CN110838240A - 基于双目体感识别技术的公交车发车间隔确定方法及系统 - Google Patents
基于双目体感识别技术的公交车发车间隔确定方法及系统 Download PDFInfo
- Publication number
- CN110838240A CN110838240A CN201911096466.5A CN201911096466A CN110838240A CN 110838240 A CN110838240 A CN 110838240A CN 201911096466 A CN201911096466 A CN 201911096466A CN 110838240 A CN110838240 A CN 110838240A
- Authority
- CN
- China
- Prior art keywords
- bus
- standing
- departure
- stations
- peak
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
- G08G1/127—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams to a central station ; Indicators in a central station
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于双目体感识别技术的公交车发车间隔确定方法及系统,采集车辆在每一公交站的上、下车乘客数,计算相邻两个公交站之间的公交车车厢内的站立乘客数;根据得到的公交车车厢内的站立乘客数,利用车辆轴距内站立密度模型,得到相邻两个公交站之间公交车的轴距内站立密度;将轴距内站立密度划分为三个水平,分别计算轴距内不同站立密度水平下的公交站间数占总公交站间数的比重;根据得到的不同站立密度水平下的公交站间数占总公交站间数的比重,利用站间数比重判断逻辑判定公交车的运行状况,根据公交车的运行状况选择对应的发车间隔模型计算发车时间间隔。本发明能够优化公交车调度模式、调整在途车辆的运力配置,改善调度反应滞后性。
Description
技术领域
本发明属于城市客车智能调度技术领域,特别涉及基于双目体感识别技术的公交车发车间隔确定方法及系统。
背景技术
合理的发车间隔可以减少在途车辆数,防止公交专用线路的拥堵,在以缓解乘客拥挤度为目标的前提下,能够节省燃料并兼顾理想的运输效率。城市客车的调度方式普遍依托运力配置来调节发车时间间隔,该指标与线路首末班时间、线路配车数、车辆排班任务关系密切。
国内公交企业主要通过上一次回程的驾驶员反映线路客流情况,以加密或疏解调度频次,调整在途公交车辆的运力配置,缓解客流压力,但存在调度反应滞后性和个人判断主观性的问题。
目前还缺乏一种能实时准确的,根据线路真实客流情况来调整发车间隔的方法及系统。
发明内容
针对现有技术书中的技术问题,本发明提供了基于双目体感识别技术的公交车发车间隔确定方法及系统,其目的为优化城市公交车调度模式、有效疏解线路客流拥堵、调整在途车辆的运力配置,能够改善调度反应滞后性和个人判断主观性的问题,在充分考虑车厢内乘客拥挤度的基础上,能节省燃料,提高运输效率。
为解决上述技术问题,本发明通过以下技术方案予以解决:
基于双目体感识别技术的公交车发车间隔确定方法,包括以下步骤:
步骤1:采集车辆在每一公交站的上、下车乘客数,计算相邻两个公交站之间的公交车车厢内的站立乘客数;
步骤2:根据步骤1得到的公交车车厢内的站立乘客数,利用车辆轴距内站立密度模型,得到相邻两个公交站之间公交车的轴距内站立密度;
步骤3:将轴距内站立密度划分为三个水平,分别计算轴距内不同站立密度水平下的公交站间数占总公交站间数的比重;
步骤4:根据步骤3得到的轴距内不同站立密度水平下的公交站间数占总公交站间数的比重,利用站间数比重判断逻辑判定公交车的运行状况,所述公交车的运行状况包括高峰时段运行、平峰时段运行和低峰时段运行;
若判定为高峰时段运行,则根据高峰时段的发车间隔模型计算发车时间间隔;
若判定为平峰时段运行,则发车时间间隔不变;
若判定为低峰时段运行,则根据低峰时段的发车间隔模型计算发车时间间隔。
进一步地,步骤1中,公交车在第i和第i+1公交站之间的车厢内的站立乘客数Qi的计算方法为:
式中,n为公交站总数;Qui为第i公交站的上车人数;Qdi为第i公交站的下车人数;Qa为车辆核定座位数,含1个驾驶员座位。
进一步地,步骤2中,所述车辆轴距内站立密度模型为:
式中,i为第i个公交站;ρi0为车辆在第i和第i+1公交站之间的轴距内站立密度。
进一步地,步骤3中,计算轴距内不同站立密度水平下的公交站间数占总公交站间数的比重,具体为:
式中,λk为轴距内不同站立密度水平下的公交站间数占总公交站间数的比重;a1为0<ρi0≤1.42的公交站间数;a2为1.42<ρi0≤5的公交站间数;a3为ρi0>5的公交站间数。
进一步地,站间数比重判断逻辑为:
(1)优先判断λ3,当λ3≥20%时,判定为车辆处于高峰时段运行;
(2)优先判断λ3,再判断λ2,当λ3<20%且λ2≥50%时,判定为车辆处于平峰时段运行;
(3)优先判断λ3,再判断λ2,当λ3<20%且λ2<50%时,判定为车辆处于低峰时段运行;
平峰时段运行时车辆发车间隔的计算方法为:
式中,η0为平峰时段发车间隔;Td为公交线路的首末班车时间差;C为公交车辆每天定额的往返行程次数;m为公交线路总配车数;d为每天正在维修保养和轮值休息的车辆数占总配车数的比例;
所述高峰时段的发车间隔模型为:
其中,ηpeak为高峰时段发车间隔;λ3为ρi0>5的站间数比重;ηmin为发车间隔最小值;
所述低峰时段的发车间隔为:
其中,ηlow为低峰时段发车间隔;λ1为0<ρi0≤1.42的站间数比重;ηmax为发车间隔最大值;dmax为维修保养和轮值车辆占总配车数比例的最大值。
基于双目体感识别技术的公交车发车间隔系统,包括:客流数据采集系统和中央处理器;
客流数据采集系统,用于获取车辆在每个公交站的上车乘客数和下车乘客数,并发送给所述中央处理器;
中央处理器,用于根据接收的每个公交站的上车乘客数和下车乘客数,计算相邻两个公交站之间的公交车车厢内的站立乘客数;
用于根据获取的公交车车厢内的站立乘客数,利用车辆轴距内站立密度模型,得到相邻两个公交站之间公交车的轴距内站立密度;
用于将轴距内站立密度划分为三个水平,分别计算轴距内不同站立密度水平下的公交站间数占总公交站间数的比重;
用于根据轴距内不同站立密度水平下的公交站间数占总公交站间数的比重,利用站间数比重判断逻辑判定公交车的运行状况,所述公交车的运行状况包括高峰时段运行、平峰时段运行和低峰时段运行,若判定为高峰时段运行,则根据高峰时段的发车间隔模型计算发车时间间隔;若判定为平峰时段运行,则发车时间间隔不变;若判定为低峰时段运行,则根据低峰时段的发车间隔模型计算发车时间间隔。
进一步地,所述客流数据采集系统包括一个客流分析仪和两个双目体感客流调查器;两个所述双目体感客流调查器分别安装在公交车前、后车门上方,每个所述双目体感客流调查器用于通过摄像头采集视频图像,并将采集的视频图像发送给所述客流分析仪,所述客流分析仪用于分析处理视频图像得到上车人数和下车人数,所述客流分析仪将得到上车人数和下车人数通过车辆CAN总线发送给车载监控主机,所述车载监控主机将接收到的上车人数和下车人数通过无线通信发送给所述中央处理器。
进一步地,所述客流分析仪的型号为TM820X。
与现有技术相比,本发明至少具有以下有益效果:本发明基于双目体感识别技术的公交车发车间隔确定方法,首先计算相邻两个公交站之间的公交车车厢内的站立乘客数;根据得到的公交车车厢内的站立乘客数,利用车辆轴距内站立密度模型,得到相邻两个公交站之间公交车的轴距内站立密度;将轴距内站立密度划分为三个水平,分别计算轴距内不同站立密度水平下的公交站间数占总公交站间数的比重;根据得到的轴距内不同站立密度水平下的公交站间数占总公交站间数的比重,利用站间数比重判断逻辑判定公交车的运行状况,公交车的运行状况包括高峰时段运行、平峰时段运行和低峰时段运行;若判定为高峰时段运行,则根据高峰时段的发车间隔模型计算发车时间间隔;若判定为平峰时段运行,则发车时间间隔不变;若判定为低峰时段运行,则根据低峰时段的发车间隔模型计算发车时间间隔。综上可见,本发明能够优化城市公交车调度模式、有效疏解线路客流拥堵、调整在途车辆的运力配置,能够改善调度反应滞后性和个人判断主观性的问题,实现了城市客车智能调度,减少调度员岗位设置,优化调度资源配置,能够及时疏解客流,在充分考虑车厢内乘客拥挤度的前提下,节省了燃料,提高了运输效率。
本发明基于双目体感识别技术的公交车发车间隔系统,包括一个客流分析仪、两个双目体感客流调查器和中央处理器,并利用车载监控主机进行数据传输。客流分析仪和双目体感客流调查器应用技术成熟,成本低,系统结构简单,安装方便,极易推广使用,从目前的局部区间试用结果来看,其市场前景可观。
为使本发明的上述目的、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发明具体实施方式中的技术方案,下面将对具体实施方式描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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为本发明实施例中基于双目体感识别技术的公交车发车间隔确定方法的流程图;
图2为本发明实施例中基于双目体感识别技术的公交车发车间隔系统的框图;
图3为实施例中某12米公交车车厢内站立区域划分图;
图4为实施例中乘客选择站立区域的倾向性比重与车厢内站立乘客数的关系图;
图5为实施例中车辆第2区域、第3区域站立密度变化规律拟合图;
图6为实施例中车辆轴距内站立密度随车厢内站立乘客数变化的曲线图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
首先,为了便于理解,先对本发明提到的车辆轴距内站立密度模型、站间数比重判断逻辑和发车间隔模型做详细解释。
车辆轴距内站立密度模型的建立方法如下:
根据车厢内站立乘客流流动状态,划分车厢内站立区域,并测量每一区域的站立面积,如图3所示。将车厢内站立面积分为4个区域,1、2、3区域为站立乘客流依次在车厢内的流经区域,流向不可逆;4区域属于被迫站立区且乘客流向可逆。
通过双目体感客流调查器采集车辆在每一公交站内的上、下车乘客数,结合车辆核定座位数获得相邻两个公交站之间的公交车车厢内的站立乘客数;通过大量的人工调查获取典型的平峰、高峰时段内每个划定区域内的站立乘客数,具体的,每辆车安排2名调查人员分别在指定位置调查4个区域的站立乘客数。
分析乘客选择站立区域的偏好随车厢内站立乘客数变化的分布规律,如图4所示。当车厢内站立乘客数Qi≤45,选择第1、第4区域站立的乘客比重基本维持在20%以内,乘客选择第1、第4区域站立的倾向性比重随车厢内站立乘客数的增加而有增速放缓的趋势。
选择第3区域站立的乘客比重在车厢内站立乘客数Qi<18时降幅明显,表明可供选择的站立空间变少,乘客会寻求另外区域站立,当乘客选择倾向性比重降至40%后,降幅趋缓;第3区域靠近后车门,受站立乘客流消化与消散的高流动性特点影响,乘客选择第3区域站立的倾向性比重始终相对其他区域维持高态。
当Qi<18时,第2区域分流了第3区域乘客流,乘客选择第2区域站立的倾向性比重明显高于第1、第4区域;当Qi>45时,又有向第1区域和第4区域分流的趋势。可见,处于车辆轴距区域内的第2区域和第3区域位置关键,有代表乘客拥挤度的明显特征。
以上分析表明,受第1、第4区域的干扰,车厢内站立乘客数不能敏感地反映客流的变化,而车辆轴距区域站立密度与客流变化基本同步。因此,将车辆轴距内站立密度作为反映车厢内乘客拥挤度真实水平的指标,建立车辆轴距内站立密度模型。
运用MATLAB对调查数据进行一元非线性拟合处理,建立第2区域站立密度ρi2、第3区域站立密度ρi3与车厢内站立乘客数Qi的对应关系,如图5。由图5可见,Qi=9和Qi=45将ρi2、ρi3随车厢内站立乘客数Qi变化曲线分成3个趋势明显的分段函数。当Qi∈(0,9]时,第2区域和第3区域的乘客有效站立面积充裕,ρi2与ρi3曲线呈现了线性随机变化过程,ρi3曲线斜率较大表明乘客选择第3区域的概率更大。
当Qi∈(9,45]时,第3区域站立密度的增幅仍保持高速增长态势,因受到第2区域和第4区域的客流吸引作用,Qi接近于9时ρi3增幅不够明显;但当Qi接近于45时第2、第4区域逐渐趋于饱和,ρi3因疏解第2区域客流,吸收第4区域回流乘客,且靠近下车门而增幅明显,因此,ρi3呈现了类指数函数的变化特征。对于第2区域,Qi由9增大至45的过程中,ρi2的增幅有逐渐放缓的趋势,表明在该过程中ρi2和ρi3同趋势变化,对乘客的吸引力仍不如ρi3,其变化规律体现了对数函数的特征。
当Qi∈(45,+∞)时,第3区域会出现乘客流在下车门处堵塞的现象,使得第2区域流通性下降,ρi2增加明显。虽然乘客对第3区域的选择偏好更有优势,但因乘客流堵塞,被迫选择第2区域作为落脚点。
受车厢内站立乘客选择偏好的影响,第2、第3区域站立密度与车厢内站立乘客数Qi正相关,其变化规律可以描述为
采用Pearson相关系数法检验ρi2、ρi3与其相应区域的调查离散值ρs2、ρs3的拟合优度情况,通过积差相关系数Rj表达拟合函数与该区域调查离散值的相关程度。第j区域积差相关系数Rj计算方法为
在积差相关系数Rj等级中,Rj的绝对值越接近1.0,相关性越强;Rj的绝对值越接近0,相关性越弱。以取值范围判断相关强度,当Rj为0.8~1.0时,拟合函数ρij与调查离散值ρsj的关系为“极强相关”;当Rj为0.6~0.8时为“强相关”;按照此规律,相关程度依次递减。
经计算,第2区域内当Qi∈(0,9]、Qi∈(9,45]和Qi∈(45,+∞)时的拟合优度分别为0.997,0.905和0.951,第3区域内当Qi∈(0,9]、Qi∈(9,45]和Qi∈(45,+∞)时的拟合优度分别为0.996,0.996和0.970,表明ρi2、ρi3与调查离散值ρs2、ρs3的相关程度为极强相关,拟合优度检验结果为优质。
ρi2与ρi3并非是相互独立的指标,任何一个都不能完全反映车厢内站立密度的真实水平。以此2个指标为基础,建立指标ρi0为
式中,ρi0为车辆轴距内站立密度,α为ρi2的比例系数;β为ρi3的比例系数;γ为Qi的调配参数。
若令α+β=1且γ=0时,根据分段函数连续性的定义,对式(1)和式(2)取一阶导数,分别将Qi=9和Qi=45代入式(4)的一阶导数中,得到α1=0.68时β1=0.32和α2=0.72时β2=0.28两个调配参数组合。但是,经过两个参数组合计算得到的ρi0在Qi=45时并不连续,当Qi∈(9,45]时,经过两个参数组合计算得到的ρi0之差符合对数曲线变化趋势,可知当Qi∈(45,+∞)时γ≠0。若ρi0函数一阶导数在Qi=45时函数连续,则可得γ=0.08。综上所述,可知车辆轴距内站立密度函数ρi0可以表达为
式中,i为第i个公交站;ρi0为车辆在第i和第i+1公交站之间的轴距内站立密度;Qi为车辆在第i和第i+1公交站之间的车厢内站立乘客数。
运用左右极限检验一元分段函数的连续性。式(5)函数在各自的分段区间内连续,只需要验证该函数在Qi=9和Qi=45时的连续性即可。ρi0(9+0)=ρi0(9-0)=1.42,ρi0(45+0)=ρi0(45-0)=4.88,可以证明ρi0在(0,+∞)内是连续的。
车辆在第i和第i+1公交站之间的车厢内站立乘客数Qi的计算方法为:
式中,n为公交站总数;Qui为第i公交站的上车人数;Qdi为第i公交站的下车人数;Qa为车辆核定座位数,含1个驾驶员座位。
站间数比重判断逻辑建立过程如下:
由上述分析可知,将车辆轴距内站立密度作为指标的判断性能要优于车厢内站立乘客数。通过大量的调查数据,建立车辆轴距内站立密度ρi0随车厢内站立乘客数Qi变化的分布规律,寻找有效的客流变化特征参数,如图6。Qi=9和Qi=45将ρi0随车厢内站立乘客数Qi变化曲线分成3个分段函数,相对应的ρi0的数值分别为1.42和4.88。结合人机工程学原理和城市轨道交通工程设计规范(DB11/995-201[S]),将车辆轴距内站立密度ρi0划分为三个水平:0<ρi0≤1.42,1.42<ρi0≤5,ρi0>5。
相邻两个公交站之间的行程称为一个公交站间,例如,一条公交线路共有19个公交站,则这条线路上共有18个公交站间。
分别计算车辆轴距内不同站立密度水平下的公交站间数占总公交站间数的比重,作为判断车厢内站立乘客拥挤度的标志,乘客拥挤度也就代表公交车的运行状况,公交车的运行状况包括高峰时段运行、平峰时段运行和低峰时段运行。车辆轴距内不同站立密度水平下的站间数比重的计算方法为:
式中,λk为车辆轴距内不同站立密度水平下的公交站间数占总公交站间数的比重;a1为0<ρi0≤1.42的公交站间数;a2为1.42<ρi0≤5的公交站间数;a3为ρi0>5的公交站间数。
设置站间数比例阈值,确定站间数比重判断逻辑。在考虑乘客拥挤度的前提下,结合人机工程学原理和城市轨道交通工程设计规范(DB11/995-201[S])得出,超过局部站立密度5人/m2的站间数量占单程站间总数量的比例宜控制在20%以内,确定λ3=20%为高峰时段判定阈值;根据调查得到的某市公交线路平峰时段客流数据,车辆轴距内站立密度ρi0∈(1.42,5]时,相应的站间数比例λ2围绕着50%波动,设置λ2=50%为平峰时段判定阈值,则车厢内乘客拥挤程度的实时判断逻辑,也就是公交车的运行状况的实时判断逻辑为:
(1)优先判断λ3,当λ3≥20%时,认为车辆处于高峰时段运行,应缩短η0;
(2)优先判断λ3,再判断λ2,当λ3<20%且λ2≥50%时,认为车辆处于平峰时段运行,沿用η0;
(3)优先判断λ3,再判断λ2,当λ3<20%且λ2<50%时,认为车辆处于低峰时段运行,适当调增η0。
需要说明的是,阈值λ2=50%为运用某市公交线路平峰时段客流数据计算后得到的结果,对于其他城市,还需针对该市公交线路的具体情况而定。
η0为平峰时段车辆发车间隔,η0的计算方法为:
式中,Td为公交线路的首末班车时间差;C为公交车辆每天定额的往返行程次数;m为公交线路总配车数;d为每天正在维修保养和轮值休息的车辆数占总配车数的比例。
发车间隔模型建立过程如下:
发车间隔模型包括高峰时段发车间隔模型和低峰时段发车间隔模型。
(1)高峰时段内发车间隔ηpeak应适当缩短,但不能无限制缩短。由平峰时段发车间隔η0的计算公式可知,当所有车辆均投入运营,即无维修保养和轮值休息的车辆(d=0)时,发车间隔取最小值;高峰时段的发车间隔模型为:
其中,ηpeak为高峰时段发车间隔;λ3为ρi0>5的站间数比重;ηmin为发车间隔最小值。
(2)低峰时段内发车间隔应延长,则ηlow>η0,但是为满足乘客的出行需求和车辆运行任务,ηlow不能无限制延长。当仅有70%的车辆投入运营,即维修保养、轮值休息车辆数为线路配车数的30%(d=0.3)时,发车间隔取最大值;低峰时段的发车间隔模型为:
其中,ηlow为低峰时段发车间隔;λ1为0<ρi0≤1.42的站间数比重;ηmax为发车间隔最大值;dmax为维修保养和轮值车辆占总配车数比例的最大值。
在清楚了上述原理解释后,结合图1所示,作为本发明的某一具体实施方式,基于双目体感识别技术的公交车发车间隔确定方法,包括以下步骤:
步骤1:采集车辆在每一公交站的上、下车乘客数,计算相邻两个公交站之间的公交车车厢内的站立乘客数;具体的,公交车在第i和第i+1公交站之间的车厢内的站立乘客数Qi的计算方法为:
式中,n为公交站总数;Qui为第i公交站的上车人数;Qdi为第i公交站的下车人数;Qa为车辆核定座位数,含1个驾驶员座位。
步骤2:根据步骤1得到的公交车车厢内的站立乘客数,利用车辆轴距内站立密度模型,得到相邻两个公交站之间公交车的轴距内站立密度;具体的,车辆轴距内站立密度模型为:
式中,i为第i个公交站;ρi0为车辆在第i和第i+1公交站之间的轴距内站立密度。
步骤3:将轴距内站立密度划分为三个水平,分别计算轴距内不同站立密度水平下的公交站间数占总公交站间数的比重,具体为:
式中,λk为轴距内不同站立密度水平下的公交站间数占总公交站间数的比重;a1为0<ρi0≤1.42的公交站间数;a2为1.42<ρi0≤5的公交站间数;a3为ρi0>5的公交站间数。
步骤4:根据步骤3得到的轴距内不同站立密度水平下的公交站间数占总公交站间数的比重,利用站间数比重判断逻辑判定公交车的运行状况,公交车的运行状况包括高峰时段运行、平峰时段运行和低峰时段运行;
若判定为高峰时段运行,则根据高峰时段的发车间隔模型计算发车时间间隔;
若判定为平峰时段运行,则发车时间间隔不变;
若判定为低峰时段运行,则根据低峰时段的发车间隔模型计算发车时间间隔;
具体的,站间数比重判断逻辑为:
(1)优先判断λ3,当λ3≥20%时,判定为车辆处于高峰时段运行;
(2)优先判断λ3,再判断λ2,当λ3<20%且λ2≥50%时,判定为车辆处于平峰时段运行;
(3)优先判断λ3,再判断λ2,当λ3<20%且λ2<50%时,判定为车辆处于低峰时段运行;
平峰时段运行时车辆发车间隔的计算方法为:
式中,η0为平峰时段发车间隔;Td为公交线路的首末班车时间差;C为公交车辆每天定额的往返行程次数;m为公交线路总配车数;d为每天正在维修保养和轮值休息的车辆数占总配车数的比例;
高峰时段的发车间隔模型为:
其中,ηpeak为高峰时段发车间隔;λ3为ρi0>5的站间数比重;ηmin为发车间隔最小值;
低峰时段的发车间隔为:
其中,ηlow为低峰时段发车间隔;λ1为0<ρi0≤1.42的站间数比重;ηmax为发车间隔最大值;dmax为维修保养和轮值车辆占总配车数比例的最大值。
如图2所示,作为本发明的某一具体实施方式,基于双目体感识别技术的公交车发车间隔系统,包括客流数据采集系统和中央处理器,中央处理器内预设有车辆轴距内站立密度模型、站间数比重判断逻辑和发车间隔模型。客流数据采集系统,用于获取车辆在每个公交站的上车乘客数和下车乘客数,并发送给中央处理器。
客流数据采集系统包括一个型号为TM820X的客流分析仪和两个双目体感客流调查器;两个双目体感客流调查器分别安装在公交车前、后车门上方,每个双目体感客流调查器用于通过摄像头采集视频图像,并将采集的视频图像发送给客流分析仪,客流分析仪用于分析处理视频图像得到上车人数和下车人数,经客流分析仪处理后得到上车人数和下车人数,并记录前、后车门开启和关闭的时刻,客流分析仪将得到上车人数和下车人数通过车辆CAN总线发送给车载监控主机,车载监控主机将接收到的上车人数和下车人数通过3G/4G无线通信发送给中央处理器。
中央处理器,用于根据接收的每个公交站的上车乘客数和下车乘客数,计算相邻两个公交站之间的公交车车厢内的站立乘客数;
用于根据获取的公交车车厢内的站立乘客数,利用车辆轴距内站立密度模型,得到相邻两个公交站之间公交车的轴距内站立密度;
用于将轴距内站立密度划分为三个水平,分别计算轴距内不同站立密度水平下的公交站间数占总公交站间数的比重;
用于根据轴距内不同站立密度水平下的公交站间数占总公交站间数的比重,利用站间数比重判断逻辑判定公交车的运行状况,公交车的运行状况包括高峰时段运行、平峰时段运行和低峰时段运行,若判定为高峰时段运行,则根据高峰时段的发车间隔模型计算发车时间间隔;若判定为平峰时段运行,则发车时间间隔不变;若判定为低峰时段运行,则根据低峰时段的发车间隔模型计算发车时间间隔。
作为上述具体实施方式的某一具体实施例,例如,某线路首末班车时间为6:00~24:00,则Td为1080min,该线路平峰时段可供调度的车辆数为总配车数的85%,通过平峰时段车辆发车间隔η0计算公式,可以计算η0为10.8min,则取整后的平峰时段发车间隔为11min。根据客流数据采集系统得到的实时数据,计算出车辆轴距内不同站立密度水平下的站间数比重λ1、λ2、λ3分别为12.5%、50.0%、37.5%。由于λ3为优先判断参数,且已经超过20.0%,判断为客流高峰时段,此时公交线路会调遣所有车辆投入运营,则取整后的高峰时段发车间隔为9min。
又例如,假设公交场站有A、B、C、D共4辆待发车辆,根据发车间隔模型确定的发车间隔为9min,系统自动排定A、B、C、D的发车时间分别为7:30,7:39,7:48,7:57。
(1)若在A发车之前,没有车辆返回场站,则A、B、C、D发车时间均不变,仍为7:30,7:39,7:48,7:57;
(2)若在A发车之前,有车辆返回场站,则A发车时间仍不变,为7:30。B发车时间按照离A发车之前最近返回场站的车辆确定的发车间隔进行调整,相应的C、D发车时间也要改变。假设离A发车之前最近返回场站的车辆确定的发车间隔为11min,则B、C、D的发车时间调整为7:41,7:52,8:03;
(3)其它待发车辆的发车时间以此类推。
最后应说明的是:以上实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,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发明揭露的技术范围内,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发明实施例技术方案的精神和范围,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以权利要求的保护范围为准。
Claims (8)
1.基于双目体感识别技术的公交车发车间隔确定方法,其特征在于,包括以下步骤:
步骤1:采集车辆在每一公交站的上、下车乘客数,计算相邻两个公交站之间的公交车车厢内的站立乘客数;
步骤2:根据步骤1得到的公交车车厢内的站立乘客数,利用车辆轴距内站立密度模型,得到相邻两个公交站之间公交车的轴距内站立密度;
步骤3:将轴距内站立密度划分为三个水平,分别计算轴距内不同站立密度水平下的公交站间数占总公交站间数的比重;
步骤4:根据步骤3得到的轴距内不同站立密度水平下的公交站间数占总公交站间数的比重,利用站间数比重判断逻辑判定公交车的运行状况,所述公交车的运行状况包括高峰时段运行、平峰时段运行和低峰时段运行;
若判定为高峰时段运行,则根据高峰时段的发车间隔模型计算发车时间间隔;
若判定为平峰时段运行,则发车时间间隔不变;
若判定为低峰时段运行,则根据低峰时段的发车间隔模型计算发车时间间隔。
2.根据权利要求1所述的基于双目体感识别技术的公交车发车间隔确定方法,其特征在于,步骤1中,公交车在第i和第i+1公交站之间的车厢内的站立乘客数Qi的计算方法为:
式中,n为公交站总数;Qui为第i公交站的上车人数;Qdi为第i公交站的下车人数;Qa为车辆核定座位数,含1个驾驶员座位。
4.根据权利要求3所述的基于双目体感识别技术的公交车发车间隔确定方法,其特征在于,步骤3中,计算轴距内不同站立密度水平下的公交站间数占总公交站间数的比重,具体为:
式中,λk为轴距内不同站立密度水平下的公交站间数占总公交站间数的比重;a1为0<ρi0≤1.42的公交站间数;a2为1.42<ρi0≤5的公交站间数;a3为ρi0>5的公交站间数。
5.根据权利要求4所述的基于双目体感识别技术的公交车发车间隔确定方法,其特征在于,站间数比重判断逻辑为:
(1)优先判断λ3,当λ3≥20%时,判定为车辆处于高峰时段运行;
(2)优先判断λ3,再判断λ2,当λ3<20%且λ2≥50%时,判定为车辆处于平峰时段运行;
(3)优先判断λ3,再判断λ2,当λ3<20%且λ2<50%时,判定为车辆处于低峰时段运行;
平峰时段运行时车辆发车间隔的计算方法为:
式中,η0为平峰时段发车间隔;Td为公交线路的首末班车时间差;C为公交车辆每天定额的往返行程次数;m为公交线路总配车数;d为每天正在维修保养和轮值休息的车辆数占总配车数的比例;
所述高峰时段的发车间隔模型为:
其中,ηpeak为高峰时段发车间隔;λ3为ρi0>5的站间数比重;ηmin为发车间隔最小值;
所述低峰时段的发车间隔为:
其中,ηlow为低峰时段发车间隔;λ1为0<ρi0≤1.42的站间数比重;ηmax为发车间隔最大值;dmax为维修保养和轮值车辆占总配车数比例的最大值。
6.基于双目体感识别技术的公交车发车间隔系统,其特征在于,包括:客流数据采集系统和中央处理器;
客流数据采集系统,用于获取车辆在每个公交站的上车乘客数和下车乘客数,并发送给所述中央处理器;
中央处理器,用于根据接收的每个公交站的上车乘客数和下车乘客数,计算相邻两个公交站之间的公交车车厢内的站立乘客数;
用于根据获取的公交车车厢内的站立乘客数,利用车辆轴距内站立密度模型,得到相邻两个公交站之间公交车的轴距内站立密度;
用于将轴距内站立密度划分为三个水平,分别计算轴距内不同站立密度水平下的公交站间数占总公交站间数的比重;
用于根据轴距内不同站立密度水平下的公交站间数占总公交站间数的比重,利用站间数比重判断逻辑判定公交车的运行状况,所述公交车的运行状况包括高峰时段运行、平峰时段运行和低峰时段运行,若判定为高峰时段运行,则根据高峰时段的发车间隔模型计算发车时间间隔;若判定为平峰时段运行,则发车时间间隔不变;若判定为低峰时段运行,则根据低峰时段的发车间隔模型计算发车时间间隔。
7.根据权利要求6所述的基于双目体感识别技术的公交车发车间隔系统,其特征在于,所述客流数据采集系统包括一个客流分析仪和两个双目体感客流调查器;两个所述双目体感客流调查器分别安装在公交车前、后车门上方,每个所述双目体感客流调查器用于通过摄像头采集视频图像,并将采集的视频图像发送给所述客流分析仪,所述客流分析仪用于分析处理视频图像得到上车人数和下车人数,所述客流分析仪将得到上车人数和下车人数通过车辆CAN总线发送给车载监控主机,所述车载监控主机将接收到的上车人数和下车人数通过无线通信发送给所述中央处理器。
8.根据权利要求7所述的基于双目体感识别技术的公交车发车间隔系统,其特征在于,所述客流分析仪的型号为TM820X。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911096466.5A CN110838240B (zh) | 2019-11-11 | 2019-11-11 | 基于双目体感识别技术的公交车发车间隔确定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911096466.5A CN110838240B (zh) | 2019-11-11 | 2019-11-11 | 基于双目体感识别技术的公交车发车间隔确定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110838240A true CN110838240A (zh) | 2020-02-25 |
CN110838240B CN110838240B (zh) | 2020-09-29 |
Family
ID=69574822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911096466.5A Active CN110838240B (zh) | 2019-11-11 | 2019-11-11 | 基于双目体感识别技术的公交车发车间隔确定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110838240B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112079293A (zh) * | 2020-09-11 | 2020-12-15 | 江苏小白兔智造科技有限公司 | 一种同时运动叉齿的内叉车辆搬运机器人 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101942789A (zh) * | 2009-07-07 | 2011-01-12 | 莫傲 | 适用于多路公交车停靠的车站及其设置方法 |
CN102737356A (zh) * | 2012-06-13 | 2012-10-17 | 西安理工大学 | 智能公交调度排班计算方法 |
CN102867408A (zh) * | 2012-09-17 | 2013-01-09 | 北京理工大学 | 一种公交出行路线的选择方法和系统 |
CN103531018A (zh) * | 2013-09-25 | 2014-01-22 | 青岛海信网络科技股份有限公司 | 公交车发车调度方法及公交车发车调度系统 |
CN104132722A (zh) * | 2014-07-30 | 2014-11-05 | 西南交通大学 | 一种基于胎压的载重检测方法、基于胎压检测的公交车客流量计算方法及装置 |
CN105046950A (zh) * | 2015-06-15 | 2015-11-11 | 上海斐讯数据通信技术有限公司 | 一种基于基站判断公交车拥挤程度的系统及方法 |
CN205158629U (zh) * | 2015-10-27 | 2016-04-13 | 西南交通大学 | 一种公交车辆乘客计数系统 |
ES2585850A1 (es) * | 2015-04-07 | 2016-10-10 | Javier Uribesalgo Iza | Sistema de seguridad para medios de transporte |
CN106515590A (zh) * | 2016-10-26 | 2017-03-22 | 南京信息工程大学 | 一种多功能智能公交车 |
CN107240289A (zh) * | 2017-07-24 | 2017-10-10 | 济南博图信息技术有限公司 | 一种公交车线路优化管理方法及系统 |
-
2019
- 2019-11-11 CN CN201911096466.5A patent/CN110838240B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101942789A (zh) * | 2009-07-07 | 2011-01-12 | 莫傲 | 适用于多路公交车停靠的车站及其设置方法 |
CN102737356A (zh) * | 2012-06-13 | 2012-10-17 | 西安理工大学 | 智能公交调度排班计算方法 |
CN102867408A (zh) * | 2012-09-17 | 2013-01-09 | 北京理工大学 | 一种公交出行路线的选择方法和系统 |
CN103531018A (zh) * | 2013-09-25 | 2014-01-22 | 青岛海信网络科技股份有限公司 | 公交车发车调度方法及公交车发车调度系统 |
CN104132722A (zh) * | 2014-07-30 | 2014-11-05 | 西南交通大学 | 一种基于胎压的载重检测方法、基于胎压检测的公交车客流量计算方法及装置 |
ES2585850A1 (es) * | 2015-04-07 | 2016-10-10 | Javier Uribesalgo Iza | Sistema de seguridad para medios de transporte |
CN105046950A (zh) * | 2015-06-15 | 2015-11-11 | 上海斐讯数据通信技术有限公司 | 一种基于基站判断公交车拥挤程度的系统及方法 |
CN205158629U (zh) * | 2015-10-27 | 2016-04-13 | 西南交通大学 | 一种公交车辆乘客计数系统 |
CN106515590A (zh) * | 2016-10-26 | 2017-03-22 | 南京信息工程大学 | 一种多功能智能公交车 |
CN107240289A (zh) * | 2017-07-24 | 2017-10-10 | 济南博图信息技术有限公司 | 一种公交车线路优化管理方法及系统 |
Non-Patent Citations (3)
Title |
---|
JIAOYANG LI: ""Optimal combinations and variable departure intervals for micro bus system"", 《 TSINGHUA SCIENCE AND TECHNOLOGY 》 * |
吴奇兵: ""城市轨道交通车厢立席密度计算模型"", 《交通运输工程学报》 * |
闫晟煜: ""公交客车分区站立密度分布特征"", 《交通信息与安全》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112079293A (zh) * | 2020-09-11 | 2020-12-15 | 江苏小白兔智造科技有限公司 | 一种同时运动叉齿的内叉车辆搬运机器人 |
CN112079293B (zh) * | 2020-09-11 | 2021-05-18 | 江苏小白兔智造科技有限公司 | 一种同时运动叉齿的内叉车辆搬运机器人 |
Also Published As
Publication number | Publication date |
---|---|
CN110838240B (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107490386B (zh) | 一种电动汽车最优路径和驾驶方式的规划方法及系统 | |
Dong et al. | Moving from trip-based to activity-based measures of accessibility | |
CN106710216B (zh) | 高速公路实时交通拥堵路况检测方法和系统 | |
CN102842109B (zh) | 停车场服务水平量化分级的评价方法 | |
CN110705848B (zh) | 一种基于个体出行链的综合交通服务评价方法及装置 | |
CN109087507A (zh) | 一种道路交通信号单点控制效益评价方法 | |
CN104866931A (zh) | 一种基于大站停车和多站协同限流的地铁客流组织方法 | |
CN111510488B (zh) | 一种智能停车场搜寻与导航方法 | |
CN111552913A (zh) | 一种新线接入条件下城市轨道交通运能匹配性评价方法 | |
CN105679025A (zh) | 一种基于可变权重混合分布的城市干道行程时间估计方法 | |
CN110838240B (zh) | 基于双目体感识别技术的公交车发车间隔确定方法及系统 | |
CN113112789B (zh) | 城市快速路突发事件的影响预测及管控方法 | |
CN103646374B (zh) | 一种地面公交运行舒适性指数计算方法 | |
CN109872047B (zh) | 一种考虑出行者拥挤度感知的公交出行方案推荐方法 | |
CN110889086B (zh) | 一种评估共享电动租赁汽车对城市汽车尾气排放影响的方法 | |
CN108549754A (zh) | 基于控制图的有轨电车系统能耗分析方法 | |
CN104318795A (zh) | 基于时空分析的高速公路地点交通状态偏离度获取方法 | |
CN106056923B (zh) | 基于交通场面雷达的路段交通状态判别方法 | |
CN111127885B (zh) | 一种低排放城市区域的交通管控方法及其系统 | |
Si et al. | Optimization model and algorithm for mixed traffic of urban road network with flow interference | |
CN114419894B (zh) | 一种路内停车泊位设置与使用监测的方法与系统 | |
CN112632374B (zh) | 一种考虑定制公交的居民出行方式选择分析方法 | |
CN116341926A (zh) | 基于多模式交通网络的都市圈或城市群实质边界识别方法 | |
CN115796337A (zh) | 一种基于多源数据的公交运行状态预测方法 | |
CN105023063B (zh) | 公交线网新能源公交车运行能耗指标体系的建立方法 |
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 |