CN117575264B - 一种基于视觉识别的车站运输调度方法 - Google Patents
一种基于视觉识别的车站运输调度方法 Download PDFInfo
- Publication number
- CN117575264B CN117575264B CN202311612933.1A CN202311612933A CN117575264B CN 117575264 B CN117575264 B CN 117575264B CN 202311612933 A CN202311612933 A CN 202311612933A CN 117575264 B CN117575264 B CN 117575264B
- Authority
- CN
- China
- Prior art keywords
- estimated
- flow
- passenger flow
- passenger
- actual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000000007 visual effect Effects 0.000 title claims abstract description 24
- 238000012546 transfer Methods 0.000 claims abstract description 82
- 230000003321 amplification Effects 0.000 claims abstract description 13
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 claims description 11
- 238000007726 management method Methods 0.000 abstract description 12
- 238000013461 design Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010036086 Polymenorrhoea Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000029305 taxis Effects 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及交通运输规划设计与管理技术领域,特别是指一种基于视觉识别的车站运输调度方法,包括,确定将要抵达车站的总预估乘客流量及各乘客的历史信息,根据总预估乘客流量和历史信息确定初始车辆储备量;根据换乘方式的类别及获取的历史信息确定对初始车辆储备量的初始车辆分配比例;分析历史不同时间段内车站乘客流量的增幅情况,预估发生乘客流量峰值所对应的时间;根据获取的各出站口和各换乘点的实际乘客流量对确定的初始车辆储备量及初始车辆分配比例进行调整,得到实际车辆储备量及实际车辆分配比例;通过调整后的实际车辆储备量、实际车辆分配比例及总预估乘客流量峰值发生时间构建多换乘方式协同运力减缓车站人流压力的优化方案。
Description
技术领域
本发明涉及交通运输规划设计与管理技术领域,特别是指一种基于视觉识别的车站运输调度方法。
背景技术
特大城市的对外综合交通枢纽是集轨道交通、省际长途、市区公交、出租车、自驾车、自行车等多种交通方式于一体的立体换乘中心,其直接辐射覆盖区域广,客流聚集效应明显。火车站、高铁站、机场的接续运输服务保障工作既是市民和乘客热切关心的,也是政府、新闻媒体等重点关注的关于民生、服务民生的重要工作之一,在春节、国庆等重要节假日期间,客流量迎来全年的峰值,庞大的客流致使站场接续运输保障服务压力大增,特别是在高峰时段、春运节假日等特殊时期,由于车站运力不足,接续运输问题尤为突出。
随着我国综合客运体系的建设,各对外客运枢纽已基本形成轨道、出租、网约车、公交、定制大巴等多模式的交通网络体系,不同方式之间的换乘关系日趋复杂,综合性接续运输的建设运营与组织调度问题已成为当前的关注焦点,当前运营的客运枢纽,在解决不同交通方式间、城市与城际间交通的有效连接,提高交通资源集约化利用程度,提升旅客运输的服务水平等方面发挥了重要作用。
中国专利公开号:CN112819316A。公开了一种综合客运枢纽轨道交通系统的枢纽运能识别方法,该方法包括计算枢纽站铁路的旅客到达能力和旅客出发能力;采用RP调查和SP调查相结合的方法提取乘客换乘意向数据,并采用TOPSIS法计算综合客运枢纽客流分担率;计算枢纽站城轨的线路疏散能力;获取综合客运枢纽内各设施设备参数,计算设施设备最终通过能力;计算线路疏散能力匹配度和枢纽设施设备能力匹配度;根据线路疏散能力匹配度和枢纽设施设备能力匹配度识别枢纽运能协同高峰期和运能瓶颈所在位置。
由此可见,当前的交通枢纽对乘客的疏散能力差,无法有效减缓车站人流压力。
发明内容
为此,本发明提供一种基于视觉识别的车站运输调度方法,用以提升交通枢纽对乘客的疏散能力不佳,瞬时抵站客流量较大,造成的旅客滞留问题。
为实现上述目的,本发明提供一种基于视觉识别的车站运输调度方法,包括
基于信息获取模块获取的乘客车票信息及历史信息,第一识别确定模块逐一确定预估周期的时长、各预估时间段内预估参数的数值及总预估乘客流量;
第一流量分配模块根据所述总预估乘客流量确定车站的初始车辆储备量;
基于数据分析模块对所述信息获取模块获取的乘客历史信息进行预估确定各乘客的预估换乘方式,所述第一流量分配模块确定初始车辆分配比例;
基于所述信息获取模块获取预估时期内各乘客的车票信息结合其存储的历史同期内的乘客流量历史增幅情况,第二识别确定模块确定该预估时期内乘客流量峰值预期发生时间;
A图像采集单元能够实时采集出站口的乘客实时图像及各换乘点处的乘客实时图像,B图像采集单元能够实时采集各换乘点处的车辆实时图像;
基于乘客流量读取单元和车流量读取单元对所述出站口的乘客实时图像和各所述车辆实时图像分别进行读取,所述第二识别确定模块确定实际车辆储备量及实际车辆分配比例。
进一步地,所述信息获取模块能够获取所述历史同期内的历史总实际抵站人数,
所述第一识别确定模块能够根据所述历史总实际抵站人数确定所述预估周期,
第一识别确定模块按照预估周期对历史同期进行时间段划分为若干历史时间段,对于各所述历史时间段,信息获取模块获取各历史时间段内各天的历史预估乘客流量和历史实际乘客流量,第一识别确定模块根据各天的所述历史预估乘客流量和所述历史实际乘客流量确定各天的预估参数。
进一步地,所述第一识别确定模块将确定的任一所述历史时间段内各天的预估参数进行整合,确定该历史时间段对应的预估时间段的平均预估参数,并根据各所述平均预估参数结合各预估时间段内各天的预估乘客流量确定所述总预估乘客流量。
进一步地,所述第一流量分配模块将获取的各乘客的所述预估换乘方式进行整合并结合所述总预估乘客流量,获取所述各换乘点处的预估乘客流量,
第一流量分配模块根据各所述预估乘客流量确定所述初始车辆分配比例。
进一步地,所述乘客流量读取单元能够根据所述出站口的乘客实时图像确定总实际乘客流量,
所述第二识别确定模块能够根据其计算的第一差值绝对值结合其内设定的第一调节评价值确定所述初始车辆储备量的取值,或,发出一类调节信号;
其中,所述第一差值绝对值为所述总实际乘客流量与所述总预估乘客流量间的差值绝对值。
进一步地,第二流量分配模块能够根据所述第二识别确定模块发出的所述一类调节信号结合所述初始车辆储备量,确定所述实际车辆储备量。
进一步地,所述第一流量分配模块能够根据所述初始车辆储备量及所述初始车辆分配比例确定各换乘点处的预估车流量;
所述乘客流量读取单元根据所述各换乘点处的乘客实时图像确定各换乘点处的实际乘客流量;
所述第二识别确定模块能够根据其计算的第二差值绝对值结合其内设定的第二调节评价值确定各换乘点处的所述预估车流量,或,发出二类调节信号;
其中,所述第二差值绝对值为所述实际乘客流量和所述预估乘客流量间的差值绝对值,
所述第二调节评价值的数值与各换乘点处的发车间隔成反比。
进一步地,所述第二流量分配模块能够根据所述第二识别确定模块发出的所述二类调节信号结合所述发车间隔确定各换乘点处的实际车流量,并根据各换乘点处的所述实际车流量确定所述实际车辆分配比例。
进一步地,所述车流量读取单元能够根据各换乘点处的所述车辆实时图像确定各换乘点处的初始车流量;
所述第二识别确定模块内设置有调节权重系数,
对于任一换乘点处,第二识别确定模块根据其计算的第三差值绝对值结合其内设定的第三调节评价值确定所述调权重系数的取值,
其中,所述第三差值绝对值为所述预估车流量与所述初始车流量间的差值绝对值。
进一步地,所述信息获取模块获取各所述历史时间段的历史增幅和各所述预估时间段的预估增幅,
所述数据分析模块根据各所述历史增幅和各所述预估增幅逐一确定历史向量和预估向量,
所述数据分析模块能够根据所述历史向量和所述预估向量计算相似度,
所述第二识别确定模块根据所述相似度结合其设定的相似度评价值确定预估时间内乘客流量峰值的预期发生时间。
与现有技术相比,本发明的有益效果在于,通过各乘客的车票信息及乘客历史信息确定即将抵达车站的总预估乘客流量,根据总预估乘客流量确定车站的初始车辆储备量,为车辆的调度提供数据支持,并对即将到达乘客的乘车历史信息进行获取,根据乘客历史抵达后的换乘方式,得知乘客在该时间段选择交通工具的偏向,从而确定对于各换乘点处的车辆安排,即确定初始车辆分配比例,通过图像采集各出站口及各换乘点处的实际乘客流量和实际车流量,确定实际车辆储备量及实际车辆分配比例,根据图像实时采集实际人流量和车流量,并根据实际情况做出相应调整,避免实际情况中乘客中途下车或到站补票不下车造成的预估错误从而导致车辆分配的不合理,填补了交通枢纽的管理盲区,并分析历史不同时间段内车站乘客流量的增幅情况,预估发生乘客流量峰值所对应的时间,以便管理部门能应对此状况做出提前安排,避免乘客过多造成的拥挤情况以及降低人流压力大所面临的危险指数,结合预估的交通高峰出现时间推荐合理的换乘方式快速使乘客从枢纽疏散,缓解枢纽人员压力,避免了在节假日等大客流常发期,无法针对性地对客流进行引导,使客流无法快速疏解的情况。
尤其,通过预测可以帮助铁路运输管理部门合理安排车辆数量,从而更好地满足旅客的出行需求,通过对历史信息和影响因素的分析,预测未来的客流量,可以避免高峰期运力不足和低峰期运力浪费的情况发生,实现运输资源的最优配置提高运输效率,并可以提升旅客出行体验,通过预测客流量,可以在高峰期增加安检人员和设备的配置,确保旅客顺畅出行可以帮助铁路运输管理部门更好地满足旅客的出行需求,促进经济发展,合理预测客流量可以帮助铁路运输管理部门及时调整运力,避免因运力不足而导致旅客出行受阻,对于商务出行和旅游业的发展都具有积极的推动作用。同时,铁路客流预测也可以为相关部门提供决策参考,为公众出行提供更好的出行服务。
尤其,通过对车辆分配比例进行调整,合理安排各换乘点处的车辆数量,以满足乘客的出行需求,避免资源浪费和运输成本的增加,优化站点布局和服务设施:提高旅客的出行体验和满意度,保障旅客的安全和出行顺畅且帮助铁路公司更好地管理和运营铁路资源,提高服务质量和效率。
附图说明
图1为本发明实施例提供的一种基于视觉识别的车站运输调度方法的流程图;
图2为本发明实施例提供的一种基于视觉识别的车站运输调度方法的结构图;
图3为本发明实施例提供的一种基于视觉识别的车站运输调度方法中确定实际车辆储备量的逻辑图;
图4为本发明实施例提供的一种基于视觉识别的车站运输调度方法中确定实际分配比例的逻辑图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
需要说明的是,在本发明的描述中,术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1-图4所示,图1为本发明实施例提供的一种基于视觉识别的车站运输调度方法的流程图;图2为本发明实施例提供的一种基于视觉识别的车站运输调度方法的结构图;图3为本发明实施例提供的一种基于视觉识别的车站运输调度方法中确定实际车辆储备量的逻辑图;图4为本发明实施例提供的一种基于视觉识别的车站运输调度方法中确定实际分配比例的逻辑图。
本发明提供一种基于视觉识别的车站运输调度方法,包括,
步骤S1,根据即将抵站乘客的车票信息及各乘客的历史信息确定将要抵达车站的总预估乘客流量,根据总预估乘客流量确定初始车辆储备量;
步骤S2,根据换乘方式的类别及获取的历史信息确定对初始车辆储备量的初始车辆分配比例;
步骤S3,分析历史不同时间段内车站乘客流量的增幅情况,预估发生乘客流量峰值所对应的时间;
步骤S4,根据获取的各出站口和各换乘点的实际乘客流量对确定的初始车辆储备量及初始车辆分配比例进行调整,得到实际车辆储备量及实际车辆分配比例;
步骤S5,通过调整后的实际车辆储备量、实际车辆分配比例及总预估乘客流量峰值发生时间构建多换乘方式协同运力减缓车站人流压力的优化方案。
本实施例中通过各乘客的车票信息及乘客历史信息确定即将抵达车站的总预估乘客流量,根据总预估乘客流量确定车站的初始车辆储备量,为车辆的调度提供数据支持,并对即将到达乘客的乘车历史信息进行获取,根据乘客历史抵达后的换乘方式,得知乘客在该时间段选择交通工具的偏向,从而确定对于各换乘点处的车辆安排,即确定初始车辆分配比例,通过图像采集各出站口及各换乘点处的实际乘客流量和实际车流量,确定实际车辆储备量及实际车辆分配比例,根据图像实时采集实际人流量和车流量,并根据实际情况做出相应调整,避免实际情况中乘客中途下车或到站补票不下车造成的预估错误从而导致车辆分配的不合理,填补了交通枢纽的管理盲区,并分析历史不同时间段内车站乘客流量的增幅情况,预估发生乘客流量峰值所对应的时间,以便管理部门能应对此状况做出提前安排,避免乘客过多造成的拥挤情况以及降低人流压力大所面临的危险指数,结合预估的交通高峰出现时间推荐合理的换乘方式快速使乘客从枢纽疏散,缓解枢纽人员压力,避免了在节假日等大客流常发期,无法针对性地对客流进行引导,使客流无法快速疏解的情况。
具体而言,本实施例中提供一种基于视觉识别的车站运输调度系统,包括,
信息获取模块,其用以获取各乘客的车票信息及各乘客的历史信息;
第一识别确定模块,其用以根据所述信息获取模块获取的信息对所述总预估乘客流量进行预估;
视觉采集模块,其包括A图像采集单元和B图像采集单元,所述A图像采集单元用以对各出站口及各换乘点的乘客流量视频进行实时采集,所述B图像采集单元用以对各换乘点处的车流量视频进行实时采集,其中,不同的换乘方式位于不同的换乘点,包括,第一换乘方式位于第一换乘点,第二换乘方式位于第二换乘点,第三换乘方式位于第三换乘点;
视觉分析模块,其包括乘客流量读取单元和车流量读取单元,所述乘客流量读取单元用以对所述A图像采集单元采集的视频信息进行实时读取;所述车流量读取单元用以对所述B图像采集单元采集的视频信息进行实时读取;
第一流量分配模块,其用以根据所述信息获取模块获取的信息确定初始车辆储备量及初始车辆分配比例;
数据分析模块,其用以对所述信息获取模块获取的数据及所述视觉分析模块对出站口乘客流量和换乘点车流量的读取结果进行分析;
第二识别确定模块,其用以根据所述数据分析模块的分析结果确定乘客流峰值预期出现时间、车站所需的实际车辆储备量及实际车辆分配比例;
第二流量分配模块,其用以根据所述第二识别确定模块确定的实际车辆储备量及实际车辆分配比例对所述第一流量分配模块确定的所述初始车辆储备量和所述初始车辆分配比例进行相应调节;
显示模块,其用以将所述第二识别确定模块调整确定的车站实际换乘情况进行显示。
具体而言,本实施例中对预估时期的预估周期进行确定时,所述第一识别确定模块根据所述信息获取模块获取的历史同期内的历史总实际抵站人数G0确定所述预估周期J,所述历史总实际抵站人数G0与预估周期J成反比,历史总实际抵站人数越多,所述预估时期内的预估周期时间越短。
例如,对下月的抵达车站乘客数量进行预估确定预估周期时,获取往年该月的历史总实际抵站人数,若往年该月的抵站乘客数量偏多,则确定下月的预估周期为三天一预估,防止预估不及时导致的车站人流压力大发生拥堵,根据历史总实际抵站人数动态调节预估周期,降低危险指数,保障乘客的安全、舒适出行,若往年该月的抵站乘客数量偏少,则确定下月的预估周期为八天一预估,避免了频繁预估带来的多次调整,减少了资源浪费。
具体而言,本实施例中根据确定的所述预估周期对所述预估时期的总预估乘客流量进行确定时,所述第一识别确定模块根据预估周期J将预估时期t分为若干时间段,包括,第一预估时间段t1、第二预估时间段t2、……、第n预估时间段tn,
将所述历史同期t’按照预估周期J划分为若干历史时间段,包括,第一历史时间段t1’、第二历史时间段t2’、……、第n历史时间段tn’,
对于第j历史时间段tj’,j=1,2,……,n,所述信息获取模块根据所述第j历史时间段tj’内的第一天的车票信息获取第一天历史预估乘客流量为Lj1,获取第一天历史实际乘客流量为Lj1’,所述第一识别确定模块根据所述第一天历史预估乘客流量Lj1和所述第一天历史实际乘客流量为Lj1’计算第一预估参数Uj1,Uj1=1+(Lj1’-Lj1)/Lj1,
对于第j历史时间段tj’,j=1,2,……,n,所述信息获取模块根据所述第j历史时间段tj’内的第二天的车票信息获取第二天历史预估乘客流量为Lj2,获取第二天历史实际乘客流量为Lj2’,所述第一识别确定模块根据所述第二天历史预估乘客流量Lj2和所述第二天历史实际乘客流量为Lj2’计算第二预估参数Uj2,Uj2=1+(Lj2’-Lj2)/Lj2,
……
对于第j历史时间段tj’,j=1,2,……,n,所述信息获取模块根据所述第j历史时间段tj’内的第m天的车票信息获取第m天历史预估乘客流量为Ljm,获取第m天历史实际乘客流量为Ljm’,所述第一识别确定模块根据所述第m天历史预估乘客流量Ljm和所述第m天历史实际乘客流量为Ljm’计算第m预估参数Ujm,Ujm=1+(Ljm’-Ljm)/Ljm,
其中,m为所述预估周期J所包含的天数。
具体而言,本实施例中所述第一识别确定模块根据各所述预估参数计算所述第j预估时间段tj的第j段平均预估参数Uj,
Uj=(Uj1+Uj2+……+Ujm)/m,
第一识别确定模块根据所述各段预估参数及所述信息获取模块获取的车票信息得到所述总预估乘客流量G,
,
其中,Lj11”为所述信息获取模块获取第j预估时间段tj内第一天的乘客车票信息确定第一天第一次预估乘客流量,Lj21”为所述信息获取模块获取第j预估时间段tj内第二天的乘客车票信息确定第二天第一次预估乘客流量,为所述信息获取模块获取第j预估时间段tj内第m天的乘客车票信息确定第m天第一次预估乘客流量。
具体而言,本实施例中对于第j预估时间段tj,所述信息获取模块获取该时间段内第一天的实际抵达车站人数Lj1”,根据所述第一天的实际抵达车站人数与所述第一天第一次预估乘客流量Lj11”计算第一天预估误差Vj1,Vj1=|Lj1”-Lj11”|,
若Vj1≤Vj10,则所述第一识别确定模块判定所述第j段预估参数Uj数值合适;
若Vj1>Vj10,则所述第一识别确定模块判定所述第j段预估参数Uj数值不合适,对其进行重新确定,
其中,Vj10为所述第一识别确定单元内设置的预估误差评价值。
具体而言,本实施例中所述第一流量分配模块根据所述信息获取模块获取的所述总预估乘客流量G确定车站所需的初始车辆储备量N的取值,
,
其中,所述第一流量分配模块内设定有所述第一标准乘客流量G1,所述第二标准乘客流量G2,所述第一初始车辆储备量N1,第二初始车辆储备量N2和第三初始车辆储备量N3。
具体而言,本实施例中所述信息获取模块获取即将抵达车站的乘客历史信息,包括,乘客的历史抵达次数X和历史到站后的换乘方式,所述数据分析模块根据该乘客的所述历史抵达次数X中选择次数最多的换乘方式对该乘客本次的换乘方式的选择进行预估,
所述第一流量分配模块对获取的所有乘客的预估换乘方式进行整合,确定所述初始车辆分配比例,获取预估选择所述第一乘车方式的第一预估乘客流量C1,获取预估选择所述第二乘车方式的第二预估乘客流量C2,获取预估选择所述第三乘车方式的第三预估乘客流量C3,根据所述第一预估乘客流量C1、所述第二预估乘客流量C2和所述第三预估乘客流量C3的比值确定初始车辆分配比例为,C1:C2:C3。
具体而言,本实施例中所述第一流量分配模块根据所述初始车辆储备量N和所述初始车辆分配比例C1:C2:C3确定各换乘点处的预估车流量,
所述第一换乘点处的第一预估车流量为Z1,
Z1=N×[C1/(C1+C2+C3)],
所述第二换乘点处的第二预估车流量为Z2,
Z2=N×[C2/(C1+C2+C3)],
所述第三换乘点处的第三预估车流量为Z3,
Z3=N×[C3/(C1+C2+C3)]。
本实施例通过预测可以帮助铁路运输管理部门合理安排车辆数量,从而更好地满足旅客的出行需求,通过对历史信息和影响因素的分析,预测未来的客流量,可以避免高峰期运力不足和低峰期运力浪费的情况发生,实现运输资源的最优配置提高运输效率,并可以提升旅客出行体验,通过预测客流量,可以在高峰期增加安检人员和设备的配置,确保旅客顺畅出行可以帮助铁路运输管理部门更好地满足旅客的出行需求,促进经济发展,合理预测客流量可以帮助铁路运输管理部门及时调整运力,避免因运力不足而导致旅客出行受阻,对于商务出行和旅游业的发展都具有积极的推动作用。同时,铁路客流预测也可以为相关部门提供决策参考,为公众出行提供更好的出行服务。
具体而言,本实施例中所述第二识别确定模块预估任一预估时期t内的乘客流量峰值预期发生时间时,根据所述信息获取模块内存储的所述历史同期t’内的历史乘客流量峰值的历史发生时间及所述历史同期t’的历史增幅情况与预估时期t内的车票信息进行相似度对比;
所述信息获取模块获取所述第一历史时间段t1’内乘客流量的第一历史增幅Q1’,所述第二历史时间段t2’内乘客流量的第二历史增幅Q2’,……,第n历史时间段tn’内乘客流量的第n历史增幅Qn’,所述数据分析模块将(Q1’,Q2’,……,Qn’)记作历史向量Y1,
所述信息获取模块根据乘客的车票信息获取所述第一预估时间段t1内乘客流量的第一预估增幅Q1,所述第二预估时间段t2内乘客流量的第二预估增幅Q2,……,第n预估时间段tn内乘客流量的第n预估增幅Qn,并将(Q1,Q2,……,Qn)记作预估向量Y2,
所述数据分析模块根据所述历史向量Y1和所述预估向量Y2计算相似度D,
,
若D≥D0,则所述第二识别确定模块判定预估时期t内的乘客流量峰值预期发生时间与历史同期t’内的历史乘客流量峰值的历史发生时间一致;
若D<D0,则所述第二识别确定模块判定预估时期t内的乘客流量峰值预期发生时间与历史同期t’内的历史乘客流量峰值的历史发生时间不一致;
其中,D0为所述第二识别确定模块内设定的相似度评价值。
具体而言,本实施例中所述A图像采集单元实时采集出站口的乘客实时图像,所述乘客流量读取单元读取采集的所述乘客实时图像获得总实际乘客流量G’,所述第二识别确定模块根据所述总实际乘客流量G’和所述总预估乘客流量G判断所述初始车辆储备量N的取值是否合适,
计算总实际乘客流量G’与总预估乘客流量G间的第一差值绝对值S1,S1=|G’-G|,
若S1≤S10,则所述第二识别确定模块判定所述初始车辆储备量N的取值合适;
若S1>S10,则所述第二识别确定模块判定所述初始车辆储备量N的取值不合适,发出调节信号;
其中,S10为所述第二识别确定模块内设置的第一调节评价值。
具体而言,本实施例中当S1>S10时,所述第二识别确定模块判定所述初始车辆储备量N的取值不合适,根据所述总实际乘客流量G’与所述总预估乘客流量G间的大小关系对初始车辆储备量N进行调节,
若G’>G,则所述第二识别确定模块发出第一调节信号 ,增大所述初始车辆储备量N的数值得到所述实际车辆储备量N’,
N’=[1+(G’-G)×e]×N,
若G’<G,则所述第二识别确定模块发出第二调节信号 ,减小所述初始车辆储备量N的数值得到所述实际车辆储备量N’,
N’=[1-(G-G’)×f]×N,
其中,e为所述总实际乘客流量G’与所述总预估乘客流量G间差值对所述所述实际车辆储备量N’的第一计算调节参数,
f为所述总预估乘客流量G与所述总实际乘客流量G’间差值对所述所述实际车辆储备量N’的第二计算调节参数;
一类调节信号包括,所述第一调节信号与所述第二调节信号。
具体而言,本实施例中所述B图像采集单元实时采集所述第一换乘点处的第一车辆实时图像,所述第二换乘点处的第二车辆实时图像,所述第三换乘点处的第三车辆实时图像,所述车流量读取单元对所述第一车辆实时图像、所述第二车辆实时图像和所述第三车辆实时图像分别进行读取,获取第一初始车流量Z1’,第二初始车流量Z2’和第三初始车流量Z3’,
所述A图像采集单元实时采集所述第一换乘点处的第一乘客实时图像,所述第二换乘点处的第二乘客实时图像,所述第三换乘点处的第三乘客实时图像,所述乘客流量读取单元对所述第一乘客实时图像、所述第二乘客实时图像和所述第三乘客实时图像分别进行读取,获取第一实际乘客流量C1’、第二实际乘客流量C2’和第三实际乘客流量C3’。
具体而言,本实施例中所述第一乘车方式的第一发车间隔为T1,所述第二乘车方式的第二发车间隔为T2,所述第三乘车方式的第三发车间隔为T3,
所述第二识别确定模块根据各换乘点的实际乘客流量与预估乘客流量确定各乘车点的预估车流量是否合适,
对于第i换乘点处,i=1,2,3,所述第二识别确定模块根据所述第i实际乘客流量Ci’和所述第i预估乘客流量Ci计算第二差值绝对值S2i,S2i=|Ci’-Ci|,
若S2i≤S20,则所述第二识别确定模块判定该换乘点处的预估车流量合适;
若S2i>S20,则所述第二识别确定模块判定该换乘点处的预估车流量不合适,发出调节信号;
其中,S20为所述第二识别确定模块内设置的第二调节评价值,所述第二调节评价值S20的数值与换乘点处的发车间隔成反比,所述发车间隔越长,第二调节评价值S20的数值越小。
具体而言,本实施例中,对于所述第i换乘点,当S2i>S20时,所述第二识别确定模块判定该换乘点处的预估车流量不合适,根据所述第i实际乘客流量Ci’和所述第i预估乘客流量Ci间的大小关系对第i预估车流量为Zi进行调节,
若Ci’>Ci,则所述第二识别确定模块发出第三调节信号 ,增大所述第i预估车流量Zi的数值得到第i实际车流量Zi”,
Zi”=[1+(Ci’-Ci)×p×R+Ti×q]×Zi,
若Ci’<Ci,则所述第二识别确定模块发出第四调节信号 ,减小所述第i预估车流量Zi的数值得到第i实际车流量Zi”,
Zi”=[1-(Ci-Ci’)×p×R+Ti×q]×Zi,
其中,p为所述所述第i实际乘客流量Ci’和所述第i预估乘客流量Ci间差值对所述第i实际车流量Zi”的第三计算调节参数,
q为所述第i发车间隔Ti对所述第i实际车流量Zi”的第一计算补偿参数;
R为调节权重系数。
二类调节信号包括,第三调节信号和第四调节信号。
具体而言,本实施例中对于所述第i换乘点处,所述第二识别确定模块计算所述第i预估车流量Zi与第i初始车流量Zi’间的第三差值绝对值S3,S3=|Zi-Zi’|,
若S3≤S30,则所述第二识别确定模块判定所述调节权重系数R为1;
若S3>S30且Zi>Zi’,则所述第二识别确定模块判定所述调节权重系数R>1;
若S3>S30且Zi<Zi’,则所述第二识别确定模块判定所述调节权重系数R<1;
其中,S30为所述第二识别确定模块内设定的第三调节评价值。
具体而言,本实施例中所述第二识别确定模块根据调节后的第一实际车流量Z1”、第二实际车流量Z2”和第3实际车流量Z3”确定实际车辆分配比例为,Z1”:Z2”:Z3”。
本实施例中通过对车辆分配比例进行调整,合理安排各换乘点处的车辆数量,以满足乘客的出行需求,避免资源浪费和运输成本的增加,优化站点布局和服务设施:提高旅客的出行体验和满意度,保障旅客的安全和出行顺畅且帮助铁路公司更好地管理和运营铁路资源,提高服务质量和效率。
本发明中各所述计算补偿参数、计算调节参数的作用有两个,一是平衡公式左右纲量,二是调节数值结果,在本实施例中不进行具体赋值,且,本实施例中各计算公式用于直观反应各数值间的调节关系,例如正相关,负相关,在无特殊说明的前提下,未具体限定数值的参数数值均取正。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例,并不用于限制本发明;对于本领域的技术人员来说,本发明可以有各种更改和变化。 凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于视觉识别的车站运输调度方法,其特征在于,包括,
基于信息获取模块获取的乘客车票信息及历史信息,第一识别确定模块逐一确定预估周期的时长、各预估时间段内预估参数的数值及总预估乘客流量;
第一流量分配模块根据所述总预估乘客流量确定车站的初始车辆储备量;
基于数据分析模块对所述信息获取模块获取的乘客历史信息进行预估确定各乘客的预估换乘方式,所述第一流量分配模块确定初始车辆分配比例;
基于所述信息获取模块获取预估时期内各乘客的车票信息结合其存储的历史同期内的乘客流量历史增幅情况,第二识别确定模块确定该预估时期内乘客流量峰值预期发生时间;
A图像采集单元能够实时采集出站口的乘客实时图像及各换乘点处的乘客实时图像,B图像采集单元能够实时采集各换乘点处的车辆实时图像;
基于乘客流量读取单元和车流量读取单元对所述出站口的乘客实时图像和各所述车辆实时图像分别进行读取,所述第二识别确定模块确定实际车辆储备量及实际车辆分配比例;
所述乘客流量读取单元能够根据所述出站口的乘客实时图像确定总实际乘客流量,
所述第二识别确定模块能够根据其计算的第一差值绝对值结合其内设定的第一调节评价值确定所述初始车辆储备量的取值是否合适;
若所述第一差值绝对值小于等于所述第一调节评价值,则所述第二识别确定模块判定所述初始车辆储备量的取值合适;
若所述第一差值绝对值大于所述第一调节评价值,则所述第二识别确定模块判定所述初始车辆储备量的取值不合适,并发出一类调节信号;
其中,所述第一差值绝对值为所述总实际乘客流量与所述总预估乘客流量间的差值绝对值;
第二流量分配模块能够根据所述总实际乘客流量和所述总预估乘客流量对所述初始车辆储备量进行调节;
若所述总实际乘客流量大于所述总预估乘客流量,则所述第二识别确定模块发出第一调节信号,所述第二流量分配模块根据所述第一调节信号增大所述初始车辆储备量的数值以得到所述实际车辆储备量;
若所述总实际乘客流量小于所述总预估乘客流量,则所述第二识别确定模块发出第二调节信号,所述第二流量分配模块根据所述第二调节信号减小所述初始车辆储备量的数值以得到所述实际车辆储备量;
所述第一流量分配模块能够根据所述初始车辆储备量及所述初始车辆分配比例确定各换乘点处的预估车流量;
所述乘客流量读取单元根据所述各换乘点处的乘客实时图像确定各换乘点处的实际乘客流量;
对于第i换乘点处,所述第二识别确定模块能够根据其计算的第二差值绝对值结合其内设定的第二调节评价值确定所述第i换乘点处的第i预估车流量是否合适;
若所述第二差值绝对值小于等于所述第二调节评价值,则所述第二识别确定模块判定所述第i预估车流量合适;
若所述第二差值绝对值大于所述第二调节评价值,则所述第二识别确定模块判定所述第i预估车流量不合适,并发出二类调节信号;
其中,所述第二差值绝对值为所述第i换乘点处的第i实际乘客流量和第i预估乘客流量间的差值绝对值,
所述第二调节评价值的数值与所述第i换乘点处的发车间隔成反比;
根据所述第i实际乘客流量和所述第i预估乘客流量间的大小关系对所述第i预估车流量进行调节;
若所述第i实际乘客流量大于所述第i预估乘客流量,则所述第二识别确定模块发出第三调节信号 ,所述第二流量分配模块增大所述第i预估车流量的数值以得到第i实际车流量;
若所述第i实际乘客流量小于所述第i预估乘客流量,则所述第二识别确定模块发出第四调节信号 ,所述第二流量分配模块减小所述第i预估车流量的数值以得到所述第i实际车流量;
所述第二识别确定模块根据调节后各换乘点处的实际车流量确定所述实际车辆分配比例;
所述车流量读取单元能够根据各换乘点处的所述车辆实时图像确定各换乘点处的初始车流量;
所述第二识别确定模块内设置有调节权重系数,
对于任一换乘点处,第二识别确定模块根据其计算的第三差值绝对值结合其内设定的第三调节评价值确定所述调节权重系数的取值,
其中,所述第三差值绝对值为所述预估车流量与所述初始车流量间的差值绝对值。
2.根据权利要求1所述的基于视觉识别的车站运输调度方法,其特征在于,
所述信息获取模块能够获取所述历史同期内的历史总实际抵站人数,
所述第一识别确定模块能够根据所述历史总实际抵站人数确定所述预估周期,
第一识别确定模块按照预估周期对历史同期进行时间段划分为若干历史时间段,对于各所述历史时间段,信息获取模块获取各历史时间段内各天的历史预估乘客流量和历史实际乘客流量,第一识别确定模块根据各天的所述历史预估乘客流量和所述历史实际乘客流量确定各天的预估参数。
3.根据权利要求2所述的基于视觉识别的车站运输调度方法,其特征在于,
所述第一识别确定模块将确定的任一所述历史时间段内各天的预估参数进行整合,确定该历史时间段对应的预估时间段的平均预估参数,并根据各所述平均预估参数结合各预估时间段内各天的预估乘客流量确定所述总预估乘客流量。
4.根据权利要求3所述的基于视觉识别的车站运输调度方法,其特征在于,
所述第一流量分配模块将获取的各乘客的所述预估换乘方式进行整合并结合所述总预估乘客流量,获取所述各换乘点处的所述预估乘客流量,
第一流量分配模块根据各所述预估乘客流量确定所述初始车辆分配比例。
5.根据权利要求1所述的基于视觉识别的车站运输调度方法,其特征在于,
所述信息获取模块获取各历史时间段的历史增幅和各所述预估时间段的预估增幅,
所述数据分析模块根据各所述历史增幅和各所述预估增幅逐一确定历史向量和预估向量,
所述数据分析模块能够根据所述历史向量和所述预估向量计算相似度,
所述第二识别确定模块根据所述相似度结合其设定的相似度评价值确定预估时间内乘客流量峰值的预期发生时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311612933.1A CN117575264B (zh) | 2023-11-29 | 2023-11-29 | 一种基于视觉识别的车站运输调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311612933.1A CN117575264B (zh) | 2023-11-29 | 2023-11-29 | 一种基于视觉识别的车站运输调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117575264A CN117575264A (zh) | 2024-02-20 |
CN117575264B true CN117575264B (zh) | 2024-05-07 |
Family
ID=89862278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311612933.1A Active CN117575264B (zh) | 2023-11-29 | 2023-11-29 | 一种基于视觉识别的车站运输调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117575264B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198648A (zh) * | 2013-03-26 | 2013-07-10 | 成都希盟科技有限公司 | 用于公交系统的自适应调度方法 |
CN111062629A (zh) * | 2019-12-20 | 2020-04-24 | 上海钧正网络科技有限公司 | 车辆调度方法、装置、计算机设备和存储介质 |
CN112598182A (zh) * | 2020-12-25 | 2021-04-02 | 卡斯柯信号有限公司 | 一种轨道交通智能调度方法及系统 |
CN114091757A (zh) * | 2021-11-23 | 2022-02-25 | 成都智元汇信息技术股份有限公司 | 基于客流分析预测的公交、地铁智能调度方法 |
CN114913701A (zh) * | 2021-02-09 | 2022-08-16 | 武汉小码联城科技有限公司 | 一种公交调度方法、系统及相关设备 |
CN117035198A (zh) * | 2023-08-28 | 2023-11-10 | 深圳技术大学 | 城市轨道交通车站客流状态识别与管控方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108622142A (zh) * | 2018-03-30 | 2018-10-09 | 卡斯柯信号有限公司 | 一种基于实时客流的列车智能运行调整系统及方法 |
-
2023
- 2023-11-29 CN CN202311612933.1A patent/CN117575264B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198648A (zh) * | 2013-03-26 | 2013-07-10 | 成都希盟科技有限公司 | 用于公交系统的自适应调度方法 |
CN111062629A (zh) * | 2019-12-20 | 2020-04-24 | 上海钧正网络科技有限公司 | 车辆调度方法、装置、计算机设备和存储介质 |
CN112598182A (zh) * | 2020-12-25 | 2021-04-02 | 卡斯柯信号有限公司 | 一种轨道交通智能调度方法及系统 |
CN114913701A (zh) * | 2021-02-09 | 2022-08-16 | 武汉小码联城科技有限公司 | 一种公交调度方法、系统及相关设备 |
CN114091757A (zh) * | 2021-11-23 | 2022-02-25 | 成都智元汇信息技术股份有限公司 | 基于客流分析预测的公交、地铁智能调度方法 |
CN117035198A (zh) * | 2023-08-28 | 2023-11-10 | 深圳技术大学 | 城市轨道交通车站客流状态识别与管控方法 |
Non-Patent Citations (2)
Title |
---|
机场高峰时段摆渡车调度建模研究;刘祎;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20210315;全文 * |
考虑区间重叠的多运营商公交调度优化;宋现敏,张明业,姜景玲;《交通运输系统工程与信息》;20201031;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117575264A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112598182B (zh) | 一种轨道交通智能调度方法及系统 | |
CN108242149B (zh) | 一种基于交通数据的大数据分析方法 | |
Tirachini et al. | Valuation of sitting and standing in metro trains using revealed preferences | |
US7394404B2 (en) | System and method for controlling public transportation | |
US20080027772A1 (en) | System and method for optimizing a transit network | |
CN110329319A (zh) | 一种面向智慧城轨的全自动运行系统 | |
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 | |
CN101236642A (zh) | 基于票务数据的分级客流监控系统及其方法 | |
CN111027888B (zh) | 一种基于轨道站点的接驳特征分析方法 | |
CN114446076B (zh) | 一种基于5g通信技术的智能调度控制系统 | |
Liu et al. | A social equity lens on bus bridging and ride-hailing responses to unplanned subway disruptions | |
CN115860594A (zh) | 一种应用于智能公交排班调度的仿真系统及方法 | |
Kato et al. | Latest urban rail demand forecast model system in the Tokyo Metropolitan Area | |
CN109523064B (zh) | 一种基于多网融合的智能微枢纽 | |
CN117575264B (zh) | 一种基于视觉识别的车站运输调度方法 | |
CN113468243A (zh) | 地铁客流分析与预测方法及分析与预测系统 | |
CN116386305A (zh) | 基于信息反馈的乘车方法 | |
Bi et al. | Real trip costs: Modelling intangible costs of urban online car-hailing in Haikou | |
Mátrai et al. | Route planning based on urban mobility management | |
CN116153060A (zh) | 一种应用于智能公交的乘客周期性行为模式的需求响应车辆调度方法及系统 | |
CN110555996A (zh) | 一种公交运营分析系统 | |
Ilahi et al. | Public transport reform in Indonesian cities | |
Zhu et al. | Algorithm for Headway of Fixed Route Buses in Bus Stations Based on Bus Big Data | |
Luo et al. | Service optimization for bus corridors with group bus strategy | |
Alexander et al. | Smart Data for Performance Monitoring of City-Bus Services—A Case Study of Ahmedabad |
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 |