CN114943390B - 一种基于数字孪生的地铁车站客流监测方法及系统 - Google Patents

一种基于数字孪生的地铁车站客流监测方法及系统 Download PDF

Info

Publication number
CN114943390B
CN114943390B CN202210881081.5A CN202210881081A CN114943390B CN 114943390 B CN114943390 B CN 114943390B CN 202210881081 A CN202210881081 A CN 202210881081A CN 114943390 B CN114943390 B CN 114943390B
Authority
CN
China
Prior art keywords
pedestrian
traffic
time period
individual
model
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
Application number
CN202210881081.5A
Other languages
English (en)
Other versions
CN114943390A (zh
Inventor
李金海
刘剑锋
杨冠华
梁肖
孙永亮
李芳�
范瑞
廖唱
尹双超
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.)
Beijing Urban Construction Design And Research Institute Co ltd
Original Assignee
Beijing Urban Construction Design And 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 Beijing Urban Construction Design And Research Institute Co ltd filed Critical Beijing Urban Construction Design And Research Institute Co ltd
Publication of CN114943390A publication Critical patent/CN114943390A/zh
Application granted granted Critical
Publication of CN114943390B publication Critical patent/CN114943390B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于数字孪生的地铁车站客流监测方法及系统。一种基于数字孪生的地铁车站客流监测系方法，包括以下步骤：获取模型要素对应的监测数据；基于所述监测数据进行全局仿真分析或局部仿真分析。本发明实现了二维或三维空间中，行人流的动态、连续监测，揭示了行人交通的时空动态分布特征；实现了行人流演化态势的短时预测；充分利用既有传感设备采集行人流量，在此基础上进行微观交通特征的深度挖掘。

Description

一种基于数字孪生的地铁车站客流监测方法及系统
技术领域
本发明属于客流管理技术领域，特别涉及一种基于数字孪生的地铁车站客流监测方法及系统。
背景技术
出于对运行安全、组织效率等的考虑，城市轨道交通车站设施布局、客流集散、现场组织、应急处置等方案的制定，越来越受到研究和应用的关注。特别是在人流时空分布复杂多变的大客流车站，实时监测和分析客流动态分布特征，预测客流短期运行态势，已成为日常管理的重要工作。现有地铁车站客流的监测手段有三类：一、采用视频监控。实现了视频图像的实时监测，但无法实现对车站人流分布、速度、密度等该指标的监测和预测。由于视频监控在车站离散分布，因此也无法实现人流连续监测；二、基于Wi-Fi探针、蓝牙、手机信令等感知技术。Wi-Fi探针、蓝牙、手机信令探测类感知技术可基于感知终端（如探针、基站等）与智能设备（手机、平板等）的通讯数据统计人流量。但无法精准监测行人个体的移动速度、空间位置等信息；三、光、热分析类感知技术。一定程度上可解决人流的平面分布、特定区域人流密度等问题，但同样无法解决个体的移动速度、空间位置等指标的监测。此外，既有的三类方法都无法评估群体排队长度、等候时间等不可观测指标。受监测精度的影响，也无法做到对行人流演化态势的短时预测。
发明内容
针对上述问题，本发明公开了一种基于数字孪生的地铁车站客流监测方法，包括以下步骤：
获取模型要素对应的监测数据；
基于所述监测数据进行全局仿真分析或局部仿真分析；其中，全局仿真分析包括以下步骤：
获取一定时段内监测得到的行人流量数据；根据所述行人流量数据计算所述一定时段的下一时段内完成服务的行人总量的比例；对于所述一定时段内被监测到的各行人个体，生成一个服从均匀分布的伪随机数，根据所述伪随机数确定所述下一时段内各行人个体的交通吸引点；
确定行人个体从交通发生点到交通吸引点之间的有效路径；
更新行人个体时空状态；
所述局部仿真分析包括以下步骤：
读取模型要素范围内的监测数据，确定各感知模块处，行人个体将到达的感知模块对应模型要素的邻接模型要素；
更新行人个体时空状态。
更进一步地，确定所述行人个体的交通吸引点的具体步骤如下：
获取t时段内感知模块
Figure 58466DEST_PATH_IMAGE001
监测得到的行人流量为
Figure 40328DEST_PATH_IMAGE002
，并发送至对应的模型要素
Figure 48735DEST_PATH_IMAGE003
；交通吸引点
Figure 446350DEST_PATH_IMAGE004
对应感知模块监测到的行人流量记为
Figure 427075DEST_PATH_IMAGE005
；其中,
Figure 845418DEST_PATH_IMAGE006
；
确定t+1时段内各交通吸引点
Figure 75543DEST_PATH_IMAGE004
吸引的行人流量占t时段内完成服务的行人总量 的比例，具体公式如下：
Figure 604744DEST_PATH_IMAGE007
其中，
Figure 236714DEST_PATH_IMAGE002
为t时段内交通吸引点
Figure 825958DEST_PATH_IMAGE004
处监测到的行人流量；
Figure 808957DEST_PATH_IMAGE008
为t时段内各交 通吸引点完成服务的行人总量；n为分析模型中行人个体交通吸引点总数；
Figure 141850DEST_PATH_IMAGE009
为t+1时 段内各交通吸引点
Figure 628326DEST_PATH_IMAGE004
吸引的行人流量占t时段内完成服务的行人总量的比例；
确定t+1时段内各行人个体的交通吸引点，对于t时段内被监测到的各行人个体， 生成一个服从均匀分布的伪随机数
Figure 919630DEST_PATH_IMAGE010
；若
Figure 717822DEST_PATH_IMAGE011
，则行人个体的目的地为 第1个交通吸引点；否则，行人个体的目的地为第d个交通吸引点
Figure 792088DEST_PATH_IMAGE012
，其中
Figure 398650DEST_PATH_IMAGE013
。
更进一步地，所述确定行人个体从交通发生点到交通吸引点之间的有效路径的具体步骤如下：
确定t+1时段内分析模型中各交通发生点和交通吸引点之间的有效路径集；有效 路径集是指分析模型中连接任一交通发生点
Figure 595276DEST_PATH_IMAGE014
和交通吸引点
Figure 21709DEST_PATH_IMAGE015
，且实际有行人使用的路 径集合；其中，
Figure 961983DEST_PATH_IMAGE016
；
确定t+1时段内，各交通发生点和交通吸引点对
Figure 360735DEST_PATH_IMAGE017
各有效路径的广义交通费用， 公式如下：
Figure 665945DEST_PATH_IMAGE018
其中，
Figure 376412DEST_PATH_IMAGE019
为t+1时段内各交通发生点和交通吸引点对
Figure 589219DEST_PATH_IMAGE020
中r条有效路径的广 义交通费用；K为路径r有关的特性变量总数；
Figure 904794DEST_PATH_IMAGE021
为t时段内路径r的第k个特性变量；
Figure 443223DEST_PATH_IMAGE022
为特性变量权重；
确定t+1时段内各交通发生点和交通吸引点对
Figure 109827DEST_PATH_IMAGE017
各有效路径分配的客流占比， 公式如下：
Figure 391904DEST_PATH_IMAGE023
其中，
Figure 30827DEST_PATH_IMAGE024
为t+1时段内
Figure 474578DEST_PATH_IMAGE017
第r条有效路径分配的客流比例；
Figure 159637DEST_PATH_IMAGE025
为有效路径 集；
确定t+1时段内行人个体的行走路径；对于t时段内监测到的每个行人个体，生成 一个服从均匀分布的伪随机数
Figure 651929DEST_PATH_IMAGE026
；若
Figure 942096DEST_PATH_IMAGE027
，则行人个体的行走路径为
Figure 291169DEST_PATH_IMAGE017
第1条有效路径；否则，行人个体的行走路径为
Figure 932366DEST_PATH_IMAGE017
第
Figure 87404DEST_PATH_IMAGE028
条有效路径，其中
Figure 966498DEST_PATH_IMAGE029
。
更进一步地，所述确定各感知模块处，行人个体将到达的感知模块对应模型要素的邻接模型要素的具体步骤如下：
获取t时段内，各感知模块
Figure 17631DEST_PATH_IMAGE030
监测得到的行人流量
Figure 146124DEST_PATH_IMAGE031
，并发送至感知模块
Figure 511377DEST_PATH_IMAGE032
对应 的模型要素
Figure 41716DEST_PATH_IMAGE033
；
确定t+1时段内模型要素
Figure 591646DEST_PATH_IMAGE033
的邻接模型要素
Figure 145118DEST_PATH_IMAGE034
所吸引人流占模型要素
Figure 376379DEST_PATH_IMAGE033
处行人总 量比例，公式如下：
Figure 495645DEST_PATH_IMAGE035
其中，
Figure 216476DEST_PATH_IMAGE036
为t时段内模型要素
Figure 319562DEST_PATH_IMAGE033
的邻接模型要素
Figure 557776DEST_PATH_IMAGE034
处监测到的行人流量；
Figure 203652DEST_PATH_IMAGE037
为t时段内模型要素
Figure 95385DEST_PATH_IMAGE033
的所有邻接模型要素
Figure 420187DEST_PATH_IMAGE034
处监测到的行人总量；
Figure 930934DEST_PATH_IMAGE038
为邻接模 型要素
Figure 48229DEST_PATH_IMAGE034
的总数；
Figure 48546DEST_PATH_IMAGE039
为比例系数；
确定模型要素
Figure 922961DEST_PATH_IMAGE033
监测到的行人个体的局部目标邻接模型要素
Figure 34137DEST_PATH_IMAGE034
，对于每个t时段 内被监测到的行人个体，生成一个服从均匀分布的伪随机数
Figure 185764DEST_PATH_IMAGE040
；若
Figure 356982DEST_PATH_IMAGE041
，则行人个体的局部目的地为第1个邻接模型要素；否则，行人个体的局部目的地为第l个邻 接模型要素
Figure 718693DEST_PATH_IMAGE042
，其中，
Figure 633559DEST_PATH_IMAGE043
。
一种基于数字孪生的地铁车站客流监测系统，包括：模型构建单元、流量感知单元、仿真分析单元和应用支撑单元；
所述仿真分析单元与模型构建单元、流量感知单元和应用支撑单元连接；
所述流量感知单元，用于获取模型要素对应的监测数据；
所述仿真分析单元，用于基于所述监测数据进行全局仿真分析或局部仿真分析；
仿真分析单元，用于获取一定时段内监测得到的行人流量数据，根据所述行人流量数据计算所述一定时段的下一时段内完成服务的行人总量的比例，对于所述一定时段内被监测到的各行人个体，生成一个服从均匀分布的伪随机数，根据所述伪随机数确定所述下一时段内各行人个体的交通吸引点，确定行人个体从交通发生点到交通吸引点之间的有效路径，更新行人个体时空状态；读取模型要素范围内的监测数据，确定各感知模块处，行人个体将到达的感知模块对应模型要素的邻接模型要素，更新行人个体时空状态。
更进一步地，所述模型构建单元，具体用于：
搭建分析模型，生成并初始化模型要素的空间属性和交通属性；
建立模型要素-感知模块的映射关系；
识别或指定各个模型要素的邻接模型要素，构造邻接矩阵；
其中，所述模型要素包括区域和节点；所述区域包括自由活动区域和活动受限区域；所述节点包括交通发生点、交通吸引点、通过型服务设施和等候型服务设施。
更进一步地，所述流量感知单元包括感知模块、解析模块和数据存储模块；
所述感知模块与解析模块连接；
所述解析模块与数据存储模块连接。
更进一步地，所述仿真分析单元，具体用于：
获取t时段内感知模块
Figure 905272DEST_PATH_IMAGE001
监测得到的行人流量为
Figure 247392DEST_PATH_IMAGE002
，并发送至对应的模型要素
Figure 830820DEST_PATH_IMAGE003
； 交通吸引点
Figure 283798DEST_PATH_IMAGE004
对应感知模块监测到的行人流量记为
Figure 472334DEST_PATH_IMAGE005
；其中,
Figure 188617DEST_PATH_IMAGE044
；
确定t+1时段内各交通吸引点
Figure 931445DEST_PATH_IMAGE004
吸引的行人流量占t时段内完成服务的行人总量 的比例，具体公式如下：
Figure 250431DEST_PATH_IMAGE007
其中，
Figure 496736DEST_PATH_IMAGE031
为t时段内交通吸引点
Figure 915079DEST_PATH_IMAGE045
处监测到的行人流量；
Figure 676361DEST_PATH_IMAGE008
为t时段内各交 通吸引点完成服务的行人总量；n为分析模型中行人个体交通吸引点总数；
Figure 533459DEST_PATH_IMAGE009
为t+1时 段内各交通吸引点
Figure 696587DEST_PATH_IMAGE045
吸引的行人流量占t时段内完成服务的行人总量的比例；
确定t+1时段内各行人个体的交通吸引点，对于t时段内被监测到的各行人个体， 生成一个服从均匀分布的伪随机数
Figure 489093DEST_PATH_IMAGE046
；若
Figure 799989DEST_PATH_IMAGE011
，则行人个体的目的地为 第1个交通吸引点；否则，行人个体的目的地为第d个交通吸引点
Figure 601723DEST_PATH_IMAGE012
，其中
Figure 619358DEST_PATH_IMAGE013
。
更进一步地，所述仿真分析单元，具体用于：
确定t+1时段内分析模型中各交通发生点和交通吸引点之间的有效路径集；有效 路径集是指分析模型中连接任一交通发生点
Figure 972978DEST_PATH_IMAGE047
和交通吸引点
Figure 380957DEST_PATH_IMAGE015
，且实际有行人使用的路 径集合；其中，
Figure 783120DEST_PATH_IMAGE016
；
确定t+1时段内，各交通发生点和交通吸引点对
Figure 983157DEST_PATH_IMAGE017
各有效路径的广义交通费用， 公式如下：
Figure 383045DEST_PATH_IMAGE048
其中，
Figure 402954DEST_PATH_IMAGE019
为t+1时段内各交通发生点和交通吸引点对
Figure 608807DEST_PATH_IMAGE020
中r条有效路径的广 义交通费用；K为路径r有关的特性变量总数；
Figure 538717DEST_PATH_IMAGE021
为t时段内路径r的第k个特性变量；
Figure 968562DEST_PATH_IMAGE022
为 特性变量权重；
确定t+1时段内各交通发生点和交通吸引点对
Figure 413449DEST_PATH_IMAGE017
各有效路径分配的客流占比，公 式如下：
Figure 95098DEST_PATH_IMAGE049
其中，
Figure 676252DEST_PATH_IMAGE024
为t+1时段内
Figure 808156DEST_PATH_IMAGE017
第r条有效路径分配的客流比例；
Figure 412443DEST_PATH_IMAGE025
为有效路 径集；
确定t+1时段内行人个体的行走路径；对于t时段内监测到的每个行人个体，生成 一个服从均匀分布的伪随机数
Figure 287996DEST_PATH_IMAGE026
；若
Figure 926918DEST_PATH_IMAGE027
，则行人个体的行走路径为
Figure 901828DEST_PATH_IMAGE017
第1条有效路径；否则，行人个体的行走路径为
Figure 383625DEST_PATH_IMAGE017
第
Figure 407075DEST_PATH_IMAGE028
条有效路径，其中
Figure 290718DEST_PATH_IMAGE029
。
更进一步地，所述仿真分析单元，具体用于：
获取t时段内，各感知模块
Figure 436528DEST_PATH_IMAGE030
监测得到的行人流量
Figure 812146DEST_PATH_IMAGE031
，并发送至感知模块
Figure 639288DEST_PATH_IMAGE032
对应 的模型要素
Figure 49540DEST_PATH_IMAGE033
；
确定t+1时段内模型要素
Figure 100673DEST_PATH_IMAGE033
的邻接模型要素
Figure 557062DEST_PATH_IMAGE034
所吸引人流占模型要素
Figure 922316DEST_PATH_IMAGE033
处行人总 量比例，公式如下：
Figure 452654DEST_PATH_IMAGE035
其中，
Figure 737005DEST_PATH_IMAGE036
为t时段内模型要素
Figure 556056DEST_PATH_IMAGE033
的邻接模型要素
Figure 521738DEST_PATH_IMAGE034
处监测到的行人流量；
Figure 641004DEST_PATH_IMAGE037
为t时段内模型要素
Figure 299518DEST_PATH_IMAGE033
的所有邻接模型要素
Figure 199341DEST_PATH_IMAGE034
处监测到的行人总量；
Figure 171977DEST_PATH_IMAGE038
为邻接模 型要素
Figure 676907DEST_PATH_IMAGE034
的总数；
Figure 568640DEST_PATH_IMAGE039
为比例系数；
确定模型要素
Figure 893442DEST_PATH_IMAGE033
监测到的行人个体的局部目标邻接模型要素
Figure 669768DEST_PATH_IMAGE034
，对于每个t时段内 被监测到的行人个体，生成一个服从均匀分布的伪随机数
Figure 91522DEST_PATH_IMAGE040
；若
Figure 91839DEST_PATH_IMAGE041
，则 行人个体的局部目的地为第1个邻接模型要素；否则，行人个体的局部目的地为第l个邻接 模型要素
Figure 107200DEST_PATH_IMAGE042
，其中，
Figure 280692DEST_PATH_IMAGE043
。
与现有技术相比，本发明的有益效果是：
1）实现了二维或三维空间中，行人流的动态、连续监测，揭示了行人交通的时空动态分布特征；
2）实现了行人交通微观指标(如排队长度、延误时长、等候时长、流线交叉等）的系统化、定量化评价；
3）实现了行人流演化态势的短时预测；
4）充分利用既有传感设备采集行人流量，在此基础上进行微观交通特征的深度挖掘。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了根据本发明实施例的基于数字孪生的地铁车站客流监测系统的结构示意图；
图2示出了根据本发明实施例的基于数字孪生的地铁车站客流监测方法的流程图；
图3示出了根据本发明实施例的构建分析模型的流程图；
图4示出了根据本发明实施例的感知模块、车站实物和模型要素的示意图；
图5示出了根据本发明实施例的全局仿真分析的流程图；
图6示出了根据本发明实施例的局部仿真分析的流程图；
图7示出了根据本发明实施例的历史数据分析操作的流程图；
图8示出了根据本发明实施例的实时监测分析操作的流程图；
图9示出了根据本发明实施例的预测操作的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明提出的一种基于数字孪生的地铁车站客流监测系统，包括：模型构建单元、流量感知单元、仿真分析单元和应用支撑单元；
所述仿真分析单元与模型构建单元、流量感知单元和应用支撑单元连接；
所述流量感知单元，用于获取模型要素对应的监测数据；
所述仿真分析单元，用于基于所述监测数据进行全局仿真分析或局部仿真分析；
仿真分析单元，用于获取一定时段内监测得到的行人流量数据，根据所述行人流量数据计算所述一定时段的下一时段内完成服务的行人总量的比例，对于所述一定时段内被监测到的各行人个体，生成一个服从均匀分布的伪随机数，根据所述伪随机数确定所述下一时段内各行人个体的交通吸引点，确定行人个体从交通发生点到交通吸引点之间的有效路径，更新行人个体时空状态；读取模型要素范围内的监测数据，确定各感知模块处，行人个体将到达的感知模块对应模型要素的邻接模型要素，更新行人个体时空状态。
其中，模型构建单元通过交互式视窗编辑模式或结构化数据实例化模式搭建分析模型，并建立模型要素和车站实体要素（感知模块）之间的映射关系，用于仿真分析和数据可视化；流量感知单元基于应用于感知模块的各类感知技术，实时获得各模型要素对应的行人个体特征和行人流量数据，并输出结构化的监测数据；仿真分析单元基于行人仿真技术，提供可进行历史数据仿真分析、实时仿真监测、预测数据仿真研判的仿真计算能力，获得行人交通特征；其中，仿真分析包括全局仿真分析和局部仿真分析；应用支撑单元根据应用需要，可实现行人交通特征的分析、监测、预测、可视化。
模型构建单元在获取车站基本结构、站内建筑物和构筑物、通道、设施、设备等的精确位置、尺寸等参数的基础上，以一定比例尺构建模型要素，从而搭建满足行人交通仿真要求的分析模型。
模型要素是构成分析模型的基本单元，包括区域和节点。其中，区域包括：
1）自由活动区域：行人可以自由活动的区域，如站厅、站台流动区、换乘通道等；
2）活动受限区域：行人无法进入或通过的建筑物或构造物，如墙、隔离栏等。
节点为行人交通发生点或吸引点，以及接受服务的模型要素，包括：
1）交通发生点：分析模型中生成行人个体交通需求的点或区域；
2）交通吸引点：分析模型中行人个体交通需求结束后，行人个体从仿真场景中消散的点或区域；
3）通过型服务设施：如楼梯、扶梯、安检、候车区等行人可以通过的设施设备。通过型设施可以为具有指定通行方向的服务设施。
4）等候型服务设施、服务台：如售票处、售票机等需要排队等候接受服务，但无法通过的设施设备。
分析模型由若干模型要素组成，可以为存储于计算机内存的抽象三维或二维空间数字模型。分析模型至少应包括一个交通发生点和一个交通吸引点。分析模型由n个模型要素构成，且与实际场景的物体（如楼梯）一一对应。模型要素可能和一个能够感知流量的传感器（属于流量感知单元，如视频监控）关联，因此分析模型融合流量感知单元提供的流量数据，并采用仿真分析单元进行仿真分析，得出结果或进行可视化。
模型数据库统一管理上述模型要素和分析模型的结构化数据，用于构建仿真对象的二维或三维模型，同时也为应用支撑单元各模块提供模型数据接口。
如图3所示，模型构建单元构建分析模型具体步骤如下：
搭建分析模型，生成并初始化模型要素的空间属性和交通属性；
具体的，模型构建单元通过交互式视窗编辑模式或结构化数据实例化模式生成各模型要素，并初始化其空间属性（三维或二维空间坐标、尺寸）和交通属性（节点类型、通行方向、通过速度、排队长度、服务效率等）；
如图4所示，建立模型要素-感知模块的映射关系；
具体的，模型构建单元用于建立模型要素
Figure 494636DEST_PATH_IMAGE003
和感知模块
Figure 869116DEST_PATH_IMAGE050
之间的映射关系（其中
Figure 230828DEST_PATH_IMAGE051
）。从而实现感知数据与模型要素数据的关联，将感知到的结构化的行人流量数据 输入分析模型；
自动识别或指定各个模型要素
Figure 145694DEST_PATH_IMAGE003
的邻接模型要素
Figure 417406DEST_PATH_IMAGE034
，构造邻接矩阵M；其中，若分析 行人个体可在不经过其它模型要素的情况下，通过自由活动区域从模型要素
Figure 821843DEST_PATH_IMAGE003
到达邻接模 型要素
Figure 811796DEST_PATH_IMAGE034
，则
Figure 530353DEST_PATH_IMAGE052
；否则
Figure 515627DEST_PATH_IMAGE053
。分析模型作为分析过程或结论中，数据指标可视化的载 体。
流量感知单元包括感知模块、解析模块、数据存储模块；
所述感知模块与解析模块连接；所述解析模块与数据存储模块连接。示例性的，感知模块可以为视频监控等可直接或间接实现行人流计数的设备。
流量感知单元设计了若干基于各类感知技术的感知模块和解析模块，实时获得各监测区域的行人个体特征数据和行人流量数据等，并将结构化的监测数据发送至仿真分析单元。
1）感知模块和解析模块可采用的技术手段包括但不限于视频识别、传感器检测等以较高准确率识别行人流量的技术方案；
2）某些感知技术可实现数据感知和流量解析需顺序进行，如“视频监控+视频客流识别”技术；某些感知技术可将感知和解析同步进行，例如基于Wi-Fi探针的客流感知技术；
3）监测区域是指感知模块进行流量监测时，所覆盖的平面监测范围。该范围与分析模型中的区域存在唯一映射关系；
4）行人流量数据，可根据应用需要确定是否区分行人个体的行走方向；
5）实时行人交通特征数据包括实时的行人流量、行人个体特征（如性别、年龄、是否携带行李等）、行人位置数据等；
6）流量感知单元还设置有数据存储模块，可用于存储流量感知单元采集的结构化的行人流量数据。同时，数据存储模块还为仿真分析单元提供行人流量读取的数据接口。
仿真分析单元通过读取感知模块或预测得到的行人流量，采用行人交通仿真算法进行仿真分析，以获得行人交通特征。当仿真分析单元用于实时监测时，读取流量感知单元实时输出的结构化的监测数据，进行实时行人仿真分析，以获得实时的行人交通特征；
当仿真分析单元用于预测分析时，读取预测得到的各仿真模型要素处的行人流量数据，通过行人仿真算法进行预测期内行人交通特征及运行态势的预测；
当仿真分析单元用于历史数据分析时，读取流量感知单元输出的历史结构化的监测数据，进行行人仿真分析，以获得基于历史数据的行人交通特征。
按照路径更新的不同，仿真分析单元能够进行全局仿真分析或局部仿真分析。如图5所示，全局仿真分析是指在各行人个体进入仿真场景时，按照特定规则为其初始化一套可应用于其全仿真周期的参数，并根据仿真流程执行的过程。全局仿真分析时，按照交通吸引点上一时段的行人流量，确定下一时段其吸引的行人流量比例。该比例同时用于行人个体的交通吸引点。如某人t时刻下车出站时，根据此刻各出站口流量，确定其选择出站口的概率，并用轮盘赌方法给出确定的方案。
全局仿真分析具体包括以下步骤：
步骤S501：初始化；
步骤S502：读取各模型要素范围内的结构化的监测数据、预测得到的各仿真模型要素处的行人流量数据或历史结构化的监测数据，标定仿真参数；
步骤S503：行人个体是否位于任一交通发生点内；若是，则跳转步骤S504；若否，则跳转步骤S507；
步骤S504：确定行人个体交通吸引点；
具体的，获取t时段内感知模块
Figure 231910DEST_PATH_IMAGE030
监测得到的行人流量为
Figure 240317DEST_PATH_IMAGE031
，并发送至对应的模 型要素
Figure 824882DEST_PATH_IMAGE033
；交通吸引点
Figure 867925DEST_PATH_IMAGE045
对应感知模块监测到的行人流量记为
Figure 755109DEST_PATH_IMAGE054
；其中,
Figure 578709DEST_PATH_IMAGE006
；
确定t+1时段内各交通吸引点
Figure 373489DEST_PATH_IMAGE045
吸引的行人流量占t时段内完成服务的行人总量 的比例，具体公式如下：
Figure 208721DEST_PATH_IMAGE007
（1）
其中，
Figure 657020DEST_PATH_IMAGE031
为t时段内交通吸引点
Figure 640020DEST_PATH_IMAGE045
处监测到的行人流量；
Figure 176174DEST_PATH_IMAGE008
为t时段内各交 通吸引点完成服务的行人总量；n为分析模型中行人个体交通吸引点总数；
Figure 521705DEST_PATH_IMAGE009
为t+1时 段内各交通吸引点
Figure 547430DEST_PATH_IMAGE045
吸引的行人流量占t时段内完成服务的行人总量的比例；
确定t+1时段内各行人个体的交通吸引点，对于t时段内被监测到的各行人个体， 生成一个服从均匀分布的伪随机数
Figure 220988DEST_PATH_IMAGE046
；若
Figure 685467DEST_PATH_IMAGE011
，则行人个体的目的地为 第1个交通吸引点；否则，行人个体的目的地为第d个交通吸引点
Figure 534171DEST_PATH_IMAGE012
，其中
Figure 668480DEST_PATH_IMAGE013
。
步骤S505：确定行人个体从交通发生点至交通吸引点之间的有效路径；
步骤S506：确定行人个体行走路径；
具体的，确定t+1时段内分析模型中各交通发生点和交通吸引点之间的有效路径 集；有效路径集是指分析模型中连接任一交通发生点
Figure 360493DEST_PATH_IMAGE014
和交通吸引点
Figure 628663DEST_PATH_IMAGE015
，且实际有行人使 用的路径集合；其中，
Figure 355310DEST_PATH_IMAGE016
；
确定t+1时段内，各交通发生点和交通吸引点对
Figure 191679DEST_PATH_IMAGE055
各有效路径的广义交通费用， 公式如下：
Figure 698884DEST_PATH_IMAGE056
（2）
其中，
Figure 177270DEST_PATH_IMAGE019
为t+1时段内各交通发生点和交通吸引点对
Figure 961686DEST_PATH_IMAGE057
中r条有效路径的 广义交通费用；K为路径r有关的特性变量总数；
Figure 500115DEST_PATH_IMAGE058
为t时段内路径r的第k个特性变量；
Figure 760195DEST_PATH_IMAGE022
为特性变量权重；
确定t+1时段内各交通发生点和交通吸引点对
Figure 979955DEST_PATH_IMAGE055
各有效路径分配的客流占比， 公式如下：
Figure 9091DEST_PATH_IMAGE059
（3）
其中，
Figure 984000DEST_PATH_IMAGE024
为t+1时段内
Figure 75584DEST_PATH_IMAGE017
第r条有效路径分配的客流比例；
Figure 161352DEST_PATH_IMAGE025
为有效路径 集；
确定t+1时段内行人个体的行走路径；对于t时段内监测到的每个行人个体，生成 一个服从均匀分布的伪随机数
Figure 779415DEST_PATH_IMAGE026
；若
Figure 925225DEST_PATH_IMAGE027
，则行人个体的行走路径为
Figure 504105DEST_PATH_IMAGE017
第1条有效路径；否则，行人个体的行走路径为
Figure 455881DEST_PATH_IMAGE017
第
Figure 131713DEST_PATH_IMAGE028
条有效路径，其中
Figure 386108DEST_PATH_IMAGE060
。
步骤S507：更新行人个体时空状态；
具体的，对于尚在分析模型中的行人个体，可采用已知的诸多关于行人仿真的文献所提出的方法确定或更新其行走速度和方向；
行人个体的更新后的行走速度和方向结果，更新行人个体在t+1时段内的空间位置；
步骤S508：行人个体是否位于某个交通吸引点内；若是，则跳转步骤S509；若否，则跳转步骤S510；
步骤S509：从分析模型中移除该行人个体；
若更新位置后，行人个体位于某个交通吸引点
Figure 842497DEST_PATH_IMAGE061
内，则在t+1结束后，从分析模型 中移除该行人个体
步骤S510：是否结束分析；若是，则跳转步骤S511；若否，则跳转步骤S502，顺序重复上述步骤，直至仿真分析结束；
步骤S511：输出分析结果（可为实时监测、预测或历史数据分析结果）；
步骤S512：结束。
如图6所示，局部仿真分析是指在对于进入感知模块
Figure 207750DEST_PATH_IMAGE001
监测范围内的各行人个体， 按照特定规则为其初始化一套应用于自
Figure 410193DEST_PATH_IMAGE062
到达其某个邻接感知模块
Figure 225702DEST_PATH_IMAGE063
（
Figure 841491DEST_PATH_IMAGE064
，
Figure 10435DEST_PATH_IMAGE065
） 监测范围的仿真参数，并执行仿真的过程。当采用局部仿真分析时，按照t时段某模型要素 的邻接模型要素的行人流量，确定该模型要素处监测到的人的下一目标邻接模型要素。例 如，t时刻某人进入闸机，下一步可能到达楼梯或扶梯（也就是闸机模型要素的2个邻接模型 要素），此时根据楼梯和扶梯的监测流量，确定该人下一步目的地（局部的目的地）。
局部仿真分析的具体步骤如下：
步骤S601：初始化；
步骤S602：读取各模型要素范围内的结构化的监测数据、预测得到的各仿真模型要素处的行人流量数据或历史结构化的监测数据，标定仿真参数；
步骤S603：确定各感知模块
Figure 395280DEST_PATH_IMAGE062
处，行人个体将到达的感知模块
Figure 850532DEST_PATH_IMAGE050
对应模型要素的 邻接模型要素；
获取t时段内，各感知模块
Figure 953618DEST_PATH_IMAGE062
监测得到的行人流量
Figure 926253DEST_PATH_IMAGE002
，并发送至感知模块
Figure 493500DEST_PATH_IMAGE050
对应 的模型要素
Figure 57337DEST_PATH_IMAGE003
；
确定t+1时段内模型要素
Figure 585401DEST_PATH_IMAGE033
的邻接模型要素
Figure 158465DEST_PATH_IMAGE034
所吸引人流占模型要素
Figure 314640DEST_PATH_IMAGE033
处行人总 量比例，公式如下：
Figure 314957DEST_PATH_IMAGE035
（4）
其中，
Figure 64738DEST_PATH_IMAGE036
为t时段内模型要素
Figure 972651DEST_PATH_IMAGE033
的邻接模型要素
Figure 921016DEST_PATH_IMAGE034
处监测到的行人流量；
Figure 29917DEST_PATH_IMAGE037
为t时段内模型要素
Figure 329312DEST_PATH_IMAGE033
的所有邻接模型要素
Figure 306495DEST_PATH_IMAGE034
处监测到的行人总量；
Figure 374945DEST_PATH_IMAGE038
为邻接模型要素
Figure 654748DEST_PATH_IMAGE034
的总数；
Figure 769334DEST_PATH_IMAGE039
为比例系数；
确定模型要素
Figure 222312DEST_PATH_IMAGE033
监测到的行人个体的局部目标邻接模型要素
Figure 348531DEST_PATH_IMAGE034
，对于每个t时段 内被监测到的行人个体，生成一个服从均匀分布的伪随机数
Figure 189448DEST_PATH_IMAGE040
；若
Figure 463435DEST_PATH_IMAGE041
，则行人个体的局部目的地为第1个邻接模型要素；否则，行人个体的局部目的地为第l个邻 接模型要素
Figure 657787DEST_PATH_IMAGE042
，其中，
Figure 700829DEST_PATH_IMAGE043
。
步骤S604：更新行人个体时空状态；
具体的，对于尚在分析模型中的行人个体，可采用已知的诸多关于行人仿真的文献所提出的方法确定或更新其行走速度和方向；
根据行人个体更新后的行走速度和方向结果，更新行人个体在t+1内的空间位置；
步骤S605：确定行人个体是否位于任一交通吸引点内；若是，则跳转步骤S606；若否，则跳转步骤S607；
若更新空间位置后，行人个体位于某个交通吸引点
Figure 119172DEST_PATH_IMAGE066
内，则在t+1结束后，从分析 模型中移除该行人个体；
步骤S606：从分析模型中移除该行人个体；
步骤S607：确定是否结束分析；若是，则跳转步骤S608；若否，则跳转步骤S602，重复上述步骤，直至仿真结束；
步骤S608：输出分析结果（可为实时监测、预测或历史数据分析结果）；
步骤S609：结束。
应用支撑单元包括：指标数据库模块、监测评估模块、预测模块、分析模块和可视化模块等模块；
所述指标数据库模块与监测评估模块、预测模块、分析模块和可视化模块连接；
所述可视化模块与监测评估模块、预测模块和分析模块连接。
可根据应用需要，为不同场景的行人流量分析提供数据和可视化支撑。各模块基本功能如下：
指标数据库模块用于存储特定时段内（历史、实时、预测期内）主要行人交通指标，并为应用支撑单元的各子模块提供数据接口。从指标尺度可以分为4类：
监测模型子模块用于评估车站总体的行人交通特征，如实时行人流量、行人密度、进入交通量、消散交通量、疏散时间、运力负荷、驻留时间等指标。
仿真区域子模块用于评估特定仿真区域内行人交通特征，如区域内的行人密度、平均速度、行人数、总停留时间、总节省时间、总延误时间等指标。
仿真节点子模块用于评估特定仿真节点处的行人交通特征，如节点排队长度、排队等候时间、运力负荷等指标。
行人个体子模块用于评估特定行人个体的仿真行为特征，如实时位置、方向、速度、加速度、排队时间等指标。
分析模块用于实现车站主要指标的统计分析。通过将历史数据注入仿真分析单元，实现对历史运行状况复盘和指标分析，评估车站交通组织措施或设施设备布局等的合理性。如图7所示，历史数据分析操作流程如下：
步骤S701：模型构建单元构建分析模型，按需确定合适的仿真参数；
步骤S702：将历史感知数据输入仿真分析单元，进行行人交通仿真分析；
步骤S703：分析模块输出基于历史数据的行人交通运行指标；
步骤S704：可视化模块对历史运行状态指标评估及可视化。
监测评估模块用于实现车站主要指标的实时监测。通过实时监测t时段内获得的各监测区域行人个体特征数据和行人流量数据等，并将结构化的监测数据发送至仿真分析单元，进而得到行人流量各项实时监测指标，监测仿真场景的客流时空特征。如图8所示，实时监测分析操作流程如下：
步骤S801：模型构建单元构建分析模型，按需确定合适的仿真参数；
步骤S802：将实时感知数据输入仿真分析单元，进行行人交通仿真分析；
步骤S803：监测模块输出基于实时监测数据的行人交通运行态势监测指标；
步骤S804：可视化模块对实时运行状态指标评估及可视化。
预测模块根据历史监测数据，预测各仿真节点客流的发生与消散，进而实现车站 主要指标的短时预测。当接入预测的
Figure 942772DEST_PATH_IMAGE067
时段内的监测区域流量时，预测模块输出预测期内t+ 1内的行人流量指标。因此，预测模块可通过基于历史数据的预测，实现对未来运行态势的 研判，便于车站工作筹备。如图9所示，预测分析的具体操作流程如下：
步骤S901：模型构建单元构建分析模型，读取行人流量预测数据；
步骤S902：仿真分析单元进行行人交通仿真分析；
步骤S903：预测模块进行行人交通运行预测；
步骤S904：可视化模块进行运行状态指标评估及可视化。
如图2所示，基于上述的基于数字孪生的地铁车站客流监测系统，本实施例提出一种基于数字孪生的地铁车站客流监测方法，包括：
步骤S1：获取模型要素对应的监测数据；
步骤S2：基于所述监测数据进行全局仿真分析或局部仿真分析；其中，全局仿真分析包括以下步骤：
获取一定时段内监测得到的行人流量数据；根据所述行人流量数据计算所述一定时段的下一时段内完成服务的行人总量的比例；对于所述一定时段内被监测到的各行人个体，生成一个服从均匀分布的伪随机数，根据所述伪随机数确定所述下一时段内各行人个体的交通吸引点；
确定行人个体从交通发生点到交通吸引点之间的有效路径；
更新行人个体时空状态；
所述局部仿真分析包括以下步骤：
读取模型要素范围内的监测数据，确定各感知模块处，行人个体将到达的感知模块对应模型要素的邻接模型要素；
更新行人个体时空状态。
确定所述行人个体的交通吸引点的具体步骤如下：
获取t时段内感知模块
Figure 940815DEST_PATH_IMAGE001
监测得到的行人流量为
Figure 838364DEST_PATH_IMAGE002
，并发送至对应的模型要素
Figure 755504DEST_PATH_IMAGE033
；交通吸引点
Figure 4083DEST_PATH_IMAGE004
对应感知模块监测到的行人流量记为
Figure 540238DEST_PATH_IMAGE005
；其中,
Figure 620189DEST_PATH_IMAGE006
；
确定t+1时段内各交通吸引点
Figure 911493DEST_PATH_IMAGE004
吸引的行人流量占t时段内完成服务的行人总量 的比例，具体公式如下：
Figure 319472DEST_PATH_IMAGE068
其中，
Figure 49531DEST_PATH_IMAGE002
为t时段内交通吸引点
Figure 656092DEST_PATH_IMAGE004
处监测到的行人流量；
Figure 55981DEST_PATH_IMAGE008
为t时段内各交 通吸引点完成服务的行人总量；n为分析模型中行人个体交通吸引点总数；
Figure 341469DEST_PATH_IMAGE009
为t+1时 段内各交通吸引点
Figure 281743DEST_PATH_IMAGE004
吸引的行人流量占t时段内完成服务的行人总量的比例；
确定t+1时段内各行人个体的交通吸引点，对于t时段内被监测到的各行人个体， 生成一个服从均匀分布的伪随机数
Figure 946073DEST_PATH_IMAGE010
；若
Figure 907076DEST_PATH_IMAGE011
，则行人个体的目的地为 第1个交通吸引点；否则，行人个体的目的地为第d个交通吸引点
Figure 86385DEST_PATH_IMAGE012
，其中
Figure 768033DEST_PATH_IMAGE013
。
所述确定行人个体从交通发生点到交通吸引点之间的有效路径的具体步骤如下：
确定t+1时段内分析模型中各交通发生点和交通吸引点之间的有效路径集；有效 路径集是指分析模型中连接任一交通发生点
Figure 614766DEST_PATH_IMAGE014
和交通吸引点
Figure 215512DEST_PATH_IMAGE015
，且实际有行人使用的路 径集合；其中，
Figure 147696DEST_PATH_IMAGE016
；
确定t+1时段内，各交通发生点和交通吸引点对
Figure 367456DEST_PATH_IMAGE017
各有效路径的广义交通费用， 公式如下：
Figure 68695DEST_PATH_IMAGE048
其中，
Figure 105922DEST_PATH_IMAGE019
为t+1时段内各交通发生点和交通吸引点对
Figure 463085DEST_PATH_IMAGE020
中r条有效路径的 广义交通费用；K为路径r有关的特性变量总数；
Figure 548852DEST_PATH_IMAGE021
为t时段内路径r的第k个特性变量；
Figure 432495DEST_PATH_IMAGE022
为特性变量权重；
确定t+1时段内各交通发生点和交通吸引点对
Figure 515988DEST_PATH_IMAGE017
各有效路径分配的客流占比，公 式如下：
Figure 157185DEST_PATH_IMAGE069
其中，
Figure 108961DEST_PATH_IMAGE024
为t+1时段内
Figure 722476DEST_PATH_IMAGE017
第r条有效路径分配的客流比例；
Figure 773609DEST_PATH_IMAGE025
为有效路径 集；
确定t+1时段内行人个体的行走路径；对于t时段内监测到的每个行人个体，生成 一个服从均匀分布的伪随机数
Figure 964418DEST_PATH_IMAGE026
；若
Figure 595251DEST_PATH_IMAGE027
，则行人个体的行走路径 为
Figure 883448DEST_PATH_IMAGE017
第1条有效路径；否则，行人个体的行走路径为
Figure 698957DEST_PATH_IMAGE017
第
Figure 314746DEST_PATH_IMAGE028
条有效路径，其中
Figure 218111DEST_PATH_IMAGE029
。
所述确定各感知模块处，行人个体将到达的感知模块对应模型要素的邻接模型要素的具体步骤如下：
获取t时段内，各感知模块
Figure 930852DEST_PATH_IMAGE030
监测得到的行人流量
Figure 589367DEST_PATH_IMAGE031
，并发送至感知模块
Figure 895714DEST_PATH_IMAGE032
对应 的模型要素
Figure 727404DEST_PATH_IMAGE033
；
确定t+1时段内模型要素
Figure 966756DEST_PATH_IMAGE033
的邻接模型要素
Figure 999434DEST_PATH_IMAGE034
所吸引人流占模型要素
Figure 652132DEST_PATH_IMAGE033
处行人总 量比例，公式如下：
Figure 959616DEST_PATH_IMAGE035
其中，
Figure 522316DEST_PATH_IMAGE036
为t时段内模型要素
Figure 584950DEST_PATH_IMAGE033
的邻接模型要素
Figure 397048DEST_PATH_IMAGE034
处监测到的行人流量；
Figure 977065DEST_PATH_IMAGE037
为t时段内模型要素
Figure 253326DEST_PATH_IMAGE033
的所有邻接模型要素
Figure 424544DEST_PATH_IMAGE034
处监测到的行人总量；
Figure 661621DEST_PATH_IMAGE038
为邻接模型 要素
Figure 638805DEST_PATH_IMAGE034
的总数；
Figure 972834DEST_PATH_IMAGE039
为比例系数；
确定模型要素
Figure 252637DEST_PATH_IMAGE033
监测到的行人个体的局部目标邻接模型要素
Figure 367223DEST_PATH_IMAGE034
，对于每个t时段内 被监测到的行人个体，生成一个服从均匀分布的伪随机数
Figure 820201DEST_PATH_IMAGE040
；若
Figure 946420DEST_PATH_IMAGE041
， 则行人个体的局部目的地为第1个邻接模型要素；否则，行人个体的局部目的地为第l个邻 接模型要素
Figure 787337DEST_PATH_IMAGE042
，其中，
Figure 61324DEST_PATH_IMAGE043
。
步骤S1：获取模型要素对应的监测数据之前还包括以下步骤：
搭建分析模型，并建立模型要素和感知模块之间的映射关系。
步骤S2：基于所述监测数据进行全局仿真分析或局部仿真分析之后还包括以下步骤：
根据仿真分析获得的行人交通特征进行分析、监测、预测和可视化处理。
本发明中提出的一种基于数字孪生的地铁车站客流监测方法及系统，具体有益效果如下：
1）实现了二维或三维空间中，行人流的动态、连续监测，揭示了行人交通的时空动态分布特征；
2）实现了行人交通微观指标(如排队长度、延误时长、等候时长、流线交叉等）的系统化、定量化评价；
3）实现了行人流演化态势的短时预测；
4）充分利用既有传感设备采集行人流量，在此基础上进行微观交通特征的深度挖掘。
尽管参照前述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精神和范围。

Claims (6)

1.一种基于数字孪生的地铁车站客流监测方法，其特征在于，包括以下步骤：
获取模型要素对应的监测数据；
基于所述监测数据进行全局仿真分析或局部仿真分析；其中，全局仿真分析包括以下步骤：
获取一定时段内监测得到的行人流量数据；根据所述行人流量数据计算所述一定时段的下一时段内完成服务的行人总量的比例；对于所述一定时段内被监测到的各行人个体，生成一个服从均匀分布的伪随机数，根据所述伪随机数确定所述下一时段内各行人个体的交通吸引点；
确定行人个体从交通发生点到交通吸引点之间的有效路径；
更新行人个体时空状态；
其中，确定所述行人个体的交通吸引点的具体步骤如下：
获取t时段内感知模块mi监测得到的行人流量为fi(t)，并发送至对应的模型要素ei；交通吸引点Dj对应感知模块监测到的行人流量记为
Figure FDA0003849958840000011
其中，j＝1,2，…，n；
确定t+1时段内各交通吸引点Dj吸引的行人流量占t时段内完成服务的行人总量的比例，具体公式如下：
Figure FDA0003849958840000012
其中，
Figure FDA0003849958840000013
为t时段内交通吸引点Dj处监测到的行人流量；
Figure FDA0003849958840000014
为t时段内各交通吸引点完成服务的行人总量；n为分析模型中行人个体交通吸引点总数；pj(t+1)为t+1时段内各交通吸引点Dj吸引的行人流量占t时段内完成服务的行人总量的比例；
确定t+1时段内各行人个体的交通吸引点，对于t时段内被监测到的各行人个体，生成一个服从均匀分布的伪随机数α，α∈[0,1]；若α≤∑p1(t+1)，则行人个体的目的地为第1个交通吸引点；否则，行人个体的目的地为第d个交通吸引点Dd，其中
Figure FDA0003849958840000021
所述确定行人个体从交通发生点到交通吸引点之间的有效路径的具体步骤如下：
确定t+1时段内分析模型中各交通发生点和交通吸引点之间的有效路径集；有效路径集是指分析模型中连接任一交通发生点Oi和交通吸引点Dj，且实际有行人使用的路径集合；其中，i＝1,2，…，m；
确定t+1时段内，各交通发生点和交通吸引点对ODij各有效路径的广义交通费用，公式如下：
Figure FDA0003849958840000022
其中，Vrij(t+1)为t+1时段内各交通发生点和交通吸引点对ODij中r条有效路径的广义交通费用；K为路径r有关的特性变量总数；xrk(t)为t时段内路径r的第k个特性变量；θk为特性变量权重；
确定t+1时段内各交通发生点和交通吸引点对ODij各有效路径分配的客流占比，公式如下：
Figure FDA0003849958840000023
其中，prij(t+1)为t+1时段内ODij第r条有效路径分配的客流比例；Rij为有效路径集；
确定t+1时段内行人个体的行走路径；对于t时段内监测到的每个行人个体，生成一个服从均匀分布的伪随机数α，α∈[0,1]；若α≤∑p1ij(t+1)，则行人个体的行走路径为ODij第1条有效路径；否则，行人个体的行走路径为ODij第r′条有效路径，其中
Figure FDA0003849958840000031
r′>1；
所述局部仿真分析包括以下步骤：
读取模型要素范围内的监测数据，确定各感知模块处，行人个体将到达的感知模块对应模型要素的邻接模型要素；
更新行人个体时空状态。
2.根据权利要求1所述的基于数字孪生的地铁车站客流监测方法，其特征在于，所述确定各感知模块处，行人个体将到达的感知模块对应模型要素的邻接模型要素的具体步骤如下：
获取t时段内，各感知模块mi监测得到的行人流量fi(t)，并发送至感知模块mi对应的模型要素ei；
确定t+1时段内模型要素ei的邻接模型要素ej所吸引人流占模型要素ei处行人总量比例，公式如下：
Figure FDA0003849958840000032
其中，fj(t)为t时段内模型要素ei的邻接模型要素ej处监测到的行人流量；
Figure FDA0003849958840000033
为t时段内模型要素ei的所有邻接模型要素ej处监测到的行人总量；n′为邻接模型要素ej的总数；pij为比例系数；
确定模型要素ei监测到的行人个体的局部目标邻接模型要素ej，对于每个t时段内被监测到的行人个体，生成一个服从均匀分布的伪随机数α，α∈[0,1]；若α≤∑pi1(t+1)，则行人个体的局部目的地为第1个邻接模型要素；否则，行人个体的局部目的地为第l个邻接模型要素el，其中，
Figure FDA0003849958840000041
3.一种基于数字孪生的地铁车站客流监测系统，其特征在于，包括：模型构建单元、流量感知单元、仿真分析单元和应用支撑单元；
所述仿真分析单元与模型构建单元、流量感知单元和应用支撑单元连接；
所述流量感知单元，用于获取模型要素对应的监测数据；
所述仿真分析单元，用于基于所述监测数据进行全局仿真分析或局部仿真分析；
仿真分析单元，用于获取一定时段内监测得到的行人流量数据，根据所述行人流量数据计算所述一定时段的下一时段内完成服务的行人总量的比例，对于所述一定时段内被监测到的各行人个体，生成一个服从均匀分布的伪随机数，根据所述伪随机数确定所述下一时段内各行人个体的交通吸引点，确定行人个体从交通发生点到交通吸引点之间的有效路径，更新行人个体时空状态；读取模型要素范围内的监测数据，确定各感知模块处，行人个体将到达的感知模块对应模型要素的邻接模型要素，更新行人个体时空状态；
所述仿真分析单元，具体用于：
获取t时段内感知模块mi监测得到的行人流量为fi(t)，并发送至对应的模型要素ei；交通吸引点Dj对应感知模块监测到的行人流量记为
Figure FDA0003849958840000042
其中,j＝1,2，…，n；
确定t+1时段内各交通吸引点Dj吸引的行人流量占t时段内完成服务的行人总量的比例，具体公式如下：
Figure FDA0003849958840000051
其中，
Figure FDA0003849958840000052
为t时段内交通吸引点Dj处监测到的行人流量；
Figure FDA0003849958840000053
为t时段内各交通吸引点完成服务的行人总量；n为分析模型中行人个体交通吸引点总数；pj(t+1)为t+1时段内各交通吸引点Dj吸引的行人流量占t时段内完成服务的行人总量的比例；
确定t+1时段内各行人个体的交通吸引点，对于t时段内被监测到的各行人个体，生成一个服从均匀分布的伪随机数α，α∈[0,1]；若α≤∑p1(t+1)，则行人个体的目的地为第1个交通吸引点；否则，行人个体的目的地为第d个交通吸引点Dd，其中
Figure FDA0003849958840000054
所述仿真分析单元，具体用于：
确定t+1时段内分析模型中各交通发生点和交通吸引点之间的有效路径集；有效路径集是指分析模型中连接任一交通发生点Oi和交通吸引点Dj，且实际有行人使用的路径集合；其中，i＝1,2，…，m；
确定t+1时段内，各交通发生点和交通吸引点对ODij各有效路径的广义交通费用，公式如下：
Figure FDA0003849958840000055
其中，Vrij(t+1)为t+1时段内各交通发生点和交通吸引点对ODij中r条有效路径的广义交通费用；K为路径r有关的特性变量总数；xrk(t)为t时段内路径r的第k个特性变量；θk为特性变量权重；
确定t+1时段内各交通发生点和交通吸引点对ODij各有效路径分配的客流占比，公式如下：
Figure FDA0003849958840000061
其中，prij(t+1)为t+1时段内ODij第r条有效路径分配的客流比例；Rij为有效路径集；
确定t+1时段内行人个体的行走路径；对于t时段内监测到的每个行人个体，生成一个服从均匀分布的伪随机数α，α∈[0,1]；若α≤∑p1ij(t+1)，则行人个体的行走路径为ODij第1条有效路径；否则，行人个体的行走路径为ODij第r′条有效路径，其中
Figure FDA0003849958840000062
Figure FDA0003849958840000063
4.根据权利要求3所述的基于数字孪生的地铁车站客流监测系统，其特征在于，所述模型构建单元，具体用于：
搭建分析模型，生成并初始化模型要素的空间属性和交通属性；
建立模型要素-感知模块的映射关系；
识别或指定各个模型要素的邻接模型要素，构造邻接矩阵；
其中，所述模型要素包括区域和节点；所述区域包括自由活动区域和活动受限区域；所述节点包括交通发生点、交通吸引点、通过型服务设施和等候型服务设施。
5.根据权利要求3所述的基于数字孪生的地铁车站客流监测系统，其特征在于，所述流量感知单元包括感知模块、解析模块和数据存储模块；
所述感知模块与解析模块连接；
所述解析模块与数据存储模块连接。
6.根据权利要求3所述的基于数字孪生的地铁车站客流监测系统，其特征在于，所述仿真分析单元，具体用于：
获取t时段内，各感知模块mi监测得到的行人流量fi(t)，并发送至感知模块mi对应的模型要素ei；
确定t+1时段内模型要素ei的邻接模型要素ej所吸引人流占模型要素ei处行人总量比例，公式如下：
Figure FDA0003849958840000071
其中，fj(t)为t时段内模型要素ei的邻接模型要素ej处监测到的行人流量；
Figure FDA0003849958840000072
为t时段内模型要素ei的所有邻接模型要素ej处监测到的行人总量；n′为邻接模型要素ej的总数；pij为比例系数；
确定模型要素ei监测到的行人个体的局部目标邻接模型要素ej，对于每个t时段内被监测到的行人个体，生成一个服从均匀分布的伪随机数α，α∈[0,1]；若α≤∑pi1(t+1)，则行人个体的局部目的地为第1个邻接模型要素；否则，行人个体的局部目的地为第l个邻接模型要素el，其中，
Figure FDA0003849958840000073
CN202210881081.5A 2022-06-06 2022-07-26 一种基于数字孪生的地铁车站客流监测方法及系统 Active CN114943390B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2022106337259 2022-06-06
CN202210633725 2022-06-06

Publications (2)

Publication Number Publication Date
CN114943390A CN114943390A (zh) 2022-08-26
CN114943390B true CN114943390B (zh) 2022-10-21

Family

ID=82910884

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210881081.5A Active CN114943390B (zh) 2022-06-06 2022-07-26 一种基于数字孪生的地铁车站客流监测方法及系统

Country Status (1)

Country Link
CN (1) CN114943390B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107358357A (zh) * 2017-07-12 2017-11-17 北京市轨道交通设计研究院有限公司 城市轨道交通换乘车站评价方法
CN112418451A (zh) * 2020-11-05 2021-02-26 武汉大学 基于数字孪生的变压器故障诊断定位系统
CN112435458A (zh) * 2019-06-21 2021-03-02 北京航空航天大学 一种交通事故下的高速公路无人机应急仿真方法
CN113556132A (zh) * 2021-08-23 2021-10-26 国家电网有限公司 一种基于信号奇异性检测改进的电力信号压缩感知新方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021158983A1 (en) * 2020-02-07 2021-08-12 Hyperloop Technologies, Inc. Modeling, simulation, and analysis of transportation systems

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107358357A (zh) * 2017-07-12 2017-11-17 北京市轨道交通设计研究院有限公司 城市轨道交通换乘车站评价方法
CN112435458A (zh) * 2019-06-21 2021-03-02 北京航空航天大学 一种交通事故下的高速公路无人机应急仿真方法
CN112418451A (zh) * 2020-11-05 2021-02-26 武汉大学 基于数字孪生的变压器故障诊断定位系统
CN113556132A (zh) * 2021-08-23 2021-10-26 国家电网有限公司 一种基于信号奇异性检测改进的电力信号压缩感知新方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
客流量监测的WiFi嗅探网格化方法;佟慧姣等;《电子测量技术》;20180423(第08期);全文 *
时空大数据驱动的新型智慧城市交通规划决策支持框架;刘卓等;《地理信息世界》;20200625(第03期);全文 *

Also Published As

Publication number Publication date
CN114943390A (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
US10963705B2 (en) System and method for point-to-point traffic prediction
CN104169990B (zh) 用于提供关于空闲停车位的驻车信息的方法
CN105493109B (zh) 使用多个数据源的空气质量推断
CN110356437A (zh) 实时服务水平监视
CN113763700B (zh) 信息处理方法、装置、计算机设备及存储介质
CN109272175A (zh) 一种基于城市流动网络的数据采集系统及方法
JP6454222B2 (ja) データ処理システム、及び、データ処理方法
CN110874668A (zh) 一种轨道交通od客流预测方法、系统及电子设备
Chen et al. A Deep Learning Model with Conv‐LSTM Networks for Subway Passenger Congestion Delay Prediction
Demissie et al. Modeling location choice of taxi drivers for passenger pickup using GPS data
CN113468243A (zh) 地铁客流分析与预测方法及分析与预测系统
Liu et al. Short-term online taxi-hailing demand prediction based on the multimode traffic data in metro station areas
KR102441523B1 (ko) 수요기반 이동서비스를 위한 수요예측방법
KR102225813B1 (ko) 복지시설 수요 예측관리 장치 및 방법
CN114943390B (zh) 一种基于数字孪生的地铁车站客流监测方法及系统
CN116823572B (zh) 人口流动数据的获取方法、装置及计算机可读存储介质
Cavallaro et al. A novel spatial–temporal analysis approach to pedestrian groups detection
CN110309953B (zh) 采用目标流动性分布预测的城市安防监控布局系统及方法
Xing et al. Recommendation of urban vehicle driving routes under traffic congestion: A traffic congestion regulation method considering road network equilibrium
MAI et al. The application of queueing theory in the parking lot: A literature review
Tozluoglu et al. Synthetic Sweden mobility (SySMo) model documentation
Ara et al. Predicting Ride Hailing Service Demand Using Autoencoder and Convolutional Neural Network
CN108665705B (zh) 交通诱导统计模型校对方法及装置
JP2022006482A (ja) ナビゲーション装置、及びナビゲーション方法
Bhandari et al. Occupancy prediction at transit stops using ANN

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant