一种基于轨道交通信息处理终端的数据监测方法技术

本发明专利技术提出了一种基于轨道交通信息处理终端的数据监测方法，包括构建城市轨道交通的数据矩阵；基于构建的所述城市轨道交通的数据矩阵，预测各个车站之间每个时段客流量的分布特征；基于预测的每个时段客流量的分布特征，将数据矩阵转化为客流量矩阵，并计算该预测时间段的客流量评价参数。通过对未来时间段的客流状态预测及评价，及时进行列车运行合理处置和调度指挥，避免拥堵的传播。避免拥堵的传播。避免拥堵的传播。

【技术实现步骤摘要】
一种基于轨道交通信息处理终端的数据监测方法


[0001]本专利技术涉及轨道交通信息处理
，尤其涉及一种基于轨道交通信息处理终端的数据监测方法。

技术介绍

[0002]随着城市经济的快速发展，城市道路拥挤状况越来越严重。在这种情况下，城市轨道交通作为一种运量大、速度快、安全性高、污染小的现代化交通方式，己经成为各大城市缓解交通压力的首选，从而进入快速发展时期。
[0003]城市轨道交通的网络化运营特征越来越明显。在网络化运营背景下，城市轨道交通呈现出路网规模庞大、客流量激增、突发事件影响传播快、客流特性及演化规律更复杂等特征，使得网络化运营条件下的运输组织和客流组织决策面临更大的挑战。尤其是在实时运营过程中，需要根据当前的路网客流状态以及未来的客流状态进行列车运行调整和客流调控，并在突发情况或拥堵发生时及时进行合理处置和调度指挥，避免拥堵的传播，降低路网运营的损失，提高运输服务质量，保障网络持续正常运营。这就需要及时而准确地估计或者预测不同层面上的路网客流状态及其动态变化，作为定量决策的依据。
[0004]现有技术中，例如专利文献CN109598389A公开了一种轨道交通车辆大数据管理方法，包括：构建大数据信息平台：大数据信息平台包括轨道交通车辆信息、轨道交通车辆运行总时间、轨道交通车辆运行总里程、轨道交通车辆总载客人次、轨道交通车辆运行最大速度、轨道交通车辆运行平均速度、轨道交通车辆检修频率、轨道交通车辆维修频率；信息共享：将构建好的大数据信息平台进行共享；按需提取有用信息：在共享信息中根据需要进行筛选与提取。但是该技术方案，仅仅对实时的信息进行了监控和共享，并不能在突发情况或拥堵发生时及时进行预测并作出合理处置和调度指挥，避免拥堵的传播。
[0005]再例如专利文献CN112925258A公开了一种基于大数据物联网的安全监控智能管理系统，包括轨道段划分模块、轨道段图像采集模块、障碍物识别分析模块、安全数据库、车站统计模块、车站等待人群图像采集模块、等待区人群统计模块、语音提示终端、车站停靠参数检测模块、车站历史平均人流量分析模块、参数处理中心、管理服务器和后台显示终端，通过融合城市轨道交通对应的轨道危险系数、车站等待乘客危险系数、停靠危险系数和人流量危险系数，进而得到城市轨道交通运营的综合危险系数。但是该技术方案，无法在实时运营过程中，根据当前的路网客流状态以及未来的客流状态进行列车运行调整和客流调控。

技术实现思路

[0006]为了解决上述技术问题，本专利技术提出了一种基于轨道交通信息处理终端的数据监测方法，包括如下步骤：
[0007]S1、构建城市轨道交通的数据矩阵；
[0008]S2、基于构建的所述城市轨道交通的数据矩阵，预测各个车站之间每个时段客流
量的分布特征；
[0009]S3、基于预测的每个时段客流量的分布特征，将数据矩阵转化为客流量矩阵，并计算该预测时间段的客流量评估参数。
[0010]进一步地，所述步骤S2包括：
[0011]将已知时间段的客流量与历史客流量进行比较，得到该已知时间段的映射集；
[0012]基于记忆神经网络模型，计算待测时间段的客流数据的预测值。
[0013]进一步地，设数据矩阵中共有M个车站，i为其中一个车站，以历史客流量数据中N天的对应的时间段T的客流分时数据为历史样本数据源，生成已知时间段T的客流量的历史映射集，包括如下步骤：
[0014]Step1:历史样本数据源的处理；对历史数据进行映射，映射出车站i在时间段T内数据的集合A，其中A＝{A1,A2,
…
，A
N
},A
j
表示第j天在时间段T内的数据样本；
[0015]Step2:初始值中心点的确定；将数据的集合A分成两部分，一部分为与已知时间段T的映射度较高的集合C1，另一部分为与已知时间段T的映射度较低的集合C2，选取两个数据分别作为两个集合的中心点x1,x2；
[0016]Step3:相似集的划分；选取A
j
中的数据样本，计算A
j
中的数据样本与两个中心点x1,x2的欧式距离，
[0017]D1＝||A
i
‑
x1||，D2＝||A
i
‑
x2||,比较D1、D2，将其划分到欧式距离较近的集合中；
[0018]Step4:中心点的更新；分别计算新的C'1,C'2集合内向量的中心点x'1,x'2，令x1＝x'1,x2＝x'2,继续Step3；
[0019]Step5:得到两个新的集合C'1,C'2后，判断已知时间段所属集合，并将其作为映射集。
[0020]进一步地，基于记忆神经网络模型，计算待测时间段的客流数据的预测值，具体包括：
[0021]首先，将映射集中的所有天数的数据样本作为记忆神经网络模型的训练数据；
[0022]K表示当前的时段，对于数据矩阵中任意车站i,Q
i
(K
‑
T)表示K
‑
T时段的客流量,在记忆神经网络模型中，将前T个时段的客流量作为一组变量进行输入，数据的集合X
i
为:
[0023]X
i
＝(Q
i
(K
‑
T),
…
，Q
i
(K
‑
2)，Q
i
(K
‑
1))；
[0024]其中，X
i
表示预测的第K时段的客流量；
[0025]取T个时段的客流数据向量X
i
构成输入序列，取当前时段K客流数据量构成输出序列，形成基于记忆神经网络模型的客流量预测模型训练数据；
[0026]其次，利用所述客流量预测模型训练数据进行记忆神经网络模型训练；
[0027]最后，基于训练好的记忆神经网络模型，得到基于映射集的记忆神经网络模型的预测时间段的客流量。
[0028]进一步地，所述步骤S3中，所述客流量评估参数包括：用于表征所述客流量矩阵的行或列所对应的车站的客流量的实际评估参数，所述实际评估参数是根据所述客流量矩阵中每行或每列中大于阈值的个数确定的；用于表征城市轨道交通中全部车站的客流量的均值评估参数，所述均值评估参数是根据城市轨道交通中各个车站的实际评估参数的平均值确定的。
[0029]进一步地，所述步骤S1中，根据输入的各个车站名称以及各个车站之间的距离关
联构建对应的数据矩阵，所述数据矩阵中的数值为所在的行对应的车站以及所在的列对应的车站之间的距离映射到0～1范围得到的。
[0030]进一步地，所述记忆神经网络模型的隐含层采用3层的LSTM结构，输出层的激活函数采用relu激活函数。
[0031]进一步地，所述T的取值为4。
附图说明
[0032]为了更清楚地说明本专利技术实施例或现有技术中的技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轨道交通信息处理终端的数据监测方法，其特征在于，包括如下步骤：S1、构建城市轨道交通的数据矩阵；S2、基于构建的所述城市轨道交通的数据矩阵，预测各个车站之间每个时段客流量的分布特征；S3、基于预测的每个时段客流量的分布特征，将数据矩阵转化为客流量矩阵，并计算该预测时间段的客流量评估参数。2.根据权利要求1所述的数据监测方法，其特征在于，所述步骤S2包括：将已知时间段的客流量与历史客流量进行比较，得到该已知时间段的映射集；基于记忆神经网络模型，计算待测时间段的客流数据的预测值。3.根据权利要求2所述的数据监测方法，其特征在于，设数据矩阵中共有M个车站，i为其中一个车站，以历史客流量数据中N天的对应的时间段T的客流分时数据为历史样本数据源，生成已知时间段T的客流量的历史映射集，包括如下步骤：Step1:历史样本数据源的处理；对历史数据进行映射，映射出车站i在时间段T内数据的集合A，其中A＝{A1,A2,
…
，A
N
},A
j
表示第j天在时间段T内的数据样本；Step2:初始值中心点的确定；将数据的集合A分成两部分，一部分为与已知时间段T的映射度较高的集合C1，另一部分为与已知时间段T的映射度较低的集合C2，选取两个数据分别作为两个集合的中心点x1,x2；Step3:相似集的划分；选取A
j
中的数据样本，计算A
j
中的数据样本与两个中心点x1,x2的欧式距离，D1＝||A
i
‑
x1||，D2＝||A
i
‑
x2||,比较D1、D2，将其划分到欧式距离较近的集合中；Step4:中心点的更新；分别计算新的C'1,C'2集合内向量的中心点x'1,x'2，令x1＝x'1,x2＝x'2,继续Step3；Step5:得到两个新的集合C'1,C'2后，判断已知时间段所属集合，并将其作为映射集。4.根据权利要求2所述的数据监测方法，其特征在于，基于记忆神经网络模型，计算待测时间段的客流数据的预测值，具体包...

【专利技术属性】
技术研发人员：刘仲谋，陈海清，
申请(专利权)人：深圳明弘电子科技有限公司，
类型：发明
国别省市：