CN112966218B - 一种车厢载客人数实时计算方法及装置 - Google Patents
一种车厢载客人数实时计算方法及装置 Download PDFInfo
- Publication number
- CN112966218B CN112966218B CN202110215627.9A CN202110215627A CN112966218B CN 112966218 B CN112966218 B CN 112966218B CN 202110215627 A CN202110215627 A CN 202110215627A CN 112966218 B CN112966218 B CN 112966218B
- Authority
- CN
- China
- Prior art keywords
- time
- station
- travel
- passenger
- carriage
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000012546 transfer Methods 0.000 claims description 34
- 230000015654 memory Effects 0.000 claims description 23
- 239000000969 carrier Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 9
- 239000002609 medium Substances 0.000 description 10
- 230000006870 function Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- XQCFHQBGMWUEMY-ZPUQHVIOSA-N Nitrovin Chemical compound C=1C=C([N+]([O-])=O)OC=1\C=C\C(=NNC(=N)N)\C=C\C1=CC=C([N+]([O-])=O)O1 XQCFHQBGMWUEMY-ZPUQHVIOSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Mathematical Optimization (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本申请实施例公开了一种车厢载客人数实时计算方法及装置。本申请实施例提供的技术方案，通过基于历史客流运行数据确定各个乘客的乘车路径，根据乘车路径遍历出对应的预测行程，基于站内行程时间分布信息确定各个预测行程的行程时间，根据各个行程时间与实际路径耗时的比对结果从预测行程中确定各个乘客的实际行程。之后，通过确定当前地铁线网的运行车辆，基于运行车辆的运行位置和运行时间分布信息比对当前乘客实际行程对应的子行程，确定各个车厢的车厢载客人数。采用上述技术手段，可以提升车厢载客人数的计算精度，基于车厢载客人数的精确计算实现更好的轨道交通运行管理效果。
Description
技术领域
本申请实施例涉及轨道交通技术领域，尤其涉及一种车厢载客人数实时计算方法及装置。
背景技术
目前，地铁作为人们一种重要的交通出行方式，给人们出行带来了巨大的便利。而随着乘坐地铁的人越来越多，伴随而来的问题也越来越多。在地铁运行场景中，如何确定车厢载客人数，为乘客提供更合理的出行路线选择，规避高峰堵塞以及提前部署站点安保措施等问题，已成为地铁运营场景中亟需解决的问题。为此，在轨道交通运行管理系统中通常会使用车厢载客人数识别模型来计算车厢载客人数。车厢载客人数识别模型主要通过监控设备统计、车厢压力传感器统计或者乘客进出闸数据统计来计算车厢载客人数，以实现较好的交通运行管理效果。
但是，现有的车厢载客人数识别模型在进行车厢载客人数实时计算时，受各类统计误差的影响，导致车厢载客人数计算精度相对较低，进而影响轨道交通运行管理效果。
发明内容
本申请实施例提供一种车厢载客人数实时计算方法及装置，能够提升车厢载客人数实时计算的精确度，优化轨道交通运行管理效果。
在第一方面，本申请实施例提供了一种车厢载客人数实时计算方法，包括：
获取地铁线网历史客流运行数据，并确定地铁线网各个站点对应的站内行程时间分布信息，所述站内行程时间分布信息包括进站上车时间分布信息、下车出站时间分布信息和站内换乘时间分布信息；
基于所述历史客流运行数据确定各个乘客的乘车路径，根据所述乘车路径遍历出对应的预测行程，基于所述站内行程时间分布信息确定各个所述预测行程的行程时间，根据各个所述行程时间与实际路径耗时的比对结果从所述预测行程中确定各个乘客的实际行程，所述实际行程包括各个子行程及对应的时间节点；
确定当前地铁线网的运行车辆，基于所述运行车辆的运行位置和运行时间分布信息比对当前乘客所述实际行程对应的子行程，确定各个车厢的上车人数和下车人数，基于所述上车人数和所述下车人数统计所述运行车辆各个车厢的车厢载客人数。
进一步的，确定地铁线网各个站点对应的站内行程时间分布信息，包括：
确定地铁线网各个站点的位置节点，所述位置节点包括进站闸机、出站闸机和站台屏蔽门；
遍历对应的所述位置节点之间的行进路线，确定各个所述行进路线的行进时间作为站内行程时间分布信息。
进一步的，基于所述历史客流运行数据确定各个乘客的乘车路径，包括：
从所述历史客流运行数据中循环提取各个乘客的进站站点信息和出站站点信息，
基于所述进站站点信息和所述出站站点信息遍历各个预测路径，并从各个所述预测路径中确定对应的乘车路径。
进一步的，从各个所述预测路径中确定对应的乘车路径，包括:
基于路径耗时信息、路径换乘信息和/或路径距离信息从各个所述预测路径中选择对应的乘车路径。
进一步的，根据所述乘车路径遍历出对应的预测行程，基于所述站内行程时间分布信息确定各个所述预测行程的行程时间，根据各个所述行程时间与实际路径耗时的比对结果从所述预测行程中确定各个乘客的实际行程，包括：
确定所述乘车路径包含的子行程数量，基于所述子行程数量遍历出各个对应的预测行程；
基于所述站内行程时间分布信息、进站时间节点、出站时间节点和站间运行时间信息计算所述预测行程的行程时间；
提取对应乘客的实际路径耗时，将各个所述行程时间逐一与所述实际路径耗时比对确定误差最小的所述行程时间，以误差最小的所述行程时间所对应的预测行程作为对应乘客的实际行程。
进一步的，基于所述站内行程时间分布信息、进站时间节点、出站时间节点和站间运行时间信息计算所述预测行程的行程时间，包括：
基于所述站内行程时间分布信息、进站时间节点、出站时间节点和站间运行时间信息确定各个子行程的时间节点，并根据各个行程的时间节点确定对应的所述预测行程的行程时间。
进一步的，基于所述运行车辆的运行位置和运行时间分布信息比对当前乘客所述实际行程对应的子行程，确定各个车厢的上车人数和下车人数，包括：
基于所述运行车辆的运行位置查询对应的运行时间分布信息，确定所述运行车辆的运行时间节点；
根据所述运行时间节点比对当前乘客对应子行程的时间节点确定当前乘客的乘车状态，所述乘车状态包括上车状态和下车状态；
根据各个乘客的乘车状态和所述实际行程统计各个车厢的上车人数和下车人数。
进一步的，在基于所述上车人数和所述下车人数统计所述运行车辆各个车厢的车厢载客人数之后，还包括：
提取各个车厢的最大承载量信息，基于所述车厢载客人数与对应的所述最大承载量信息的比值确定各个车厢的车厢拥挤度。
在第二方面，本申请实施例提供了一种车厢载客人数实时计算装置，包括：
分布模块，用于获取地铁线网历史客流运行数据，并确定地铁线网各个站点对应的站内行程时间分布信息，所述站内行程时间分布信息包括进站上车时间分布信息、下车出站时间分布信息和站内换乘时间分布信息；
预测模块，用于基于所述历史客流运行数据确定各个乘客的乘车路径，根据所述乘车路径遍历出对应的预测行程，基于所述站内行程时间分布信息确定各个所述预测行程的行程时间，根据各个所述行程时间与实际路径耗时的比对结果从所述预测行程中确定各个乘客的实际行程，所述实际行程包括各个子行程及对应的时间节点；
计算模块，用于确定当前地铁线网的运行车辆，基于所述运行车辆的运行位置和运行时间分布信息比对当前乘客所述实际行程对应的子行程，确定各个车厢的上车人数和下车人数，基于所述上车人数和所述下车人数统计所述运行车辆各个车厢的车厢载客人数。
在第三方面，本申请实施例提供了一种电子设备，包括：
存储器以及一个或多个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的车厢载客人数实时计算方法。
在第四方面，本申请实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的车厢载客人数实时计算方法。
本申请实施例通过获取地铁线网历史客流运行数据，并确定地铁线网各个站点对应的站内行程时间分布信息，基于历史客流运行数据确定各个乘客的乘车路径，根据乘车路径遍历出对应的预测行程，基于站内行程时间分布信息确定各个预测行程的行程时间，根据各个行程时间与实际路径耗时的比对结果从预测行程中确定各个乘客的实际行程。之后，通过确定当前地铁线网的运行车辆，基于运行车辆的运行位置和运行时间分布信息比对当前乘客实际行程对应的子行程，确定各个车厢的上车人数和下车人数，基于上车人数和下车人数统计运行车辆各个车厢的车厢载客人数。采用上述技术手段，通过精准确定乘客的实际行程，基于实际行程确定地铁线网运行车辆各个车厢的人数，以此可以提升车厢载客人数的计算精度，基于车厢载客人数的精确计算实现更好的轨道交通运行管理效果。
此外，本申请实施例根据运行车辆的实时运行时间比对乘客行程对应时间节点以判断乘客是否在车上，以此可以保障车厢载客人数统计结果的实时性，更进一步提升车厢载客人数实时计算的精确度。
附图说明
图1是本申请实施例一提供的一种车厢载客人数实时计算方法的流程图；
图2是本申请实施例一中的站内行程时间分布信息的确定流程图；
图3是本申请实施例一中的站内行程时间计算流程图；
图4是本申请实施例一中的乘车路径确定流程图；
图5是本申请实施例一中的实际行程确定流程图；
图6是本申请实施例一中的车厢载客人数计算流程图；
图7是本申请实施例一中的上、下车人数统计流程图；
图8是本申请实施例二提供的一种车厢载客人数实时计算装置的结构示意图；
图9是本申请实施例三提供的一种电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
本申请提供的车厢载客人数实时计算方法，旨在通过确定乘客具体的实际行程，根据实际行程对应子行程的时间节点与运行车辆的运行时间比对判断各个乘客是否在车厢上，以此来精确统计车厢载客人数，进而提升车厢载客人数的计算精确度，通过准确确定车厢载客人数以优化轨道交通运行管理效果，提升用户使用体验。对于传统的车厢载客人数识别模型而言，其主要有以下几类：
1.利用监控设备统计，这种方法主要是利用摄像头、3D雷达扫描、红外线扫描装置和前端嗅探装置来获取车厢的上、下车人数，进而统计出在具体时间内的上、下车人数，以此完成车厢载客人数实时计算。
2.利用压力传感器设备统计，这种方法主要是利用压力传感器将车厢的重量实时传送到数据端，数据端根据车厢重量进行计算，确定此时车厢内的人数。
3.利用乘客进出站数据统计，这种方法主要是利用地铁线网中历史的乘客进出闸记录，统计出各个站点在固定时间段的车厢载客人数。
其中，利用监控设备统计上、下车人数进而计算车厢载客人数时，需要在地铁站台的各个角落安装相关的监控设备，其成本相对较高。同时，由于监控设备之间会存在重复计算、覆盖范围重叠的情况，容易导致统计误差。而且要实时统计出结果，对数据实时性的要求也非常高，因而会进一步增大统计误差，导致最终统计出的结果存在较大的偏差。而利用压力传感器设备统计上、下车人数进而计算车厢载客人数时，也需要在地铁车辆中各个位置安装压力传感器，其成本也非常高。同时需要将数据及时地传送到数据端进行计算并且返回结果，计算结果的实时性要求也非常高。而利用乘客进出站信息计算车厢载客人数时，由于没有考虑站内没有乘车的乘客，导致统计出来的结果也存在偏差。基于此，提供本申请实施例的一种车厢载客人数实时计算方法，以解决现有车厢载客人数实时计算的精确度和实时性问题。
实施例一：
图1给出了本申请实施例一提供的一种车厢载客人数实时计算方法的流程图，本实施例中提供的车厢载客人数实时计算方法可以由车厢载客人数实时计算设备执行，该车厢载客人数实时计算设备可以通过软件和/或硬件的方式实现，该车厢载客人数实时计算设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。一般而言，该车厢载客人数实时计算设备可以是服务器主机、电脑等计算处理设备。
下述以该车厢载客人数实时计算设备为执行车厢载客人数实时计算方法的主体为例，进行描述。参照图1，该车厢载客人数实时计算方法具体包括：
S110、获取地铁线网历史客流运行数据，并确定地铁线网各个站点对应的站内行程时间分布信息，所述站内行程时间分布信息包括进站上车时间分布信息、下车出站时间分布信息和站内换乘时间分布信息。
在进行车厢载客人数实时计算之前，需要获取地铁线网的历史客流运行数据，以便于进行乘客乘车路径的确定。其中，地铁线网历史客流运行数据可以包括交通卡id、交通卡类型、交易类型(进站或出站)、站点id(进站id和出站id)和交易时间等信息。此外，历史客流运行数据还需要提供地铁线网的网络拓扑结构信息，网络拓扑结构需标识站点与站点之间是否相通。对于相通的站点，还需要给出两个站之间的运行距离和运行时间。此外，还需要提供列车每天详细的运行时刻表，包括运行线路图，每趟车次到达各个站点的时间节点等信息。通过获取上述基础数据，以便于后续确定乘客的乘车路径。
另一方面，本申请实施例还通过计算站内行程时间分布信息，以用于后续乘车完整的实际行程确定。其中，参照图2，确定地铁线网各个站点对应的站内行程时间分布信息，包括：
S1101、确定地铁线网各个站点的位置节点，所述位置节点包括进站闸机、出站闸机和站台屏蔽门；
S1102、遍历对应的所述位置节点之间的行进路线，确定各个所述行进路线的行进时间作为站内行程时间分布信息。
可以理解的是，对应不同地铁站点，其从乘客进站到候车站台、下车到出站以及站内换乘的时间都是不一样的。通过确定站内时间分布信息，可以确定每个地铁站点各个进站闸机到对应站台屏蔽门的时间分布、每个地铁站点各个站台屏蔽门到对应出站闸机的时间分布以及每个地铁站点各个站台屏蔽门到换乘线路对应站台屏蔽门的时间分布(针对站内换乘情况)。
示例性的，在计算某个站点的站内行程时间分布信息时，参照图3，根据对应站点的位置节点布局，确定站台屏蔽门个数n1，确定站台通往付费区电梯、楼梯和扶梯的个数n21、n22和n23，确定进站闸机个数n3和出站闸机个数n4。进一步根据各个位置节点(即站台屏蔽门、进站闸机和出站闸机)的位置遍历站内的行进路线，通过提供一个乘客模拟行进速度(根据实际测算定义)，以计算出各个行进路线的行进时间，进而以各个行进时间作为站内行程时间分布信息。
其中，对应各个进站闸机到各个屏蔽门的行进路线，通过计算各个进站闸机到付费区各个电梯、楼梯和扶梯首端的时间t11，计算付费区各个电梯、楼梯和扶梯首端到达站台的时间t12，计算站台到达各个屏蔽门的时间t13，根据t11、t12和t13的求和结果即可确定各个进站闸机到各个屏蔽门的行进时间分布，即地铁站点各个进站闸机到对应站台屏蔽门的时间分布,即所述进站上车时间分布信息；通过计算各个屏蔽门到站台各个电梯、楼梯和扶梯尾端的时间t21，计算各个电梯、楼梯和扶梯尾端到达首端的时间t22，计算各个电梯、楼梯和扶梯首端到达各个出站闸机的时间t23，根据t21、t22和t23的求和结果即可确定各个屏蔽门到各个出站闸机的行进时间分布，即地铁站点各个站台屏蔽门到对应出站闸机的时间分布，即所述下车出站时间分布信息；此外，对于站内换乘的情况，则通过计算各个屏蔽门到站台各个电梯、楼梯和扶梯尾端的时间t21，计算各个电梯、楼梯和扶梯尾端到达首端的时间t22，计算各个电梯、楼梯和扶梯首端到达换乘线路各个电梯、楼梯和扶梯首端的时间t31，计算换乘线路各个电梯、楼梯和扶梯首端到达换乘线路站台的时间t32，计算换乘线路站台到达屏蔽门的时间t33，根据t21、t22、t31、t32和t33的求和结果即可确定各个屏蔽门到换乘线路各个屏蔽门的行进时间分布，即地铁站点各个站台屏蔽门到换乘线路对应站台屏蔽门的时间分布，即所述站内换乘时间分布信息。需要说明的是，由于进站闸机、站台屏蔽门和出站闸机的数量众多，以其遍历出的行进路线覆盖了对应的两个位置节点之间的所有行程方式，选择不同的行进路线，其花费的时间不同。因此，最终确定的站内行程时间分布信息，则涵盖了进站闸机到站台屏蔽门、站台屏蔽门到出站闸机以及站台屏蔽门到换乘站台屏蔽门三种站内行程的所有行进时间分布情况。
S120、基于所述历史客流运行数据确定各个乘客的乘车路径，根据所述乘车路径遍历出对应的预测行程，基于所述站内行程时间分布信息确定各个所述预测行程的行程时间，根据各个所述行程时间与实际路径耗时的比对结果从所述预测行程中确定各个乘客的实际行程，所述实际行程包括各个子行程及对应的时间节点。
进一步的，基于上述步骤S110确定的站内行程时间分布信息，即可结合乘客的乘车路径确定乘客具体的实际行程。在此之前，需要根据历史客流运行数据确定乘客的乘车路径。通过从所述历史客流运行数据中循环提取各个乘客的进站站点信息和出站站点信息；基于所述进站站点信息和所述出站站点信息遍历各个预测路径，并从各个所述预测路径中确定对应的乘车路径。
具体的，参照图4，在确定乘客以往的乘车路径时，基于该历史客流运行数据，循环所有乘客，根据乘客的进出闸记录，获取乘客的进站id和出站id(即进站站点和出站站点信息)。由于只知道对应乘客的进站id和出站id，其乘车路径经过的站点暂不确定，则基于该进站id和出站id，可以遍历出乘客所有可能的路径，这些可能的路径包含该进站id和出站id，并详细记载乘客从哪个进站闸机进站，从哪个屏蔽门上车，途径哪些中间站点，从哪个屏蔽门下车以及从哪个出站闸机出站等具体的行程信息。定义这些可能的路径为预测行程。其中，可以通过Dijkstra算法、深度优先算法或者广度优先算法遍历从该进站id进站，到该出站id出站的所有可能路径。需要说明的是，基于进站id和出站id遍历所有可能路径的实施方式有很多，本申请实施例对具体的遍历算法不做固定限制，在此不多赘述。
基于各个预测行程，需要从中选择确定乘客的最终乘车路径。本申请实施例基于路径耗时信息、路径换乘信息和/或路径距离信息从各个所述预测路径中选择对应的乘车路径。如图4所示，首先根据地铁线网拓扑结构，从所有预测行程中查询是否有直达路径，如果有则该预测行程为对应乘客最终的乘车路径；如果没有，则进一步计算所有预测行程消耗的时间(如果乘客的预测行程存在站内换乘的部分行程，则需要计算换乘时间，也可以统一设定换乘时间)，根据计算结果选择消耗时间最短的预测行程为乘客最终的乘车路径；如果发现最短消耗时间(消耗时间差距在设定时间范围内)的预测行程有多个，则进一步根据各个预测行程的乘车距离，选择距离最短的预测行程为乘客最终的乘车路径；如果发现最短乘车距离(乘车距离差距在设定距离范围内)的预测行程仍有多个，则最终选择换乘次数最少的预测行程为乘客最终的乘车路径。
需要说明的是，由于乘客的乘车路径只包含了进站id、途经站点id和出站id，而要精准确定车厢载客人数，需要根据乘客具体行程的时间节点来确定乘客是否在车上，因此需要基于已确定的乘客乘车路径，结合站内行程时间分布信息确定乘客具体的实际行程。乘客具体的实际行程包含了从哪个进站闸机id进站、从哪个屏蔽门id上车、从哪个换乘线路的屏蔽门id(如果有换乘)换乘上车以及从哪个出站闸机id出站等具体的行程信息，基于这些行程信息确定乘客具体的实际行程，可以精准地确定乘客在对应时间节点所处的行程位置，将其与地铁运行车辆的运行位置和运行时间比对，即可判断对应乘客是否在车厢上。
具体的，参照图5，乘客实际行程的确定流程包括：
S1201、确定所述乘车路径包含的子行程数量，基于所述子行程数量遍历出各个对应的预测行程；
S1202、基于所述站内行程时间分布信息、进站时间节点、出站时间节点和站间运行时间信息计算所述预测行程的行程时间；
S1203、提取对应乘客的实际路径耗时，将各个所述行程时间逐一与所述实际路径耗时比对确定误差最小的所述行程时间，以误差最小的所述行程时间所对应的预测行程作为对应乘客的实际行程。
其中，根据已确定的乘客乘车路径确定每个乘客的子行程数量。可以理解的是，乘车路径包含了进站id，途经站点id和出站id，根据乘车路径可以确定各个乘客具体乘车路径的子行程数量。例如，包含进站id，途经站点id和出站id的一条直达的乘车路径中，应当包含进站到达站台，上车，乘车过程，下车、站台到出站等子行程。基于已确定的乘车路径的子行程数量，即可根据子行程的数量遍历出对应该乘车路径所有可能的行程，定义这些可能的行程为预测行程。
具体的，以一条包含站内换乘行程的预测行程为例，根据子行程的数量，结合乘客的乘车路径，可以将乘客的预测行程包含的子行程定义为[进站，行程i-到达站台，行程i-上车，行程i-乘车，行程i-下车，···，行程n-到达站台，行程n-上车，行程n-乘车，行程n-下车，出站]。基于上述预测行程，使用相应的时间节点来具体描述各个子行程，即[进站闸机口进站时间，行程i-站台屏蔽门时间，行程i-上车时间，行程i-下车时间，···，行程n-站台屏蔽门时间，行程n-上车时间，行程n-下车时间，出站闸机口出站时间]。
进一步的，对应各个子行程计算其所处的时间节点，并根据各个子行程的时间节点确定对应预测行程的行程时间。其中，基于所述站内行程时间分布信息、进站时间节点、出站时间节点和站间运行时间信息确定各个子行程的时间节点，并根据各个子行程的时间节点确定对应的所述预测行程的行程时间。对于每个预测行程的各个子行程，需要计算该子行程对应的时间节点。可以理解的是，由于乘客可能从任何一个进站闸机进站，任何一个屏蔽门上车，任何一个出站闸机出站，因此需要针对不同预测行程确定乘客从各个进站闸机进站，各个屏蔽门上车，各个出站闸机出站对应子行程的时间节点，进而根据子行程时间节点确定预测行程的行程时间，基于行程时间推选出跟实际路径耗时最接近的预测行程，该预测行程即为乘客具体的实际行程。
示例性的，针对每个可能的预测行程的各个子行程对应时间节点的计算流程包括：
1、计算行程i-站台屏蔽门时间：如果是对应乘客的第一个行程，则行程i-站台屏蔽门时间＝乘客进站闸机的时间节点+进站闸机到站台屏蔽门时间；如果不是第一个行程，则行程i-站台屏蔽门时间＝上一个行程i-1的屏蔽门下车时间+站台屏蔽门到换乘线路站台屏蔽门的换乘时间。
2、计算行程i-上车时间：此处假设如果乘客到达站台，只要有车的情况下，则可以搭乘对应运行车辆。根据每条地铁线路上下行各趟列车的运行时间分布信息，可以知道列车到达各个站点的运行时间。根据上述确定的“行程i-站台屏蔽门时间”，只要乘客在这趟列车到达该站点之前已经处于站台候车，则该乘客就可以搭乘这趟车，即这趟车到达该站点的时间就是“行程i-上车时间”。
3、计算行程i-下车时间：此处根据乘客的“行程i-乘车”对应的各个站点，确定对应的站间运行时间，根据对应乘坐的列车到达“行程i-乘车”的最后一个站点的站间运行时间，加上上述“行程i-上车时间”就是“行程i-下车时间”。
4、计算出站闸机口出站时间：在乘客到达最后一个行程后，将最后一个行程的下车时间加上屏蔽门到出站闸机的时间，即可计算出乘客的出站闸机口出站时间。
其中，乘客进站闸机的时间节点根据乘客的进站刷卡信息确定，进站闸机到站台屏蔽门时间、站台屏蔽门到换乘线路站台屏蔽门的换乘时间以及屏蔽门到出站闸机的时间通过查询站内行程时间分布信息确定。
以此，即可确定各个可能的预测行程中子行程所对应的时间节点，进而根据各个子行程的时间节点即可确定各个预测行程的行程时间T1(即对应预测行程从进站到出站所花费的时间)。另一方面，根据上述已确定的乘车路径确定乘客的进站刷卡信息和出站刷卡信息，以此确定该乘车路径的实际路径耗时T2。逐一将T1与T2进行比对，确定与T2在时间误差上最小的行程时间T1，则该行程时间T1对应的预测行程即为最终确定的乘客的实际行程。可以理解的是，由于预先确定了各个预测行程的子行程以及对应的时间节点，则该实际行程应当包含对应乘客的各个子行程信息，即[进站闸机口id，行程i-站台屏蔽门id候车，行程i-站台屏蔽门id上车，行程i-站台屏蔽门id下车，···，出站闸机口id]，对应乘客的各个子行程的时间节点信息，即[进站时间，行程i-站台屏蔽门时间，行程i-上车时间，行程i-下车时间，···，出站闸机口出站时间]，以及对应乘客实际行程包含的车次信息。
S130、确定当前地铁线网的运行车辆，基于所述运行车辆的运行位置和运行时间分布信息比对当前乘客所述实际行程对应的子行程，确定各个车厢的上车人数和下车人数，基于所述上车人数和所述下车人数统计所述运行车辆各个车厢的车厢载客人数。
进一步的，参照图6，基于上述步骤S120确定的各个乘客实际行程中子行程的对应时间节点，本申请依此进行各个乘客乘车状态的判断，进而根据当前线网各个乘客的乘车状态确定车厢载客人数。在此之前，通过切分时间列表，根据地铁最早的运行时间和最晚的运行时间，本申请实施例选择时间范围为05:00:00-24:00:00，然后按照1分钟的时间粒度进行时间段切分，基于1分钟的时间粒度来确定当前线网运行车辆的运行时间，将这一运行时间比对当前线网各个乘客实时执行的子行程的对应时间节点，判断对应乘客是否在车厢上，进而确定车厢实时的上、下车人数。基于上、下车人数即可计算车厢载客人数。
具体的，参照图7，上、下车人数统计流程包括：
S1301、基于所述运行车辆的运行位置查询对应的运行时间分布信息，确定所述运行车辆的运行时间节点；
S1302、根据所述运行时间节点比对当前乘客对应子行程的时间节点确定当前乘客的乘车状态，所述乘车状态包括上车状态和下车状态；
S1303、根据各个乘客的乘车状态和所述实际行程统计各个车厢的上车人数和下车人数。
根据当前时间、各个列车的运行开始时间和结束时间，可以确定出当前线网中在跑的运行车辆、未运行车辆以及运行结束的车辆。其中，若当前时间大于等于列车开始时间，并且当前时间小于等于列车结束时间，则该列车为运行车辆；若当前时间大于等于列车结束时间，则该列车为运行结束的车辆；若当前时间小于列车开始时间，则该列车为未运行车辆。以此即可确定当前地铁线网在跑的运行车辆。进而通过该运行车辆的不同运行位置查询列车详细的运行时刻表，可以确定列车在不同运行位置的运行时间分布信息。
进一步的，根据运行车辆的运行位置，将运行车辆分为列车在始发站、列车在中间站、列车在终点站以及列车在站点与站点之间四种情况进行车厢载客人数计算。上、下车人数计算流程包括:
1、列车在始发站：
下车人数：对于始发站，不存在乘客下车情况，所以下车人数为0；
上车人数：对于上车人数，确定当前线网中实际行程在始发站乘车的乘客，根据已经计算好的乘客实际行程中各个子行程对应的时间节点信息(即[进站时间，行程i-站台屏蔽门时间，行程i-上车时间，行程i-下车时间，出站时间])，当乘客的行程i-上车时间＝当前列车到达始发站的时间，且该乘客尚未下车，则说明该乘客可以乘坐这趟车，该乘客属于上车人数。以此类推，循环线网所有对应的乘客，最终得到列车在始发站的上车人数；
对应车厢载客人数：假设车厢的人数没有做限制，则车厢载客人数为上车人数。
2、列车在中间站：
