【技术实现步骤摘要】
本专利技术涉及交通路网客流预测，尤其涉及一种多源多点协同的城市轨道交通路网客流安全状态感知方法。
技术介绍
1、城市轨道交通具有节能、省地、运量大和安全便捷等特点，属绿色环保交通体系，特别适应于大中城市。除北京、上海、广州等一线城市外深圳、成都、南京等城市轨道交通建设规模也在持续增长，客运量占比逐年增加，网络化建设逐步成型。随着城市轨道交通路网的日益完善，乘客的出行更为便利，但城市轨道交通系统吸引大量乘客，对运营管理和乘客出行服务提出了更高的要求。
2、对于高负荷运行的城市轨道交通网络，城市轨道交通系统面临着诸多挑战，如高峰时段拥堵、突发事件大面积延误和恶劣天气等。实时掌握路网重点客流的安全状态和发展趋势，对合理有效的路网运营组织具有重要支撑作用。
3、目前，现有技术中的客流感知方法往往依赖于单一的数据源和固定的监控点，难以全面、实时地反映路网客流安全状态的变化。同时，对于庞大的路网监控点位达到数十万，而路网调度中心的计算资源有限，调度关注时空有限，如何利用有限的计算资源，在路网中准确感知重要的安全节点客流状态，为调度监视服务，也是亟待解决的问题。
技术实现思路
1、本专利技术的实施例提供了一种多源多点协同的城市轨道交通路网客流安全状态感知方法，以实现有效地感知城市轨道交通路网客流的安全状态。
2、为了实现上述目的，本专利技术采取了如下技术方案。
3、一种多源多点协同的城市轨道交通路网客流安全状态感知方法，包括：
4、将自
5、综合所述融合数据、路网结构、天气信息、预估车站和列车大客流信息，识别路网重点客流群体；
6、对于路网重点客流群体，叠加视频监测数据，构建客流群体精细画像，设置客流群体的初始安全因子；
7、根据客流群体精细画像、afc数据和配流与视频基础指标数据协同识别重点客流群体的安全状态。
8、优选地，所述的将afc数据、列车运行计划数据和实际列车运行数据进行时空融合，得到融合数据，包括：
9、将实际与计划的列车到达、出发和通过的车站与afc数据所在车站进行空间匹配，将实际与计划的列车i出发和通过的时间与乘客j的afc刷卡时间进行时间匹配，时间匹配的公式如下；
10、
11、式中，为第i次列车经过k站的时间，为乘客i在k站afc刷卡时间，为乘客j在k站进站走行时间；
12、剔除超出合理范围的错误数据，合理范围的公式如下：
13、
14、式中，为车站k的开放时间，为车站k的关闭时间。
15、优选地，所述的综合所述融合数据、路网结构、天气信息、预估车站和列车大客流信息，识别路网重点客流群体，包括：
16、将路网客流群体按照时空及出行维度进行划分，时间维度包括：均匀划分时段以及列车到发时间划分时段，空间维度包括：车站和区间列车，出行环节维度包括：进站、出站、换乘和候车；
17、计算客流群体的重要度评估指标，该重要度评估指标包括网络大客流因子、恶劣天气因子和运营风险因子；
18、对于所有的客流群体，依据网络大客流因子、恶劣天气因子和运营风险因子三项指标进行非支配排序，选出前n组帕累托前沿，作为路网的重点客流群体。
19、优选地，所述的网络大客流风险因子的计算依据为客流群体管控失效带来网络节点或边在一定时间范围内失效，对路网客流的影响程度，路网网络大客流风险因子的计算公式为：
20、
21、其中，为t时段内区间vi的路网网络大客流风险因子，为区间的大客流风险系数，为t时段内途径区间vi的客流量，v为所有区间集合；
22、车站网络大客流风险因子的计算公式为：
23、
24、其中，为t时段内，车站si的网络大客流风险因子；为车站的大客流风险系数；为t时段内，进/出/停留车站si的客流量；s为所有车站集合。
25、优选地，所述的恶劣天气风险因子计算以天气预报的区域风险等级为依据，地面的区间节点关联大风雨雪，地下车站节点关联暴雨；地面区间/车站的恶劣天气风险因子计算公式为：
26、
27、其中，为t时段内地上站/区间ui的恶劣天气风险因子；为地上站/区间的恶劣天气风险系数；为t时段内地上站/区间ui的风雨雪评价等级；u为所有地上站/区间集合；
28、地下区间/车站的恶劣天气风险因子计算公式为：
29、
30、其中，其中，为t时段内，地下站/区间di的恶劣天气风险因子；为地下站/区间的恶劣天气风险系数；为t时段内，地下站/区间di的暴雨评价等级；d为所有地下站/区间集合。
31、优选地，所述的运营风险因子以运营条件带来的风险，计算以列车延误程度和车站的列车发车间隔偏离程度成正比，计算公式如下：
32、
33、其中，为t时段内车站k的运营风险因子；为车站的运营风险系数；为t时段内，车站k的列车延误程度；为t时段内，车站k的列车发车间隔偏离程度；k为所有车站集合。
34、优选地，所述的对于路网重点客流群体，叠加视频监测数据，构建客流群体精细画像，设置客流群体的初始安全因子，包括：
35、根据监控点位的位置、车站客流的流线以及客流行进方向视频，将客流群体的出行环节划分为进站、候车、换乘和出站；
36、根据客流视频的人脸识别结果将客流的年龄阶段分为青年、老人和儿童；
37、根据对出行环境的熟悉程度，将客流分为常乘客为主、非常乘客为辅，根据客流的速度密度关系以及afc刷卡数据联合得到常乘客的计算公式如下：
38、pre＝{p|(nn，k≥nn，m)∧(vd，k≥vd，m)}
39、其中，pre为常乘客集合，p为所有乘客集合，nn，k为n天内乘客k的afc刷卡次数，nn，m为n天内常乘客的afc刷卡次数阈值，vd，k为密度d下乘客k的速度，vd，m为密度d下常乘客的速度阈值；
40、非常乘客的计算公式如下：
41、pnre＝p-pre
42、其中，pnre为非常乘客集合；
43、设置安全因子的大小排序如下：
44、kout>kin>ksta>ktra>ktrain
45、其中，kout为出站安全因子，kin为进站安全因子，ksta为候车安全因子，ktra为换乘安全因子，ktrain为列车安全因子；
46、kyou>kold>kchi
47、其中，kyou为青壮年安全因子，kold老人安全因子，kchi为儿童安全因子；
48、kre>knre
49、其中，kre为常乘客安全因子，knre为非常乘客安全因子；
【技术保护点】
1.一种多源多点协同的城市轨道交通路网客流安全状态感知方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述的将AFC数据、列车运行计划数据和实际列车运行数据进行时空融合，得到融合数据，包括：
3.根据权利要求2所述的方法，其特征在于，所述的综合所述融合数据、路网结构、天气信息、预估车站和列车大客流信息，识别路网重点客流群体，包括：
4.根据权利要求3所述的方法，其特征在于，所述的网络大客流风险因子的计算依据为客流群体管控失效带来网络节点或边在一定时间范围内失效，对路网客流的影响程度，路网网络大客流风险因子的计算公式为：
5.根据权利要求3所述的方法，其特征在于，所述的恶劣天气风险因子计算以天气预报的区域风险等级为依据，地面的区间节点关联大风雨雪，地下车站节点关联暴雨；地面区间/车站的恶劣天气风险因子计算公式为：
6.根据权利要求3所述的方法，其特征在于，所述的运营风险因子以运营条件带来的风险，计算以列车延误程度和车站的列车发车间隔偏离程度成正比，计算公式如下：
7.根据权利要求3所述的方法
8.根据权利要求3所述的方法，其特征在于，所述的根据客流群体精细画像、AFC数据和配流与视频基础指标数据协同识别重点客流群体的安全状态，包括：
...【技术特征摘要】
1.一种多源多点协同的城市轨道交通路网客流安全状态感知方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述的将afc数据、列车运行计划数据和实际列车运行数据进行时空融合，得到融合数据，包括：
3.根据权利要求2所述的方法，其特征在于，所述的综合所述融合数据、路网结构、天气信息、预估车站和列车大客流信息，识别路网重点客流群体，包括：
4.根据权利要求3所述的方法，其特征在于，所述的网络大客流风险因子的计算依据为客流群体管控失效带来网络节点或边在一定时间范围内失效，对路网客流的影响程度，路网网络大客流风险因子的计算公式为：
5.根据权利要求3所述的方法，其特征在于...
【专利技术属性】
技术研发人员：秦勇，郭建媛，王子瑜，孙方，孙璇，谢征宇，方志伟，孙琦，厉立，郑宣传，刘冠华，薛玉，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。