城市轨道交通客流密集度指数计算与发布系统技术方案

本发明专利技术提供了一种城市轨道交通客流密集度指数计算与发布系统，包括密集度指数发布单元，数据分析与密集度指数计算单元，多源数据输入单元。其中，多源数据输入单元可接入自动客流监测数据、AFC数据、列车实时载客数据及人工调查数据等多种数据；数据分析与密集度指数计算单元包括多时间粒度客流分析与预测模块、车站级客流密集度指数计算模块、线路级客流密集度指数计算模块、网络级客流密集度指数计算模块；指数发布单元包括指数显示模块、报表生成模块及面向用户的发布模块。

【技术实现步骤摘要】
城市轨道交通客流密集度指数计算与发布系统
本专利技术属城市轨道交通领域，尤其涉及一种城市轨道交通客流拥挤度指数计算与发布系统。
技术介绍
实时查看出行路径上的拥堵情况逐渐成为人们出行的必备手续之一。精确刻画道路交通拥堵情况的道路交通拥堵指数已成为国内外众多城市进行道路交通管理的重要手段，并在政府决策、行业管理中发挥越来越重要的角色。虽然轨道交通发展相对道路交通发展较晚，但是近年来城市轨道发展迅速，各城市的轨道交通网络逐渐形成规模，尤以北上广等城市为突出。城市轨道交通客流也不断创出新高，北京地铁2014年日均客流1000万人次已经成常态化，高峰期很多区间的满载率达到1.2以上，甚至有个别线路达到1.3以上，部分车站的换乘通道，车站站台，楼扶梯的客流密度甚至达到9-10人/m2，高峰时期拥堵不堪，极易发生踩踏事故。乘客出行越来越关注轨道交通的舒适性和安全性，实时发布轨道交通的拥挤度状况并能预测下一时段的拥挤度状况不仅可方便乘客进行路径选择，合理引导乘客出行，同时可为政府、运营管理企业动态获取城市轨道交通的拥挤程度提供了支撑，对于保障地铁运营意义深远。
技术实现思路
为了解决现有技术中存在的上述问题，本专利技术的目的是提供一种城市轨道交通客流拥挤度指数计算与发布系统，本计算与发布系统，主要功能为实现城市轨道交通客流密集度指数计算与发布。城市轨道交通客流密集度指数是根据轨道交通历史、实时及预测客流结果，推算出的车站、线路及全网的客流拥挤程度的表征，即本专利技术中提到的车站级客流密集度指数、线路级客流密集度指数和网络级客流密集度指数这三级密集度指数的汇总和总称。为达到上述目的，本专利技术的技术解决方案是：一种城市轨道交通客流密集度指数计算与发布系统，包括：a、多源数据输入单元：获取自动客流监测设备、AFC设备和列车实时监控设备的实时和历史客流数据，及人工调查数据；b、数据分析与密集度指数计算单元：包括多时间粒度客流分析与预测模块、车站级客流密集度指数计算模块、线路级客流密集度指数计算模块、网络级客流密集度指数计算模块；c、密集度指数发布单元包括指数显示模块、报表生成模块和面向用户的发布模块；所述数据分析与密集度指数计算单元与多源数据输入单元连接；所述多时间粒度客流分析及预测模块对从多源数据输入单元获取的实时和历史客流数据，并进行多种时间粒度的统计分析和预测，输出历史、实时及预测客流数据及多种时间粒度统计结果；所述密集度指数发布单元与数据分析与密集度指数计算单元通过数据接口连接；指数显示模块以数据分析与密集度指数计算单元输出的车站级客流密集度指数、线路级客流密集度指数、网络级客流密集度指数数据作为输入，以图形界面进行显示；数据分析与密集度指数计算单元的输出包括车站级客流密集度指数、线路级客流密集度指数、网络级客流密集度指数以及历史、实时及预测客流及其汇总结果；多时间粒度客流分析及预测模块根据从多源数据输入单元获取的实时和历史客流数据，得到预测客流数据的步骤包括：(1)对测试数据进行平稳性检验，若观测序列值是平稳，则无需进行差分运算，若非平稳，则需要进行d阶差分运算，直至使其成为平稳序列。然后对平稳序列数据进行随机性检验。若序列值彼此之间无任何相关性，则无需继续预测，若非纯随机序列，则可以进行下一步验证。(2)计算平稳序列的自相关系数(ACF)和偏自相关系数(PACF)，根据ACF和PACF的收尾特性，确定预测模型的的阶数，对预测模型中自回归系数多项式和移动平滑系数多项式中的未知参数和方差然后采用大量的历史数据对预测模型进行参数估计，得到参数值。(3)对残差进行白噪声检验，以辨别预测模型的显著有效性，若残差序列为非白噪声序列，则证明观测序列值相关信息的提取还不完全，需对预测模型进行重新定阶。然后对步骤(2)中估计的对参数进行显著性检验，以确定参数的显著有效性，剔除不显著参数。(4)利用序列已观测到的样本值对序列在未来某个时刻的取值进行估计。采用线性最小方差预测方法，根据输入的实测的客流量及历史客流量序列预测序列未来值，得到预测客流数据。上述预测模型是ARIMA(AutoregressiveIntegratedMovingAverage)预测模型，是差分自回归滑动平均模型；ARIMA(p，d，q)中，AR是“自回归”，p为自回归项数；MA为“滑动平均”，q为滑动平均项数，d为使之成为平稳序列所做的差分次数即阶数。历史、实时及预测客流数据及多种时间粒度统计结果为数据输入，由车站级客流密集度指数计算模块计算出车站级客流密集度指数；历史、实时及预测客流数据及多种时间粒度统计结果为数据输入，结合车站级客流密集度指数，由线路级客流密集度指数计算模块计算线路区间客流密集度指数和线路级客流密集度指数；历史、实时及预测客流数据及多种时间粒度统计结果为数据输入，结合线路级客流密集度指数，由网络级客流密集度指数计算模块计算出网络级客流密集度指数；车站级客流密集度指数、线路级客流密集度指数、网络级客流密集度指数分级进行量化计算，并根据实际拥挤程度划分成相应拥挤状态。车站级客流密集度指数、线路级客流密集度指数、网络级客流密集度指数用0-10分级进行量化计算，并根据实际拥挤程度划分成舒适、正常、轻度拥挤和极度拥挤四种状态；对应0-10分级量化计算体系，密集度指数0-3为舒适状态，密集度指数4-6为正常状态，密集度指数7-8为正常状态，密集度指数9-10为正常状态。数据分析与密集度指数计算，短时预测的时间粒度为10秒～5分钟。指数显示模块中对于密集度指数数值以不同颜色进行区分显示，对应不同的拥挤状态。具体来说，指数显示模块中对于密集度指数数值分别用绿色、黄色、橙色、红色对应前述舒适、正常、轻度拥挤和极度拥挤四种状态，并对应密集度指数具体数值范围。指数显示模块的显示模式包括全网指数显示模式、线路指数显示模式和车站指数显示模式；一、全网指数显示模式下，以轨道交通网络线路图作为显示基础，车站以圆点进行表示，并根据车站级密集度指数，按照对应状态及颜色进行显示；线路区间根据线路区间客流密集度指数按照对应状态及颜色进行显示；网络级密集度指数以数值形式进行直接显示，并按照对应状态及颜色进行显示；二、线路指数显示模式下，以全线车站和区间线路图作为显示基础，车站以圆点进行表示，并根据车站级密集度指数，按照对应状态及颜色进行显示；线路区间根据线路区间客流密集度指数按照对应状态及颜色进行显示；三、车站指数显示模式下，显示全站结构图，并对不同区域按照客流数据得到拥挤状况，且划分为不同的拥挤状态，并用不同颜色进行区域标识；全网指数显示模式下：点击轨道交通网络线路图中任意线路，进入该条线路对应的线路指数显示模式；点击轨道交通网络线路图中任意车站，则进入该车站对应的车站指数显示模式；线路指数显示模式下：点击线路中任意车站，进入该车站对应的车站指数显示模式。所述多源数据输入单元为C/S架构，它连接自动客流监测设备、AFC设备、列车实时监控设备及人工调查数据输入设备，获取客流监测数据、AFC数据、列车实时载客数据、人工调查数据，并对这些数据的格式进行整理符合统一标准；所述多源数据输入单元中，自动客流监测设备包括采用视频分析、激光扫描、红外激光和彩色视频融合、压力传感器、红外传感器，这本文档来自技高网...

【技术保护点】
一种城市轨道交通客流密集度指数计算与发布系统，其特征是包括：a、多源数据输入单元：获取自动客流监测设备、AFC设备和列车实时监控设备的实时和历史客流数据，及人工调查数据；b、数据分析与密集度指数计算单元：包括多时间粒度客流分析与预测模块、车站级客流密集度指数计算模块、线路级客流密集度指数计算模块、网络级客流密集度指数计算模块；c、密集度指数发布单元：包括指数显示模块、报表生成模块和面向用户的发布模块；所述数据分析与密集度指数计算单元与多源数据输入单元连接；所述多时间粒度客流分析及预测模块对从多源数据输入单元获取的实时和历史客流数据，并进行多种时间粒度的统计分析和预测；数据分析与密集度指数计算单元的输出包括车站级客流密集度指数、线路级客流密集度指数、网络级客流密集度指数以及历史、实时及预测客流及其汇总结果；所述密集度指数发布单元与数据分析与密集度指数计算单元通过数据接口连接；指数显示模块以数据分析与密集度指数计算单元输出的车站级客流密集度指数、线路级客流密集度指数、网络级客流密集度指数数据作为输入，以图形界面进行显示；在数据分析与密集度指数计算单元中：以最近某时间粒度实时监测数据为实时输入，通过历史样本数据拟合和深入挖掘，标定预测模型参数的初始值，并通过实际监测数据，对预测模型参数的值进行定期更新；如果所述最近某时间粒度实时监测数据缺失时，则采用历史同期数据的均值为实时输入；经过获得观测序列值、平稳性检验、白噪声检验、计算自相关系数和偏相关系数、模型定阶、未知参数估计、模型检验、模型优化和预测序列未来值和分析结果过程，得出预测结果；历史、实时及预测客流数据及多种时间粒度统计结果为数据输入，由车站级客流密集度指数计算模块计算出车站级客流密集度指数；历史、实时及预测客流数据及多种时间粒度统计结果为数据输入，结合车站级客流密集度指数，由线路级客流密集度指数计算模块计算线路区间客流密集度指数和线路级客流密集度指数；历史、实时及预测客流数据及多种时间粒度统计结果为数据输入，结合线路级客流密集度指数，由网络级客流密集度指数计算模块计算出网络级客流密集度指数；车站级客流密集度指数、线路级客流密集度指数、网络级客流密集度指数分级进行量化计算，并根据实际拥挤程度划分成相应拥挤状态。...

【技术特征摘要】
1.一种城市轨道交通客流密集度指数计算与发布系统，其特征是包括：a、多源数据输入单元：获取自动客流监测设备、AFC设备和列车实时监控设备的实时和历史客流数据，及人工调查数据；b、数据分析与密集度指数计算单元：包括多时间粒度客流分析与预测模块、车站级客流密集度指数计算模块、线路级客流密集度指数计算模块、网络级客流密集度指数计算模块；c、密集度指数发布单元：包括指数显示模块、报表生成模块和面向用户的发布模块；所述数据分析与密集度指数计算单元与多源数据输入单元连接；所述多时间粒度客流分析与预测模块对从多源数据输入单元获取的实时和历史客流数据，进行多种时间粒度的统计分析和预测；数据分析与密集度指数计算单元的输出包括车站级客流密集度指数、线路级客流密集度指数、网络级客流密集度指数以及历史、实时及预测客流及其汇总结果；所述密集度指数发布单元与数据分析与密集度指数计算单元通过数据接口连接；指数显示模块以数据分析与密集度指数计算单元输出的车站级客流密集度指数、线路级客流密集度指数、网络级客流密集度指数数据作为输入，以图形界面进行显示；在数据分析与密集度指数计算单元中：以最近某时间粒度实时监测数据为实时输入，通过历史样本数据拟合和深入挖掘，标定预测模型参数的初始值，并通过实际监测数据，对预测模型参数的值进行定期更新；如果所述最近某时间粒度实时监测数据缺失时，则采用历史同期数据的均值为实时输入；经过获得观测序列值、平稳性检验、白噪声检验、计算自相关系数和偏相关系数、模型定阶、未知参数估计、模型检验、模型优化和预测序列未来值和分析结果过程，得出预测结果；历史、实时及预测客流数据及多种时间粒度统计结果为数据输入，由车站级客流密集度指数计算模块计算出车站级客流密集度指数；历史、实时及预测客流数据及多种时间粒度统计结果为数据输入，结合车站级客流密集度指数，由线路级客流密集度指数计算模块计算线路区间客流密集度指数和线路级客流密集度指数；历史、实时及预测客流数据及多种时间粒度统计结果为数据输入，结合线路级客流密集度指数，由网络级客流密集度指数计算模块计算出网络级客流密集度指数；车站级客流密集度指数、线路级客流密集度指数、网络级客流密集度指数分级进行量化计算，并根据实际拥挤程度划分成相应拥挤状态；所述多时间粒度客流分析与预测模块根据从多源数据输入单元获取的实时和历史客流数据，求得预测客流数据的步骤包括：(1)先对实时和历史客流数据进行平稳性检验；若实时和历史客流数据的序列的值是平稳的，则无需进行差分运算，若非平稳，则对实时和历史客流数据的序列进行d阶差分运算，直至使其成为平稳序列；然后对平稳序列的数据进行随机性检验；若序列的值彼此之间无相关性，则结束预测；若非纯随机序列，则进行下一步验证；(2)计算平稳序列的自相关系数ACF和偏自相关系数PACF；由ACF和PACF的收尾特性，确定ARIMA预测模型的阶数；对ARIMA预测模型中自回归系数多项式和移动平滑系数多项式中的未知参数和方差，采用历史数据对ARIMA预测模型进行参数估计，得到参数值；(3)对残差进行白噪声检验，以辨别ARIMA预测模型的显著有效性；若残差序列为非白噪声序列，则证明观...

【专利技术属性】
技术研发人员：魏运，杨秀仁，田青，高国飞，郑宣传，仝淑贞，
申请(专利权)人：北京城建设计发展集团股份有限公司，
类型：发明
国别省市：北京;11