CN112488568A - 一种地铁车站大客流运营风险评价方法及其应用 - Google Patents

一种地铁车站大客流运营风险评价方法及其应用 Download PDF

Info

Publication number
CN112488568A
CN112488568A CN202011470405.3A CN202011470405A CN112488568A CN 112488568 A CN112488568 A CN 112488568A CN 202011470405 A CN202011470405 A CN 202011470405A CN 112488568 A CN112488568 A CN 112488568A
Authority
CN
China
Prior art keywords
passenger flow
operation risk
bottleneck
station
grade
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
Application number
CN202011470405.3A
Other languages
English (en)
Inventor
胡华
耿亚宁
金涛
方勇
刘志钢
高云峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai University of Engineering Science
Original Assignee
Shanghai University of Engineering Science
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai University of Engineering Science filed Critical Shanghai University of Engineering Science
Priority to CN202011470405.3A priority Critical patent/CN112488568A/zh
Publication of CN112488568A publication Critical patent/CN112488568A/zh
Pending legal-status Critical Current

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
    • 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
    • G06Q50/265—Personal security, identity or safety
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Security & Cryptography (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种地铁车站大客流运营风险评价方法及其应用：实时监控识别地铁车站内各类瓶颈点的客流密度，根据第i类瓶颈点此刻的客流密度确定其客流密度等级及运营风险发生严重性指数Si，同时统计第i类瓶颈点处于该客流密度等级的持续时间并确定其等级及运营风险发生可能性指数Li，然后基于Ri＝Si×Li求得第i类瓶颈点的运营风险等级指数Ri，最后考虑各类瓶颈点的权重系数αi根据R＝∑iRi×αi求得车站整体运营风险等级指数R。本发明实现了对地铁车站大客流运营风险的定量化评价，具有一定的自进化性，具有成本低、评价过程快捷及适应性好的特点，极具应用前景。

