CN112365092A - 城市轨道交通路网大客流风险自适应预警系统 - Google Patents
城市轨道交通路网大客流风险自适应预警系统 Download PDFInfo
- Publication number
- CN112365092A CN112365092A CN202011387181.XA CN202011387181A CN112365092A CN 112365092 A CN112365092 A CN 112365092A CN 202011387181 A CN202011387181 A CN 202011387181A CN 112365092 A CN112365092 A CN 112365092A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- risk
- early warning
- road network
- large passenger
- 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.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 claims abstract description 69
- 230000000007 visual effect Effects 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 14
- 230000002776 aggregation Effects 0.000 claims description 12
- 238000004220 aggregation Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000013136 deep learning model Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000007499 fusion processing Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 4
- 238000005352 clarification Methods 0.000 claims description 3
- 238000013523 data management Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims 2
- 230000008520 organization Effects 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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 Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种城市轨道交通路网大客流风险自适应预警系统。包括操作终端、路网大客流风险预警服务器、大客流风险因素计算服务器与大数据服务器。操作终端，用于供用户使用，根据用户的定制进行大客流风险预警的可视化表达；路网大客流风险预警服务器，调用路网大客流风险预警服务器，获得关联因素输入，根据场景和参数设置计算大客流风险，生成大客流风险预警方案；大客流风险因素计算服务器，根据历史数据进行关联因素提取和关联因素数值的计算，将计算结果提供给路网大客流风险预警服务器。本发明为城市轨道交通路网管理者提供路网大客流风险预警功能，为路网客流组织和信息发布提供依据，提高客运服务智能化水平，保障路网乘客出行安全。
Description
技术领域
本发明涉及轨道交通客流控制技术领域，尤其涉及一种城市轨道交通路网大客流风险自适应预警系统。
背景技术
随着城市轨道交通路网规模的不断扩大，吸引和承载了越来越多的客流，因为路网运输能力有限，列车和车站的客流量常常超过承载的安全限制，引发了大客流风险。提前进行大客流风险预警，可以对路网客流组织和信息发布提供依据，提高路网乘客安全。
