CN112949080A - 一种基于动态驱动的城市轨道交通车站仿真系统及方法 - Google Patents

一种基于动态驱动的城市轨道交通车站仿真系统及方法 Download PDF

Info

Publication number
CN112949080A
CN112949080A CN202110301915.6A CN202110301915A CN112949080A CN 112949080 A CN112949080 A CN 112949080A CN 202110301915 A CN202110301915 A CN 202110301915A CN 112949080 A CN112949080 A CN 112949080A
Authority
CN
China
Prior art keywords
simulation
data
station
model
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.)
Granted
Application number
CN202110301915.6A
Other languages
English (en)
Other versions
CN112949080B (zh
Inventor
孙远运
刘红波
孙喜利
王爱丽
董守放
窦元辰
李璐
王子腾
刘宇
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.)
China Railway Information Beijing Network Technology Research Institute Co ltd
China Railway Information Technology Group Co ltd
SINORALL INFORMATION ENGINEERING GROUP CO LTD
Original Assignee
China Railway Information Technology Group Co ltd
Shenzhen Metro Group Co ltd
SINORALL INFORMATION ENGINEERING GROUP CO LTD
China Railway Information Beijing Network Technology Research Institute Co ltd
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 China Railway Information Technology Group Co ltd, Shenzhen Metro Group Co ltd, SINORALL INFORMATION ENGINEERING GROUP CO LTD, China Railway Information Beijing Network Technology Research Institute Co ltd filed Critical China Railway Information Technology Group Co ltd
Priority to CN202110301915.6A priority Critical patent/CN112949080B/zh
Publication of CN112949080A publication Critical patent/CN112949080A/zh
Application granted granted Critical
Publication of CN112949080B publication Critical patent/CN112949080B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/20—Configuration CAD, e.g. designing by assembling or positioning modules selected from libraries of predesigned modules
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Marketing (AREA)
  • Computer Hardware Design (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明提供一种基于动态驱动的城市轨道交通车站仿真系统及方法，系统包括数据接入和校验模块、基础模型和知识库模块、行为建模和自适应优化模块、动态驱动仿真控制模块和动态仿真决策优化模块；数据接入和校验模块用于在线和离线获取建模及仿真所需的客流到发、上下车数据及站务人员在岗和分布数据，经清洗、校验后按需传输至相应模块；基础模型和知识库模块按业务主题存储相关历史数据和经验模型，构建相应的资源知识库及经验数据模型库；行为建模和自适应优化模块用于建立行为控制模型；动态驱动仿真控制模块用于注入数据接入和校验模块数据，自适应修正仿真数据模型；动态仿真决策优化模块用于仿真推演、分析、预测和评估，为车站运营管理提供量化指标支撑。

