CN117592661A - 复杂多场景下的区域中心化车站巡视方案设计方法与系统 - Google Patents
复杂多场景下的区域中心化车站巡视方案设计方法与系统 Download PDFInfo
- Publication number
- CN117592661A CN117592661A CN202410058900.5A CN202410058900A CN117592661A CN 117592661 A CN117592661 A CN 117592661A CN 202410058900 A CN202410058900 A CN 202410058900A CN 117592661 A CN117592661 A CN 117592661A
- Authority
- CN
- China
- Prior art keywords
- patrol
- station
- inspection
- abnormal
- scheme
- 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.)
- Granted
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 186
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000013461 design Methods 0.000 title claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 claims abstract description 143
- 238000006243 chemical reaction Methods 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 230000001360 synchronised effect Effects 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims description 62
- 238000012544 monitoring process Methods 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 42
- 239000010410 layer Substances 0.000 claims description 42
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 239000002346 layers by function Substances 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 10
- 206010010947 Coordination abnormal Diseases 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 208000027418 Wounds and injury Diseases 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000006378 damage Effects 0.000 claims description 4
- 208000014674 injury Diseases 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000013077 scoring method Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/265—Personal security, identity or safety
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Alarm Systems (AREA)
Abstract
本申请提供了复杂多场景下的区域中心化车站巡视方案设计方法与系统。针对区域中心化下车站巡视的需求,细分中心站及普通站的多需求场景和智能巡视模式,提出各需求场景与智能巡视模式的匹配方式;建立区域中心化智能车站巡视方案设计模型;提出基于异常运营场景智能学习的巡视方案优化方法;构建远程巡视状态异常风险预警方法和异常风险指标体系,完善区域中心化智能车站巡视方案实现复杂多场景下各车站的巡视模式同步或异步转换,为轨道交通车站智慧化管理和智能巡视模式提供决策参考。
Description
技术领域
本申请实施例涉及但不限于城市轨道交通车站巡视设计技术领域,尤其涉及区域中心化多需求场景和巡视模式,可以为轨道交通车站智慧化管理和智能巡视模式提供决策参考。
背景技术
车站是人员高度密集的公共场所,所以其安全性一直是车站工作人员的重中之重。出于运营安全以及消防法规方面的考虑,早期的地铁车站设备巡视方案侧重于对人工巡视进行计划安排与管理,但人工巡视存在重要设备遗漏、标准化检测作业流程等缺点,对于设备风险反馈时间较慢,无法及时做到设备报修,且人工模式下车站的巡视涉及人员多、巡视周期长、效率低成本高。近年来,地铁巡视领域产生了诸如基于智能移动终端的地铁设备巡视视频实时传输系统等的车站辅助巡视方法、开辟了自动巡视模式、构建了智能化的巡视系统、考虑了对异常场景的统计分析,车站管理向网联化、协同化和智慧化方向发展。但现存的应用于车站智慧巡视模式以及应用场景较为单一,缺乏对二者相匹配下对应巡视方案的优化的研究;完善完整的巡视流程仍然需要工作人员的实时跟随;且随着区域中心化值守和无人值守运作模式的出现,缺乏对于区域中心化背景下的车站巡视方案的探索。因此,需要引入新的巡视模式体系下的巡视方案制定方法来满足区域中心化下无人车站多场景的管理的需求,通过接入移动监控系统对地铁设施设备进行状态检测,并通过算法优化对移动巡视方案进行实时优化,及时采集相关设备运作信息,最终实现中心化下不同车站运营场景的车站巡视模式、巡视流程标准化。
发明内容
针对现有技术中存在的上述问题,并顺应其未来发展趋势,提出了复杂多场景下的区域中心化车站巡视方案设计方法,可以为区域中心化背景下轨道交通车站智慧化管理和智能巡视模式的匹配选择提供决策参考。本申请所采用的技术方案如下:
复杂多场景下的区域中心化车站巡视方案设计方法,该方法包括:
步骤1、针对区域中心化下车站巡视的需求,细分中心站及普通站的多需求场景和智能巡视模式,提出各需求场景与智能巡视模式的匹配方式;
步骤2、建立区域中心化智能车站巡视方案设计模型,制定与需求场景相匹配的区域中心化智能车站巡视方案;
步骤3、基于异常运营场景智能学习进行巡视方案优化,基于学习结果对车站异常场景巡视方案进行相应的修改;
步骤4、构建远程巡视状态异常风险预警方法和异常风险指标体系,完善区域中心化智能车站巡视方案,实现复杂多场景下各车站的巡视模式同步或异步转换;
步骤5、构建巡视方案评价方法,建立方案评价指标体系,对巡视方案及其选择进行动态更新调整。
进一步的,在步骤1中,针对区域中心化下车站巡视的需求,将所述车站运营需求场景分为日常运营需求场景和异常运营需求场景以及远程巡视需求场景,并定义各需求场景与智能巡视模式的匹配方式,研究车站巡视在不同区域、不同车站运营场景下的智能巡视方案;
所述日常运营需求场景下的巡视需求包括巡视设备、巡视区域、巡视业务三个模块;
所述异常运营需求场景根据不同的异常场景,建立学习模型,基于学习结果对车站异常场景巡视方案相应的修改;
所述远程巡视需求场景指通过移动监控功能和机动人员,实现区域中心管辖范围内车站运营状况监控以及异常状况报警等功能;
所述智能巡视模式包括车站自动巡视和远程巡视;所述自动巡视指在车站系统和移动设备端通过对监控设备的分组及视频拼接技术进行不同车站业务下的视频联动巡视,在日常和异常需求场景下在运营过程中基于智能巡视方案对站内设备和车站运营状态进行自动巡视;所述远程巡视包括视频远程巡视与传统的人工远程巡视,通过远程巡视需求场景下对应的移动监控功能和机动人员,实现区域移动范围内车站运营状况监控以及异常状况报警功能;所述需求场景与巡视模式的匹配方式指中心站与普通站依据初步判定的场景类别,选择相应的巡视方案同步性地各自进行自动巡视,同时中心站能够对普通站进行远程巡视,并能在异常风险情况下进行巡视模式的转换。
进一步的,在步骤2中,制定与需求场景相匹配的区域中心化智能车站巡视方案,所述智能车站巡视方案设计内容主要包括巡视区域、巡视路径、巡视周期、巡视次序、巡视时长,设计步骤包括:
步骤201、根据区域中心化下各车站的站务设备多位数据和业务流线特征,划分巡视区域,各区域范围内包括不同类型服务设备,巡视区域特征有设备类型、设备数量、设备状态,基于区域划分将不同业务进行矩阵化表示;
步骤202、定义并计算各业务巡视优先度指标,通过量化的各业务巡视优先度及其他各项指标来确定巡视方案中不同业务的巡视次序和巡视周期,各业务巡视优先度指标由其所涉及的各区域范围/>内各巡视设备重要度/>及相应设备数量Ni的组合决定;
步骤203、采用目标优化模型,基于业务巡视优先度设定目标函数,量化逻辑、时间和空间约束;
步骤204、基于目标函数及约束设定,对上述目标优化模型采用线性规划求解算法进行模型求解,结合日常巡视业务规范和各指标结果得到最优巡视方案,并利用系统数据库进行调用。
所述巡视次序用于定义所有巡视业务的初次巡视先后顺序,业务k的初次巡视次序为lk;
所述巡视周期用于定义各业务的巡视频率,业务k的巡视频率为fk。
进一步的,在步骤3中,所述基于异常运营场景智能学习的进行巡视方案优化,具体包括:
根据不同的异常场景,分别运用识别模型和学习模型进行预测分析,识别异常情况;根据不断更新的异常场景下历史发生异常情况数据,引入机器学习模型GBDT模型,学习历史上异常事件特征数据,基于学习结果以获得给定异常场景下给定时期内各设备的异常事件发生次数,定义各设备i异常事件发生频率为;
定义各设备的异常修正系数Li,Li的取值与设备异常事件发生频率有关,定义Li为:
;
利用更新后的异常修正系数Li对各业务巡视路径及优先度进行修正,定义更新后的设备i重要度为,定义更新后的区域j巡视优先度为/>,定义更新后的业务巡视优先度为/>:
;
=∑/>×设备i巡视重要度/>;
=∑∑/>×设备i巡视重要度/>;
基于更新后的上述数据对车站异常场景巡视方案进行修正,并利用系统数据库进行存储调用。
进一步的,在步骤4中,构建所述远程巡视状态异常风险预警方法和异常风险指标体系,包括:
步骤401、构建异常风险预警指标体系;
步骤402、利用异常风险识别及多模态感知方法智能判断各风险指标等级,并基于专家判断和经验进行对风险指标进行权重赋值,得到各类分级指标的权重,计算可得到各车站的异常风险值;
步骤403、设定巡视模式转换报警阈值,结合所计算的各个车站风险等级值,完善异常场景下区域中心化智能车站巡视方案,并能够进行巡视模式同步或异步转化的选择决策。所述异常风险指标体系包括:各业务区域范围内不同灾害风险类型分级指标、电扶梯等故障设备状态评价分级指标、客流量分级指标和安全设施分级指标,各分级指标按照正常、异常、报警状态定义指标取值区间[1,3],定义各类风险指标中的各风险对象风险等级值为,表示第i类指标中的第j类风险对象的第m个部位,i=1,2,3,4,j=1,2,3...J,m=1,2,3...M。
进一步的,在步骤5中,所述构建巡视方案评价方法,具体包括:
定义巡视方案评价指标;
运用TOPSIS评价法、专家打分法计算各类指标,得出巡视方案评价得分;
所述巡视方案评价指标包括巡视效率类指标、乘客服务类指标以及安全类指标;
所述巡视效率类指标涉及事件响应时长、巡视时长、巡视成本和巡视人数;
所述乘客服务类指标涉及车站拥挤度和排队安检时长;
所述安全类指标包括事故发生次数和客伤人数。
进一步的,构建复杂多场景下的区域中心化车站巡视方案设计系统,用于实现上述方法,该系统按照功能实现分为接口层、数据层、模型层、功能层以及显示层这5层,其特征在于,该系统包括:
需求场景与巡视模式匹配单元,通过所述功能层与所述显示层实现,针对区域中心化下车站巡视需求,所述需求场景与巡视模式匹配单元提出各需求场景与智能巡视模式的匹配方式;
智能车站巡视方案设计单元,通过所述数据层、模型层与功能层实现,根据站务设备多位数据和业务流线特征,分别基于日常与异常运营需求场景相数据,建立区域中心化智能车站巡视方案设计模型,制定与各需求场景相匹配的区域中心化智能车站巡视方案并存储至系统数据库以供调用;
远程巡视状态风险预警与控制单元,通过系统功能层与模型层实现,构建远程巡视状态异常风险预警方法和异常风险指标体系,完善区域中心化智能车站巡视方案,实现复杂多场景下各车站的巡视模式同步或异步转换,并将该次风险的相关数据送入所述智能车站巡视方案设计单元以完善车站巡视方案;
巡视方案的选择与调用单元,通过系统数据层与功能层实现,区域中心站根据当日的运营需求场景在系统数据库中选择调用对应的智能巡视方案,并按照需求场景与巡视模式匹配单元的规定进行车站巡视,并可根据需求场景与巡视模式的改变进行巡视方案的转换;
巡视方案评价单元,通过系统数据层与模型层实现,提出巡视方案评价方法,建立方案评价指标体系,对巡视方案及其选择进行动态更新调整。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行程序,所述计算机可执行程序用于使计算机执行上述方法。
通过本申请实施例,可以获得如下有益效果:
在轨道交通车站区域中心化背景下,构建不同的需求场景以及与之匹配的智能巡视模式,更加贴合实际要求,能够为车站管理者的巡视工作提供清晰便捷的执行流程,提高车站运营管理效率;基于历史数据与现场实时状态的分析学习生成的智能巡视方案与风险预警方法,能够适应包括灾害、大客流、设备故障等复杂场景下的车站巡视需求,从而提高区域内车站的服务水平,减少突发事件造成的损失;将巡视方案设计方法流程集合为区域中心站统一管控的系统平台,方便巡视方案的生成、调用、执行与优化,实现巡视流程的规范化、标准化与巡视方案方法的落地,从而行之有效地提高区域中心化下各车站的管理决策效率,运用前景广阔。
本申请的其它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,或者通过实施本申请而了解。本申请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特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为智能车站巡视方案设计方法的流程示意图;
图2为智能车站巡视方案设计方法的实现框架图;
图3为智能车站巡视方案设计系统的框架图;
图4为最优巡视方案的算法流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例,都属于本申请保护的范围。
应该理解,在本申请实施例的描述中,多个(或多项)的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到“第一”、“第二”等只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
图1示意性表示根据本发明的复杂多场景下的区域中心化车站巡视方案设计方法的流程图,如图1所示,本发明提供了复杂多场景下的区域中心化车站巡视方案设计方法,包括:
步骤1、划分区域中心化下中心站和普通站多需求场景,匹配各需求场景对应的智能巡视模式;
所述区域中心化管理模式指不同于既有单站管理模式按岗位进行工作内容固定划分,而是将业务模块划分为设备监控、智能巡视、行车组织等,各模块间通过信息化技术进行联动,从而将模块管理广度拓宽至一个区域的多个车站的运营模式。
所述的多需求场景即为针对区域中心化下车站巡视的需求,将车站运营场景分为日常运营需求场景、异常运营需求情况以及远程巡视需求场景,旨在研究车站巡视在不同区域、不同车站运营需求场景下的智能巡视方案。
(1)日常运营需求场景
日常运营场景下的巡视内容可分为巡视设备、巡视区域、巡视业务三个模块,主要研究车站出入口、站厅、站台、通道等区域的巡视方案;应急设施、乘客信息系统、自动售检票设备、标志标识、照明设施、电扶梯、站台门等设备的巡视方案;车站接发列车、开关站、施工等日常业务的巡视方案。巡视方案主要包括以下内容:巡视周期、巡视时长、巡视次序、巡视路径和巡视范围。下表1为各巡视内容对应的巡视方案:
表1
(2)异常运营需求场景
异常运营场景相较于日常运营场景主要针对设备故障、客流高峰、恶劣天气、重大活动等情况修改相应的巡视方案。引入智能检测技术来达到异常场景识别的目的,巡视系统可通过与车站综合监视系统对接,利用综合监视系统既有的功能对设备状态进行监测,在此基础上利用图像识别、边缘检测等技术实时识别车站监控视频,当车站发生异常情况时启动相应场景的巡视计划。异常运营场景下的智能巡视主要体现在各车站的异常识别、上报、历史特征数据智能学习和修改巡视计划等一系列内容上。各异常场景对应的识别技术如表2所示。
表2
相较于当前巡视靠人工去判断状态的好坏,智能巡视可以精确、定量地显示被巡视设备的状态,在提高效率和优化流程的同时也起到了降低运营成本和提高出行安全的目的。
(3)远程巡视需求场景
通过移动监控功能和机动人员,实现区域中心管辖范围内车站运营状况以及异常状况报警等功能。数据通过无线通信网络、视频联动、视频拼接等技术,将巡视数据以及异常数据转发给区域中心站巡视系统,并在中心化智能系统终端上进行数据显示,当车站工作工作人员在车站中进行巡视操作,对移动设备端进行定位,展示最近车站的运营监测数据,同时需记录操作移动设备端的人员、时长、内容等信息,当车站发生异常情况时,将系统无法自动化完成的巡视内容,通过采集和汇总,远程展现至特定终端,站务使用人员可远程通过汇总的音视频数据等多位数据综合判断,巡视系统发布异常的详细情况传输至应急系统进行业务处理,移动站务人员可以在移动设备端对异常事件进行查看、处理、回放等操作,待异常解决后在移动端向系统发送确认提醒,形成业务闭环最终直至车站恢复正常运营。
所述的智能巡视模式即为针对区域中心化下车站巡视的需求场景,设定自动巡视和远程巡视两种智能巡视模式,旨在目标为多场景的车站巡视需求背景下,匹配合适的巡视模式以顺利执行智能巡视方案。
1)自动巡视
所述自动巡视指在车站系统和移动设备端通过对监控设备的分组及视频拼接技术进行不同车站业务下的视频联动巡视,在日常和异常需求场景下在运营过程中基于智能巡视方案对站内设备和车站运营状态进行自动巡视。
a.功能实现:巡视系统可通过调用车站监控系统,对特定车站区域、特定专业设备、特定用房、车站消防等方面的监控设备(视频监控、设备监控、智能监控等)进行合并分组,在涉及到开关站前后的车站巡视时,通过对巡视路径中的监控设备(视频监控、设备监控、智能监控等)合并分组,实现特定路径的巡视工作;
b.智能体现:在日常运营需求场景下的智能巡视主要体现在处理智能监控系统得到的车站运营数据,并辅以现有视频监视系统既有视频巡视功能,根据运营公司对于车站巡视的需求,建立不同的巡视模型,对巡视时长、巡视次序、巡视频次等进行定制化设计。具体体现在区域下各个车站可以根据区域内车站运营当天运营状态,辅以历史运营数据中的巡视评价结果,运用模型自动生成不同车站、不同运营情况下的车站巡视计划。
异常运营需求场景下的智能巡视主要体现在异常识别、上报、智能学习和修改巡视计划等一系列内容上,根据不同的异常场景,建立不同的识别模型和学习模型,到达异常情况识别的高精度和高效率;根据历史发生异常情况,引入机器学习模型(如GBDT模型、XGBoost模型等)对历史车站异常数据进行学习发现异常事件高频率发生的地点、区域、设备、时段以及处理时长,基于学习结果对车站异常场景巡视方案相应的修改。具体可以根据区域内车站运营当天的场景类型、客流量、设备状态、外界天气、重大活动等,辅以历史运营数据中的巡视知识库,运用机器学习、图像识别等技术不断更新异常场景下的巡视方案。
同时,在引入机器学习模型时,可以将GBDT、XGBoost等模型托管到系统数据库的算法平台上,各个车站都可以通过系统数据库的算法调用这些模型,达到算法在不同车站的复用,提高算法的利用率。同时,也可以将不同场景的巡视方案存储到系统数据库,不同车站的同一场景均可以调用相同的巡视模式。从异常情况发生、识别、处理到结束时,巡视系统对异常情况的时间、地点、类型、详细说明以及对应的处理时长记录等进行记录并对巡视效率和结果进行质量评价,并将其储存至巡视系统的知识库,为异常场景下巡视计划的制定提供决策支持。
2)远程巡视
所述远程巡视又分为视频远程巡视与传统的人工远程巡视,即通过所述远程巡视需求场景下对应的通过移动监控功能和机动人员,实现区域移动范围内车站运营状况监控以及异常状况报警等功能。
功能实现:站务可视化移动运作系统平台通过与车站既有视频监视系统对接,实现调看车站视频监视系统既有摄像机实时图像、录像回放、检索等功能;实现向移动终端推送视频与其它系统的报警联动信息,并将移动端的事件处理信息实时与固定岗位终端同步。将视频监控系统接入移动工作终端,为站务人员提供移动监控操作功能,包括公共区、设备区、地铁出入口红线范围内实时视频、视频回放、截图、录像、添加/删除收藏、查看消息、地图模式、云存储、分享等功能操作,实现便捷、实时、快速、可移动等需求;深入对接视频AI分析,将视频分析信息在可视化移动运作系统进行显示,将视频分析检测到的异常事件实时传送到移动终端。
所述匹配各需求场景对应的智能巡视模式是指中心站与普通站依据初步判定的场景类别(日常/异常场景),选择相应的巡视方案同步性地各自进行自动巡视,同时中心站能够对普通站进行远程巡视其运营状况。建立异常风险预警机制,在车站发出警报时,转换各车站的模式为人工远程巡视模式:当中心站发生异常状况风险报警时,立刻转换巡视模式;当普通站发生异常状况风险报警时,中心站通过视频远程巡视确认异常情况,并根据预警车站数量、机动人员数量与各车站风险评估结果,决定同步或异步地转换各车站的巡视模式,即决定各普通站的巡视模式转换顺序。对于自动巡视和远程巡视中发现的异常情况,系统可以及时准确地联动、通知相关系统和工作人员。对于需要人工现场处置的问题,第一时间明确需处置的地点、预案等,达到巡-检-判-处及时高效。
步骤2、根据站务设备多位数据和业务流线特征,建立区域中心化智能车站巡视方案设计模型,通过所述模型综合判断不同业务巡视优先度,制定与所述多需求场景相匹配的区域中心化智能车站巡视方案;
所述智能车站巡视方案设计指标主要包括以下内容:巡视区域、巡视路径、巡视周期、巡视次序、巡视时长。所述巡视区域为根据区域中心化下各车站的站务设备多位数据和业务流线特征,对特定车站区域、特定专业设备、特定用房、车站消防等进行同区域划分,包括出入口、电扶梯、站厅、站台、设备房等;巡视路径为各业务内部各区域各设备通过监控设备的合并分组而进行巡视的路径;巡视周期为各业务进行一次完整巡视所需的时间间隔,巡视次序为各业务巡视的先后排序,巡视时长为各业务每次巡视的时间长度。
区域中心化智能车站巡视方案设计模型制定巡视方案的步骤包括:
(1)根据区域中心化下各车站的站务设备多位数据和业务流线特征,划分巡视区域,各区域范围内包括不同类型服务设备,巡视区域特征有设备类型、设备数量、设备状态,基于区域划分将不同业务进行矩阵化表示如表3所示:
表3
巡视业务对应的巡视内容包括开关站、日常车站巡视、施工、接发列车等,所述巡视区域包括出入口、电扶梯、站厅、站台、设备房等,不同巡视区域具备业务相关设备及数量;所述巡视设备包括车站内各服务设施的信息显示设备、监控设备、状态监视设备。
巡视路径即为各业务内部各区域各设备的巡视路径,根据各区域的巡视优先度与各巡视设备重要度/>分别定义每个业务对应区域的巡视路径以及每个区域对应设备的巡视路径。
(2)定义并计算各业务巡视优先度指标:
所述业务巡视优先度指标计算为:
通过可以量化的各业务巡视优先度及其他各项指标来确定巡视方案中不同业务的巡视次序和巡视周期。所述的巡视次序定义方案中所有巡视业务的初次巡视先后顺序,定义业务k的初次巡视次序为/>;所述巡视周期定义方案中各业务的巡视频率,定义业务k的巡视频率为/>;对于所涉及的巡视时长定义为方案中各业务的巡视时长,定义业务k的巡视时长为/>。
各业务巡视优先度指标由其所涉及的各区域范围内各巡视设备重要度/>及相应设备数量Ni的组合决定;所述各巡视设备重要度/>参考满足《机关、团体、企业、事业单位消防安全管理规定》和《城市轨道交通运营管理规定》关于车站巡视的硬性要求进行确定。
指标计算公式为:
业务k巡视优先度: =∑区域j巡视优先度/>
区域j巡视优先度: =∑/>×设备i巡视重要度/>
故:业务k巡视优先度: =∑∑/>×设备i巡视重要度/>
基于指标计算结果可得不同业务巡视优先度矩阵为:
表4
(3)模型采用目标优化模型,基于业务巡视优先度设定目标函数,量化逻辑、时间和空间约束:
①各业务巡视次序最优是巡视方案设计模型优化的目标一,定义巡视次序最优为各巡视业务优先度与其次序的乘积总和最小,目标函数一为:
Min ∑业务k巡视优先度×业务k巡视次序/>
约束:1≤≤业务数量
所述约束为规定巡视次序必须从1开始,逐渐排列至业务数为止
②各业务巡视周期最优是巡视方案设计模型优化的目标二,定义巡视周期最优为各巡视业务优先度与其巡视频率(次/天)的总和最大,目标函数二为:
Max ∑业务k巡视优先度×业务巡视频率/>
约束:Max()(次/天)≤/>≤/>(次/天)
所述约束为规定对于巡视业务k的巡视频率,需要参考满足《机关、团体、企业、事业单位消防安全管理规定》和《城市轨道交通运营管理规定》等安全、运营需求定义的业务k内所有单个设备的最低巡视要求,定义业务k内涉及的设备i的巡视频率最低要求为;同时业务k巡视频率的设定需要综合考虑巡视时间/>,从而使得对车站的巡视在一天内完成。其中,巡视时长由业务k涉及的单个设备巡视时长的历史经验数据所得,定义设备i的历史巡视时间最大值为/>,则/>=∑/>。
(4)基于目标函数及约束设定,对上述目标优化模型采用线性规划求解算法进行模型求解,结合日常巡视业务规范和求解结果得到最优巡视方案,并利用系统进行调用。算法计算流程见图4。所述最优巡视方案包括各巡视业务需求、巡视范围、巡视路径及其巡视次序、巡视周期和巡视时长。可以将生成巡视方案存储到系统数据库,以供车站的随时调用,也便于进行方案的更新修改。
步骤3、根据历史发生异常情况,引入机器学习模型对历史车站异常数据进行学习发现异常事件高频率发生的地点、区域、设备、时段以及处理时长,基于学习结果对车站异常场景巡视方案相应的修改;
异常运营场景下的智能巡视主要体现在异常识别、上报、智能学习和修改巡视计划等一系列内容上,根据不同的异常场景,分别运用识别模型和学习模型进行预测分析,到达异常情况识别的高精度和高效率;该方法根据不断更新的异常场景下历史发生异常情况数据,引入机器学习模型GBDT模型,学习历史上异常事件高频率发生的地点、区域、设备、时段、处理时长以及区域内车站运营当天的场景类型、客流量、设备状态、风险预警状况、外界天气、重大活动等异常事件特征,并将其作为模型输入的自变量,基于模型学习结果能够输出给定异常场景下给定时期内各设备的异常事件发生次数,这里定义设备i异常事件发生频率为(次/周)。
①定义各设备的异常修正系数Li,Li的取值与设备异常事件发生频率有关,定义Li为:
;
其中,通过机器学习模型GBDT模型分析异常事件学习历史发生规律,计算各设备异常事件发生频率:
GBDT模型形式如下:
;
其中,表示决策树;/>为决策树的参数;/>是第m轮迭代中学习的权重(或系数)。
输入自变量:异常事件特征数据集;
输出因变量:异常事件发生频率的预测值;
计算:修正系数;
②利用更新后的修正系数Li对各业务巡视路径及优先度进行修正,定义更新后的设备i重要度为,定义更新后的区域j巡视优先度为/>,定义更新后的业务巡视优先度为/>:
更新后的设备i的重要度:;
更新后的区域j巡视优先度: =∑/>×设备i巡视重要度/>
更新后的业务k巡视优先度: =∑∑/>×设备i巡视重要度/>
③基于修正后的相关数据对车站异常场景巡视方案进行修正,并利用系统数据库进行存储调用,具体见图2方案实现流程图。
步骤4、建立异常风险预警指标体系,利用多模态感知方法智能判断各异常风险指标等级值,基于各指标风险等级值设定巡视模式转换报警阈值,并根据各业务风险值计算结果完善区域中心化智能车站巡视方案;
(1)构建异常风险预警指标体系,所述异常风险指标体系包括:各业务区域范围内不同灾害风险类型分级指标、电扶梯等故障设备状态评价分级指标/>、客流量分级指标和安全设施分级指标/>,各分级指标按照正常、异常、报警状态定义指标取值区间[1,3],预先制定各指标的分级标准,定义各类风险指标中的各风险对象风险等级值为/>,表示第i类指标中的第j类风险对象的第m个部位,i=1,2,3,4,j=1,2,3...J,m=1,2,3...M。/>
所述各业务区域范围内不同灾害风险类型分级指标定义如下表:
表5
所述各业务区域范围内电扶梯等故障设备状态评价分级指标定义,以电扶梯故障分级规则为例,如下表所示:
表6
所述客流量分级指标定义,如下表所示:
表7
所述安全设施分级指标定义依据其可用性取值,如下表所示:/>
表8
(2)利用异常风险识别及多模态感知方法智能判断各风险指标等级,并基于专家判断和经验进行对各风险指标进行权重赋值,得到各类分级指标的权重分别为,/>,/>,/>,则第y个车站的异常风险值为:/>。
(3)设定巡视模式转换报警阈值φ=3,结合所计算的各个车站风险等级值,进一步完善异常场景下区域中心化智能车站巡视方案:
①根据上述异常场景下区域中心化智能车站巡视方案的完善,当,则将本次风险数据加入系统数据库,并利用上述基于异常运营场景智能学习的巡视方案优化方法得到新的巡视方案。
②根据上述异常场景下区域中心化智能车站巡视方案的完善,当中心站,中心站直接转换为人工巡视模式,确认风险消失后,巡视人员通过移动终端解除风险报警;当普通站/>,中心站通过视频远程巡视确认风险状况,并通过各普通站风险值的比较结果,进行巡视模式转化方式的选择决策:
同步性巡视模式转化:当只有少数普通站报警且风险值相当时,中心站可向各站同时派遣机动人员进行远程巡视,巡视人员确认风险消失后,通过移动终端解除风险报警。
异步性巡视模式转化:当同时有多个普通站报警时,中心站将根据风险值评估结果高低,按照先后顺序转换各站巡视模式,巡视人员核查维修确认风险消失后,通过移动终端解除风险报警。
③根据上述异常场景下完善区域中心化智能车站巡视方案的完善,将每次异常情况发生、识别、处理到结束时,巡视系统对异常情况的时长、地点、机动人员数、类型、详细说明以及对应的处理时长记录等存入数据库,实时更新异常运营场景智能学习的巡视方案。
步骤5、建立复杂多场景下的区域中心化智能车站巡视方案的评价指标体系,对所述巡视方案设计模型结果进行评价,并结合实时多场景数据对巡视方法进行动态更新调整。
(1)定义巡视方案评价指标
定义了复杂多场景下的区域中心化智能车站巡视方案的评价指标体系,是指基于不同场景下的多个巡视方案施行后一定时长的车站综合情况来对这些方案进行对比评价。具体地,如以下表9所示,包括以巡视效率类、乘客服务类以及安全类为一级指标的方案评价指标体系,以事件响应时长、巡视时长、巡视成本、巡视人数、各区域拥挤度、排队安检时长、事故发生次数和客伤人数为二级指标的方案评价指标体系。
表9
其中巡视效率类指标,涉及事件响应时长、巡视时长、巡视成本和巡视人数。事件响应时长取值为一定时期内从异常事件发生开始到车站落实对应的措施所经过时长的平均值;巡视时长取值为一定时期内所有业务单日总巡视时长的平均值;巡视成本为一定时期内单日花费的平均值;巡视人数取值为一定时期内单日曾派遣巡视机动人员数量的平均值。四者均为数值型指标,取值单位如表9所示。
其中乘客服务类指标,涉及车站拥挤度和排队安检时长。车站拥挤度取值为采用该方案时期内各巡视区域单日平均拥挤度的平均值;排队安检时长取值为采用该方案时期内单个乘客的平均安检时长,二者均为数值型指标,取值单位如表9所示。
其中安全类指标,事故发生次数和客伤人数。事故发生次数取值为一定时期内事故发生的平均次数;客伤人数取值为一定时期内乘客受伤的平均人数,二者均为数值型指标,取值单位如表9所示。
(2)运用TOPSIS评价法、专家打分法计算各类指标,得出巡视方案评价得分。
基于专家打分和TOPSIS评价法计算各方案评价指标,其中,TOPSIS评价法能充分利用原始数据的信息,其结果能精确地反映各评价方案之间的差距。
具体地,通过专家打分来确定一级指标的参考权重P,通过TOPSIS评价法来计算二级指标的评分S,对应相乘求和即为车站的重要度指标。
其中,二级指标的评分计算结果如下:
巡视效率类指标S1:根据某场景下方案j一段时间内的平均事件响应时间,巡视时间/>,巡视成本/>和巡视人数/>,n个方案时,建立巡视效率类初始评价矩阵:
;
其中,TOPSIS评价法的步骤如下:
所选指标均有相同的取值方向,即极小化,无需指标正向化;
评价矩阵标准化,为了消去不同指标量纲的影响,需要对已经正向化的指标矩阵进行标准化处理,记标准化后的指标矩阵为:
;
矩阵元素标准化计算公式为:
,其中,i=1,2,3,4;
计算评价指标的正理想解和负理想解/>;
;
;
计算第个评价对象到正负理想解的距离/>和/>;
;
;
计算某场景下第个巡视方案的巡视效率类类的评价得分/>,/>,可以看出/>,且/>越小/>越大,即越接近小值;
乘客服务类指标:根据某场景下巡视方案j的车站拥挤度和排队安检时长/>,根据所述建立巡视效率类初始评价矩阵的方法建立乘客服务类初始评价矩阵,并利用TOPSIS评价法求得乘客服务类评价得分/>,/>;
安全类指标:根据某场景下巡视方案j的事件发生次数和客伤人数/>,根据所述建立巡视效率类初始评价矩阵的方法建立安全类初始评价矩阵,并利用TOPSIS评价法求得安全类评价得分/>,/>;
根据专家打分法,得到巡视效率类、乘客服务类指标和安全类指标的权重分别为P1、P2、P3,则某场景下第j个巡视方案的总评价得分为。
(3)根据给定场景下各巡视方案的评价得分比较结果选择到该评价阶段为止最优的巡视方案,并存入系统数据库以备调用。
本申请还建立复杂多场景下的区域中心化车站巡视方案设计系统。
(1)智能车站巡视系统架构
智能车站巡视系统主要分为六层:接口层、数据层、模型层、功能层以及显示层,系统架构如图3所示。
接口层接入现有综合监控系统以及智能移动监控系统等,主要通过视频技术,设置对中心化的巡视时长、巡视周期、巡视范围、巡视次序等,利用数据层进一步对巡视数据进行储存、采集和处理以及模型应用等,形成中心无人化、定点、定时、定路径、定区域、定设备的智能巡视模式,同时应对故障报警与其他子系统进行数据传输并接受中心系统端的指令。
数据层中的数据主要包括巡视中的模式、方案、结果、评价以及异常事件等数据,其中系统根据巡视作业表单的巡视内容,逐项检查各巡视项,并将巡视作业中相关表单数据、静态图像及动态图像加密处理。当所有巡视方案执行完毕后,储存结果至巡视评价库。每次评价优化后的巡视方案将存入系统数据库以供调用数据层包括多维数据(音视频、环境数据)场景确认-相关系统设备的联动响应状态巡视-应急预案的组织落实与反馈等。区域中心化下在各车站配备数据存储室,实时传输该站巡视信息至区域中心站,经过数据层数据融合处理后传输至模型层。
模型层主要包括指标优化算法、智能学习算法、巡视结果评价算法和车站风险评价算法,分别实现智能巡视方案指标的确定、巡视方案优化模型的更新、巡视方案的评价、车站风险评价等功能,为功能层的巡视计划制定(包括巡视模式与巡视方案的选择)与风险预警提供决策支持。
显示层主要针对在车站巡视过程中发现突发情况,该站巡视系统上传信息提醒至区域站监控、应急等系统,巡视系统则根据预先设置好的程序或监控系统的指令完成巡视模式、方案的转变与应急方案的实施,并与移动站务可视化、OCC列车运行、智能设备联控等研究进行结合。
(2)智能车站巡视系统功能单元
1)需求场景与巡视模式匹配单元:该单元功能通过系统功能层实现。针对区域中心化下车站巡视需求,细分中心站及普通站的多需求场景和智能巡视模式,提出各需求场景与智能巡视模式的匹配方式,实现复杂多场景下各车站的巡视模式同步或异步转换。
2)智能车站巡视方案设计单元:该单元功能通过系统数据层、模型层、与功能层实现。根据站务设备多位数据和业务流线特征,建立区域中心化智能车站巡视方案设计模型。分别基于日常与异常运营需求场景相关硬性巡视规则与实时更新的历史车站数据,通过所述模型与机器学习结果修正多需求场景下不同业务的巡视优先度,制定与各需求场景相匹配的区域中心化智能车站巡视方案并存储至系统数据库以供调用;
3)远程巡视状态风险预警与控制单元:该单元功能通过系统显示层、功能层与模型层实现。构建异常风险指标体系,利用多模态感知方法智能评估各车站的异常风险值,设定巡视模式转换报警阈值并由区域中心站主控完成远程巡视模式的转换,达到风险控制的效果。随后将该次风险的相关数据送入智能车站巡视方案设计单元以完善车站巡视方案。
4)巡视方案的选择与调用单元:该单元功能通过系统显示层与功能层实现。区域中心站根据当日的运营需求场景在系统数据库中选择调用对应的智能巡视方案,并按照需求场景与巡视模式匹配单元的规定进行自动巡视和远程巡视,并可根据需求场景与巡视模式的改变进行巡视方案的转换。
5)巡视方案评价单元:该单元功能通过系统数据层、模型层与功能层实现。提出巡视方案评价方法,建立指标体系,对所述巡视方案设计模型结果进行评价,并结合实时多场景数据对巡视方法进行动态更新调整。
(3)智能车站巡视模式实现
通过导入车站视频监控、设备数据平台,布局实现车站运营范围全方位的智能监控以及异常定位。利用智能视频拼接、设备联动等功能,按照预设模式开展定时、全面自检、巡查,并通过可视化移动终端实时反馈巡查结果,发现故障时显示设备状态、位置,有效提高站务管理效率。
单个普通车站自动巡视:可通过对车站内的专业设备进行业务分组监测(CCTV系统、门禁系统、设备自动化系统、电源监控系统、环境系统、水务系统、广播系统、屏蔽门系统、乘客信息服务系统),对每个业务巡视方案中的巡视时长、巡视周期、巡视结果等进行相应的操作。
区域中心站自动巡视:在单站自动巡视的基础上,巡视系统显示区域中心站巡视的详细内容,包括(客流量、设备状态、车站运营状态等)以及各站的巡视评价,可以对所管辖车站的巡视方案进行相应的调整。
移动设备端远程巡视:基于便捷、实时、快速、可移动等需求,移动工作终端接入视频监控系统,为站务人员提供移动监控操作功能,包括公共区、设备区、地铁出入口红线范围内实时视频、视频回放、截图、录像、添加/删除收藏、查看消息、地图模式、云存储、分享等功能操作。在单站巡视和区域化巡视的基础上,移动端显示定位所管辖车站巡视的详细内容包括(客流量、设备状态、车站运营状态等)以及巡视评价,可以对最近车站的巡视时长、巡视周期、巡视结果进行相应的调整。
智能车站巡视模式的选择主要依赖于智能车站监控系统传输的车站整体运营数据以及巡视系统本身得到的巡视区域或设备的数据,针对不同客流场景、不同状态的运营设备、不同的车站运营环境、不同的车站管理方式等多需求场景实行分时段、分类型、分主次的智能车站巡视模式。
(4)智能车站巡视功能实现
智能车站巡视异常场景下对突发事件的上报处理:当智能巡视系统发现车站突发情况如火灾、客流拥挤等,巡视系统可直接将数据传输至区域中心站系统终端以及对应的应急系统终端如BAS系统,同时将异常的详细情况至离发生地点最近的移动端交由移动人员处理。
乘客服务系统,同时将突发事件存储至数据库中,利用机器学习等手段重新设计巡视路径、时长、区域、设备等,从而形成不断更新巡视方案的智能车站巡视系统。
车站全面自检巡查:基于智能车站巡视模式与方案的选取,通过读取系统知识库中事故高发地点、高发设备、高发路径,根据相应的异常场景巡视方案对区域内车站范围内的设备和环境进行定点、定路径、定设备的全面自检和巡查。
(5)智能巡视集成方案
为实现以上功能,需分别对单个普通车站、区域中心站以及移动端的网络、系统、应用方面进行集成,如下表10所示。
表10
综上所述,本申请针对区域中心化下车站巡视的需求,细分中心站及普通站的多需求场景和智能巡视模式,提出各需求场景与智能巡视模式的匹配方式;建立区域中心化智能车站巡视方案设计模型;提出基于异常运营场景智能学习的巡视方案优化方法;构建远程巡视状态异常风险预警方法和异常风险指标体系,完善区域中心化智能车站巡视方案实现复杂多场景下各车站的巡视模式同步或异步转换,为轨道交通车站智慧化管理和智能巡视模式提供决策参考。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读程序、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读程序、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
以上是对本申请的若干实施进行了具体说明,但本申请并不局限于上述实施方式,熟悉本领域的技术人员在不违背本申请本质的共享条件下还可作出种种等同的变形或替换,这些等同的变形或替换均包括在本申请权利要求所限定的范围内。
Claims (10)
1.复杂多场景下的区域中心化车站巡视方案设计方法,其特征在于,该方法包括:
步骤1、针对区域中心化下车站巡视的需求,细分中心站及普通站的多需求场景和智能巡视模式,提出各需求场景与智能巡视模式的匹配方式;
步骤2、建立区域中心化智能车站巡视方案设计模型,制定与需求场景相匹配的区域中心化智能车站巡视方案;
步骤3、基于异常运营场景智能学习进行巡视方案优化,基于学习结果对车站异常场景巡视方案进行相应的修改;
步骤4、构建远程巡视状态异常风险预警方法和异常风险指标体系,完善区域中心化智能车站巡视方案,实现复杂多场景下各车站的巡视模式同步或异步转换;
步骤5、构建巡视方案评价方法,建立方案评价指标体系,对巡视方案及其选择进行动态更新调整。
2.根据权利要求1所述的方法,其特征在于,在步骤1中,针对区域中心化下车站巡视的需求,将所述车站运营需求场景分为日常运营需求场景和异常运营需求场景以及远程巡视需求场景,并定义各需求场景与智能巡视模式的匹配方式,研究车站巡视在不同区域、不同车站运营场景下的智能巡视方案;
所述日常运营需求场景下的巡视需求包括巡视设备、巡视区域、巡视业务三个模块;
所述异常运营需求场景根据不同的异常场景,建立学习模型,基于学习结果对车站异常场景巡视方案相应的修改;
所述远程巡视需求场景指通过移动监控功能和机动人员,实现区域中心管辖范围内车站运营状况监控以及异常状况报警等功能;
所述智能巡视模式包括车站自动巡视和远程巡视;所述自动巡视指在车站系统和移动设备端通过对监控设备的分组及视频拼接技术进行不同车站业务下的视频联动巡视,在日常和异常需求场景下在运营过程中基于智能巡视方案对站内设备和车站运营状态进行自动巡视;所述远程巡视包括视频远程巡视与传统的人工远程巡视,通过远程巡视需求场景下对应的移动监控功能和机动人员,实现区域移动范围内车站运营状况监控以及异常状况报警功能;
所述需求场景与巡视模式的匹配方式指中心站与普通站依据初步判定的场景类别,选择相应的巡视方案同步性地各自进行自动巡视,同时中心站能够对普通站进行远程巡视,并能在异常风险情况下进行巡视模式的转换。
3.根据权利要求1所述的方法,其特征在于,在步骤2中,制定与需求场景相匹配的区域中心化智能车站巡视方案,所述智能车站巡视方案的设计内容包括巡视区域、巡视路径、巡视周期、巡视次序、巡视时长,设计步骤包括:
步骤201、根据区域中心化下各车站的站务设备多位数据和业务流线特征,划分巡视区域,各区域范围内包括不同类型服务设备,巡视区域特征有设备类型、设备数量、设备状态,基于区域划分将不同业务进行矩阵化表示;
步骤202、定义并计算各业务巡视优先度指标,通过量化的各业务巡视优先度及其他各项指标来确定巡视方案中不同业务的巡视次序和巡视周期,各业务巡视优先度指标由其所涉及的各区域范围/>内各巡视设备重要度/>及相应设备数量Ni的组合决定;
步骤203、采用目标优化模型,基于业务巡视优先度设定目标函数,量化逻辑、时间和空间约束;
步骤204、基于目标函数及约束设定,对上述目标优化模型采用线性规划求解算法进行模型求解,结合日常巡视业务规范和各指标结果得到最优巡视方案,并利用系统数据库进行调用。
4.根据权利要求1所述的方法,其特征在于,在步骤3中,所述基于异常运营场景智能学习的进行巡视方案优化,具体包括:
根据不同的异常场景,分别运用识别模型和学习模型进行预测分析,识别异常情况;根据不断更新的异常场景下历史发生异常情况数据,引入机器学习模型GBDT模型,学习历史上异常事件特征数据,基于学习结果以获得给定异常场景下给定时期内各设备的异常事件发生次数,定义各设备i异常事件发生频率为;
定义各设备的异常修正系数Li,Li的取值与设备异常事件发生频率有关,定义Li为:
;
利用更新后的异常修正系数Li对各业务巡视路径及优先度进行修正,定义更新后的设备i重要度为,定义更新后的区域j巡视优先度为/>,定义更新后的业务巡视优先度为:
;
=∑/>×设备i巡视重要度/>;
=∑∑/>×设备i巡视重要度/>;
基于更新后的上述数据对车站异常场景巡视方案进行修正,并利用系统数据库进行存储调用。
5.根据权利要求1所述的方法,其特征在于,在步骤4中,构建所述远程巡视状态异常风险预警方法和异常风险指标体系,包括:
步骤401、构建异常风险预警指标体系;
步骤402、利用异常风险识别及多模态感知方法智能判断各风险指标等级,并基于专家判断和经验进行对风险指标进行权重赋值,得到各类分级指标的权重,计算可得到各车站的异常风险值;
步骤403、设定巡视模式转换报警阈值,结合所计算的各个车站风险等级值,完善异常场景下区域中心化智能车站巡视方案,并能够进行巡视模式同步或异步转化的选择决策。
6.根据权利要求1所述的方法,其特征在于,在步骤5中,所述构建巡视方案评价方法,具体包括:
定义巡视方案评价指标;
运用TOPSIS评价法、专家打分法计算各类指标,得出巡视方案评价得分;
所述巡视方案评价指标包括巡视效率类指标、乘客服务类指标以及安全类指标;
所述巡视效率类指标涉及事件响应时长、巡视时长、巡视成本和巡视人数;
所述乘客服务类指标涉及车站拥挤度和排队安检时长;
所述安全类指标包括事故发生次数和客伤人数。
7.根据权利要求3所述的方法,其特征在于,通过量化的各业务巡视优先度Fk及其他各项指标来确定巡视方案中不同业务的巡视次序和巡视周期;所述巡视次序用于定义所有巡视业务的初次巡视先后顺序,业务k的初次巡视次序为lk;
所述巡视周期用于定义各业务的巡视频率,业务k的巡视频率为fk。
8.根据权利要求5所述的方法,其特征在于,所述异常风险指标体系包括:各业务区域范围内不同灾害风险类型分级指标、电扶梯等故障设备状态评价分级指标/>、客流量分级指标/>和安全设施分级指标/>,各分级指标按照正常、异常、报警状态定义指标取值区间[1,3],定义各类风险指标中的各风险对象风险等级值为/>,表示第i类指标中的第j类风险对象的第m个部位,i=1,2,3,4,j=1,2,3...J,m=1,2,3...M。
9.复杂多场景下的区域中心化车站巡视方案设计系统,用于实现上述权利要求1至8之一所述的方法,该系统按照功能实现分为接口层、数据层、模型层、功能层以及显示层这5层,其特征在于,该系统包括:
需求场景与巡视模式匹配单元,通过所述功能层实现,针对区域中心化下车站巡视需求,所述需求场景与巡视模式匹配单元提出各需求场景与智能巡视模式的匹配方式;
智能车站巡视方案设计单元,通过所述数据层、模型层与功能层实现,根据站务设备多位数据和业务流线特征,分别基于日常与异常运营需求场景相数据,建立区域中心化智能车站巡视方案设计模型,制定与各需求场景相匹配的区域中心化智能车站巡视方案并存储至系统数据库以供调用;
远程巡视状态风险预警与控制单元,通过系统显示层、功能层与模型层实现,构建远程巡视状态异常风险预警方法和异常风险指标体系,完善区域中心化智能车站巡视方案,实现复杂多场景下各车站的巡视模式同步或异步转换,并将该次风险的相关数据送入所述智能车站巡视方案设计单元以完善车站巡视方案;
巡视方案的选择与调用单元,通过系统显示层与功能层实现,区域中心站根据当日的运营需求场景在系统数据库中选择调用对应的智能巡视方案,并按照需求场景与巡视模式匹配单元的规定进行车站巡视,并可根据需求场景与巡视模式的改变进行巡视方案的转换;
巡视方案评价单元,通过系统数据层、模型层和功能层实现,提出巡视方案评价方法,建立方案评价指标体系,对巡视方案及其选择进行动态更新调整。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行程序,所述计算机可执行程序用于使计算机执行如权利要求1至8任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410058900.5A CN117592661B (zh) | 2024-01-16 | 2024-01-16 | 复杂多场景下的区域中心化车站巡视方案设计方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410058900.5A CN117592661B (zh) | 2024-01-16 | 2024-01-16 | 复杂多场景下的区域中心化车站巡视方案设计方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117592661A true CN117592661A (zh) | 2024-02-23 |
CN117592661B CN117592661B (zh) | 2024-04-09 |
Family
ID=89922233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410058900.5A Active CN117592661B (zh) | 2024-01-16 | 2024-01-16 | 复杂多场景下的区域中心化车站巡视方案设计方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117592661B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030005030A1 (en) * | 2001-06-01 | 2003-01-02 | Sutton Jeffrey P. | Reconfigurable autonomous device networks |
CN113077109A (zh) * | 2021-04-19 | 2021-07-06 | 广东电网有限责任公司 | 一种机巡计划智能调度系统、方法、设备及介质 |
CN113205196A (zh) * | 2021-06-23 | 2021-08-03 | 云南电网有限责任公司电力科学研究院 | 一种用于配电网运维的现场作业安全管理方法和系统 |
CN116033240A (zh) * | 2022-12-22 | 2023-04-28 | 北京市地铁运营有限公司 | 基于车站运营驾驶舱的设备巡视方法及系统 |
-
2024
- 2024-01-16 CN CN202410058900.5A patent/CN117592661B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030005030A1 (en) * | 2001-06-01 | 2003-01-02 | Sutton Jeffrey P. | Reconfigurable autonomous device networks |
CN113077109A (zh) * | 2021-04-19 | 2021-07-06 | 广东电网有限责任公司 | 一种机巡计划智能调度系统、方法、设备及介质 |
CN113205196A (zh) * | 2021-06-23 | 2021-08-03 | 云南电网有限责任公司电力科学研究院 | 一种用于配电网运维的现场作业安全管理方法和系统 |
CN116033240A (zh) * | 2022-12-22 | 2023-04-28 | 北京市地铁运营有限公司 | 基于车站运营驾驶舱的设备巡视方法及系统 |
Non-Patent Citations (1)
Title |
---|
杨亦慧;李海鹰;蒋熙;郑勋;许心越;张庆瑜;: "考虑信效度的地铁车站通道服务水平研究", 交通运输系统工程与信息, no. 02, 15 April 2016 (2016-04-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117592661B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rudskoy et al. | Digital twins in the intelligent transport systems | |
CN112598177B (zh) | 一种城市轨道交通突发事件在线客流预测与仿真系统 | |
CN116308960B (zh) | 基于数据分析的智慧园区物业防控管理系统及其实现方法 | |
CN112488520A (zh) | 智慧车站的智慧运维系统 | |
CN116739245B (zh) | 一种智慧消防城市接警调度系统 | |
CN110652684A (zh) | 电力消防安全综合管理系统 | |
CN112465334B (zh) | 一种轨道交通事故快速预警方法及系统 | |
CN114971409B (zh) | 一种基于物联网的智慧城市火灾监控预警方法及系统 | |
CN111311133B (zh) | 一种应用于电网生产设备的监测系统 | |
CN111792487A (zh) | 基于大数据平台的电梯智能管理系统及管理方法 | |
CN114841660A (zh) | 一种基于现场信息的企业智慧安全管控云平台 | |
CN112800910A (zh) | 一种通讯机房维护作业效能评估方法及系统 | |
CN113762920A (zh) | 电能计量作业管控方法、装置、设备及介质 | |
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 | |
CN117592661B (zh) | 复杂多场景下的区域中心化车站巡视方案设计方法与系统 | |
CN111709597B (zh) | 一种电网生产域运营监测系统 | |
Zuo et al. | Determination of bus crowding coefficient based on passenger flow forecasting | |
CN115293465B (zh) | 一种人群密度预测方法及系统 | |
Van Hoang | Impact of integrated artificial intelligence and internet of things technologies on smart city transformation | |
CN114595863A (zh) | 航班智能恢复的方法及系统 | |
CN114519491A (zh) | 一种地铁运营故障应急联动交互方法、装置、设备及介质 | |
Golightly et al. | Disruption management processes during emergencies on the railways | |
CN115689154B (zh) | 基于动态客流的城市轨道交通调度辅助决策系统 | |
CN116443080B (zh) | 一种轨道交通行车调度指挥方法、系统、设备及介质 | |
CN117389740B (zh) | 一种基于人工智能的区域安全应急平台系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |