CN114707709A - 铁路综合客运枢纽安全预警方法及系统 - Google Patents

铁路综合客运枢纽安全预警方法及系统 Download PDF

Info

Publication number
CN114707709A
CN114707709A CN202210279956.4A CN202210279956A CN114707709A CN 114707709 A CN114707709 A CN 114707709A CN 202210279956 A CN202210279956 A CN 202210279956A CN 114707709 A CN114707709 A CN 114707709A
Authority
CN
China
Prior art keywords
arriving
passenger
time
passengers
station
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
Application number
CN202210279956.4A
Other languages
English (en)
Inventor
刘涛
陈坚
陈晓明
马新露
覃胜
蔡琪
杜中坤
易彤
刘柯良
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.)
Chongqing City Integrated Transportation Hub Group Co ltd
Chongqing Jiaotong University
Original Assignee
Chongqing City Integrated Transportation Hub Group Co ltd
Chongqing Jiaotong University
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 Chongqing City Integrated Transportation Hub Group Co ltd, Chongqing Jiaotong University filed Critical Chongqing City Integrated Transportation Hub Group Co ltd
Priority to CN202210279956.4A priority Critical patent/CN114707709A/zh
Publication of CN114707709A publication Critical patent/CN114707709A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q10/04—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
    • 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
    • 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)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种铁路综合客运枢纽安全预警方法及系统，该系统采用预警方法预测客运枢纽的预警等级，预警方法包括：首先，采集客运枢纽的历史疏解信息、设施布局信息和到站旅客数量；然后，通过历史疏解信息、设施布局信息和到站旅客数量，预测每位到站旅客对应的疏解时长和不同换乘方式的排队人数；之后，根据设施布局信息、每位到站旅客的疏解时长、不同换乘方式的排队人数，通过构建的心理疏解时长预测模型预测到站旅客能承受的最大心理疏解时长；最后，将最大心理疏解时长与预警等级划分阈值进行比较，确定客运枢纽的预警等级。从而达到从旅客心理感知维度预测客运枢纽的客流疏解状态的目的，以加快大型铁路综合客运枢纽的客流疏解。