Description

一种基于动态驱动的城市轨道交通车站仿真系统及方法
技术领域
本发明涉及一种车站的仿真方法，尤其是涉及一种基于动态驱动的城市轨道交通车站仿真系统及方法。
背景技术
随着我国城市轨道交通的快速发展，越来越多的城市已进入网络化运营阶段，客流规模日益庞大，并且逐步呈现出网络化、大客流和高密度的特征，这对运营组织和车站设施设备承载能力带来了巨大挑战；日益提高的旅客出行体验需求，也挑战着运营服务水平和运输效率；而且由于轨道交通车站空间相对狭小，大量人群聚集拥挤极易引起恶性事故的发生。
目前车站运营管理仍以经验为主，缺乏基于车站实际客流分布情况、乘客出行特征、设施通过能力等量化指标为依据的精细化管理策略。同时如何验证运营组织方案的可行性和合理性，评价车站设施承载能力和利用率，提升常态下车站运营管理水平、提高乘客出行效率、保障轨道交通系统安全与高效运行仍是轨道交通领域亟需解决的问题。
随着计算机技术的迅猛发展，数字化仿真技术已经成为解决上述问题的有效研究方法，但现有的轨道交通车站仿真技术在时效性、自适应能力等方面还存在不足，具体表现在以下几个方面：
(1)现有车站仿真系统输入数据大多采用调研或AFC数据，人工调研一般选取工作日和双休日某个具有代表性的时间段，虽然每周客流分布具有一定规律性，但仍存在差异，使用调研数据进行车站仿真存在较大误差；同时，AFC系统以15分钟为粒度采集，数据存在较大延时，使用AFC数据进行仿真缺乏精准实时预测的能力。
(2)现有车站仿真模型缺乏自适应调整能力，通常是在仿真运行前一次性配置仿真参数，无法在仿真过程中进行动态调整，无法根据站内客流分布变化自适应修正仿真数据模型，在现实条件下这些参数会随着时间变化而变化，两者的误差会导致仿真结果与现实结果的偏差，造成模型时效性较差。
(3)现有仿真方法仅模拟乘客行为，缺乏运营人员行为、乘客与运营人员间的交互行为，在实际运营过程中运营人员具有引导和疏导乘客以均衡客流、控制设备状态以影响乘客流线、限流以调整客流进站速率、突发事件处置等职能，均会影响站内客流分布状态，故需在现有仿真技术的基础上需进一步强化车站运营人员行为和乘客交互仿真技术。
发明内容
本发明提供了一种基于动态驱动的城市轨道交通车站仿真系统及方法，利用在线检测技术和动态数据驱动方法构建地铁车站人员行为仿真系统，在实际检测系统与仿真控制系统间搭建一个共生的反馈控制关系，实现地铁车站乘客和安检员、巡视员等个体走行行为以及多个个体交互行为的精准实时仿真和动态可视化展示。在仿真运行过程中不断实时注入车站客流态势数据和不同岗位站务人员在岗状态数据，对比实际情况和仿真系统的结果数据，实时修正仿真系统数据和自适应调整仿真数据模型，在新数据或新模型的基础上在线推演客流态势变化情况，验证客运组织方案的合理性和可行性，通过在线动态仿真推演、统计分析和在线评估优化客运组织方案等手段支持运营管理部门进行在线决策和优化调整，通过决策制定的管控措施反过来又作用于真实检测系统，达到仿真系统动态控制实际运营的效果，为提高车站运营管理能力提供技术支撑。
一种基于动态驱动的城市轨道交通车站仿真系统，包括数据接入和校验模块、基础模型和知识库模块、行为建模和自适应优化模块、动态驱动仿真控制模块和动态仿真决策优化模块；
所述数据接入和校验模块用于在线和离线获取建模及仿真所需的客流到发、上下车数据及站务人员在岗和分布数据，同时按照接入数据质量和业务需求规则，对其进行清洗和校验，并按需传输至仿真控制系统各模块；
所述基础模型和知识库模块按业务主题存储相关历史数据和经验模型，构建相应的资源知识库及经验数据模型库，作为仿真控制的基础支撑；
所述行为建模和自适应优化模块用于建立行为控制模型，结合在线动态接入数据，实现智能体仿真行为模型的自适应优化，所述行为控制模型的仿真对象包括乘客、站务人员及群体客流；
所述动态驱动仿真控制模块用于注入数据接入和校验模块数据，自适应修正仿真数据模型；
所述动态仿真决策优化模块用于仿真推演、分析、预测和评估，为车站运营管理提供量化指标支撑。
进一步的，所述数据接入和校验模块包括数据接入模块，所述数据接入模块包括动态数据接入和静态数据接入子模块；
所述动态数据接入子模块是在仿真过程中，与车站配置的摄像机、定位基站、WiFi探针等检测装置和实际检测系统建立数据动态接入机制，约定数据接入方式和传输频率，实时在线向仿真控制系统按需动态传输所需的客流信息、站务人员信息及相关设施设备状态信息。
所述静态数据接入子模块是在仿真启动前，导入获取车站基础环境空间设施配置信息、客流到发规律、设施选择规律、列车运行计划、车站客运组织方案、乘客个体属性信息和运营人员岗位职责及排班计划信息的静态数据。
进一步的，所述数据接入和校验模块还包括数据传输模块，所述数据传输模块包括传输接口规约定义与数据定时定量传输子模块；数据定时定量传输子模块包括定时批量历史数据传输子模块和在线动态实时数据传输子模块；
所述传输接口规约定义是根据传输的数据类型选取传输方式，根据需求定义数据格式和传输频率，建立仿真系统与其他系统之间的传输管道；
所述定时批量历史数据传输子模块是在指定时间将需求数据传输至相应模块；
所述在线动态实时数据传输子模块是根据传输频率实时将需求数据从传递路径送至相应模块，实现将各个模块的数据交互传递。
进一步的，所述数据接入和校验模块还包括数据校验清洗模块，所述数据校验清洗模块包括异构数据同化处理子模块和仿真业务规则处理子模块；
所述异构数据同化处理子模块用于根据接入数据的实际情况，对缺失值、噪声数据、异常值进行填写、剔除和平滑处理，采用延用上一仿真时钟数据值的形式进行处理；根据仿真系统的时间和空间维度进行时空维度和格式的统一和归一化处理，控制所有数据模型在空间和时间维度的一致性，仿真步长时钟和实际在线注入频率进行时间一致性的归一化处理；
所述仿真业务规则处理子模块用于根据仿真控制系统业务需求，设置相应的业务转换规则，建立数据关系视图，将异构同化处理的数据按业务要求转换为仿真业务应用系统数据。
进一步的，所述基础知识和经验模型库模块包括历史检测库子模块、资源知识库子模块和经验模型库子模块；
所述历史检测库子模块用于定时批量接收摄像机、定位基站、WiFi探针等检测装置和检测系统采集的客流、乘客和运营人员等历史采集数据，按业务主题进行分类和存储，构建历史客流、乘客和运营人员检测数据库，为车站运营仿真提供动态数据源；
所述资源知识数据库子模块根据现场调研和相关车站客运组织数据，存储客流组织方案、乘客类型、运营人员岗位职责、排班计划数据，构建资源知识库，为实现车站运营过程仿真提供关键行为数据解析要素；
所述经验模型库子模块根据现场调研、现有经验仿真模型与车站运营管理经验数据，构建和动态更新客流、乘客与运营人员经验数据模型，存储行为数据模型，构建经验行为仿真模型库，为实现仿真准确性提供仿真行为量化配置参数。
