CN111309845B - 一种轨道交通路网宏观态势数据显示方法及系统 - Google Patents
一种轨道交通路网宏观态势数据显示方法及系统 Download PDFInfo
- Publication number
- CN111309845B CN111309845B CN202010409902.6A CN202010409902A CN111309845B CN 111309845 B CN111309845 B CN 111309845B CN 202010409902 A CN202010409902 A CN 202010409902A CN 111309845 B CN111309845 B CN 111309845B
- Authority
- CN
- China
- Prior art keywords
- data
- node data
- node
- model
- station
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Abstract
本发明公开了一种轨道交通路网宏观态势数据显示方法及系统,所述方法包括:从多个业务系统中获取多种类型的基础数据;对基础数据进行重构,形成以车站和/或区间为单位的节点数据模型;基于节点数据模型,将多种类型的业务数据统一显示在同一路网图上。本发明通过将各业务系统信息以车站和/或区间为单位节点,通过计算重构生成用户需要的以车站和/或区间为单位的节点数据模型,在同一个路网图上进行显示,从而对区域路网提供直观、全面的信息展示,让轨道交通管理者和运营者可以站在全局的角度一目了然地掌握整个区域内的路网宏观态势,为人工决策提供便利,为整个系统智能决策和智能指挥提供数据基础。
Description
技术领域
本发明属于轨道交通技术领域,特别涉及一种轨道交通路网宏观态势数据显示方法及系统。
背景技术
随着城市轨道交通的不断发展和旅客出行需求的增加,许多城市轨道交通逐步迈入网络化运营时代。如何利用信息技术和控制技术为提高路网运营的效率和智能化水平,一直是研究的重点所在。
为了提高运营效率,许多城市建立起地铁交通综合监控系统,通过网络和接口接入地铁各线路的各个业务系统,包括综合监控系统、信号系统、电力控制系统、乘客信息显示系统、消防报警系统、闭路电视监控系统、环境设备监控系统等,将多个业务系统进行系统级集成,每个业务系统拥有独立的界面和显示屏幕,在监控中心分多个屏幕显示每个业务系统的监控内容,每个系统的地图尺度和显示方法也不尽相同,查看每个系统的细节信息时需要人工切换调用每个系统的界面,集成程度不高。
因此,如何将监控系统的每个业务系统数据集成到一起进行显示成为亟需解决的问题。
发明内容
针对上述问题,本发明提出了一种轨道交通路网宏观态势数据显示方法,所述方法包括:
从多个业务系统中获取多种类型的基础数据;
对基础数据进行重构,形成以车站和/或区间为单位的节点数据模型;
基于节点数据模型,将多种类型的业务数据统一显示在同一路网图上。
进一步地,所述从多个业务系统中获取多种类型的基础数据包括获取以下数据中的一种或多种:
路网数据、车流数据、客流数据、设备运行状态数据、气象数据。
进一步地,所述对基础数据进行重构包括:
对不同类型的基础数据分别进行协议解析形成节点数据;
根据节点数据形成节点数据模型。
进一步地,所述根据节点数据形成节点数据模型包括以下情况:
节点数据与节点数据模型结构一致时,根据节点编号,将节点数据直接匹配到节点数据模型中;
和/或,
节点数据单位小于节点数据模型结构时,将节点数据按照实时多对一映射模型进行组合,形成节点数据模型;
和/或,
节点数据单位大于节点数据模型结构时,将节点数据按照实时一对多映射模型进行重构,形成节点数据模型;
和/或,
节点数据与节点数据模型结构完全不同时,将节点数据拆分成子节点数据,根据指定参数将子节点数据进行重组,生成节点数据模型。
进一步地,所述将节点数据直接匹配到节点数据模型中,包括:
将以车站为单位统计的每个车站部署的所有摄像设备采集到的客流人数总和直接匹配到相应的车站节点数据模型中。
进一步地,所述将节点数据按照实时多对一映射模型进行组合,包括:
根据列车编号和车站编号的实时多对一映射模型,将车站节点或区间节点内所有列车客流数据组合得到区间或在站的客流数据。
进一步地,所述将节点数据按照实时一对多映射模型进行重构,包括:
通过查询根据地理信息生成的气象行政区和节点一对多映射关系模型,将车站或区间所在气象行政区的气象数据重构成车站或区间的气象信息,根据所述气象信息形成节点数据模型。
进一步地,所述将节点数据拆分成子节点数据,根据指定参数将子节点数据进行重组,生成节点数据模型,包括:
将列车运行计划节点数据拆成第一子节点数据;
所述第一子节点数据包括对应的列车、车站和时间参数信息;根据时间参数,从多个第一子节点数据中提取指定时间下指定车站的相关第一子节点数据,形成所述指定车站的车站列车时间切面数据;
根据车站列车时间切面数据,结合列车相关系统数据,形成车站的节点数据模型。
进一步地,所述对基础数据进行重构,形成以车站和/或区间为单位的节点数据模型包括:
对基础数据进行重构,形成业务节点数据模型;
根据多个业务节点数据模型形成综合节点数据模型。
进一步地,所述根据多个业务节点数据模型形成综合节点数据模型包括:
根据多个相同类型的业务节点数据模型形成综合节点数据模型时,选取所述业务节点数据模型的最值或加权平均值形成综合节点数据模型;
根据多个不同类型的业务节点数据模型形成综合节点数据模型时,采用相应的计算模型生成综合节点数据模型。
进一步地,所述采用相应的计算模型生成综合节点数据模型包括:
按照以下模型进行计算车站客流数据:
其中,Fall为t0时刻车站整体客流,Fc表示摄像系统采集的车站节点客流,w0表示t0时刻的经验修正系数,Fti表示t0时刻经过车站的第i列列车载客量,wi表示列车在车站的下客率。
进一步地,所述将多种类型的业务数据统一显示在同一路网图上包括:
获取显示模型,所述显示模型包括根据车站属性和业务历史数据综合确定显示要素在路网图上的显示方式;
实时获取的节点数据模型,根据获取显示模型,将节点数据模型显示在路网图上。
本发明还提出了一种轨道交通路网宏观态势数据显示系统,所述系统包括:
数据获取单元,用于从多个业务系统中获取多种类型的基础数据,并将所述基础数据发送给数据重构单元;
数据重构单元,用于对基础数据进行重构,形成以车站和/或区间为单位的节点数据模型,并将所述节点数据模型发送给节点显示单元;
节点显示单元,用于基于节点数据模型,将多种类型的业务数据统一显示在同一路网图上。
本发明通过将各业务系统信息以车站和/或区间为单位节点,通过计算重构生成用户需要的以车站和/或区间为单位的节点数据模型,在同一个路网图上进行显示,从而对区域路网提供直观、全面的信息展示,让轨道交通管理者和运营者可以站在全局的角度一目了然地掌握整个区域内的路网宏观态势,为人工决策提供便利,为整个系统智能决策和智能指挥提供数据基础。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,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示出了本发明实施例的轨道交通路网宏观态势数据显示方法的流程图;
图2示出了本发明实施例的设备报警信息的重构示意图;
图3示出了本发明实施例的节点数据与节点数据模型结构完全不同时节点数据重构示意图;
图4示出了本发明实施例的生成综合节点数据模型的流程图;
图5示出了本发明实施例的轨道交通路网宏观态势数据显示方法的扩展示意图;
图6示出了本发明实施例的轨道交通路网宏观态势数据显示系统示意图。
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,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地说明,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。
本发明针对区域轨道交通路网协同运输一体化的需求,提出了一种轨道交通路网宏观态势数据显示方法,示例性的,图1示出了根据本发明实施例的轨道交通路网宏观态势数据显示方法的流程图,如图1所示,步骤如下:
步骤一:从多个业务系统中获取多种类型的基础数据,基础数据包括但不限于实时客流信息、实时车流信息、设备状态信息、气象信息和危险预警信息等。
步骤二:对基础数据进行重构,形成以车站和/或区间为单位的节点数据模型。
所述对基础数据进行重构包括:
对不同类型的基础数据分别进行协议解析形成节点数据;其中,协议解析具体是根据接入的不同系统的通信协议进行拆包解包和字段解析,根据协议的状态码、功能码等得到数据信息后,根据协议格式进行Json(JavaScript Object Notation,JavaScript对象简谱,一种轻量级的数据交换格式)字符串、字节流、结构体或者类列表解析等。
根据节点数据形成节点数据模型。
本实施例以车站和区间为单位对基础数据进行协议解析形成节点数据,根据节点数据形成节点数据模型。具体的,根据节点ID(编号)进行查询匹配,形成以节点ID为主键的节点业务系统信息基础数据。其中,包括以下几种情况:
1)节点数据与节点数据模型结构一致时,根据节点编号,将节点数据直接匹配到节点数据模型中。例如车站摄像设备采集客流数据基本以车站为单位给出每个车站部署的所有摄像设备采集到的客流人数总和,此时只需要将原始数据匹配上车站节点ID,即可形成车站节点客流信息。
2)节点数据单位小于节点数据模型结构时,将节点数据按照实时多对一映射模型进行组合,形成节点数据模型。例如列车满载率信息是以列车ID为单位给出整列车预估客流数据,此时需要根据列车ID和车站ID的实时多对一映射模型,将节点内所有列车数据组合得到区间或在站的客流数据。
示例性的,图2示出了根据本发明实施例的设备报警信息的重构示意图,如图2所示,业务系统数据包括信号系统设备报警信息和工务系统设备报警信息,其中,
信号系统设备报警信息包括以下信息:
系统名称:信号子系统
系统状态:2级报警
所属车站或区间:区间1123
报警列表
信号设备1:超温警告,等级2
信号设备3:发送异常,等级3。
工务系统设备报警信息包括以下信息:
系统名称:工务子系统
系统状态:1级报警
所属车站或区间:区间1123
报警列表
5股道:异物警告,等级2
3股道:胀轨,等级1。
本实施例中的区间节点ID均为1123,上述信号系统设备报警信息和工务系统设备报警信息的数据单位均小于区间节点1123设备报警信息的数据模型结构,根据区间节点ID进行多对一映射,得到区间节点1123设备报警信息,所述区间节点1123设备报警信息包括:
区间名称:区间1123
区间整体设备状态:1级报警
信号系统设备状态:2级报警
信号系统报警列表
信号设备1:超温警告,等级2
信号设备3:发送异常,等级3
工务系统设备状态:1级报警
工务系统报警列表
5股道:异物警告,等级2
3股道:胀轨,等级1。
3)节点数据单位大于节点数据模型结构时,将节点数据按照实时一对多映射模型进行重构,形成节点数据模型。例如气象信息一般获取的是行政区域的整体气象,通过查询,根据地理信息生成的气象行政区和节点ID一对多的映射关系模型拆分成车站或区间的气象信息。
4)节点数据不能覆盖所有节点时,按照标准化格式进行默认值填充。例如业务系统设备报警信息通常情况只给出发生故障的设备信息,因此初始化时默认填充每个节点设备信息状态为正常值,采集数据过程中只将收到的部分节点数据进行更新。
5)节点数据与节点数据模型结构完全不同时,将节点数据拆分成子节点数据,根据指定参数将子节点数据进行重组,生成节点数据模型。包括:将列车运行计划节点数据拆成第一子节点数据;所述第一子节点数据包括对应的列车、车站和时间参数信息;根据时间参数,从多个第一子节点数据中提取指定时间下指定车站的相关第一子节点数据,形成所述指定车站的车站列车时间切面数据;根据车站列车时间切面数据,结合列车相关系统数据,形成车站的节点数据模型。例如列车运行计划往往是按照以列车时刻表为单元结构进行下发的,需要将数据拆成单列列车和车站对应结构,再按照时间参数将该时间下同一个车站的不同列车组合形成车站列车时间切面数据。而进行区间组合时则需要更加复杂的运算,需要根据该区间两端的车站时刻表进行匹配。示例性的,图3示出了本发明实施例的节点数据与节点数据模型结构完全不同时节点数据重构示意图,如图3所示,业务系统数据显示的是列车时刻表,列车时刻表中包括列车ID、列车车次、开行规律、始发站、终到站、列车时刻表详细信息,其中列车时刻表详细信息包括车站站序、车站ID、上下行、车站名称、计划到点、计划开点;将列车时刻表拆分成更小的列车车站时刻表,列车车站时刻表包括列车ID、列车车次、车站ID、车站名称、计划到点、计划开点、上下行;再将列车车站时刻表重组生成节点数据模型,包括车站列车对应模型和区间列车对应模型,车站列车对应模型包括车站ID、时间、在站列车列表,区间列车对应模型包括区间ID、时间、在站列车列表,其中在站列车列表包括列车ID、列车车次、上下行。
节点数据模型包括综合节点数据模型,所述综合节点数据模型的生成步骤如下:
对基础数据进行重构,形成业务节点数据模型;
根据多个业务节点数据模型形成综合节点数据模型。
示例性的,如图4所示,先获取各个业务系统的基础数据,并将基础数据重构形成业务节点数据模型,其中形成业务节点数据模型的步骤同上述形成节点数据模型的步骤相同。生成多个业务节点数据模型后,再根据不同的需求和数学模型,结合模型参数以及历史数据,形成综合节点数据模型,具体包括以下情况:
1)根据多个相同类型的业务节点数据模型形成综合节点数据模型:选取节点数据的最值或加权平均值进行重构。例如将不同业务系统的节点设备信息合并计算该节点整体设备状态,根据实际调研经验,把设备报警等级分为三级,1级定义为影响行车安全报警,2级为一般报警,3级为轻微报警,当车站中某个业务系统设备出现严重影响行车的故障报警时,按照故障倒向安全原则,整个车站或区间也视为出现影响行车故障报警,因此根据专业原则和实际经验将整个车站或区间综合设备信息状态的判断定义为所有业务系统设备报警最严重的级别,即对各个业务系统节点数据取最值,得到最终结果。
2)根据多个不同类型的业务节点数据模型形成综合节点数据模型:按照以下模型进行计算车站客流数据:
其中,Fall为t0时刻车站整体客流,Fc表示摄像系统采集的车站节点客流,w0表示t0时刻的经验修正系数,Fti表示t0时刻经过车站的第i列列车载客量,wi表示列车在车站的下客率。上式中,Fc、Fti均为不同业务系统按节点重构后得到的节点数据,同时根据该站t0时刻的车站列车对应模型,匹配到该站的所有途径列车:列车i到列车n,最终经过重构得到该站t0时刻的整体客流Fall。需要说明的是,由于摄像设备部署位置和部署密度不同,导致采集到的客流和实际客流之间会存在偏差,为了尽可能接近实际数值,同时又简化数据模型,才会在设计中将采集到的客流数值乘以一个经验修正系数,本实施例中的经验修正系数会根据不同车站、不同时间而不一样,当客流高峰期时,旅客排队安检,客流相对在摄像采集区域比较集中,漏采人数的比例相对较小,因此经验修正系数较小;而非高峰时段,客流流线相对比较顺畅,在摄像采集区域和采集区域之外分布更趋近于均衡,漏采人数的比例相对较大,因此经验修正系数较大。
步骤三:基于节点数据模型,将多种类型的业务数据统一显示在同一路网图上,包括:
获取显示模型,所述显示模型包括根据车站属性和业务历史数据综合确定显示要素在路网图上的显示方式;
实时获取的节点数据模型,根据获取显示模型,将节点数据模型显示在路网图上。
具体的,通过读取存储好的路网图底图数据,获得每个车站节点或区间节点的底图显示模型,包括节点Id、名称、中心坐标、起始点坐标、半径、宽度、颜色等属性。将节点的底图显示模型和节点的综合节点数据模型组合起来形成新的显示模型,对底图进行重新绘制,实现全局宏观态势图。
示例性的,车站节点实时客流的显示方法:在路网图上以圆形节点表示车站,可以用不同半径以及多个同心圆的形式表示不同等级的车站,比如始发、终到、换乘和普通车站。以普通车站为例,根据车站ID获得该车站的节点信息,查询到当前时间对应的客流量和客流拥挤等级,根据客流等级转换成相应的填充颜色,给显示模型的填充属性赋值相应的颜色。
示例性的,区间节点实时客流的显示方法:在路网图上两个车站之间的连接线表示区间,连接线不同的填充颜色代表区间客流量。根据区间ID获取该区间的节点信息,查询到当时时段对应的上行客流拥挤等级和下行客流拥挤等级,根据客流等级转换成相应的区间上下行填充颜色。与车站节点实时客流显示的不同之处在于,区间节点实时客流区分上下行,需要根据区间连接线起始点坐标计算出区间方向向量,再根据方向向量和连接线宽度分别将区间连接线起始点坐标进行正向和负向偏移,得到区间上行和下行线段新的起始点坐标。最后根据线段新的起始点坐标分别将上下行连接线的颜色进行填充,得到一个以双色显示上下行客流的区间节点。
示例性的,车站节点列车实际的显示方法:根据车站ID获得该车站的节点信息,查询到当前时间对应实际列车数量和车次等信息。路网图列车用指定列车图标显示,若该车站节点列车数量大于1辆,则将列车填充属性设为灰色,车身文字属性用于显示该车站节点列车数量,鼠标移至列车图标可以以浮动气泡窗口的形式显示该车站节点所有车辆列表,包括每辆列车车次、满载率、车载设备状态、列车方向等信息;若该车站节点列车数量为1时,列车车身文字属性设为该列车车次号,颜色填充属性为该列车满载率等级对应的颜色,同时鼠标移至列车图标也可以得到该列车的详细信息列表。
示例性的,区间节点列车实际的显示方法:根据区间ID获得该区间的节点信息,查询到当前时间对应的上下行实际列车数量和车次等信息。列车的显示方式同车站节点列车实际的显示方式,不同之处在于区间节点分为上下行显示,同区间节点实时客流的显示方法相似,根据区间连接线起始点坐标和区间连接线向量、宽度进行一定的正向和负向偏移,分别计算区间上下行列车图标的起始点坐标,再结合之前得到的其他显示属性在路网图上对列车图标进行绘制。
本实施例还可以根据采集到的实时客流信息,结合设备状态信息、气象预警信息和列车运行实际,根据客流预测模型和存储的历史客流信息等,对下一时段的客流进行预推,最终通过数学运算和重构,形成当前节点的客流-时间对应信息。同理可以根据其它业务系统数据推算出各种所需的指标。
本发明方法还有很好的扩展性,随着平台接口的增加,采集到的业务系统数据更加完备,可以不断改进各个数据模型的计算算法,得到更加精确全面的宏观态势信息数据;或者根据需求的变化,需要增加一些统计指标的计算,可以从若干业务系统数据以及已有的数据模型中,通过新的算法得到新增的统计指标模型。总之,随着业务系统数据增加和算法的完善改进,得到的节点数据模型越来越全面、精确。示例性的,图5示出了根据本发明实施例的轨道交通路网宏观态势数据显示方法的扩展示意图,如图5所示,本实施例中以区间节点1123为例,业务系统数据包括区间节点1123历史客流、区间节点1123实时客流、区间节点1123设备报警信息、区间节点1123维修信息、区间节点1123气象预警信息、客流模型参数、区间节点1123列车运行实际、区间节点1123列车运行计划、列车设备状态、区间节点1123其它节点信息,通过将上述业务系统数据进行组合可以得到不同的统计指标。具体的,通过区间节点1123历史客流、区间节点1123实时客流、客流模型参数、区间节点1123列车运行实际可以预推出客流信息;通过区间节点1123设备报警信息、区间节点1123维修信息、区间节点1123气象预警信息可以预估故障概率和恢复时间信息;通过区间节点1123列车运行实际、区间节点1123列车运行计划、列车设备状态可以得知实际列车位置状态信息。
综上,根据现有的业务系统数据可以得到如下信息:
区间节点1123信息:
客流-时间信息,
实际列车位置状态,
计划列车,
设备状态信息,
故障概率。
通过本发明实施例中的显示方法,可以灵活的用此方法显示车站节点或区间节点上的其它各类信息,例如可以显示该节点设备状态或气象预警信息,或者显示推算未来半小时时间段客流、计划列车分布情况等。各种综合信息基于同一底图,可以灵活切换或者叠加显示。非常方便对整个路网宏观态势进行展示,使用者可以站在全局的角度一目了然地掌握整个区域内的综合信息,为人工决策提供便利,同时内存中经过计算的综合节点数据模型,也为整个系统智能决策和智能指挥提供数据基础。
本发明还提供了一种轨道交通路网宏观态势数据显示系统,图6示出了根据本发明实施例的轨道交通路网宏观态势数据显示系统示意图,如图6所示,所述系统包括数据获取单元、数据重构单元和节点显示单元。其中,数据获取单元通过业务系统接口从多个业务系统中获取多种类型的基础数据,并将所述基础数据发送给数据重构单元;数据重构单元对基础数据进行重构,形成以车站和/或区间为单位的节点数据模型,并将所述节点数据模型发送给节点显示单元;节点显示单元基于节点数据模型,将多种类型的业务数据统一显示在同一路网图上。
本发明通过将各业务系统信息以车站和/或区间为单位节点,通过计算重构生成用户需要的以车站和/或区间为单位的节点数据模型,在同一个路网图上进行显示,从而对区域路网提供直观、全面的信息展示,让轨道交通管理者和运营者可以站在全局的角度一目了然地掌握整个区域内的路网宏观态势,为人工决策提供便利,为整个系统智能决策和智能指挥提供数据基础。并且,随着业务系统数据的丰富,数据融合算法的改进,节点数据模型的内容也会更加全面和准确,进一步提高路网运营的集成化、智能化和自动化水平。
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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (11)
1.一种轨道交通路网宏观态势数据显示方法,其特征在于,所述方法包括:
从多个业务系统中获取多种类型的基础数据;
对基础数据进行重构,形成以车站和/或区间为单位的节点数据模型;
基于节点数据模型,将多种类型的业务数据统一显示在同一路网图上;
所述对基础数据进行重构包括:
对不同类型的基础数据分别进行协议解析形成节点数据;
根据节点数据形成节点数据模型;
所述根据节点数据形成节点数据模型包括以下情况:
节点数据与节点数据模型结构一致时,根据节点编号,将节点数据直接匹配到节点数据模型中;
和/或,
节点数据单位小于节点数据模型结构时,将节点数据按照实时多对一映射模型进行组合,形成节点数据模型;
和/或,
节点数据单位大于节点数据模型结构时,将节点数据按照实时一对多映射模型进行重构,形成节点数据模型;
和/或,
节点数据与节点数据模型结构完全不同时,将节点数据拆分成子节点数据,根据指定参数将子节点数据进行重组,生成节点数据模型。
2.根据权利要求1所述的轨道交通路网宏观态势数据显示方法,其特征在于,所述从多个业务系统中获取多种类型的基础数据包括获取以下数据中的一种或多种:
路网数据、车流数据、客流数据、设备运行状态数据、气象数据。
3.根据权利要求2所述的轨道交通路网宏观态势数据显示方法,其特征在于,所述将节点数据直接匹配到节点数据模型中,包括:
将以车站为单位统计的每个车站部署的所有摄像设备采集到的客流人数总和直接匹配到相应的车站节点数据模型中。
4.根据权利要求2所述的轨道交通路网宏观态势数据显示方法,其特征在于,所述将节点数据按照实时多对一映射模型进行组合,包括:
根据列车编号和车站编号的实时多对一映射模型,将车站节点或区间节点内所有列车客流数据组合得到区间或在站的客流数据。
5.根据权利要求2所述的轨道交通路网宏观态势数据显示方法,其特征在于,所述将节点数据按照实时一对多映射模型进行重构,包括:
通过查询根据地理信息生成的气象行政区和节点一对多映射关系模型,将车站或区间所在气象行政区的气象数据重构成车站或区间的气象信息,根据所述气象信息形成节点数据模型。
6.根据权利要求2所述的轨道交通路网宏观态势数据显示方法,其特征在于,所述将节点数据拆分成子节点数据,根据指定参数将子节点数据进行重组,生成节点数据模型,包括:
将列车运行计划节点数据拆成第一子节点数据;
所述第一子节点数据包括对应的列车、车站和时间参数信息;根据时间参数,从多个第一子节点数据中提取指定时间下指定车站的相关第一子节点数据,形成所述指定车站的车站列车时间切面数据;
根据车站列车时间切面数据,结合列车相关系统数据,形成车站的节点数据模型。
7.根据权利要求1所述的轨道交通路网宏观态势数据显示方法,其特征在于,所述对基础数据进行重构,形成以车站和/或区间为单位的节点数据模型包括:
对基础数据进行重构,形成业务节点数据模型;
根据多个业务节点数据模型形成综合节点数据模型。
8.根据权利要求7所述的轨道交通路网宏观态势数据显示方法,其特征在于,所述根据多个业务节点数据模型形成综合节点数据模型包括:
根据多个相同类型的业务节点数据模型形成综合节点数据模型时,选取所述业务节点数据模型的最值或加权平均值形成综合节点数据模型;
根据多个不同类型的业务节点数据模型形成综合节点数据模型时,采用相应的计算模型生成综合节点数据模型。
10.根据权利要求1-8任一项所述的轨道交通路网宏观态势数据显示方法,其特征在于,所述将多种类型的业务数据统一显示在同一路网图上包括:
获取显示模型,所述显示模型包括根据车站属性和业务历史数据综合确定显示要素在路网图上的显示方式;
实时获取的节点数据模型,根据获取显示模型,将节点数据模型显示在路网图上。
11.一种轨道交通路网宏观态势数据显示系统,其特征在于,所述系统包括:
数据获取单元,用于从多个业务系统中获取多种类型的基础数据,并将所述基础数据发送给数据重构单元;
数据重构单元,用于对基础数据进行重构,形成以车站和/或区间为单位的节点数据模型,并将所述节点数据模型发送给节点显示单元;其中,
所述对基础数据进行重构包括:
对不同类型的基础数据分别进行协议解析形成节点数据;
根据节点数据形成节点数据模型;
所述根据节点数据形成节点数据模型包括以下情况:
节点数据与节点数据模型结构一致时,根据节点编号,将节点数据直接匹配到节点数据模型中;
和/或,
节点数据单位小于节点数据模型结构时,将节点数据按照实时多对一映射模型进行组合,形成节点数据模型;
和/或,
节点数据单位大于节点数据模型结构时,将节点数据按照实时一对多映射模型进行重构,形成节点数据模型;
和/或,
节点数据与节点数据模型结构完全不同时,将节点数据拆分成子节点数据,根据指定参数将子节点数据进行重组,生成节点数据模型;
节点显示单元,用于基于节点数据模型,将多种类型的业务数据统一显示在同一路网图上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010409902.6A CN111309845B (zh) | 2020-05-15 | 2020-05-15 | 一种轨道交通路网宏观态势数据显示方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010409902.6A CN111309845B (zh) | 2020-05-15 | 2020-05-15 | 一种轨道交通路网宏观态势数据显示方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111309845A CN111309845A (zh) | 2020-06-19 |
CN111309845B true CN111309845B (zh) | 2020-09-08 |
Family
ID=71161136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010409902.6A Active CN111309845B (zh) | 2020-05-15 | 2020-05-15 | 一种轨道交通路网宏观态势数据显示方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111309845B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724571A (zh) * | 2021-11-04 | 2021-11-30 | 比亚迪股份有限公司 | 轨道交通站场图的生成方法及其生成装置和电子设备 |
CN115333967B (zh) * | 2022-10-11 | 2022-12-27 | 南京中孚信息技术有限公司 | 数据上报方法、系统、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103531024A (zh) * | 2013-10-28 | 2014-01-22 | 武汉旭云科技有限公司 | 一种动态交通路网城市道路要素模型及其建模方法 |
CN103593535A (zh) * | 2013-11-22 | 2014-02-19 | 南京洛普股份有限公司 | 基于多尺度融合的城市交通复杂自适应网络平行仿真系统及方法 |
CN105206070A (zh) * | 2015-08-14 | 2015-12-30 | 公安部交通管理科学研究所 | 道路交通信号协调实时优化控制方法及其控制系统 |
CN106846805A (zh) * | 2017-03-06 | 2017-06-13 | 南京多伦科技股份有限公司 | 一种动态路网交通需求预测方法及其系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7139692B2 (en) * | 2001-12-21 | 2006-11-21 | Opnet Technologies, Inc. | Flow propagation analysis using iterative signaling |
-
2020
- 2020-05-15 CN CN202010409902.6A patent/CN111309845B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103531024A (zh) * | 2013-10-28 | 2014-01-22 | 武汉旭云科技有限公司 | 一种动态交通路网城市道路要素模型及其建模方法 |
CN103593535A (zh) * | 2013-11-22 | 2014-02-19 | 南京洛普股份有限公司 | 基于多尺度融合的城市交通复杂自适应网络平行仿真系统及方法 |