Description

铁路综合客运枢纽安全预警方法及系统
技术领域
本发明涉及检测要控制的交通运动技术领域，具体涉及一种铁路综合客运枢纽安全预警方法及系统。
背景技术
大型铁路综合客运枢纽是市域交通的连接点，作为市内交通的转换中心，在国家战略层面的运输系统布局及市域层面的综合交通系统布局中都占有举足轻重的地位。随着近年来铁路客流的大规模增长，也给大型铁路综合客运枢纽带来了新的问题与挑战，例如高峰时间的客流滞留，多方式客流疏解不匹配等，而管理人员无法及时掌握疏解动态，导致调控措施滞后，铁路旅客出行品质不高，出行体验不佳。
客流疏解时长是评判枢纽运行状态的重要指标。由于铁路综合客运枢纽的复杂性、疏解方式的多样性、疏解路径的可变性，疏解时长仅能作为铁路枢纽各方式疏解能力的实际体现，无法客观的反映出站旅客在疏解过程中的心理感知情绪状态。同时枢纽预警大多考虑客流特征指标(包括客流密度、客流速度等)与站内设施、枢纽容量的匹配程度，或乘客换乘舒适度等，缺乏以旅客心理感知(即心理疏解时长)为阈值的预警体系。
发明内容
针对现有技术存在的不足，本发明提出一种铁路综合客运枢纽安全预警方法及系统，可以从旅客心理感知维度预测客运枢纽的客流疏解状态。具体技术方案如下：
第一方面，提供了一种铁路综合客运枢纽安全预警方法，该安全预警方法包括：
采集客运枢纽的历史疏解信息、设施布局信息和到站旅客数量；
通过所述历史疏解信息、设施布局信息和到站旅客数量，预测每位到站旅客对应的疏解时长和不同换乘方式的排队人数；
根据设施布局信息、每位到站旅客的疏解时长、不同换乘方式的排队人数，通过构建的心理疏解时长预测模型预测到站旅客能承受的最大心理疏解时长；
将所述最大心理疏解时长与预警等级划分阈值进行比较，确定客运枢纽的预警等级。
结合第一方面，在第一方面的第一种可实现方式中，所述预测每位到站旅客对应的疏解时长包括：
根据历史疏解信息和到站旅客数量预测不同换乘方式的疏解人数；
通过设施布局信息计算到站旅客从出站口到达不同换乘方式的候车点所需的最短步行时长；
根据相应的疏解人数、最短步行时长和到站时间，预测每位到站旅客关于相应候车点的到达时间和离开时间；
通过相应的到达时间和离开时间计算每位到站旅客的疏解时长。
结合第一方面的第一种可实现方式，在第一方面的第二种可实现方式中，所述通过历史疏解信息和到站旅客数量预测不同换乘方式的疏解人数，包括：
统计历史疏解信息中不同换乘方式对应的历史疏解人数，确定不同换乘方式的疏解分担率；
根据不同换乘方式对应的疏解分担率和到站旅客数量预测不同换乘方式的疏解人数。
结合第一方面的第一种可实现方式，在第一方面的第三种可实现方式中，所述通过设施布局信息计算到站旅客从出站口到达不同换乘方式的候车点所需的最短步行时长，包括：
通过设施布局信息确定出站口到不同换乘方式的候车点的步行路径和客流移动速度；
根据相应的步行路径和客流移动速度计算出站口到达不同换乘方式的候车点所需的最短步行时长。
结合第一方面的第一种可实现方式，在第一方面的第四种可实现方式中，预测所述离开时间包括：
预测到站旅客离开出租车候车点的离开时间；
和/或预测到站旅客离开公交候车点的离开时间，其中；
所述预测到站旅客离开出租车候车点的离开时间包括：
根据到站旅客的到达时间和前一位到站旅客的离开时间，确定到站旅客的等待时长；
通过到站旅客的等待时长、出租车换乘所需时长和到达时间，确定到站旅客离开出租车候车点的离开时间；
所述预测到站旅客离开公交候车点的离开时间包括：
根据到站旅客的到达时间确定公交的到站时间；
通过公交的到站时间和公交换乘所需时长确定到站旅客离开公交候车点的离开时间。
结合第一方面的第一种可实现方式，在第一方面的第五种可实现方式中，根据相应到站旅客对应的到达时间和离开时间，预测不同换乘方式的排队人数。
结合第一方面，在第一方面的第六种可实现方式中，所述心理疏解时长预测模型为根据历史疏解信息和设施布局信息构建的回归预测模型。
第二方面，提供了一种铁路综合客运枢纽安全预警系统，该安全预警系统包括：
预警信息采集模块，配置为采集客运枢纽的历史疏解信息、设施布局信息和到站旅客数量；
疏解时长预测模块，配置为通过所述历史疏解信息、设施布局信息和到站旅客数量，预测每位到站旅客对应的疏解时长和不同换乘方式的排队人数；
心理时长预测模块，配置为根据设施布局信息、每位到站旅客的疏解时长、不同换乘方式的排队人数，通过构建的心理疏解时长预测模型预测到站旅客能承受的最大心理疏解时长；
预警等级评估模块，配置为将所述最大心理疏解时长与预警等级划分阈值进行比较，确定客运枢纽的预警等级。
结合第二方面，在第二方面的第一种可实现方式中，所述疏解时长预测模块包括：
人数预测单元，配置为通过历史疏解信息和到站旅客数量预测不同换乘方式的疏解人数；
时长计算单元，配置为通过设施布局信息计算到站旅客从出站口到达不同换乘方式的候车点所需的最短步行时长；
时间预测单元，配置为根据相应的疏解人数、最短步行时长和到站时间，预测每位到站旅客关于相应候车点的到达时间和离开时间；
时间计算单元，配置为根据相应的离开时间和到达时间计算每位到站旅客的疏解时长；
排队预测单元，配置为根据相应到站旅客对应的到达时间和离开时间，预测不同换乘方式的排队人数。
结合第二方面的第一种可实现方式，在第二方面的第二种可实现方式中，所述人数预测单元包括：
分担率统计单元，配置为统计历史疏解信息中不同换乘方式对应的历史疏解人数，确定不同换乘方式的疏解分担率；
人数计算单元，根据不同换乘方式对应的疏解分担率和到站旅客数量预测不同换乘方式的疏解人数。
结合第二方面的第一种可实现方式，在第二方面的第三种可实现方式中，所述时长计算单元包括：
步行信息确定单元，配置为通过设施布局信息确定出站口到不同换乘方式的候车点的步行路径和客流移动速度；
步行时长计算单元，配置为根据相应的步行路径和客流移动速度计算出站口到达不同换乘方式的候车点所需的最短步行时长。
结合第二方面的第一种可实现方式，在第二方面的第四种可实现方式中，所述时间预测单元包括：
到达时间预测单元，配置为根据相应的疏解人数、最短步行时长和到站时间，预测每位到站旅客到达相应候车点的到达时间；
离开时间预测单元，配置为根据每位到站旅客到达相应候车点的到达时间，预测每位到站旅客离开相应候车点的离开时间。
结合第二方面的第一种可实现方式，在第二方面的第五种可实现方式中，所述离开时间预测单元包括：
出租车离开时间预测单元，配置为根据到站旅客的到达时间和前一位到站旅客的离开时间，确定到站旅客的等待时长，并通过到站旅客的等待时长、出租车换乘所需时长和到达时间，确定到站旅客离开出租车候车点的离开时间；
