CN116596731A - 一种轨道交通智能运维大数据管理方法和系统 - Google Patents
一种轨道交通智能运维大数据管理方法和系统 Download PDFInfo
- Publication number
- CN116596731A CN116596731A CN202310597409.5A CN202310597409A CN116596731A CN 116596731 A CN116596731 A CN 116596731A CN 202310597409 A CN202310597409 A CN 202310597409A CN 116596731 A CN116596731 A CN 116596731A
- Authority
- CN
- China
- Prior art keywords
- management
- equipment
- congestion state
- personnel
- congestion
- 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 49
- 238000012423 maintenance Methods 0.000 title claims abstract description 44
- 238000013523 data management Methods 0.000 title claims abstract description 15
- 238000007726 management method Methods 0.000 claims abstract description 104
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 20
- 239000006185 dispersion Substances 0.000 claims abstract description 9
- 238000007619 statistical method Methods 0.000 claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims description 19
- 230000006399 behavior Effects 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 8
- 238000012552 review Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 206010017577 Gait disturbance Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/40—Handling position reports or trackside vehicle data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
- G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
-
- 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
- G06Q10/10—Office automation; Time management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Mechanical Engineering (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Finance (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
Abstract
本发明提供一种轨道交通智能运维大数据管理方法及系统。所述方法包括:进行员工人事管理,包括人员履历管理、证书管理、出勤管理、考试管理和值班管理;进行运维设备管理,包括建立设备履历表,从设备采购入库开始进行实时跟踪,对设备故障详情、维修详情进行记录;对设备状态进行统计分析,并形成可行性报告;进行站台安全管理,包括站台客流拥堵状态预测与疏导,站台内人员异常行为识别与报警。本发明通过进行包括站台客流拥堵状态预测与疏导以及站台内人员异常行为识别与报警的站台安全管理,能够保证城市轨道交通的安全运转。
Description
技术领域
本发明属于轨道交通技术领域,具体涉及一种轨道交通智能运维大数据管理方法和系统。
背景技术
随着城市化进程的加快,轨道交通由于其安全、高速、环保等特点得到迅猛发展。城市轨道已经成为广大市民出行首选的交通方式。而城市轨道交通本身是一个涉及多个专业和学科的复杂系统工程,具有很多的分支且又很分散,各个分支不一样,差异性比较大。在此情况下城市轨道交通数据的几何级增长,在管理、生产和服务中产生的海量数据,给传统管理模式提出了新的挑战。新型的城市轨道交通智能运维系统需要借助大数据和人工智能等技术,发挥对人员、设备、物资、工器具等从人工管理向智能化方向发展,对其进行充分的信息化管理,达到跨专业的设备采集数据、设备告警、设备履历、维修记录、人员组织、工器具统一管控,并利用机器学习、数据挖掘等手段提高运维效率,加快数据沉淀,实现智能分析,达到智能运维的目的。
城市轨道交通已成为越来越多人首选的出行交通工具。然而,在上下班、节假日等出行高峰期,一些热门的地铁站存在客流严重拥堵的情况,为铁地的安全运行埋下了隐患。基于此,现有技术中通过在地铁站内设置相应的客流监测设备,并基于客流监测设备所采集的客流数据进行数据处理,以对地铁站内的拥堵程度进行预测。但现有预测方法大多存在预测精度不理想,运算量大、运行速度低等问题。
发明内容
为了解决现有技术中存在的上述问题,本发明提供一种轨道交通智能运维大数据管理方法和系统。
为了实现上述目的,本发明采用以下技术方案。
第一方面,本发明提供一种轨道交通智能运维大数据管理方法,包括以下步骤:
进行员工人事管理,包括人员履历管理、证书管理、出勤管理、考试管理和值班管理;
进行运维设备管理,包括建立设备履历表,从设备采购入库开始进行实时跟踪,对设备故障详情、维修详情进行记录;对设备状态进行统计分析,并形成可行性报告;
进行站台安全管理,包括站台客流拥堵状态预测与疏导,站台内人员异常行为识别与报警。
进一步地,进行站台客流拥堵状态预测与疏导的方法包括以下步骤:
S1、实时获取由监控设备拍摄的监测区域的视频图像;
S2、将视频图像输入训练好的拥堵状态识别模型,得到监测区域的拥堵状态等级,所述拥堵状态等级包括宽松、一般拥堵和严重拥堵;
S3、如果拥堵状态等级为严重拥堵,发出报警信号,提示工作人员采取疏导措施。
更进一步地,所述进行站台客流拥堵状态预测与疏导的方法还包括:
从所述视频图像中提取n+1帧图像;
将n+1帧图像中的任意一帧设定为基准图像I0,并计算其它n帧图像Ii与I0的差分图像ΔIi=Ii-I0;其中,i=1,2,...,n,n≥1;
将I0、ΔIi输入训练好的拥堵状态识别模型,得到监测区域的拥堵状态等级。
更进一步地,所述拥堵状态识别模型包括:分别以I0、ΔIi为输入的n+1个特征提取模块,以n+1个特征提取模块的输出为输入的特征融合模块,以特征融合模块的输出为输入的分类器模块;分类器模块输出拥堵状态等级。
更进一步地,所述拥堵状态识别模型采用卷积神经网络CNN,特征提取模块由卷积层和最大池化层组成,特征融合模块由卷积层、最大池化层和全连接层组成。
更进一步地,所述进行站台客流拥堵状态预测与疏导的方法还包括:
将视频图像划分为M×N个相等的矩形区域,其中,M×N≥2;
对基准图像的像素点灰度值进行二值化处理,统计每个矩形区域内灰度值为1的像素点的个数;
按照所述像素点的个数从大到小的顺序对所述矩形区域排序,将排在最前面的一个或几个矩形区域确定为感兴趣区域;步骤S2只对感兴趣区域图像进行处理。
进一步地,所述站台内人员异常行为包括斗殴、大声喧哗和在一定范围内来回行走。
更进一步地,在一定范围内来回行走行为的识别方法包括:
对站台内人员进行人体或人脸检测,得到人体或人脸检测框中心的初始坐标(x0,y0);
设定一个包含(x0,y0)的矩形检测区域;
进行人体或人脸跟踪,得到一定时间T内所述矩形检测区域内每个图像采集时刻人体或人脸检测框中心的坐标(xi,yi),i=1,2,...,n,n为图像采集时刻的数量;
求满足不等式xi<xi-1且xi<xi+1的xi的个数A1,求满足不等式xi>xi-1且xi>xi+1的xi个数的A2,其中,i=2,3,...,n-1;计算A=A1+A2;
求满足不等式yi<yi-1且yi<yi+1的yi的个数B1,求满足不等式yi>yi-1且yi>yi+1的yi的个数B2,其中,i=2,3,...,n-1;计算B=Bi+B2;
计算C=A+B;
如果满足以下3个条件的任意一个条件,则存在来回行走行为;
条件1,A大于第一阈值;
条件2,B大于第二阈值;
条件3,C大于第三阈值。
更进一步地,在一定范围内来回行走行为的识别方法包括:
计算:
ki=(yi-yi-1)/(xi-xi-1)
ki+1=(yi+1-yi)/(xi+1-xi)
式中,ki、ki+1分别为连接(xi-1,yi-1)与(xi,yi)、连接(xi,yi)与(xi+1,yi+1)所成直线的斜率;
求满足不等式ki<0且ki+1>0的ki的个数D1,求满足不等式ki>0且ki+1<0的ki个的数D2,其中,i=2,3,...,n-1;计算D=D1+D2,D为所述斜率正负发生改变的次数;
如果D大于第四阈值,则存在来回行走行为。
第二方面,本发明提供一种轨道交通智能运维大数据管理系统,包括:
人事管理模块,用于进行员工人事管理,包括人员履历管理、证书管理、排班管理、出勤管理、考试管理和值班管理;
设备管理模块,用于进行运维设备管理,包括建立设备履历表,从设备采购入库开始进行实时跟踪,对设备故障详情、维修详情进行记录;对设备状态进行统计分析,并形成可行性研究报告;
安全管理模块,用于进行站台安全管理,包括站台客流拥堵状态预测与疏导,站台内人员异常行为识别与报警。
与现有技术相比,本发明具有以下有益效果。
本发明通过进行包括人员履历管理、证书管理、出勤管理、考试管理和值班管理的员工人事管理,进行包括建立设备履历表的运维设备管理,从设备采购入库开始进行实时跟踪,对设备故障详情、维修详情进行记录,并对设备状态进行统计分析,形成可行性报告,进行包括站台客流拥堵状态预测与疏导以及站台内人员异常行为识别与报警的站台安全管理,实现了轨道交通智能运维的大数据管理。本发明通过进行包括站台客流拥堵状态预测与疏导以及站台内人员异常行为识别与报警的站台安全管理,能够保证城市轨道交通的安全运转。
附图说明
图1为本发明实施例一种轨道交通智能运维大数据管理方法的流程图。
图2为本发明实施例一种轨道交通智能运维大数据管理系统的方框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明白,以下结合附图及具体实施方式对本发明作进一步说明。显然,所描述的实施例仅仅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。
图1为本发明实施例一种轨道交通智能运维大数据管理方法的流程图,包括以下步骤:
步骤101,进行员工人事管理,包括人员履历管理、证书管理、出勤管理、考试管理和值班管理;
步骤102,进行运维设备管理,包括建立设备履历表,从设备采购入库开始进行实时跟踪,对设备故障详情、维修详情进行记录;对设备状态进行统计分析,并形成可行性报告;
步骤103,进行站台安全管理,包括站台客流拥堵状态预测与疏导,站台内人员异常行为识别与报警。
本实施例中,步骤101主要进行员工人事管理。员工人事管理主要包括人员履历管理、证书管理、出勤管理、考试管理和值班管理。下面对各种管理方法分别进行介绍。
人员履历管理,包括对员工详细信息的添加、导入以及编辑。人员履历可以全面显示个人基本信息(如身份证号、籍贯、毕业院校、联系方式等)、所属班组、入职时间、所属工种、施工负责人编号、技能等级证书、持证到期情况、工作经历、考试情况等。
证书管理,包括证书报名、统计报名人员、证书复审到期提醒以及对证书的添加/导入、删除/批量删除、编辑等。证书基本信息包括准操项目、有效期限、复证期限、考试周期等。证书报名分为三种类型,分别是取证报名、复审报名、换证报名。有效期限与换证报名关联,复证期限与复证报名关联,在考试周期内必须将考试完成,否则报名失效。
出勤管理,包括公司全体员工的考勤记录、工时统计,通过排班与请销假事务相结合自动生成出勤表,可以选择日期来查看历史考勤记录,且会显示请假类型,如婚假、产假、病假等。
考试管理,包括考试记录以及管理题库和试卷。可采用在线考试列表显示的历史考试记录,包括完成的和未完成的考试,及其考试情况;未开始的考试试卷则不显示在内。可按照专业、培训类型、试卷关键词来查询相关试卷。题库管理功能包括对题库进行添加、编辑、删除、查询等操作。题目应按难易程度、专业、题目类型等进行分类,为系统随机出题提供支撑。
值班管理,包括值班表的生成与下发。可以对值班表进行添加、查看、编辑、删除操作。值班按照不同职位、职能分为领导值班、调度值班以及班组值班三种。三种值班管理的列表记录着各自的值班表,具有权限的人员才可以在系统内添加值班表,选择日期以及部门后,系统会弹出相应人员,勾选人员提交后,系统会自动生成值班表显示在对应的值班列表中。
本实施例中,步骤102主要用于进行运维设备管理。运维设备管理包括建立每种设备履历表,并从每种设备的采购入库开始进行实时跟踪,对每种设备故障详情、维修详情进行记录;对设备状态进行统计分析,并形成可行性报告。不同的设备具体的管理方法又有所不同,这里不展开详细说明。
本实施例中,步骤103主要用于进行站台安全管理。站台安全管理包括的内容很多,本实施例的站台安全管理主要包括站台客流拥堵状态预测与疏导,以及站台内人员异常行为识别与报警。客流高峰时段容易出现拥堵,严重时可能会造成人员或设备的损伤。因此需要实时、准确地检测客流拥堵状态;当检测出发生严重拥堵时,应及时报警,提示工作人员及时进行疏导以防事故发生。站台内人员的异常行为主要是指一些非正常候车行为。比如,站台内长时间逗留、肢体冲突、吵架等行为。一旦识别出站台内人员的异常行为,立即发出提示信息,比如对相关人员进行语音提示,或提醒工作人员进行处理。
作为一可选实施例,进行站台客流拥堵状态预测与疏导的方法包括以下步骤:
S1、实时获取由监控设备拍摄的监测区域的视频图像;
S2、将视频图像输入训练好的拥堵状态识别模型,得到监测区域的拥堵状态等级,所述拥堵状态等级包括宽松、一般拥堵和严重拥堵;
S3、如果拥堵状态等级为严重拥堵,发出报警信号,提示工作人员采取疏导措施。
本实施例给出了进行客流拥堵状态预测与疏导的一种技术方案。本实施例基于站台内监控设备拍摄的监测区域的视频图像进行拥堵状态预测。具体地,通过构建以视频图像为输入、以拥堵状态等级为输出的拥堵状态识别模型,将实时获得的视频图像输入到训练好的拥堵状态识别模型,所述模型即输出拥堵状态等级。本实施例将拥堵状态设定为三个等级,分别是宽松(无拥堵或正常)、一般拥堵和严重拥堵。如果预测结果为宽松或一般拥堵,一般不会出现因拥堵导致的危险,因此无需进行处理;如果预测结果为严重拥堵,存在不安全隐患,立即发出报警信号,提示工作人员采取疏导措施。值得说明的是,本实施例虽然将拥堵状态设定为三个等级,但并不排斥和否定其它不同的等级设定方法,比如多于三个等级的更细致的等级设定方案。
作为一可选实施例,所述进行站台客流拥堵状态预测与疏导的方法还包括:
从所述视频图像中提取n+1帧图像;
将n+1帧图像中的任意一帧设定为基准图像I0,并计算其它n帧图像Ii与I0的差分图像ΔIi=Ii-I0;其中,i=1,2,...,n,n≥1;
将I0、ΔIi输入训练好的拥堵状态识别模型,得到监测区域的拥堵状态等级。
本实施例是上一实施例的改进方案。现有技术一般是只对原始拍摄的视频图像直接进行处理实现客流拥堵状态的预测。由于客流拥堵实际上是一种动态变化的状态,而原始图像本身包含的变化特征不突出,因此,现有处理方法的预测精度较低。为此,本实施例将一帧视频图像设定为基准图像,并计算其它非基准图像与所述基准图像的差,得到的差分图像包含了丰富的变化特征,不同的差分图像包含不同的变化特征,通过对基准图像和多个差分图像进行处理(特征提取和特征融合),可大大提高拥堵状态识别模型的预测精度。
作为一可选实施例,所述拥堵状态识别模型包括:分别以I0、ΔIi为输入的n+1个特征提取模块,以n+1个特征提取模块的输出为输入的特征融合模块,以特征融合模块的输出为输入的分类器模块;分类器模块输出拥堵状态等级。
本实施例给出了实现上一实施例预测方法的拥堵状态识别模型的一种结构。本实施例的拥堵状态识别模型包括n+1个特征提取模块、一个特征融合模块和一个分类器模块。n+1个特征提取模块的输入分别是基准图像I0和n个差分图像ΔIi。特征融合模块对n+1个特征提取模块输出的特征进行融合,并输入至分类器模块,输出拥堵状态等级。
作为一可选实施例,所述拥堵状态识别模型采用卷积神经网络CNN,特征提取模块由卷积层和最大池化层组成,特征融合模块由卷积层、最大池化层和全连接层组成。
本实施例给出了拥堵状态识别模型的一种具体的网络结构。本实施例的拥堵状态识别模型采用卷积神经网络CNN。在视觉神经系统中,一个神经元的感受野是指视网膜上的特定区域,只有这个区域内的刺激才能够激活该神经元。CNN就是基于生物学上的这种感受野机制提出来的。CNN是一种前馈神经网络,但与一般的全连接前馈神经网络不同的是,它的卷积层具有局部连接和权重共享的特性,因此能够大大减小权重参数的数量,从而减小模型的复杂程度和提高运行速度。一个典型的CNN是由卷积层、池化层、全连接层交叉堆叠而成的。卷积层的作用是通过卷积核与输入图像的卷积运算提取一个局部区域的特征,不同的卷积核相当于不同的特征提取器。池化层的作用是进行特征选择,降低特征数量,从而进一步减少参数数量。一般采用最大池化法和平均池化法。全连接层用于对得到的不同特征进行融合。
作为一可选实施例,所述进行站台客流拥堵状态预测与疏导的方法还包括:
将视频图像划分为M×N个相等的矩形区域,其中,M×N≥2;
对基准图像的像素点灰度值进行二值化处理,统计每个矩形区域内灰度值为1的像素点的个数;
按照所述像素点的个数从大到小的顺序对所述矩形区域排序,将排在最前面的一个或几个矩形区域确定为感兴趣区域;步骤S2只对感兴趣区域图像进行处理。
本实施例给出了降低计算量提高运行速度的一种技术方案。图像处理的计算量很大,尤其是高分辨率的高质量视频图像处理。为了实现客流拥堵状态的实时预测,本实施例通过在待处理图像中选取感兴趣区域,只对所述感兴趣区域的图像进行处理,对非感兴趣区域的图像不进行处理,可明显降低图像处理的计算量。本实施例选取的感兴趣区域是客流密度较大的区域,因为只有这些区域才有可能发生拥堵或严重拥堵。本实施例确定感兴趣区域的技术原理是:像素点密度大的区域客流密度大。具体实现方法是:先将视频图像划分为多个相等的矩形区域;然后按灰度大小对所述图像进行二值化处理;统计每个区域内二值化处理后灰度值为1的像素点的数量,选取所述像素点的数量最多的一个或几个区域为感兴趣区域。
作为一可选实施例,所述站台内人员异常行为包括斗殴、大声喧哗和在一定范围内来回行走。
本实施例给出了一种具体的站台内人员异常行为。站台内人员异常行为较多,本实施例的人员异常行为包括斗殴、吵架、大声喧哗和在一定范围内来回行走。这些人员异常行为不仅影响公共场所的正常秩序,还有可能造成对人员或设备的伤害。
作为一可选实施例,在一定范围内来回行走行为的识别方法包括:
对站台内人员进行人体或人脸检测,得到人体或人脸检测框中心的初始坐标(x0,y0);
设定一个包含(x0,y0)的矩形检测区域;
进行人体或人脸跟踪,得到一定时间T内所述矩形检测区域内每个图像采集时刻人体或人脸检测框中心的坐标(xi,yi),i=1,2,...,n,n为图像采集时刻的数量;
求满足不等式xi<xi-1且xi<xi+1的xi的个数A1,求满足不等式xi>xi-1且xi>xi+1的xi个数的A2,其中,i=2,3,...,n-1;计算A=A1+A2;
求满足不等式yi<yi-1且yi<yi+1的yi的个数B1,求满足不等式yi>yi-1且yi>yi+1的yi的个数B2,其中,i=2,3,...,n-1;计算B=B1+B2;
计算C=A+B;
如果满足以下3个条件的任意一个条件,则存在来回行走行为;
条件1,A大于第一阈值;
条件2,B大于第二阈值;
条件3,C大于第三阈值。
本实施例给出了识别一定范围内来回行走行为的一种技术方案。站台内的正常行走一般是一直沿着某一方向通过站台区域(出站或转乘);而在一定范围内来回行走则表现为行走速度时快时慢,徘徊不前,反复改变行走方向。这些特征表现为:图像中行人的位置坐标x、y的大小时而增大时而减小,即变化趋势不断改变。本实施例基于上述特征,通过计算一定时间T内坐标x、y变化趋势改变的次数A、B及C=A+B,并将A、B及C分别与设定的3个阈值进行比较,只要有一个超过设定的阈值就可认为存在来回行走行为。具体实现方法如上,这里不再展开详细说明。
作为一可选实施例,在一定范围内来回行走行为的识别方法包括:
计算:
ki=(yi-yi-1)/(xi-xi-1)
ki+1=(yi+1-yi)/(xi+1-xi)
式中,ki、ki+1分别为连接(xi-1,yi-1)与(xi,yi)、连接(xi,yi)与(xi+1,yi+1)所成直线的斜率;
求满足不等式ki<0且ki+1>0的ki的个数D1,求满足不等式ki>0且ki+1<0的ki的个数D2,其中,i=2,3,...,n-1;计算D=D1+D2,D为所述斜率正负发生改变的次数;
如果D大于第四阈值,则存在来回行走行为。
本实施例给出了识别一定范围内来回行走行为的另一种技术方案。本实施例进行来回行走行为识别的技术原理是:将行人的行走轨迹视为由多个小线段组成的折线,然后计算每个线段所在直线的斜率。正常行走时所述斜率的正负很少改变,而来回行走时所述斜率的正负频繁改变。因此通过统计在一定时间T内所述斜率的正负改变的次数,并将所述次数与设定的阈值进行比较,可识别出来回行走行为。具体实现方法如上,这里不再展开详细说明。
图2为本发明实施例一种轨道交通智能运维大数据管理系统的组成示意图,所述装置包括:
人事管理模块11,用于进行员工人事管理,包括人员履历管理、证书管理、排班管理、出勤管理、考试管理和值班管理;
设备管理模块12,用于进行运维设备管理,包括建立设备履历表,从设备采购入库开始进行实时跟踪,对设备故障详情、维修详情进行记录;对设备状态进行统计分析,并形成可行性研究报告;
安全管理模块13,用于进行站台安全管理,包括站台客流拥堵状态预测与疏导,站台内人员异常行为识别与报警。
本实施例的装置,可以用于执行图1所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种轨道交通智能运维大数据管理方法,其特征在于,包括以下步骤:
进行员工人事管理,包括人员履历管理、证书管理、出勤管理、考试管理和值班管理;
进行运维设备管理,包括建立设备履历表,从设备采购入库开始进行实时跟踪,对设备故障详情、维修详情进行记录;对设备状态进行统计分析,并形成可行性报告;
进行站台安全管理,包括站台客流拥堵状态预测与疏导,站台内人员异常行为识别与报警;
进行站台客流拥堵状态预测与疏导的方法包括以下步骤:
S1、实时获取由监控设备拍摄的监测区域的视频图像;
S2、将视频图像输入训练好的拥堵状态识别模型,得到监测区域的拥堵状态等级,所述拥堵状态等级包括宽松、一般拥堵和严重拥堵;
S3、如果拥堵状态等级为严重拥堵,发出报警信号,提示工作人员采取疏导措施。
2.根据权利要求1所述的轨道交通智能运维大数据管理方法,其特征在于,所述进行站台客流拥堵状态预测与疏导的方法还包括:
从所述视频图像中提取n+1帧图像;
将n+1帧图像中的任意一帧设定为基准图像I0,并计算其它n帧图像Ii与I0的差分图像ΔIi=Ii-I0;其中,i=1,2,...,n,n≥1;
将I0、ΔIi输入训练好的拥堵状态识别模型,得到监测区域的拥堵状态等级。
3.根据权利要求2所述的轨道交通智能运维大数据管理方法,其特征在于,所述拥堵状态识别模型包括:分别以I0、ΔIi为输入的n+1个特征提取模块,以n+1个特征提取模块的输出为输入的特征融合模块,以特征融合模块的输出为输入的分类器模块;分类器模块输出拥堵状态等级。
4.根据权利要求3所述的轨道交通智能运维大数据管理方法,其特征在于,所述拥堵状态识别模型采用卷积神经网络CNN,特征提取模块由卷积层和最大池化层组成,特征融合模块由卷积层、最大池化层和全连接层组成。
5.根据权利要求1所述的轨道交通智能运维大数据管理方法,其特征在于,所述进行站台客流拥堵状态预测与疏导的方法还包括:
将视频图像划分为M×N个相等的矩形区域,其中,M×N≥2;
对基准图像的像素点灰度值进行二值化处理,统计每个矩形区域内灰度值为1的像素点的个数;
按照所述像素点的个数从大到小的顺序对所述矩形区域排序,将排在最前面的一个或几个矩形区域确定为感兴趣区域;步骤S2只对感兴趣区域图像进行处理。
6.根据权利要求1所述的轨道交通智能运维大数据管理方法,其特征在于,所述站台内人员异常行为包括斗殴、大声喧哗和在一定范围内来回行走。
7.根据权利要求6所述的轨道交通智能运维大数据管理方法,其特征在于,在一定范围内来回行走行为的识别方法包括:
对站台内人员进行人体或人脸检测,得到人体或人脸检测框中心的初始坐标(x0,y0);
设定一个包含(x0,y0)的矩形检测区域;
进行人体或人脸跟踪,得到一定时间T内所述矩形检测区域内每个图像采集时刻人体或人脸检测框中心的坐标(xi,yi),i=1,2,...,n,n为图像采集时刻的数量;
求满足不等式xi<xi-1且xi<xi+1的xi的个数A1,求满足不等式xi>xi-1且xi>xi+1的xi个数的A2,其中,i=2,3,...,n-1;计算A=A1+A2;
求满足不等式yi<yi-1且yi<yi+1的yi的个数B1,求满足不等式yi>yi-1且yi>yi+1的yi的个数B2,其中,i=2,3,...,n-1;计算B=B1+B2;
计算C=A+B;
如果满足以下3个条件的任意一个条件,则存在来回行走行为;
条件1,A大于第一阈值;
条件2,B大于第二阈值;
条件3,C大于第三阈值。
8.根据权利要求7所述的轨道交通智能运维大数据管理方法,其特征在于,在一定范围内来回行走行为的识别方法包括:
计算:
ki=(yi-yi-1)/(xi-xi-1)
ki+1=(yi+1-yi)/(xi+1-xi)
式中,ki、ki+1分别为连接(xi-1,yi-1)与(xi,yi)、连接(xi,yi)与(xi+1,yi+1)所成直线的斜率;
求满足不等式ki<0且ki+1>0的ki的个数D1,求满足不等式ki>0且ki+1<0的ki个的数D2,其中,i=2,3,...,n-1;计算D=D1+D2,D为所述斜率正负发生改变的次数;
如果D大于第四阈值,则存在来回行走行为。
9.一种轨道交通智能运维大数据管理系统,其特征在于,所述系统包括:
人事管理模块,用于进行员工人事管理,包括人员履历管理、证书管理、排班管理、出勤管理、考试管理和值班管理;
设备管理模块,用于进行运维设备管理,包括建立设备履历表,从设备采购入库开始进行实时跟踪,对设备故障详情、维修详情进行记录;对设备状态进行统计分析,并形成可行性研究报告;
安全管理模块,用于进行站台安全管理,包括站台客流拥堵状态预测与疏导,站台内人员异常行为识别与报警;
进行站台客流拥堵状态预测与疏导的方法包括以下步骤:
S1、实时获取由监控设备拍摄的监测区域的视频图像;
S2、将视频图像输入训练好的拥堵状态识别模型,得到监测区域的拥堵状态等级,所述拥堵状态等级包括宽松、一般拥堵和严重拥堵;
S3、如果拥堵状态等级为严重拥堵,发出报警信号,提示工作人员采取疏导措施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310597409.5A CN116596731A (zh) | 2023-05-25 | 2023-05-25 | 一种轨道交通智能运维大数据管理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310597409.5A CN116596731A (zh) | 2023-05-25 | 2023-05-25 | 一种轨道交通智能运维大数据管理方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116596731A true CN116596731A (zh) | 2023-08-15 |
Family
ID=87593514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310597409.5A Pending CN116596731A (zh) | 2023-05-25 | 2023-05-25 | 一种轨道交通智能运维大数据管理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116596731A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258427A (zh) * | 2013-04-24 | 2013-08-21 | 北京工业大学 | 基于信息物理网络的城市快速路交通实时监控系统与方法 |
CN106128053A (zh) * | 2016-07-18 | 2016-11-16 | 四川君逸数码科技股份有限公司 | 一种智慧金睛识别人员逗留徘徊报警方法和装置 |
CN106778632A (zh) * | 2016-12-22 | 2017-05-31 | 东南大学 | 轨道交通大客流识别预警系统和方法 |
CN108491758A (zh) * | 2018-02-08 | 2018-09-04 | 深圳市睿灵创新科技开发有限公司 | 一种轨道检测方法及机器人 |
CN109446920A (zh) * | 2018-09-30 | 2019-03-08 | 南京地铁集团有限公司 | 基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法 |
CN112183771A (zh) * | 2020-08-18 | 2021-01-05 | 北京城建信捷轨道交通工程咨询有限公司 | 一种轨道交通智能运维生态系统及其运行方法 |
CN115423222A (zh) * | 2022-11-03 | 2022-12-02 | 今创集团股份有限公司 | 一种开放自助式城市轨道交通车站进站检查管理方法 |
CN115527158A (zh) * | 2022-08-11 | 2022-12-27 | 北京市燃气集团有限责任公司 | 一种基于视频监控的人员异常行为检测方法及装置 |
-
2023
- 2023-05-25 CN CN202310597409.5A patent/CN116596731A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258427A (zh) * | 2013-04-24 | 2013-08-21 | 北京工业大学 | 基于信息物理网络的城市快速路交通实时监控系统与方法 |
CN106128053A (zh) * | 2016-07-18 | 2016-11-16 | 四川君逸数码科技股份有限公司 | 一种智慧金睛识别人员逗留徘徊报警方法和装置 |
CN106778632A (zh) * | 2016-12-22 | 2017-05-31 | 东南大学 | 轨道交通大客流识别预警系统和方法 |
CN108491758A (zh) * | 2018-02-08 | 2018-09-04 | 深圳市睿灵创新科技开发有限公司 | 一种轨道检测方法及机器人 |
CN109446920A (zh) * | 2018-09-30 | 2019-03-08 | 南京地铁集团有限公司 | 基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法 |
CN112183771A (zh) * | 2020-08-18 | 2021-01-05 | 北京城建信捷轨道交通工程咨询有限公司 | 一种轨道交通智能运维生态系统及其运行方法 |
CN115527158A (zh) * | 2022-08-11 | 2022-12-27 | 北京市燃气集团有限责任公司 | 一种基于视频监控的人员异常行为检测方法及装置 |
CN115423222A (zh) * | 2022-11-03 | 2022-12-02 | 今创集团股份有限公司 | 一种开放自助式城市轨道交通车站进站检查管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Cluster-based LSTM network for short-term passenger flow forecasting in urban rail transit | |
CN109887283B (zh) | 一种基于卡口数据的道路拥堵预测方法、系统及装置 | |
CN111403045A (zh) | 一种传染疫情多元精准管控系统 | |
CN113254594B (zh) | 一种面向智慧电厂的安全知识图谱构建方法及系统 | |
CN105469602B (zh) | 一种基于ic卡数据的公交乘客候车时间范围的预测方法 | |
Falamarzi et al. | A review of rail track degradation prediction models | |
CN104240030B (zh) | 一种轨道交通路网动态安全风险评价方法 | |
CN111476177B (zh) | 嫌疑人检测方法及装置 | |
CN110400462B (zh) | 基于模糊理论的轨道交通客流监测预警方法及其系统 | |
CN107292517A (zh) | 基于大数据分析的民航安保信息服务系统 | |
CN115662113B (zh) | 一种信号交叉口人车博弈冲突风险评估与预警方法 | |
Chen et al. | Driving decision-making analysis of car-following for autonomous vehicle under complex urban environment | |
CN107992958A (zh) | 基于arma的人口超限预警方法 | |
CN109460938A (zh) | 一种城市智能中心控制系统及其方法 | |
CN112084240A (zh) | 一种群租房智能识别、联动治理方法及系统 | |
Zhang et al. | Evaluation of emergency evacuation capacity of urban metro stations based on combined weights and TOPSIS-GRA method in intuitive fuzzy environment | |
Zhu et al. | Early identification of recurrent congestion in heterogeneous urban traffic | |
Al-Najada et al. | Real-time incident clearance time prediction using traffic data from internet of mobility sensors | |
CN109409563B (zh) | 一种公交运营车辆实时人数的分析方法、系统和存储介质 | |
Fafoutellis et al. | Dilated LSTM networks for short-term traffic forecasting using network-wide vehicle trajectory data | |
Zuo et al. | Determination of bus crowding coefficient based on passenger flow forecasting | |
Wang et al. | Could social media reflect acquisitive crime patterns in London? | |
Jadhav et al. | Road accident analysis and prediction of accident severity using machine learning | |
CN116596731A (zh) | 一种轨道交通智能运维大数据管理方法和系统 | |
CN115132368A (zh) | 一种基于大数据平台的传染病防控监测方法及系统 |
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 |