CN112365130B - 轨道交通一体化智能控制调度系统 - Google Patents
轨道交通一体化智能控制调度系统 Download PDFInfo
- Publication number
- CN112365130B CN112365130B CN202011132607.7A CN202011132607A CN112365130B CN 112365130 B CN112365130 B CN 112365130B CN 202011132607 A CN202011132607 A CN 202011132607A CN 112365130 B CN112365130 B CN 112365130B
- Authority
- CN
- China
- Prior art keywords
- module
- train
- train carriage
- data
- display module
- 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
- 238000001514 detection method Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000006698 induction Effects 0.000 claims abstract description 14
- 239000003570 air Substances 0.000 claims description 37
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 23
- 230000003068 static effect Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 10
- 238000005311 autocorrelation function Methods 0.000 claims description 9
- 238000005286 illumination Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000002834 transmittance Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 230000006641 stabilisation Effects 0.000 claims description 4
- 238000011105 stabilization Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000001816 cooling Methods 0.000 claims description 3
- 239000012080 ambient air Substances 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 16
- 238000011176 pooling Methods 0.000 description 25
- 238000012549 training Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 239000011521 glass Substances 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000003062 neural network model Methods 0.000 description 9
- 238000005336 cracking Methods 0.000 description 8
- 238000013507 mapping Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000004397 blinking Effects 0.000 description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 description 3
- 239000001569 carbon dioxide Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000003750 conditioning effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241001123248 Arma Species 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001744 unit root test Methods 0.000 description 1
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
- G06Q10/06—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/14—Digital output to display device ; Cooperation and interconnection of the display device with other functional units
- G06F3/1423—Digital output to display device ; Cooperation and interconnection of the display device with other functional units controlling a plurality of local displays, e.g. CRT and flat panel display
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Human Computer Interaction (AREA)
- Primary Health Care (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
一种轨道交通一体化智能控制调度系统,包括车内显示模块、车外显示模块、站台显示模块以及客流量诱导系统、显示内容检测系统和列车车厢环境调整系统。客流量诱导系统、显示内容检测系统以及列车车厢环境调整系统的配合不但提供了乘客选择车厢的数据基础,同时也保证了车厢内环境的质量,进而智能化的提高了列车运行过程中的良好运营环境。
Description
技术领域
本申请涉及轨道交通调度技术领域,尤其是涉及轨道交通一体化智能控制调度系统。
背景技术
轨道交通作为公共交通的重要组成部分,近年来发展迅速,极大的缓解了城市交通的压力,为建设建成资源节约型、环境友好型社会做出了贡献。
然而,随着轨道交通所承担的流动人员数量越来越多,其所承担的社会责任也就越来越重要,一方面要确保轨道交通的稳定运行,另一方面要保证轨道交通良好的公共环境,从而对轨道交通的运营环境提出了越来越高的要求。
发明内容
为了提供轨道交通一个良好的运营环境,本申请目的是提供一种轨道交通一体化智能控制调度系统。
本申请的上述申请目的一是通过以下技术方案得以实现的:
一种轨道交通一体化智能控制调度系统,包括车内显示模块、车外显示模块、站台显示模块以及
客流量诱导系统,用于获取列车车厢当前乘车人数、当前候车人数以及预下车人数,依据所述当前乘车人数、当前候车人数以及预下车人数预测列车车厢离站时的客流拥挤度,并将所述客流拥挤度通过所述车内显示模块、车外显示模块、站台显示模块和/或移动端进行可视化显示;
显示内容检测系统,用于检测所述车内显示模块、车外显示模块和站台显示模块上的显示内容与输出到车内显示模块、车外显示模块、站台显示模块的显示内容是否一致,并在不一致时进行报警;和
列车车厢环境调整系统,用于获取列车车厢环境数据以及列车车厢外环境数据,并依据列车车厢内环境数据以及列车车厢外环境数据对列车车厢内环境数据进行调整;
所述车内环境数据至少包括环境光数据、环境温度数据以及环境空气质量数据。
通过采用上述技术方案,客流量诱导系统可实现对列车每一车厢的客流拥挤度的显示,提供乘客乘坐列车时选择列车车厢的数据基础;显示内容检测模块可实现对车内显示模块、车外显示模块及站台显示模块显示内容的检测,当显示内容有误时进行报警,保证了乘客乘车过程中所见显示模块显示内容的准确性;列车车厢环境调整系统实现了对列车运行过程中车厢环境的自动调节。客流量诱导系统、显示内容检测系统以及列车车厢环境调整系统的配合不但提供了乘客选择车厢的数据基础,同时也保证了车厢内环境的质量,进而智能化的提高了列车运行过程中的良好运营环境。
在一个优选的示例中,所述客流量诱导系统包括:
第一接收模块,用于接收第一图像采集装置在列车进入车站前预设时间内采集的该列车车厢内的第一乘客图像信息;
第一获取模块,用于通过基于多层神经网络的目标检测算法对所述第一乘客图像信息进行目标检测,获取该列车车厢的当前乘车人数;
第二接收模块,用于接收第二图像采集装置在列车进入车站前预设时间内采集的该列车车厢对应的站台候车区的第二乘客图像信息;
第二获取模块,用于通过基于多层神经网络的目标检测算法对所述第二乘客图像信息进行目标检测,获取该列车车厢的当前候车人数;
第一预测模块,用于获取历史数据采集装置采集的该列车车厢在该车站的同一时间段的历史下车数据,并根据所述历史下车数据预测该列车车厢在该车站同一时段的预下车人数;
第二预测模块,用于根据所述当前乘车人数、所述当前候车人数以及预测的预下车人数预测该列车车厢离开该车站时的客流拥挤度;以及
输出模块,用于输出该列车车厢离开该车站时的客流拥挤度至车内显示模块、车外显示模块、站台显示模块、移动端中的一种或多种进行可视化显示。
通过采用上述技术方案,以多层神经网络的目标检测算法计算列车到站前的当前乘车认书以及当前候车人数,并结合历史下车预测的下车认书,可以准确预测列车车厢离开车站时的客流拥挤度,使候车乘客以及车厢内的乘坐乘客都能够预知车厢离站时的客流拥挤情况,便于诱导候车乘客及乘车乘客选择合适的乘车位置,减少候车乘客等车时间过长或错过列车以及乘车乘客长时间找不到座位等情况的发生,提升乘客的乘车服务体验,同时也可以使得车厢资源使用均衡,提升列车的运载能力。
在一个优选的示例中,所述第一预测模块预测所述预下车人数的方式为:根据所述历史下车数据,生成时间序列数据,通过ARIMA模型对该列车车厢在该车站同一时段的下车人数进行预测。
通过采用上述技术方案,历史下车人数为动态数据,ARIMA模型揭示了动态数据的统计特性和产生此动态数据的系统的动态特性,从而揭示了未来下车人数的动态特性,对该列车车厢在该车站同一时间段的下车人数进行预测。
在一个优选的示例中,所述根据所述历史下车数据,生成时间序列数据,通过ARIMA模型对该列车车厢在该车站同一时段的下车人数进行预测,包括:
对所述时间序列数据进行平稳化处理,得到平稳时间序列数据;
利用所述平稳时间序列数据的自相关函数和偏自相关函数选择适当的模型阶数;
采用最小二乘法对ARIMA模型进行参数估计,得到参数估计值;
对ARIMA模型进行检验,确定最优ARIMA模型;
利用最优ARIMA模型对该列车车厢在该车站同一时段的下车人数进行预测。
通过采用上述技术方案,对时间序列数据进行平稳化处理,对ARIMA模型进行识别、估计、检测,选择误差最小的最优模型,使下车人数预测结果更准确。
在一个优选的示例中,所述显示内容检测系统包括:
第一截取模块,获得视频流;
第一编码模块,生成与所述视频流对应的第一特征编码并对第一特征编码进行编译,得到第一编码图形流,第一编码图形流包括静态图像信息,在第一编码图形流对应的时间序列上,相邻的静态图像信息时间段之间具有无图像时间段;
通讯模块,将第一编码图形流插入到与之对应的视频流中输出;
第二截取模块,获得与第一编码图形流经过显示后的图形流对应的第二特征编码;以及
视频对比模块,将第二特征编码与第一特征编码流进行对比并输出对比结果。
通过采用上述技术方案,根据播放的视频流同步生成第一特征编码,然后将第一特征编码编译成第一编码图形流插入到该视频流中,然后将视频流发送到指定的设备进行播放,同时对播放出来的第一编码图形流进行采集和反编译,得到第二特征编码,将第二特征编码和第一特征编码进行对比,对比结果一致说明正在播放的视频流正常,对比结果不一致说明正在播放的视频流异常,这种方式通过在需要播放的视频流中插入验证信息并对验证信息进行采集后与原验证信息进行比对的方式进行验证,能够对播放中的视频流进行快速识别,并且在第一编码图形流中插入了无图像时间段,增加了第一编码图形流的复杂性,复杂性增加后第一编码图形流被破解的难度增大,相应的安全性也会增加。
在一个优选的示例中,还包括第二编码模块;
在第一编码图形流对应的时间序列上,第二编码模块用于在相邻的静态图像信息时间段之间插入长度相等或不等的无图像时间段。
通过采用上述技术方案,在第一编码图形流中插入了时间长度不等的无图像时间段,增加了第一编码图形流的复杂性,复杂性增加后第一编码图形流被破解的难度增大,相应的安全性也会增加。
在一个优选的示例中,还包括第三编码模块;
在第一编码图形流对应的时间序列上,第三编码模块用于调整静态图像信息时间段的长度。
通过采用上述技术方案,在第一编码图形流中插入了时间长度不等的静态图像信息时间段,增加了第一编码图形流的复杂性,复杂性增加后第一编码图形流被破解的难度增大,相应的安全性也会增加。
在一个优选的示例中,所述车内显示模块包括OLED车窗显示屏、贯通道显示屏以及车门显示屏中的一种或多种。
在一个优选的示例中,所述列车车厢环境调整系统包括:
环境光调节模块,用于获取列车外环境光数据,并依据所述环境光数据判断列车车厢是否进入黑暗区域;若否,则改变列车车窗透光度,以降低列车外环境光对列车内环境光的影响,所述黑暗区域为列车外环境光强度低于预设的最低光照强度阈值的区域;
温度调节模块,用于获取列车车厢内的温度和列车车厢外的温度,当列车车厢外的温度大于列车车厢内的温度且大于温度阈值时,计算温差,当温差大于预设温差阈值且车门打开时,输出降温控制信号,以降低列车车厢的预设温度持续预设时间;
空气质量调节模块,用于获取列车车厢内的空气质量数据,当所述空气质量数据大于预设空气质量阈值时,输出新风增加信号,以提高列车车厢内新风系统的空气流速。
通过采用上述技术方案,当列车进入黑暗区域时,通过改变列车车窗的透光度,降低列车外环境光对列车内环境光的影响,从而避免了列车由黑暗区域进入强光区域而造成的列车内光线的较大突变;温度调节模块的设置可以减小车门打开时对列车车厢内温度的影响;空气质量调节模块的设置提高了列车车厢内空气质量的安全性。环境光调节模块、温度调节模块和空气质量调节模块的设置可保证列车车厢内环境保持在一个恒定的状态,从而提高乘客乘坐列车的体验。
综上所述,本申请包括以下至少一种有益技术效果:
1.对多层神经网络模型进行训练,使模型误差最小化,从而更准确地检测乘客目标;
2.根据播放的视频流同步生成第一特征编码,然后将第一特征编码编译成第一编码图形流插入到该视频流中,然后将视频流发送到指定的设备进行播放,同时对播放出来的第一编码图形流进行采集和反编译,得到第二特征编码,将第二特征编码和第一特征编码进行对比,对比结果一致说明正在播放的视频流正常,对比结果不一致说明正在播放的视频流异常,这种方式通过在需要播放的视频流中插入验证信息并对验证信息进行采集后与原验证信息进行比对的方式进行验证,能够对播放中的视频流进行快速识别,并且在第一编码图形流中插入了无图像时间段,增加了第一编码图形流的复杂性,复杂性增加后第一编码图形流被破解的难度增大,相应的安全性也会增加。
3. 在第一编码图形流中插入了时间长度不等的静态图像信息时间段,增加了第一编码图形流的复杂性,复杂性增加后第一编码图形流被破解的难度增大,相应的安全性也会增加。
4. 在第一编码图形流中插入了时间长度不等的无图像时间段,增加了第一编码图形流的复杂性,复杂性增加后第一编码图形流被破解的难度增大,相应的安全性也会增加。
附图说明
图1是本申请其中轨道交通一体化智能控制调度系统的系统图。
图2是本申请其中客流量诱导系统的系统图。
图3是本申请其中显示内容检测系统的系统图。
图4是本申请实施例提供的一些第一编码图形流的示意图。
图5是本申请实施例提供的另一些第一编码图形流的示意图。
图6是本申请实施例提供的一种视频流与插入到视频流中的第一编码图形流的显示示意图。
图7是本申请实施例提供的另一种视频流与插入到视频流中的第一编码图形流的显示示意图。
图8是本申请实施例提供的再一种视频流与插入到视频流中的第一编码图形流的显示示意图。
图9是本申请实施例中列车车厢环境调整系统的系统图。
图10是本申请实施例中环境光调节模块的系统图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
下面结合说明书附图对本申请实施例作进一步详细描述。
参照图1,本申请实施例提供一种轨道交通一体化智能控制调度系统,包括车内显示模块、车外显示模块、站台显示模块以及客流量诱导系统、显示内容检测系统和列车车厢环境调整系统。该只能控制调度系统通过车内显示模块、车外显示模块以及站台显示模块配合显示内容的检测以及对列车车厢预测的拥挤度数据实现对列车乘客的智能诱导,同时配合列车车厢环境的调整,以提供列车良好的运营环境,为列车的良好运行提供保障。
参照图2,客流量诱导系统,用于获取列车车厢当前乘车人数、当前候车人数以及预下车人数,依据所述当前乘车人数、当前候车人数以及预下车人数预测列车车厢离站时的客流拥挤度,并将客流拥挤度通过所述车内显示模块、车外显示模块、站台显示模块和/或移动端进行可视化显示。客流量诱导系统包括:
第一接收模块,用于接收第一图像采集装置在列车进入车站前预设时间内采集的该列车车厢内的第一乘客图像信息;
第一获取模块,用于通过基于多层神经网络的目标检测算法对所述第一乘客图像信息进行目标检测,获取该列车车厢的当前乘车人数;
第二接收模块,用于接收第二图像采集装置在列车进入车站前预设时间内采集的该列车车厢对应的站台候车区的第二乘客图像信息;
第二获取模块,用于通过基于多层神经网络的目标检测算法对所述第二乘客图像信息进行目标检测,获取该列车车厢的当前候车人数;
第一预测模块,用于获取历史数据采集装置采集的该列车车厢在该车站的同一时间段的历史下车数据,并根据所述历史下车数据预测该列车车厢在该车站同一时段的预下车人数;
第二预测模块,用于根据所述当前乘车人数、所述当前候车人数以及预测的预下车人数预测该列车车厢离开该车站时的客流拥挤度;以及
输出模块,用于输出该列车车厢离开该车站时的客流拥挤度至车内显示模块、车外显示模块、站台显示模块、移动端中的一种或多种进行可视化显示。
第一图像采集装置可以为摄像头,每个列车车厢内可设置多个摄像头。在列车进入车站前预设时间内,例如在进入车站前一分钟,多个摄像头将多角度拍摄的第一乘客图像信息通过无线通信网络(例如UWB通信网络)实时传送至第一接收模块。
可选的,第一获取模块,具体用于构建多层神经网络模型;对乘客标志样本集进行训练,得到训练好的多层神经网络模型;利用训练好的多层神经网络模型对第一乘客图像信息进行目标检测,得到当前乘车人数。
具体的,多层神经网络模型包括输入层、隐藏层和输出层。其中,隐藏层将输入数据的特征抽象到另一个维度空间,来展现其更抽象化的特征,其包括卷积层、池化层和全连接层。卷积层通过卷积操作对输入图像进行降维和特征抽取,但是特征图像的维数还是很高,而且计算耗时,容易导致过拟合。为此引入pooling即池化操作,池化层进行进一步降维,可以缩减模型大小,提高计算速度,降低过拟合概率。全连接层可以把前面所有有用的特征信息提取整合,但是也可以不用全连接层,全连接层的作用可由卷积操作实现。
常规目标检测中需要生产大量的候选框,满足与每个真值有足够高的交并比值。同时,候选框与真值是不匹配的,不利于边界框的分类任务。为了解决候选框的缺点,会选择检测一组关键点来检测目标方法,进而移除候选框。但由于其缺乏对目标全局信息的参考,仍然具有局限性。同时,每个目标由一组关键点组成,算法对边界框比较敏感,无法确定哪组关键点属于同一个目标物。列车车厢环境较为特殊,空间比较狭窄,乘客分布范围广,人员集中且会有较多遮挡,这对于乘客目标检测带来很多困难。因此,边缘计算设备采取了新式目标检测算法,实现对于区域范围内的乘客目标识别。
在隐藏层后面加一个Cascade corner pooling分支,Cascade corner pooling增加原始的corner pooling感知内部信息的功能,结合了feature map中目标内部的响应值的最大值和边界方向的响应值的最大值相加来预测角点。一般情况下,角点位于物体外部,所处位置并不含有关联物体的语义信息,这为角点的检测带来了困难。传统做法被称为corner pooling,它提取物体边界最大值并相加,该方法只能提供关联物体边缘语义信息,对于更加丰富的物体内部语义信息则很难提取到。而Cascade corner pooling 首先提取物体边界最大值,然后在边界最大值处继续向内部提取提最大值,并与边界最大值相加,以此给角点特征提供更加丰富的关联物体语义信息。Cascade corner pooling可通过不同方向上的cascade corner pooling的组合实现。左上角点通过cascade top corner pooling和cascade left corner pooling串联实现,同理,右下角点通过cascade right cornerpooling和cascade bottom corner pooling串联实现。
利用Cascade corner pooling预测到m对角点,分别得到每个角点的CornerHeatmaps、Embeddings(嵌入)和Offsets(位置偏移)。其中,Corner Heatmaps即左上角的热图和右下角的热图,表示不同类别的角点的位置,并且每个角点得到一个置信得分。
选取置信得分大于置信得分阈值的前k对角点,使用对应的Offsets将前k对角点重新映射到输入图像,其中,k<m且k,m均为正整数。
分别判断前k对角点中每对角点的embedding向量的距离是否小于距离阈值,若是,则判定该对角点来自同一目标,一对角点即一个左上角点和一个右下角点构成了一个候选框,产生的候选框的置信分是角点对的平均分。
在卷积骨干网后面加一个Center pooling分支。通过提取中心位置的横向响应值的最大值与纵向响应值的最大值相加实现。一个物体的中心并不一定含有很强的,易于区分于其他类别的语义信息。例如,一个人的头部含有很强的,易区分于其他类别的语义信息,但是其中心往往位于人的中部。center pooling提取中心点水平方向和垂直方向的最大值并相加,以此给中心关键点提供所处位置以外的信息,使中心关键点有机会获得更易于区分于其他类别的语义信息。Center pooling 可通过不同方向上的 corner pooling的组合实现。一个水平方向上的取最大值可由 left pooling 和 right pooling通过串联实现,同理,一个垂直方向上的取最大值可由 top pooling 和 bottom pooling通过串联实现。
利用Center pooling预测到m个中心关键点,得到每个中心关键点的CenterHeatmaps、Embeddings和Offsets。
选取置信得分大于置信得分阈值的前k个中心关键点,使用对应的Offsets将前k个中心关键点重新映射到输入图像。
分别判断每个候选框的中心区域内是否含有与该候选框相同类别的中心关键点,若是,则利用该候选框的一对角点(左上角点、右下角点)和中心关键点的置信得分的平均值更新该候选框的置信得分,并保存该候选框;否则移除该候选框。最终获得目标准确的候选框。
其中,根据候选框的大小自适应调整的中心区域的大小。对于大的候选框,中心区域要小,反之则需要大一些的候选框。
中心区域涉及到候选框的左上角点和右下角点,所以假设候选框的左上角点坐标为(tlx,tly),右下角点坐标为(brx,bry),则中心区域左上角点(ctlx,ctly)和右下角点(cbrx,cbry)的坐标可以用如下公式表示::
其中,候选框的中心区域相对于候选框来说尺寸会有所缩小,n表示为缩小倍数。
对于正确的候选框,也就是检测到乘客目标的候选框可以作为正样本训练,对于未检测到乘客目标的候选框可以作为负样本训练,尽量保持正负样本的比例平衡。
乘客标志样本集可以由历史采集的列车车厢内的第一乘客图像信息构成。通常情况下,需要构建预训练模型进行预训练,提前得到一些初始化的参数,这个参数不是随机的,而是通过其他类似数据集上面学得的,然后再用列车乘客数据集进行学习,得到适合列车乘客数据集的参数。如果需要预训练的话,则需要考虑到预训练模型的特征提取网络,但是本发明整个检测网络的训练是从头开始的,并不需要基于预训练得到初始化的参数,所以能够自由设计特征提取网络,不用受预训练模型的限制。
模型的训练就是调整模型的参数,优化模型的损失函数,使模型的误差最小的过程,所以需要先设计损失函数。
focal loss主要是为了解决目标检测中正负样本比例严重失衡的问题,该损失函数降低了大量简单负样本在训练中所占的权重。
角点在Headmaps预测的损失函数,整体上是改良版的focal loss:
其中, C表示检测点类别的数量,p_cij表示类别c在 (i, j) 位置的值,y_cij表示对应的ground truth,N是图像中的目标数,α和β表示参数。
中心关键点在Headmaps预测的损失函数参考角点,在此不再赘述。
y_cij=1时的损失函数就是focal loss,α参数用来控制难易分类样本的损失权重,y_cij等于其他值时,表示(i,j)位置的点不是类别c的目标角点,按理说此时y_cij应该是0(大部分算法都是这样处理的),但是这里y_cij不是0,而是距离ground truth比较近的(i,j) 位置的点的y_cij值接近1,所以靠近ground truth的角点组成的预测框仍会和ground truth有较大的重叠面积,所以对于这部分角点,通过β参数控制对不同的负样本角点用不同的权重,这是和focal loss的差别。
Offsets是检测点的位置偏移。以角点的Offsets为例,使用下采样方法即缩小图像,输出尺寸小于原始图像尺寸,假设下采样因子为n,图像中(x, y)位置的角点k映射到Heatmaps的 ([x/n], [y/n])位置,并输出角点k的值。在这个过程中,检测点的输出值不一定是整数,这时需要进行取整计算,即四舍五入,但是取整计算会导致精度丢失,也就是检测点的位置会有所偏移,所以使用Offsets在角点映射回输入图像之前,轻微地调整其位置,使从Heatmaps重新映射到输入图像时更准确。用O_k表示角点k的位置偏移:
。
中心关键点的Offsets参考角点,在此不再赘述。
Embeddings用于确定左上角和右下角的一对角点是否来自同一个目标边界框。Embeddings产生每个角点的embedding向量,如果左上角和右下角的一对角点属于同一个目标,那么它们embedding向量之间的距离比较小。该部分的训练通过如下两个损失函数L_pull和L_push实现:
,
L_pull用于最小化属于同一目标的两个角点的embedding向量之间的距离,表示训练时将属于同一目标的两个角点组合到一起。
,
L_push用于最大化不属于同一目标的两个角点的embedding向量之间的距离,表示训练时将不属于同一目标的两个角点分离开来。
其中,N表示角点数,k表示角点k,角点k的坐标为(i,j),△为参数,通常设为1,e_tk表示左上角的特征向量,e_bk表示右下角的特征向量,e_k是e_tk和e_bk的均值。
所述第一获取模块利用训练好的多层神经网络模型对列车车厢内第一乘客图像信息进行目标检测,获取乘客目标的候选框,对候选框进行特征提取和分类,识别乘客标志,获取当前乘车人数。
可选的,还包括:修正模块,用于在通过基于多层神经网络的目标检测算法对所述第一乘客图像信息进行目标检测,获取该列车车厢的当前乘车人数之后,接收信息采集设备在列车进入车站前预设时间内采集的该列车车厢内乘客的移动设备的唯一标识信息;根据所述移动设备的唯一标识信息获取辅助乘车人数;利用所述辅助乘车人数对所述当前乘车人数进行修正。
车厢内设有信号采集设备,信号采集设备按照预设的采集时长和采集范围,采集列车车厢内乘客的所有移动设备的唯一标识信息。移动设备的唯一标识信息包括Andriod_ID和IDFA。Andriod_ID:是Andriod设备独有的ID,每一个新设备系统都会随机的分配一个Andriod_ID,为64位数字;IDFA:可以理解为广告id,apple公司提供的用于追踪用户的IOS设备广告标识符。将采集到的Andriod_ID和IDFA数量相加得到乘客移动设备数量,从而获取辅助乘车人数。利用辅助乘车人数对当前乘车人数进行修正的方法有两种,其一:设置第一权重和第二权重,当前乘车人数=当前乘车人数×第一权重+辅助乘车人数×第二权重;其二:用辅助乘车人数对当前乘车人数进行检验,例如,若当前乘车人数与辅助乘车人数相差不超过当前乘车人数的5%,则认为当前乘车人数准确。
可选的,第二接收模块可以为摄像头,每个站台候车区设置多个摄像头。在进入车站前预设时间内,例如在进入车站前一分钟,摄像头将多角度拍摄的第二乘客图像信息通过无线通信网络实时传送至该站台候车区对应的车厢内的第二获取模块。
第二获取模块,具体用于构建多层神经网络模型;对乘客标志样本集进行训练,得到训练好的多层神经网络模型;利用训练好的多层神经网络模型对第二乘客图像信息进行目标检测,得到当前候车人数。第二获取模块与第一获取模块所采用的目标测算方法类似,在此不再赘述。
可选的,第一预测模块,具体用于根据所述历史下车数据,生成时间序列数据,通过ARIMA模型对该列车车厢在该车站同一时段的下车人数进行预测。
可选的,第一预测模块,具体用于对所述时间序列数据进行平稳化处理,得到平稳时间序列数据;利用所述平稳时间序列数据的自相关函数和偏自相关函数选择适当的模型阶数;采用最小二乘法对ARIMA模型进行参数估计,得到参数估计值;对ARIMA模型进行检验,确定最优ARIMA模型;利用最优ARIMA模型对该列车车厢在该车站同一时段的下车人数进行预测。
在对所述时间序列数据进行平稳化处理时,首先采用ADF(Augmented Dickey-Fuller)单位根检验来判断数据的平稳性。通常可以画出时间序列的散点图或折线图,来对研究的时间序列进行大致的平稳性判断。对非平稳的时间序列,一般取对数处理或进行差分处理,然后判断修正后的数据序列的平稳性。若采取差分的形式,此时进行差分的次数就是ARIMA(p,d,q)模型中的阶数d。在差分运算过程中,阶数并不是越大越好,差分运算的过程是信息加工提取的过程,因此,一般差分次数不超过2次。时间序列数据被平稳化处理后,ARIMA(p,d,q)模型就转化为ARMA(p,q)模型。
利用平稳时间序列数据的自相关函数和偏自相关函数选择适当的模型阶数的方式为:采集的该列车车厢该列车车厢在该车站的同一时间段的历史下车数据,生成人数序列,绘制序列时序图和相关图,计算出人数序列的自相关系数和偏相关系数,选择适当的阶数p和q,对ARMA(p ,q)模型进行拟合。
对ARIMA模型进行检验,确定最优ARIMA模型包括:一是要验证所拟合的时间序列模型的参数估计值是否有显著性,参数估计值的显著性检验是通过t统计量完成的,二是对模型进行残差序列检验分析,残差序列检验通过Q统计量完成, 如果残差序列的自相关函数不显著非零,,即残差是随机正态分布的、不自相关的,认为残差序列为白噪声序列,模型有效,可以用于预测,否则重新选择模型的阶数p和q。
输入列车线路、站台、时间等数据后,即可得到列车车厢离开该车站时的下车人数,同时还可以加入天气、节假日参考因素,即增加对天气和节假日敏感的日数据。
可选的,第二预测模块,具体用于将所述当前乘车人数与所述当前候车人数相加后再减去预测的下车人数,得到该列车车厢离开该车站时的预测乘车人数;根据预测乘车人数预测该列车车厢的满载率;判断满载率所属的车厢承载阙值,预测该列车车厢离开该车站时的客流拥挤度。
其中,车厢承载阙值是预先设置的表示拥挤程度的满载率区间,例如满载率<30%、满载率30%-40%、满载率40%-50%、满载率>50%依次表示宽松、较宽松、较拥挤、拥挤。
可选的,输出模块,用于输出该列车车厢离开该车站时的客流拥挤度至车内显示模块、车外显示模块、站台显示模块、移动端中的一种或多种进行可视化显示。在列车进入车站前预设时间内,站台显示模块显示预测的即将进站的列车车厢在离开本站时的客流拥挤度,方便等候上车的乘客了解该列车车厢离开该车站时的客流拥挤度,选择合适的乘车位置;同时,车厢内乘客也可通过车内显示模块,如OLED车窗显示屏、车门显示屏及贯通道显示屏,获取预测的该列车车厢离开本站时的客流拥挤度信息,可以指引车厢内乘客前往可能比较宽松的车厢。同样的,本发明也支持在移动端,如手机,及列车司机屏幕显示预测的各车厢离开该车站时的客流拥挤度信息。
预测的列车车厢的客流拥挤度可以按照其所属的车厢承载阙值采用不同的颜色进行显示区分,还可以利用人形图案来显示各车厢的客流拥挤度,人形图案中的人数可以展示各车厢的拥挤程度。
输出模块将各列车车厢离开该车站时的客流拥挤度信息上传给一体化控制平台,一体化控制平台通过UWB无线通信网络与车内显示模块、车外显示模块、站台显示模块、移动端进行数据交互,上传预测的客流拥挤度信息,传输格式包括文字信息、图片、视频,对运营监控进行支持。
参照图3,显示内容检测系统,用于检测所述车内显示模块、车外显示模块和站台显示模块上的显示内容与输出到车内显示模块、车外显示模块、站台显示模块的显示内容是否一致,并在不一致时进行报警。显示内容检测系统包括:
第一截取模块,获得视频流;
第一编码模块,生成与所述视频流对应的第一特征编码并对第一特征编码进行编译,得到第一编码图形流,第一编码图形流包括静态图像信息,在第一编码图形流对应的时间序列上,相邻的静态图像信息时间段之间具有无图像时间段;
通讯模块,将第一编码图形流插入到与之对应的视频流中输出到车内显示模块、车外显示模块、站台显示模块中的一个或多个进行显示;
第二截取模块,获得与第一编码图形流经过显示后的图形流对应的第二特征编码;以及
视频对比模块,将第二特征编码与第一特征编码流进行对比并输出对比结果。
其中,第一特征编码为一串字符,这串字符可以使用二进制、十进制或者是数字和字母的混合排列,例如:
0100101001010101010101010010101001010100010110……;
4737533545365628475893562908493573452074507549……;或
FHISJGHDJF380FJDFJ87900DFSHF34848DSHFHEW8F789S……。
还应理解,第一特征编码可以是静态的,也可以是动态的。静态的第一特征编码就是一串具有特定排列顺序的字符,使用过程中这串字符被重复使用;动态的第一特征编码就是一串根据特定算法或者随机排列生成的字符,字符在时间序列上不断变化,很明显,动态的第一特征编码被破解的难度更高,安全性也会更高。
对于生成的第一特征编码而言,直接识别的难度和成本也是比较高的,因此需要进行二次编译,也就是根据第一特征编码来生成第一编码图形流,生成第一编码图形流能够插入到视频流内,和视频流同步输出并进行播放。
第一编码图形流由静态图像信息组成,在播放或者展示的时间序列上,将静态图像信息出现的时间段称为静态图像信息时间段,静态图像信息不出现的时间段称为无图像时间段,静态图像信息时间段和无图像时间段交替排列。
应当理解,对于播放或者展示而言,有图像时是有颜色的,可以将此时的状态称之为“亮”,无图像是黑色的,可以将此时的状态称之为“暗”,因此第一编码图形流在播放或者展示的过程中,其对应的区域是闪烁的。
此处应理解,和直接的图像识别、二维码识别或者颜色识别相比,采集“亮”和“暗”的难度明显是更低的。
在一些可能的实现方式中,可以根据该区域的闪烁频率来进行解析,请参阅图4中的(a)、(b)和(c),图中表示了显示区域的闪烁状态,可以看出,闪烁状态是可以进行调整的,如果将“亮”的状态记为1,将“暗”的状态记为0。
可行的,在一个单位时间长度上,有“亮”的状态就记为1,没有“亮”的状态就记为0。
那么可以得到一个连续的字符串,如下:
0100101001010101010101010010101001010100010110……
解析时,可以选择固定的位数为一组,例如三位数字为一组,得到如下内容:
010,010,100,101……
根据二进制的规则,010对应的是十进制中的2,100对应的是十进制中的4,101对应的是十进制中的5,这样就可以得到一串十进制数字。
分组可以三位数字为一组,也可以四位数字为一组,当然,按照另外特定的规则进行分组也是可以的。
此外,得到的这串十进制数字也可以按照一定的规则进行分组,得到如下内容:
34345734535790894845023950……
然后可以根据映射关系得到一串字符,这样可以进一步增加破解的难度,例如以一位或者多位数字为一组,根据映射关系对应字母和特殊字符等,通过规则和映射关系,可以对特征编码进行加密和解密,用于保证其安全性。
可行的,在一个单位时间长度上,有“亮”的状态就记为1,并记录亮的次数。
那么可以得到一个连续的字符串,如下:
064586757823945375950……
然后根据映射关系就能够得到与其对应的特征编码,该步骤与上述内容相同,此处不再赘述。
应当理解,将特征编码编译成一端闪烁的视频流播放和将这段闪烁的视频流解析称为一段特定的编码,这两个过程在实质上是相同的,区别在于一个是正向的,一个是反向的。
第一编码图形流经过播放后,其对应的显示区域是闪烁的,因此对区域进行数据采集后能够生成一段数据流,对该数据流进行解析后,根据映射关系就能够得到一段特征码,此处将该特征码称为第二特征编码。
将第二特征编码与第一特征编码流进行比对,如果播放的视频流就是第一截取模块获得的视频流,那么第一特征编码与第二特征编码应当是一致的,因为二者遵循同一个规则,如果播放的视频流不是第一截取模块获得的视频流,那么第一特征编码与第二特征编码的比对结果是不一致的,对比结果不一致说明显示内容出现了错误,需要立即采取相应的措施进行处理。
作为本申请提供的轨道交通用显示内容识别方法的一种具体实施方式,还包括有第三编码模块,请参阅图5中的(d),第三编码模块与第一编码模块连接,用于对时间序列上第一编码图形流中静态图像信息时间段的长度进行了调整,单位时间长度上,长度时间不等的静态图像信息时间段的数量为两个及以上,这样增加了时间参数作为补充,明显能够增加特征编码的破解难度。具体的,第三编码模块输出一占比信号,占比信号的数值与静态图像信息时间段与相邻的非静态图像信息时间段的长度之比对应,第一编码模块依据占比信号配置每一静态图像信息时间段的长度。
当然,代表的信息也可以为其他,具体可以根据编码和映射关系进行确定。
请参阅图5中的(e),作为申请提供的轨道交通用显示内容识别方法的一种具体实施方式,对时间序列上第一编码图形流中无图像时间段的长度进行了调整,单位时间长度上,长度时间不等的静态图像信息时间段的数量为两个及以上,这样增加了时间参数作为补充,静态图像信息时间段的长度时间改变后,明显能够增加特征编码的破解难度。
当然,代表的信息也可以为其他,具体可以根据编码和映射关系进行确定。
另外,请参阅图5中的(f),对于特征编码而言,同时对静态图像信息时间段和无图像时间段在时间序列上的长度进行调整也是可以的,这样可以进一步增加特征编码的安全性,降低被破解的可能。
请参阅图6和图7,图中的实线框代表视频流的显示区域,实心区域代表了第一编码图形流的显示区域,作为申请提供的轨道交通用显示内容识别方法的一种具体实施方式,将第一编码图形流位于对应视频流的显示区域的边缘处,这样可以提高观看的舒适性。应当理解,第一截取模块获得的视频流是要有接受者的,例如在车站内,接受者是站内的旅客,在商场内,接受者是商场内的顾客。还应理解,第一编码图形流在播放过程中,其对应的区域是闪烁的,会影响接受者的正常观看,因此将其转移到显示区域的边缘处能够,明显提高观看的舒适性。
请参阅图8,图中的实线框代表视频流的显示区域,实心区域代表了第一编码图形流的显示区域,进一步地,将第一编码图形流位于对应视频流的显示区域的相邻边缘的交界处,也就是显示区域的边角处。
应当理解,在车站或者商场这些公共场合,播放的信息或者应当是受到管理的,不能随意进行播放,因此在对其内容进行识别的过程中,如果发现实际播出内容与需要播出的内容,也就是第一截取模块获取的视频流不一致时,应当理解采取措施,因此作为申请提供的轨道交通用显示内容识别方法的一种具体实施方式,当第二编码图形流与第一编码图形流的比对结果不一致时,触发处置条件。
处置条件是针对于播放出来的视频进行的设置,实际播放出来的视频有以下几种情况:
第一种情况:实际播放出来的视频是第一截取模块获取的视频流,此时说明播放正常,不需要进行处置;
第二种情况,实际播放出来的视频不是第一截取模块获取的视频流,此时说明播放异常,需要进行处置;
当然以下几种情况也会造成播放异常:
第一种:显示区域内没有显示内容,显示区域始终处于无图像状态,可能是屏幕关闭、设备关闭或者线路损坏等;
第二种:显示区域内没有显示内容,显示区域始终处于一个固定图像状态,可能是设备损坏或者线路损坏等。
不论是上述哪一种情况,都会被判断为显示内容异常。对应的处置条件也有多种,例如发出警示信息、播放默认视频流、跳过正在送出的视频流、停止视频流送出或者关闭显示终端等。
在一些可能的实施方式中,播放异常时使用播放默认视频流、跳过正在送出的视频流或者停止视频流送出等进行处置,显示区域处于无图像状态或者一个固定图像状态时,使用出警示信息等进行处置。
参照图9,列车车厢环境调整系统,用于获取列车车厢环境数据以及列车车厢外环境数据,并依据列车车厢内环境数据以及列车车厢外环境数据对列车车厢内环境数据进行调整。车内环境数据包括环境光数据、环境温度数据以及环境空气质量数据,列车车厢环境调整系统连接车内显示模块、车外显示模块、站台显示模块以及移动端,并将环境光数据、环境温度数据以及环境空气质量数据通过车内显示模块、车外显示模块、站台显示模块以及移动端中的一个或多个进行显示。
列车车厢环境调整系统包括:环境光调节模块、温度调节模块和空气质量模块。其中,列车车窗除OLED车窗显示屏外还包括有设置在OLED车窗显示屏外的调光层,调光层为调光玻璃,当输入到调光玻璃的电流增大时,调光玻璃的透光度降低,调光玻璃会减小列车外部光线对列车内光强的影响;当输入到调光玻璃的电流减小时,调光玻璃的透光度增大,列车外部光线对列车内光强的影响会增大。
环境光调节模块,用于获取列车外环境光数据,并依据所述环境光数据判断列车车厢是否进入黑暗区域;若否,则改变列车车窗透光度,以降低列车外环境光对列车内环境光的影响,所述黑暗区域为列车外环境光强度低于预设的最低光照强度阈值的区域。
参照图10,在一个示例中,环境光调节模块包括:
感光模块,获取列车外部环境的光照强度;
判断模块,用于判断列车车厢是否进入黑暗区域,黑暗区域为光照强度低于预设的最低光照强度阈值的区域;
调节模块,当车体进入黑暗区域时,不改变输入调光玻璃的电流大小。
当采用感光模块获取的光照强度作为车体是否进入黑暗区域依据时,判断模块用于判断列车外环境的光照强度是否在预设时间间隔内低于预设的最低光照强度阈值,若是,则判断为车体进入黑暗区域,则调节模块保持调光玻璃的初始电流输入,使得调光玻璃呈透明状态,当然,在其他实施例中,调光玻璃在初始电流输入状态下也可以为保持透光度很低的状态;若否,则判断为车体未进入黑暗区域,则调节模块增大调光玻璃的电流输入,从而降低列车车窗的透光度,减小列车外部光线对列车内光强的影响,当列车再次进入黑暗区域时,调节模块将调光玻璃的电流输入调回至初始电流输入。
在另一个示例中,判断模块判断车体进入是否黑暗区域的方法也可以根据车体的位置进行判断,具体为:获取车体的实时位置;判断实时位置是否位于黑暗区域所在位置;若是,则判断为车体进入黑暗区域。由于列车的行驶路线是固定的,因此隧道的位置即黑暗区域是也固定的,通过车体的实时位置,即可判断车体是否位于隧道,从而判断列车是否进入黑暗区域。列车的实时位置,可通过设置再列车车厢内的GPS定位装置获取。
再参照图9,温度调节模块,用于获取列车车厢内的温度和列车车厢外的温度,当列车车厢外的温度大于列车车厢内的温度且大于温度阈值时,计算温差,当温差大于预设温差阈值且车门打开时,输出降温控制信号至列车的空调系控制系统,以降低列车车厢空调系控制系统的预设温度持续预设时间。
一般温度阈值设置为较高的温度,如30℃,以夏天室外温度作为设置的基准。只有在室外温度较高的情况下,才需要对车厢内的温度进行降温,因此只有车厢外温度超过了温度阈值才会触发后续对冷风温度的降低调节。车门开启后,车厢外的热空气进入车厢内会加快车厢内温度升高,因此在车门开启时降低冷风温度,可削弱车厢内温度升高的趋势,而由于车门是在上下乘客时启闭的,因此降低冷风温度的时间只需是预设时间即可,预设时间为时长,避免调整过度。
空气质量调节模块,用于获取列车车厢内的空气质量数据,当所述空气质量数据大于预设空气质量阈值时,输出新风增加信号至列车车厢的新风系统,以提高列车车厢内新风系统的空气流速。
其中,空气质量数据至少包括二氧化碳浓度、PM2.5浓度和PM10浓度,当二氧化碳浓度大于二氧化碳浓度阈值或PM2.5浓度大于PM2.5浓度阈值或PM10浓度大于PM10浓度阈值时,控制新风系统的空气流速提高至预设流速。进一步的,空气质量数据还可以包括TVOC浓度,当TVOC浓度大于TVOC浓度阈值时,控制光等离子净化装置开启。本实施例中所概括的各种空气质量数据均通过设置在列车车厢内的相应传感器进行检测。
在列车运行过程中,客流量诱导系统可实现对列车每一车厢的客流拥挤度的显示,提供乘客乘坐列车时选择列车车厢的数据基础;显示内容检测模块可实现对车内显示模块、车外显示模块及站台显示模块显示内容的检测,当显示内容有误时进行报警,保证了乘客乘车过程中所见显示模块显示内容的准确性;列车车厢环境调整系统实现了对列车运行过程中车厢环境的自动调节。客流量诱导系统、显示内容检测系统以及列车车厢环境调整系统的配合不但提供了乘客选择车厢的数据基础,同时也保证了车厢内环境的质量,进而智能化的提高了列车运行过程中的良好运营环境。
本具体实施方式的实施例均为本申请的较佳实施例,并非依此限制本申请的保护范围,故:凡依本申请的结构、形状、原理所做的等效变化,均应涵盖于本申请的保护范围之内。
Claims (8)
1.一种轨道交通一体化智能控制调度系统,其特征在于,包括车内显示模块、车外显示模块、站台显示模块以及
客流量诱导系统,用于获取列车车厢当前乘车人数、当前候车人数以及预下车人数,依据所述当前乘车人数、当前候车人数以及预下车人数预测列车车厢离站时的客流拥挤度,并将所述客流拥挤度通过所述车内显示模块、车外显示模块、站台显示模块和/或移动端进行可视化显示;
显示内容检测系统,用于检测所述车内显示模块、车外显示模块和站台显示模块上的显示内容与输出到车内显示模块、车外显示模块、站台显示模块的显示内容是否一致,并在不一致时进行报警;和
列车车厢环境调整系统,用于获取列车车厢内环境数据以及列车车厢外环境数据,并依据列车车厢内环境数据以及列车车厢外环境数据对列车车厢内环境数据进行调整;
所述列车车厢内环境数据至少包括环境光数据、环境温度数据以及环境空气质量数据;
所述显示内容检测系统包括:
第一截取模块,获得视频流;
第一编码模块,生成与所述视频流对应的第一特征编码并对第一特征编码进行编译,得到第一编码图形流,第一编码图形流包括静态图像信息,在第一编码图形流对应的时间序列上,相邻的静态图像信息时间段之间具有无图像时间段;
通讯模块,将第一编码图形流插入到与之对应的视频流中输出;
第二截取模块,获得与第一编码图形流经过显示后的图形流对应的第二特征编码;以及
视频对比模块,将第二特征编码与第一特征编码流进行对比并输出对比结果。
2.根据权利要求1所述的一种轨道交通一体化智能控制调度系统,其特征在于,所述客流量诱导系统包括:
第一接收模块,用于接收第一图像采集装置在列车进入车站前预设时间内采集的该列车车厢内的第一乘客图像信息;
第一获取模块,用于通过基于多层神经网络的目标检测算法对所述第一乘客图像信息进行目标检测,获取该列车车厢的当前乘车人数;
第二接收模块,用于接收第二图像采集装置在列车进入车站前预设时间内采集的该列车车厢对应的站台候车区的第二乘客图像信息;
第二获取模块,用于通过基于多层神经网络的目标检测算法对所述第二乘客图像信息进行目标检测,获取该列车车厢的当前候车人数;
第一预测模块,用于获取历史数据采集装置采集的该列车车厢在该车站的同一时间段的历史下车数据,并根据所述历史下车数据预测该列车车厢在该车站同一时段的预下车人数;
第二预测模块,用于根据所述当前乘车人数、所述当前候车人数以及预测的预下车人数预测该列车车厢离开该车站时的客流拥挤度;以及
输出模块,用于输出该列车车厢离开该车站时的客流拥挤度至车内显示模块、车外显示模块、站台显示模块、移动端中的一种或多种进行可视化显示。
3.根据权利要求2所述的一种轨道交通一体化智能控制调度系统,其特征在于,所述第一预测模块预测所述预下车人数的方式为:根据所述历史下车数据,生成时间序列数据,通过ARIMA模型对该列车车厢在该车站同一时段的下车人数进行预测。
4.根据权利要求3所述的一种轨道交通一体化智能控制调度系统,其特征在于,所述根据所述历史下车数据,生成时间序列数据,通过ARIMA模型对该列车车厢在该车站同一时段的下车人数进行预测,包括:
对所述时间序列数据进行平稳化处理,得到平稳时间序列数据;
利用所述平稳时间序列数据的自相关函数和偏自相关函数选择适当的模型阶数;
采用最小二乘法对ARIMA模型进行参数估计,得到参数估计值;
对ARIMA模型进行检验,确定最优ARIMA模型;
利用最优ARIMA模型对该列车车厢在该车站同一时段的下车人数进行预测。
5.根据权利要求1所述的一种轨道交通一体化智能控制调度系统,其特征在于,还包括第二编码模块;
在第一编码图形流对应的时间序列上,第二编码模块用于在相邻的静态图像信息时间段之间插入长度相等或不等的无图像时间段。
6.根据权利要求1所述的一种轨道交通一体化智能控制调度系统,其特征在于,还包括第三编码模块;
在第一编码图形流对应的时间序列上,第三编码模块用于调整静态图像信息时间段的长度。
7.根据权利要求1所述的一种轨道交通一体化智能控制调度系统,其特征在于,所述车内显示模块包括OLED车窗显示屏、贯通道显示屏以及车门显示屏中的一种或多种。
8.根据权利要求1所述的一种轨道交通一体化智能控制调度系统,其特征在于,所述列车车厢环境调整系统包括:
环境光调节模块,用于获取列车外环境光数据,并依据所述环境光数据判断列车车厢是否进入黑暗区域;若否,则改变列车车窗透光度,以降低列车外环境光对列车内环境光的影响,所述黑暗区域为列车外环境光强度低于预设的最低光照强度阈值的区域;
温度调节模块,用于获取列车车厢内的温度和列车车厢外的温度,当列车车厢外的温度大于列车车厢内的温度且大于温度阈值时,计算温差,当温差大于预设温差阈值且车门打开时,输出降温控制信号,以降低列车车厢的预设温度持续预设时间;
空气质量调节模块,用于获取列车车厢内的空气质量数据,当所述空气质量数据大于预设空气质量阈值时,输出新风增加信号,以提高列车车厢内新风系统的空气流速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011132607.7A CN112365130B (zh) | 2020-10-21 | 2020-10-21 | 轨道交通一体化智能控制调度系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011132607.7A CN112365130B (zh) | 2020-10-21 | 2020-10-21 | 轨道交通一体化智能控制调度系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112365130A CN112365130A (zh) | 2021-02-12 |
CN112365130B true CN112365130B (zh) | 2024-04-16 |
Family
ID=74511431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011132607.7A Active CN112365130B (zh) | 2020-10-21 | 2020-10-21 | 轨道交通一体化智能控制调度系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365130B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113511228B (zh) * | 2021-07-21 | 2022-08-02 | 中车青岛四方机车车辆股份有限公司 | 轨道车辆的车内温度控制系统、控制方法及轨道车辆 |
CN114435431B (zh) * | 2022-01-13 | 2023-07-14 | 北京和利时系统集成有限公司 | 确定车门与站台门对应关系的方法及装置 |
CN114819308B (zh) * | 2022-04-13 | 2023-04-07 | 北京市智慧交通发展中心(北京市机动车调控管理事务中心) | 基于虚拟编组技术的大小交路运营开行优化方法 |
CN114954574A (zh) * | 2022-04-26 | 2022-08-30 | 上海申浙数智轨道科技有限公司 | 一种列车远程智能监控方法、装置、存储介质和电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573849A (zh) * | 2014-12-12 | 2015-04-29 | 安徽富煌和利时科技股份有限公司 | 基于arima模型预测客流的公交调度优化方法 |
CN106570444A (zh) * | 2015-10-10 | 2017-04-19 | 腾讯科技(深圳)有限公司 | 基于行为识别的车载智能提醒方法及系统 |
CN107102579A (zh) * | 2017-01-04 | 2017-08-29 | 霍金龙 | 基于无线通信的火车远程监控平台及其应用方法 |
WO2018227682A1 (zh) * | 2017-06-16 | 2018-12-20 | 深圳市盛路物联通讯技术有限公司 | 一种乘客引导方法及系统 |
CN109598257A (zh) * | 2018-12-28 | 2019-04-09 | 福建工程学院 | 一种均衡地铁车厢载客量的引导方法及系统 |
CN109815882A (zh) * | 2019-01-21 | 2019-05-28 | 南京行者易智能交通科技有限公司 | 一种基于图像识别的地铁车厢客流密度监控系统及方法 |
CN110502306A (zh) * | 2019-08-26 | 2019-11-26 | 湖南中车时代通信信号有限公司 | 一种用于车载列车自动防护系统的安全人机交互系统及方法 |
CN111259714A (zh) * | 2019-09-27 | 2020-06-09 | 华南理工大学 | 一种地铁列车车厢客流检测与预测及站台候车诱导系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11272189B2 (en) * | 2018-02-20 | 2022-03-08 | Netgear, Inc. | Adaptive encoding in security camera applications |
-
2020
- 2020-10-21 CN CN202011132607.7A patent/CN112365130B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573849A (zh) * | 2014-12-12 | 2015-04-29 | 安徽富煌和利时科技股份有限公司 | 基于arima模型预测客流的公交调度优化方法 |
CN106570444A (zh) * | 2015-10-10 | 2017-04-19 | 腾讯科技(深圳)有限公司 | 基于行为识别的车载智能提醒方法及系统 |
CN107102579A (zh) * | 2017-01-04 | 2017-08-29 | 霍金龙 | 基于无线通信的火车远程监控平台及其应用方法 |
WO2018227682A1 (zh) * | 2017-06-16 | 2018-12-20 | 深圳市盛路物联通讯技术有限公司 | 一种乘客引导方法及系统 |
CN109598257A (zh) * | 2018-12-28 | 2019-04-09 | 福建工程学院 | 一种均衡地铁车厢载客量的引导方法及系统 |
CN109815882A (zh) * | 2019-01-21 | 2019-05-28 | 南京行者易智能交通科技有限公司 | 一种基于图像识别的地铁车厢客流密度监控系统及方法 |
CN110502306A (zh) * | 2019-08-26 | 2019-11-26 | 湖南中车时代通信信号有限公司 | 一种用于车载列车自动防护系统的安全人机交互系统及方法 |
CN111259714A (zh) * | 2019-09-27 | 2020-06-09 | 华南理工大学 | 一种地铁列车车厢客流检测与预测及站台候车诱导系统 |
Non-Patent Citations (1)
Title |
---|
偶发拥挤下轨道交通车站动态客流控制研究;禹丹丹等;《铁道科学与工程学报》;20191231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112365130A (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112365130B (zh) | 轨道交通一体化智能控制调度系统 | |
CN111259714B (zh) | 一种地铁列车车厢客流检测与预测及站台候车诱导系统 | |
CN104751634B (zh) | 高速公路隧道行车图像采集信息的综合应用方法 | |
CN106541968B (zh) | 基于视觉分析的地铁车厢实时提示系统的识别方法 | |
CN104298969B (zh) | 基于颜色与haar特征融合的人群规模统计方法 | |
CN112347864A (zh) | 轨道交通客流感知及诱导方法、装置、设备和系统 | |
CN109948416A (zh) | 一种基于深度学习的违法占用公交车道自动审核方法 | |
US8712096B2 (en) | Method and apparatus for detecting and tracking vehicles | |
CN106529419A (zh) | 视频显著性堆栈式聚合的对象自动检测方法 | |
CN109446881B (zh) | 一种基于异构数据的高速公路路段交通状态检测方法 | |
CN111291660B (zh) | 一种基于空洞卷积的anchor-free交通标志识别方法 | |
CN113012335A (zh) | 一种基于YOLOv3人脸检测的地铁站台引导排队系统 | |
CN113487561B (zh) | 基于灰度梯度异常投票的受电弓异物检测方法及装置 | |
CN114772208A (zh) | 一种基于图像分割的非接触式皮带撕裂检测系统及方法 | |
CN108280990A (zh) | 基于车顶信号灯检测的急救车辆检测与避让方法与系统 | |
CN112700473B (zh) | 一种基于图像识别进行车厢拥挤度判断系统 | |
CN109389132A (zh) | 一种基于图像的雾浓度检测预警方法及系统 | |
CN110909607B (zh) | 一种智慧地铁运营中客流感知的装置系统 | |
CN112447152B (zh) | 信息显示方法以及信息显示系统 | |
CN113657305B (zh) | 一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法 | |
CN113570877B (zh) | 一种非机动车逆行检测装置及检测方法 | |
CN112989883B (zh) | 一种列车前方障碍物识别的方法 | |
CN114299438A (zh) | 融合传统停车检测与神经网络的隧道停车事件检测方法 | |
KR102107298B1 (ko) | 영상 분석 장치 및 방법 | |
CN111008595A (zh) | 一种面向私家车内后排婴儿/宠物趴窗判别及车内氛围识别方法 |
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 |