和/或公交离开时间预测单元，配置为根据到站旅客的到达时间确定公交的到站时间，并通过公交的到站时间和公交换乘所需时长确定到站旅客离开公交候车点的离开时间。
结合第二方面，在第二方面的第六种可实现方式中，还包括预测模型构建模块，该预测模块构建模块配置为根据历史疏解信息和设施布局信息，采用回归模型构建方法构建所述心理疏解时长预测模型。
结合第二方面，在第二方面的第六种可实现方式中，还包括划分阈值确定模块，该划分阈值确定模块配置为采集每位到站旅客的焦虑状态信息，并根据所有到站旅客的焦虑状态信息确定所述预警等级划分阈值
有益效果：采用本发明的铁路综合客运枢纽安全预警方法及系统，通过客运枢纽的历史疏解信息、设施布局信息和当前班次的到站旅客数据，预测出疏解每位旅客的疏解时长以及不同换乘方式的排队人数，采用基于客运枢纽的历史疏解过程中旅客的心理感知时长、实际疏解时长和换乘方式，以及候车点的排队人数等数据构建起的心理数据时长预测模型，对预测出的数据进行预测分析，确定出站旅客能够承受的最大心理疏解时长，并以此评估客运枢纽当前的预警等级，从而达到从旅客心理感知维度预测客运枢纽的客流疏解状态的目的。以提前预判铁路枢纽客流疏解状态，及时跟进应对措施，加快大型铁路综合客运枢纽的客流疏解，提高枢纽的运行效率。同时通过事先预警调控措施，防止突发大客流导致的旅客大批量滞留以及由此造成的社会安全、民生舆论问题。
附图说明
为了更清楚地说明本发明具体实施方式，下面将对具体实施方式中所需要使用的附图作简单地介绍。在所有附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明一实施例提供的铁路综合客运枢纽安全预警方法的流程图；
图2为本发明一实施例提供的到站旅客的疏解时长预测方法的流程图；
图3为本发明一实施例提供的铁路综合客运枢纽安全预警系统的系统框图；
图4为本发明一实施例提供的疏解时长预测模块的系统框图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
应理解，本发明实施例的技术方案可以应用于各种客运枢纽管理系统，比如铁路客运枢纽管理系统、汽车客运枢纽管理系统、船舶客运枢纽管理系统等。
还应理解，在本发明实施例中，“模块”、“单元”可称之为“终端”、“服务器”、“平台”等。“模块”、“单元”可以采用有线或无线网络与客运枢纽的核心网络进行通信。“到达时间”可以称之为“到达时刻”，“离开时间”可以称之为“离开时刻”，“疏解时长”可以称之为“疏解时间”。
如图1所示的铁路综合客运枢纽安全预警方法的流程图，该安全预警方法包括：
步骤1、采集客运枢纽的历史疏解信息、设施布局信息和到站旅客数量；
步骤2、通过所述历史疏解信息、设施布局信息和到站旅客数量，预测每位到站旅客对应的疏解时长和不同换乘方式的排队人数；
步骤3、根据设施布局信息、每位到站旅客的疏解时长、不同换乘方式的排队人数，通过构建的心理疏解时长预测模型预测到站旅客能承受的最大心理疏解时长；
步骤4、将所述最大心理疏解时长与预警等级划分阈值进行比较，确定客运枢纽的预警等级。
具体而言，通过客运枢纽的历史疏解信息、设施布局信息和当前班次的到站旅客数据，预测出疏解每位旅客的疏解时长以及不同换乘方式的排队人数，采用基于客运枢纽的历史疏解过程中旅客的心理感知疏解时长、真实疏解时长和换乘方式，以及候车点的排队人数等数据构建起的心理数据时长预测模型，对预测出的数据进行预测分析，确定出站旅客能够承受的最大心理疏解时长，并以此评估客运枢纽当前的预警等级，从而达到从旅客心理感知维度预测客运枢纽的客流疏解状态的目的。
下文将以铁路客运站为例，结合附图2对本发明实施例中的安全预警方法进行详细描述。
在步骤1中，采集的信息包括客运枢纽的历史疏解信息、设施布局信息和到站旅客数量。其中，设施布局信息包括不同换乘方式对应的候车点的布局信息和路线信息。关于铁路客运枢纽的设施布局信息和每班列车的到站旅客数量可以直接从铁路客运枢纽的管理系统中采集得到。
采集的历史疏解信息包括铁路客运枢纽以前每次疏解的历史疏解时长信息、历史客流换乘信息和历史排队信息。历史疏解时长信息包括实际疏解时长和到站旅客的心理感知时长。历史换乘信息包括到站旅客选择离开铁路枢纽的交通方式，比如出租车、轨道交通或客运汽车等。历史排队信息包括不同换乘方式对应的候车点的排队人数。
可以采用现有识别定位技术确定到站旅客在铁路客运枢纽中的移动轨迹，结合移动轨迹和铁路客运枢纽的设施布局信息就可以确定到站旅客的出站时间、换乘方式以及离开候车点的离开时间和每个候车点的排队人数。再根据到站旅客的出站时间和离开时间就可以确定到站旅客的实际疏解时长。对于到站旅客的心理感知时长，可以通过铁路客运平台乘客离开后以回访调查的方式向到站旅客发送心理调查问卷，以此获取到站旅客的心理感知时长。
在本实施例中，可选的，在步骤2中，所述预测每位到站旅客对应的疏解时长包括：
步骤2-1、根据历史疏解信息和到站旅客数量预测不同换乘方式的疏解人数；
步骤2-2、通过设施布局信息计算到站旅客从出站口到达不同换乘方式的候车点所需的最短步行时长；
步骤2-3、根据相应的疏解人数、最短步行时长和到站时间，预测每位到站旅客关于相应候车点的到达时间和离开时间；
步骤2-4、通过相应的到达时间和离开时间计算每位到站旅客的疏解时长。
具体而言，首先，可以对过去每次疏解时不同换乘方式服务的人数进行统计，得到过去疏解时不同换乘方式所承担的疏解人数，结合当前班次的到站人数即可预测出对于当前班次不同换乘方式将要承担的疏解人数。
然后，可以对过去每次疏解时到站旅客的移动轨迹进行统计分析，得到到站旅客从出站口到达不同换乘方式的候车点所需的最短步行时长。
之后，可以根据铁路列车的到站时间和到站旅客前往相应候车点的最短步行时长，预测到站旅客到达候车点的到达时间，铁路列车的到站时间可以直接从铁路客运枢纽管理系统的列车运行时刻表获取。并根据到站旅客的到达时间和选择的换乘方式的运行状况预测到站旅客离开候车点的离开时间。
最后，根据到站旅客到达所选择的换乘方式的候车点的到达时间，以及离开候车的离开时间，即可确定到站旅客的疏解时长。
在本实施例中，可选的，在步骤2-1中，所述通过历史疏解信息和到站旅客数量预测不同换乘方式的疏解人数，包括：
步骤2-1-1、统计历史疏解信息中不同换乘方式对应的历史疏解人数，确定不同换乘方式的疏解分担率；
步骤2-1-2、根据不同换乘方式对应的疏解分担率和到站旅客数量预测不同换乘方式的疏解人数。
历史疏解信息包括过去每班列车到达铁路客运枢纽后，每位到站旅客离开铁路客运枢纽所选择的交通方式，通过对铁路客运枢纽的历史疏解信息进行统计分析，可以确定过去每次列车到站后，不同换乘方式所承担的疏解人数，结合相应的到站旅客数量，即可计算出过去每班列车到站后，不同换乘方式对应的疏解分担率。综合采集到的所有历史疏解信息，即可预测当前班次的列车到站后，不同换乘方式对应的疏解分担率。最后，结合当前班次列车所对应的到站旅客数量，即可预测不同换乘方式所需要承担的疏解人数。具体计算式如下：
nx＝N·px；
其中，nx为第x种换乘方式需要承担的疏解人数，N为到站旅客数量，px为第x种换乘方式对应的疏解分担率。
在本实施例中，可选的，在步骤2-2中，所述通过设施布局信息计算到站旅客从出站口到达不同换乘方式的候车点所需的最短步行时长，包括：
步骤2-2-1、通过设施布局信息确定出站口到不同换乘方式的候车点的步行路径和客流移动速度；
步骤2-2-2、根据相应的步行路径和客流移动速度计算出站口到达不同换乘方式的候车点所需的最短步行时长。
具体而言，铁路客运枢纽都设置有对于不同换乘方式的候车点，比如出租车候车点、轨道列车候车点等。设施布局信息种包括铁路客运枢纽的土建结构数据，通过土建结构数据可以确定从铁路客运枢纽的出站口到达客运枢纽的出口的移动路径，以及从客运枢纽的出口到不同换乘方式的候车点的步行路径。
通过步行路径和移动路径可以确定每位到站旅客前往相应候车点所经过的通道类型，比如步行通道、楼梯、扶梯等，以及这些通道的路程。再结合不同类型通道的客流移动速度即可计算出每位到站旅客到达相应换乘方式的候车点所需的最短步行时长，不同类型通道的客流速度可通过计算机视觉等技术进行识别。具体计算式如下：
Figure BDA0003556454490000101
其中，j为旅客疏解过程中需要使用到的通道类型，Kj为不同类型通道长度，vj为不同类型通道的客流移动速度，Lxj为出口至各换乘交通候车点距离，Vxj为出口至各换乘交通候车点的客流移动速度，与不同类型通道的客流速度相同，也可以通过计算机视觉等技术进行测量。
在本实施例中，可选的，在步骤2-3中，预测所述离开时间包括：
预测到站旅客离开出租车候车点的离开时间；
和/或预测到站旅客离开公交候车点的离开时间，其中；
(1)所述预测到站旅客离开出租车候车点的离开时间包括：
根据到站旅客的到达时间和前一位到站旅客的离开时间，确定到站旅客的等待时长；
通过到站旅客的等待时长、出租车换乘所需时长和到达时间，确定到站旅客离开出租车候车点的离开时间；
(2)所述预测到站旅客离开公交候车点的离开时间包括：
根据到站旅客的到达时间确定公交的到站时间；
通过公交的到站时间和公交换乘所需时长确定到站旅客离开公交候车点的离开时间。
具体而言，在本实施例中，铁路客运枢纽的换乘方式包括出租车换乘和公交换乘，公交换乘包括公交车换乘和轨道列车换乘。在预测到站旅客离开相应换乘方式的候车点的离开时间时，需要首先预测到站旅客到达相应候车点的到达时间，到达时间可以根据当前班次的列车到站时间和到达旅客到达相应候车点的最短步行时长等计算得出，到达时间的具体计算式如下：
Figure BDA0003556454490000111
i＝1，2，...nx，Ttrain(i)为当前班次的列车到站时间，Ta(i)为到站旅客的到达时间间隔。由于不同换乘方式的候车点对应的每一名旅客的到达时间是不同的，存在着到达时间间隔，所以为了更准确地预测到站旅客的到达时间，在计算具体的到达时间时可以考虑达到时间间隔。对于到达时间间隔，可以通过旅客到达的分布方式进行确定。
具体的，首先，确定旅客输入方式，进而确定到达率服从何种分布，进而知道相邻旅客到达时间间隔所符合的分布。例如，旅客在换乘出租车过程中，出租车候车点旅客的输入方式为泊松流输入，其到达率服从泊松分布，则相邻旅客到达时间间隔服从负指数分布。
在预测出到站旅客的到达时间后，可以到站旅客根据达到时间和在候车点的滞留时长预测到站旅客离开候车点的离开时间。对于到站旅客的滞留时长可以根据换乘方式进行预测。
对于选择出租车离开的到站旅客，可以根据到站旅客的到达时间和前一位到站旅客的离开时间，确定到站旅客的等待时长，具体为：
Figure BDA0003556454490000112
其中，Lx(i)为相应候车点的排队人数，在本申请实施例中，可以根据相应到站旅客对应的到达时间和离开时间，预测不同换乘方式的排队人数，具体为：
Figure BDA0003556454490000113
Figure BDA0003556454490000114
其中，n＝1，2，...，i。
然后，再根据到站旅客的等待时长和出租车换乘所需时长计算出到站旅客的滞留时长，最后，结合到达时间和滞留时长即可确定到站旅客离开出租车候车点的离开时间，具体计算式如下：
Tx2(i)＝Tx1(i)+Wq(i)+Sx(i)；
其中，Sx(i)为第x种换乘方式的服务时间。
对于选择公交车或轨道列车离开的到站旅客，可以将到站旅客到达候车点的达到时间与公交车或轨道列车的运行时刻表进行比较，判定到站旅客是否能够赶上当前到达候车点的公交车或轨道列车。如果能够赶上，则可以根据当前班次的公交车或轨道列车确定到站旅客离开公交车或轨道列车的离开时间。反之，如果不能赶上，则可以根据下一班次的公交车或轨道列车确定到站旅客离开公交车或轨道列车的离开时间，具体计算式如下：
Tx2(i)＝Ts(i)+Sx(i)；
其中，Ts(i)为公交车或轨道列车到达候车点的时间。
在预测出到站旅客到达选择的换乘方式对应的候车点的到达时间，以及离开相应候车点的到达时间后，就可以根据所述到达时间和离开时间预测出到站旅客的疏解时长，具体计算式如下：
Tb(i)＝Tx2(i)-Tx1(i)。
在本实施例中，可选的，所述心理疏解时长预测模型为根据历史疏解信息和设施布局信息构建的回归预测模型。
具体而言，可以基于历史疏解信息中的历史疏解时长信息、历史客流换乘信息和历史排队信息和设施布局信息等，以候车点的排队人数、设施布局信息、到站旅客的真实疏解时长和换乘方式等作为自变量，到站旅客的心理疏解时长作为因变量，采用回归模型构建方法构建起回归预测模型作为心理疏解时长预测模型。
在构建回归预测模型的过程中，可以对排队人数、设施布局信息中的换乘距离、扶梯数量等参数进行相关性分析，以剔除不显著变量，并在剔除不显著变量后重新标定模型参数，最终得到相应的回归预测模型。
将预测得到的每位到站旅客的疏解时长和排队人数输入心理疏解时长预测模型，可以得出每位到站旅客的心理疏解时长预测数据，通过对所有到站旅客的心理疏解时长预测数据进行比较，即可预测出到站旅客能够承受的最大客流心理疏解时长。将最大客流疏解时长与预设的预警等级划分阈值进行比较，就可以确定客运枢纽的预警等级。
在本申请的实施例中，可以根据旅客心理焦虑状态信息进行确定预警等级划分阈值。具体而言，首先，可以向到站旅客发送心理调查问卷，采集到站旅客当前的焦虑状态。然后，结合心理测量学等理论对到站旅客的焦虑状态进行评分，并以使用心理测量学、洛萨达理论等确定预警等级划分阈值。
如图3所示的铁路综合客运枢纽安全预警系统的系统框图，该预警系统包括：
预警信息采集模块，配置为采集客运枢纽的历史疏解信息、设施布局信息和到站旅客数量；
疏解时长预测模块，配置为通过所述历史疏解信息、设施布局信息和到站旅客数量，预测每位到站旅客对应的疏解时长和不同换乘方式的排队人数；
心理时长预测模块，配置为根据设施布局信息、每位到站旅客的疏解时长、不同换乘方式的排队人数，通过构建的心理疏解时长预测模型预测到站旅客能承受的最大心理疏解时长；
预警等级评估模块，配置为将所述最大心理疏解时长与预警等级划分阈值进行比较，确定客运枢纽的预警等级。
具体而言，预警信息采集模块可以采集到对客运枢纽进行预警所需的相关信息，比如客运枢纽的历史疏解信息、设施布局信息和到站旅客数量。预警信息采集模块可以直接与客运枢纽的管理系统通信，以获取客运枢纽的历史疏解信息、设施布局信息和到站旅客数量。
预警信息采集模块采集的历史疏解信息包括铁路客运枢纽以前每次疏解的历史疏解时长信息、历史客流换乘信息和历史排队信息。历史疏解时长信息包括实际疏解时长和到站旅客的心理感知时长。历史换乘信息包括到站旅客选择离开铁路枢纽的交通方式，比如出租车、轨道交通或客运汽车等。历史排队信息包括不同换乘方式对应的候车点的排队人数。
客运枢纽的管理系统可以采用现有识别定位技术确定到站旅客在铁路客运枢纽中的移动轨迹，结合移动轨迹和铁路客运枢纽的设施布局信息就可以确定到站旅客的出站时间、换乘方式以及离开候车点的离开时间和每个候车点的排队人数。再根据到站旅客的出站时间和离开时间就可以确定到站旅客的实际疏解时长。对于到站旅客的心理感知时长，管理系统可以通过客运服务平台在乘客离开后以回访调查的方式向到站旅客发送心理调查问卷，以此获取到站旅客的心理感知时长。
疏解时长预测模块可以通过客运枢纽的历史疏解信息、设施布局信息和当前班次的到站旅客数据，预测出疏解每位旅客的疏解时长以及不同换乘方式的排队人数。
心理时长预测模块可以采用基于客运枢纽的历史疏解过程中旅客的心理感知疏解时长、真实疏解时长和换乘方式，以及候车点的排队人数等数据构建起的心理数据时长预测模型，对预测出的数据进行预测分析，确定出站旅客能够承受的最大心理疏解时长。
预警等级评估模块可以根据站旅客能够承受的最大心理疏解时长评估客运枢纽当前的预警等级，从而达到从旅客心理感知维度预测客运枢纽的客流疏解状态的目的。
下文将以铁路客运站为例，结合附图4对本发明实施例中的预警系统进行详细描述。
在本实施例中，可选的，所述疏解时长预测模块包括：
人数预测单元，配置为通过历史疏解信息和到站旅客数量预测不同换乘方式的疏解人数；
时长计算单元，配置为通过设施布局信息计算到站旅客从出站口到达不同换乘方式的候车点所需的最短步行时长；
时间预测单元，配置为根据相应的疏解人数、最短步行时长和到站时间，预测每位到站旅客关于相应候车点的到达时间和离开时间；
时间计算单元，配置为根据相应的离开时间和到达时间计算每位到站旅客的疏解时长；
排队预测单元，配置为根据相应到站旅客对应的到达时间和离开时间，预测不同换乘方式的排队人数。
具体而言，人数预测单元可以对过去每次疏解时不同换乘方式服务的人数进行统计，得到过去疏解时不同换乘方式所承担的疏解人数，结合当前班次的到站人数即可预测出对于当前班次不同换乘方式将要承担的疏解人数。
时长计算单元可以对过去每次疏解时到站旅客的移动轨迹进行统计分析，得到到站旅客从出站口到达不同换乘方式的候车点所需的最短步行时长。
时间预测单元可以根据铁路列车的到站时间和到站旅客前往相应候车点的最短步行时长，预测到站旅客到达候车点的到达时间，铁路列车的到站时间可以直接从铁路客运枢纽管理系统的列车运行时刻表获取。并根据到站旅客的到达时间和选择的换乘方式的运行状况预测到站旅客离开候车点的离开时间。
时间计算单元可以根据到站旅客到达所选择的换乘方式的候车点的到达时间，以及离开候车的离开时间，计算出到站旅客的疏解时长。
排队预测单元可以根据每个候车点的到站旅客的到达时间和离开时间，预测不同换乘方式的候车点的排队人数。
在本实施例中，可选的，所述人数预测单元包括：
分担率统计单元，配置为统计历史疏解信息中不同换乘方式对应的历史疏解人数，确定不同换乘方式的疏解分担率；
人数计算单元，根据不同换乘方式对应的疏解分担率和到站旅客数量预测不同换乘方式的疏解人数。
采集到的历史疏解信息包括过去每班列车到达铁路客运枢纽后，每位到站旅客离开铁路客运枢纽所选择的交通方式。分担率统计单元通过对铁路客运枢纽的历史疏解信息进行统计分析，可以确定过去每次列车到站后，不同换乘方式所承担的疏解人数，结合相应的到站旅客数量，分担率统计单元即可计算出过去每班列车到站后，不同换乘方式对应的疏解分担率。综合采集到的所有历史疏解信息，即可预测当前班次的列车到站后，不同换乘方式对应的疏解分担率。
人数计算单元可以结合当前班次列车所对应的到站旅客数量和预测出的不同换乘方式对应的疏解分担率，计算出不同换乘方式所需要承担的疏解人数。具体计算式如下：
nx＝N·px；
其中，nx为第x种换乘方式需要承担的疏解人数，N为到站旅客数量，px为第x种换乘方式对应的疏解分担率。
在本实施例中，可选的，所述时长计算单元包括：
步行信息确定单元，配置为通过设施布局信息确定出站口到不同换乘方式的候车点的步行路径和客流移动速度；
步行时长计算单元，配置为根据相应的步行路径和客流移动速度计算出站口到达不同换乘方式的候车点所需的最短步行时长。
具体而言，铁路客运枢纽都设置有对于不同换乘方式的候车点，比如出租车候车点、轨道列车候车点等。这些设施的位置都可以在设施布局信息包括铁路客运枢纽的土建结构数据中体现。
因此，步行信息确定单元可以通过土建结构数据可以确定从铁路客运枢纽的出站口到达客运枢纽的出口的移动路径，以及从客运枢纽的出口到不同换乘方式的候车点的步行路径。还可以通过步行路径和移动路径确定每位到站旅客前往相应候车点所经过的通道类型，比如步行通道、楼梯、扶梯等，以及这些通道的路程和这些通道的客流移动速度。
步行时长计算单元可以结合不同类型通道的客流移动速度计算出每位到站旅客到达相应换乘方式的候车点所需的最短步行时长。具体计算式如下：
Figure BDA0003556454490000171
其中，j为旅客疏解过程中需要使用到的通道类型，Kj为不同类型通道长度，vj为不同类型通道的客流移动速度，Lxj为出口至各换乘交通候车点距离，Vxj为出口至各换乘交通候车点的客流移动速度。
在本实施例中，可选的，所述时间预测单元包括：
到达时间预测单元，配置为根据相应的疏解人数、最短步行时长和到站时间，预测每位到站旅客到达相应候车点的到达时间；
离开时间预测单元，配置为根据每位到站旅客到达相应候车点的到达时间，预测每位到站旅客离开相应候车点的离开时间。
具体而言，时间预测单元包括到达时间预测单元和离开时间预测单元，到达时间预测单元可以预测到站旅客到达候车点的到达时间，离开时间预测单元可以预测到站旅客离开候车点的离开时间。
到达时间预测单元可以根据当前班次的列车到站时间和到达旅客到达相应候车点的最短步行时长等计算得出，到达时间的具体计算式如下：
Figure BDA0003556454490000172
i＝1，2，...nx，Ttrain(i)为当前班次的列车到站时间，Ta(i)为到站旅客的到达时间间隔。
铁路客运枢纽的换乘方式包括出租车换乘和公交换乘，公交换乘包括公交车换乘和轨道列车换乘，到站旅客在不同换乘方式的候车点所滞留的时间也不相同，且会受到到站旅客到达候车点的到达时间影响。
所以，在本申请的实施例中，离开时间预测单元可以包括：
出租车离开时间预测单元，配置为根据到站旅客的到达时间和前一位到站旅客的离开时间，确定到站旅客的等待时长，并通过到站旅客的等待时长、出租车换乘所需时长和到达时间，确定到站旅客离开出租车候车点的离开时间；
和/或公交离开时间预测单元，配置为根据到站旅客的到达时间确定公交的到站时间，并通过公交的到站时间和公交换乘所需时长确定到站旅客离开公交候车点的离开时间。
对于选择出租车离开的到站旅客，出租车离开时间预测单元可以根据到站旅客到达出租车候车点的到达时间和前一位到站旅客的离开时间，确定到站旅客的等待时长，具体为：
Figure BDA0003556454490000181
其中，Lx(i)为相应候车点的排队人数，在本申请实施例中，排队预测单元可以根据相应到站旅客对应的到达时间和离开时间，预测不同换乘方式的排队人数，具体为：
Figure BDA0003556454490000182
Figure BDA0003556454490000183
其中，n＝1，2，...，i。
然后，再根据到站旅客的等待时长和出租车换乘所需时长计算出到站旅客的滞留时长，最后，结合到达时间和滞留时长即可确定到站旅客离开出租车候车点的离开时间，具体计算式如下：
Tx2(i)＝Tx1(i)+Wq(i)+Sx(i)；
其中，Sx(i)为第x种换乘方式的服务时间。
对于选择公交车或轨道列车离开的到站旅客，公交离开时间预测单元可以将到站旅客到达候车点的达到时间与公交车或轨道列车的运行时刻表进行比较，判定到站旅客是否能够赶上当前到达候车点的公交车或轨道列车。如果能够赶上，则可以根据当前班次的公交车或轨道列车确定到站旅客离开公交车或轨道列车的离开时间。反之，如果不能赶上，则可以根据下一班次的公交车或轨道列车确定到站旅客离开公交车或轨道列车的离开时间，具体计算式如下：
Tx2(i)＝Ts(i)+Sx(i)；
其中，Ts(i)为公交车或轨道列车到达候车点的时间。
在时间预测单元预测出到站旅客到达选择的换乘方式对应的候车点的到达时间，以及离开相应候车点的到达时间后，时间计算单元就可以根据所述到达时间和离开时间预测出到站旅客的疏解时长，具体计算式如下：
Tb(i)＝Tx2(i)-Tx1(i)。
在本实施例中，可选的，还包括预测模型构建模块，该预测模块构建模块配置为根据历史疏解信息和设施布局信息，采用回归模型构建方法构建所述心理疏解时长预测模型。
具体而言，预测模型构建模块可以基于历史疏解信息中的历史疏解时长信息、历史客流换乘信息和历史排队信息和设施布局信息等，以候车点的排队人数、设施布局信息、到站旅客的真实疏解时长和换乘方式等作为自变量，到站旅客的心理疏解时长作为因变量，采用回归模型构建方法构建起回归预测模型作为心理疏解时长预测模型。
在构建回归预测模型的过程中，预测模型构建模块可以对排队人数、设施布局信息中的换乘距离、扶梯数量等参数进行相关性分析，以剔除不显著变量，并在剔除不显著变量后重新标定模型参数，最终得到相应的回归预测模型。
心理时长预测模块将预测得到的每位到站旅客的疏解时长和排队人数输入心理疏解时长预测模型，可以得出每位到站旅客的心理疏解时长预测数据，通过对所有到站旅客的心理疏解时长预测数据进行比较，即可预测出到站旅客能够承受的最大客流心理疏解时长。
预警等级评估模块将最大客流疏解时长与预设的预警等级划分阈值进行比较，就可以确定客运枢纽的预警等级。
在本实施例中，可选的，预警系统还包括划分阈值确定模块，该划分阈值确定模块配置为采集每位到站旅客的焦虑状态信息，并根据所有到站旅客的焦虑状态信息确定所述预警等级划分阈值。
划分阈值确定模块可以根据旅客心理焦虑状态信息进行确定预警等级划分阈值。具体而言，划分阈值确定模块可以定期通过预警信息采集模块从铁路客运平台向到站旅客发送心理调查问卷，并将获取到站旅客反馈的调查信息，以采集到站旅客当前的焦虑状态信息，并将采集到的焦虑状态信息存储到数据库中。
划分阈值确定模块可以结合心理测量学等理论对采集到的所有到站旅客的焦虑状态信息进行评分，并以使用心理测量学、洛萨达理论等确定预警等级划分阈值。通过对比预测得到的心理疏解时长预测数据和预警等级划分阈值，即可确定客运枢纽的预警等级，以提前预判铁路枢纽客流疏解状态，以便及时跟进应对措施，加快大型铁路综合客运枢纽的客流疏解，提高枢纽的运行效率。同时通过事先预警调控措施，防止突发大客流导致的旅客大批量滞留以及由此造成的社会安全、民生舆论问题。
划分阈值确定模块可以将划分阈值数据发送给预警等级评估模块，预警等级评估模块可以根据接受到划分阈值数据对预警等级划分阈值进行实时更新，以反映枢纽站疏解实时情况，进而调整预警应对措施。
划分阈值数据不仅反映了枢纽站客运疏解能力，也反映了换乘旅客对该次疏解过程的满意程度。根据划分阈值数据对预警等级划分阈值进行实时更新，能够不断对客运枢纽的疏解过程进行改进，提高客运枢纽的运行效率。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (15)

1.一种铁路综合客运枢纽安全预警方法，其特征在于，包括：
采集客运枢纽的历史疏解信息、设施布局信息和到站旅客数量；
通过所述历史疏解信息、设施布局信息和到站旅客数量，预测每位到站旅客对应的疏解时长和不同换乘方式的排队人数；
根据设施布局信息、每位到站旅客的疏解时长、不同换乘方式的排队人数，通过构建的心理疏解时长预测模型预测到站旅客能承受的最大心理疏解时长；
将所述最大心理疏解时长与预警等级划分阈值进行比较，确定客运枢纽的预警等级。
2.根据权利要求1所述的铁路综合客运枢纽安全预警方法，其特征在于，所述预测每位到站旅客对应的疏解时长包括：
根据历史疏解信息和到站旅客数量预测不同换乘方式的疏解人数；
通过设施布局信息计算到站旅客从出站口到不同换乘方式的候车点所需的最短步行时长；
根据相应的疏解人数、最短步行时长和到站时间，预测每位到站旅客关于相应候车点的到达时间和离开时间；
通过相应的到达时间和离开时间计算每位到站旅客的疏解时长。
3.根据权利要求2所述的铁路综合客运枢纽安全预警方法，其特征在于，所述通过历史疏解信息和到站旅客数量预测不同换乘方式的疏解人数，包括：
统计历史疏解信息中不同换乘方式对应的历史疏解人数，确定不同换乘方式的疏解分担率；
根据不同换乘方式对应的疏解分担率和到站旅客数量预测不同换乘方式的疏解人数。
4.根据权利要求2所述的铁路综合客运枢纽安全预警方法，其特征在于，所述通过设施布局信息计算到站旅客从出站口到达不同换乘方式的候车点所需的最短步行时长，包括：
通过设施布局信息确定出站口到不同换乘方式的候车点的步行路径和客流移动速度；
根据相应的步行路径和客流移动速度计算出站口到达不同换乘方式的候车点所需的最短步行时长。
5.根据权利要求2所述的铁路综合客运枢纽安全预警方法，其特征在于，预测所述离开时间包括：
预测到站旅客离开出租车候车点的离开时间；
和/或预测到站旅客离开公交候车点的离开时间，其中；
所述预测到站旅客离开出租车候车点的离开时间包括：
根据到站旅客的到达时间和前一位到站旅客的离开时间，确定到站旅客的等待时长；
通过到站旅客的等待时长、出租车换乘所需时长和到达时间，确定到站旅客离开出租车候车点的离开时间；
所述预测到站旅客离开公交候车点的离开时间包括：
根据到站旅客的到达时间确定公交的到站时间；
通过公交的到站时间和公交换乘所需时长确定到站旅客离开公交候车点的离开时间。
6.根据权利要求2所述的铁路综合客运枢纽安全预警方法，其特征在于，根据相应到站旅客对应的到达时间和离开时间，预测不同换乘方式的排队人数。
7.根据权利要求1所述的铁路综合客运枢纽安全预警方法，其特征在于，所述心理疏解时长预测模型为根据历史疏解信息和设施布局信息构建的回归预测模型。
8.一种铁路综合客运枢纽安全预警系统，其特征在于，包括：
预警信息采集模块，配置为采集客运枢纽的历史疏解信息、设施布局信息和到站旅客数量；
疏解时长预测模块，配置为通过所述历史疏解信息、设施布局信息和到站旅客数量，预测每位到站旅客对应的疏解时长和不同换乘方式的排队人数；
心理时长预测模块，配置为根据设施布局信息、每位到站旅客的疏解时长、不同换乘方式的排队人数，通过构建的心理疏解时长预测模型预测到站旅客能承受的最大心理疏解时长；
预警等级评估模块，配置为将所述最大心理疏解时长与预警等级划分阈值进行比较，确定客运枢纽的预警等级。
9.根据权利要求8所述的铁路综合客运枢纽安全预警系统，其特征在于，所述疏解时长预测模块包括：
人数预测单元，配置为通过历史疏解信息和到站旅客数量预测不同换乘方式的疏解人数；
时长计算单元，配置为通过设施布局信息计算到站旅客从出站口到达不同换乘方式的候车点所需的最短步行时长；
时间预测单元，配置为根据相应的疏解人数、最短步行时长和到站时间，预测每位到站旅客关于相应候车点的到达时间和离开时间；
时间计算单元，配置为根据相应的离开时间和到达时间计算每位到站旅客的疏解时长；
排队预测单元，配置为根据相应到站旅客对应的到达时间和离开时间，预测不同换乘方式的排队人数。
10.根据权利要求9所述的铁路综合客运枢纽安全预警系统，其特征在于，所述人数预测单元包括：
分担率统计单元，配置为统计历史疏解信息中不同换乘方式对应的历史疏解人数，确定不同换乘方式的疏解分担率；
人数计算单元，根据不同换乘方式对应的疏解分担率和到站旅客数量预测不同换乘方式的疏解人数。
11.根据权利要求9所述的铁路综合客运枢纽安全预警系统，其特征在于，所述时长计算单元包括：
步行信息确定单元，配置为通过设施布局信息确定出站口到不同换乘方式的候车点的步行路径和客流移动速度；
步行时长计算单元，配置为根据相应的步行路径和客流移动速度计算出站口到达不同换乘方式的候车点所需的最短步行时长。
12.根据权利要求9所述的铁路综合客运枢纽安全预警系统，其特征在于，所述时间预测单元包括：
到达时间预测单元，配置为根据相应的疏解人数、最短步行时长和到站时间，预测每位到站旅客到达相应候车点的到达时间；
离开时间预测单元，配置为根据每位到站旅客到达相应候车点的到达时间，预测每位到站旅客离开相应候车点的离开时间。
13.根据权利要求9所述的铁路综合客运枢纽安全预警系统，其特征在于，所述离开时间预测单元包括：
出租车离开时间预测单元，配置为根据到站旅客的到达时间和前一位到站旅客的离开时间，确定到站旅客的等待时长，并通过到站旅客的等待时长、出租车换乘所需时长和到达时间，确定到站旅客离开出租车候车点的离开时间；
和/或公交离开时间预测单元，配置为根据到站旅客的到达时间确定公交的到站时间，并通过公交的到站时间和公交换乘所需时长确定到站旅客离开公交候车点的离开时间。
14.根据权利要求8所述的铁路综合客运枢纽安全预警系统，其特征在于，还包括预测模型构建模块，该预测模块构建模块配置为根据历史疏解信息和设施布局信息，采用回归模型构建方法构建所述心理疏解时长预测模型。
15.根据权利要求8所述的铁路综合客运枢纽安全预警系统，其特征在于，还包括划分阈值确定模块，该划分阈值确定模块配置为采集每位到站旅客的焦虑状态信息，并根据所有到站旅客的焦虑状态信息确定所述预警等级划分阈值。
CN202210279956.4A 2022-03-21 2022-03-21 铁路综合客运枢纽安全预警方法及系统 Pending CN114707709A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210279956.4A CN114707709A (zh) 2022-03-21 2022-03-21 铁路综合客运枢纽安全预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210279956.4A CN114707709A (zh) 2022-03-21 2022-03-21 铁路综合客运枢纽安全预警方法及系统

Publications (1)

Publication Number Publication Date
CN114707709A true CN114707709A (zh) 2022-07-05

Family

ID=82168128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210279956.4A Pending CN114707709A (zh) 2022-03-21 2022-03-21 铁路综合客运枢纽安全预警方法及系统

Country Status (1)

Country Link
CN (1) CN114707709A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116542404A (zh) * 2023-07-07 2023-08-04 北京市运输事业发展中心 一种客运枢纽场站抵站旅客接续换乘时间的预测方法
CN117370905A (zh) * 2023-12-06 2024-01-09 华中科技大学 一种面向异常事件的综合客运枢纽的分类方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116542404A (zh) * 2023-07-07 2023-08-04 北京市运输事业发展中心 一种客运枢纽场站抵站旅客接续换乘时间的预测方法
CN116542404B (zh) * 2023-07-07 2023-09-15 北京市运输事业发展中心 一种客运枢纽场站抵站旅客接续换乘时间的预测方法
CN117370905A (zh) * 2023-12-06 2024-01-09 华中科技大学 一种面向异常事件的综合客运枢纽的分类方法
CN117370905B (zh) * 2023-12-06 2024-02-20 华中科技大学 一种面向异常事件的综合客运枢纽的分类方法

Similar Documents

Publication Publication Date Title
EP3437957B1 (en) Train traffic control system and train traffic control method
Landex Methods to estimate railway capacity and passenger delays
JP3414843B2 (ja) 交通手段制御装置
CN107358319A (zh) 城市轨道交通客流预测方法、装置、存储介质和计算机设备
CN114707709A (zh) 铁路综合客运枢纽安全预警方法及系统
CN110084397B (zh) 一种地铁直达线路规划方法
CN111815189A (zh) 模块化公交调度系统
CN112819316B (zh) 一种综合客运枢纽轨道交通系统的枢纽运能识别方法
CN114037158A (zh) 一种基于od路径的客流预测方法及应用方法
CN112949078B (zh) 一种城市轨道交通客流-车流的匹配度计算方法
CN115527369B (zh) 一种空港枢纽大面积延误条件下的大客流预警与疏散方法
CN111859718B (zh) 一种区域多制式轨道交通车站拥挤系数计算方法及系统
Christoforou et al. Influencing longitudinal passenger distribution on railway platforms to shorten and regularize train dwell times
CN111401643B (zh) 一种城市轨道交通客流回路自适应的智能列车调度方法
CN112214873A (zh) 一种轨道交通故障下的客流分布仿真评估方法及系统
CN109523064B (zh) 一种基于多网融合的智能微枢纽
Liu et al. A multi-modal evacuation-based response strategy for mitigating disruption in an intercity railway system
CN115860594A (zh) 一种应用于智能公交排班调度的仿真系统及方法
Zhang et al. Coupling analysis of passenger and train flows for a large-scale urban rail transit system
CN113408926B (zh) 短时中断情况下城市轨道交通客流分配方法
Zhang et al. Train rescheduling for large-scale disruptions in a large-scale railway network
CN116542404B (zh) 一种客运枢纽场站抵站旅客接续换乘时间的预测方法
Deng et al. Digital twin modeling for demand responsive transit
CN116151538A (zh) 一种应用于智能公交需求均衡式调度的仿真系统及方法
JP7425680B2 (ja) ナビゲーション装置、及びナビゲーション方法

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