CN112819382B - 基于设施利用率的地铁车厢内乘客密度的确定方法 - Google Patents
基于设施利用率的地铁车厢内乘客密度的确定方法 Download PDFInfo
- Publication number
- CN112819382B CN112819382B CN202110226095.9A CN202110226095A CN112819382B CN 112819382 B CN112819382 B CN 112819382B CN 202110226095 A CN202110226095 A CN 202110226095A CN 112819382 B CN112819382 B CN 112819382B
- Authority
- CN
- China
- Prior art keywords
- facility
- carriage
- density
- utilization rate
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 78
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000000007 visual effect Effects 0.000 claims abstract description 4
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 claims description 14
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000007430 reference method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种基于设施利用率的地铁车厢内乘客密度的确定方法,包括以下步骤:(1)将地铁车厢内的设施进行分类;(2)确定各设施利用率和地铁车厢内乘客密度的函数;(3)确定动态检测半径函数;(4)在初始半径内布设检测器得到各设施的利用率;(5)将利用率输入设施利用率‑密度的反函数中得到对应的车厢内乘客密度;(6)对不同的设施进行拟合优度归一化处理并线性加权以确定车厢内乘客密度的函数;(7)若此密度下动态检测半径与初始半径差值大于预设精度则将前者替代后者,并迭代(4)‑(7)直至满足要求;(8)输出最终车厢内乘客密度结果进行可视化展示。本发明可为地铁站台乘客的引流提供参考。
Description
技术领域
本发明涉及交通运输规划与管理中的公共交通技术领域,尤其涉及一种基于设施利用率的地铁车厢内乘客密度的确定方法。
背景技术
截至2019年末,我国共40个城市的轨道交通运营线路总里程达6730.3公里,同比增长16.8%,有效地促进了我国城市建设和经济的发展,提高了居民出行的便利性。同时地铁运行效率等一系列问题日益凸显,尤其在客流高峰期,如何有效地提升列车的运行效率和优化乘客的出行体验,是当前亟待解决的问题之一。在客流高峰期,优化列车运营调度的关键因素在于缩短列车的停站时间以实现列车运行图的加密,然而,站台乘客在各车厢位置排队候车时分布不均匀,如靠近楼梯口的站台中部乘客密度较大,远离楼梯口的站台两侧客流密度较小。上述站台候车乘客的分布情况同样会影响乘客在车厢内的分布,即中部车厢乘客密度较大而两边车厢乘客密度较小,会导致以下问题:
降低列车运行效率:列车运行时间由行驶时间和列车停站时间组成,列车停站时间由开关门时间、屏蔽门时间和乘客上下车时间组成,当车厢中部密度大而两侧密度小时,中部的上下客时间也会相应增大,进而导致列车停站时间的增加,最终使列车运行时间增加,降低列车的运行效率。
造成时空资源浪费:由于中部车厢乘客密度较大而两边车厢乘客密度较小,当两边的乘客上下车结束后,中部车厢还在持续上下客,此时两边车厢的上下客设施处于空闲状态,这导致两边车厢时空资源的闲置与浪费。
引发交通安全事故:站台候车或列车内的乘客多集中在某几个车厢的位置,这导致上下客时客流流线冲突较为明显,乘客之间的受力较大,极易产生摩擦、拥挤、碰撞、踩踏等安全事故。
影响乘客出行体验:由于车厢内和站台乘客分布的不均匀性,乘客在客流密度较大的区域上下车较为费时费力,同时所乘坐的车厢内部环境十分拥挤,会导致乘客出行体验的下降。