进一步的，所述行为建模和自适应优化模块包括群体客流行为控制模型、乘客行为控制模型、站务人员行为控制模型；
所述群体客流行为控制模型根据基础知识和经验模型库提供的客流数据进行聚类、分类和规律训练分析，提取客流行为特征，根据不同时间维度构建客流分布模式的规律特征集合，该集合采用多个关联集合的形式构建，将客流行为特征与实际运营日及具体早晚高峰特征进行关联，设定不同的客流控制模型。
所述乘客行为控制模型基于经典行人流理论，结合轨道交通行人特征，采用面向对象编程技术实现连续空间多粒子自驱动行人仿真模型，标定模型各种参数，引入Agent的思想设计乘客个体的感知决策机制及算法实现，构建基于连续空间多粒子自驱动乘客走行行为仿真模型，实现乘客个性化走行特征与交互协作特性的真实仿真模拟和动态交互控制；
所述站务人员行为控制模型根据车站站务人员的行为特性，构建个体站务人员agent行为模型、站务人员与乘客多智能体multi_agent交互行为模型及站务人员间协作交互模型，结合站务人员任务派发模型，基于自定义智能体行为模型，构建站务人员对群体客流与个体乘客行为管控功能，协同实现高还原度车站运营过程仿真。
进一步的，所述在线动态驱动仿真控制模块包括基础配置参数在线驱动控制模块、仿真控制模型自适应校正和驱动控制模块、基础设施在线动态驱动控制模块；
所述基础配置参数在线驱动控制模块基于数据接入和校验模块约定的规约协议和传输频率，实时动态注入参数信息，将实测信息动态在线注入车站仿真控制系统，用于校正仿真数据模型；
所述仿真控制模型自适应校正和驱动模块根据仿真环境的稳定性，设定仿真控制模型自适应校正和优化频次，计算仿真测量数据和实际测量数据的偏差，寻找适合不同运营状态的最优参数和模型；
所述基础设施在线动态驱动控制模块根据实际测量数据和客运组织方案的变化，动态控制和调整仿真车站设施设备的运行状态和方位。
进一步的，所述动态仿真决策和优化模块是基于上述各个模块建立的机制构建车站在线动态仿真控制和决策优化系统，在实际检测系统与仿真控制系统间搭建一个共生的反馈控制关系，实现仿真车站在不同客运组织方案的整个车站和各个区域的客流运行状态真实模拟、仿真推演、统计分析和评估决策。
一种基于动态驱动的城市轨道交通车站仿真方法，包括以下步骤：
S1：数据接入和清洗处理；
在仿真启动前，与车站配置的检测装置通过和系统建立数据动态接入机制，约定数据接入方式、传输频率，实现实时在线向仿真系统指定地址按需传输动态数据，离线批量向仿真系统指定地址按需传输静态数据；
根据接入数据的实际情况，对缺失值、噪声数据、异常值进行填写、剔除和平滑处理；根据仿真系统的时间和空间维度进行时空维度和格式的统一和归一化处理；根据仿真系统业务需求，设置相应的业务转换规则，建立数据关系视图，将异构同化处理的数据按业务要求重新进行抽取、转换；
S2：构建基础知识和经验模型库；
定时接收清洗处理后的数据，按业务主题进行分类和存储，构建客流、乘客、站务人员仿真对象的历史检测库和基础资源知识库，为车站运营仿真提供动态数据源和关键行为数据解析要素；
S3：仿真对象行为建模和优化；
构建相应的车站智能体仿真对象行为控制模型，包括群体客流行为控制模型、乘客行为控制模型、站务人员行为控制模型；
S4：在线动态驱动仿真控制；
包括基础配置参数在线驱动控制、仿真控制模型自适应校正和驱动控制、基础设施在线动态驱动控制；
S5：动态仿真在线决策和优化；
基于上述步骤建立的机制构建车站在线动态仿真和决策优化系统，在实际检测系统与仿真控制系统间搭建一个共生的反馈控制关系，实现仿真车站在不同客运组织方案的整个车站和各个区域的客流运行状态真实模拟和仿真推演，实现指标的分时分区域统计分析，实现站内客流量趋势、设备负荷度趋势的短时仿真推演和预测，支撑运营管理部门进行在线决策和优化调整，通过决策制定的管控措施又反作用于真实检测系统。
进一步的，步骤S3中，所述群体客流行为控制模型采用泊松分布和均匀随机分布交错的模式调整客流行为特征；所述个体乘客行为控制模型采用面向对象编程技术实现连续空间多粒子自驱动行人仿真模型，标定模型各种参数，引入Agent的思想设计行人个体的感知决策机制及算法实现；所述站务人员行为控制模型根据车站站务人员的行为特性，构建个体站务人员agent行为模型、站务人员与乘客多智能体multi_agent交互行为模型及站务人员间协作交互模型。
进一步的，步骤S4中，所述仿真控制模型自适应校正和驱动控制采用一种全局优化搜索的迭代进化算法，设定寻找仿真测量数据和实际测量数据的差异最小种群的最大迭代次数和适应值阈值，当最优个体适应度达到设定的阈值，或最优个体的适应度与群体适应度不再上升时，或迭代次数达到预设值时，终止搜索，最终搜索到接近或等于最优解的个体，实现仿真控制模型动态校准和自适应优化，提升仿真系统的精确性和时效性。
与现有技术相比，本发明具有以下优点：
(1)在仿真运行过程中不断注入车站客流态势、站务人员在岗状态及基础设施状态数据，实现修正系统输入数据和自适应优化模型参数，可很好的提高仿真精度和时效性，进而提升仿真分析、预测和评估能力。
(2)综合分析乘客、站务人员等仿真对象的行为特征，考虑乘客间、乘客与站务人员间的交互行为，挖掘群体客流行为规律特征，依据在线动态输入数据，实现人员行为模型的自适应优化，实现乘客乘车全过程的高可信建模和仿真。
(3)实现将车站仿真系统和实际运营连接成闭环系统，相互影响，仿真系统通过注入实际运营数据连续校准模型，实际运营依据仿真系统调整运营组织，两者不断修正，达到仿真系统动态地控制实际运营的效果，有助于提升车站运营管理能力。
附图说明
图1是所述基于动态驱动的城市轨道交通车站仿真系统的框架示意图；
图2是多站务人员agent与乘客/设施的交互逻辑关系图；
图3是在线决策和优化共生反馈控制关系图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能据以实施。
如图1所示的基于动态驱动的城市轨道交通车站仿真系统，是一种融合在线检测和动态驱动技术的地铁车站人员行为仿真系统，包括数据接入和校验模块、基础模型和知识库模块、行为建模和自适应优化模块、动态驱动仿真控制模块和动态仿真决策优化模块。数据接入和校验模块用于在线和离线获取建模及仿真所需的客流到发、上下车等数据及站务人员在岗和分布数据，同时按照接入数据质量和业务需求规则，对其进行清洗和校验，并按需传输至仿真控制系统各模块；基础模型和知识库模块按业务主题存储相关历史数据和经验模型，构建相应的资源知识库及经验数据模型库，作为仿真控制的基础支撑；行为建模和自适应优化模块用于建立车站乘客进出站、站务人员值守及群体客流聚集等仿真对象的行为控制模型，结合在线动态接入数据，实现智能体仿真行为模型的自适应优化；动态驱动仿真控制模块用于注入数据接入和校验模块数据，自适应修正仿真数据模型；动态仿真决策优化模块用于仿真推演、分析、预测和评估，为车站运营管理提供量化指标支撑。
