CN111027524A - 在线客流监测分析数据误差修正方法 - Google Patents

Abstract

本发明涉及一种在线客流监测分析数据误差修正方法，主要用于在线客流监测分析数据误差修正，每隔2‑5秒取一次监测线的值，并和上一次取的值比较，算出进的游客变化量ic；以当前时间戳Time_t为序列存储起来，存储结构：{Time_t，TimeOut，ic}，其中TimeOut为出监测区时间戳；根据游客过监测区花的时间计算出监测区时间戳；根据桥梁承载量动态计算游客下桥时间，定义当前客流为N，最大客流为M，则当前承载量R1=N/M，当R1≤15%时，TimeOut=Time_t+MinSec，当R1＞15%时，则有TimeOut=Time_t+R1MaxSec；以当前时间戳和出监测区时间戳进行比较，计算进监测区游客数量Sumin和出监测区的游客数量SumOut，则有S=Sumin‑SumOut，其中S为监测区的实时人数，本发明可使得对于监测区的客流量统计准确度到达97%以上。

Description

在线客流监测分析数据误差修正方法

技术领域

本发明涉及旅游监测领域，具体涉及一种在线客流监测分析数据误差修正方法。

背景技术

每到旅游旺季，如五一、国庆、春节等节假日，景区游客数量会到达高峰值，景区内诸如桥梁、悬空栈道、索道、洞、坑等相对容易产生险情的地段就必须限流，以确保不发生意外事故。对景区管理层来说，最常用的措施，就是派遣值班人员赶往现场值班，以控制游客进出，避免酿成事故。但这种模式有很大的弊端,首先，全靠值班人员现场肉眼判断，准确性和效率难以保证；其次，领导远程监管乏力，不能远程查看现场实况；最后，预警机制缺失，当桥梁、索道或玻璃栈道等承载量超出规定时，不能自动提醒现场值班人员采取限流措施，不智能。综上，研发景点实时在线客流量监测与分析平台正好能解决景区客户疼点，具有普遍性需求，市场前景大。全国景区数目前已达到22万个，按10年折旧，每个景区平均采购1套系统，平均售价20万算，每年市场规模在4.4亿元以上。

目前市面上虽然有客流分析解决方案，如：视频客流统计、WiFi客流统计等，但准确率都太低，不能满足景区客流分析的要求。

发明内容

本发明的目的在于克服现有技术的不足，提供一种在线客流监测分析数据误差修正方法，利用在线分析和误差修正算法，可使得对于监测区的客流量统计准确度到达97%以上。

本发明的目的是通过以下技术方案来实现的：

一种在线客流监测分析数据误差修正方法，主要用于在线客流监测分析数据误差修正，首先定义监测区域分布有2N条监测线，标号为1-2N，其中奇数条监测线和偶数条监测线分不于监测区的进口和出口，其测量计数分为作为进值和出值，，并将经过每条线的值上传，进行修正处理，其方法步骤如下：

S1：每隔2-5秒取一次监测线的值，并和上一次取的值比较，算出进的游客变化量ic；

S2：以当前时间戳Time_t为序列存储起来，存储结构：{ Time_t，TimeOut，ic}，其中TimeOut为出监测区时间戳；

S3：根据游客过监测区花的时间计算出监测区时间戳，定义正常状态下过监测区的时间为MinSec，则有TimeOut =Time_t + MinSec；拥挤状态下过监测区的时间最大为MaxSec，则有出监测区时间戳TimeOut =Time_t + MaxSec；

S4：根据桥梁承载量动态计算游客下桥时间，定义当前客流为N，最大客流为M，则当前承载量R1=N/M，当R1≤15%时，TimeOut =Time_t + MinSec，当R1＞15%时，则有TimeOut =Time_t +R1MaxSec；

S5：以当前时间戳和出监测区时间戳进行比较，计算进监测区游客数量Sumin和出监测区的游客数量SumOut，则有S=Sumin-SumOut，其中S为监测区的实时人数。

进一步的，将采集数值最高的n条奇数监测线和偶数监测线各自求和平均后的人数即为进的人数和出的人数，其中n≤N，所述N最小取值为3，n≥2。

进一步的，所述还包括一个实时人数S的修正步骤；

S01：计算从当前时间戳Time_t开始，时间MaxSec内出监测区的总人数S’；

S02：计算从当前时间戳Time_t开始，时间MaxSec内进出监测区的的差额S’’；

S03：取S、S’、S’’中的最大值即为监测区的实时客流量。

本发明的有益效果是：在数据处理层上，通过本发明提出的误差修正算法，解决客流分析时效性和准确性问题，可以将监测区的客流量统计准确度到达97%以上。

附图说明

图1为客流量在线监测分析平台成示意图；

图2为本发明计数器的布置示意图。

具体实施方式

下面结合具体实施例进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

如图1-2所示，一种在线客流监测分析数据误差修正方法，是基于客流量在线监测分析平台实现的。为使得本实施例的阐述更加清楚，必须对客流量在线监测分析平台进行详细说明，该平台包括感知层、通信管道、数据处理层以及应用层：感知层由布置在监测区域的若干客流计数器组成，用于统计进入监测区域的客流量；通信管道用于将客流量数据上传至数据处理层进行误差分析和统计分析；应用层根据分析后的数据进行实时客流量展示、生成历史客流报表、监测区域承载量预警以及用于移动端通知；客流计数器分列于监测区域进出口的左右两侧，在进口段和出口段形成分别形成N条监测线均匀分布的监测线，监测线形成的监测区域必须全部覆盖整个进口段和出口段。总共形成2N条监测线，对2N条监测线按1-2N进行编号，其中奇数条监测线和偶数条监测线分列于进口段和出口段，将采集数值最高的n条奇数监测线和偶数监测线各自求和平均后的人数即为进的人数和出的人数，其中n≤N，N最小取值为3，n≥2。客流计数器采用的是热成像计数器。

平台还包括一个数据库用于存储当日的统计数据，并每日0点清零。数据库为时序数据库，按时间戳对数据进行依次存储以便数据调用。统计数据的存储格式为{过桥需要的时间，当天进的总人数，进的变化人数，当天出的总人数，出的变化人数，当前时间戳}。

其中，通信管道方面，系统可适配5G网络或传统的以太网，保证数据传输的稳定性、可靠性和实时性，并利用5G高速通道提供现场客流量视频直播画面，管理层利用手机就可随时查看现场客流视频画面。

一种在线客流监测分析数据误差修正方法，其步骤如下：

S1：每隔2-5秒取一次监测线的值，并和上一次取的值比较，算出进的游客变化量ic；

S2：以当前时间戳Time_t为序列存储起来，存储结构：{ Time_t，TimeOut，ic}，其中TimeOut为出监测区时间戳；

S3：根据游客过监测区花的时间计算出监测区时间戳，定义正常状态下过监测区的时间为MinSec，则有TimeOut =Time_t + MinSec；拥挤状态下过监测区的时间最大为MaxSec，则有出监测区时间戳TimeOut =Time_t + MaxSec；

S4：根据桥梁承载量动态计算游客下桥时间，定义当前客流为N，最大客流为M，则当前承载量R1=N/M，当R1≤15%时，TimeOut =Time_t + MinSec，当R1＞15%时，则有TimeOut =Time_t +R1MaxSec；

S5：以当前时间戳和出监测区时间戳进行比较，计算进监测区游客数量Sumin和出监测区的游客数量SumOut，则有S=Sumin-SumOut，其中S为监测区的实时人数。

在一些实施例中，还提供了一个实时人数S的修正步骤；

S01：计算从当前时间戳Time_t开始，时间MaxSec内出监测区的总人数S’；

S02：计算从当前时间戳Time_t开始，时间MaxSec内进出监测区的的差额S’’；

S03：取S、S’、S’’中的最大值即为监测区的实时客流量。

本实施例提供的方案可应用于桥梁、廊桥索道、玻璃栈道等对于承载量有限制的区域，或对客流量需要控制的区域。以下以景区桥梁为实例，做进一步详细说明

首先，如图2所示，将客流量计数器按如图2的方式进行分布，在本实施例中总计设计了12条监测线路，依次编号为1-12，其中奇数条监测线作为进线，偶数条监测线为出线，反之亦然。最终形成了奇数条监测线（1、3、5、7、9、11）位于桥梁进口端，偶数条监测线（2、4、6、8、10、12）位于出口端。每根监测线之间均匀分布，用于检测路过该监测线的客流数量，则有：

进：采集到的6根线计数值，只取最高的三根线的值，求和平均后为进的人数。

出：采集到的6根线计数值，只取最高的三根线的值，求和平均后为出的人数。

算法：

Vals=｛x1,x2,x3,x4,x5,x6｝; // 取的监测线值

Sort(Vals); // 从低到高排序

Sum = 0; // 求和值

for (i=3;i<6;i++) {

Sum += Vals[i];

}

V= Sum/3; // 平均

在实际情况中，根据某桥的实际验证，在客流不拥挤的情况下，进的人数会大于出的人数。一旦有排队等待现象，进的人数会比出的人数少，就会造成进减出后是负数。因此依靠设备的进减出差值作为桥上实时人数无效，必须要用修正算法解决。

根据实际需求，用户只关心桥上的实时游客数，然后根据实时游客量进行限流引导，防止发生安全事故。通常情况下，上桥的游客在一定时间内肯定会下桥，因此算法只专注在进的游客上面。这是算法的核心要素。

每隔2-5秒取一次监测线的值，并和上一次取的值比较，算出进的游客变化量ic，并以当前时间戳Time_t为序列存储起来，存储结构：{ Time_t，TimeOut，ic}。

根据游客过桥花的时间计算下桥时间戳，如：某桥通畅情况下游客过桥需要要130秒（MinSec），游客上桥到下桥时间为: TimeOut =Time_t + MinSec。拥挤时需要720-900秒（MaxSec）才能下桥。根据桥梁承载量动态计算游客下桥时间，承载量（当前客流N/最大客流M，R1=( N/M)），R1在15%以下时保持130秒（MinSec），大于15%时开始修正下桥时间：16%*900秒=144秒。

计算公式：

承载量：R1 =（N / M）；

下桥时间：

TimeOut = MinSec；

If (R1>15%) {

TimeOut = MaxSec/R1；

}

以当前时间戳和下桥时间戳进行比较，计算上桥和下桥的游客数量，上桥减下桥为桥上实时游客数。即计算当前时间戳的上桥量-下桥时间戳这个时间段内，计算上桥量和下桥量总数，其差只即为该时间段内桥上剩余的人。

计算公式：

Sumin = 0; // 进的游客

SumOut = 0; // 出的游客

If (Time_t >= TimeOut) {

SumOut = Val;

}

以这个时间算出所有已经下桥的人，然后用当前进的总人数减这个数得到实时人数S1。

由于S1是理想情况下的实时人数，如果有人在桥上停留或人多排队，就会有误差。因此要引入第二个核心参数：数据修正时间。

这个参数就是人多时要花多少时间才能过桥作为计算依据，根据某桥的情况，高峰时大概需要15分钟（也可以延长）才能过桥，因此以最近900秒算出应该下桥的人得到实时人数S2。

第三个数就是最近900秒的进和出的差额S3。

正常情况下：S1、S2、S3非常接近。

S1最实时，不可能是负数，正常情况下会比S2小，S1和S2相差最接近，如果人多拥挤或者有人在桥上逗留，S2就会比S1大。

S2和真实在线人数最接近，大多数情况下是使用这个值作为在线人数用。

S3正常情况下是正数，人多拥挤时会变负数，人越多负数越大，几乎不能使用。

最后用S1、S2、S3做比较，取最大值，即为当前桥上的客流量。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (3)

1.一种在线客流监测分析数据误差修正方法，主要用于在线客流监测分析数据误差修正，其特征在于，首先定义监测区域分布有2N条监测线，标号为1-2N，其中奇数条监测线和偶数条监测线分不于监测区的进口和出口，其测量计数分为作为进值和出值，将进值和出值上传至数据处理层进行修正处理，其方法步骤如下：

S1：每隔2-5秒取一次监测线的值，并和上一次取的值比较，算出进的游客变化量ic；

S2：以当前时间戳Time_t为序列存储起来，存储结构：{ Time_t，TimeOut，ic}，其中TimeOut为出监测区时间戳；

S3：根据游客过监测区花的时间计算出监测区时间戳，定义正常状态下过监测区的时间为MinSec，则有TimeOut =Time_t + MinSec；拥挤状态下过监测区的时间最大为MaxSec，则有出监测区时间戳TimeOut =Time_t + MaxSec；

S4：根据桥梁承载量动态计算游客下桥时间，定义当前客流为N，最大客流为M，则当前承载量R1=N/M，当R1≤15%时，TimeOut =Time_t + MinSec，当R1＞15%时，则有TimeOut =Time_t +R1MaxSec；

S5：以当前时间戳和出监测区时间戳进行比较，计算进监测区游客数量Sumin和出监测区的游客数量SumOut，则有S=Sumin-SumOut，其中S为监测区的实时人数。

2.根据权利要求1所述的在线客流监测分析数据误差修正方法，其特征在于，将采集数值最高的n条奇数监测线和偶数监测线各自求和平均后的人数即为进的人数和出的人数，其中n≤N，所述N最小取值为3，n≥2。

3.根据权利要求2所述的在线客流监测分析数据误差修正方法，其特征在于，所述还包括一个实时人数S的修正步骤；

S01：计算从当前时间戳Time_t开始，时间MaxSec内出监测区的总人数S’；

S02：计算从当前时间戳Time_t开始，时间MaxSec内进出监测区的的差额S’’；

S03：取S、S’、S’’中的最大值即为监测区的实时客流量。

Images