CN112528867A - 一种地铁车站突发大客流预警方法及其应用 - Google Patents

Abstract

本发明公开了地铁车站突发大客流预警方法及其应用，步骤：实时监控瓶颈点i第j时刻的客流密度δ₁；利用KNN算法选取瓶颈点i与j时刻前k个单位时段的客流模式最相似的K个历史特征日作为客流模式参照特征日；选取瓶颈点i以上历史特征日j时刻的客流密度值并计算85分位客流密度值δ’₁；判断δ₁是否＞δ’₁，如是设客流密度持续增长时间t＝0，进入下步，反之j＝j+1，返回首步；采集瓶颈点i j+1时刻的客流密度值δ₂，判断δ₂是否＞δ₁，如是令t＝t+1，反之令j＝j+1，返回首步；判断t是否≥阈值T，如是突发大客流警报启动，反之令j＝j+1，返回前一步。本发明可完成突发大客流实时预警，成本低，处理速度快。

Description

一种地铁车站突发大客流预警方法及其应用

技术领域

本发明属于城市轨交智能客运管理技术领域，涉及一种地铁车站突发大客流预警方法及其应用，特别涉及一种基于视频识别技术的地铁车站突发大客流预警方法及其应用。

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突发大客流的预警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突发大客流预警方法极具现实意义。

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突发大客流的预警的缺陷，提供一种基于视频识别技术的地铁车站突发大客流预警方法，通过本发明对突发大客流进行量化评价的同时引入阈值，实现了对地铁车站突发大客流的快速准确预警，这种全新的基准方法为本领域技术人员提供了一种全新的技术思路，同时本发明的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：

一种地铁车站突发大客流预警方法，应用于电子设备，包括以下步骤；

(1)实时监控地铁车站内各瓶颈点的客流密度，此时为j时刻；

(2)同步评估各瓶颈点是否有突发大客流情况，以第i个瓶颈点为例；

(2.1)采集第i个瓶颈点第j时刻(某一分钟)的客流密度δ₁；

(2.2)利用KNN算法，选取第i个瓶颈点当前时刻即j时刻前k个单位时段(每一个单位时段为一分钟，即前k分钟)的客流模式最相似的K个历史特征日作为客流模式参照特征日；

(2.3)选取第i个瓶颈点K个客流模式参照特征日的第j时刻的客流密度数据，并得到以上K个数据的85分位客流密度值δ’₁；

(2.4)判断δ₁是否大于δ’₁，如是则判定该瓶颈点出现了突发大客流，令客流密度持续增长时间t＝0，进入(2.5)；反之令j＝j+1，返回(1)；

(2.5)采集第i个瓶颈点j+1时刻的客流密度值δ₂；

(2.6)判断δ₂是否大于δ₁，如是则表明该瓶颈点的突发大客流仍然在持续增长，令t＝t+1；反之令j＝j+1，返回(1)；

(2.7)判断t是否大于等于预警阈值T，如是则启动该瓶颈点的突发大客流警报，返回(1)；反之，令j＝j+1，返回(2.5)；

(3)判断所有的瓶颈点是否均被选取和评估，如是则进入(4)，反之则返回(2)；

(4)判断所有的瓶颈点是否均未突发大客流警报，如是则未触发突发大客流警报，反之则突发大客流警报启动。

本发明中的第i个瓶颈点第j时刻的客流密度值的对比参照值即δ’₁，是该瓶颈点与当前时刻即j时刻前k个单位时段的客流模式(客流变化特征曲线)最相似的K个历史特征日在第j时刻的K个历史客流密度数据的第85分位数值，这K个历史客流密度数据通过KNN算法获取。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，如选用其他算法获得这K个历史特征日，或选取这K个历史客流密度数据的中位值、最大值等。

各瓶颈点突发大客流(超历史85分位数的客流密度值)的持续增长时间t的统计判定规则如下：①当该瓶颈点第j个时段的客流密度值δ₁大于其相同时段的历史对比参照值δ’₁时，令t的初值为0；②当该瓶颈点第j+1个时段的客流密度值δ₂大于第j个时段的客流密度值δ₁时，t＝t+1，并令j＝j+1，返回第②步迭代判断；反之，则t停止累计，退出迭代判断。这样能够在每一分钟得到一个t值。

本发明的地铁车站突发大客流预警方法，为地铁车站突发大客流的预警提供了一种标准化方法，整体步序简单，处理数据量较小，能够快速完成对地铁车站突发大客流的预警，为地铁车站突发大客流的实时识别和管控提供强力的支持，同时，其中的历史数据随着实时数据采集样本的增加不断更新，即本发明的方法具有一定的自进化性，具有良好的适应性，极具应用前景。

作为优选的技术方案：

如上所述的一种地铁车站突发大客流预警方法，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。

如上所述的一种地铁车站突发大客流预警方法，所述实时监控地铁车站内各个瓶颈点的客流密度是指通过视频实时获取地铁车站内各个瓶颈点的画面并应用视频识别技术获取各个瓶颈点的客流密度值。

如上所述的一种地铁车站突发大客流预警方法，所述85分位客流密度值δ₂的计算公式如下：

式中，δ_Lmin为以K个历史客流密度参照值为数据组的最小客流密度值，F_b为数据组中客流密度值小于δ’₁的累计频数；f为数据组的累计频数；q为数据组的组距。

如上所述的一种地铁车站突发大客流预警方法，各个瓶颈点的大客流警报信息实时发送给地铁车站管理人员，不同瓶颈点还可对应设有不同的处置预案，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。

本发明还提供采用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个瓶颈点的客流密度的实时监控及识别设备；

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突发大客流预警方法。

有益效果：

(1)本发明的地铁车站突发大客流预警方法，为地铁车站突发大客流的预警提供了一种标准化方法，整体步序简单，处理数据量较小，能够快速完成对地铁车站突发大客流的预警，为地铁车站的突发大客流识别和管控提供强力的支持；

(2)本发明的地铁车站突发大客流预警方法，具有一定的自进化性，具有成本低、处理速度快及适应性好的特点，极具应用前景。

附图说明

图1为本发明的地铁车站突发大客流预警方法的步序流程图。

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

一种地铁车站突发大客流预警方法，其步骤(步骤(1)～(10)部分如图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(如工作日和周末)，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，分别编号为瓶颈点1，2，…，n，并在每一个瓶颈点划定具体的视频分析网格；

(2)利用视频识别技术获取10月10日徐泾东早高峰实时客流量，以8:00为时间节点即j时刻，选取某个瓶颈点进行评估，以第i个瓶颈点(1号楼扶梯)为例；

(3)选取当前时刻前15个时段(每个时段为1min，即8点前15min，相关数据对应表1)作为客流模式参照时段，取8:00前15min 1号楼扶梯处15min的客流密度数据见下表1(表1中δ₁的单位为人/m²)：

表1徐泾东站1号楼扶梯处15min的客流密度统计表

(4)利用KNN算法从与(3)中的客流模式参照时段时间对应的历史数据中选取K(具体为20)个最为相似的数据(具体为与(3)中的客流模式参照时段时间对应的相同时刻点的前15min时段所在的20个历史特征日的相关数据—j时刻的客流密度值)，并得到以上数据的85分位客流密度值δ’₁，δ’₁为1.96人/m²；

(5)判断δ₁是否大于δ’₁，8:00时该楼扶梯处δ₁＝1.92人/m²，δ’₁＝1.96人/m²，即δ₁＜δ’₁，则进入返回(2)，采集1号楼扶梯处下一时刻—j+1时刻(8:01)的客流密度值；

(6)此时的该楼扶梯处δ₁＝1.97人/m²，重复步骤(3)～(4)操作后得到更新后的δ’₁＝1.96人/m²，判断δ₁是否大于δ’₁，δ₁＞δ’₁，即判定该瓶颈点出现了突发大客流，令客流密度持续增长时间t＝0，进入下一步；

(7)采集该位置下一时刻—j+1时刻(即8:02)的客流密度值δ₂，δ₂＝1.92人/m²；

(8)判断δ₂是否大于δ₁，此时δ₂＜δ₁，则令j＝j+1，返回(2)即采集下一时刻(8:03)的客流密度值，反之则表明该瓶颈点的突发大客流仍然在持续增长，令t＝t+1；

(9)判断t是否大于等于阈值T(10min)，如是则突发大客流警报启动，反之，令j＝j+1，返回(7)；

客流密度持续增长时间t见下表2，表中δ₁、δ’₁、δ₂的单位均为人/m²，t的单位为min，f₁为瓶颈点第i个特征日第j个时段的客流密度δ₁与其历史85分位客流密度δ’₁的同比变化率，单位为％，f₂为瓶颈点第i个特征日第j+1个时段的客流密度值δ₂与第j个时段的客流密度值δ₁的环比变化率，单位为％，f₁和f₂的计算公式如下：

表2瓶颈点8:00-8:08客流密度持续增长时间统计表

时间

8:00

8:01

8:02

8:03

8:04

8:05

8:06

8:07

8:08

δ<sub>1</sub>

1.92

1.97

1.92

1.94

1.97

2.00

2.05

2.10

2.16

δ’<sub>1</sub>

1.96

1.96

…

…

…

…

…

…

…

f<sub>1</sub>

-2.04％

0.51％

…

…

…

…

…

…

…

δ<sub>2</sub>

…

…

1.92

1.94

1.97

2.00

2.04

2.10

2.16

f<sub>2</sub>

…

…

-2.53％

1.04％

1.55％

1.52％

2.00％

2.94％

2.86％

t

…

…

0

1

2

3

4

5

6

即在8:02之后，该楼扶梯瓶颈点处客流密度持续增长，直至8:08已连续增长6min且增长率越来越大，按照此趋势可能继续增加下去造成车站拥堵，此时车站值班员必须保持密切观察，若该楼扶梯瓶颈点处客流密度持续增长超过10min(阈值T)，必须启动车站突发大客流报警，并通知车站工作人员启动相应的应急处置措施，如客流均衡引导、限流等，此时并未触发突发大客流报警；

(10)判断所有的瓶颈点是否均被选取，如是则进入(11)，反之则返回(2)；

(11)判断所有的瓶颈点是否均未突发大客流警报，如是则未触发突发大客流警报，反之则突发大客流警报启动。

经验证，本发明的地铁车站突发大客流预警方法，为地铁车站突发大客流的预警提供了一种标准化方法，整体步序简单，处理数据量较小，能够快速完成对地铁车站突发大客流的预警，为地铁车站的管理提供强力的支持；具有一定的自进化性，具有成本低、处理速度快及适应性好的特点，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个瓶颈点的客流密度的实时视频监控及识别设备；

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所述的地铁车站突发大客流预警方法。

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 (6)

1.一种地铁车站突发大客流预警方法，应用于电子设备，其特征在于，包括以下步骤；

(1)实时监控地铁车站内各瓶颈点的客流密度，此时为j时刻；

(2)同步评估各瓶颈点是否有突发大客流情况，以第i个瓶颈点为例；

(2.1)采集第i个瓶颈点第j时刻的客流密度δ₁；

(2.2)利用KNN算法，选取第i个瓶颈点当前时刻即j时刻前k个单位时段的客流模式最相似的K个历史特征日作为客流模式参照特征日；

(2.3)选取第i个瓶颈点K个客流模式参照特征日的第j时刻的客流密度数据，并得到以上K个数据的85分位客流密度值δ’₁；

(2.4)判断δ₁是否大于δ’₁，如是则判定该瓶颈点出现了突发大客流，令客流密度持续增长时间t＝0，进入(2.5)；反之令j＝j+1，返回(1)；

(2.5)采集第i个瓶颈点j+1时刻的客流密度值δ₂；

(2.6)判断δ₂是否大于δ₁，如是则表明该瓶颈点的突发大客流仍然在持续增长，令t＝t+1；反之令j＝j+1，返回(1)；

(2.7)判断t是否大于等于预警阈值T，如是则启动该瓶颈点的突发大客流警报，返回(1)；反之，令j＝j+1，返回(2.5)；

(3)判断所有的瓶颈点是否均被选取和评估，如是则进入(4)，反之则返回(2)；

(4)判断所有的瓶颈点是否均未突发大客流警报，如是则未触发突发大客流警报，反之则突发大客流警报启动。

2.根据权利要求1所述的一种地铁车站突发大客流预警方法，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。

3.根据权利要求1所述的一种地铁车站突发大客流预警方法，其特征在于，所述实时监控地铁车站内各个瓶颈点的客流密度是指通过视频实时获取地铁车站内各个瓶颈点的画面并应用视频识别技术获取各个瓶颈点的客流密度值。

4.根据权利要求1所述的一种地铁车站突发大客流预警方法，其特征在于，所述85分位客流密度值δ’₁的计算公式如下：

式中，δ_Lmin为以K个历史客流密度参照值为数据组的最小客流密度值，F_b为数据组中客流密度值小于δ’₁的累计频数；f为数据组的累计频数；q为数据组的组距。

5.根据权利要求1所述的一种地铁车站突发大客流预警方法，其特征在于，各个瓶颈点的大客流警报信息实时发送给地铁车站管理人员，为其及时发现和处置突发大客流提供依据。

6.采用如权利要求1～5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个瓶颈点的客流密度的实时视频监控及识别设备；

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1～5任一项所述的地铁车站突发大客流预警方法。

Images