基于轨道交通站内高密度客流的多指标风险量化方法技术

本发明专利技术提供了基于轨道交通站内高密度客流的多指标风险量化方法，包括：步骤

【技术实现步骤摘要】
基于轨道交通站内高密度客流的多指标风险量化方法


[0001]本专利技术涉及轨道交通
，具体涉及基于轨道交通站内高密度客流的多指标风险量化方法
。

技术介绍

[0002]轨道交通站内早晚高峰的大客流给车站运营带来极大安全风险，高密度人群中的局部扰动或混乱极易诱发拥挤踩踏类事故，造成人员伤亡
。
纵观目前行业内相关技术和产品，交通枢纽场站的客流监测预警系统，多为通过量化一定区域内的乘客数量，反推密度和拥挤程度，采用基于人群密度的行人服务水平等级划分的方法评估公共区域风险水平，极少采用反映人群内部秩序混乱水平的指标，对人群风险进行识别和预警
。
因此，迫切需要构建能精准描述高密度人群风险的评价指标体系，以便实现车站内客流风险的实时监控和预警，避免出现人群拥挤踩踏等恶性事故
。
[0003]目前关于轨道交通站内集群风险评估主要存在以下问题：
[0004](1)
纵观目前行业内相关技术和产品，交通枢纽场站的客流监测预警系统，多为通过量化一定区域内的乘客数量，反推密度和拥挤程度，采用基于人群密度的行人服务水平等级划分的方法评估公共区域风险水平，鲜少采用反映人群内部混乱水平的指标，对实际场景的人群风险进行识别和预警
。
[0005](2)
在密度极高的条件下，人群局部速度突变是诱发安全风险的主要原因，会导致人群内部受力增大进而造成挤压乃至踩踏致伤
。
除了密度
、
速度
、
疏散时间等传统指标，人群的不稳定性是出现风险的重要指征，但目前在轨道交通站内人群风险评估中应用较少
。
且目前研究大部分未考虑轨道交通站内行人走行的设施特性，如障碍物布局
、
出口位置等对潜在风险的影响
。

技术实现思路

[0006]本专利技术旨在提供基于轨道交通站内高密度客流的多指标风险量化方法，用于解决以上问题
。
[0007]本专利技术的技术方案是：基于轨道交通站内高密度客流的多指标风险量化方法，包括：
[0008]步骤
S1
：获取行人的基础数据，即通过视频追踪技术记录每一时刻内每个行人的坐标
(x,y)
的基础数据；
[0009]步骤
S2
：基于行人的基础数据来计算行人相关指标，即计算每一时刻内每一行人位置处在
x
和
y
方向上的速度
、
转向角，利用
Voronoi
计算的行人局部密度；
[0010]步骤
S3
：利用将
Voronoi
计算的行人局部密度平均化得到场景平均密度，并使用场景平均密度定义描述场景拥挤水平；根据熵值计算公式计算密度熵
、
速度熵
、
角度熵，并根据密度熵
、
速度熵
、
角度熵计算混合熵以衡量混乱水平；
[0011]步骤
S4
：对衡量拥挤水平的密度和衡量混乱水平的熵值进行归一化处理，得到拥
挤风险值和混乱风险值，并根据场景区域特点，对拥挤风险和混乱风险分配权重系数
(0
‑
1)
，将人群风险化为0‑1内的四个风险等级；
[0012]步骤
S5
：得到风险等级对应的时间段，加强监控风险等级高的时间段
。
[0013]优选地，步骤
S3
中，具体包括以下步骤：
[0014]步骤
S31
，使用
Voronoi
图来定义场景中的行人局部密度，获取每个行人在不同时刻的局部密度值，将密度平均化进而获得拥挤水平
R
congestion
，具体包括：
[0015](1)
在
Voronoi
图中，每一个行人粒子被分配一个分割的单元区域，分割单元中的点表示行人
i
在
t
k
时刻的位置，该单元区域包含距离该行人粒子最近的范围，行人粒子密度越大，所分配的单元区域越小，所有被划分的单元区域组成整个场景行人行走区域
A
：
[0016][0017]A——
所有被划分的单元格组成的整个行人行走区域；
[0018](2)
计算测量区域内行人
i
在
t
k
时刻的局部密度
ρ
i
(t
k
)
：
[0019][0020]其中
|
Ω
i
(t
k
)|
表示行人
i
在
t
k
时刻所占据的局部区域面积
[0021](3)
通过对场景内局部密度
ρ
i
(t
k
)
平均化，得到
t
k
时刻的场景平均密度：
[0022][0023]步骤
S32
，计算行人的密度熵，具体包括：
[0024]将场景中所有行人密度的大小划分为
n1个相同宽度的区间，计算行人的密度熵：
[0025][0026]其中，
h
ρ
(i)
来表示该场景中密度大小属于第
i
个区间行人粒子的数目；
p
ρ
(i)
＝
h
ρ
(i)/N
表示密度大小分布的概率，
N
是区域内行人的总数量；
[0027]步骤
S33
，计算行人的速度熵，具体包括：
[0028]将场景中的速度大小划分为
n2个相同宽度的区间，计算行人的速度熵：
[0029][0030]其中，
h
v
(j)
表示行人速度大小位于第
j
个区间的数量，
p
v
(j)
＝
h
v
(j)/N
表示速度大小的分布概率，
N
是区域内行人的总数量；
[0031]步骤
S34
，计算行人的角度熵，具体包括：
[0032]将场景中的行人转向角划分为
n3个相同宽度的区间，计算行人的角度熵：
[0033][0034]其中，
h
θ
(k)
表示行人转向角位于第
k
个区间的数量，
p
θ
(k)
＝
h
θ
(k)/N
表示转向角大小的分布概率，
N
是区域内行人的总数量
。
[0035]优选地，步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于轨道交通站内高密度客流的多指标风险量化方法，其特征在于，包括：步骤
S1
：获取行人的基础数据，即通过视频追踪技术记录每一时刻内每个行人的坐标
(x,y)
的基础数据；步骤
S2
：基于行人的基础数据来计算行人相关指标，即计算每一时刻内每一行人位置处在
x
和
y
方向上的速度
、
转向角，利用
Voronoi
计算的行人局部密度；步骤
S3
：利用将
Voronoi
计算的行人局部密度平均化得到场景平均密度，并使用场景平均密度定义描述场景拥挤水平；根据熵值计算公式计算密度熵
、
速度熵
、
角度熵，并根据密度熵
、
速度熵
、
角度熵计算混合熵以衡量混乱水平；步骤
S4
：对衡量拥挤水平的密度和衡量混乱水平的熵值进行归一化处理，得到拥挤风险值和混乱风险值，并根据场景区域特点，对拥挤风险和混乱风险分配权重系数
(0
‑
1)
，将人群风险化为0‑1内的四个风险等级；步骤
S5
：得到风险等级对应的时间段，加强监控风险等级高的时间段
。2.
根据权利要求1所述的基于轨道交通站内高密度客流的多指标风险量化方法，其特征在于，步骤
S3
中，具体包括以下步骤：步骤
S31
，使用
Voronoi
图来定义场景中的行人局部密度，获取每个行人在不同时刻的局部密度值，将密度平均化进而获得拥挤水平
R
congestion
，具体包括：
(1)
在
Voronoi
图中，每一个行人粒子被分配一个分割的单元区域，分割单元中的点表示行人
i
在
t
k
时刻的位置，该单元区域包含距离该行人粒子最近的范围，行人粒子密度越大，所分配的单元区域越小，所有被划分的单元区域组成整个场景行人行走区域
A
：
A——
所有被划分的单元格组成的整个行人行走区域；
(2)
计算测量区域内行人
i
在
t
k
时刻的局部密度
ρ
i
(t
k
)
：其中
|
Ω
i
(t
k
)|
表示行人
i
在
t
k
时刻所占据的局部区域面积
(3)
通过对场景内局部密度
ρ
i
(t
k
)
平均化，得到
t
k
时刻的场景平均密度：步骤
S32
，计算行人的密度熵，具体包括：将场景中所有行人密度的大小划分为
n1个相同宽度的区间，计算行人的密度熵：其中，
h
ρ
(i)
来表示该场景中密度大小属于第
i
个区间行人粒子的数目；
p
ρ
(i)
＝
h
ρ
(i)/N
表示密度大小分布的概率，
N
是区域内行人的总数量；步骤
S33
，计算行人的速度熵，具体包括：将场景中的速度大小划分为
n2个相同宽度的区间，计算行人的速度熵：
其中，
h
v
(j)
表示行人速度大小位于第
...

【专利技术属性】
技术研发人员：李小红，朱亚迪，张金雷，张晓迪，邢本勇，唐鹏程，孝启铭，闫苇杭，袁凌志，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：