一种车站应急指挥方法及装置与流程

1.本发明涉及铁路交通运输技术，尤其是涉及一种车站应急指挥方法及装置。


背景技术：

2.近年来，随着高速铁路的建设，城际交通规模不断增长，铁路站点是城市交通运输枢纽中的关键一环，是交通运输领域的重要节点。建立车站应急指挥平台不仅是铁路部门处置突发事件的需要，也是国家处置各类突发事件的要求。
3.铁路站点的应急指挥所遇到的主要问题有大客流、大面积晚点等，主要问题都会反映为客流在车站的聚集。传统的应急指挥中，往往会人工监测站点的人流量，根据经验进行判断，当感觉人流量较多时，或出现突发事件时，启动应急指挥。现有的应急指挥方法还不够成熟。
4.随着各种ai预测和ai识别技术的成熟，各个领域已经逐步向智能化方向发展，目前，建设基于ai技术的铁路客站应急指挥系统具有迫切要求。


技术实现要素：

5.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种车站应急指挥方法及装置，使用ai短时客流预测算法预测得到客站的客流总量预测值，再设置各个关键位置的客流拥挤预警阈值，使用ai视频识别算法得到各个关键位置的实时客流量，对比实时客流量和客流拥挤预警阈值发出车站应急预警提醒，进入应急指挥流程，提高了车站管理的智能化水平，应急指挥更加及时、科学。
6.本发明的目的可以通过以下技术方案来实现：
7.一种车站应急指挥方法，包括以下步骤：
8.s1、利用ai短时客流预测算法得到铁路客站当日的客流总量预测值；
9.s2、根据客流总量预测值和历史数据，计算铁路客站各个关键位置的客流拥挤预警阈值，所述关键位置是预先确定的；
10.s3、各个关键位置布置有摄像头，用于采集实时客流图像，利用ai视频识别算法得到各个关键位置的实时客流量；
11.s4、实时比较实时客流量和客流拥挤报警阈值，计算实时客流量超出客流拥挤报警阈值的幅度，发出对应该幅度的车站应急预警提醒，进入该车站应急预警提醒所对应的应急指挥流程。
12.进一步的，步骤s1中，所述ai短时客流预测算法为参数模型预测算法、非参模型预测算法与混合预测算法中的一种。
13.更进一步的，参数模型预测算法包括但不限于非线性回归、arima、卡尔曼滤波等方法；非参模型预测算法包括但不限于lstm、xgboost等方法；混合预测算法结合了参数模型预测算法与非参数模型预测算法。
14.进一步的，步骤s1中，所述ai短时客流预测算法是根据铁路客站的规模等级、客流
特点和ai计算资源配置情况确定的。
15.进一步的，步骤s2中，获取铁路客站各个关键位置的历史客流数据，基于各个关键位置的历史客流数据和客运车站预设置的车站应急标准，设置各个关键位置的客流拥挤预警阈值。
16.更进一步的，步骤s2中，各个关键位置的客流拥挤预警阈值根据列车正晚点信息、列车停靠股道信息和客调命令关键信息动态调整。
17.进一步的，步骤s3中，所述ai视频识别算法是是基于cnn的卷积图像识别神经网络，也可以是其他图像识别算法，以识别关键位置的人流量。
18.进一步的，步骤s4中，计算实时客流量超出客流拥挤报警阈值的绝对值以及实时客流量超出客流拥挤报警阈值的幅度，如果绝对值和幅度满足预设置的触发条件，则发出对应的车站应急预警提醒，进入该车站应急预警提醒所对应的应急指挥流程；所述触发条件的数量为多个，分别对应不同等级的车站应急预警提醒，每个应急指挥流程包括应急预案和应急处理人员。
19.一种车站应急指挥装置，基于如上所述的车站应急指挥方法，包括：
20.ai短时客流预测部，用于利用ai短时客流预测算法得到铁路客站当日的客流总量预测值；
21.ai视频识别部，根据客流总量预测值和历史数据，计算铁路客站各个关键位置的客流拥挤预警阈值；
22.应急指挥预警部，实时比较实时客流量和客流拥挤报警阈值，计算实时客流量超出客流拥挤报警阈值的幅度，发出对应该幅度的车站应急预警提醒，进入该车站应急预警提醒所对应的应急指挥流程。
23.进一步的，所述ai短时客流预测算法为参数模型预测算法、非参模型预测算法与混合预测算法中的一种。
24.进一步的，所述ai短时客流预测算法是根据铁路客站的规模等级、客流特点和ai计算资源配置情况确定的。
25.与现有技术相比，本发明使用ai短时客流预测算法预测得到客站的客流总量预测值，再设置各个关键位置的客流拥挤预警阈值，使用ai视频识别算法得到各个关键位置的实时客流量，对比实时客流量和客流拥挤预警阈值发出车站应急预警提醒，进入应急指挥流程，提高了车站管理的智能化水平，应急指挥更加及时、科学。
附图说明
26.图1为车站应急指挥方法的流程示意图；
27.图2为车站应急指挥方法的结构示意图。
具体实施方式
28.下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
29.实施例1：
30.一种车站应急指挥方法，如图1所示，包括以下步骤：
31.s1、利用ai短时客流预测算法得到铁路客站当日的客流总量预测值；
32.s2、根据客流总量预测值和历史数据，计算铁路客站各个关键位置的客流拥挤预警阈值，关键位置是预先确定的；
33.s3、各个关键位置布置有摄像头，用于采集实时客流图像，利用ai视频识别算法得到各个关键位置的实时客流量；
34.s4、实时比较实时客流量和客流拥挤报警阈值，计算实时客流量超出客流拥挤报警阈值的幅度，发出对应该幅度的车站应急预警提醒，进入该车站应急预警提醒所对应的应急指挥流程。
35.一种车站应急指挥装置，如图2所示，包括：
36.ai短时客流预测部，用于利用ai短时客流预测算法得到铁路客站当日的客流总量预测值；
37.ai视频识别部，根据客流总量预测值和历史数据，计算铁路客站各个关键位置的客流拥挤预警阈值；
38.应急指挥预警部，实时比较实时客流量和客流拥挤报警阈值，计算实时客流量超出客流拥挤报警阈值的幅度，发出对应该幅度的车站应急预警提醒，进入该车站应急预警提醒所对应的应急指挥流程。
39.ai短时客流预测算法为参数模型预测算法、非参模型预测算法与混合预测算法；参数模型预测算法包括但不限于非线性回归、arima、卡尔曼滤波等方法；非参模型预测算法包括但不限于lstm、xgboost等方法；混合预测算法结合了参数模型预测算法与非参数模型预测算法。
40.步骤s1中，ai短时客流预测算法是根据铁路客站的规模等级、客流特点和ai计算资源配置情况确定的。对于规模等级小、ai计算资源少的铁路客站，可以应用较简单的ai短时客流预测算法，如非线性回归、arima、卡尔曼滤波等时序序列预测方法；对于规模等级大、客流量多的铁路客站，可以采用较复杂、准确度较高的混合预测算法，如以lstm、xgboost为核心的基于机器学习的客流预测方法。
41.步骤s2中，获取铁路客站各个关键位置的历史客流数据，基于各个关键位置的历史客流数据和客运车站预设置的车站应急标准，设置各个关键位置的客流拥挤预警阈值。
42.如步骤s1中预测得到的铁路客站当日的客流总量预测值为n，就可以找到历史上客流总量接近n的日期的客流记录，进一步的，还可以比较当日与历史日期的节日属性、春运暑运属性等，以找到与当日客流特点最接近的历史数据，从而预测当日各个关键位置的客流数据。基于预测的各个关键位置的客流数据以及车站预设置的车站应急标准(如应急标准为当关键位置的客流量大于阈值则触发应急指挥)，得到各个关键位置的客流拥挤预警阈值。
43.步骤s2中，客流拥挤预警阈值可以是固定的，一经设置，当日不再改变，也可以是实时调整的，将各个关键位置的客流拥挤预警阈值根据列车正晚点信息、列车停靠股道信息和客调命令关键信息动态调整。
44.步骤s2中，客流拥挤预警阈值的动态调整包括但不限于如下方法：在节假日等重点客流监控时间，当收到列车晚点信息时，对应调低客流拥挤预警阈值，提前触发车站应急
预警；在非重点客流监控时间，当收到列车晚点信息时，对应调高客流拥挤预警阈值，适应由于晚点造成一定程度的客流聚集。
45.步骤s3中，ai视频识别算法是是基于cnn的卷积图像识别神经网络，也可以是其他图像识别算法，以识别关键位置的人流量。
46.步骤s4中，计算实时客流量超出客流拥挤报警阈值的绝对值以及实时客流量超出客流拥挤报警阈值的幅度，如果绝对值和幅度满足预设置的触发条件，则发出对应的车站应急预警提醒，进入该车站应急预警提醒所对应的应急指挥流程；触发条件的数量为多个，分别对应不同等级的车站应急预警提醒，每个应急指挥流程包括应急预案和应急处理人员，车站的相应部门和人员(应急处理人员)按照应急预案进行应急指挥。
47.以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。