及障碍物位置分布,确定出目的地旅客密度(也可以为目的地的大致旅客达到量),从而根据目的地旅客密度确定出交通枢纽的部署方案。这样可以预测交通枢纽中目的地的旅客密度和/或到达的数量,从而生成相应的部署方案,使得交通枢纽的工作人员提前对交通枢纽进行部署,以应对目的地可能到达的旅客量,从而尽可能避免交通枢纽中拥堵情况的发生,降低交通枢纽中旅客发生事故的风险。而提前对目的地进行部署,可以在节约人力成本的情况下及时有效地维持交通枢纽的秩序,进而提高交通枢纽的管理效率。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,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。
另外,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。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于旅客运动的交通枢纽部署方法,其特征在于,应用于交通枢纽的部署,所述交通枢纽中包括障碍物和多个目的地,所述方法包括:
获取所述交通枢纽中的旅客分布,其中,所述旅客分布表示当前所述交通枢纽中旅客的位置分布情况;
根据所述旅客分布和所述交通枢纽中的目的地位置分布及障碍物位置分布,确定出目的地旅客密度,其中,每个旅客对应一个目的地,所述目的地旅客密度为与同一目的地对应的旅客的密度;
根据所述目的地旅客密度,确定出所述交通枢纽的部署方案,以使所述交通枢纽的工作人员基于所述部署方案对所述交通枢纽进行部署。
2.根据权利要求1所述的交通枢纽部署方法,其特征在于,根据所述旅客分布和所述交通枢纽中的目的地位置分布及障碍物位置分布,确定出目的地旅客密度,包括:
根据所述旅客分布,确定出每个旅客的旅客位置,其中,所述旅客位置表示该旅客当前在交通枢纽中所处的位置;
根据所述旅客位置、所述目的地位置分布和所述障碍物位置分布,确定出对应该旅客的目的地;
根据每个旅客的目的地,确定出所述目的地旅客密度。
3.根据权利要求2所述的交通枢纽部署方法,其特征在于,根据所述旅客位置、所述目的地位置分布和所述障碍物位置分布,确定出对应该旅客的目的地,包括:
根据所述旅客位置和所述障碍物位置分布,在交通枢纽概率投影空间中确定出对应该旅客的概率矢量场,其中,所述交通枢纽概率投影空间为以所述交通枢纽为基础确定出的空间,所述概率矢量场包括基于所述旅客位置确定出起点的多个矢量,所述矢量的方向表示该旅客在下一时刻从所述旅客位置出发的运动方向;
根据所述概率矢量场和所述目的地位置分布,确定出对应该旅客的目的地。
4.根据权利要求3所述的交通枢纽部署方法,其特征在于,根据所述概率矢量场和所述目的地位置分布,确定出对应该旅客的目的地,包括:
基于所述概率矢量场,计算从所述旅客位置到所述目的地位置分布中每个目的地的位置的概率,并确定出其中概率最大的目的地为对应该旅客的目的地。
5.根据权利要求2至4中任一项所述的交通枢纽部署方法,其特征在于,根据每个旅客的目的地,确定出所述目的地旅客密度,包括:
根据预设的旅客运动速度、每个旅客的所述旅客位置、对应该旅客的目的地,确定出预设时长内能够到达对应目的地的旅客;
根据每个目的地在预设时长内到达的旅客,确定出所述目的地旅客密度。
6.根据权利要求5所述的交通枢纽部署方法,其特征在于,根据所述目的地旅客密度,确定出所述交通枢纽的部署方案,包括:
将每个目的地的旅客密度与该目的地的预设值比较,确定出待部署的目的地;
根据所述待部署的目的地,确定出所述交通枢纽的部署方案。
7.根据权利要求5所述的交通枢纽部署方法,其特征在于,根据所述目的地旅客密度,确定出所述交通枢纽的部署方案,包括:
根据所述目的地旅客密度确定出对应该目的地的旅客数量;
根据每个目的地的旅客数量和该目的地的单位时间旅客处理量,确定出每个目的地的处理时间;
将所述处理时间超出时间阈值的目的地确定为待部署的目的地;
根据所述待部署的目的地,确定出所述交通枢纽的部署方案。
8.一种建议生成方法,其特征在于,应用于交通枢纽的改造,所述方法包括:
获取在预设时段中由权利要求1至7中任一项所述的交通枢纽部署方法确定出的所述交通枢纽的部署方案;
确定出所述部署方案中每个目的地的部署量,其中,所述目的地的部署量表示对该目的地的部署次数、部署频率和/或部署规模;
确定出所述部署量超过预设量的待改造目的地;
根据所述待改造目的地,确定出改造所述交通枢纽的建议,以使改造所述交通枢纽的施工人员基于所述建议对所述交通枢纽进行改造。
9.一种基于旅客运动的交通枢纽部署装置,其特征在于,应用于交通枢纽的部署,所述交通枢纽中包括障碍物和多个目的地,所述装置包括:
获取单元,用于获取所述交通枢纽中的旅客分布,其中,所述旅客分布表示当前所述交通枢纽中旅客的位置分布情况;
处理单元,用于根据所述旅客分布和所述交通枢纽中的目的地位置分布及障碍物位置分布,确定出目的地旅客密度,其中,每个旅客对应一个目的地,所述目的地旅客密度为与同一目的地对应的旅客的密度;
所述处理单元,还用于根据所述目的地旅客密度,确定出所述交通枢纽的部署方案,以使所述交通枢纽的工作人员基于所述部署方案对所述交通枢纽进行部署。
10.一种存储介质,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1至7中任一项所述的基于旅客运动的交通枢纽部署方法;或者实现如权利要求8所述的改造交通枢纽的建议生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910986021.8A CN110751325B (zh) | 2019-10-16 | 2019-10-16 | 一种建议生成方法、交通枢纽部署方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910986021.8A CN110751325B (zh) | 2019-10-16 | 2019-10-16 | 一种建议生成方法、交通枢纽部署方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110751325A true CN110751325A (zh) | 2020-02-04 |
CN110751325B CN110751325B (zh) | 2023-04-18 |
Family
ID=69278582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910986021.8A Active CN110751325B (zh) | 2019-10-16 | 2019-10-16 | 一种建议生成方法、交通枢纽部署方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751325B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113064439A (zh) * | 2021-06-02 | 2021-07-02 | 北京三快在线科技有限公司 | 一种控制无人驾驶设备及设置枢纽的方法及装置 |
CN115271543A (zh) * | 2022-09-09 | 2022-11-01 | 成都秦川物联网科技股份有限公司 | 一种智慧城市交通导流管理方法、系统、装置以及介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542793A (zh) * | 2012-01-11 | 2012-07-04 | 东南大学 | 一种交叉口群过饱和交通态势主动控制方法 |
CN103065205A (zh) * | 2012-12-26 | 2013-04-24 | 深圳先进技术研究院 | 三维智能交通枢纽客流时空分析与预测系统 |
CN103106787A (zh) * | 2012-12-21 | 2013-05-15 | 周晓东 | 一种前瞻性解决城市交通拥堵的系统 |
CN106379379A (zh) * | 2016-10-09 | 2017-02-08 | 北京交通大学 | 一种城市轨道交通乘客上下车时间的预测方法 |
CN106504266A (zh) * | 2016-09-29 | 2017-03-15 | 北京市商汤科技开发有限公司 | 行走行为的预测方法和装置、数据处理装置和电子设备 |
CN106779194A (zh) * | 2016-12-05 | 2017-05-31 | 北京交通大学 | 一种城市轨道交通站台乘客的分布预测方法 |
US20170178044A1 (en) * | 2015-12-21 | 2017-06-22 | Sap Se | Data analysis using traceable identification data for forecasting transportation information |
CN107066723A (zh) * | 2017-04-10 | 2017-08-18 | 东南大学 | 一种基于社会力模型的公交乘客上下车行为仿真方法 |
CN108197760A (zh) * | 2018-01-31 | 2018-06-22 | 民航成都电子技术有限责任公司 | 一种空港地面交通旅客流量预测方法 |
CN109636458A (zh) * | 2018-12-07 | 2019-04-16 | 北京恒泰实达科技股份有限公司 | 一种轨道交通用户画像生成方法 |
CN110060471A (zh) * | 2019-04-01 | 2019-07-26 | 长安大学 | 一种车辆od流预测模型构建方法及车辆od流预测方法 |
-
2019
- 2019-10-16 CN CN201910986021.8A patent/CN110751325B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542793A (zh) * | 2012-01-11 | 2012-07-04 | 东南大学 | 一种交叉口群过饱和交通态势主动控制方法 |
CN103106787A (zh) * | 2012-12-21 | 2013-05-15 | 周晓东 | 一种前瞻性解决城市交通拥堵的系统 |
CN103065205A (zh) * | 2012-12-26 | 2013-04-24 | 深圳先进技术研究院 | 三维智能交通枢纽客流时空分析与预测系统 |
US20170178044A1 (en) * | 2015-12-21 | 2017-06-22 | Sap Se | Data analysis using traceable identification data for forecasting transportation information |
CN106504266A (zh) * | 2016-09-29 | 2017-03-15 | 北京市商汤科技开发有限公司 | 行走行为的预测方法和装置、数据处理装置和电子设备 |
CN106379379A (zh) * | 2016-10-09 | 2017-02-08 | 北京交通大学 | 一种城市轨道交通乘客上下车时间的预测方法 |
CN106779194A (zh) * | 2016-12-05 | 2017-05-31 | 北京交通大学 | 一种城市轨道交通站台乘客的分布预测方法 |
CN107066723A (zh) * | 2017-04-10 | 2017-08-18 | 东南大学 | 一种基于社会力模型的公交乘客上下车行为仿真方法 |
CN108197760A (zh) * | 2018-01-31 | 2018-06-22 | 民航成都电子技术有限责任公司 | 一种空港地面交通旅客流量预测方法 |
CN109636458A (zh) * | 2018-12-07 | 2019-04-16 | 北京恒泰实达科技股份有限公司 | 一种轨道交通用户画像生成方法 |
CN110060471A (zh) * | 2019-04-01 | 2019-07-26 | 长安大学 | 一种车辆od流预测模型构建方法及车辆od流预测方法 |
Non-Patent Citations (2)
Title |
---|
FLORIAN TOQUE等: "Forecasting Dynamic Public Transport Origin-Destination Matrices with Long-Short Term Memory Recurrent Neural Networks", 《2016 IEEE 19TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
许胜博: "基于AFC数据的地铁乘客出行目的地实时预测", 《交通运输工程与信息学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113064439A (zh) * | 2021-06-02 | 2021-07-02 | 北京三快在线科技有限公司 | 一种控制无人驾驶设备及设置枢纽的方法及装置 |
CN115271543A (zh) * | 2022-09-09 | 2022-11-01 | 成都秦川物联网科技股份有限公司 | 一种智慧城市交通导流管理方法、系统、装置以及介质 |
CN115271543B (zh) * | 2022-09-09 | 2023-04-07 | 成都秦川物联网科技股份有限公司 | 一种智慧城市交通导流管理方法、系统、装置以及介质 |
US11837086B2 (en) | 2022-09-09 | 2023-12-05 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and Internet of Things systems for traffic diversion management in smart city |
Also Published As
Publication number | Publication date |
---|---|
CN110751325B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | A probabilistic passenger-to-train assignment model based on automated data | |
Niu et al. | Optimizing urban rail timetable under time-dependent demand and oversaturated conditions | |
Gu et al. | Plan-based flexible bus bridging operation strategy | |
Cokyasar | Optimization of battery swapping infrastructure for e-commerce drone delivery | |
He et al. | Multi-modal traffic signal control with priority, signal actuation and coordination | |
De Cea et al. | Transit assignment for congested public transport systems: an equilibrium model | |
Schultz | A metric for the real-time evaluation of the aircraft boarding progress | |
US10167173B1 (en) | Prioritizing the direction of a directional pedestrian mover (DPM) in real time, based on predicted pedestrian traffic flow | |
Fry et al. | Elementary modelling and behavioural analysis for emergency evacuations using social media | |
Bierlaire | Simulation and optimization: A short review | |
Hassannayebi et al. | A hybrid simulation model of passenger emergency evacuation under disruption scenarios: A case study of a large transfer railway station | |
CN110356437A (zh) | 实时服务水平监视 | |
CN110751325B (zh) | 一种建议生成方法、交通枢纽部署方法、装置及存储介质 | |
Yuen et al. | An intelligence-based route choice model for pedestrian flow in a transportation station | |
Pettet et al. | Hierarchical planning for resource allocation in emergency response systems | |
Lehouillier et al. | Solving the air conflict resolution problem under uncertainty using an iterative biobjective mixed integer programming approach | |
Rida | Modeling and optimization of decision-making process during loading and unloading operations at container port | |
Zhang et al. | Research on walking efficiency of passengers around corner of subway station | |
Bocewicz et al. | Delivery-flow routing and scheduling subject to constraints imposed by vehicle flows in fractal-like networks | |
Yang et al. | A cost function approach to the prediction of passenger distribution at the subway platform | |
Fletcher et al. | RateSetter: roadmap for faster, safer, and better platform train interface design and operation using evolutionary optimisation | |
US20120143576A1 (en) | Method, apparatus and computer program product for predicting the behavior of entities | |
Yang et al. | Temporal and spatial evolution of passenger flow in an urban rail transit network during station closure | |
Khattak et al. | Design of passengers’ circulation areas at the transfer station: An automated hybrid simulation-differential evolution framework | |
Saloner | An analysis of personal rapid transit |
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 |