CN114692419A - 一种城市轨道交通系统数字孪生建模方法及其系统 - Google Patents
一种城市轨道交通系统数字孪生建模方法及其系统 Download PDFInfo
- Publication number
- CN114692419A CN114692419A CN202210364242.3A CN202210364242A CN114692419A CN 114692419 A CN114692419 A CN 114692419A CN 202210364242 A CN202210364242 A CN 202210364242A CN 114692419 A CN114692419 A CN 114692419A
- Authority
- CN
- China
- Prior art keywords
- rail transit
- urban rail
- information
- model
- transit system
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 238000007619 statistical method Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 27
- 230000006399 behavior Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 235000019580 granularity Nutrition 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000009877 rendering Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 239000000523 sample Substances 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提供一种城市轨道交通系统数字孪生建模方法及其系统。所述城市轨道交通系统数字孪生建模方法包括以下步骤:S1、利用物联网技术构建城市轨道交通系统大数据平台;S2、实现对城市轨道交通系统物理实体的精准建模;S3、利用机器学习方法与统计方法对城市轨道交通中的客流进行预测;S4、基于实时数据对城市轨道交通系统客流和车流的时空分布状态进行实时呈现,并对其在地铁系统中的演化进行仿真,从而对短时客流进行预测,同时利用系统的实时数据对模型进行持续优化。本发明提供的城市轨道交通系统数字孪生建模方法及其系统便于管理人员能够清晰地掌握城市轨道交通系统的实时运行状况,为系统中列车的运行规划和客流的引导提供参考。
Description
技术领域
本发明涉及智慧城市轨道交通技术及数字建模技术领域,更具体地,涉及一种城市轨道交通系统数字孪生建模方法及其系统。
背景技术
随着城市轨道交通行业的发展和乘客人数的增长,城市轨道交通系统客流管理已成为智慧城市建设的一个重要课题。如何在突发情况出现后,快速高效地进行调度以恢复系统正常运行已成为当前城市轨道交通领域急需解决的问题。
传统的仿真手段无法有效地应对该问题的实时性,同时也无法根据预测的情况对物理空间实施控制,而以长短期记忆神经网络、循环神经网络为代表的人工智能技术也无法有效地对该问题进行预测。
数字孪生技术可以很好地融合物联网、大数据、人工智能等新兴技术,通过构建现实物理环境的数字映射系统,能够在很大程度上服务物理环境,使其变得更加智能化、数字化及可控化。
因此,有必要提供一种城市轨道交通系统数字孪生建模方法及其系统解决上述技术问题。
发明内容
发明目的:本发明为解决当前城市轨道交通系统突发事件发生之后,如何快速高效地进行调度以恢复系统正常运行,以及对中断恢复过程中的车流和客流的时空分布问题,提供了一种城市轨道交通系统数字孪生建模方法及其系统。
为解决上述问题,本发明提供的城市轨道交通系统数字孪生建模方法包括以下步骤:
步骤S1,利用物联网技术构建数字化城市轨道交通系统,基于信息采集装置实现对城市轨道交通系统列车的运行状态信息和系统中乘客的时空分布状态信息的采集,基于Hadoop构建城市轨道交通系统大数据平台,实现所采集信息的储存和分析;
步骤S2,基于Unity3D、SketchUp和.HET平台等构建城市轨道交通系统数字孪生体模型,实现对城市轨道交通系统物理实体的几何模型、物理模型、规则模型和行为模型的精准建模,并通过网络技术与大数据平台将车流与客流实时信息动态展现在城市轨道交通系统数字孪生体模型之中;
步骤S3,城市轨道交通系统数字孪生体模型利用机器学习方法与统计方法对城市轨道交通中各车站的进出站客流进行预测;
步骤S4,所述城市轨道交通系统数字孪生体模型拥有两种运行模式:
模式一为孪生监控模式,在该模式下会基于实时数据对当前情况下的城市轨道交通系统客流和车流的时空分布状态进行实时呈现;
模式二为孪生预测模式,在该模式下系统会对其在地铁系统中的演化进行仿真,从而对短时客流和行车状态进行预测,同时利用系统的实时数据对模型进行持续优化。
更进一步地,在所述步骤S1中,信息采集装置包括地铁列车控制系统、地铁闸机和视频图像采集系统等,对城市轨道交通系统信息的采集包括列车的运行状态信息和系统中乘客的时空分布状态信息。
更进一步地,在所述步骤S1中,对列车的运行状态信息的采集包括列车的实时位置、列车的运行速度以及负载信息。
更进一步地,在所述步骤S1中,对系统中乘客的时空分布状态信息的采集包括乘客的身份标识信息、进站名称、进站时间、出站名称、出站时间、以及乘客的间断跟踪定位信息。
更进一步地,在所述步骤S2中构建数字孪生体虚拟模型的步骤为:
步骤S21,构建几何模型,具体过程包括:
利用三维建模软件对于城市轨道交通系统中不同的设施进行精细化三维虚拟建模,详细描述其几何参数(如形状、尺寸、位置等)与关系(如装配关系),使其与系统设施物理实体备良好的时空一致性,同时对细节层次的渲染可使几何模型从视觉上更加接近物理实体,可作为构建城市轨道交通系统车站级别的数字孪生体几何模型的基本元素;
将基于三维建模软件构建的城市轨道交通设施几何模型导入到Unity3D中,再对城市轨道交通系统中不同的设施模型的位置以及装配关系进行设置,完成城市轨道交通系统数字孪生体车站级别的几何模型的构建;
步骤S22,构建物理模型,具体过程包括:
基于.NET平台,采用面向对象的编程思想,把城市轨道交通系统中不同的设施自身的物理属性、约束及特征等信息及其相互之间的约束信息进行抽象,然后与几何模型相融合,从而完成物理模型的构建。
步骤S23,构建规则模型,具体过程包括:
对不同粒度不同空间尺度下的物理模型在不同时间尺度下的外部环境与干扰,以及内部运行机制共同作用下产生的实时响应及行为(如随时间推进的演化行为、动态功能行为、性能退化行为等)进行描述;
利用循环神经网络来构建城市轨道交通系统客流规则模型;基于城市轨道交通系统中列车的运行规划等数据构建车流规则模型;
步骤S24,构建行为模型,具体过程包括:
根据历史数据和有效路径选择方法,建立基于随机效应理论的客流分配模型,计算出客流对各个路径的动态选择比例;
利用图像采集系统所采集的乘客的间断位置信息对上述模型进行持续优化改进。
更进一步地,在所述步骤S24中,根据所述步骤S1中所采集的包括乘客的身份标识信息和乘客的间断跟踪定位信息的乘客的时空分布状态信息进行追踪,实现乘客信息的自动更新,以保证数据的准确性。
更进一步地,在所述步骤S3中,通过基于机器学习与统计方法的包括对具有明确账号的乘客的出行统计和对地铁站乘客去向的分布统计信息进行分析,对未来一小时乘客的出行进行判断,作为城市轨道交通系统列车运行调度的基础,并根据该基础提前规划列车运行图。
更进一步地,在所述步骤S4中城市轨道交通系统数字孪生体模型的两种运行模式的构建方式分别为:
步骤S41,孪生监控模式基于步骤2构建的城市轨道交通系统数字孪生系统,将地铁刷卡数据、地铁视频监控数据、地铁WIFI探针数据等实时数据和城市轨道交通系统路网模型进行融合,进而在数字孪生体模型中呈现客流的分布状态;
步骤S42,孪生预测模式在孪生监控模式的基础上更进一步,将实时数据与历史数据融合,并基于此对城市轨道交通系统中各地铁站的进站客流和站内客流的行为变化进行预测,从而对短期内的城市轨道交通系统中的客流时空分布状态进行预测。
更进一步地,一种城市轨道交通系统数字孪生建模系统,其特征在于,包括:
信息采集系统,所述信息采集系统包括城市轨道交通系统时空信息采集模块、和乘客信息采集模块;
模型定义系统,所述模型定义系统被配置为对城市轨道交通系统数字孪生体虚拟模型进行抽象分析,构建由几何模型、物理模型、规则模型和行为模型有机组成的虚拟实体;
分析规划系统,所述分析规划系统包括信息存储模块、信息分析模块和指令生成模块。
更进一步地,所述分析规划系统还包括信息检验模块,用于将信息采集系统中采集到的信息和所述信息分析模块所分析出的信息进行对比,若一致,则由人工确认指令并发送给对应的部分,若不一致,则通过信息分析模块对更新后的信息进行再一次的分析,重复以上步骤,直至用于将信息采集系统中采集到的信息和所述信息分析模块所分析出的信息保持一致。
与现有技术相比,本发明技术方案的有益效果是:
本发明根据城市轨道交通系统物理实体精准地构建了城市轨道交通系统数字孪生体模型,通过各种信息采集装置进行数据采集,使城市轨道交通系统的实时状态能够通过其数字孪生体模型直观地显示在本地终端上,便于城市轨道交通系统管理人员能够清晰地掌握城市轨道交通系统的实时运行状况,为城市轨道交通系统中列车的运行规划和客流的引导提供参考。
附图说明
图1为本发明的实施用例的原理示意图;
图2为本发明的城市轨道交通系统数字孪生建模方法的系统架构图;
图3为本发明的城市轨道交通系统数字孪生建模系统的系统架构图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
下面结合附图对本发明的技术方案做进一步的说明。
请结合参阅图1、图2和图3,其中,图1为本发明的实施用例的原理示意图;图2为本发明的城市轨道交通系统数字孪生建模方法的系统架构图;图3为本发明的城市轨道交通系统数字孪生建模系统的系统架构图。城市轨道交通系统数字孪生建模方法及其系统包括以下步骤:
步骤S1,利用物联网技术构建数字化城市轨道交通系统,基于信息采集装置实现对城市轨道交通系统列车的运行状态信息和系统中乘客的时空分布状态信息的采集,基于Hadoop构建城市轨道交通系统大数据平台,实现所采集信息的储存和分析;
步骤S2,基于Unity3D、SketchUp和.HET平台等构建城市轨道交通系统数字孪生体模型,实现对城市轨道交通系统物理实体的几何模型、物理模型、规则模型和行为模型的精准建模,并通过网络技术与大数据平台将车流与客流实时信息动态展现在城市轨道交通系统数字孪生体模型之中;
步骤S3,城市轨道交通系统数字孪生体模型利用机器学习方法与统计方法对城市轨道交通中各车站的进出站客流进行预测;
步骤S4,所述城市轨道交通系统数字孪生体模型拥有两种运行模式:
模式一为孪生监控模式,在该模式下会基于实时数据对当前情况下的城市轨道交通系统客流和车流的时空分布状态进行实时呈现;
模式二为孪生预测模式,在该模式下系统会对其在地铁系统中的演化进行仿真,从而对短时客流和行车状态进行预测,同时利用系统的实时数据对模型进行持续优化。
在所述步骤S1中,对于城市轨道交通系统信息通过地铁列车控制系统、地铁闸机和视频图像采集系统等进行信息采集,将这些设备与大数据平台连接,从而将这些信息进行整合,建立城市轨道交通系统数字孪生体的数据基础。
在所述步骤S1中,信息采集装置包括地铁列车控制系统、地铁闸机和视频图像采集系统等,对城市轨道交通系统信息的采集包括列车的运行状态信息和系统中乘客的时空分布状态信息。
在所述步骤S1中,对列车的运行状态信息的采集包括列车的实时位置、列车的运行速度以及负载信息。
在所述步骤S1中,对系统中乘客的时空分布状态信息的采集包括乘客的身份标识信息、进站名称、进站时间、出站名称、出站时间、以及乘客的间断跟踪定位信息。
在所述步骤S2中,构建数字孪生体虚拟模型的步骤为:
步骤S21,构建几何模型,具体过程包括:
利用三维建模软件对于城市轨道交通系统中不同的设施进行精细化三维虚拟建模,详细描述其几何参数(如形状、尺寸、位置等)与关系(如装配关系),使其与系统设施物理实体备良好的时空一致性,同时对细节层次的渲染可使几何模型从视觉上更加接近物理实体,可作为构建城市轨道交通系统车站级别的数字孪生体几何模型的基本元素;
将基于三维建模软件构建的城市轨道交通设施几何模型导入到Unity3D中,再对城市轨道交通系统中不同的设施模型的位置以及装配关系进行设置,完成城市轨道交通系统数字孪生体车站级别的几何模型的构建;
步骤S22,构建物理模型,具体过程包括:
基于.NET平台,采用面向对象的编程思想,把城市轨道交通系统中不同的设施自身的物理属性、约束及特征等信息及其相互之间的约束信息进行抽象,然后与几何模型相融合,从而完成物理模型的构建。
步骤S23,构建规则模型,具体过程包括:
对不同粒度不同空间尺度下的物理模型在不同时间尺度下的外部环境与干扰,以及内部运行机制共同作用下产生的实时响应及行为(如随时间推进的演化行为、动态功能行为、性能退化行为等)进行描述;
利用循环神经网络来构建城市轨道交通系统客流规则模型;基于城市轨道交通系统中列车的运行规划等数据构建车流规则模型;
步骤S24,构建行为模型,具体过程包括:
根据历史数据和有效路径选择方法,建立基于随机效应理论的客流分配模型,计算出客流对各个路径的动态选择比例;
利用图像采集系统所采集的乘客的间断位置信息对上述模型进行持续优化改进。
在所述步骤S24中,根据所述步骤S1中所采集的包括乘客的身份标识信息和乘客的间断跟踪定位信息的乘客的时空分布状态信息进行追踪,实现乘客信息的自动更新,以保证数据的准确性。
在所述步骤S3中,通过基于机器学习与统计方法的包括对具有明确账号的乘客的出行统计和对地铁站乘客去向的分布统计信息进行分析,对未来一小时乘客的出行进行判断,作为城市轨道交通系统列车运行调度的基础,并根据该基础提前规划列车运行图。
该列车运行图可通过服务终端进行发送,方便调度指令的发出与获取。
在所述步骤S4中城市轨道交通系统数字孪生体模型的两种运行模式的构建方式分别为:
步骤S41,孪生监控模式基于步骤2构建的城市轨道交通系统数字孪生系统,将地铁刷卡数据、地铁视频监控数据、地铁WIFI探针数据等实时数据和城市轨道交通系统路网模型进行融合,进而在数字孪生体模型中呈现客流的分布状态;
步骤S42,孪生预测模式在孪生监控模式的基础上更进一步,将实时数据与历史数据融合,并基于此对城市轨道交通系统中各地铁站的进站客流和站内客流的行为变化进行预测,从而对短期内的城市轨道交通系统中的客流时空分布状态进行预测。
一种城市轨道交通系统数字孪生建模系统,其特征在于,包括:
信息采集系统,所述信息采集系统包括城市轨道交通系统时空信息采集模块、和乘客信息采集模块;
模型定义系统,所述模型定义系统被配置为对城市轨道交通系统数字孪生体虚拟模型进行抽象分析,构建由几何模型、物理模型、规则模型和行为模型有机组成的虚拟实体;
分析规划系统,所述分析规划系统包括信息存储模块、信息分析模块和指令生成模块。