下车人数：对于中间站，确定当前线网中实际行程在对应中间站下车的乘客，根据已经计算好的乘客实际行程中各个子行程对应的时间节点信息(即[进站时间，行程i-站台屏蔽门时间，行程i-上车时间，行程i-下车时间，···，行程n-站台时间，行程n-上车时间，行程n-下车时间，出站时间])，当乘客的行程i-下车时间＝当前列车到达中间站的时间，说明该乘客在这个站点下车，这个乘客属于下车人数；
上车人数：对于中间站，确定当前线网中实际行程在对应中间站上车的乘客，根据已经计算好的乘客实际行程中各个子行程对应的时间节点信息(即[进站时间，行程i-站台屏蔽门时间，行程i-上车时间，行程i-下车时间，出站时间])。当乘客的行程i-上车时间＝当前列车到达中间站的时间，说明该乘客可以乘坐这趟车，这个乘客属于上车人数。循环所有乘客，最终得到在中间站的上车人数；
对应车厢载客人数：车厢载客人数＝上一个车站的车厢载客人数-下车人数+上车人数。
3、列车在终点站：
下车人数：对于终点站，下车人数＝上一个车站的车厢载客人数；
上车人数：终点站不存在上车情况，则上车人数为0；
对应车厢载客人数：车厢载客人数为0；
4、列车在站点与站点之间：
下车人数：列车在站点间不存在下车情况，下车人数为0；
上车人数：列车在站点间不存在上车情况，上车人数为0；
对应车厢载客人数：车厢载客人数＝上一个车站的车厢载客人数
根据上述运行车辆在不同运行位置处的车厢载客人数统计，即可根据运行车辆实时的运行位置确定当前运行车辆各个车厢的车厢载客人数。需要说明的是，由于每个乘客的实际行程中都标识了各个子行程对应的时间节点和其所处的车厢，则根据每个乘客实时执行的子行程以及其所处的车厢，即可确定该乘客的乘车状态，进而基于上述步骤确定各个运行车辆的各个车厢实时的车厢载客人数。此外，需要说明的是，由于在先确定了各个乘客的实际行程，则在用户搭乘地铁过程中，根据用户执行的各个子行程即可确定用户正在执行的实际行程，进而基于实际行程结合运行车辆的实时运行时间确定乘客是否处于乘车状态。
在一个实施例中，基于各个车厢实时的车厢载客人数，提取各个车厢的最大承载量信息，基于所述车厢载客人数与对应的所述最大承载量信息的比值确定各个车厢的车厢拥挤度。其中，预先对应不同列车的类型设置其车厢最大承载量，根据计算公式：车厢拥挤度值＝车内人数/车厢的最大承载量，确定当前地铁线网各个运行车辆各个车厢的车厢拥挤度，以此完成车厢拥挤度的测算。
需要说明的是，本申请实施例在车厢载客人数计算的基础上，还可以确定各个乘客具体的实际行程，实际行程记载各个子行程及对应的时间节点信息，基于乘客实际行程可以为客流预测、站内乘客分布统计、换乘线路分析、人流流向分析提供数据分析基础，其可拓展性相对较强，可进一步优化轨道交通的运行管理效果。
上述，通过获取地铁线网历史客流运行数据，并确定地铁线网各个站点对应的站内行程时间分布信息，基于历史客流运行数据确定各个乘客的乘车路径，根据乘车路径遍历出对应的预测行程，基于站内行程时间分布信息确定各个预测行程的行程时间，根据各个行程时间与实际路径耗时的比对结果从预测行程中确定各个乘客的实际行程。之后，通过确定当前地铁线网的运行车辆，基于运行车辆的运行位置和运行时间分布信息比对当前乘客实际行程对应的子行程，确定各个车厢的上车人数和下车人数，基于上车人数和下车人数统计运行车辆各个车厢的车厢载客人数。采用上述技术手段，通过精准确定乘客的实际行程，基于实际行程确定地铁线网运行车辆各个车厢的人数，以此可以提升车厢载客人数的计算精度，基于车厢载客人数的精确计算实现更好的轨道交通运行管理效果。
此外，本申请实施例根据运行车辆的实时运行时间比对乘客行程对应时间节点以判断乘客是否在车上，以此可以保障车厢载客人数统计结果的实时性，更进一步提升车厢载客人数实时计算的精确度。
实施例二：
在上述实施例的基础上，图8为本申请实施例二提供的一种车厢载客人数实时计算装置的结构示意图。参考图8，本实施例提供的车厢载客人数实时计算装置具体包括：分布模块21、预测模块22和计算模块23。
其中，分布模块21用于获取地铁线网历史客流运行数据，并确定地铁线网各个站点对应的站内行程时间分布信息，所述站内行程时间分布信息包括进站上车时间分布信息、下车出站时间分布信息和站内换乘时间分布信息；
预测模块22用于基于所述历史客流运行数据确定各个乘客的乘车路径，根据所述乘车路径遍历出对应的预测行程，基于所述站内行程时间分布信息确定各个所述预测行程的行程时间，根据各个所述行程时间与实际路径耗时的比对结果从所述预测行程中确定各个乘客的实际行程，所述实际行程包括各个子行程及对应的时间节点；
计算模块23用于确定当前地铁线网的运行车辆，基于所述运行车辆的运行位置和运行时间分布信息比对当前乘客所述实际行程对应的子行程，确定各个车厢的上车人数和下车人数，基于所述上车人数和所述下车人数统计所述运行车辆各个车厢的车厢载客人数。
上述，通过获取地铁线网历史客流运行数据，并确定地铁线网各个站点对应的站内行程时间分布信息，基于历史客流运行数据确定各个乘客的乘车路径，根据乘车路径遍历出对应的预测行程，基于站内行程时间分布信息确定各个预测行程的行程时间，根据各个行程时间与实际路径耗时的比对结果从预测行程中确定各个乘客的实际行程。之后，通过确定当前地铁线网的运行车辆，基于运行车辆的运行位置和运行时间分布信息比对当前乘客实际行程对应的子行程，确定各个车厢的上车人数和下车人数，基于上车人数和下车人数统计运行车辆各个车厢的车厢载客人数。采用上述技术手段，通过精准确定乘客的实际行程，基于实际行程确定地铁线网运行车辆各个车厢的人数，以此可以提升车厢载客人数的计算精度，基于车厢载客人数的精确计算实现更好的轨道交通运行管理效果。
此外，本申请实施例根据运行车辆的实时运行时间比对乘客行程对应时间节点以判断乘客是否在车上，以此可以保障车厢载客人数统计结果的实时性，更进一步提升车厢载客人数实时计算的精确度。
本申请实施例二提供的车厢载客人数实时计算装置可以用于执行上述实施例一提供的车厢载客人数实时计算方法，具备相应的功能和有益效果。
实施例三：
本申请实施例三提供了一种电子设备，参照图9，该电子设备包括：处理器31、存储器32、通信模块33、输入装置34及输出装置35。该电子设备中处理器的数量可以是一个或者多个，该电子设备中的存储器的数量可以是一个或者多个。该电子设备的处理器、存储器、通信模块、输入装置及输出装置可以通过总线或者其他方式连接。
存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请任意实施例所述的车厢载客人数实时计算方法对应的程序指令/模块(例如，车厢载客人数实时计算装置中的分布模块、预测模块和计算模块)。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
通信模块33用于进行数据传输。
处理器31通过运行存储在存储器中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的车厢载客人数实时计算方法。
输入装置34可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置35可包括显示屏等显示设备。
上述提供的电子设备可用于执行上述实施例一提供的车厢载客人数实时计算方法，具备相应的功能和有益效果。
实施例四：
本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种车厢载客人数实时计算方法，该车厢载客人数实时计算方法包括：获取地铁线网历史客流运行数据，并确定地铁线网各个站点对应的站内行程时间分布信息，所述站内行程时间分布信息包括进站上车时间分布信息、下车出站时间分布信息和站内换乘时间分布信息；基于所述历史客流运行数据确定各个乘客的乘车路径，根据所述乘车路径遍历出对应的预测行程，基于所述站内行程时间分布信息确定各个所述预测行程的行程时间，根据各个所述行程时间与实际路径耗时的比对结果从所述预测行程中确定各个乘客的实际行程，所述实际行程包括各个子行程及对应的时间节点；确定当前地铁线网的运行车辆，基于所述运行车辆的运行位置和运行时间分布信息比对当前乘客所述实际行程对应的子行程，确定各个车厢的上车人数和下车人数，基于所述上车人数和所述下车人数统计所述运行车辆各个车厢的车厢载客人数。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的车厢载客人数实时计算方法，还可以执行本申请任意实施例所提供的车厢载客人数实时计算方法中的相关操作。
上述实施例中提供的车厢载客人数实时计算装置、存储介质及电子设备可执行本申请任意实施例所提供的车厢载客人数实时计算方法，未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的车厢载客人数实时计算方法。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由权利要求的范围决定。
Claims (9)
1.一种车厢载客人数实时计算方法，其特征在于，包括：
获取地铁线网历史客流运行数据，并确定地铁线网各个站点对应的站内行程时间分布信息，其中，包括确定地铁线网各个站点的位置节点，所述位置节点包括进站闸机、出站闸机和站台屏蔽门，遍历对应的所述位置节点之间的行进路线，确定各个所述行进路线的行进时间作为站内行程时间分布信息，所述站内行程时间分布信息包括进站上车时间分布信息、下车出站时间分布信息和站内换乘时间分布信息；
基于所述历史客流运行数据确定各个乘客的乘车路径，根据所述乘车路径遍历出对应的预测行程，基于所述站内行程时间分布信息确定各个所述预测行程的行程时间，根据各个所述行程时间与实际路径耗时的比对结果从所述预测行程中确定各个乘客的实际行程，其中，包括确定所述乘车路径包含的子行程数量，基于所述子行程数量遍历出各个对应的预测行程，基于所述站内行程时间分布信息、进站时间节点、出站时间节点和站间运行时间信息计算所述预测行程的行程时间，提取对应乘客的实际路径耗时，将各个所述行程时间逐一与所述实际路径耗时比对确定误差最小的所述行程时间，以误差最小的所述行程时间所对应的预测行程作为对应乘客的实际行程，所述实际行程包括各个子行程及对应的时间节点；
确定当前地铁线网的运行车辆，基于所述运行车辆的运行位置和运行时间分布信息比对当前乘客所述实际行程对应的子行程，确定各个车厢的上车人数和下车人数，基于所述上车人数和所述下车人数统计所述运行车辆各个车厢的车厢载客人数。
2.根据权利要求1所述的车厢载客人数实时计算方法，其特征在于，基于所述历史客流运行数据确定各个乘客的乘车路径，包括：
从所述历史客流运行数据中循环提取各个乘客的进站站点信息和出站站点信息；
基于所述进站站点信息和所述出站站点信息遍历各个预测路径，并从各个所述预测路径中确定对应的乘车路径。
3.根据权利要求2所述的车厢载客人数实时计算方法，其特征在于，从各个所述预测路径中确定对应的乘车路径，包括:
基于路径耗时信息、路径换乘信息和/或路径距离信息从各个所述预测路径中选择对应的乘车路径。
4.根据权利要求1所述的车厢载客人数实时计算方法，其特征在于，基于所述站内行程时间分布信息、进站时间节点、出站时间节点和站间运行时间信息计算所述预测行程的行程时间，包括：
基于所述站内行程时间分布信息、进站时间节点、出站时间节点和站间运行时间信息确定各个子行程的时间节点，并根据各个行程的时间节点确定对应的所述预测行程的行程时间。
5.根据权利要求1所述的车厢载客人数实时计算方法，其特征在于，基于所述运行车辆的运行位置和运行时间分布信息比对当前乘客所述实际行程对应的子行程，确定各个车厢的上车人数和下车人数，包括：
基于所述运行车辆的运行位置查询对应的运行时间分布信息，确定所述运行车辆的运行时间节点；
根据所述运行时间节点比对当前乘客对应子行程的时间节点确定当前乘客的乘车状态，所述乘车状态包括上车状态和下车状态；
根据各个乘客的乘车状态和所述实际行程统计各个车厢的上车人数和下车人数。
6.根据权利要求1所述的车厢载客人数实时计算方法，其特征在于，在基于所述上车人数和所述下车人数统计所述运行车辆各个车厢的车厢载客人数之后，还包括：
提取各个车厢的最大承载量信息，基于所述车厢载客人数与对应的所述最大承载量信息的比值确定各个车厢的车厢拥挤度。
7.一种车厢载客人数实时计算装置，其特征在于，包括：
分布模块，用于获取地铁线网历史客流运行数据，并确定地铁线网各个站点对应的站内行程时间分布信息，其中，包括确定地铁线网各个站点的位置节点，所述位置节点包括进站闸机、出站闸机和站台屏蔽门，遍历对应的所述位置节点之间的行进路线，确定各个所述行进路线的行进时间作为站内行程时间分布信息，所述站内行程时间分布信息包括进站上车时间分布信息、下车出站时间分布信息和站内换乘时间分布信息；
预测模块，用于基于所述历史客流运行数据确定各个乘客的乘车路径，根据所述乘车路径遍历出对应的预测行程，基于所述站内行程时间分布信息确定各个所述预测行程的行程时间，根据各个所述行程时间与实际路径耗时的比对结果从所述预测行程中确定各个乘客的实际行程，其中，包括确定所述乘车路径包含的子行程数量，基于所述子行程数量遍历出各个对应的预测行程，基于所述站内行程时间分布信息、进站时间节点、出站时间节点和站间运行时间信息计算所述预测行程的行程时间，提取对应乘客的实际路径耗时，将各个所述行程时间逐一与所述实际路径耗时比对确定误差最小的所述行程时间，以误差最小的所述行程时间所对应的预测行程作为对应乘客的实际行程，所述实际行程包括各个子行程及对应的时间节点；
计算模块，用于确定当前地铁线网的运行车辆，基于所述运行车辆的运行位置和运行时间分布信息比对当前乘客所述实际行程对应的子行程，确定各个车厢的上车人数和下车人数，基于所述上车人数和所述下车人数统计所述运行车辆各个车厢的车厢载客人数。
8.一种电子设备，其特征在于，包括：
存储器以及一个或多个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6任一所述的车厢载客人数实时计算方法。
9.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-6任一所述的车厢载客人数实时计算方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110215627.9A CN112966218B (zh) | 2021-02-26 | 2021-02-26 | 一种车厢载客人数实时计算方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110215627.9A CN112966218B (zh) | 2021-02-26 | 2021-02-26 | 一种车厢载客人数实时计算方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112966218A CN112966218A (zh) | 2021-06-15 |
| CN112966218B true CN112966218B (zh) | 2023-06-16 |
Family
ID=76276826
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110215627.9A Active CN112966218B (zh) | 2021-02-26 | 2021-02-26 | 一种车厢载客人数实时计算方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112966218B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3131414A1 (fr) * | 2021-12-24 | 2023-06-30 | Thales | Systeme de supervision du deplacement de passagers dans un reseau de transport, procede et produit programme d ordinateur associe. |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102354406A (zh) * | 2011-06-07 | 2012-02-15 | 同济大学 | 基于rfid技术的轨道交通网络客流实时统计系统及方法 |
| WO2015118701A1 (ja) * | 2014-02-06 | 2015-08-13 | 株式会社日立システムズ | 路線運行実績予測時刻生成システム、路線運行実績予測時刻生成方法及び路線運行実績予測時刻生成プログラム |
| CN106779190A (zh) * | 2016-12-02 | 2017-05-31 | 东南大学 | 一种城市轨道交通乘客出行路径建议方法及系统 |
| CN108388542A (zh) * | 2018-01-18 | 2018-08-10 | 中国科学院遥感与数字地球研究所 | 一种轨道交通拥挤度计算方法及系统 |
| CN109035770A (zh) * | 2018-07-31 | 2018-12-18 | 上海世脉信息科技有限公司 | 一种大数据环境下公交载客量实时分析预测方法 |
| CN111104990A (zh) * | 2018-10-25 | 2020-05-05 | 腾讯科技（深圳）有限公司 | 一种确定交通行程的方法、装置、服务器及存储介质 |
| WO2020263177A1 (en) * | 2019-06-26 | 2020-12-30 | Swat Mobility Pte. Ltd. | Transportation system and method for passenger and route scheduling |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101582283B1 (ko) * | 2014-05-02 | 2016-01-04 | 서울대학교 산학협력단 | 전철 네트워크의 승객 이동경로 추정 방법 |
| CN104463364B (zh) * | 2014-12-04 | 2018-03-20 | 中国科学院深圳先进技术研究院 | 一种地铁乘客实时分布和地铁实时密度预测方法及系统 |
| US10850588B2 (en) * | 2015-08-31 | 2020-12-01 | Regents Of The University Of Minnesota | Automated passenger counter systems and methods |
| CN107358319A (zh) * | 2017-06-29 | 2017-11-17 | 深圳北斗应用技术研究院有限公司 | 城市轨道交通客流预测方法、装置、存储介质和计算机设备 |
| CN108269219A (zh) * | 2017-12-25 | 2018-07-10 | 河南辉煌软件有限公司 | 一种轨道交通车厢乘客数量统计显示方法 |
| CN110334435B (zh) * | 2019-07-03 | 2021-06-15 | 北京交通大学 | 城市轨道交通乘客出行路径选择估计方法 |
| CN110991607B (zh) * | 2019-11-15 | 2022-08-02 | 佳都科技集团股份有限公司 | 一种地铁客流预测方法、装置、电子设备及存储介质 |
| CN110942198B (zh) * | 2019-11-27 | 2024-02-27 | 重庆市交通规划研究院 | 一种用于轨道交通运营的乘客路径识别方法和系统 |
| CN111259103A (zh) * | 2020-01-10 | 2020-06-09 | 上海钧正网络科技有限公司 | 一种乘车状态的识别方法、装置、存储介质及设备 |
| CN111836015A (zh) * | 2020-07-14 | 2020-10-27 | 深圳英龙华通科技发展有限公司 | 地铁乘客数量统计方法及系统 |
-
2021
- 2021-02-26 CN CN202110215627.9A patent/CN112966218B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102354406A (zh) * | 2011-06-07 | 2012-02-15 | 同济大学 | 基于rfid技术的轨道交通网络客流实时统计系统及方法 |
| WO2015118701A1 (ja) * | 2014-02-06 | 2015-08-13 | 株式会社日立システムズ | 路線運行実績予測時刻生成システム、路線運行実績予測時刻生成方法及び路線運行実績予測時刻生成プログラム |
| CN106779190A (zh) * | 2016-12-02 | 2017-05-31 | 东南大学 | 一种城市轨道交通乘客出行路径建议方法及系统 |
| CN108388542A (zh) * | 2018-01-18 | 2018-08-10 | 中国科学院遥感与数字地球研究所 | 一种轨道交通拥挤度计算方法及系统 |
| CN109035770A (zh) * | 2018-07-31 | 2018-12-18 | 上海世脉信息科技有限公司 | 一种大数据环境下公交载客量实时分析预测方法 |
| CN111104990A (zh) * | 2018-10-25 | 2020-05-05 | 腾讯科技（深圳）有限公司 | 一种确定交通行程的方法、装置、服务器及存储介质 |
| WO2020263177A1 (en) * | 2019-06-26 | 2020-12-30 | Swat Mobility Pte. Ltd. | Transportation system and method for passenger and route scheduling |
Non-Patent Citations (1)
| Title |
|---|
| 考虑列车容量限制的地铁网络客流分配模型;周玮腾 等;华南理工大学学报(自然科学版);第43卷(第08期);第126-134、143页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112966218A (zh) | 2021-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112896242B (zh) | 一种轨道交通的乘客乘车行为状态更新方法及装置 | |
| WO2021159865A1 (zh) | 一种基于数据校准的公交路线预测方法及系统 | |
| EP3437957B1 (en) | Train traffic control system and train traffic control method | |
| WO2021159866A1 (zh) | 一种基于人脸识别的公交路线预测方法及系统 | |
| CN110775109B (zh) | 一种基于调度指挥系统的高速铁路列车到站时间预测方法 | |
| CN110149593B (zh) | 基于移动台信令的路网客流状态辨识方法 | |
| CN109311622B (zh) | 电梯系统以及轿厢呼叫估计方法 | |
| Cornet et al. | Methods for quantitative assessment of passenger flow influence on train dwell time in dense traffic areas | |
| KR101582283B1 (ko) | 전철 네트워크의 승객 이동경로 추정 방법 | |
| JP2018002037A (ja) | 混雑率予想システム及び方法 | |
| CN112966218B (zh) | 一种车厢载客人数实时计算方法及装置 | |
| CN110395298A (zh) | 一种客流智能引导系统及方法 | |
| CN113780654B (zh) | 地铁站中对乘客行走指引的方法、装置、设备及存储介质 | |
| CN111126689A (zh) | 一种地铁车站客流流线管控方法、装置、设备及存储介质 | |
| JP2018081650A (ja) | 乗車案内装置、乗車案内プログラムおよび乗車案内方法 | |
| JP6032602B2 (ja) | 施設利用管理システム | |
| CN112101677B (zh) | 一种公共交通出行路径规划方法、装置、设备及存储介质 | |
| CN115689089A (zh) | 城市轨道交通乘客乘车概率推算方法、设备及存储介质 | |
| JP7425680B2 (ja) | ナビゲーション装置、及びナビゲーション方法 | |
| JP6195258B2 (ja) | 施設利用管理システム | |
| CN112348230B (zh) | 一种地铁乘客出行路径识别方法 | |
| JP7495337B2 (ja) | 移動評価装置、方法およびプログラム | |
| US10861271B1 (en) | Check-in/be-out (CiBo) and be-in/be-out (BiBo) using mesh networks | |
| Yu et al. | A new approach on passenger flow assignment with multi-connected agents | |
| WO2022099612A1 (zh) | 地铁站进站分流方法 |
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 | ||
| CB02 | Change of applicant information |
Address after: Room 306, zone 2, building 1, Fanshan entrepreneurship center, Panyu energy saving technology park, No. 832 Yingbin Road, Donghuan street, Panyu District, Guangzhou City, Guangdong Province Applicant after: Jiadu Technology Group Co.,Ltd. Applicant after: PCI TECHNOLOGY & SERVICE Co.,Ltd. Address before: Room 306, zone 2, building 1, Fanshan entrepreneurship center, Panyu energy saving technology park, No. 832 Yingbin Road, Donghuan street, Panyu District, Guangzhou City, Guangdong Province Applicant before: PCI-SUNTEKTECH Co.,Ltd. Applicant before: PCI TECHNOLOGY & SERVICE Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |