一种基于数字孪生的地铁车站客流监测方法及系统技术方案

本发明专利技术公开了一种基于数字孪生的地铁车站客流监测方法及系统。一种基于数字孪生的地铁车站客流监测系方法，包括以下步骤：获取模型要素对应的监测数据；基于所述监测数据进行全局仿真分析或局部仿真分析。本发明专利技术实现了二维或三维空间中，行人流的动态、连续监测，揭示了行人交通的时空动态分布特征；实现了行人流演化态势的短时预测；充分利用既有传感设备采集行人流量，在此基础上进行微观交通特征的深度挖掘。度挖掘。度挖掘。

【技术实现步骤摘要】
一种基于数字孪生的地铁车站客流监测方法及系统


[0001]本专利技术属于客流管理
，特别涉及一种基于数字孪生的地铁车站客流监测方法及系统。

技术介绍

[0002]出于对运行安全、组织效率等的考虑，城市轨道交通车站设施布局、客流集散、现场组织、应急处置等方案的制定，越来越受到研究和应用的关注。特别是在人流时空分布复杂多变的大客流车站，实时监测和分析客流动态分布特征，预测客流短期运行态势，已成为日常管理的重要工作。现有地铁车站客流的监测手段有三类：一、采用视频监控。实现了视频图像的实时监测，但无法实现对车站人流分布、速度、密度等该指标的监测和预测。由于视频监控在车站离散分布，因此也无法实现人流连续监测；二、基于Wi
‑
Fi探针、蓝牙、手机信令等感知技术。Wi
‑
Fi探针、蓝牙、手机信令探测类感知技术可基于感知终端（如探针、基站等）与智能设备（手机、平板等）的通讯数据统计人流量。但无法精准监测行人个体的移动速度、空间位置等信息；三、光、热分析类感知技术。一定程度上可解决人流的平面分布、特定区域人流密度等问题，但同样无法解决个体的移动速度、空间位置等指标的监测。此外，既有的三类方法都无法评估群体排队长度、等候时间等不可观测指标。受监测精度的影响，也无法做到对行人流演化态势的短时预测。

技术实现思路

[0003]针对上述问题，本专利技术公开了一种基于数字孪生的地铁车站客流监测方法，包括以下步骤：获取模型要素对应的监测数据；基于所述监测数据进行全局仿真分析或局部仿真分析；其中，全局仿真分析包括以下步骤：获取一定时段内监测得到的行人流量数据；根据所述行人流量数据计算所述一定时段的下一时段内完成服务的行人总量的比例；对于所述一定时段内被监测到的各行人个体，生成一个服从均匀分布的伪随机数，根据所述伪随机数确定所述下一时段内各行人个体的交通吸引点；确定行人个体从交通发生点到交通吸引点之间的有效路径；更新行人个体时空状态；所述局部仿真分析包括以下步骤：读取模型要素范围内的监测数据，确定各感知模块处，行人个体将到达的感知模块对应模型要素的邻接模型要素；更新行人个体时空状态。
[0004]更进一步地，确定所述行人个体的交通吸引点的具体步骤如下：获取t时段内感知模块监测得到的行人流量为，并发送至对应的模型要素
；交通吸引点对应感知模块监测到的行人流量记为；其中,；确定t+1时段内各交通吸引点吸引的行人流量占t时段内完成服务的行人总量的比例，具体公式如下：其中，为t时段内交通吸引点处监测到的行人流量；为t时段内各交通吸引点完成服务的行人总量；n为分析模型中行人个体交通吸引点总数；为t+1时段内各交通吸引点吸引的行人流量占t时段内完成服务的行人总量的比例；确定t+1时段内各行人个体的交通吸引点，对于t时段内被监测到的各行人个体，生成一个服从均匀分布的伪随机数；若，则行人个体的目的地为第1个交通吸引点；否则，行人个体的目的地为第d个交通吸引点，其中。
[0005]更进一步地，所述确定行人个体从交通发生点到交通吸引点之间的有效路径的具体步骤如下：确定t+1时段内分析模型中各交通发生点和交通吸引点之间的有效路径集；有效路径集是指分析模型中连接任一交通发生点和交通吸引点，且实际有行人使用的路径集合；其中，；确定t+1时段内，各交通发生点和交通吸引点对各有效路径的广义交通费用，公式如下：其中，为t+1时段内各交通发生点和交通吸引点对中r条有效路径的广义交通费用；K为路径r有关的特性变量总数；为t时段内路径r的第k个特性
变量；为特性变量权重；确定t+1时段内各交通发生点和交通吸引点对各有效路径分配的客流占比，公式如下：其中，为t+1时段内第r条有效路径分配的客流比例；为有效路径集；确定t+1时段内行人个体的行走路径；对于t时段内监测到的每个行人个体，生成一个服从均匀分布的伪随机数；若，则行人个体的行走路径为第1条有效路径；否则，行人个体的行走路径为第条有效路径，其中。
[0006]更进一步地，所述确定各感知模块处，行人个体将到达的感知模块对应模型要素的邻接模型要素的具体步骤如下：获取t时段内，各感知模块监测得到的行人流量，并发送至感知模块对应的模型要素；确定t+1时段内模型要素的邻接模型要素所吸引人流占模型要素处行人总量比例，公式如下：其中，为t时段内模型要素的邻接模型要素处监测到的行人流量；
为t时段内模型要素的所有邻接模型要素处监测到的行人总量；为邻接模型要素的总数；为比例系数；确定模型要素监测到的行人个体的局部目标邻接模型要素，对于每个t时段内被监测到的行人个体，生成一个服从均匀分布的伪随机数；若，则行人个体的局部目的地为第1个邻接模型要素；否则，行人个体的局部目的地为第l个邻接模型要素，其中，。
[0007]一种基于数字孪生的地铁车站客流监测系统，包括：模型构建单元、流量感知单元、仿真分析单元和应用支撑单元；所述仿真分析单元与模型构建单元、流量感知单元和应用支撑单元连接；所述流量感知单元，用于获取模型要素对应的监测数据；所述仿真分析单元，用于基于所述监测数据进行全局仿真分析或局部仿真分析；仿真分析单元，用于获取一定时段内监测得到的行人流量数据，根据所述行人流量数据计算所述一定时段的下一时段内完成服务的行人总量的比例，对于所述一定时段内被监测到的各行人个体，生成一个服从均匀分布的伪随机数，根据所述伪随机数确定所述下一时段内各行人个体的交通吸引点，确定行人个体从交通发生点到交通吸引点之间的有效路径，更新行人个体时空状态；读取模型要素范围内的监测数据，确定各感知模块处，行人个体将到达的感知模块对应模型要素的邻接模型要素，更新行人个体时空状态。
[0008]更进一步地，所述模型构建单元，具体用于：搭建分析模型，生成并初始化模型要素的空间属性和交通属性；建立模型要素
‑
感知模块的映射关系；识别或指定各个模型要素的邻接模型要素，构造邻接矩阵；其中，所述模型要素包括区域和节点；所述区域包括自由活动区域和活动受限区域；所述节点包括交通发生点、交通吸引点、通过型服务设施和等候型服务设施。
[0009]更进一步地，所述流量感知单元包括感知模块、解析模块和数据存储模块；所述感知模块与解析模块连接；所述解析模块与数据存储模块连接。
[0010]更进一步地，所述仿真分析单元，具体用于：获取t时段内感知模块监测得到的行人流量为，并发送至对应的模型要素；交通吸引点对应感知模块监测到的行人流量记为；其中,；
确定t+1时段内各交通吸引点吸引的行人流量占t时段内完成服务的行人总量的比例，具体公式如下：其中，为t时段内交通吸引点处监测到的行人流量；为t时段内各交通吸引点完成服务的行人总量；n为分析模型中行人个体交通吸引点总数；为t+1时段内各交通吸引点吸引的行人流量占t时段内完成服务的行人总量的比例；确定t+1时段内各行人个体的交通吸引点，对于t时段内被监测到的各行人个体，生成一个服从均匀分布的伪随机数；若，则行人个体的目的地为第1个交通吸引点；否则，行人个体的目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数字孪生的地铁车站客流监测方法，其特征在于，包括以下步骤：获取模型要素对应的监测数据；基于所述监测数据进行全局仿真分析或局部仿真分析；其中，全局仿真分析包括以下步骤：获取一定时段内监测得到的行人流量数据；根据所述行人流量数据计算所述一定时段的下一时段内完成服务的行人总量的比例；对于所述一定时段内被监测到的各行人个体，生成一个服从均匀分布的伪随机数，根据所述伪随机数确定所述下一时段内各行人个体的交通吸引点；确定行人个体从交通发生点到交通吸引点之间的有效路径；更新行人个体时空状态；所述局部仿真分析包括以下步骤：读取模型要素范围内的监测数据，确定各感知模块处，行人个体将到达的感知模块对应模型要素的邻接模型要素；更新行人个体时空状态。2.根据权利要求1所述的基于数字孪生的地铁车站客流监测方法，其特征在于，确定所述行人个体的交通吸引点的具体步骤如下：获取t时段内感知模块监测得到的行人流量为，并发送至对应的模型要素；交通吸引点对应感知模块监测到的行人流量记为；其中,；确定t+1时段内各交通吸引点吸引的行人流量占t时段内完成服务的行人总量的比例，具体公式如下：其中，为t时段内交通吸引点处监测到的行人流量；为t时段内各交通吸引点完成服务的行人总量；n为分析模型中行人个体交通吸引点总数；为t+1时段内各交通吸引点吸引的行人流量占t时段内完成服务的行人总量的比例；确定t+1时段内各行人个体的交通吸引点，对于t时段内被监测到的各行人个体，生成一个服从均匀分布的伪随机数；若，则行人个体的目的地为第1个交通吸引点；否则，行人个体的目的地为第d个交通吸引点，其中。3.根据权利要求2所述的基于数字孪生的地铁车站客流监测方法，其特征在于，所述确
定行人个体从交通发生点到交通吸引点之间的有效路径的具体步骤如下：确定t+1时段内分析模型中各交通发生点和交通吸引点之间的有效路径集；有效路径集是指分析模型中连接任一交通发生点和交通吸引点，且实际有行人使用的路径集合；其中，；确定t+1时段内，各交通发生点和交通吸引点对各有效路径的广义交通费用，公式如下：其中，为t+1时段内各交通发生点和交通吸引点对中r条有效路径的广义交通费用；K为路径r有关的特性变量总数；为t时段内路径r的第k个特性变量；为特性变量权重；确定t+1时段内各交通发生点和交通吸引点对各有效路径分配的客流占比，公式如下：其中，为t+1时段内第r条有效路径分配的客流比例；为有效路径集；确定t+1时段内行人个体的行走路径；对于t时段内监测到的每个行人个体，生成一个服从均匀分布的伪随机数；若，则行人个体的行走路径为第1条有效路径；否则，行人个体的行走路径为第条有效路径，其中。4.根据权利要求1所述的基于数字孪生的地铁车站客流监测方法，其特征在于，所述确定各感知模块处，行人个体将到达的感知模块对应模型要素的邻接模型要素的具体步骤如下：获取t时段内，各感知模块监测得到的行人流量，并发送至感知模块对应的模型要素；确定t+1时段内模型要素的邻接模型要素所吸引人流占模型要素处行人总量比例，公式如下：
其中，为t时段内模型要素的邻接模型要素处监测到的行人流量；为t时段内模型要素的所有邻接模型要素处监测到的行人总量；为邻接模型要素的总数；为比例系数；确定模型要素监测到的行人个体的局部目标邻接模型要素，对于每个t时段内被监测到的行人个体，生成一个服从均匀分布的伪随机数；若，则行人个体的局部目的地为第1个邻接模型要素；否则，行人个体的局部目的地为第l个邻接模型要素，其中，。5.一种基于数字孪生的地铁车站客流监测系统，其特征在于，包括：模型构建单元、流量感知单元、仿真分析单元和应用支撑单元；所述仿真分析单元与模型构建单元、流量感知单元和应用支撑单元连接；所述流量感知单元，用于获取模型要素对应的监测数据；所述仿真分析单元，用于基于所述监测数据进行全局仿真分析或局部仿真分析；仿真分析...

【专利技术属性】
技术研发人员：李金海，刘剑锋，杨冠华，梁肖，孙永亮，李芳，范瑞，廖唱，尹双超，
申请(专利权)人：北京城建设计研究院有限公司，
类型：发明
国别省市：