所述分析规划系统还包括信息检验模块,用于将信息采集系统中采集到的信息和所述信息分析模块所分析出的信息进行对比,若一致,则由人工确认指令并发送给对应的部分,若不一致,则通过信息分析模块对更新后的信息进行再一次的分析,重复以上步骤,直至用于将信息采集系统中采集到的信息和所述信息分析模块所分析出的信息保持一致。
Claims (10)
1.一种城市轨道交通系统数字孪生建模方法,其特征在于,所述方法包括以下步骤:
步骤S1,利用物联网技术构建数字化城市轨道交通系统,基于信息采集装置实现对城市轨道交通系统列车的运行状态信息和系统中乘客的时空分布状态信息的采集,基于Hadoop构建城市轨道交通系统大数据平台,实现所采集信息的储存和分析;
步骤S2,基于Unity3D、SketchUp和.HET平台等构建城市轨道交通系统数字孪生体模型,实现对城市轨道交通系统物理实体的几何模型、物理模型、规则模型和行为模型的精准建模,并通过网络技术与大数据平台将车流与客流实时信息动态展现在城市轨道交通系统数字孪生体模型之中;
步骤S3,城市轨道交通系统数字孪生体模型利用机器学习方法与统计方法对城市轨道交通中各车站的进出站客流进行预测;
步骤S4,所述城市轨道交通系统数字孪生体模型拥有两种运行模式,包括:
模式一为孪生监控模式,在该模式下会基于实时数据对当前情况下的城市轨道交通系统客流和车流的时空分布状态进行实时呈现;
模式二为孪生预测模式,在该模式下系统会对其在地铁系统中的演化进行仿真,从而对短时客流和行车状态进行预测,同时利用系统的实时数据对模型进行持续优化。
2.根据权利要求1所述的城市轨道交通系统数字孪生建模方法,其特征在于,在所述步骤S1中,信息采集装置包括地铁列车控制系统、地铁闸机和视频图像采集系统等,对城市轨道交通系统信息的采集包括列车的运行状态信息和系统中乘客的时空分布状态信息。
3.根据权利要求2所述的城市轨道交通系统数字孪生建模方法,其特征在于,在所述步骤S1中,对列车的运行状态信息的采集包括列车的实时位置、列车的运行速度以及负载信息。
4.根据权利要求2所述的城市轨道交通系统数字孪生建模方法,其特征在于,在所述步骤S1中,对系统中乘客的时空分布状态信息的采集包括乘客的身份标识信息、进站名称、进站时间、出站名称、出站时间、以及乘客的间断跟踪定位信息。
5.根据权利要求1所述的城市轨道交通系统数字孪生建模方法,其特征在于,在所述步骤S2中构建数字孪生体虚拟模型的步骤为:
步骤S21,构建几何模型,具体过程包括:
利用三维建模软件对于城市轨道交通系统中不同的设施进行精细化三维虚拟建模,详细描述其几何参数(如形状、尺寸、位置等)与关系(如装配关系),使其与系统设施物理实体备良好的时空一致性,同时对细节层次的渲染可使几何模型从视觉上更加接近物理实体,可作为构建城市轨道交通系统车站级别的数字孪生体几何模型的基本元素;
将基于三维建模软件构建的城市轨道交通设施几何模型导入到Unity3D中,再对城市轨道交通系统中不同的设施模型的位置以及装配关系进行设置,完成城市轨道交通系统数字孪生体车站级别的几何模型的构建;
步骤S22,构建物理模型,具体过程包括:
基于.NET平台,采用面向对象的编程思想,把城市轨道交通系统中不同的设施自身的物理属性、约束及特征等信息及其相互之间的约束信息进行抽象,然后与几何模型相融合,从而完成物理模型的构建;
步骤S23,构建规则模型,具体过程包括:
对不同粒度不同空间尺度下的物理模型在不同时间尺度下的外部环境与干扰,以及内部运行机制共同作用下产生的实时响应及行为(如随时间推进的演化行为、动态功能行为、性能退化行为等)进行描述;
利用循环神经网络来构建城市轨道交通系统客流规则模型;基于城市轨道交通系统中列车的运行规划等数据构建车流规则模型;
步骤S24,构建行为模型,具体过程包括:
根据历史数据和有效路径选择方法,建立基于随机效应理论的客流分配模型,计算出客流对各个路径的动态选择比例;
利用图像采集系统所采集的乘客的间断位置信息对上述模型进行持续优化改进。
6.根据权利要求5所述的城市轨道交通系统数字孪生建模方法,其特征在于,在所述步骤S24中,根据所述步骤S1中所采集的包括乘客的身份标识信息和乘客的间断跟踪定位信息的乘客的时空分布状态信息进行追踪,实现乘客信息的自动更新,以保证数据的准确性。
7.根据权利要求1所述的城市轨道交通系统数字孪生建模方法,其特征在于,在所述步骤S3中,通过基于机器学习与统计方法的包括对具有明确账号的乘客的出行统计和对地铁站乘客去向的分布统计信息进行分析,对未来一小时乘客的出行进行判断,作为城市轨道交通系统列车运行调度的基础,并根据该基础提前规划列车运行图。
8.根据权利要求1所述的城市轨道交通系统数字孪生建模方法,其特征在于,在所述步骤S4中城市轨道交通系统数字孪生体模型的两种运行模式的构建方式分别为:
步骤S41,孪生监控模式基于步骤2构建的城市轨道交通系统数字孪生系统,将地铁刷卡数据、地铁视频监控数据、地铁WIFI探针数据等实时数据和城市轨道交通系统路网模型进行融合,进而在数字孪生体模型中呈现客流的分布状态;
步骤S42,孪生预测模式在孪生监控模式的基础上更进一步,将实时数据与历史数据融合,并基于此对城市轨道交通系统中各地铁站的进站客流和站内客流的行为变化进行预测,从而对短期内的城市轨道交通系统中的客流时空分布状态进行预测。
