一种城市轨道交通客流区域联动预警方法与流程
本发明属于城市轨道交通领域，且特别是有关于一种城市轨道交通客流区域联动预警方法。
背景技术：
我国城市轨道交通发展正处于快速发展期，城市结构、轨道交通形态、客流特征均不稳定，导致一定时期内的供需矛盾突出，尤其表现在早晚高峰线网运力难以满足大客流出行的需求，导致轨道站点滞留拥挤现象突出，乘客摔倒及乘客冲突事件时有发生，引起政府、运营企业、公众极大的关注。为缓解站点客运组合压力问题，目前北京地铁已在74座站点在早晚高峰采取常态化客流控制，未来随着新线开通运营，客流控制的范围及力度将逐步加强。目前，运营管理中对于控流站点的选取、控流时间范围及控流强度的设定主要依托管理部门的现场工作经验，缺乏合理的科学解释及验证，当遇到大型活动、异常气候、突发事件引发的突发性大客流时，由于缺乏有效的客流监测手段、客流趋势预测及预警评估技术手段，容易错失最佳处置时间引发潜在客流踩踏风险产生。
为此，依托北京交通委、北京市科委等的项目支撑，结合北京地铁运营实际需求，信息化的客流数据采集手段已初步在北京地铁20多个典型站点部署安装，并实现客流细致化信息的获取；此外，依托国家科技部的项目支撑，信息化的监测手段及自动化的客流状态辨识技术将得到进一步推广及应用。然而，如何基于有限的监测点的动态数据分析基础上，科学评判地铁车站的客流承载力与车站各监测区域的负荷度的联动关系，提出适用于地铁实际管理的各区域预警判别模型，建立反应站点整体承载能力的预警判别方法，是亟待解决的问题。
技术实现要素：
本发明的目的在于提供一种城市轨道交通客流区域联动预警方法,使得车站客流管控和多个站点的客流联控变得更加精细。
为达上述目的，一种城市轨道交通客流区域联动预警方法，包括下列步骤：
1)原始监测数据采集以及原始监测数据的预处理，并集计计算30秒基本时间粒度的客流数据，包括客流密度、客流速度及客流流量数据；
2)以30秒基本时间粒度的客流密度、客流速度为输入，采用基于历史残差分析的客流短时预测模型，预测得到未来多种时间维度的客流平均密度、客流平均速度；
3)以车站各监测区域的历史监测密度值为输入，采用数据聚类方法将各监测区域的密度和流量划分为四个等级的聚类中心值，结合监测区域类型服务水平划分阈值得到各监测区域的平均密度及平均速度阈值；
4)以实时客流的平均速度、客流的平均密度、以及未来多种时间维度的预测客流平均密度为输入，构建基于决策树的车站监测区域客流预警事件判别模型，对比各监测区域的平均密度及平均速度的阈值，综合判别得到各监测区域的客流一级、二级、三级、四级预警事件；
5)以监测区域的30秒基本时间粒度的客流密度及权重系数为输入，计算车站整体客流加权密度，结合车站的最大安全密度阈值，归一化得到车站客流拥挤风险指数；
6)以监测区域客流预警事件为输入，将预警风险做线性量化表征，构建各监测区域重要度的权重系数，计算得到区域预警强度，并归一化得到客流区域预警指数；
7)以车站客流拥挤风险指数及区域客流预警指数为输入，加权计算得到车站预警指数；构建车站预警事件判别函数，量化预警等级阈值，得到车站预警事件。
由以上本发明的技术方案可知，本发明紧密围绕目前行业内对于客流预警的难题，并结合车站实际运营需求，提出的城市轨道交通客流区域联动预警方法能够精细化客流管控和多个站点的客流联控，从而提高城市轨道交通的服务水平，更加有效的保证乘客安全，便捷出行，充分发挥城市轨道交通的运载能力。
附图说明
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1为本发明实施例的城市轨道交通客流区域联动预警方法的流程图。
图2为步骤4)中基于决策树的车站监测区域客流预警事件判别模型的计算原理流程图。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
本发明提供一种城市轨道交通客流区域联动预警方法，包括下列步骤：
1)原始监测数据采集以及原始监测数据的预处理，并集计计算30秒基本时间粒度的客流数据，包括客流密度、客流速度及客流流量数据；所述原始监测数据包括客流密度、客流速度及客流流量；
2)以30秒基本时间粒度的客流密度、客流速度为输入，采用基于历史残差分析的客流短时预测模型，预测得到未来多种时间维度的客流平均密度、客流平均速度；
3)以车站各监测区域的历史监测密度值为输入，采用数据聚类方法将各监测区域的密度和流量划分为四个等级的聚类中心值，结合监测区域类型服务水平划分阈值得到各监测区域的平均密度及平均速度阈值；
4)以实时客流的平均速度、客流的平均密度、以及未来多种时间维度的预测客流平均密度为输入，构建基于决策树的车站监测区域客流预警事件判别模型，对比各监测区域的平均密度及平均速度的阈值，综合判别得到各监测区域的客流一级、二级、三级、四级预警事件，其中通过计算通过监测区域距离l内所有行人的平均速度v的均值，得到客流平均速度为σ(v)/n，其中v＝l/t；
5)以监测区域的30秒基本时间粒度的客流密度及权重系数为输入，计算车站整体客流加权密度，结合车站的最大安全密度阈值，归一化得到车站客流拥挤风险指数；
6)以监测区域客流预警事件为输入，将预警风险做线性量化表征，构建各监测区域重要度的权重系数，计算得到区域预警强度，并归一化得到客流区域预警指数；
7)以车站客流拥挤风险指数及区域客流预警指数为输入，加权计算得到车站预警指数；构建车站预警事件判别函数，量化预警等级阈值，得到车站预警事件。
所述步骤1)中，原始监测数据的预处理过程包括数据时间同步及数据修复两个步骤，数据时间同步指将各监测设备的采集时间规范至采集粒度的整点时间，数据修复包括缺失数据分布特征提取、数据插值处理，若缺失数据呈连续分布，则采用历史同期关联数据进行修复；若缺失数据呈离散分布，则采用拉格朗日插值法进行插值修复。
在一些具体的例子中，原始监测数据的预处理过程包括数据时间同步及数据修复的具体实现如下：
1)数据时间同步过程指将各监测设备的采集时间规范至采集粒度的整点时间，从而便于后续的数据统计及信息处理。如原始的数据采集粒度为5秒间隔，则将所有的采集时间进行取整运算，将时间的秒数规范至0秒或5秒结尾，假设s为某采集时间t的秒数，则s＝[s/5]*5，其中[]为向下取整运算。
2)数据修复过程指针对原始数据序列进行完整性扫描，若存在部分数据缺失时，需采用插值法进行数据修复及复原；若存在连续一段数据存在数据缺失，则采用历史同期数据进行补缺和修复。
针对客流监测设备进行时间同步后的客流数据序列{y}＝{y0,y1,y2…ym-1,ym}按照采集时间进行升序排序；若设备采集间隔为δt，根据原始数据序列的开始及结束时间，构造对应时间序列为{t}＝{t0,t1,t2…tn-1,tn}，其中δt＝tn-tn-1，若m<n,则该数据序列不完整，需通过第一次扫描获取缺失数据的时间集合{t′}＝{t′,t″,t″′…ts-1,ts}。
其次缺失数据的时间集合{t′}的分布特性，若由于设备掉线或设备故障原因导致连续一段时间内数据缺失，则需要采用历史同期关联数据进行数据修复；若由于数据传输或解析过程导致零散个别数据缺失，则采用插值法进行修复。
对时间集合{t′}进行一次差分处理，得到判定序列{z}＝{▽t′}＝{zi＝ti+1-ti|i＝0,1,2,s-1}，若zi＝δt，则采用历史同期数据序列进行修复，若zi＞δt，则采用拉格朗日插值法进行数据修复。构造拉格朗日插值的多项式
其中插值函数的基函数表达式为：
其中l(t)为在t时刻需要插入的值，lj(t)为拉格朗日多项式，(tj,yj)表示实际的观测坐标值，在tj时刻观测到得yj值。
进一步，所述步骤1)中，根据车站客流监测设备监测到的5秒间隔的车站各监测区域的客流密度，计算基本时间粒度的客流密度，并采用90％分位数集计方法获得30秒基本时间粒度的客流数据，数据集计计算过程如下：
设定设备采集粒度为5s，客流预测及预警的粒度为30s，将30s内的6个5s时段的数据合并，得到数据集计；对于客流平均密度和平均速度，求取平均值得到，对于客流流量，直接求累加值得到；
每隔30秒，读取前30秒内车站各监测区域5秒时间粒度的客流密度，求得30s内的最大密度：
ρ30s＝max{ρ5s,i},i∈[1,6]
式中，ρ30s为车站某监测区域30秒粒度密度值，ρ5s,i为车站某监测区域第i个5秒粒度密度值。
进一步，所述步骤2)中基于历史残差分析的客流密度短时预测模型的步骤如下：
1)读取历史上周同期及上上周同期全样本的历史数据，进行一次差分处理，得到历史样本差值序列
2)读取当日局部实测数据及上周同期局部历史数据，进行一次差分处理，得到局部当日实测差值序列{▽ρt|t∈[t-m,t]}
3)以历史样本差值序列进行预测模型数值拟合，采用时间序列预测模型进行模型参数估计，计算得到预测模型参数，预测模型如下：
其中ρ(t)表示在t时刻的预测密度，αi为t-i时刻密度的权重系数，δi为t-i时刻密度残差的权重值，p为自相关阶数，q为偏自相关阶数；ρ(t-i)为第t-i时刻的实际密度，ε(t-i)为第t-i时刻的密度残差值；
4)将当日局部实测差值序列代入预测模型，计算得到差值序列预测周期内的预测值：
5)根据估计的差值序列预测值及历史同期的实测数值，还原得到预测周期时段的预测数据：
6)节假日及调班日的预测模型修正方法：
a)若当日为节假日，上周为正常工作日，则取当日与历史同期节假日数据做差值处理：
b)若当日为工作日，上周为节假日，则取当日与上上周同期数据做差值处理：
c)若当日为双休日但调为上班，上周同期为正常休息日，则取轮休后正常工作日的上周同期工作日做差值处理：
d)若当日为正常双休日，上周因调休为上班，则应取当日与上上周同期数据做差值处理
进一步，所述步骤2)中，以30秒基本时间粒度的客流密度为输入，采用基于历史残差分析的客流短时预测模型预测得到未来多种时间维度的客流平均密度是预测得到2分钟、4分钟、15分钟、30分钟的密度值，具体步骤为：
首先，以30秒基本时间粒度客流密度为输入，通过求均值集计成2分钟及15分钟粒度的客流密度：
其次，以2分钟平均密度数据为输入，采用权利要求3所述的步骤，预测未来2分钟及4分钟的客流密度值；以15分钟平均密度数据为输入，采用权利要求3所述的步骤，预测未来15分钟及未来30分钟的客流密度。
进一步，所述步骤2)中，以30秒基本时间粒度客流流量作为输入，计算得到2分钟及15分钟的客流流量；以2分钟的客流流量，预测得到2分钟、4分钟的客流流量；以15分钟的客流流量，预测得到15分钟、30分钟的客流流量。具体步骤为：
首先，以30秒基本时间粒度客流流量为输入，集计成2分钟及15分钟粒度的客流流量：
其次，以2分钟客流量数据为输入，采用集计计算方法，预测未来2分钟及4分钟的客流量；以15分钟客流量为输入，采用集计计算方法，预测未来15分钟及未来30分钟的客流量。
进一步，所述步骤3)中，根据美国公共交通通行能力和服务质量手册(第二版)对于不同区域类型的服务水平划分标准，通道及楼扶梯选择e级密度上限值作为区域密度阈值，排队等候区选择d级密度上限作为区域密度阈值；采用聚类分析的方法更新区域密度阈值，将样本的密度数据进行聚类处理划分为4类数据，采用4类的聚类中心最大值作为客流密度的拥挤阈值。
进一步，所述步骤4)中，建立基于决策树的区域预警事件判定模型，具体步骤如下：
首先，创建决策树的根节点，选择影响客流预警事件的特征属性，包括：客流实时密度、实时流量、平均速度、预测2分钟密度、预测4分钟密度，预测15分钟密度等属性；
其次，输入样本区域客流预警事件训练数据，并根据属性值构建判定数的节点分支划分；
最后，根据实际及预测的客流输入数据，进行决策树判断分析，输出区域预警事件。
进一步，所述步骤5)中，以监测区域的客流监测密度及权重系数为输入，计算车站整体客流加权密度，结合车站的最大安全密度阈值，归一化得到车站客流拥挤风险指数，具体计算方法为：
进一步，所述步骤6)中，以监测区域客流预警事件为输入，将预警风险做线性量化表征，构建各监测区域重要度的权重系数，计算得到区域预警强度，并归一化得到客流区域预警指数，具体计算方法为：
式中：
进一步，所述步骤7)中，以车站客流拥挤风险指数及区域客流预警指数为输入，加权计算得到车站预警指数；构建车站预警事件判别函数，量化预警等级阈值，得到车站预警事件，具体计算方法为：
pwi＝λ×pri+γ×rwi
其中，pwi为车站预警指数，pri为车站客流拥挤风险指数，rwi为监测区域客流预警指数，λ为车站拥挤关注系数，γ为监测区域预警事件关注系数，λ+γ＝1，λ、γ∈[0,1]，f(pwi)为车站预警事件判别函数，fi表示第i等级的预警阈值。
综上所述，本发明以车站各区域的客流监测数据为输入，扫描分析数据的完整性，并结合缺陷数据序列的分布特性选用历史关联数据匹配及数据插值修复处理，选用数据集计处理方法得到多种时间粒度的客流数据，实现客流数据的预处理；以实时及历史同期数据为输入，采用差分运算处理得实时及历史同期样本差值数据序列，并进行预测模型参数估计，得到参数序列预测模型，并结合实时差值数据计算得到预测周期的预测差值，并结合历史同期监测值还原得到预测周期的预测值；以实时的客流密度、实时的平均速度及多种时间粒度的预测密度数据为输入，采用聚类分析方法计算得到平均速度及密度的阈值，综合判别得到各区域的客流预警事件；基于区域联动的车站客流预警算法包括建立车站客流拥挤风险指数及客流区域预警指数模型，综合加权得到车站综合预警指数，建立车站预警事件的判别公式，计算得到车站预警事件等级。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。
- 还没有人留言评论。精彩留言会获得点赞！