Description

一种地铁车站大客流运营风险评价方法及其应用
技术领域
本发明属于于城市轨交智能客运管理技术领域，涉及一种地铁车站大客流运营风险评价方法及其应用，特别涉及一种基于视频识别技术的地铁车站大客流运营风险评价方法及其应用。
背景技术
随着经济的快速发展，城市轨道交通线网规模不断扩大，地铁在人们出行乘坐的交通工具中发挥着越来越大的比例，它承载的客运量也越来越多。但城市轨道交通在快速发展的同时，也存在着车站客流组织不顺畅及线路行车计划不匹配等问题。特别是在高峰时段，较大的客流量不仅降低了乘客的出行效率和舒适性，还极大地增加了车站运营安全隐患。
地铁车站大客流条件下，由于人群的无序拥挤或异常行为，易导致摔倒、踩踏甚至群死群伤等严重事故，因此对地铁车站大客流状态进行智能实时监测和评估，对于提高车站大客流应急处置效率、保障车站运营安全具有重要意义。目前，地铁大客流识别技术处于初步开发阶段。我国地铁运营企业已经使用AFC(Automatic Fare Collection)数据、车载称重技术、热敏传感技术、蓝牙定位技术、Wi-Fi定位技术、视频识别技术对大客流识别估计进行初步试点研究与应用。近年来视频识别技术发展迅猛，基于视频识别技术识别大客流成为了一个主要的发展方向，虽然目前视频识别技术实现人数识别已经成熟，但如何根据实时获取的人数完成对地铁车站大客流运行分析的快速评估仍是目前的一个痛点问题。
因此，开发一种基于视频识别技术的地铁车站大客流运营风险评价方法极具现实意义。
发明内容
本发明的目的在于克服现有技术难以实现对地铁车站大客流运营风险的动态快速评估的缺陷，提供一种基于视频识别技术的地铁车站大客流运营风险评价方法，通过本发明的方法实现了对地铁车站大客流运营风险的实时量化评估，其成本低廉且评估速度快，同时评估方法可根据实时获取的数据进行更新，具有一定的自进化性，适应性好。
为实现上述目的，本发明提供如下技术方案：
一种地铁车站大客流运营风险评价方法，应用于视频分析和电子设备，实时监控识别地铁车站内各类瓶颈点的客流密度，根据第i类瓶颈点此刻(某一分钟)的客流密度确定其客流密度等级及运营风险发生严重性指数Si，同时统计第i类瓶颈点处于该客流密度等级的持续时间并确定其等级及运营风险发生可能性指数Li，然后基于Ri＝Si×Li求得第i类瓶颈点的运营风险等级指数Ri，最后考虑各类瓶颈点的权重系数αi根据R＝∑iRi×αi求得车站整体运营风险等级指数R；
第i类瓶颈点的客流密度等级及客流密度持续时间的等级的划分标准是通过对该地铁车站第i类瓶颈点的历史数据进行分析和处理后得到的，客流密度的每个等级均对应一个运营风险发生严重性指数Si，客流密度持续时间的每个等级均对应一个运营风险发生可能性指数Li。
本发明的地铁车站大客流运营风险评价方法，在对地铁车站进行实时大客流运营风险评价前，需根据该地铁车站的历史数据进行客流密度等级及客流密度持续时间等级的划分，同时针对每个客流密度等级和客流密度持续时间等级给出对应的量化指数(即运营风险发生严重性指数和运营风险发生可能性指数)，而后以制定的标准作为基准实时获取当前各类瓶颈点的客流密度等级及客流密度持续时间等级的量化指数，从而得到各类瓶颈点的运营风险等级指数，最后基于各类瓶颈点的运营风险权重系数得出车站整体运营风险等级指数，完成对地铁车站大客流运营风险的实时量化评价。
作为优选的技术方案：
如上所述的一种地铁车站大客流运营风险评价方法，客流密度的持续时间是指第i类瓶颈点的同一个客流密度等级的连续累计时长，每单位时间(本申请选定的单位时间为1min，当然本领域技术人员可根据实际需求选定单位时间)判定或累加一次，若下一单位时间客流密度等级发生变化时，则当前客流密度等级的持续时间累加结束。
如上所述的一种地铁车站大客流运营风险评价方法，所述瓶颈点包括安检机、闸机、楼扶梯、通道、站台、站厅、出入口和售票点这8种类别，本发明选取的瓶颈点的类别并不局限于此，还可根据实际需要选取其他瓶颈类别点或者增减瓶颈点类别，当然瓶颈点的权重集合也会进行相应的调整。