9.一种城市轨道交通系统数字孪生建模系统,其特征在于,包括:
信息采集系统,所述信息采集系统包括城市轨道交通系统时空信息采集模块、和乘客信息采集模块;
模型定义系统,所述模型定义系统被配置为对城市轨道交通系统数字孪生体虚拟模型进行抽象分析,构建由几何模型、物理模型、规则模型和行为模型有机组成的虚拟实体;
分析规划系统,所述分析规划系统包括信息存储模块、信息分析模块和指令生成模块。
10.根据权利要求9所述的城市轨道交通系统数字孪生建模系统,其特征在于,所述分析规划系统还包括信息检验模块,用于将信息采集系统中采集到的信息和所述信息分析模块所分析出的信息进行对比,若一致,则由人工确认指令并发送给对应的部分,若不一致,则通过信息分析模块对更新后的信息进行再一次的分析,重复以上步骤,直至用于将信息采集系统中采集到的信息和所述信息分析模块所分析出的信息保持一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210364242.3A CN114692419A (zh) | 2022-04-08 | 2022-04-08 | 一种城市轨道交通系统数字孪生建模方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210364242.3A CN114692419A (zh) | 2022-04-08 | 2022-04-08 | 一种城市轨道交通系统数字孪生建模方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114692419A true CN114692419A (zh) | 2022-07-01 |
Family
ID=82142042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210364242.3A Pending CN114692419A (zh) | 2022-04-08 | 2022-04-08 | 一种城市轨道交通系统数字孪生建模方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114692419A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078812A (zh) * | 2023-10-12 | 2023-11-17 | 园测信息科技股份有限公司 | 一种轨道交通列车三维动画仿真方法、存储介质及设备 |
CN117850539A (zh) * | 2023-12-26 | 2024-04-09 | 杭州铬络科技有限公司 | 基于数字孪生的时间同步方法、轨道交通管理方法及系统 |
-
2022
- 2022-04-08 CN CN202210364242.3A patent/CN114692419A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078812A (zh) * | 2023-10-12 | 2023-11-17 | 园测信息科技股份有限公司 | 一种轨道交通列车三维动画仿真方法、存储介质及设备 |
CN117078812B (zh) * | 2023-10-12 | 2024-01-05 | 园测信息科技股份有限公司 | 一种轨道交通列车三维动画仿真方法、存储介质及设备 |
CN117850539A (zh) * | 2023-12-26 | 2024-04-09 | 杭州铬络科技有限公司 | 基于数字孪生的时间同步方法、轨道交通管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Simmobility mid-term simulator: A state of the art integrated agent based demand and supply model | |
Barros et al. | Short-term real-time traffic prediction methods: A survey | |
Zhao et al. | DeCAST in TransVerse for parallel intelligent transportation systems and smart cities: Three decades and beyond | |
CN114692419A (zh) | 一种城市轨道交通系统数字孪生建模方法及其系统 | |
CN105224992A (zh) | 对等待乘客数进行预测的方法和系统以及评价方法和系统 | |
Postorino et al. | Agents meet traffic simulation, control and management: A review of selected recent contributions | |
Suzumura et al. | A high performance multi-modal traffic simulation platform and its case study with the Dublin city | |
Khaidem et al. | Optimizing transportation dynamics at a city-scale using a reinforcement learning framework | |
Zhang et al. | A simulation and machine learning based optimization method for integrated pedestrian facilities planning and staff assignment problem in the multi-mode rail transit transfer station | |
Li et al. | Model controlled prediction: A reciprocal alternative of model predictive control | |
García-Cerrud et al. | Simulation models for public transportation: a state-of-the-art review | |
CN112418574A (zh) | 基于人工智能的城市轨道交通运营仿真系统及方法 | |
Araldo et al. | Implementation & policy applications of AMOD in multi-modal activity-driven agent-based urban simulator simmobility | |
Su et al. | Simulation-Based Method for the Calculation of Passenger Flow Distribution in an Urban Rail Transit Network Under Interruption | |
Van Hoang | Impact of Integrated Artificial Intelligence and Internet of Things Technologies on Smart City Transformation | |
Xiong et al. | Parallel bus rapid transit (BRT) operation management system based on ACP approach | |
Sánchez-Martínez | Running time variability and resource allocation: a data-driven analysis of high-frequency bus operations | |
Yang et al. | Temporal and spatial evolution of passenger flow in an urban rail transit network during station closure | |
Shi et al. | Generating synthetic passenger data through joint traffic-passenger modeling and simulation | |
Hassannayebi et al. | A data analytics framework for reliable bus arrival time prediction using artificial neural networks | |
Bondarabadi et al. | A new approach to assess safety performance of rail regions with an emphasis on the resources and equipment of each region | |
Sai et al. | Study on the evaluation index system of China intelligent high-speed railway based on technical characteristic | |
Zhang et al. | A Meta-Modeling Approach for Autonomous Driving Scenario Based on STTD. | |
RU2753989C1 (ru) | Устройство построения прогнозных графиков движения поездов на основе методов обработки больших данных | |
Vuurstaek et al. | First steps towards a state-of-the-art parking simulator |
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 |