CN105206070A (zh) * | 2015-08-14 | 2015-12-30 | 公安部交通管理科学研究所 | 道路交通信号协调实时优化控制方法及其控制系统 |
CN106846805A (zh) * | 2017-03-06 | 2017-06-13 | 南京多伦科技股份有限公司 | 一种动态路网交通需求预测方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111309845A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021068602A1 (zh) | 一种多制式多业务轨道交通仿真模拟方法及系统 | |
CN105320712B (zh) | 基于gis地图的态势自动标绘系统的动态态势标绘方法 | |
Finogeev et al. | Intelligent monitoring system for smart road environment | |
Petrovska et al. | Traffic congestion analysis visualisation tool | |
CN109724610A (zh) | 一种全信息实景导航的方法及装置 | |
CN205508164U (zh) | 充电站智能车位控制系统 | |
CN108428341A (zh) | 一种基于人机融合的交通应急管理调度方法及系统 | |
CN111309845B (zh) | 一种轨道交通路网宏观态势数据显示方法及系统 | |
CN103017780B (zh) | 移动状态下公交线路的规划方法、系统和装置 | |
CN105719054A (zh) | 基于移动终端的救灾现场指挥员信息共享方法及系统 | |
CN109752200A (zh) | 车辆的状态分析方法、系统和地面综合信息分析子系统 | |
CN103824340A (zh) | 无人机输电线路智能巡检系统及巡检方法 | |
CN105069100B (zh) | 一种基于电网gis的移动端协同标绘方法 | |
CN105741213A (zh) | 基于gis的救灾兵力调度部署指挥控制系统 | |
EP3572991A1 (en) | Transit demand forecasting device and transit demand forecasting method | |
CN105160881B (zh) | 一种交通监测系统及其方法 | |
CN102490769A (zh) | 一种基于gis的轨道交通行车状态图实现方法 | |
CN107330062A (zh) | 基于gis的调度运行全景展示系统 | |
CN115063978A (zh) | 一种基于数字孪生的公交到站时间预测方法 | |
Paaso et al. | Grid modernization is paving the way for building smarter cities [technology leaders] | |
Krislata et al. | Traffic Flows System Development for Smart City. | |
Runhua et al. | Design scheme of public transport comprehensive dispatching MIS based on MAS | |
Chen et al. | Research of multi-information integration for the aircraft ground centralized deicing monitoring system based on wireless data transmission | |
Claramunt et al. | Real-time geographical information systems for its | |
Kelly et al. | The advanced traffic management center |
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 |