现有的城市轨道交通在车厢内乘客密度的检测和站台引流方面的管理运营存在短板,现有技术中虽有相关的车厢乘客密度的检测方法、装置和系统,如计数器、图像识别、重量传感、压力矩阵、红外线激光测距、手机信令和回声波等一系列技术,但以上技术方法均是基于直接、全面和绝对的角度来获取车厢内部的信息,往往需要花费大量的成本,且准确率较低、可行性不高,目前尚无通过设施利用率与车厢密度的联系从间接、抽样和相对的角度来检测和确定车厢乘客密度的方法。因此,有必要设计一种新的方法来解决该问题。
发明内容
针对以上问题,本发明提出一种基于设施利用率的地铁车厢内乘客密度的确定方法,基于检测结果辅以站台的引流措施实现列车上下客和乘坐环境的改善,满足乘客对城市轨道交通系统可用、可靠、舒适和便捷的要求,同时提高整个城市轨道交通系统的时空资源利用率和服务品质。
为实现本发明的目的,提供一种基于设施利用率的地铁车厢内乘客密度的确定方法,包括如下步骤:
S10,对车厢内的使用设施进行分类;
S20,确定第i类设施的设施利用率-车厢内乘客密度函数yi=fi(x);
S30,利用社会力模型概念和人体气泡模型确定设施的动态检测半径函数rk=g(x);
S40,以设施在车厢底部的投影中心为圆心,以r0为初始检测半径,在该范围内布设检测器以确定第i类设施的利用率yi,其中r0根据人体气泡模型取值定为0.49m;
S50,将得到的第i类设施的利用率yi输入设施利用率-车厢密度函数的反函数确定第i类设施在当前利用率下所对应的车厢乘客密度xi;
S60,对同类但位于不同位置的设施检测结果进行等权重处理,对不同类设施的检测结果进行线性加权,以确定车厢内乘客密度;
S70,判断此乘客密度下动态检测半径rk与初始半径r0差值是否满足预设精度ε或预设迭代次数K的要求,若不满足则令r0=rk,并迭代步骤S40至S70,直至乘客密度下动态检测半径rk与初始半径r0差值满足预设精度ε或预设迭代次数大于或者等于K,根据最终的车厢内乘客密度确定地铁车厢内乘客密度。
在一个实施例中,上述步骤S10包括:
S11,根据结构和使用特点将车厢内的各设施分为6类,具体包括座椅、车门壁、立柱、扶手、座椅区拉手和立柱间拉手,当座椅被坐满时,其利用率达到100%,并不随车厢乘客密度的增大而增大;
S12,确定车厢内第i类设施的数量ni。
在一个实施例中,上述步骤S20包括:
S21,收集对象车厢内乘客对不同类别设施利用情况的具体信息,包括:在不同乘客密度下的各设施使用者的数量,无设施使用者的数量;
S22,以车厢内乘客密度为自变量,以各类设施的利用率为因变量,进行多项式函数拟合,确定各设施在不同的车厢乘客密度下对应的设施利用率-车厢密度函数yi=fi(x)。
在一个实施例中,上述步骤S30包括:
S31,以人体气泡模型中身体舒适度空间的平均直径0.49m作为设施初始检测半径r0,以人体气泡模型中压缩空间的平均直径0.406m作为设施最终的不可压缩检测半径rY;
S32,将社会力模型作为连接初始检测半径r0和不可压缩检测半径rY之间的过渡函数,以确定设施的动态检测半径函数rk=g(x)。
在一个实施例中,上述步骤S40包括:
S41,以第i类设施在车厢底部的投影中心为圆心,以初始检测半径r0为半径,在上述圆形范围内按同心圆分布、圆上等距离布设,共计Mi个检测器;
S42,当检测器上方有物体存在时则被激活,被激活的检测器数量为mi个。则通过检测得到第i类设施利用率为
在一个实施例中,上述步骤S50包括:
S51,获取设施利用率-车厢密度函数y=fi(x)的反函数定义域和值域均为[0,1];
S52,将得到的第i类设施的利用率输入反函数/>确定第i类设施在当前利用率下对应的车厢内乘客密度/>
在一个实施例中,上述步骤S60包括:
S61,在目标车厢内,对于同类但位于不同位置的设施检测结果进行等权重加权处理;
S62,对于不同类设施的检测结果,根据其回归函数的拟合优度R2进行归一化处理得到第i类设施的可靠度μi,进行线性加权确定车厢密度函数:
S63,根据车厢密度函数,计算确定车厢密度X。
在一个实施例中,第i类设施的可靠度μi,满足:
表示第i类设施的设施利用率-车厢密度回归函数的拟合优度,μi表示第i类设施的可靠度,/>表示第l类设施的设施利用率-车厢密度回归函数的拟合优度,μl表示第l类设施的可靠度。
在一个实施例中,上述步骤S70包括:
S71,判断此乘客密度下动态检测半径rk与初始半径r0差值是否小于预设精度ε,即|rk-r0|<ε,或判断此时迭代次数是否大于等于预设迭代次数K,即k≥K。
S72,满足S71中一个条件则跳出循环;若两个条件均不满足,则令r0=rk,并重复循环步骤S40至S70,直至满足要求跳出循环,根据最终的车厢内乘客密度确定地铁车厢内乘客密度。
在一个实施例中,上述基于设施利用率的地铁车厢内乘客密度的确定方法,还包括:
S81,将每节车厢对应的车厢内乘客密度结果X进行输出;
S82,将各节车厢内乘客密度按从小到大进行排序,并将相对结果以声光信号在站台的LED屏和屏蔽门处向排队乘客进行展示。
上述基于设施利用率的地铁车厢内乘客密度的确定方法具有如下有益效果:
1、能够基于车厢内部设施的利用率对车厢内的乘客密度进行检测和确定,依托真实的车厢环境和数据建立数学模型,同时各设施之间的车厢内乘客密度的检测结果可互相校正,填补了通过间接方法来确定车厢内乘客密度的空白,为车厢内乘客密度的检测提供相应的参考方法支撑,具有科学性、准确性、合理性和有效性。
2、从间接和抽样的思想出发确定车厢的相对密度,区别于传统检测乘客绝对数量的方法,对原有设施的改动小、成本低,工程可行性好,内置算法合理且计算简便;
3、检测器的工作时间属离散分布,与连续检测不同,可有效缩短检测器的总工作时间,延长检测器的使用寿命。
4、可基于检测结果辅以站台引流措施以实现列车上下客和乘坐环境的改善,满足乘客对城市轨道交通系统的可用、可靠、舒适和便捷的需求,同时提高整个城市轨道交通系统的时空资源利用率和服务品质。
附图说明
图1是一个实施例的基于设施利用率的地铁车厢内乘客密度的确定方法图;
图2是一个实施例的基于设施利用率的地铁车厢内乘客密度的确定方法流程图;
图3是一个实施例的车厢设施布局及分类示意图;
图4是一个实施例的设施利用率-车厢密度函数拟合曲线示意图;
图5是一个实施例的动态检测半径拟合曲线示意图;
图6为一个实施例的检测器布设示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
参考图1所示,图1为一个实施例的基于设施利用率的地铁车厢内乘客密度的确定方法流程图,包括如下步骤:
S10,对车厢内的使用设施进行分类。
上述步骤可以根据结构和使用特点将车厢内的使用设施进行分类。
S20,确定第i类设施的设施利用率-车厢内乘客密度函数yi=fi(x)。
上述步骤可以收集数据进行多项式函数拟合,确定第i类设施的“设施利用率-车厢内乘客密度”函数yi=fi(x)
S30,利用社会力模型概念和人体气泡模型确定设施的动态检测半径函数rk=g(x)。
S40,以设施在车厢底部的投影中心为圆心,以r0为初始检测半径,在该范围内布设检测器以确定第i类设施的利用率yi,其中r0根据人体气泡模型取值定为0.49m。
S50,将得到的第i类设施的利用率yi输入设施利用率-车厢密度函数的反函数确定第i类设施在当前利用率下所对应的车厢乘客密度xi。
S60,对同类但位于不同位置的设施检测结果进行等权重处理,对不同类设施的检测结果进行线性加权,以确定车厢内乘客密度。
上述步骤可以根据其回归函数的拟合优度R2进行归一化处理得到的第i类设施的可靠度μi,以确定车厢内乘客密度并输出结果。
S70,判断此乘客密度下动态检测半径rk与初始半径r0差值是否满足预设精度ε或预设迭代次数K的要求,若不满足则令r0=rk,并迭代步骤S40至S70,直至乘客密度下动态检测半径rk与初始半径r0差值满足预设精度ε或预设迭代次数大于或者等于K,根据最终的车厢内乘客密度确定地铁车厢内乘客密度。
上述基于设施利用率的地铁车厢内乘客密度的确定方法,通过对车厢内的使用设施进行分类,确定第i类设施的设施利用率-车厢内乘客密度函数yi=fi(x),利用社会力模型概念和人体气泡模型确定设施的动态检测半径函数rk=g(x),以设施在车厢底部的投影中心为圆心,以r0为初始检测半径,在该范围内布设检测器以确定第i类设施的利用率yi,将得到的第i类设施的利用率yi输入设施利用率-车厢密度函数的反函数确定第i类设施在当前利用率下所对应的车厢乘客密度xi,对同类但位于不同位置的设施检测结果进行等权重处理,对不同类设施的检测结果进行线性加权,以确定车厢内乘客密度,判断此乘客密度下动态检测半径rk与初始半径r0差值是否满足预设精度ε或预设迭代次数K的要求,若不满足则令r0=rk,返回执行以设施在车厢底部的投影中心为圆心,以r0为初始检测半径的过程,直至乘客密度下动态检测半径rk与初始半径r0差值满足预设精度ε或预设迭代次数大于或者等于K,根据最终的车厢内乘客密度确定地铁车厢内乘客密度,以对地铁车厢内乘客密度进行快速准确地检测。
