一种基于AFC的地铁站内楼扶梯客流量预测方法技术

本发明专利技术涉及一种基于AFC的地铁站内楼扶梯客流量预测方法，属于轨道交通运营管理技术领域。其特征在于：根据客流特征划分预测时段，设定数据的采样时间间隔，对闸机进行分组编号，选定待预测的楼扶梯；利用AFC刷卡数据按采样时间间隔统计各组闸机的进出站客流量；利用视频按采样时间间隔采集待预测楼扶梯的分向断面客流量；对采集的闸机进出站和楼扶梯客流量数据进行相关性分析，确定待预测楼扶梯的关联闸机组；建立楼扶梯客流量预测模型，用采集的进出站客流量和楼扶梯分向断面客流量对预测模型进行训练；使用训练后的预测模型对楼扶梯断面客流量进行预测。本发明专利技术能够有效提高车站内楼扶梯客流量动态预测的准确性、时效性和运营的安全性。

A passenger flow prediction method for escalator in subway station based on AFC

The invention relates to a passenger flow prediction method for escalators in subway stations based on AFC, and belongs to the technical field of rail transit operation and management. It is characterized in that: according to the characteristics of passenger flow, the prediction period is divided, the sampling time interval is set, the sluice crane is grouped and numbered, and the escalator to be predicted is selected; the incoming and outgoing passenger flow of each group of sluice cranes is counted according to the sampling time interval by using AFC card-swiping data; and the escalator to be predicted is collected by video sampling time interval. Sectional section passenger flow; correlation analysis of the collected data of entrance and exit points of sluice cranes and escalator passenger flow to determine the associated sluice units to be predicted; establishment of a prediction model of escalator passenger flow, using the collected entrance and exit station passenger flow and escalator sectional section passenger flow to train the prediction model; use the training after training The prediction model predicts the passenger flow volume of the escalator section. The invention can effectively improve the veracity, timeliness and operation safety of the dynamic prediction of the passenger flow of the escalator in the station inner building.

【技术实现步骤摘要】
一种基于AFC的地铁站内楼扶梯客流量预测方法
本专利技术涉及一种基于AFC的地铁站内楼扶梯客流量预测方法，属于轨道交通运营管理

技术介绍
随着社会经济的快速发展和轨道交通线网规模的不断扩展，城市轨道交通客流总量持续增长，而城市轨道交通车站作为路网中的节点，大客流拥堵现象时常发生，特别在早晚通勤高峰时段，客流极度拥挤，这不仅大大降低了乘客的出行效率和舒适性，还极大地增加了车站运营安全隐患。在大客流状态下站内(站台-站厅)楼扶梯拥堵点，更具有较高的风险严重性和发生可能性，是客流瓶颈点和客伤易发点。现有对地铁站内楼扶梯客流的判定与预测方法有以下几种：(1)车站监控视频法，其主要缺陷是：视频处理分析工作量大，缺乏统一的量化判定标准，无法准确对客流量进行预测；(2)车站现场工作人员主观经验法，其主要缺陷是：过于依赖于人工既有经验，无法保障高效性和准确性；(3)轨道交通自动售检票系统。即AFC(AutoFareCollection)系统计数法，其主要缺陷是：AFC数据只能获得各个闸机的进出站的客流量，无法判定站内楼扶梯的客流量，且无法对客流量进行预测。如何实现对地铁车站内楼扶梯拥堵点处的客流状态进行准确预测，为客流状态辨识提供有效参数支持，对于完善轨道交通大客流组织管理、保障运营安全具有重要意义，是目前亟待解决的问题。
技术实现思路
本专利技术的目的是针对现有技术中存在的问题，通过引进相关性分析法及人工神经网络法，建立车站进出站闸机客流与地铁车站内楼扶梯上下楼客流之间的实时预测模型，为地铁车站楼扶梯客流量动态判定与预测提供一种基于AFC票卡数据的人工智能方法。技术方案如下：一种基于AFC的地铁站内楼扶梯客流量预测方法，采用以下步骤：步骤S1：根据车站客流时间分布特征将客流数据划分多个预测时段，设定数据的采样时间间隔，对车站不同位置的闸机进行分组编号，选定待预测的楼扶梯；步骤S2：基于AFC刷卡数据统计获得预测时段内各采样时间间隔中不同编号闸机组的进出站客流量；设车站共有k组闸机，采集车站第m组闸机在预测时段内第t个采样时间间隔内的进站、出站客流量作为样本数据，其中m＝1、2…k，t＝1、2…n；步骤S3：利用车站楼扶梯视频，按照设定的采样时间间隔，采集待预测楼扶梯的进出站向断面客流量；共需采集样本数据n组，采集待预测楼扶梯在预测时段第t个采样时间间隔内的进站向断面客流量Yt进和出站向断面客流量Yt出作为样本数据；步骤S4：对和Yt进进行相关性分析，计算出Pearson(皮尔森)相关系数确定该楼扶梯进站向客流量的关联进站闸机组，对和Yt出进行相关性分析，计算出Pearson相关系数确定该楼扶梯出站向客流量的关联出站闸机组；步骤S5：采用BP神经网络方法分别建立基于关联进站闸机组的进站客流量对楼扶梯进站向断面客流量Yt进的预测模型，以及基于关联出站闸机组的出站客流量对楼扶梯出站向断面客流量Yt出的预测模型；步骤S6：在步骤S5建立的预测模型中加入步骤S2和步骤S3中采集的样本数据，采用BP算法和traingdx学习规则，对样本进行学习训练，得到满足使用精度要求的的预测模型；步骤S7：利用经步骤S6训练后收敛的BP神经网络预测模型，输入预测日预测时段第(t-1)个时间间隔各关联进站闸机组的进站客流量得到预测日预测时段第t个时间间隔的楼扶梯进站方向客流量Yt进；输入预测日预测时段第(t-1)个时间间隔各关联出站闸机组的出站客流量得到预测日预测时段第t个时间间隔的楼扶梯出站方向客流量Yt出，进而计算得到预测日预测时段第t个时间间隔的楼扶梯总断面客流量Yt＝Yt进+Yt出。进一步地，预测时段根据车站客流时间分布特征分为工作日高峰时段、工作日非高峰时段、非工作日时段三种。进一步地，步骤S2和步骤S3中采集的样本数据数量n>120，采样时间间隔取p分钟或q个发车间隔。进一步地，在步骤S4中，Pearson相关系数具体计算方法为：并选择和大于等于0.3的闸机组作为关联闸机组。进一步地，在步骤S6中，取总样本量的80％作为训练集，取总样本量的20％作为测试数据，其训练步骤为：步骤S601：初始化连接权及阈值；步骤S602：给网络提供学习模式对；步骤S603：计算中间层各单元输入、输出；步骤S604：计算输出层各单元输入、输出；步骤S605：计算输出层各单元校正误差；步骤S606：计算中间层各单元校正误差；步骤S607：调整中间层至输入层之间的连接权及输出层各单元的输出阈值；步骤S608：调整输入层至中间层之间的连接权及中间层各单元的输出阈值；步骤S609：更新学习输入模式，若未完成全部模式训练则从步骤S602重新开始，若完成了全部模式训练就更新学习次数；步骤S610：若学习次数未达到目标则从步骤S602重新开始，若学习次数达到目标则完成学习。有益效果：1)本专利技术能够有效提高对车站内楼扶梯客流量动态预测的准确性、时效性，提高车站大客流运营的安全性。2)通过Pearson相关系数对样本数据进行筛选，确保样本数据的相关性，使BP神经网络训练更精确。附图说明图1为本专利技术的整体流程图；图2为根据客流时间分布方法进行预测时段的划分示意图；图3为进站方向的BP神经网络预测模型结构图；图4为出站方向的BP神经网络预测模型结构图；图5为BP神经网络的训练流程图；图6为地铁9号线七宝站在2016年11月7日星期一的日客流分布图；图7为七宝站站厅层平面示意图；图8为本专利技术采集的部分数据结构图；图9为七宝站和Yt进以及和Yt出的相关性分析图；图10为七宝站楼扶梯出站方向预测客流与实际客流数据对比图；图11为七宝站楼扶梯进站方向预测客流与实际客流数据对比图；具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明：如图1所示的一种基于AFC的地铁站内楼扶梯客流量预测方法，采用以下步骤：步骤S1：根据车站客流时间分布特征将客流数据划分多个预测时段，设定数据的采样时间间隔，对车站不同位置的闸机进行分组编号，选定待预测的楼扶梯(客流量较大的可优先选择)；步骤S2：基于AFC刷卡数据统计获得预测时段内各采样时间间隔中不同编号闸机组的进出站客流量；设车站共有k组闸机，采集车站第m组(m＝1、2…k)闸机在预测时段内第t个(t＝1、2…n)采样时间间隔内的进站、出站客流量作为样本数据；步骤S3：通过视频计数的方式，采集站内待预测楼扶梯在预测时段第t个采样时间间隔内的进站向断面客流量Yt进和出站向断面客流量Yt出作为样本数据；步骤S4：对和Yt进进行相关性分析，计算出Pearson相关系数确定该楼扶梯进站向客流量的关联进站闸机组，对和Yt出进行相关性分析，计算出Pearson相关系数确定该楼扶梯出站向客流量的关联出站闸机组；步骤S5：如图3和图4所示，采用BP神经网络方法分别建立基于关联进站闸机组的进站客流量对楼扶梯进站向断面客流量Yt进的预测模型及基于关联出站闸机组的出站客流量对楼扶梯出站向断面客流量Yt出的预测模型；步骤S6：在步骤S5建立的预测模型中加入步骤S2和步骤S3中采集的样本数据，采用BP算法和traingdx学习规则，对样本进行学习训练，得到满足使用精度要求的的预测模型；步骤S7：利用经步骤S6训练后收敛的BP神经网络预测模型，输本文档来自技高网...

【技术保护点】
1.一种基于AFC的地铁站内楼扶梯客流量预测方法，其特征在于：采用以下步骤：步骤S1：根据车站客流时间分布特征将客流数据划分多个预测时段，设定数据的采样时间间隔，对车站不同位置的闸机进行分组编号，选定待预测的楼扶梯；步骤S2：基于AFC刷卡数据统计获得预测时段内各采样时间间隔中不同编号闸机组的进出站客流量；设车站共有k组闸机，采集车站第m组闸机在预测时段内第t个采样时间间隔内的进站、出站客流量

【技术特征摘要】
1.一种基于AFC的地铁站内楼扶梯客流量预测方法，其特征在于：采用以下步骤：步骤S1：根据车站客流时间分布特征将客流数据划分多个预测时段，设定数据的采样时间间隔，对车站不同位置的闸机进行分组编号，选定待预测的楼扶梯；步骤S2：基于AFC刷卡数据统计获得预测时段内各采样时间间隔中不同编号闸机组的进出站客流量；设车站共有k组闸机，采集车站第m组闸机在预测时段内第t个采样时间间隔内的进站、出站客流量作为样本数据，其中m＝1、2…k，t＝1、2…n；步骤S3：利用车站楼扶梯视频，按照设定的采样时间间隔，采集待预测楼扶梯的进出站向断面客流量；共需采集样本数据n组，采集待预测楼扶梯在预测时段第t个采样时间间隔内的进站向断面客流量Yt进和出站向断面客流量Yt出作为样本数据；步骤S4：对和Yt进进行相关性分析，计算出Pearson相关系数确定该楼扶梯进站向客流量的关联进站闸机组，对和Yt出进行相关性分析，计算出Pearson相关系数确定该楼扶梯出站向客流量的关联出站闸机组；步骤S5：采用BP神经网络方法分别建立基于关联进站闸机组的进站客流量对楼扶梯进站向断面客流量Yt进的预测模型，以及基于关联出站闸机组的出站客流量对楼扶梯出站向断面客流量Yt出的预测模型；步骤S6：在步骤S5建立的预测模型中加入步骤S2和步骤S3中采集的样本数据，采用BP算法和traingdx学习规则，对样本进行学习训练，得到满足使用精度要求的的预测模型；步骤S7：利用经步骤S6训练后收敛的BP神经网络预测模型，输入预测日预测时段第(t-1)个时间间隔各关联进站闸机组的进站客流量得到预测日预测时段第t个时间间隔的楼扶梯进站向客流量Yt进；输入...

【专利技术属性】
技术研发人员：胡华，王澄斐，刘志钢，
申请(专利权)人：上海工程技术大学，
类型：发明
国别省市：上海,31