所述数据接入和校验模块包括数据接入模块、数据传输模块与数据校验清洗模块。
数据接入模块由动态数据接入和静态数据接入子模块组成。
动态数据接入子模块是在仿真过程中，与车站配置的摄像机、定位基站、WiFi探针等检测装置和实际检测系统建立数据动态接入机制，约定数据接入方式和传输频率，实时在线向仿真控制系统按需动态传输所需的客流信息、站务人员信息及相关设施设备状态信息等。
静态数据接入子模块是在仿真启动前，导入获取车站基础环境空间设施配置信息、客流到发规律、设施选择规律、列车运行计划、车站客运组织方案、乘客个体属性信息和运营人员岗位职责及排班计划信息等静态数据。
数据传输模块由传输接口规约定义与数据定时定量传输子模块组成。
传输接口规约定义是根据传输的数据类型选取socket、ftp、数据库、message等传输方式，根据需求定义数据格式和传输频率，建立仿真系统与其他系统之间的传输管道，确保系统中各个模块的数据传输一致、有效。
数据定时定量传输包括定时批量历史数据传输和在线动态实时数据传输。
定时批量历史数据传输是在指定时间将需求数据传输至相应模块。
在线动态实时数据是根据传输频率实时将需求数据从传递路径送至相应模块，实现将各个模块的数据交互传递。
数据校验清洗模块包括异构数据同化处理子模块和仿真业务规则处理子模块。
异构数据同化处理子模块用于根据接入数据的实际情况，对缺失值、噪声数据、异常值等进行填写、剔除和平滑处理，采用延用上一仿真时钟数据值的形式进行处理；根据仿真系统的时间和空间维度进行时空维度和格式的统一和归一化处理，保证所有数据模型在空间和时间维度的一致性，仿真步长时钟和实际在线注入频率进行时间一致性的归一化处理等。
仿真业务规则处理子模块用于根据仿真控制系统业务需求，设置相应的业务转换规则，建立数据关系视图，将异构同化处理的数据按业务要求转换为仿真业务应用系统数据。
所述基础知识和经验模型库模块包括历史检测库子模块、资源知识库子模块和经验模型库子模块。
历史检测库子模块用于定时批量接收摄像机、定位基站、WiFi探针等检测装置和检测系统采集的客流、乘客和运营人员等历史采集数据，按业务主题进行分类和存储，构建历史客流、乘客和运营人员检测数据库，为车站运营仿真提供动态数据源。
资源知识数据库子模块根据现场调研和相关车站客运组织数据，存储客流组织方案、乘客类型、运营人员岗位职责、排班计划等数据，构建资源知识库，为实现车站运营过程仿真提供关键行为数据解析要素。
经验模型库子模块根据现场调研、现有经验仿真模型与车站运营管理经验数据，构建和动态更新客流、乘客与运营人员经验数据模型，存储客流到发规律、乘客走行微观行为、设施选择规律、全局/局部路径选择、站务人员巡视、乘客/客流与站务人员交互等行为数据模型，构建经验行为仿真模型库，为实现仿真准确性提供仿真行为量化配置参数。
行为建模和自适应优化模块基于基础模型和知识库模块的乘客和站务人员行为特征数据，构建相应的车站智能体仿真对象行为控制模型，结合在线动态接入数据，实现智能体仿真行为模型的自适应优化，该模块包括群体客流行为控制模型、乘客行为控制模型、站务人员行为控制模型。
群体客流行为控制模型：根据基础知识和经验模型库提供的客流数据进行聚类、分类和规律训练分析，提取运营车站高峰、平峰等不同时期的客流行为特征，根据不同时间维度构建客流分布模式的规律特征集合，该集合采用多个关联集合的形式构建，将客流行为特征与实际运营日及具体早晚高峰特征进行关联。根据工作日、周末、节假日等不同时期的客流动态变化特征，设定不同的客流控制模型。
乘客行为控制模型：基于经典行人流理论，结合轨道交通行人特征，采用面向对象编程技术实现连续空间多粒子自驱动行人仿真模型，标定模型各种参数，引入Agent的思想设计乘客个体的感知决策机制及算法实现，构建基于连续空间多粒子自驱动乘客走行行为仿真模型，包括乘客在车站的微观走行行为模型、乘客与乘客间交互行为模型、乘客与站务人员交互行为模型，实现乘客个性化走行特征与交互协作特性的真实仿真模拟和动态交互控制。
站务人员行为控制模型：据车站站务人员的行为特性，构建个体站务人员agent行为模型、站务人员与乘客多智能体multi_agent交互行为模型及站务人员间协作交互模型，结合站务人员任务派发模型，基于自定义智能体行为模型，构建站务人员对群体客流与个体乘客行为管控功能，协同实现高还原度车站运营过程仿真。
在线动态驱动仿真控制模块包括基础配置参数在线驱动控制模块、仿真控制模型自适应校正和驱动控制模块、基础设施在线动态驱动控制模块。
基础配置参数在线驱动控制模块基于数据接入和校验模块约定的规约协议和传输频率，实时动态注入客流进出、上下车、换乘、区域分布、平均期望速度、设施选择特征以及站务人员位置分布、在岗状态等真实测量的客流、乘客和站务人员等参数信息，将实测信息动态在线注入车站仿真控制系统，用于校正仿真数据模型。
仿真控制模型自适应校正和驱动模块根据仿真环境的稳定性，设定仿真控制模型自适应校正和优化频次，计算仿真测量数据和实际测量数据的偏差，若偏差较大，则动态校准仿真控制模型，通过最小化仿真测量数据和实际测量数据的差异，寻找适合不同运营状态的最优参数和模型。系统采用一种全局优化搜索的迭代进化算法，设定寻找仿真测量数据和实际测量数据的差异最小种群的最大迭代次数和适应值阈值，当最优个体适应度达到设定的阈值，或最优个体的适应度与群体适应度不再上升时，或迭代次数达到预设值时，终止搜索，最终搜索到接近或等于最优解的个体，实现仿真控制模型动态校准和自适应优化，提升仿真系统的精确性和时效性。
基础设施在线动态驱动控制模块根据实际测量数据和客运组织方案的变化，动态控制和调整仿真车站导流栏、闸机、扶梯、安检机、售票机等设施设备的运行状态和方位。仿真前系统首先根据设施类型、分布与服务能力采用数字型层次码进行编码和属性设置，在仿真前将构建服务设施信息初始集，在仿真过程中可动态调整和驱动各个设施的运行开关状态、方位信息和部署位置，具体的设施驱动形式可通过人工操作和系统自动触发的两种模式，设施运行状态和方位动态调整将自动对乘客的走行路径、选择设施行为同步产生连带驱动效应。
动态仿真决策和优化模块：基于上述各个模块建立的机制构建车站在线动态仿真控制和决策优化系统，在实际检测系统与仿真控制系统间搭建一个共生的反馈控制关系，真实检测系统通过实际采集数据动态校正仿真控制系统，进一步提升仿真系统的精准性和时效性，实现仿真车站在不同客运组织方案的整个车站和各个区域的客流运行状态真实模拟、仿真推演、统计分析和评估决策，通过在线动态仿真推演、统计分析和评估优化客运组织方案等手段支持运营管理部门进行在线决策和优化调整，通过决策制定的管控措施反过来又作用于真实检测系统，达到仿真系统动态控制实际运营的效果，为提高车站运营管理能力提供技术支撑。
根据上述系统，对应的融合在线检测和动态驱动技术的地铁车站人员行为仿真方法，具体地，融合在线检测和动态驱动技术的地铁车站人员行为仿真方法步骤为：
步骤S1：数据接入和清洗处理
S1-1)数据接入和传输
在仿真启动前，与车站配置的摄像机、定位基站、WiFi探针等检测装置和系统建立数据动态接入机制，约定数据接入方式和传输频率，采用socket、ftp、数据库等传输方式，实现在线或离线批量向仿真系统指定地址按需动态传输的客流进出站、换乘、上下车、区域分布等信息、站务人员在岗状态信息及导流、闸机、直梯、扶梯等设备运行状态信息等。同时，导入获取车站基础环境空间设施配置信息、客流到发规律、设施选择规律、列车运行计划、车站客运组织方案、乘客个体属性信息和运营人员岗位职责及排班计划信息等静态数据。
S1-2)数据清洗和处理
根据接入数据的实际情况，对缺失值、噪声数据、异常值等进行填写、剔除和平滑处理，采用延用上一仿真时钟数据值的形式进行处理；根据仿真系统的时间和空间维度进行时空维度和格式的统一和归一化处理，所有数据映射到[0,1]区间，统计其概率分布，使得所有数据样本的均值接近于0或与其均方差相比很小，保证所有数据模型在空间和时间维度的一致性，仿真步长时钟和实际在线注入频率进行时间一致性的归一化处理等。根据仿真系统业务需求，设置相应的业务转换规则，建立数据关系视图，将异构同化处理的数据按业务要求重新进行抽取、转换。
步骤S2：构建基础知识和经验模型库
定时接收清洗处理后的数据，按业务主题进行分类和存储，构建客流、乘客、站务人员等仿真对象的历史检测库和基础资源知识库，为车站运营仿真提供动态数据源和关键行为数据解析要素。历史检测库以客流、乘客、站务人员检测系统的信息库为基准进行构建，基础资源知识库主要从运营车站调研获取，主要包括客运组织方案、行车组织方案、应急处置预案，乘客类型、微观行为要素，运营人员岗位职责、布岗方案、排班计划等。根据仿真对象行为特征和现有经验仿真模型，构建和动态更新仿真对象行为经验模型库，主要包括客流到发/换乘/上下车规律、乘客微观走行和异常行为、设施选择规律、全局/局部路径选择、站务人员巡视、乘客/客流与站务人员交互等行为数据模型，为实现仿真准确性提供仿真行为量化配置参数。所有基础知识和模型数据以被动接收和主动录入的形式，存储于仿真系统库中，供仿真行为建模和优化调用。
步骤S3：仿真对象行为建模和优化
根据地铁车站群体客流和个体乘客及站务人员的行为特征，在基础知识和经验模型库的支撑下，对经验模型进行自适应的校验和优化，从而构建相应的车站智能体仿真对象行为控制模型，包括群体客流行为控制模型、乘客行为控制模型、站务人员行为控制模型。
S3-1)群体客流行为控制模型
对基础知识和经验模型库提供的客流数据进行聚类、分类和规律训练分析，提取运营车站高峰、平峰等不同时期的客流行为特征，根据不同时间维度构建客流分布模式的规律特征集合，该集合采用多个关联集合的形式构建，将客流行为特征与实际运营日及具体早晚高峰特征进行关联。根据工作日、周末、节假日等不同时期的客流动态变化特征，设定不同的客流控制模型。其中，工作日采用双高峰分布模式，早晚高峰两个时间节点采用泊松分布的模式动态调整客流行为特征，非早晚高峰时间采用均匀随机分布的模式调整客流行为特征；周末采用单高峰分布模式，在整个运营日内无明显高峰时段，采用均匀随机分布的模式调整客流行为特征；节假日采用多峰分布模式，在整个运营日内出现多个高峰时段，采用泊松分布和均匀随机分布交错的模式调整客流行为特征。
客流分布特征行为设置模式如式(1)所示，在具体仿真过程中需判断仿真日期sim_day是否为工作日、周末、节假日，在此基础上判断当前仿真时间sim_Ti是否为高峰、平峰(以仿真分布时间片字典为划分依据)，在上述两阶段的基础上选择客流分布可选用泊松分布模型possion(λ)或均匀随机分布模型uniform(min,max)(具体分布可根据车站实际情况进行灵活设置)。
F(x)＝operation(sim_day,sim_Ti)+distribution(possion(λ)|uniform(min,max)) (1)
符合泊松分布的事件模拟到达时间计算如式(2)所示，采用CDF(累积分布函数)的思想，即在每个时间间隔内T，取一个0至1之间的随机浮点值r＝rand(0,1)，若r小于指数累计阈值Index_dist＝1-e-λ，则该时间有乘客到达，若r大于Index_dist，则用r乘下一个时间间隔T++产生的0至1之间的随机浮点值，循环直至r小于Index_dist，乘客的下一次到达时间即为上一次到达时间加上循环次数减1。式中λ＝unitTime/arrival_passenger为客流到达率，即unitTime单位时间内(一般以秒为单位)乘客到达率，若一小时内到达乘客arrival_passenger＝600人，则λ为1/6。
Figure BDA0002986604560000151
符合均匀随机分布的事件假设客流在时间间隔内是均匀随机分布的，将客流到达时间划分为多个时间间隔，在该时间间隔内随机生成到达客流
Figure BDA0002986604560000152
(0,arrival_passenger(Δti)*β)，其中arrival_passenger(Δti)为单位时间间隔内的乘客到达数量，考虑到每个时间间隔内到达客流存在一定的差异性，因此设置变化系数β，当该时间内客流到达数量高于平均到达率时β＞1，当该时间内客流到达数量低于平均到达率时0＜β＜1，具体值根据客流特征进行灵活设置。
S3-2)个体乘客行为控制模型
基于经典行人流理论，结合轨道交通行人特征，采用面向对象编程技术实现连续空间多粒子自驱动行人仿真模型，标定模型各种参数，引入Agent的思想设计行人个体的感知决策机制及算法实现，构建基于连续空间多粒子自驱动行人走行行为仿真模型，走行过程主要归纳为四个子步骤：到达(生成)-选择目的地-前往-离开(消失)。在仿真前需对整个仿真智能体agent走行流线的作用对象进行设置，包括目标线、目标区域、走行路径、服务设施点、服务设施交互影响、服务队列等，并设置相应属性。在设置乘客智能体agent到达或离开时通过目标线Target Line来设置，行人将从Target Line出现或离开；其次在需要服务的地方设置服务设施与乘客交互影响(Service with Impact)和服务排队线(Servicewith Lines)，如闸机、安检、售票等区域，再设置服务的相关交互作用属性和排队形式。基于上述机制建立乘客agent仿真控制逻辑，实现个体乘客agent进站、购票/安检、候车、换乘、乘车及出站等完整流线行为的智能仿真模拟。
同时，在从基础乘客自身走行的行为特征基础上，引入碰撞预测机制，添加视觉角度灾害属性对乘客走行的影响，构建乘客在突发异常环境下的行为特征模型，灵活设定和生成归巢、从众、躲避、往开阔处等多种异常规避行为模式，实现行人间交互与灾害绕避等个性化微观行为特征与交互协作特性。
S3-3)个体站务人员行为控制模型
根据车站站务人员的行为特性，构建个体站务人员agent行为模型、站务人员与乘客多智能体multi_agent交互行为模型及站务人员间协作交互模型。其中，个体站务人员agent行为模型包括自身走行和岗位值守行为模型，自身走行行为模型采用乘客微观走行模型；岗位值守行为模型采用智能体的形式，根据安检、巡视、引导等站务人员岗位与职责分工自定义其行为模型，系统将根据岗位职责范围划定工作区域，根据在岗要求设定规则。
其中，安检人员AN_agent以固定位置站立为主，活动区域将集中在安检区域AN_Target附近，系统将根据车站空间设施布局构建安检设施库进行分类编码和属性设置，将对乘客PA_agent进站速度和设施选择进行一定影响；巡视人员XUN_agent将在整个运营区域按照设定巡视路线进行走行，正常情况下对乘客PA_agent走行无干扰；引导人员YIN_agent将与乘客PA_agent进行交互，在车站范围内引导和疏导乘客，并可控制设备SHE_agent状态以影响乘客走行路径和设施选择。仿真开始时，将自动接入当前仿真时间sim_day的站务人员排班计划，在仿真过程中将自动在线接入在岗人员的位置和分布信息，并定时根据仿真步长进行更新，具体站务人员与乘客/设施的交互逻辑关系如图2所示。基于上述机制建立站务人员agent仿真控制逻辑，实现站务人员自身走行和岗位值守行为的智能仿真模拟。
步骤S4：在线动态驱动仿真控制
S4-1)基础配置参数在线驱动控制
在仿真过程中，按照仿真基础配置参数在线驱动的需求设置参数调整时间间隔span_time[i]，该时间间隔原则上应与数据接入传输间隔保持一致，并设置基础动态配置参数集合，包括客流仿真控制模型参数集passenger_list、乘客仿真控制模型参数集chengke_list和站务人员仿真控制模型参数集staff_list。按照设定的时间频次在线向正在运行的仿真系统动态注入客流进出、上下车、换乘、区域分布、平均期望速度、设施选择特征以及站务人员位置分布、在岗状态等真实测量的客流、乘客和站务人员等参数信息，按需定时进行同步更新和动态迭代仿真基础配置参数库，用于校正仿真基础配置参数和数据模型。在span_time[i]与span_time[i+1]更新间隔内采用当前清洗处理后的客流基准数集passenger_list(主要包括客流进出站集合、上下车集合(如式3)等)的方式进行随机生成更新迭代信息库，站务人员信息基准集合staff_list同步保持不变。
Figure BDA0002986604560000171
S4-2)仿真控制模型自适应校正和驱动
根据仿真环境的稳定性，设定仿真控制模型自适应校正和优化频次，计算仿真测量数据和实际测量数据的偏差，若偏差较大，则动态校准仿真控制模型，系统通过最小化仿真测量数据和实际测量数据的差异，寻找适合不同运营状态的最优参数和模型。系统采用一种全局优化搜索的迭代进化算法EA，设定寻找仿真测量数据和实际测量数据的差异最小种群的最大迭代次数和适应值阈值，基本数学模型如下所示：
Figure BDA0002986604560000172
该算法的主要操作流程为首先依据经验模型库对每个客流仿真控制模型参数集passenger_list、乘客仿真控制模型参数集chengke_list和站务人员仿真控制模型参数集staff_list等进行组合形成种群，选取M个可能取值形成初始种群P0，每个取值代表一个个体C；根据仿真测量与实际测量客流和站务人员的运动状态差异计算个体的适应值E，基于适应值采用轮盘赌选择等
Figure BDA0002986604560000173
选择算子选取较优个体组成父代种群，通过Γ交叉、ψ变异算子产生新的个体，其中Γ交叉操作是将原始的两个父代个体组合生成两个新的个体组合，这就相当于在解空间进行搜索，每个个体都是解空间的一个可行解，ψ变异算法主要作用是保持种群的多样性以防止种群陷入局部最优；最后，当最优个体适应度达到设定的阈值，或最优个体的适应度与群体适应度不再上升时，或迭代次数达到预设值时，终止搜索，最终搜索到接近或等于最优解的个体。基于上述机制建立仿真控制模型自适应校正逻辑，实现仿真控制模型动态校准和自适应优化，提升仿真系统的精确性和时效性。
S4-3)基础设施在线动态驱动控制
仿真过程中可根据实际测量数据和客运组织方案的变化，动态控制和调整仿真车站导流栏、闸机、扶梯、安检机、售票机等设施设备的运行状态和方位。仿真前系统首先根据设施类型、分布与服务能力采用数字型层次码进行编码和属性设置(包括设施编码、名称、位置、形状、占用面积、运行状态和方位等)，具体编码示例如导流栏01000、闸机02000、扶梯03000等，每种设施可根据具体布局和位置继续进行分层编码，如闸机02001、02002、02003等。在仿真前将构建服务设施信息初始集：facility_list(sim_T0)＝{ID,name,location,state,direction...}，在仿真过程中可动态调整和驱动update(facility_list(sim_Ti))各个设施的运行开关状态(state＝0或1)、方位信息(direction＝upordown)和部署位置(location_x,location_y,location_z)，具体的设施驱动形式可通过人工操作和系统自动触发的两种模式。基于上述机制建立基础设施在线动态驱动控制逻辑，实现设施运行状态和方位动态调整，将自动对乘客的走行路径、选择设施行为同步产生连带驱动效应，实时在线引导乘客行走流线，实现运营组织方案数字化和在线动态调整，可根据当前客流分布状态，利用仿真实验，验证不同客运组织方案的可行性和合理性。
步骤S5：动态仿真在线决策和优化
如图3所示，基于上述S1、S2、S3、S4建立的机制构建车站在线动态仿真和决策优化系统，在实际检测系统与仿真控制系统间搭建一个共生的反馈控制关系，真实检测系统通过实际采集数据动态校正仿真控制系统，进一步提升仿真系统的精准性和时效性，实现仿真车站在不同客运组织方案的整个车站和各个区域的客流运行状态真实模拟和仿真推演，实现客流量、密度、速度、拥挤度、设施利用率、负荷度、通过量等指标的分时分区域统计分析，实现站内客流量趋势、设备负荷度趋势等短时仿真推演和预测，短时预测车站客流分布状态，为提高运营主动性和安全性提供技术支撑；结合评估标准，按照实际需求在线评估当前客运组织方案、设施设备布局、设施服务匹配性等的有效性。
仿真控制系统依据仿真推演、分析、预测和评估结果，通过在线动态仿真推演、统计分析和在线评估优化客运组织方案等手段支持运营管理部门进行在线决策和优化调整，通过决策制定的管控措施反过来又作用于真实检测系统，达到仿真系统动态控制实际运营的效果，为提高车站运营管理能力提供技术支撑。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (11)

1.一种基于动态驱动的城市轨道交通车站仿真系统，其特征在于：包括数据接入和校验模块、基础模型和知识库模块、行为建模和自适应优化模块、动态驱动仿真控制模块和动态仿真决策优化模块；
所述数据接入和校验模块用于在线和离线获取建模及仿真所需的客流到发、上下车数据及站务人员在岗和分布数据，同时按照接入数据质量和业务需求规则，对其进行清洗和校验，并按需传输至仿真控制系统各模块；
所述基础模型和知识库模块按业务主题存储相关历史数据和经验模型，构建相应的资源知识库及经验数据模型库，作为仿真控制的基础支撑；
所述行为建模和自适应优化模块用于建立行为控制模型，所述行为控制模型的仿真对象包括车站乘客、站务人员及群体客流；
所述动态驱动仿真控制模块用于注入数据接入和校验模块数据，自适应修正仿真数据模型；
所述动态仿真决策优化模块用于仿真推演、分析、预测和评估，为车站运营管理提供量化指标支撑。
2.根据权利要求1所述的基于动态驱动的城市轨道交通车站仿真系统，其特征在于：所述数据接入和校验模块包括数据接入模块，所述数据接入模块包括动态数据接入和静态数据接入子模块；
所述动态数据接入子模块是在仿真过程中，与车站配置的摄像机、定位基站、WiFi探针等检测装置和实际检测系统建立数据动态接入机制，约定数据接入方式和传输频率，实时在线向仿真控制系统按需动态传输所需的客流信息、站务人员信息及相关设施设备状态信息。
所述静态数据接入子模块是在仿真启动前，导入获取车站基础环境空间设施配置信息、客流到发规律、设施选择规律、列车运行计划、车站客运组织方案、乘客个体属性信息和运营人员岗位职责及排班计划信息的静态数据。
3.根据权利要求1所述的基于动态驱动的城市轨道交通车站仿真系统，其特征在于：所述数据接入和校验模块还包括数据传输模块，所述数据传输模块包括传输接口规约定义与数据定时定量传输子模块；数据定时定量传输子模块包括定时批量历史数据传输子模块和在线动态实时数据传输子模块；
所述传输接口规约定义是根据传输的数据类型选取传输方式，根据需求定义数据格式和传输频率，建立仿真系统与其他系统之间的传输管道；
所述定时批量历史数据传输子模块是在指定时间将需求数据传输至相应模块；
所述在线动态实时数据传输子模块是根据传输频率实时将需求数据从传递路径送至相应模块，实现将各个模块的数据交互传递。
4.根据权利要求1所述的基于动态驱动的城市轨道交通车站仿真系统，其特征在于：所述数据接入和校验模块还包括数据校验清洗模块，所述数据校验清洗模块包括异构数据同化处理子模块和仿真业务规则处理子模块；
所述异构数据同化处理子模块用于根据接入数据的实际情况，对缺失值、噪声数据、异常值进行填写、剔除和平滑处理，采用延用上一仿真时钟数据值的形式进行处理；根据仿真系统的时间和空间维度进行时空维度和格式的统一和归一化处理，控制所有数据模型在空间和时间维度的一致性，仿真步长时钟和实际在线注入频率进行时间一致性的归一化处理；
所述仿真业务规则处理子模块用于根据仿真控制系统业务需求，设置相应的业务转换规则，建立数据关系视图，将异构同化处理的数据按业务要求转换为仿真业务应用系统数据。
5.根据权利要求1所述的基于动态驱动的城市轨道交通车站仿真系统，其特征在于：所述基础知识和经验模型库模块包括历史检测库子模块、资源知识库子模块和经验模型库子模块；
所述历史检测库子模块用于定时批量接收摄像机、定位基站、WiFi探针等检测装置和检测系统采集的客流、乘客和运营人员等历史采集数据，按业务主题进行分类和存储，构建历史客流、乘客和运营人员检测数据库，为车站运营仿真提供动态数据源；
所述资源知识数据库子模块根据现场调研和相关车站客运组织数据，存储客流组织方案、乘客类型、运营人员岗位职责、排班计划数据，构建资源知识库，为实现车站运营过程仿真提供关键行为数据解析要素；
所述经验模型库子模块根据现场调研、现有经验仿真模型与车站运营管理经验数据，构建和动态更新客流、乘客与运营人员经验数据模型，存储行为数据模型，构建经验行为仿真模型库，为实现仿真准确性提供仿真行为量化配置参数。
6.根据权利要求1所述的基于动态驱动的城市轨道交通车站仿真系统，其特征在于：所述行为建模和自适应优化模块包括群体客流行为控制模型、乘客行为控制模型、站务人员行为控制模型；
所述群体客流行为控制模型根据基础知识和经验模型库提供的客流数据进行聚类、分类和规律训练分析，提取客流行为特征，根据不同时间维度构建客流分布模式的规律特征集合，该集合采用多个关联集合的形式构建，将客流行为特征与实际运营日及具体早晚高峰特征进行关联，设定不同的客流控制模型。
所述乘客行为控制模型基于经典行人流理论，结合轨道交通行人特征，采用面向对象编程技术实现连续空间多粒子自驱动行人仿真模型，标定模型各种参数，引入Agent的思想设计乘客个体的感知决策机制及算法实现，构建基于连续空间多粒子自驱动乘客走行行为仿真模型，实现乘客个性化走行特征与交互协作特性的真实仿真模拟和动态交互控制；
所述站务人员行为控制模型根据车站站务人员的行为特性，构建个体站务人员agent行为模型、站务人员与乘客多智能体multi_agent交互行为模型及站务人员间协作交互模型，结合站务人员任务派发模型，基于自定义智能体行为模型，构建站务人员对群体客流与个体乘客行为管控功能，协同实现高还原度车站运营过程仿真。
7.根据权利要求1所述的基于动态驱动的城市轨道交通车站仿真系统，其特征在于：所述在线动态驱动仿真控制模块包括基础配置参数在线驱动控制模块、仿真控制模型自适应校正和驱动控制模块、基础设施在线动态驱动控制模块；
所述基础配置参数在线驱动控制模块基于数据接入和校验模块约定的规约协议和传输频率，实时动态注入参数信息，将实测信息动态在线注入车站仿真控制系统，用于校正仿真数据模型；
所述仿真控制模型自适应校正和驱动模块根据仿真环境的稳定性，设定仿真控制模型自适应校正和优化频次，计算仿真测量数据和实际测量数据的偏差，寻找适合不同运营状态的最优参数和模型；
所述基础设施在线动态驱动控制模块根据实际测量数据和客运组织方案的变化，动态控制和调整仿真车站设施设备的运行状态和方位。
8.根据权利要求1所述的基于动态驱动的城市轨道交通车站仿真系统，其特征在于：所述动态仿真决策和优化模块是基于上述各个模块建立的机制构建车站在线动态仿真控制和决策优化系统，在实际检测系统与仿真控制系统间搭建一个共生的反馈控制关系，实现仿真车站在不同客运组织方案的整个车站和各个区域的客流运行状态真实模拟、仿真推演、统计分析和评估决策，支撑运营管理部门进行在线决策和优化调整，通过决策制定的管控措施反过来又作用于真实检测系统。
9.一种基于动态驱动的城市轨道交通车站仿真方法，包括以下步骤：
S1：数据接入和清洗处理；
在仿真启动前，与车站配置的检测装置通过和系统建立数据动态接入机制，约定数据接入方式、传输频率，实现实时在线向仿真系统指定地址按需传输动态数据，离线批量向仿真系统指定地址按需传输静态数据；
根据接入数据的实际情况，对缺失值、噪声数据、异常值进行填写、剔除和平滑处理；根据仿真系统的时间和空间维度进行时空维度和格式的统一和归一化处理；根据仿真系统业务需求，设置相应的业务转换规则，建立数据关系视图，将异构同化处理的数据按业务要求重新进行抽取、转换；
S2：构建基础知识和经验模型库；
定时接收清洗处理后的数据，按业务主题进行分类和存储，构建客流、乘客、站务人员仿真对象的历史检测库和基础资源知识库，为车站运营仿真提供动态数据源和关键行为数据解析要素；
S3：仿真对象行为建模和优化；
构建相应的车站智能体仿真对象行为控制模型，包括群体客流行为控制模型、乘客行为控制模型、站务人员行为控制模型；
S4：在线动态驱动仿真控制；
包括基础配置参数在线驱动控制、仿真控制模型自适应校正和驱动控制、基础设施在线动态驱动控制；
S5：动态仿真在线决策和优化；
基于上述步骤建立的机制构建车站在线动态仿真和决策优化系统，在实际检测系统与仿真控制系统间搭建一个共生的反馈控制关系，实现仿真车站在不同客运组织方案的整个车站和各个区域的客流运行状态真实模拟和仿真推演，实现指标的分时分区域统计分析，实现站内客流量趋势、设备负荷度趋势的短时仿真推演和预测，支撑运营管理部门进行在线决策和优化调整，通过决策制定的管控措施又反作用于真实检测系统。
10.根据权利要求9所述的基于动态驱动的城市轨道交通车站仿真方法，其特征在于：步骤S3中，所述群体客流行为控制模型采用泊松分布和均匀随机分布交错的模式调整客流行为特征；所述个体乘客行为控制模型采用面向对象编程技术实现连续空间多粒子自驱动行人仿真模型，标定模型各种参数，引入Agent的思想设计行人个体的感知决策机制及算法实现；所述站务人员行为控制模型根据车站站务人员的行为特性，构建个体站务人员agent行为模型、站务人员与乘客多智能体multi_agent交互行为模型及站务人员间协作交互模型。
11.根据权利要求9所述的基于动态驱动的城市轨道交通车站仿真方法，其特征在于：步骤S4中，所述仿真控制模型自适应校正和驱动控制采用一种全局优化搜索的迭代进化算法，设定寻找仿真测量数据和实际测量数据的差异最小种群的最大迭代次数和适应值阈值，当最优个体适应度达到设定的阈值，或最优个体的适应度与群体适应度不再上升时，或迭代次数达到预设值时，终止搜索，最终搜索到接近或等于最优解的个体，实现仿真控制模型动态校准和自适应优化，提升仿真系统的精确性和时效性。
CN202110301915.6A 2021-03-22 2021-03-22 一种基于动态驱动的城市轨道交通车站仿真系统及方法 Active CN112949080B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110301915.6A CN112949080B (zh) 2021-03-22 2021-03-22 一种基于动态驱动的城市轨道交通车站仿真系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110301915.6A CN112949080B (zh) 2021-03-22 2021-03-22 一种基于动态驱动的城市轨道交通车站仿真系统及方法

Publications (2)

Publication Number Publication Date
CN112949080A true CN112949080A (zh) 2021-06-11
CN112949080B CN112949080B (zh) 2024-03-22

Family

ID=76227532

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110301915.6A Active CN112949080B (zh) 2021-03-22 2021-03-22 一种基于动态驱动的城市轨道交通车站仿真系统及方法

Country Status (1)

Country Link
CN (1) CN112949080B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113505166A (zh) * 2021-07-13 2021-10-15 中国联合网络通信集团有限公司 多类型数据接入方法及装置、电子设备和可读存储介质
CN114491878A (zh) * 2021-11-18 2022-05-13 广州泰禾大数据服务有限公司 一种线性全实时数据动态可视化分析方法
CN116125833A (zh) * 2023-04-20 2023-05-16 眉山中车制动科技股份有限公司 列车试验台实时仿真方法及列车仿真系统
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
CN117649027A (zh) * 2024-01-25 2024-03-05 深圳宇翊技术股份有限公司 基于智慧车站的数据处理方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140127658A (ko) * 2013-04-25 2014-11-04 (주)벨루션네트웍스 All-ip 기반의 역무 통합 관리 시스템
KR20140127659A (ko) * 2013-04-25 2014-11-04 (주)벨루션네트웍스 All-ip 기반의 역무 통합 모니터링 시스템
CN105404850A (zh) * 2015-10-21 2016-03-16 中南大学 车站客流监测系统、车站客流监测方法及车站客流管控系统、车站客流管控方法
CN105488751A (zh) * 2015-06-12 2016-04-13 青岛智能产业技术研究院 一种地铁站客流微观统计与调度方法
CN105835912A (zh) * 2016-04-06 2016-08-10 北京交通大学 城市轨道交通运行仿真系统及方法
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140127658A (ko) * 2013-04-25 2014-11-04 (주)벨루션네트웍스 All-ip 기반의 역무 통합 관리 시스템
KR20140127659A (ko) * 2013-04-25 2014-11-04 (주)벨루션네트웍스 All-ip 기반의 역무 통합 모니터링 시스템
CN105488751A (zh) * 2015-06-12 2016-04-13 青岛智能产业技术研究院 一种地铁站客流微观统计与调度方法
CN105404850A (zh) * 2015-10-21 2016-03-16 中南大学 车站客流监测系统、车站客流监测方法及车站客流管控系统、车站客流管控方法
CN105835912A (zh) * 2016-04-06 2016-08-10 北京交通大学 城市轨道交通运行仿真系统及方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
伍敏: ""城市轨道交通车站大客流处置的数据驱动模式"", 《城市轨道交通研究》, vol. 23, no. 3, 10 March 2020 (2020-03-10), pages 8 - 11 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113505166A (zh) * 2021-07-13 2021-10-15 中国联合网络通信集团有限公司 多类型数据接入方法及装置、电子设备和可读存储介质
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
CN114491878A (zh) * 2021-11-18 2022-05-13 广州泰禾大数据服务有限公司 一种线性全实时数据动态可视化分析方法
CN114491878B (zh) * 2021-11-18 2023-02-28 广州泰禾大数据服务有限公司 一种线性全实时数据动态可视化分析方法
CN116125833A (zh) * 2023-04-20 2023-05-16 眉山中车制动科技股份有限公司 列车试验台实时仿真方法及列车仿真系统
CN117649027A (zh) * 2024-01-25 2024-03-05 深圳宇翊技术股份有限公司 基于智慧车站的数据处理方法及系统
CN117649027B (zh) * 2024-01-25 2024-05-07 深圳宇翊技术股份有限公司 基于智慧车站的数据处理方法及系统

Also Published As

Publication number Publication date
CN112949080B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
CN112949080A (zh) 一种基于动态驱动的城市轨道交通车站仿真系统及方法
Karami et al. Smart transportation planning: Data, models, and algorithms
Iglesias et al. Data-driven model predictive control of autonomous mobility-on-demand systems
Toqué et al. Forecasting dynamic public transport origin-destination matrices with long-short term memory recurrent neural networks
D’Angelo et al. Travel-time prediction for freeway corridors
Nuzzolo et al. A mesoscopic transit assignment model including real-time predictive information on crowding
Sáez et al. Hybrid predictive control strategy for a public transport system with uncertain demand
Hu et al. A two-stage dynamic capacity planning approach for agricultural machinery maintenance service with demand uncertainty
Chen et al. Uncertainty in urban mobility: Predicting waiting times for shared bicycles and parking lots
Yao et al. Simulation‐Based Dynamic Passenger Flow Assignment Modelling for a Schedule‐Based Transit Network
Wu et al. Estimation of emergency evacuation capacity for subway stations
Chen et al. A Deep Learning Model with Conv‐LSTM Networks for Subway Passenger Congestion Delay Prediction
CN115953186A (zh) 一种网约车需求模式识别与短时需求预测方法
CN114819418B (zh) 一种车站客流控制方法、装置、设备及可读存储介质
Sun et al. Biobjective emergency logistics scheduling model based on uncertain traffic conditions
Liu et al. Understanding urban bus travel time: Statistical analysis and a deep learning prediction
CN118278914A (zh) 一种基于gis系统设备故障抢修的实现方法
Yu et al. Combining travel behavior in metro passenger flow prediction: A smart explainable Stacking-Catboost algorithm
La Rocca et al. Heuristics for electric taxi fleet management at Teo Taxi
Nuzzolo et al. Stop: a short term transit occupancy prediction tool for aptis and real time transit management systems
Xie et al. Subway sudden passenger flow prediction method based on two factors: case study of the Dongsishitiao station in Beijing
Park et al. Anticipatory dynamic traffic sensor location problems with connected vehicle technologies
Niu et al. Highway Temporal‐Spatial Traffic Flow Performance Estimation by Using Gantry Toll Collection Samples: A Deep Learning Method
CN116110588A (zh) 基于动态邻接矩阵和时空注意力的医学时间序列预测方法
Tin et al. Incoming Work‐In‐Progress Prediction in Semiconductor Fabrication Foundry Using Long Short‐Term Memory

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
TA01 Transfer of patent application right

Effective date of registration: 20221019

Address after: 100048 08A, building 22, Shouti South Road, Haidian District, Beijing

Applicant after: China Railway Information (Beijing) Network Technology Research Institute Co.,Ltd.

Applicant after: China Railway Information Technology Group Co.,Ltd.

Applicant after: SINORALL INFORMATION ENGINEERING GROUP Co.,Ltd.

Address before: 100048 08A, building 22, Shouti South Road, Haidian District, Beijing

Applicant before: China Railway Information (Beijing) Network Technology Research Institute Co.,Ltd.

Applicant before: China Railway Information Technology Group Co.,Ltd.

Applicant before: SINORALL INFORMATION ENGINEERING GROUP Co.,Ltd.

Applicant before: SHENZHEN METRO GROUP Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant