CN110942411B - 基于区域联动的地铁车站客流分级报警方法 - Google Patents
基于区域联动的地铁车站客流分级报警方法 Download PDFInfo
- Publication number
- CN110942411B CN110942411B CN201911138187.0A CN201911138187A CN110942411B CN 110942411 B CN110942411 B CN 110942411B CN 201911138187 A CN201911138187 A CN 201911138187A CN 110942411 B CN110942411 B CN 110942411B
- Authority
- CN
- China
- Prior art keywords
- station
- facility
- passenger flow
- area
- capacity
- 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.)
- Active
Links
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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/42—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for mass transport vehicles, e.g. buses, trains or aircraft
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/90—Services for handling of emergency or hazardous situations, e.g. earthquake and tsunami warning systems [ETWS]
Abstract
一种基于区域联动的地铁车站客流分级报警方法,步骤是实时采集车站监控视频的流量、速度、密度与区域人数数据,按监控区域对数据汇聚与预处理;将车站设施分为类,提出设施通过能力饱和度计算、容纳能力饱和度及服务能力饱和度计算方法;划分车站关键区域,提出各区域能力饱和度及车站综合饱和度计算方法,综合计算车站拥挤指数;提出各类设施、区域、车站能力饱和度聚类方法,计算得到分级结果与过饱和阈值;计算车站设施、区域能力过饱和状态持续时间,构建基于决策树的设施能力报警方法,提出车站区域联动报警方法;构建车站各关键区域邻接矩阵及邻边集合,提出单个设施与多区域联动的客流联动控制方法。
Description
技术领域
本发明属于城市轨道交通领域,且特别是基于区域联动的地铁车站客流分级报警方法。
背景技术
我国城市轨道交通发展正处于快速发展期,线网规模持续扩张,客流规模进一步增强城市结构、轨道交通形态、客流特征均不稳定,导致一定时期内的供需矛盾突出,尤其表现在早晚高峰线网运力难以满足大客流出行的需求,导致轨道站点滞留拥挤现象突出,乘客摔倒及乘客冲突事件时有发生,引起政府、运营企业、公众极大的关注。为缓解站点客运组合压力问题,北京地铁已在96座站点在早晚高峰采取常态化客流控制,未来随着新线开通运营,客流控制的范围及力度将逐步加强。然而,在车站限流过程中,对于限流车站的选取、限流时段及限流的设定主要根据历史客流数据及运营经验,缺乏合理的科学解释及验证工具。一旦遇到突发大客流时,由于缺乏有效的客流监测、客流预测及预警评估技术手段,容易错失最佳处置时间引发客流踩踏风险产生。因此,如何动态获取客流数据,及时发出大客流报警,形成精细化的客流控制方案,是目前车站运营管理的关注重点。
近年来,随着视频图像检测技术、WiFi探针及基站定位等技术手段的发展,尤其基于视频检测的客流数据采集技术越发成熟,为地铁车站客流数据动态获取的提供解决方案。目前,在多项国家重点研发计划项目、省部级项目以及各城市地铁运营企业的大力支持下,北京、广州、深圳、苏州、南京等城市持续开展地铁大客流的动态监测及预警系统的示范工程。在此新形势下,基于经验的传统客流控制手段无法满足地铁大客流动态管理的要求,如何有效利用地铁的多源客流数据,科学评价地铁车站重点设施及车站整体的客流拥挤状态,并形成满足车站动态管控的客流预警及管控方案,是目前行业的难点。
之前,申请人在北京市交通委项目的支撑下,提出了轨道交通客流密集度指数的评价模型和系统,解决了地铁车站客流状态宏观评价难题,从而直观反应车站客流的拥挤状态,但在车站管理层面的应用存在局限性,站务人员无法根据指数的大小直接进行客流控制和设施优化;而行业内其他的技术方法多为根据单个区域的客流密度判断客流的服务水平或拥挤状态,分为红、橙、黄、绿四个等级,且容易发生误报、漏报等现象,在实际车站中难以推广使用。
未来,随着城市轨道交通规模的扩张,车站运营管理压力大,而缩减地铁车站管理人员,提高车站智能化管理水平,实现车站“无人化”管理是未来地铁车站发展的趋势,其中车站客流的动态组织、引导及控制是关键。因此,车站迫切需要一套客观、精准的客流状态动态辨识与协同控制的手段,实现地铁客流智能化管理,满足地铁智慧车站建设的需求。
发明内容
为了解决现有技术中的上述问题,本发明提出一种基于区域联动的地铁车站客流分级报警方法,该方法包括步骤:实时采集车站监控视频的流量、速度、密度与区域人数数据,按监控区域对原始客流数据汇聚与预处理;将车站设施分为通过型、容纳型及服务型设施,提出设施通过能力饱和度计算、容纳能力饱和度及服务能力饱和度计算方法;通过能力饱和度采用实际通行客流与最大通行能力比值,容纳能力饱和度采用设施聚集客流与设计最大通承载能力的比值,服务能力饱和度采用设施排队程度与最大容许排队程度比值;按站台、站厅付费区、站厅非付费区及站前广场划分车站关键区域,提出各区域能力饱和度及车站综合饱和度计算方法,综合计算车站拥挤指数;提出各类设施、区域、车站能力饱和度聚类方法,计算得到分级结果与过饱和阈值;计算车站设施、区域能力过饱和状态持续时间,构建基于决策树的设施能力报警方法,提出车站区域联动报警方法;构建车站各关键区域邻接矩阵及邻边集合,提出单个设施与多区域联动的客流联动控制方法。该方法可用于动态评估车站设施的客流拥挤状态及负荷强度,实现车站重点区域的联动报警,有力支撑车站客流运行监测、分级控制及组织优化工作,提升车站客流出行安全及效率。
具体如下:
一种基于区域联动的地铁车站客流分级报警方法,包括下列步骤:
1)以车站监控视频检测数据、WIFI探针采集数据及AFC刷卡数据为输入,对异构数据进行预处理,得到车站监测设施的客流数据;
客流数据包括内的客流流量、客流密度、客流速度及区域人数;
2)将车站设施分为通过型、容纳型及服务型三类;
通过型设施包括楼梯、扶梯、通道、自动步道、安检及闸机;容纳型设施包括站台或站厅;服务型设施包括人工售票、自动售票及问询设备;
由步骤1)得到的客流数据,计算车站设施能力饱和度;设施能力饱和度有通过能力饱和度、容纳能力饱和度与服务能力饱和度三类;
3)按站台、站厅付费区、站厅非付费区及站前广场划分车站关键区域;由各区域的设施能力饱和度得到,关键区域综合能力饱和度及车站综合饱和度,进而得到车站拥挤度指数;
4)由设施能力饱和度、区域综合能力饱和度和车站综合饱和度,得到能力饱和度分级结果与超饱和阈值;
5)计算车站设施、区域能力超饱和持续时间,构建基于决策树的设施能力报警方法,再提出基于区域联动的车站分级报警方法;
6)根据报警级别,提出单设施、单区域及多区域客流联动控制方法;
所述步骤3)的步骤包括:
3.1)将车站划分为站台、站厅付费区、站厅非付费区及站前广场关键区域,站台与站厅付费区以衔接的楼扶梯为分界,站厅付费区与站厅非付费区以衔接的进站、出站闸机为分界,站厅非付费区与站前广场以出入口为分界,站前广场仅含出入口等候区域;
3.2)按设施空间布局,将车站设施归类至某一关键区域,若该设施为两个关键区域的衔接设施,则归属至客流来源区域;
3.3)根据关键区域内的设施能力饱和度获得各个关键区域综合能力饱和度,再得到车站拥挤度指数,计算方法为:
其中,为车站拥挤度指数;为区域综合能力饱和度;ηi为设施能力饱和度;δi,s为归属因子,若设施i属于区域s,则δi,s=1,否则为0;βi、αi分别为设施、区域的权重系数,与设施、区域的平均聚集人数相关;
所述步骤5)中的构建基于决策树的设施能力报警判别方法,步骤为:
5.1.1)建立设施类型及子类型分叉树,设施类型子节点含通过型、容纳型与服务型,设施子类型分叉树由设施类型子节点得到,通过型设施子节点为楼梯、扶梯、通道、自动步道、安检及闸机,容纳型设施子节点为站台与站厅,服务型设施子节点为人工售票、自动售票及问询设备;
5.1.2)计算各类设施的能力饱和度,构建设施能力超标判别二叉树,根据设施能力超标情况与持续状态确定设施能力报警等级:若设施能力饱和度超标,进一步判别设施高饱和持续时间,根据持续时间划分报警等级;
5.1.3)若设施类型为通过型设施,需同时判定设施通过能力与容纳能力是否超标,若任意一项饱和度指标超标,则进一步根据设施高饱和持续时间判定结果输出报警状态。
本发明的基于区域联动的车站分级报警方法,首先,融合了AFC数据、视频数据、WIFI探针数据多种数据的特征,提出复合场景下的客流基础数据处理及融合的方法;第二,首次提出设施通过能力、容纳能力和排队能力饱和度三类指标,丰富了车站设施能力饱和度内涵,满足了各类设施定制化评估的需求;第三,从能力饱和度及持续状态时空维度上判别车站设施、关键区域的报警等级,形成了设施-区域-车站三层级报警方法体系;最后,构建了站内各区域客流联动关系模型,提出了车站设施-区域-多区域联动的客流控制模型,极大满足车站内客流协同控制的需求。
本方法不仅满足既有大客流车站的动态监测及管控需求,也可支撑未来新线车站的动态评估及优化布局,提高车站客运组织的管理效率,并能够大大减轻站务人员的管理压力。
附图说明
附图不意在按比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1为本发明实施例的基于区域联动的车站分级报警方法的流程图。
图2为本发明步骤6)实例的车站各关键区域邻接关系示意图(进站流线)。
图3为本发明步骤6)实例的车站各关键区域邻接关系示意图(换乘流线)。
具体实施方式
下面结合附图与具体实施例对本技术方案进一步说明:
如图1,一种基于设施能力饱和度的城市轨道交通车站联动报警方法,包括下列步骤:
1)以车站监控视频检测数据、WIFI探针采集数据及AFC刷卡数据为输入,对异构数据进行预处理,汇聚得到车站监测设施的1分钟流量、密度、速度及区域人数数据;
2)将车站设施分为通过型(含楼梯、扶梯、通道、自动步道、安检及闸机)、容纳型(含站台、站厅)及服务型(含人工售票、自动售票及问询设备)三类,以步骤1)汇聚的客流数据为输入,计算各类设施通过能力饱和度、容纳能力饱和度与服务能力饱和度;
3)按站台、站厅付费区、站厅非付费区及站前广场划分车站关键区域,计算各区域能力饱和度及车站综合饱和度,计算得到车站拥挤指数;
4)构建各类设施、区域、车站能力饱和度聚类方法,计算得到能力饱和度分级结果与超饱和阈值;
5)计算车站设施、区域能力超饱和持续时间,构建基于决策树的设施能力报警方法,提出基于区域联动的车站分级报警方法;
6)构建车站各关键区域邻接矩阵及邻边集合,提出单个设施与多区域联动的客流联动控制方法;
步骤1)以车站监控视频检测数据、WIFI探针数据及AFC刷卡数据为输入,对异构数据进行预处理,汇聚得到车站监测设施的1分钟流量、密度、速度及区域人数数据,具体步骤为:
1)对车站监测视频检测数据处理方法如下:若车站设施由多个监测点并排分布,则对各监测点的流量、区域人数累加得到监测对象累计的统计流量、区域人数;求多个监测视频的总区域人数与总监测面积的比值得到监测对象平均密度;求各监测视频的客流速度加权平均得到监测对象总体平均客流速度,权重为各监测视频的客流量占比,计算公式为:
其中,vi为监测对象i的平均客流速度,vi,j为监测视频j的客流速度,αj为监测视频j的权重系数,Qi为区域i的通行流量,Qi,j为区域i中监测视频j统计的通行流量;
若车站设施若由多个监测视频串联分布,则对各监测视频的客流数据求均值得到;
2)对WIFI探针数据处理方法如下:以采集间隔的WIFI探针数据(含人员及定位信息)为输入,计算车站站台、站厅的区域聚集人数,并汇聚成1分钟各区域的平均统计量;
3)对AFC刷卡数据处理方法如下:以实时的AFC地铁刷卡记录数据为输入,结合各闸机设备编号、设备分布及交易类型(进站、出站),按1分钟统计车站各区域闸机组的进站客流及出站客流数据;
4)若所述车站同时存在视频监测数据、WIFI探针数据及AFC刷卡数据,则站台、站厅设施的区域聚集人数WIFI探针数据计算得到,各闸机组的进站与出站量由AFC刷卡数据计算得到,其他设施的客流流量、密度、速度、区域人数由视频检测数据计算得到;
步骤2)设施通过能力饱和度的计算方法为实际通行能力与设计通行能力的比值,计算公式为:
式中:η通过为通过能力饱和度,Qi为设施通过客流量,为设施设计最大通行能力,γ为设施能力折减系数(γ∈(0,1]),与车站类型及设施类型相关,q0为设施基本通行能力(人/m.min),查找现有设计规范的设施通行能力标准得到,di为设施宽度;
步骤2)设施容纳能力饱和度的计算方法,以站台为例,为站台实际聚集人数与站台设计承载能力的比例,计算公式为:
所述站台实际聚集人数可由WIFI探针设备获取;
进一步,若无法直接获取站台聚集人数,则通过累加各监控视频得到的区域人数得到侧站台总体聚集人数,计算公式为:
其中,Nj为站台i的第j监测区域的区域人数;ρj为站台i的第j监测区域的平均密度;sj为侧站台i的第j监测区域的面积;
所述站台各监测区域的区域人数由视频分析系统得到;
进一步,若站台无WIFI探针数据及视频监控数据,则站台区域总人数可通过进出站台的客流计算得到,计算公式为:
所述t时段进站客流、出站客流由进出站刷卡数据直接获取,上车客流、下车客流、换入客流及换出客流可由AFC清分系统推算得到。
步骤2)设施服务能力饱和度的计算方法为服务设施平均排队人数与最大容许排队人数的比例,计算公式为:
进一步,若所述一组服务设施为多个设施同时进行服务,如多个自动售票机组成售票机组,则服务设施组的平均排队长度为:
所述各服务设施的排队长度可根据视频分析系统得到,服务设施最大容许排队长度根据各个车站的设施能力及排队空间进行确定。
步骤3)按站台、站厅付费区、站厅非付费区及站前广场划分车站关键区域,计算各区域能力饱和度及车站综合饱和度,计算得到车站拥挤指数,具体实施步骤为;
1)将车站划分为站台、站厅付费区、站厅非付费区及站前广场关键区域,站台与站厅付费区以衔接的楼扶梯为分界,站厅付费区与站厅非付费区以衔接的进站、出站闸机为分界,站厅非付费区与站前广场以出入口为分界,站前广场仅含出入口等候区域;
2)按设施空间布局,将车站设施归类至某一关键区域,若该设施为两个关键区域的衔接设施,则归属至客流来源区域,如:进站闸机归属为站厅非付费区、出站闸机归属为站厅付费区,站台衔接站厅的上行与下行楼扶梯按客流来源分别属于站台与站厅,换乘设施归属于换乘客流来源区域;
3)以区域内设施能力饱和度为输入,计算各关键区域综合能力饱和度,再综合计算车站拥挤度指数,计算方法为:
其中,为车站拥挤指数,为区域综合能力饱和度,ηi为设施能力饱和度,δi,s为归属因子(若设施i属于区域s,则δi,s=1,否则为0),βi、αi分别为设施、区域的权重系数,与设施、区域的平均聚集人数相关;
车站关键区域划分方式见附图2及图3所示:
步骤4)以车站各类设施历史监测数据为输入计算得到设施能力饱和度,采用聚类算法计算得到分级结果及划分标准,所述各类设施包括:楼梯(上行、下行、双向混行)、通道(单向及双向混行)、自动扶梯、人工售票、自动售票、自动检票、站台及安检;所述聚类结果从优至差分为A、B、C、D四个等级,其中D级以上为高饱和度状态;
步骤5)以设施能力饱和度为输入,统计设施超饱和持续时间,具体实施步骤为判断设施能力饱和度是否超过饱和度阈值,并累加超过阈值的时段的时间为高饱和持续时间,计算公式为:
其中,T为高饱和持续时间,Δt为基本统计时间,n为统计时段,ηi为设施能力饱和度,η0为高饱和判定阈值,ψ(ηi)为设施饱和度状态(1为高饱和状态,0为非饱和状态);
步骤5)构建基于决策树的设施能力报警判别方法,判定方法与实施步骤为:
1)建立设施类型及子类型分叉树,设施类型子节点含通过型、容纳型与服务型,设施子类型分叉树由设施类型子节点得到通过型设施子节点为楼梯、扶梯、通道、自动步道、安检及闸机,容纳型设施子节点为站台与站厅,服务型设施子节点为人工售票、自动售票及问询设备;
2)计算各类设施的能力饱和度,构建设施能力超标判别二叉树,根据设施能力超标情况与持续状态确定设施能力报警等级:若设施能力饱和度超标,进一步判别设施高饱和持续时间,持续2分钟为IV级蓝色报警,若持续3分钟为III级黄色报警,若持续4分钟为II级橙色警报,若持续5分钟及以上则为I级红色警报;
3)若设施类型为通过型设施,需同时判定设施通过能力与排队能力是否超标,若任意一项饱和度指标超标,则进一步根据设施高饱和持续时间判定结果输出报警状态;
步骤5)提出基于区域联动的车站分级报警方法,具体特征与实施步骤为:
1)车站报警级别与关键区域报警状态及区域空间位置关联,分四级报警;
2)若除站台外其他单个区域超标报警,则发出车站IV级蓝色警告;
3)若站台单个区域超标报警,则发出车站III级黄色报警;
4)若站台与付费区均超标报警,则发出车站II级橙色报警;
5)若站台、付费区与非付费区均超标报警,则发出车站I级红色报警;
步骤6)针对单个设施采取的客流控制方法包括增加设施能力、减少到达客流量、关闭设施转移客流及疏解已有客流四种方法,针对各类设施应用场景与实施步骤为:
1)对于通过型设施,若出现设施能力超标III级及以上报警,应在设施上游采取铁马、限流围栏延长乘客走行距离,延缓客流到达;若无法缓解,应采用警戒线强化限流措施,进行人工客流放行,同时通知车站进行多区域协同控制;若所述设施为扶梯且能力超标,但同向楼梯设施能力富余时,应人工引导客流选择楼梯,若无法缓解压力则应关闭扶梯保证安全;
2)对于容纳性设施,如地铁站台,若出现设施能力超标III级及以上报警,应对站台的相邻上游设施进行客流流入控制,采取铁马、限流围栏延长乘客走行距离,延缓到达站台客流量;若车站为换乘站,则应先控制本站进站量,若无法缓解时,再控制其他线路换入的客流量;若仍无法缓解,则应通知车站进行多区域协同控制,同时申请增加行车能力,加快站台客流疏解;
3)对于服务型设施,若出现设施能力超标III级及以上报警,应对设施的上游进行客流流入控制,采取铁马、限流围栏延缓到达的客流量,若服务设施存在备用设施,应开启备用设施;若仍无法缓解,则应通知车站进行多区域协同控制,控制进入车站的进站量;
步骤6)构建车站各关键区域邻接矩阵及邻边集合,其具体实施步骤为:
1)构建车站各关键区域邻接矩阵,若车站关键区域集合为{S1,S2,...,Sm},则关键区域间的邻接关系矩阵R为:
其中,δi,j为关键设施Si与Sj的邻接系数,若两区域相邻且客流从Si流向Sj,则δi,j=1,否则δi,j=0;
2)计算与区域Sj的上游邻接区域的集合,
Qj=Rj×P=[δ1,jS1,δ2,jS2,...,δm,jSm]
其中,Qj为邻接区域集合,Rj=[δ1,j,δ2,j,...,δm,j]T为R的第j列向量,P=[S1,S2,...,Sm]为关键区域向量;
其中ξ(Si∩Sj)为邻边判别函数,结合车站设施布局,综合判别关键区域的邻接边;
步骤6)针对单个区域、多区域联动的客流联动控制方法及实施步骤为:
1)对各区域内的所有设施按能力饱和度降序排列,取前k个设施作为瓶颈设施(k∈[1,3]),按前述方法计算各关键区域的邻接区域及邻边集合;
2)若出现所述特征10中车站IV级报警时,应按所述特征11的步骤对瓶颈设施进行客流控制;若无法缓解,则对邻接区域的流入客流进行协同控制,各邻接区域的控制客流量根据邻接区域的类型、饱和度及客流量决策,则各邻接区域Si的流入区域Sj客流的控制量Δqi,j的计算公式为:
Δqi,j=ωi×Δqj
ωi=f(qi,j,ηi)
其中,Δqj为区域Sj需控制流入的客流总量,ωi为各邻接区域Si流入客流的权重系数,与各邻接区域Si流入Sj的客流量qi,j及饱和度ηi相关;
3)若出现车站III级至I级报警时,则按站台、站厅付费区、站厅非付费区三级管控方案:车站III级报警时,则对于站台相连的站厅付费区进行流量控制,车站II级报警时,则对站厅非付费区进行流量控制,车站I级报警时,则对出入口进站客流进行控制;
4)若车站采取三级控制后,导致站前广场等候区饱和度超标报警时,则车站应上报指挥中心,调度地面公共交通疏解进站客流;
案例分析
为了验证上述车站分级报警方法,特选取南京地铁大行宫换乘站阐述方法的实施过程,该站为2号线(简称M2)和3号线(简称M3)的换乘站,具体过程如下:
(1)设施饱和度指标的计算
以某日高峰小时客流为输入,计算该站闸机、楼扶梯设施、站台设施及换乘设施的能力饱和度情况,设施的设计能力参考《地铁设计规范》(GB50157-2013),设施能力折减系数取1.0,计算结果如下:
表1设施通行能力饱和度计算结果
表2设施容纳能力饱和度计算结果
(2)区域饱和度指标计算
根据表1及表2的计算结果,按照各区域的归类,得到该站各区域的综合能力饱和度值,本文考虑各区域内设施同等重要,即求由区域内设施的饱和度的求均值得到区域饱和度,计算结果如下表所示:
表3区域饱和度计算结果
区域名称 | 区域能力饱和度 | 区域名称 | 区域能力饱和度 |
M2站台 | 0.92 | M3站台 | 1.19 |
M2站厅付费区 | 0.46 | M3站厅付费区 | 0.315 |
M2站厅非付费区 | 0.35 | M3站厅非付费区 | 0.185 |
由上表可知,大行宫站在高峰时段,重点拥挤区域分布在M2线站台及M3线站台,其次为M2线的站厅付费区。根据区域饱和度的计算结果,可以得到该站的拥挤指数为57,比较一般。
(3)设施、区域能力报警
根据计算结果可知,该站主要能力超标报警的设施为M2线上下站台(饱和度1.08),M2东侧出站闸机(饱和度0.729),M3线上行站台(饱和度1.36),M3线下行站台(饱和度1.12),M3换乘M2楼梯(饱和度1.1);主要报警区域为M2站台及M3线站台。
(4)车站客流控制措施
整体分析上看,该站主要能力瓶颈区域位于M2线和M3线的站台区域,因此,应加强站台客流的秩序引导,控制进入站台客流的速率,建议在站厅设置限流围栏,控制站台的客流密度,保障车站的运营安全。
以上所述的具体实施案例,对本发明的目的、技术方案和控制方案进行进一步的说明和解释,所应理解的是,上述的案例叙述仅作为本发明的一种具体实施案例而己,并不用于限制本发明的应用范围。针对地铁普通站、不同类型的换乘站,本发明所述的方法均可适用。因此,针对本发明所做实例的修改和同等替换和改进方法等,均在本发明的保护范围内。
Claims (7)
1.一种基于区域联动的地铁车站客流分级报警方法,其特征在于,包括下列步骤:
步骤1)以车站监控视频检测数据、WIFI探针采集数据及AFC刷卡数据为输入,对数据进行预处理,得到车站监测设施的客流数据;
客流数据包括客流流量、客流密度、客流速度及区域人数;
步骤2)将车站设施分为通过型、容纳型及服务型三类;
通过型设施包括楼梯、扶梯、通道、自动步道、安检及闸机;容纳型设施包括站台和站厅;服务型设施包括人工售票、自动售票和问询设备;
由步骤1)得到的客流数据,计算车站设施能力饱和度,设施能力饱和度有通过能力饱和度、容纳能力饱和度与服务能力饱和度三类;
步骤3)按站台、站厅付费区、站厅非付费区及站前广场划分车站关键区域;由各区域的设施能力饱和度得到关键区域综合能力饱和度及车站综合饱和度,进而得到车站拥挤度指数;
步骤4)由设施能力饱和度、区域综合能力饱和度和车站综合饱和度,得到能力饱和度分级结果与超饱和阈值;
步骤5)计算车站设施、区域能力超饱和持续时间,构建基于决策树的设施能力报警方法,再提出基于区域联动的车站分级报警方法;
步骤6)根据报警级别,提出单设施、单区域及多区域客流联动控制方法;
所述步骤3)的步骤包括:
3.1)将车站划分为站台、站厅付费区、站厅非付费区及站前广场关键区域,站台与站厅付费区以衔接的楼扶梯为分界,站厅付费区与站厅非付费区以衔接的进站、出站闸机为分界,站厅非付费区与站前广场以出入口为分界,站前广场仅含出入口等候区域;
3.2)按设施空间布局,将车站设施归类至某一关键区域,若该设施为两个关键区域的衔接设施,则归属至客流来源区域;
3.3)根据关键区域内的设施能力饱和度,获得各个关键区域综合能力饱和度,再获得车站拥挤度指数,计算方法为:
其中,为车站拥挤度指数;为区域综合能力饱和度;ηi为设施能力饱和度;δi,s为归属因子,若设施i属于区域s,则δi,s=1,否则为0;βi、αi分别为设施、区域的权重系数,与设施、区域的平均聚集人数相关;m为服务设施数量;
所述步骤5)中的构建基于决策树的设施能力报警判别方法,步骤为:
5.1.1)建立设施类型及子类型分叉树,设施类型子节点含通过型、容纳型与服务型,设施子类型分叉树由设施类型子节点得到,通过型设施子节点为楼梯、扶梯、通道、自动步道、安检及闸机,容纳型设施子节点为站台与站厅,服务型设施子节点为人工售票、自动售票及问询设备;
5.1.2)计算各类设施的能力饱和度,构建设施能力超标判别二叉树,根据设施能力超标情况与持续状态确定设施能力报警等级:若设施能力饱和度超标,进一步判别设施高饱和持续时间,根据持续时间划分报警等级;
5.1.3)若设施类型为通过型设施,需同时判定设施通过能力与排队能力是否超标,若任意一项饱和度指标超标,则进一步根据设施高饱和持续时间判定结果输出报警状态;
所述步骤5)中的基于区域联动的车站分级报警方法,具体特征与实施步骤为:
5.2.1)车站报警级别与关键区域报警状态及区域空间位置关联,分四级报警;
5.2.2)若除站台外其他单个区域超标报警,则发出车站IV级蓝色警告;
5.2.3)若站台单个区域超标报警,则发出车站III级黄色报警;
5.2.4)若站台与付费区均超标报警,则发出车站II级橙色报警;
5.2.5)若站台、付费区与非付费区均超标报警,则发出车站I级红色报警。
2.根据权利要求1所述的基于区域联动的地铁车站客流分级报警方法,其特征是所述步骤1)包括:
1.1)对车站监测视频检测数据处理方法为:
若车站设施由多个监测点并排分布,则对各监测点的流量、区域人数累加得到监测对象累计的统计流量、区域人数;
由多个监测视频的区域人数之和与监测面积之和的比值得到监测对象平均密度;由各监测视频的客流速度加权平均得到监测对象总体平均客流速度,权重为各监测视频的客流量占比;
若车站设施若由多个监测视频串联分布,则对各监测视频的客流数据求均值得到;
1.2)对WIFI探针数据处理方法为:
以采集间隔的WIFI探针数据,获得车站站台、站厅的区域聚集人数,并汇聚成单位时间的各区域的平均统计量;WIFI探针数据包括人员及定位信息;
1.3)对AFC刷卡数据处理方法为:
以实时的AFC地铁刷卡记录数据为输入,结合各闸机设备编号、设备分布及交易类型,按单位时间统计车站各区域闸机组的进站客流及出站客流数据;交易类型为进站或出站;
1.4)若车站同时存在视频监测数据、WIFI探针数据及AFC刷卡数据,则站台、站厅设施的区域聚集人数WIFI探针数据计算得到,各闸机组的进站与出站量由AFC刷卡数据计算得到,其它设施的客流流量、密度、速度、区域人数由视频检测数据计算得到。
3.根据权利要求1所述的基于区域联动的地铁车站客流分级报警方法,其特征是所述步骤2)中:
a、设施的通过能力饱和度的计算方法为设施实际通行能力与设施设计通行能力的比值;
b、设施的容纳能力饱和度的计算方法,站台实际聚集人数与站台设计承载能力的比例,计算公式为:
进一步,若无法直接获取站台聚集人数,则通过累加各监控视频得到的区域人数得到侧站台总体聚集人数,计算公式为:
其中,Nj为站台i的第j监测区域的区域人数;ρj为站台i的第j监测区域的平均密度;sj为站台i的第j监测区域的面积;
进一步,若站台无WIFI探针数据及视频监控数据,则站台区域总人数可通过进出站台的客流计算得到,计算公式为:
c、设施的服务能力饱和度的计算方法为服务设施平均排队人数与最大容许排队人数的比例,计算公式为:
进一步,若一组服务设施为多个设施同时进行服务,则服务设施组的平均排队长度为:
4.根据权利要求1所述的基于区域联动的地铁车站客流分级报警方法,其特征是步骤4)中,以车站各类设施历史监测数据为输入,计算得到设施能力饱和度;再采用聚类算法计算得到分级结果及划分标准。
5.根据权利要求1所述的基于区域联动的地铁车站客流分级报警方法,其特征是步骤5)中,以设施能力饱和度为输入,统计设施超饱和持续时间,其步骤为:判断设施能力饱和度是否超过饱和度阈值,并累加超过阈值的时段的时间,确定高饱和持续时间。
6.根据权利要求1所述的基于区域联动的地铁车站客流分级报警方法,其特征是步骤6)中,针对单个设施采取的客流控制方法,包括增加设施能力、减少到达客流量、关闭设施转移客流及疏解已有客流四种方法,针对各类设施应用场景与实施步骤为:
6.1)对于通过型设施,若出现设施能力超标III级及以上报警,应在设施上游采取铁马、限流围栏延长乘客走行距离,延缓客流到达;若无法缓解,应采用警戒线强化限流措施,进行人工客流放行,同时通知车站进行多区域协同控制;若所述设施为扶梯且能力超标,但同向楼梯设施能力富余时,应人工引导客流选择楼梯,若无法缓解压力则应关闭扶梯保证安全;
6.2)对于容纳型设施,若出现设施能力超标III级及以上报警,应对站台的相邻上游设施进行客流流入控制,采取铁马、限流围栏延长乘客走行距离,延缓到达站台客流量;若车站为换乘站,则应先控制本站进站量,若无法缓解时,再控制其他线路换入的客流量;若仍无法缓解,则应通知车站进行多区域协同控制,同时申请增加行车能力,加快站台客流疏解;
6.3)对于服务型设施,若出现设施能力超标III级及以上报警,应对设施的上游进行客流流入控制,采取铁马、限流围栏延缓到达的客流量,若服务设施存在备用设施,应开启备用设施;若仍无法缓解,则应通知车站进行多区域协同控制,控制进入车站的进站量。
7.根据权利要求6所述的基于区域联动的地铁车站客流分级报警方法,其特征是步骤6)中:
一、构建车站各关键区域邻接矩阵及邻边集合,其具体实施步骤为:
a)构建车站各关键区域邻接矩阵,若车站关键区域集合为{S1,S2,...,Sm},则关键区域间的邻接关系矩阵R为:
其中,δi,j为关键区域Si与Sj的邻接系数,若两区域相邻且客流从Si流向Sj,则δi,j=1,否则δi,j=0;
b)计算与区域Sj的上游邻接区域的集合,
Qj=Rj×P=[δ1,jS1,δ2,jS2,...,δm,jSm]
其中,Qj为邻接区域集合,Rj=[δ1,j,δ2,j,...,δm,j]T为R的第j列向量,P=[S1,S2,...,Sm]为关键区域向量;
其中ξ(Si∩Sj)为邻边判别函数,结合车站设施布局,综合判别关键区域的邻接边;
二、针对单个区域、多区域联动的客流联动控制方法及实施步骤为:
a)对各区域内的所有设施按能力饱和度降序排列,取前k个设施作为瓶颈设施,计算各关键区域的邻接区域及邻边集合;
b)若出现车站IV级报警时,对瓶颈设施进行客流控制;若无法缓解,则对邻接区域的流入客流进行协同控制,各邻接区域的控制客流量根据邻接区域的类型、饱和度及客流量决策,则各邻接区域Si的流入区域Sj客流的控制量Δqi,j的计算公式为:
Δqi,j=ωi×Δqj
ωi=f(qi,j,ηi)
其中,Δqj为区域Sj需控制流入的客流总量,ωi为各邻接区域Si流入客流的权重系数,与各邻接区域Si流入Sj的客流量qi,j及饱和度ηi相关;
c)若出现车站III级至I级报警时,则按站台、站厅付费区、站厅非付费区三级管控方案:车站III级报警时,则对于站台相连的站厅付费区进行流量控制,车站II级报警时,则对站厅非付费区进行流量控制,车站I级报警时,则对出入口进站客流进行控制;
d)若车站采取三级控制后,导致站前广场等候区饱和度超标报警时,则车站应上报指挥中心,调度地面公共交通疏解进站客流。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911138187.0A CN110942411B (zh) | 2019-11-20 | 2019-11-20 | 基于区域联动的地铁车站客流分级报警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911138187.0A CN110942411B (zh) | 2019-11-20 | 2019-11-20 | 基于区域联动的地铁车站客流分级报警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110942411A CN110942411A (zh) | 2020-03-31 |
CN110942411B true CN110942411B (zh) | 2022-09-09 |
Family
ID=69906856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911138187.0A Active CN110942411B (zh) | 2019-11-20 | 2019-11-20 | 基于区域联动的地铁车站客流分级报警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110942411B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932880A (zh) * | 2020-08-12 | 2020-11-13 | 韦毅勇 | 车流量精准管控方法及装置 |
CN112249849B (zh) * | 2020-10-14 | 2023-05-26 | 北京市地铁运营有限公司地铁运营技术研发中心 | 一种地铁自动扶梯人流量监测方法 |
CN112396350A (zh) * | 2020-12-07 | 2021-02-23 | 西安市轨道交通集团有限公司 | 一种基于颜色分级的地铁车站客流组织方法及系统 |
CN112488568A (zh) * | 2020-12-14 | 2021-03-12 | 上海工程技术大学 | 一种地铁车站大客流运营风险评价方法及其应用 |
CN113936247B (zh) * | 2021-09-18 | 2023-08-01 | 北京交通大学 | 基于流线感知的轨道交通车站客流状态辨识系统 |
CN114037564A (zh) * | 2021-10-18 | 2022-02-11 | 浪潮卓数大数据产业发展有限公司 | 一种基于大数据的识别景区客流拥堵的方法 |
CN114038180A (zh) * | 2021-11-09 | 2022-02-11 | 北京京投亿雅捷交通科技有限公司 | 一种基于多源数据融合输入的客流预测风险预警方法 |
CN113888845B (zh) * | 2021-11-19 | 2023-06-02 | 浙江力石科技股份有限公司 | 一种基于客流超限危险报警的区域客流监测方法及装置 |
CN114581846B (zh) * | 2022-03-03 | 2024-02-20 | 北京城建设计发展集团股份有限公司 | 地铁车站全息客流实时监测方法及装置及计算机设备 |
CN114881330A (zh) * | 2022-05-09 | 2022-08-09 | 华侨大学 | 一种基于神经网络的轨道交通客流预测方法及系统 |
CN116777089A (zh) * | 2022-09-30 | 2023-09-19 | 广州地铁集团有限公司 | 基于车站密度系数算法的线网客控方法、装置及相关设备 |
CN115423222B (zh) * | 2022-11-03 | 2023-04-07 | 今创集团股份有限公司 | 一种开放自助式城市轨道交通车站进站检查管理方法 |
CN116229305A (zh) * | 2022-12-16 | 2023-06-06 | 上海工程技术大学 | 一种基于视频识别的地铁车站流线拥堵状态实时评价方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404850A (zh) * | 2015-10-21 | 2016-03-16 | 中南大学 | 车站客流监测系统、车站客流监测方法及车站客流管控系统、车站客流管控方法 |
WO2017048148A1 (en) * | 2015-09-17 | 2017-03-23 | Siemens Aktiengesellschaft | Monitoring a flow of objects by a sim card detector |
CN107145985A (zh) * | 2017-05-09 | 2017-09-08 | 北京城建设计发展集团股份有限公司 | 一种城市轨道交通客流区域联动预警方法 |
CN108229400A (zh) * | 2018-01-04 | 2018-06-29 | 东南大学 | 地铁车站大客流识别预警方法及系统 |
-
2019
- 2019-11-20 CN CN201911138187.0A patent/CN110942411B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017048148A1 (en) * | 2015-09-17 | 2017-03-23 | Siemens Aktiengesellschaft | Monitoring a flow of objects by a sim card detector |
CN105404850A (zh) * | 2015-10-21 | 2016-03-16 | 中南大学 | 车站客流监测系统、车站客流监测方法及车站客流管控系统、车站客流管控方法 |
CN107145985A (zh) * | 2017-05-09 | 2017-09-08 | 北京城建设计发展集团股份有限公司 | 一种城市轨道交通客流区域联动预警方法 |
CN108229400A (zh) * | 2018-01-04 | 2018-06-29 | 东南大学 | 地铁车站大客流识别预警方法及系统 |
Non-Patent Citations (1)
Title |
---|
地铁典型换乘站换乘方式适配性评价研究;郑宣传;《都市快轨交通》;20180630;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110942411A (zh) | 2020-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110942411B (zh) | 基于区域联动的地铁车站客流分级报警方法 | |
CN112598182B (zh) | 一种轨道交通智能调度方法及系统 | |
CN105404850B (zh) | 车站客流监测系统、车站客流监测方法及车站客流管控系统、车站客流管控方法 | |
CN108550098B (zh) | 一种城市轨道交通网络客流限流方法 | |
CN109858670A (zh) | 一种轨道交通车站大客流实时预警方法 | |
CN107766969B (zh) | 一种基于地铁服务能力瓶颈区段识别的大站快线布设方法 | |
CN107358045A (zh) | 一种评价地铁与常规公交换乘效率的流程与方法 | |
CN110097249A (zh) | 一种公交客流监测分析系统及其方法 | |
CN101236642A (zh) | 基于票务数据的分级客流监控系统及其方法 | |
CN113850417A (zh) | 一种基于车站客流预测的客流组织决策方法 | |
CN111144727A (zh) | 一种城市轨道交通进站客流韧性评估系统及方法 | |
CN107808235B (zh) | 基于afc大数据的城市轨道大客流模型构建方法 | |
CN117035198A (zh) | 城市轨道交通车站客流状态识别与管控方法 | |
CN112528867A (zh) | 一种地铁车站突发大客流预警方法及其应用 | |
WO2021072959A1 (zh) | 一种地铁大客流预测方法、系统及电子设备 | |
CN111785015A (zh) | 公交实时调控信息系统以及基于遗传算法的调度方法 | |
CN116229305A (zh) | 一种基于视频识别的地铁车站流线拥堵状态实时评价方法 | |
CN115374579A (zh) | 基于瓶颈识别的轨道交通差异化安检通道布局方法 | |
Sun et al. | Subway passenger flow analysis and management optimization model based on AFC data | |
CN115359659A (zh) | 一种车道开闭配置方法和系统 | |
Kahali et al. | Analysis of Flow Characteristics and Step Size of Escalators at Metro Stations | |
CN112488568A (zh) | 一种地铁车站大客流运营风险评价方法及其应用 | |
Xing et al. | Anylogic simulation-based research on emergency organization of mass passenger flow in subway station after events | |
Sun et al. | The network optimization of subway station bottleneck based on the queuing theory | |
Qiang et al. | Evaluation Method of Passenger Pressure State in Metro Hub based on AFC Data |
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 |