在一个实施例中,上述步骤S10包括:
S11,根据结构和使用特点将车厢内的各设施分为6类,具体包括座椅、车门壁、立柱、扶手、座椅区拉手和立柱间拉手,当座椅被坐满时,其利用率达到100%,并不随车厢乘客密度的增大而增大;
S12,确定车厢内第i类设施的数量ni。
在一个实施例中,上述步骤S20包括:
S21,收集对象车厢内乘客对不同类别设施利用情况的具体信息,包括:在不同乘客密度下的各设施使用者的数量,无设施使用者的数量;
S22,以车厢内乘客密度为自变量,以各类设施的利用率为因变量,进行多项式函数拟合,确定各设施在不同的车厢乘客密度下对应的设施利用率-车厢密度函数yi=fi(x)。
具体地,上述步骤S22中,设施利用率和车厢内乘客密度的计算如下:
单个第i类设施的利用率=单个第i类设施使用者的数量/第i类设施的平均满载量。车厢内乘客密度=(车厢内各类设施使用者的数量+无设施使用者的数量)/列车车厢的载客容量。其中,不同设施的平均满载量分别为:1个座椅最多服务1人、1个车门壁最多服务4.4人、1个立柱最多服务4.2人、1个扶手最多服务2.25人、1个座椅区拉手最多服务邻近座椅数量的1.06倍、1个立柱间拉手最多服务2.12人。
在一个实施例中,上述步骤S30包括:
S31,以人体气泡模型中身体舒适度空间的平均直径0.49m作为设施初始检测半径r0,以人体气泡模型中压缩空间的平均直径0.406m作为设施最终的不可压缩检测半径rY;
S32,受社会力模型启发,将其作为连接初始检测半径r0和不可压缩检测半径rY之间的过渡函数,以确定设施的动态检测半径函数rk=g(x)。
具体地,上述步骤S32中的所使用的社会力模型和确定的动态检测半径函数,包括:
S321,当厢密度为15%时,认为检测半径由r0开始动态减小;当车厢密度为100%时,认为检测半径达到不可压缩半径rY;
S322,参考社会力模型,将初始检测半径与不可压缩检测半径之间的连接函数用反比例型函数表示且定分子为1,则带入(0.15,r0)、(1,rY)确定函数表达式
S323,确定动态检测半径函数表达式:
在一个实施例中,上述步骤S40包括:
S41,以第i类设施在车厢底部的投影中心为圆心,以初始检测半径r0为半径,在上述圆形范围内按同心圆分布、圆上等距离布设,共计Mi个检测器;
S42,当检测器上方有物体存在时则被激活,被激活的检测器数量为mi个。则通过检测得到第i类设施利用率为
具体地,步骤S41中检测器的具体分布为:
每个同心圆环上检测器数量为每一个同心圆环上检测器密度为/>其中,d表示检测器在同一同心圆上的间距,r表示检测器所处的同心圆半径。
具体地,步骤S42中检测器的特点,包括:
检测器的工作时间为,列车驶离站台后至下一站语音到达提示前,确保检测器在列车运行稳定、内部乘客无较大位置变动时启动;检测器可感知该点位置上方有无物体占用,当检测到设施被占用时被激活,具体采用重力传感器或红外线技术。
在一个实施例中,上述步骤S50包括:
S51,获取设施利用率-车厢密度函数y=fi(x)的反函数定义域和值域均为[0,1];
S52,将得到的第i类设施的利用率输入反函数/>确定第i类设施在当前利用率下对应的车厢内乘客密度/>
在一个实施例中,上述步骤S60包括:
S61,在目标车厢内,对于同类但位于不同位置的设施检测结果进行等权重加权处理;
S62,对于不同类设施的检测结果,根据其回归函数的拟合优度R2进行归一化处理得到第i类设施的可靠度μi,进行线性加权确定车厢密度函数:
S63,根据车厢密度函数,计算确定车厢密度X。
在一个实施例中,第i类设施的可靠度μi,满足:
表示第i类设施的设施利用率-车厢密度回归函数的拟合优度,μi表示第i类设施的可靠度,/>表示第l类设施的设施利用率-车厢密度回归函数的拟合优度,μl表示第l类设施的可靠度。
在一个实施例中,上述步骤S70包括:
S71,判断此乘客密度下动态检测半径rk与初始半径r0差值是否小于预设精度ε,即|rk-r0|<ε,或判断此时迭代次数是否大于等于预设迭代次数K,即k≥K。
S72,满足S71中一个条件则跳出循环;若两个条件均不满足,则令r0=rk,并重复循环步骤S40至S70,直至满足要求跳出循环,根据最终的车厢内乘客密度确定地铁车厢内乘客密度。
具体地,步骤S71中预设精度ε与预设迭代次数K,具体取值如下:
预设精度ε=5%(r0-rY)=0.0042m,预设迭代次数K=100次。
在一个实施例中,上述基于设施利用率的地铁车厢内乘客密度的确定方法,还包括:
S81,将每节车厢对应的车厢内乘客密度结果X进行输出;
S82,将各节车厢内乘客密度按从小到大进行排序,并将相对结果以声光信号在站台的LED屏和屏蔽门处向排队乘客进行展示,以诱导候车乘客前往车厢密度较小的位置以实现引流。
在一个实施例中,以某城市(如南京)3号线中的某节车厢为研究对象,对上述基于设施利用率的地铁车厢内乘客密度的确定方法进行详细说明。本实施例提供的基于设施利用率的地铁车厢内乘客密度的确定方法可以参考图2所示,包括如下过程:
S10,根据结构和使用特点将地铁车厢内的使用设施进行分类并确定各设施的数量。以相应城市地铁3号线中的某节车厢为研究对象,选取车厢内的真实布局,车厢定员310人,如图3所示,对车厢内的使用设施分为6类,包括座椅、车门壁、立柱、扶手、座椅区拉手和立柱间拉手,设施编号分别为i=1、i=2、i=3、i=4、i=5、i=6,且认为当座椅利用率达到100%(被坐满时),其不再随车厢密度的增大而增大;一节车厢内各设施布置的数量包括:8个座椅区、10个车门壁区、13个立柱区、20个扶手区、8个座椅区拉手区、12个立柱间拉手区,即n1=8、n2=10、n3=13、n4=20、n5=8、n6=12。
S20,收集数据进行多项式函数的拟合,分别确定这6类设施的“设施利用率-车厢内乘客密度”函数,并得到相关的函数图像,如图4所示。通过收集到的数据进行多项式回归,确定座椅利用率100%时车厢内乘客的密度为22.4%,各设施的拟合函数如下:
f3(x)=-10.907x6+34.451x5-38.684x4+16.480x3-0.303x2+0.011x,0≤x≤1
f4(x)=-20.778x6+65.270x5-73.988x4+35.454x3-5.867x2+0.941x,0≤x≤1
f6(x)=-28.179x6+90.705x5-107.030x4+54.351x3-9.365x2+0.576x,0≤x≤1
其中,当车厢密度高于8.7%时车门壁利用率从0开始增加,当车厢密度高于23.3%时座椅区拉手利用率从0开始增加;上述回归函数的拟合优度分别为:
S30,利用社会力模型概念和人体气泡模型确定设施的动态检测半径函数表达式。参考社会力模型,将初始检测半径与不可压缩检测半径之间的连接函数用反比例型函数表示且定分子为1,则带入(0.15,r0)、(1,rY),其中r0=0.490、rY=0.406,确定动态检测半径函数表达式:
函数图像如图5所示。
S50,以第i类设施在车厢底部的投影中心为圆心,以初始检测半径r0为半径,在上述圆形范围内按同心圆分布、圆上等距离布设,共计Mi个检测器;当检测器上方有物体存在时则被激活,被激活的检测器数量为mi个。则通过检测得到第i类设施利用率为:
检测器的具体布局形式如图6所示。
S50,取设施利用率-车厢内乘客密度函数y=fi(x)的反函数定义域和值域均为[0,1],将得到的第i类设施的利用率/>输入反函数/>确定第i类设施在当前利用率下对应的车厢内乘客密度/>此时各设施“设施利用率-车厢内乘客密度”反函数的形式可记为:
S60,在目标车厢内,对同类但位于不同位置的设施检测结果进行等权重加权处理,由n1=8、n2=10、n3=13、n4=20、n5=8、n6=12,则6类设施经过等权重加权处理之后的表达式如下;
对不同类设施的检测结果,根据其回归函数的拟合优度R2进行归一化处理得到第i类设施的可靠度μi,通过公式确定6类设施的可靠度μi如下:
根据上述计算结果,进行线性加权确定车厢密度函数如下所示:
根据上述函数进而确定车厢内乘客密度X。
S70,进行迭代计算,判断此密度下动态检测半径rk与初始半径r0差值是否小于预设精度ε,或判断此时迭代次数是否大于等于预设迭代次数K,取ε=0.0042m、K=100次,则判断条件为:
|rk-r0|<0.0042,
k≥100,
满足其中之一则跳出循环,若均不满足则令r0=rk,并重复循环步骤S40-S 70,直至满足条件跳出循环。
S80,输出每节车厢对应的车厢密度结果X,将其按从小到大进行排序,根据结果以声光信号的形式在站台的LED屏和屏蔽门处向排队乘客进行可视化展示,诱导候车乘客前往车厢密度较小的位置以实现站台乘客引流。
上述基于设施利用率的地铁车厢内乘客密度的确定方法具有如下有益效果:
1、能够基于车厢内部设施的利用率对车厢内的乘客密度进行检测和确定,依托真实的车厢环境和数据建立数学模型,同时各设施之间的车厢内乘客密度的检测结果可互相校正,填补了通过间接方法来确定车厢内乘客密度的空白,为车厢内乘客密度的检测提供相应的参考方法支撑,具有科学性、准确性、合理性和有效性。
2、从间接和抽样的思想出发确定车厢的相对密度,区别于传统检测乘客绝对数量的方法,对原有设施的改动小、成本低,工程可行性好,内置算法合理且计算简便;
3、检测器的工作时间属离散分布,与连续检测不同,可有效缩短检测器的总工作时间,延长检测器的使用寿命。
4、可基于检测结果辅以站台引流措施以实现列车上下客和乘坐环境的改善,满足乘客对城市轨道交通系统的可用、可靠、舒适和便捷的需求,同时提高整个城市轨道交通系统的时空资源利用率和服务品质。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本申请实施例的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块,而是可选地还包括没有列出的步骤或模块,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于设施利用率的地铁车厢内乘客密度的确定方法,其特征在于,包括如下步骤:
S10,对车厢内的使用设施进行分类;
S20,确定第i类设施的设施利用率-车厢内乘客密度函数yi=fi(x);
S30,利用社会力模型概念和人体气泡模型确定设施的动态检测半径函数rk=g(x);
S40,以设施在车厢底部的投影中心为圆心,以r0为初始检测半径,在该范围内布设检测器以确定第i类设施的利用率yi;
S50,将得到的第i类设施的利用率yi输入设施利用率-车厢密度函数的反函数x=fi -1(y),确定第i类设施在当前利用率下所对应的车厢乘客密度xi;
S60,对同类但位于不同位置的设施检测结果进行等权重处理,对不同类设施的检测结果进行线性加权,以确定车厢内乘客密度;
S70,判断此乘客密度下动态检测半径rk与初始半径r0差值是否满足预设精度ε或预设迭代次数K的要求,若不满足则令r0=rk,并迭代步骤S40至S70,直至乘客密度下动态检测半径rk与初始半径r0差值满足预设精度ε或预设迭代次数大于或者等于K,根据最终的车厢内乘客密度确定地铁车厢内乘客密度。
2.根据权利要求1所述的基于设施利用率的地铁车厢内乘客密度的确定方法,其特征在于,步骤S10包括:
S11,根据结构和使用特点将车厢内的各设施分为6类,具体包括座椅、车门壁、立柱、扶手、座椅区拉手和立柱间拉手,当座椅被坐满时,其利用率达到100%,并不随车厢乘客密度的增大而增大;
S12,确定车厢内第i类设施的数量ni。
3.根据权利要求1所述的基于设施利用率的地铁车厢内乘客密度的确定方法,其特征在于,步骤S20包括:
S21,收集对象车厢内乘客对不同类别设施利用情况的具体信息,包括:在不同乘客密度下的各设施使用者的数量,无设施使用者的数量;
S22,以车厢内乘客密度为自变量,以各类设施的利用率为因变量,进行多项式函数拟合,确定各设施在不同的车厢乘客密度下对应的设施利用率-车厢密度函数yi=fi(x)。
4.根据权利要求1所述的基于设施利用率的地铁车厢内乘客密度的确定方法,其特征在于,步骤S30包括:
S31,以人体气泡模型中身体舒适度空间的平均直径0.49m作为设施初始检测半径r0,以人体气泡模型中压缩空间的平均直径0.406m作为设施最终的不可压缩检测半径rY;
S32,将社会力模型作为连接初始检测半径r0和不可压缩检测半径rY之间的过渡函数,以确定设施的动态检测半径函数rk=g(x)。
5.根据权利要求1所述的基于设施利用率的地铁车厢内乘客密度的确定方法,其特征在于,步骤S40包括:
S41,以第i类设施在车厢底部的投影中心为圆心,以初始检测半径r0为半径,在上述圆形范围内按同心圆分布、圆上等距离布设,共计Mi个检测器;
S42,当检测器上方有物体存在时则被激活,被激活的检测器数量为mi个,则通过检测得到第i类设施利用率为
6.根据权利要求1所述的基于设施利用率的地铁车厢内乘客密度的确定方法,其特征在于,步骤S50包括:
S51,获取设施利用率-车厢密度函数y=fi(x)的反函数x=fi -1(y),定义域和值域均为[0,1];
S52,将得到的第i类设施的利用率输入反函数x=fi -1(y),确定第i类设施在当前利用率下对应的车厢内乘客密度/>