如上所述的一种地铁车站大客流运营风险评价方法，所述第i类瓶颈点此刻的客流密度是指第i类瓶颈点中所有识别点获取的客流密度的最大值，即以该类瓶颈点客流密度的最大值作为基准，本发明的保护范围并不仅限于此，本领域技术人员也可采取其他合适的处理方式，如选取所有识别点获取的客流密度的中位值、85分位值等。
如上所述的一种地铁车站大客流运营风险评价方法，所述历史数据所属的特征日类型与运营风险实时监控对应的特征日类型相同；
所述历史数据所属的特征时段类型与运营风险实时监控对应的特征时段类型相同；
所述特征日类型包括常态工作日、常态周末、重大节假日；所述特征时段类型包括高峰时段及非高峰时段。即针对不同特征日类型、不同特征时段类型、不同车站客运组织方案下建立不同的大客流运营风险评价标准，更符合地铁车站的客流运行规律和实际业务需求，能够更为准确地评价地铁车站大客流运营风险。本发明的保护范围并不仅限于此，本领域技术人员还可根据实际需求设置不同的特征日类型或特征时段类型，如法定节假日(国庆、中秋、清明)、大型活动日等。
如上所述的一种地铁车站大客流运营风险评价方法，安检机瓶颈点、闸机瓶颈点、楼扶梯瓶颈点、通道瓶颈点、站台瓶颈点、站厅瓶颈点、出入口瓶颈点和售票点瓶颈点的权重系数分别为0.068、0.091、0.205、0.182、0.171、0.193、0.045和0.045。本发明此处仅给出一种可行的技术方案而已，事实上不同类型或结构的地铁站的瓶颈点的权重系数均不同，本发明的权重系数是基于专家打分法得到的。
如上所述的一种地铁车站大客流运营风险评价方法，各类瓶颈点的运营风险等级指数Ri及车站整体运营风险等级指数R均设有对应的等级划分标准，且等级划分标准是通过对历史数据进行聚类处理后得到的。
如上所述的一种地铁车站大客流运营风险评价方法，基于所述等级划分标准即可确认某类瓶颈点的运营风险等级及车站整体运营风险等级。
如上所述的一种地铁车站大客流运营风险评价方法，某类瓶颈点的运营风险等级及车站整体运营风险等级实时发送给地铁车站管理人员，不同瓶颈点的运营风险等级及车站整体运营风险等级还对应设有不同的单项处置措施或整体应急预案，在紧急情况下地铁车站管理人员可按照预案对突发情况进行快速处置。
如上所述的一种地铁车站大客流运营风险评价方法，所述第i类瓶颈点的客流密度的等级、客流密度持续时间的等级、瓶颈点的运营风险等级指数及车站运营风险等级指数的等级划分是运用聚类算法完成的。
此外，本发明还提供如上所述的一种地铁车站大客流运营风险评价方法的电子设备，包括一个或多个处理器、一个或多个存储器、一个或多个程序及用于实时监控地铁车站内各类瓶颈点的客流密度的实时监控识别视频设备；
所述一个或多个程序被存储在所述存储器中，当所述一个或多个程序被所述处理器执行时，使得所述电子设备执行如上所述的地铁车站大客流运营风险评价方法。
有益效果：
(1)本发明的地铁车站大客流运营风险评价方法，实现了对地铁车站大客流运营风险的实时、高效和定量化评价；
(2)本发明的地铁车站大客流运营风险评价方法，具有一定的自进化性，具有成本低(利用地铁车站既有视频监控网络)、评价过程快捷及适应性好的特点，极具应用前景。
附图说明
图1为本发明的地铁车站大客流运营风险评价方法的流程图；
图2为处理历史数据得到相应的等级划分标准的流程图。
具体实施方式
下面结合附图，对本发明的具体实施方式做进一步阐述。
实施例1
一种地铁车站大客流运营风险评价方法，其步骤如图1所示(本例以徐泾东地铁站客流数据为例)：
(1)地铁站客流瓶颈点及特征日类型、特征时段类型的确认，具体如下：
将徐泾东地铁站瓶颈点划分为安检机、闸机、楼扶梯、通道、站台、站厅、出入口、售票点这8种类型，其中楼扶梯为第3类瓶颈点，根据车站客流特征划分特征日(如常态工作日、常态周末和重大节假日)，结合站内行人交通流线上各类设施的通行能力计算和现场观测结果，确定车站各条行人交通流线上、不同特征日、特征时段(如高峰时段及非高峰时段)的瓶颈点类型及位置，各类瓶颈点分别设置视频识别点4、12、10、10、10、4、9、6个并进行编号，其中楼扶梯类瓶颈点位置有10个，分别编号为瓶颈点31，32，…，310。并划定具体的视频分析方形网格；
(2)对历史数据进行处理，得到相应的等级划分标准，具体如图2所示：
历史数据具体为徐泾东站各类瓶颈点连续5个工作日的早高峰(7:00-9:00，每一分钟作为一个采集分析时段，每天每一类瓶颈点视频网格采集2小时共120组样本数据)客流量视频数据，即每一类瓶颈点一周采集识别600组样本数据，设定视频数据分析频率为1次/min，利用视频识别技术获取不同特征日各瓶颈点、各个采集分析时段的客流密度值，若车站某一类瓶颈点同一时段选取了多个视频识别点，则取多个同类型瓶颈点的最大值，以徐泾东站楼扶梯类瓶颈点为例，统计其某特征日早高峰半小时(7:31-8:00)的客流密度见下表1，下表中的δ3jk意为第i(i＝1,2…8)类瓶颈点(其中i为3，具体为楼扶梯类瓶颈点)、第j个采集分析时段(j＝1,2…120)、第k(k＝1,2…5)个特征日的客流密度值，其单位为人/m2；
表1楼扶梯类客流瓶颈点半小时客流密度统计表
时间 7:31 7:32 7:33 7:34 7:35 7:36 7:37 7:38 7:39 7:40
δ<sub>3jk</sub> 1.31 1.42 1.44 0.96 0.86 2.14 2.21 1.46 1.25 1.25
时间 7:41 7:42 7:43 7:44 7:45 7:46 7:47 7:48 7:49 7:50
δ<sub>3jk</sub> 1.12 1.10 1.56 1.37 2.36 2.10 2.21 1.46 1.25 1.32
时间 7:51 7:52 7:53 7:54 7:55 7:56 7:57 7:58 7:59 8:00
δ<sub>3jk</sub> 1.46 1.62 1.77 1.98 2.04 1.96 2.21 2.02 2.04 2.02
确定徐泾东楼扶梯瓶颈点拥堵等级和运营风险发生严重性指数S3：运用聚类算法将δ3jk的样本数据值划分为不拥挤、轻度拥挤、中度拥挤、重度拥挤4个等级，并根据风险矩阵法确定每一个拥堵等级的运营风险发生严重性指数S3；
以徐泾东站楼扶梯类瓶颈点为例进行运营风险等级分析：
表2楼扶梯类瓶颈点拥堵等级阈值划分表
Figure BDA0002833590900000071
计算徐泾东站楼扶梯类瓶颈点的客流密度持续时间t(定义为客流密度大于某一等级阈值的累计持续时间长度，每1min判定统计一次)，由表2可知，楼扶梯类瓶颈点客流密度分为4个等级，其阈值分别为ρ1＝0.98，ρ2＝1.47，ρ3＝2.33，其计算流程如下：A、设当前客流密度值。若δijk＜ρ1，则t1加1；若ρL≤δijk≤ρL+1，则tL+1加1；B、设下一分钟的客流密度值δi(j+1)k，若δi(j+1)k＜ρ1，则t1累加1，tL+1重置为0；若ρL≤δi(j+1)k≤ρL+1，则tL+1累加1且t1重置为0；若ρL+1≤δi(j+1)k≤ρL+2，则tL+2加1，且上一次的判定结果tL+1和t1都重置为0，依次类推，每一分钟都能够得到该时段客流密度值对应的持续时间t值，徐泾东站某特征日楼扶梯类瓶颈点处早高峰半小时的客流密度持续时间t见表3。
表3楼扶梯处早高峰半小时的客流密度持续时间t计算
Figure BDA0002833590900000072
Figure BDA0002833590900000081
运用聚类算法将表3中客流密度持续时间t的样本数据值划分为持续时间短、持续时间中等、持续时间长、持续时间极长这4个等级，并确定运营风险发生可能性指数L，根据当前统计时段(1min)楼扶梯类瓶颈点的客流密度持续时间t确定其持续时间等级和运营风险发生可能性指数L3，见表4：
表4楼扶梯类瓶颈点客流密度持续时间阈值划分表
Figure BDA0002833590900000082
确定车站楼扶梯类瓶颈点的突发大客流运营风险等级；
基于Ri＝Si×Li求得第i类瓶颈点的运营风险等级指数Ri，根据表2、表3、表4中相关数据可得如表5所示的徐泾东地铁站楼扶梯类瓶颈点的运营风险综合指数R3矩阵；
表5楼扶梯类瓶颈点的运营风险综合指数矩阵
Figure BDA0002833590900000091
利用聚类算法将运营风险综合指数划分为轻度运营风险、中度运营风险、高度运营风险、极高度运营风险这4个等级，徐泾东站楼扶梯类瓶颈点风险预警等级见表6。
表6徐泾东站楼扶梯类瓶颈点预警等级划分表
Figure BDA0002833590900000092
根据此方法确定其他各类瓶颈点的运营风险等级；
利用专家打分法获取各类瓶颈点的权重系数，徐泾东站分类瓶颈点大客流安全风险评价权重打分表见表7，徐泾东站各类瓶颈点的专家权重结果见表8；
表7徐泾东站分类瓶颈点大客流安全风险评价权重打分表
Figure BDA0002833590900000093
Figure BDA0002833590900000101
注：
1.为保证各类拥堵点评价权重位的科学性和合理性。诸选择至少10位以上、具有大客流安全风险管理方面丰宫经验的专家打分；
2.评价权重分为5级。采用10分制评分:1-不重要；3-稍徼重要；5-明显重要；7-强烈重要；9-绝对重要。也可取两个评价等级之间的评分值，分别为2、4、6、8、10。
设专家打分值为Xis(i表示瓶颈点类别，s表示专家编号)则各类瓶颈点的权重αi(∑iαi＝1)计算公式如下，徐泾东站各类瓶颈点的专家权重结果见表8；
表8徐泾东站各类瓶颈点大客流安全风险评价权重统计表
Figure BDA0002833590900000102
通过R＝∑iRi×αi得到徐泾东车站整体运营风险等级指数R，运用聚类算法判定车站运营分级等级，徐泾东站预警等级划分见表9。
表9徐泾东站预警等级划分表
Figure BDA0002833590900000103
Figure BDA0002833590900000111
(3)基于车站视频网络实时监控识别地铁车站内各类瓶颈点的客流密度，根据第i类瓶颈点此刻的客流密度确定其客流密度等级及运营风险发生严重性指数Si，同时统计第i类瓶颈点处于该客流密度等级的持续时间并确定其等级及运营风险发生可能性指数Li，然后基于Ri＝Si×Li求得第i类瓶颈点的运营风险等级指数Ri，最后考虑各类瓶颈点的权重系数αi根据R＝∑iRi×αi求得车站整体运营风险等级指数R，根据R的大小即可进行车站运营风险等级的评估，同时可通过服务器将判定等级传送给车站站长和行车值班员(某类瓶颈点的运营风险等级及车站整体运营风险等级实时发送给地铁车站管理人员，为车站管理人员启动大客流管控措施和应急预案提供依据)，启动相应等级下的应急预案。
经验证，本发明的方法，实现了对地铁车站大客流运营风险的定量化评价；具有一定的自进化性，具有成本低、评价过程快捷及适应性好的特点，极具应用前景。
实施例2
一种电子设备，包括一个或多个处理器、一个或多个存储器、一个或多个程序及用于实时监控地铁车站内各类瓶颈点的客流密度的实时监控识别视频设备；
一个或多个程序被存储在存储器中，当一个或多个程序被处理器执行时，使得电子设备执行如实施例1所述的地铁车站大客流运营风险评价方法。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应该理解，这些仅是举例说明，在不违背本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改。

Claims (10)

1.一种地铁车站大客流运营风险评价方法，应用于电子设备，其特征在于，基于车站视频网络实时监控识别地铁车站内各类瓶颈点的客流密度，根据第i类瓶颈点此刻的客流密度确定其客流密度等级及运营风险发生严重性指数Si，同时统计第i类瓶颈点处于该客流密度等级的持续时间并确定其等级及运营风险发生可能性指数Li，然后基于Ri＝Si×Li求得第i类瓶颈点的运营风险等级指数Ri，最后考虑各类瓶颈点的权重系数αi根据R＝∑iRi×αi求得车站整体运营风险等级指数R；
第i类瓶颈点的客流密度等级及客流密度持续时间等级的划分标准是通过对该地铁车站第i类瓶颈点的历史数据进行分析和处理后得到的，客流密度的每个等级均对应一个运营风险发生严重性指数Si，客流密度持续时间的每个等级均对应一个运营风险发生可能性指数Li。
2.根据权利要求1所述的一种地铁车站大客流运营风险评价方法，其特征在于，客流密度的持续时间是指第i类瓶颈点的同一个客流密度等级的连续累计时长，每单位时间判定或累加一次，若下一单位时间客流密度等级发生变化时，则当前客流密度等级的持续时间累加结束。
3.根据权利要求1所述的一种地铁车站大客流运营风险评价方法，其特征在于，所述瓶颈点包括安检机、闸机、楼扶梯、通道、站台、站厅、出入口和售票点这8种类别。
4.根据权利要求1所述的一种地铁车站大客流运营风险评价方法，其特征在于，所述第i类瓶颈点此刻的客流密度是指第i类瓶颈点中所有视频监控识别点获取的客流密度的最大值。
5.根据权利要求1所述的一种地铁车站大客流运营风险评价方法，其特征在于，所述历史数据所属的特征日类型与实时运营风险评价对应的特征日类型相同；
所述历史数据所属的特征时段类型与实时运营风险评价对应的特征时段类型相同；
所述特征日类型包括常态工作日、常态周末、重大节假日；所述特征时段类型包括高峰时段及非高峰时段。
6.根据权利要求3所述的一种地铁车站大客流运营风险评价方法，其特征在于，安检机瓶颈点、闸机瓶颈点、楼扶梯瓶颈点、通道瓶颈点、站台瓶颈点、站厅瓶颈点、出入口瓶颈点和售票点瓶颈点的权重系数αi通过专家打分法获得，分别为0.068、0.091、0.205、0.182、0.171、0.193、0.045和0.045。
7.根据权利要求1所述的一种地铁车站大客流运营风险评价方法，其特征在于，各类瓶颈点的运营风险等级指数Ri及车站整体运营风险等级指数R均设有对应的等级划分标准且等级划分标准是通过对历史数据进行聚类处理后得到的。
8.根据权利要求7所述的一种地铁车站大客流运营风险评价方法，其特征在于，基于所述等级划分标准即可确认某类瓶颈点的运营风险等级及车站整体运营风险等级；
所述第i类瓶颈点的客流密度的等级、客流密度持续时间的等级、某类瓶颈点的运营风险等级指数及车站整体运营风险等级指数的等级划分是运用聚类算法完成的。
9.根据权利要求8所述的一种地铁车站大客流运营风险评价方法，其特征在于，某类瓶颈点的运营风险等级及车站整体运营风险等级实时发送给地铁车站管理人员，为车站管理人员启动大客流管控措施和应急预案提供依据。
10.采用如权利要求1～9任一项所述的一种地铁车站大客流运营风险评价方法的电子设备，其特征在于，包括一个或多个处理器、一个或多个存储器、一个或多个程序及用于实时监控地铁车站内各类瓶颈点的客流密度的实时监控识别视频设备；
所述一个或多个程序被存储在所述存储器中，当所述一个或多个程序被所述处理器执行时，使得所述电子设备执行如权利要求1～9任一项所述的地铁车站大客流运营风险评价方法。
CN202011470405.3A 2020-12-14 2020-12-14 一种地铁车站大客流运营风险评价方法及其应用 Pending CN112488568A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011470405.3A CN112488568A (zh) 2020-12-14 2020-12-14 一种地铁车站大客流运营风险评价方法及其应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011470405.3A CN112488568A (zh) 2020-12-14 2020-12-14 一种地铁车站大客流运营风险评价方法及其应用

Publications (1)

Publication Number Publication Date
CN112488568A true CN112488568A (zh) 2021-03-12

Family

ID=74917499

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011470405.3A Pending CN112488568A (zh) 2020-12-14 2020-12-14 一种地铁车站大客流运营风险评价方法及其应用

Country Status (1)

Country Link
CN (1) CN112488568A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115564151A (zh) * 2022-12-06 2023-01-03 成都智元汇信息技术股份有限公司 一种基于形态识别的突发大客流形态识别方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140289003A1 (en) * 2013-03-25 2014-09-25 Amadeus S.A.S. Methods and systems for detecting anomaly in passenger flow
CN106021902A (zh) * 2016-05-16 2016-10-12 宁波工程学院 一种用于城市轨道交通客流拥挤指数的分级方法
CN110942411A (zh) * 2019-11-20 2020-03-31 北京城建设计发展集团股份有限公司 基于区域联动的地铁车站客流分级报警方法
CN111861219A (zh) * 2020-07-22 2020-10-30 清华大学 一种区域轨道交通全局结构风险瓶颈识别方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140289003A1 (en) * 2013-03-25 2014-09-25 Amadeus S.A.S. Methods and systems for detecting anomaly in passenger flow
CN106021902A (zh) * 2016-05-16 2016-10-12 宁波工程学院 一种用于城市轨道交通客流拥挤指数的分级方法
CN110942411A (zh) * 2019-11-20 2020-03-31 北京城建设计发展集团股份有限公司 基于区域联动的地铁车站客流分级报警方法
CN111861219A (zh) * 2020-07-22 2020-10-30 清华大学 一种区域轨道交通全局结构风险瓶颈识别方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115564151A (zh) * 2022-12-06 2023-01-03 成都智元汇信息技术股份有限公司 一种基于形态识别的突发大客流形态识别方法及系统

Similar Documents

Publication Publication Date Title
CN112598182B (zh) 一种轨道交通智能调度方法及系统
CN109858670B (zh) 一种轨道交通车站大客流实时预警方法
CN110942411B (zh) 基于区域联动的地铁车站客流分级报警方法
CN111144727B (zh) 一种城市轨道交通进站客流韧性评估系统及方法
CN110047279B (zh) 一种基于订单数据确定共享单车调度量的方法
CN110493816B (zh) 一种用于轨交地铁车站客流量的实时预测方法
CN109961164B (zh) 客流量预测方法及装置
CN112884325A (zh) 一种客站设备应用分析及健康状况评价方法及系统
CN113628432B (zh) 地铁人流限流的智能预警系统
CN103661501B (zh) 一种基于多点客流检测信息反馈的车站自动限流方法
CN115240431A (zh) 高速公路收费站交通流量实时在线仿真系统及仿真方法
CN106651730A (zh) 基于客流密度与闸机通行时间的地铁客流预警系统及方法
CN103984994A (zh) 一种城市轨道交通客流高峰持续时间预测方法
CN108665178B (zh) 一种基于afc的地铁站内楼扶梯客流量预测方法
CN114970943A (zh) 一种高速公路事故类型与严重程度预测方法
CN115953186A (zh) 一种网约车需求模式识别与短时需求预测方法
CN112687099A (zh) 一种超载嫌疑车辆判定方法和装置
CN107808235B (zh) 基于afc大数据的城市轨道大客流模型构建方法
CN114549075A (zh) 一种基于停车和视频大数据的区域停车评价方法
CN112528867B (zh) 一种地铁车站突发大客流预警方法及其应用
CN112488568A (zh) 一种地铁车站大客流运营风险评价方法及其应用
CN109409563B (zh) 一种公交运营车辆实时人数的分析方法、系统和存储介质
CN114613128A (zh) 一种基于数据分析的地铁防疫监控管理系统
CN115545996B (zh) 一种基于相似度矩阵的地铁异常历史客流识别方法及装置
CN113780682B (zh) 基于故障标志物的轨道交通系统业务故障预测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210312