大客流风险预警以大客流预判与大客流风险辨识为基础。不同场景下，大客流发生演化的特征不同，并且相同规模客流带来的风险不同。而现有的大规模客流预判技术以AFC(Automatic Fare Collection System，城市轨道交通自动售检票系统)数据为支撑进行路网客流仿真推演，缺乏多维度风险关联因素下的大客流预判技术；同时，现有的路网客流风险辨识技术集中在应用复杂网络和历史客流数据的静态时空网络风险辨识，缺乏多场景下动态客流下的路网风险辨识。
为了提高大客流风险预警的准确性，需要针对不同的场景，利用多源大数据判断大客流，并生成合理的风险辨识结果。随着人工智能和物联网技术的发展与应用，提供了海量的多源的历史与实时大数据，而目前，现有技术中的在路网层面还没有一种有效地利用多源实时数据进行大客流风险预警的方法。
面向多场景的城市轨道交通路网大客流风险自适应预警系统，重复利用多源大数据，面向运营多场景，利用深度学习实现自适应预警，是十分必要的。
发明内容
本发明的实施例提供了一种城市轨道交通路网大客流风险自适应预警系统，以克服现有技术的问题。
为了实现上述目的，本发明采取了如下技术方案。
一种城市轨道交通路网大客流风险自适应预警系统，包括：操作终端、路网大客流风险预警服务器、大客流风险因素计算服务器和大数据服务器，所述操作终端、路网大客流风险预警服务器、大客流风险因素计算服务器依次相连；所述大数据服务器与其他服务器均相连；
所述操作终端，用于供用户使用，提供大客流预警外部条件、参数设置的录入，根据使用人员操作调用相应服务，并根据用户的定制进行大客流风险预警的可视化表达；
所述路网大客流风险预警服务器，用于调用路网大客流风险预警服务器，获得所述大客流风险因素计算服务器传输过来的关联因素，对路网大客流预判深度学习模型进行训练，利用深度学习模型进行路网大客流实时预判，并根据场景和参数设置计算大客流风险，生成大客流风险预警方案，并反馈给操作终端；
所述大客流风险因素计算服务器，用于根据历史数据进行关联因素提取和关联因素数值的计算，根据实时数据更新关联因素数值，将计算结果提供给路网大客流风险预警服务器使用；
所述大数据服务器，用于利用分布式数据库对历史多源数据和实时采集数据分别进行融合处理。
优选地，所述操作终端包括用户操作单元、服务调用单元和信息展示单元；
所述用户操作单元包括输入设备和输入模块，所述输入设备包括键盘、鼠标和触摸屏，所述输入模块为根据设备特征和用户权限定制的软件模块；
所述服务调用单元根据用户操作单元的输入条件，启动路网大客流风险预警或数据服务的调用；
所述信息展示单元包括显示设备和显示模块，所述显示设备包括PC显示器、手机移动终端显示屏和LED显示屏，所述显示模块根据用户操作单元的设置和其他服务器反馈的结果进行大客流风险预警的可视化表达。
优选地，所述信息展示单元包括：
路网客流状态查看单元，用于图文显示路网整体客流状态查看，提供时间和空间区域选择功能和局部客流状态查看，图文显示所选路网局部车站或列车的大客流状态；
条件与参数输入单元，用于提供外部场景输入界面，并传输输入信息到路网大客流风险预警服务器和大数据服务器，提供大客流风险和预警参数设置界面，并传输输入信息到路网大客流风险预警服务器和大数据服务器；
大客流风险预警方案查看单元，用于图文显示路网客流预警方案。
优选地，所述路网大客流风险预警服务器包括路网大客流预判单元、大客流风险计算单元和大客流风险预警单元；
所述路网大客流预判单元，用于提供大客流预判的深度学习模型，利用关联因素数值进行模型的训练，并且利用关联因素数值进行路网大客流发生时空的预判；
所述大客流风险计算单元，用于根据用户操作的场景和参数设置，以及大客流发生的时空预判结果，进行大客流风险等级计算；
所述大客流风险预警单元，用于根据大客流风险计算结果和用户参数设置，生成路网大客流风险预警方案，该路网大客流风险预警方案包括预警时空等级和预警人员。
优选地，所述大客流风险计算单元，具体用于根据用户设置的场景和参数以及大客流风险计算结果，利用模糊神经网络路网综合风险等级设定，利用模糊函数进行车站和列车及其局部空间的风险等级计算，风险等级计算结果为模糊集合，模糊神经网络的训练数据的参数为用户导入；
所述大客流风险预警单元，具体用于根据大客流风险计算结果和用户参数设置，确定模糊清晰化方法，进行风险等级集合的清晰化，得到大客流风险预警等级；在需要预警的情况下，根据预警等级依据大客流风险计算结果中的风险时空分布，得到需要进行大客流风险预警的时空；根据大客流风险计算结果，结合大客流风险预警时空分布，得到大客流风险预警类别，确定大客流预警人员。
优选地，所述大客流风险计算单元，具体用于设置车站与列车的局部空间包括：进站区域、站台、通道、列车车厢内部和车门附近区域，各个区域的风险计算根据车站类别、局部空间类别、空间内客流的聚集程度及其对应概率来计算，客流聚集程度取[0,N]之间的小数，N根据区域类型不同取值不同，所有风险等级对应的模糊集合为{无风险、低风险、中风险和高风险}，使用聚集程度根据风险标准计算风险等级，根据概率计算属于该风险等级的隶属度。
优选地，所述大客流风险因素计算服务器包括关联因素提取单元和关联因素计算单元；
所述关联因素提取单元，用于根据历史的客流检测与调查数据，结合数据实时获取的条件，提取出路网大客流发生和发展的关联因素；
所述关联因素计算单元，用于利用检测到的行车和设备异常数据，并采样最近发生的乘客行程与流量数据，利用统计与预测方法，计算关联因素数值。
优选地，所述关联因素提取单元，具体用于建立备选因素集合，在备选因素集合的基础上根据可获得性对备选因素集合中的因素进行筛选，再根据相关性对备选因素集合中的因素进行筛选，所述备选因素包括：外部条件因素和客流流量相关因素，因素的可获得性筛选考虑不同时空上的因素数值在计算之前关联数据是否能够获得，因素的相关性筛选分为两种，一种根据相关性指数进行计算，一种以神经网络黑箱的方式，将因素大客流的发生作为网络输出，判断其可预测性，如预测精度到达指定数值，则表示该组因素与大客流相关。
优选地，所述关联因素计算单元，具体用于当关联因素为外部事件类，则做关联因素的输入数字化处理；当关联因素为流量类，则当流量发生的时间发生在检测时间点之前，使用检测统计的方式计算，当流量发生的时间发生在检测时间点之后，使用预测单元预测；当关联因素为行程类别，则根据AFC和实际列车运行图进行统计。
优选地，所述数据管理服务器包括数据融合单元、分布式数据存储单元和分布式数据计算单元。
所述数据融合单元，用于对历史多源数据和实时采集数据分别进行融合处理；
所述分布式数据存储单元，用于包括分布式数据库，该分布式数据库中存储的内容包括：路网基础数据、调查数据、客流检测数据、异常事件数据、关联因素数据、系统配置与参数数据和客流动态预警数据；
所述分布式数据计算单元，用于以分布式数据计算软件为平台，进行路网大客流风险预警服务器与大客流风险因素计算服务器计算所需的基础统计计算。
由上述本发明的实施例提供的技术方案可以看出，本发明为城市轨道交通路网管理者提供路网大客流风险预警功能，为路网客流组织和信息发布提供依据，提高客运服务智能化水平，保障路网乘客出行安全。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例提供的一种面向多场景的城市轨道交通路网大客流风险自适应预警系统的结构示意图；
图2为本发明实施例提供的一种操作终端结构示意图；
图3为本发明实施例提供的一种关联因素提取流程图；
图4为本发明实施例提供的一种关联因素分类计算图；
图5为本发明实施例提供的一种大客流风险预判单元的实现原理示意图；
图6为本发明实施例提供的一种大客流风险计算单元的实现原理示意图；
图7为本发明实施例提供的一种大客流风险预警单元的实现原理示意图；
图8为本发明实施例提供的一种大客流风险预警的流程图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
图1为本发明实施例提供的一种面向多场景的城市轨道交通路网大客流风险自适应预警系统的结构示意图，包括操作终端、路网大客流风险预警服务器、大客流风险因素计算服务器和大数据服务器。操作终端包括用户操作单元、服务调用单元和信息展示单元三个部分。所述操作终端、路网大客流风险预警服务器、大客流风险因素计算服务器依次相连；所述大数据服务器与其他服务器均相连。
上述操作终端包括用户操作单元、服务调用单元和信息展示单元；
所述用户操作单元包括输入设备和输入模块，所述输入设备包括键盘、鼠标和触摸屏，所述输入模块为根据设备特征和用户权限定制的软件模块；
所述服务调用单元根据用户操作单元的输入条件，启动路网大客流风险预警或数据服务的调用；
所述信息展示单元包括显示设备和显示模块，所述显示设备包括PC显示器、手机移动终端显示屏和LED显示屏，所述显示模块根据用户操作单元的设置和其他服务器反馈的结果进行大客流风险预警的可视化表达。
上述路网大客流风险预警服务器包括路网大客流预判单元、大客流风险计算单元和大客流风险预警单元；
所述路网大客流预判单元，用于提供大客流预判的深度学习模型，利用关联因素数值进行模型的训练，并且利用关联因素数值进行路网大客流发生时空的预判；
所述大客流风险计算单元，用于根据用户操作的场景和参数设置，以及大客流发生的时空预判结果，进行大客流风险等级计算；
所述大客流风险预警单元，用于根据大客流风险计算结果和用户参数设置，生成路网大客流风险预警方案，该路网大客流风险预警方案包括预警时空等级和预警人员。
上述大客流风险因素计算服务器包括关联因素提取单元和关联因素计算单元；
所述关联因素提取单元，用于根据历史的客流检测与调查数据，结合数据实时获取的条件，提取出路网大客流发生和发展的关联因素；
所述关联因素计算单元，用于利用检测到的行车和设备异常数据，并采样最近发生的乘客行程与流量数据，利用统计与预测方法，计算关联因素数值。
上述数据管理服务器包括数据融合单元、分布式数据存储单元和分布式数据计算单元。
所述数据融合单元，用于对历史多源数据和实时采集数据分别进行融合处理；
所述分布式数据存储单元，用于包括分布式数据库，该分布式数据库中存储的内容包括：路网基础数据、调查数据、客流检测数据、异常事件数据、关联因素数据、系统配置与参数数据和客流动态预警数据；
所述分布式数据计算单元，用于以分布式数据计算软件为平台，进行路网大客流风险预警服务器与大客流风险因素计算服务器计算所需的基础统计计算。
图2为本发明实施例提供的一种操作终端中的信息展示单元的结构示意图。包括路网客流状态查看单元、条件与参数输入单元和大客流风险预警方案查看单元。各个单元显示的内容及具有的功能见下表。
路网客流状态查看包括路网整体客流状态查看单元11，用于图文显示路网整体客流状态查看，提供时间和空间区域选择功能；局部客流状态查看12，用于图文显示所选路网局部车站或列车的大客流状态。
条件与参数输入单元包括外部条件输入单元21，用于提供外部场景输入界面，并传输输入信息到路网大客流风险预警服务器和大大数据服务器；或者，参数设置单元22，用于提供大客流风险和预警参数设置界面，并传输输入信息到路网大客流风险预警服务器和大数据服务器。
大客流风险预警方案查看单元31，用于图文显示路网客流预警方案。
图3为本发明实施例提供的一种大客流风险因素计算服务器中的关联因素提取单元的处理流程图，包括如下的处理过程：首先，建立备选因素集合，在备选因素集合的基础上根据可获得性对备选因素集合中的因素进行筛选，再根据相关性对备选因素集合中的因素进行筛选。其中，备选因素包括：外部条件因素，如：重大活动、天气异常；运营措施，如运行调整、掉线清人、站外控制、站内绕行等；流量相关因素，如进出站流量、OD流量；行程特征相关因素，如进出站时间、候车时间、换乘时间滞留次数等。可获得性筛选考虑不同时空上的因素数值在计算之前关联数据是否能够获得。相关性筛选可以分为两种，一种根据相关性指数进行计算，一种以神经网络黑箱的方式，将因素大客流的发生作为网络输出，判断其可预测性，如预测精度可以到达指定数值，则表示该组因素与大客流相关。
图4为本发明实施例提供的一种大客流风险因素计算服务器中的关联因素计算单元的处理流程图，包括如下的处理过程：根据关联因素的类别，当关联因素为外部事件类，则直接做输入数字化处理；当关联因素为流量类，则根据流量发生的时间，当发生在检测时间点之前，使用检测统计的方式计算，当发生在检测时间点之后，使用预测单元预测，其中的预测单元可使用机器学习的方式，有很多可选择的方法，在此不做限制；当关联因素为行程类别，需要根据AFC和实际列车运行图进行统计，统计方法可以采用正态分布和EM算法等经典的统计方法。
图5为本发明实施例提供的一种大客流风险预判单元的实现原理示意图，具体处理过程包括：利用批量的关联因素数据作为输入要素进行大客流预判深度神经网络单元的训练。当关联因素为流量类或行程类时，需要先降维再输入该深度神经网络单元。并利用最新的关联因素数据进行路网大客流发生时空的预判，输出路网上时空(未来时间段的车站与列车)的某程度的大客流发生的概率。其中，根据事件发生的类别来确定程度的类别，如列车继续延误的可能性为80％，根据列车延误和不延误下站台的大客流聚集程度为90％和50％，概率分别为80％和20％。
图6为本发明实施例提供的一种大客流风险计算的实现原理示意图，具体处理过程包括：根据用户设置的场景和参数以及大客流风险计算结果，利用模糊神经网络路网综合风险等级设定，利用模糊函数进行车站和列车及其局部空间的风险等级计算，风险等级计算结果为模糊集合。其中，模糊神经网络的训练数据的参数为用户导入。
其中，车站与列车的局部空间包括：进站区域、站台、通道，列车车厢内部、车门附近区域，它们的风险计算根据车站类别、局部空间类别，空间内客流的聚集程度及其对应概率来计算。客流聚集程度取[0,N]之间的小数(N根据区域类型不同取值不同)，客流聚集程度的精度取0.1，对应概率取0-1之间的小数。所有风险等级对应的模糊集合为{无风险、低风险、中风险和高风险}，也可以用0-3之间的整数分别表示无风险、低风险、中风险和高风险。使用聚集程度根据风险标准计算风险等级，根据概率计算属于该风险等级的隶属度。
常态大客流场景与风险标准的示例如下表，不同场景下的标准不同，标准的制定根据现场情况和用户需求来设定，不同场景叠加时相同聚集客流下取不同场景中的最高风险等级。
如路网大客流预判的部分结果如下表：
则计算对应的风险隶属度时空分布如下表：
图7为本发明实施例提供的一种大客流风险预警的实现原理示意图，具体处理过程包括：根据大客流风险计算结果和用户参数设置，确定模糊清晰化方法，进行风险等级集合的清晰化，得到大客流风险预警等级；
进一步根据预警等级，需要预警的情况下，依据大客流风险计算结果中的风险时空分布，得到需要进行大客流风险预警的时空，如某车站或列车预警在某时段预警；并且，根据大客流风险计算结果，结合大客流风险预警时空分布，得到大客流风险预警类别，如某车站进站客流预警。最后确定大客流预警人员。
其中，大客流预警等级分为无、低、中、高，分别取0-3之间的整数，预警等级根据论域为0-3的风险等级隶属度清晰化后四舍五入取整来获得。清晰化的方法一般选取平均最大隶属度法，大客流风险时空到大客流预警时空的转化实例如下：
| 空间位置 | 风险类别 | 8:00-8:05 | 8:05-8:10 |
| 进站区域 | 进站客流 | 中 | 高 |
| 站台 | 站台客流 | 低 | 高 |
| 通道 | 换乘客流 | 中 | 高 |
图8为本发明实施例提供的一种大客流风险的预警流程图。首先启动操作终端及各服务器，开始系统运行；在系统运行中，首先进行用户设置，根据设置启动历史数据录入或接收实时数据；大数据服务器接受历史数据和实时数据后，对接收到的数据进行融合与存储，并进一步根据服务要求进行数据计算；判断是否需要提取关联要素，是的话则进行关联要素提取；否的话则直接进行关联要素计算；判断是否需要训练大客流预判单元，是的话进行单元训练；否的话直接进行大客流风险计算；根据计算结果进行大客流预警结果更新，以及预警信息展示更新。当系统不再运行则退出。
综上所述，本发明实施例提供的城市轨道交通路网大客流风险自适应预警系统可以有效地进行路网大客流风险评估，考虑不同的外部场景，根据外部场景，构建大客流风险评估单元，支持多场景下的路网大客流风险估计；可以利用深度学习方法，综合利用实时和历史数据，构建路网大客流预判单元，数据驱动预警方案自适应生成。
本发明实施例的系统可以为城市轨道交通路网管理者提供路网大客流风险预警功能，为路网客流组织和信息发布提供依据，提高客运服务智能化水平，保障路网乘客出行安全。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的单元或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述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。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，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，可轻易想到的变化或替换，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该以权利要求的保护范围为准。
Claims (10)
1.一种城市轨道交通路网大客流风险自适应预警系统，其特征在于，包括：操作终端、路网大客流风险预警服务器、大客流风险因素计算服务器和大数据服务器，所述操作终端、路网大客流风险预警服务器、大客流风险因素计算服务器依次相连；所述大数据服务器与其他服务器均相连；
所述操作终端，用于供用户使用，提供大客流预警外部条件、参数设置的录入，根据使用人员操作调用相应服务，并根据用户的定制进行大客流风险预警的可视化表达；
所述路网大客流风险预警服务器，用于调用路网大客流风险预警服务器，获得所述大客流风险因素计算服务器传输过来的关联因素，对路网大客流预判深度学习模型进行训练，利用深度学习模型进行路网大客流实时预判，并根据场景和参数设置计算大客流风险，生成大客流风险预警方案，并反馈给操作终端；
所述大客流风险因素计算服务器，用于根据历史数据进行关联因素提取和关联因素数值的计算，根据实时数据更新关联因素数值，将计算结果提供给路网大客流风险预警服务器使用；
所述大数据服务器，用于利用分布式数据库对历史多源数据和实时采集数据分别进行融合处理。
2.根据权利要求1所述的系统，其特征在于，所述操作终端包括用户操作单元、服务调用单元和信息展示单元；
所述用户操作单元包括输入设备和输入模块，所述输入设备包括键盘、鼠标和触摸屏，所述输入模块为根据设备特征和用户权限定制的软件模块；
所述服务调用单元根据用户操作单元的输入条件，启动路网大客流风险预警或数据服务的调用；
所述信息展示单元包括显示设备和显示模块，所述显示设备包括PC显示器、手机移动终端显示屏和LED显示屏，所述显示模块根据用户操作单元的设置和其他服务器反馈的结果进行大客流风险预警的可视化表达。
3.根据权利要求2所述的系统，其特征在于，所述信息展示单元包括：
路网客流状态查看单元，用于图文显示路网整体客流状态查看，提供时间和空间区域选择功能和局部客流状态查看，图文显示所选路网局部车站或列车的大客流状态；
条件与参数输入单元，用于提供外部场景输入界面，并传输输入信息到路网大客流风险预警服务器和大数据服务器，提供大客流风险和预警参数设置界面，并传输输入信息到路网大客流风险预警服务器和大数据服务器；
大客流风险预警方案查看单元，用于图文显示路网客流预警方案。
4.根据权利要求1所述的系统，其特征在于，所述路网大客流风险预警服务器包括路网大客流预判单元、大客流风险计算单元和大客流风险预警单元；
所述路网大客流预判单元，用于提供大客流预判的深度学习模型，利用关联因素数值进行模型的训练，并且利用关联因素数值进行路网大客流发生时空的预判；
所述大客流风险计算单元，用于根据用户操作的场景和参数设置，以及大客流发生的时空预判结果，进行大客流风险等级计算；
所述大客流风险预警单元，用于根据大客流风险计算结果和用户参数设置，生成路网大客流风险预警方案，该路网大客流风险预警方案包括预警时空等级和预警人员。
5.根据权利要求4所述的系统，其特征在于：
所述大客流风险计算单元，具体用于根据用户设置的场景和参数以及大客流风险计算结果，利用模糊神经网络路网综合风险等级设定，利用模糊评价函数进行车站和列车及其局部空间的风险等级计算，风险等级计算结果为模糊集合，模糊神经网络的训练数据与模糊评价函数的参数为用户导入；
所述大客流风险预警单元，具体用于根据大客流风险计算结果和用户参数设置，确定模糊清晰化方法，进行风险等级集合的清晰化，得到大客流风险预警等级；在需要预警的情况下，根据预警等级依据大客流风险计算结果中的风险时空分布，得到需要进行大客流风险预警的时空；根据大客流风险计算结果，结合大客流风险预警时空分布，得到大客流风险预警类别，确定大客流预警人员。
6.根据权利要求5所述的系统，其特征在于：
所述大客流风险计算单元，具体用于设置车站与列车的局部空间包括：进站区域、站台、通道、列车车厢内部和车门附近区域，各个区域的风险计算根据车站类别、局部空间类别、空间内客流的聚集程度及其对应概率来计算，客流聚集程度取[0,N]之间的小数，N根据区域类型不同取值不同，所有风险等级对应的模糊集合为{无风险、低风险、中风险和高风险}，使用聚集程度根据风险标准计算风险等级，根据概率计算属于该风险等级的隶属度。
7.根据权利要求1所述的系统，其特征在于，所述大客流风险因素计算服务器包括关联因素提取单元和关联因素计算单元；
所述关联因素提取单元，用于根据历史的客流检测与调查数据，结合数据实时获取的条件，提取出路网大客流发生和发展的关联因素；
所述关联因素计算单元，用于利用检测到的行车和设备异常数据，并采样最近发生的乘客行程与流量数据，利用统计与预测方法，计算关联因素数值。
8.根据权利要求7所述的系统，其特征在于：
所述关联因素提取单元，具体用于建立备选因素集合，在备选因素集合的基础上根据可获得性对备选因素集合中的因素进行筛选，再根据相关性对备选因素集合中的因素进行筛选，所述备选因素包括：外部条件因素和客流流量相关因素，因素的可获得性筛选考虑不同时空上的因素数值在计算之前关联数据是否能够获得，因素的相关性筛选分为两种，一种根据相关性指数进行计算，一种以神经网络黑箱的方式，将因素大客流的发生作为网络输出，判断其可预测性，如预测精度到达指定数值，则表示该组因素与大客流相关。
9.根据权利要求7所述的系统，其特征在于：
所述关联因素计算单元，具体用于当关联因素为外部事件类，则做关联因素的输入数字化处理；当关联因素为流量类，则当流量发生的时间发生在检测时间点之前，使用检测统计的方式计算，当流量发生的时间发生在检测时间点之后，使用预测单元预测；当关联因素为行程类别，则根据AFC和实际列车运行图进行统计。
10.根据权利要求1所述的系统，其特征在于，所述数据管理服务器包括数据融合单元、分布式数据存储单元和分布式数据计算单元。
所述数据融合单元，用于对历史多源数据和实时采集数据分别进行融合处理；
所述分布式数据存储单元，用于包括分布式数据库，该分布式数据库中存储的内容包括：路网基础数据、调查数据、客流检测数据、异常事件数据、关联因素数据、系统配置与参数数据和客流动态预警数据；
所述分布式数据计算单元，用于以分布式数据计算软件为平台，进行路网大客流风险预警服务器与大客流风险因素计算服务器计算所需的基础统计计算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011387181.XA CN112365092A (zh) | 2020-12-01 | 2020-12-01 | 城市轨道交通路网大客流风险自适应预警系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011387181.XA CN112365092A (zh) | 2020-12-01 | 2020-12-01 | 城市轨道交通路网大客流风险自适应预警系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112365092A true CN112365092A (zh) | 2021-02-12 |
Family
ID=74536926
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011387181.XA Pending CN112365092A (zh) | 2020-12-01 | 2020-12-01 | 城市轨道交通路网大客流风险自适应预警系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112365092A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112950011A (zh) * | 2021-02-20 | 2021-06-11 | 北京交通大学 | 轨道交通系统风险链分析方法和装置 |
| CN116128274A (zh) * | 2021-11-11 | 2023-05-16 | 北京轨道交通路网管理有限公司 | 数据分析系统及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016045195A1 (zh) * | 2014-09-22 | 2016-03-31 | 北京交通大学 | 一种城轨路网客流估算方法 |
| CN108960532A (zh) * | 2018-08-01 | 2018-12-07 | 北京交通大学 | 一种车站实时客流状态预测与预警系统及方法 |
| CN110222924A (zh) * | 2019-04-25 | 2019-09-10 | 北京交通大学 | 多方式的城市轨道交通车站客流控制系统及控制方法 |
| CN110400462A (zh) * | 2019-07-26 | 2019-11-01 | 中国安全生产科学研究院 | 基于模糊理论的轨道交通客流监测预警方法及其系统 |
-
2020
- 2020-12-01 CN CN202011387181.XA patent/CN112365092A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016045195A1 (zh) * | 2014-09-22 | 2016-03-31 | 北京交通大学 | 一种城轨路网客流估算方法 |
| CN108960532A (zh) * | 2018-08-01 | 2018-12-07 | 北京交通大学 | 一种车站实时客流状态预测与预警系统及方法 |
| CN110222924A (zh) * | 2019-04-25 | 2019-09-10 | 北京交通大学 | 多方式的城市轨道交通车站客流控制系统及控制方法 |
| CN110400462A (zh) * | 2019-07-26 | 2019-11-01 | 中国安全生产科学研究院 | 基于模糊理论的轨道交通客流监测预警方法及其系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112950011A (zh) * | 2021-02-20 | 2021-06-11 | 北京交通大学 | 轨道交通系统风险链分析方法和装置 |
| CN116128274A (zh) * | 2021-11-11 | 2023-05-16 | 北京轨道交通路网管理有限公司 | 数据分析系统及方法 |
| CN116128274B (zh) * | 2021-11-11 | 2023-09-26 | 北京轨道交通路网管理有限公司 | 数据分析系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| El-Diraby et al. | Linking social, semantic and sentiment analyses to support modeling transit customers’ satisfaction: Towards formal study of opinion dynamics | |
| CN108242149B (zh) | 一种基于交通数据的大数据分析方法 | |
| US20200043324A1 (en) | Method for obtaining road condition information, apparatus thereof, and storage medium | |
| CN112365092A (zh) | 城市轨道交通路网大客流风险自适应预警系统 | |
| CN112687401B (zh) | 聚集风险确定方法及装置、计算机可读介质及电子设备 | |
| CN114743401B (zh) | 一种基于公交数字化转型的数据可视化公交调度管理平台 | |
| CN112530163B (zh) | 交通事故预测方法、装置、电子设备及存储介质 | |
| CN105721194A (zh) | 移动网故障隐患智能定位系统 | |
| CN113988476A (zh) | 一种针对道路运输安全风险的动态评估预测方法 | |
| CN113345229B (zh) | 基于联邦学习的道路预警方法及其相关设备 | |
| CN111539864A (zh) | 一种基于lbs大数据的踩踏事件的情报分析方法和装置 | |
| CN111062562A (zh) | 一种社区网格服务联动处置控制方法及系统 | |
| CN111445369A (zh) | 基于lbs大数据的城市大型聚集活动情报预警方法和装置 | |
| Ma et al. | Public transportation big data mining and analysis | |
| CN114596709B (zh) | 数据处理方法、装置、设备以及存储介质 | |
| CN113672643B (zh) | 一种业务数字化的分析方法、装置、存储介质及终端 | |
| CN113177780A (zh) | 一种数据处理方法、装置、网络设备及可读存储介质 | |
| CN113254761A (zh) | 特定行为信息智能预警系统及方法 | |
| CN112837201A (zh) | 一种精准数据驱动的资源配置智能化系统 | |
| US20220171969A1 (en) | Sentiment analysis for situational awareness | |
| CN113947260A (zh) | 用户满意度预测方法、装置及电子设备 | |
| CN116582452B (zh) | 流量分类方法、装置、设备及介质 | |
| CN113570846B (zh) | 一种交通警情态势分析研判方法、设备及可读存储介质 | |
| CN115345247B (zh) | 模型训练和公路轴载确定方法、装置、设备及介质 | |
| CN115345465B (zh) | 一种基于基层治理事件的多色层级管理方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210212 |