7.根据权利要求1所述的基于设施利用率的地铁车厢内乘客密度的确定方法,其特征在于,步骤S60包括:
S61,在目标车厢内,对于同类但位于不同位置的设施检测结果进行等权重加权处理;
S62,对于不同类设施的检测结果,根据其回归函数的拟合优度R2进行归一化处理得到第i类设施的可靠度μi,进行线性加权确定车厢密度函数:
S63,根据车厢密度函数,计算确定车厢密度X。
8.根据权利要求7所述的基于设施利用率的地铁车厢内乘客密度的确定方法,其特征在于,第i类设施的可靠度μi,满足:
表示第i类设施的设施利用率-车厢密度回归函数的拟合优度,μi表示第i类设施的可靠度,/>表示第l类设施的设施利用率-车厢密度回归函数的拟合优度,μl表示第l类设施的可靠度。
9.根据权利要求1所述的基于设施利用率的地铁车厢内乘客密度的确定方法,其特征在于,步骤S70包括:
S71,判断此乘客密度下动态检测半径rk与初始半径r0差值是否小于预设精度ε,即|rk-r0|<ε,或判断此时迭代次数是否大于等于预设迭代次数K,即k≥K;
S72,满足S71中一个条件则跳出循环;若两个条件均不满足,则令r0=rk,并重复循环步骤S40至S70,直至满足要求跳出循环,根据最终的车厢内乘客密度确定地铁车厢内乘客密度。
10.根据权利要求1所述的基于设施利用率的地铁车厢内乘客密度的确定方法,其特征在于,还包括:
S81,将每节车厢对应的车厢内乘客密度结果X进行输出;
S82,将各节车厢内乘客密度按从小到大进行排序,并将相对结果以声光信号在站台的LED屏和屏蔽门处向排队乘客进行展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110226095.9A CN112819382B (zh) | 2021-03-01 | 2021-03-01 | 基于设施利用率的地铁车厢内乘客密度的确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110226095.9A CN112819382B (zh) | 2021-03-01 | 2021-03-01 | 基于设施利用率的地铁车厢内乘客密度的确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112819382A CN112819382A (zh) | 2021-05-18 |
CN112819382B true CN112819382B (zh) | 2024-01-02 |
Family
ID=75862683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110226095.9A Active CN112819382B (zh) | 2021-03-01 | 2021-03-01 | 基于设施利用率的地铁车厢内乘客密度的确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112819382B (zh) |
Citations (3)
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 |
CN110543985A (zh) * | 2019-08-27 | 2019-12-06 | 中南大学 | 一种列车车厢内的乘客分布预测方法及系统 |
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 |
-
2021
- 2021-03-01 CN CN202110226095.9A patent/CN112819382B/zh active Active
Patent Citations (3)
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 |
CN110543985A (zh) * | 2019-08-27 | 2019-12-06 | 中南大学 | 一种列车车厢内的乘客分布预测方法及系统 |
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 |
---|
地铁车厢立席乘客的空间舒适度建模与模拟;吴奇兵 等;《交通运输系统工程与信息》;第14卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112819382A (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Arvin et al. | The role of pre-crash driving instability in contributing to crash intensity using naturalistic driving data | |
Li et al. | Visual-manual distraction detection using driving performance indicators with naturalistic driving data | |
CN107680401B (zh) | 一种基于区间二型模糊集合的停车位满意度的评价方法 | |
Kumar et al. | Residential dissonance in TOD neighborhoods | |
Kwoka et al. | The impact of transit station areas on the travel behaviors of workers in Denver, Colorado | |
CN109903555B (zh) | 一种基于大数据的公交乘客下车数据预测方法及系统 | |
Eboli et al. | Measuring the driver's perception error in the traffic accident risk evaluation | |
CN107784832A (zh) | 一种用于识别交通道路中的事故黑点的方法与设备 | |
CN106710215A (zh) | 瓶颈上游车道级交通状态预测系统及实现方法 | |
CN110458604A (zh) | 一种网约司机评价方法、装置、设备及存储介质 | |
CN112668781B (zh) | 一种城市轨道交通地铁车厢内乘客的疏散预测方法 | |
CN110309764A (zh) | 一种基于深度学习的多阶段驾驶员打电话行为检测方法 | |
CN108573600A (zh) | 一种驾驶员行为诱导与局部交通流优化方法 | |
CN112819382B (zh) | 基于设施利用率的地铁车厢内乘客密度的确定方法 | |
CN106056285A (zh) | 一种城市综合客运枢纽运行状态评价方法及装置 | |
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 | |
Lee et al. | Contextual risk factors in the use of electric kick scooters: an episode sampling inquiry | |
CN109615036B (zh) | 一种基于公汽ic刷卡系统的细颗粒物暴露风险评估方法 | |
Kim et al. | Safety monitoring system of personal mobility driving using deep learning | |
Xiong et al. | Parallel traffic management system helps 16th Asian games | |
Wang et al. | A method to automatic measuring riding comfort of autonomous vehicles: Based on passenger subjective rating and vehicle parameters | |
CN113553921B (zh) | 一种基于卷积神经网络的地铁车厢拥挤度识别方法 | |
KR102409693B1 (ko) | 전동차의 혼잡도 정보 상태 및 영상 정보를 제공하는 시스템 | |
He et al. | Study on Occupancy Behaviors of Passengers in the Subway Cabin: An Observation in Chengdu, China | |
CN106205137A (zh) | 一种黄标车尾气自动监控识别系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |