地铁站内客流流线优化及动态引导指示牌系统及设计方法
文献发布时间:2023-06-19 13:45:04
技术领域
本发明属于地铁客流疏散领域,具体涉及一种地铁站内客流流线优化及动态引导指示牌系统及设计方法。
背景技术
地铁具有运量大、能耗低、污染少和乘坐方便等优点,在城市公共交通服务方面发挥着日益显著的作用。随着地铁的快速发展,地铁线路网络化格局逐步形成,客流吸引量持续增长。地铁已逐步成为人们首选的出行方式之一。
目前,地铁站内部结构复杂,站内客流集散量较大,尤其在早晚高峰时段,站内客流通行能力较低,极易在瓶颈处产生堵塞,形成安全隐患。通常,地铁站内乘客的路径选择行为可直接影响出行效率和疏散能力。不同情况下乘客的路径规划与动态引导、信息的实时共享是解决站内拥堵、提高车站安全系数最直接有效的解决办法。
因此,需要设计一款动态引导指示牌,不仅能缓解地铁站内的乘客拥堵现象,而且能够很好地避免无秩序的客流疏散。
发明内容
本发明的目的针对上述不足,提出了一种地铁站内客流流线优化及动态引导指示牌系统及设计方法。
本发明具体采用如下技术方案:
一种地铁站内客流流线优化及动态引导指示牌系统,乘客识别与定位单元、基于乘客拥挤度的随机用户均衡客流分配单元、站内乘客实时位置展示和路径推荐单元;
乘客识别与定位单元通过站内监控设备提取地铁站内各处画面,并通过图像处理提取画面中的乘客位置,得到整个地铁站内的乘客分布状况;
基于乘客拥挤度的随机用户均衡客流分配单元用于计算乘客分布数据,得到优化后的客流分配结果;
站内乘客实时位置展示和路径推荐单元用于将客流的实时分布情况与优化后的推荐路径展示于站内的动态引导指示牌上。
优选地,乘客识别与定位单元内还设有实时监控机构,实时监控机构通过地铁站内的监控设备,采集乘客在地铁站内的活动视频,运用高斯混合模型与卷积神经网络相结合实现乘客识别与定位;
首先,使用高斯混合模型对视频中乘客图形进行提取处理,读取所有完整乘客图形在视频中的位置信息;
然后,使用卷积神经网络算法对视频中被遮挡的乘客图形进行下一帧的位置预测及识别,得到连续的乘客位置信息;
最后,将乘客在视频中的位置转化为真实场景中的位置,从而得到各乘客在地铁站的实时位置信息及其轨迹。
一种地铁站内客流流线优化及动态引导指示牌设计方法,采用如上所述的系统,具体包括以下步骤:
S1:通过站内监控设备提取地铁站内各处画面;
S2:采用图像处理将画面中的乘客位置进行提取,得到整个地铁站内的乘客分布状况;
S3:基于乘客拥挤度的随机用户均衡客流分配模型,得到优化后的客流分配结果;
S4:将客流的实时分布情况与优化后的推荐路径展示于站内的动态引导指示牌上。
优选地,步骤S2包括:
S21:使用高斯混合模型对视频中乘客图形进行提取处理,读取所有完整乘客图形在视频中的位置信息;
S22:使用卷积神经网络算法对视频中被遮挡的乘客图形进行下一帧的位置预测及识别,得到连续的乘客位置信息;
S23:将乘客在视频中的位置转化为真实场景中的位置,从而可以得到各乘客在地铁站的实时位置信息及其轨迹。
优选地,步骤S3中基于乘客拥挤度的随机用户均衡客流分配单元包括如式(1)所示的随机用户均衡客流分配模型,
其中,s.t.为约束条件,x
路径容量如式(2)所示:
其中,A、B分别表示地铁设施物理长度和宽度,r为乘客的半径。
本发明具有如下有益效果:
本发明公开的技术方案,在未发生紧急事故时,会根据站内乘客分布情况动态播报人员密度图,并为此处乘客推荐进站乘车路线或出站路线以达到分散客流并提高乘客出行效率的目的。在发生紧急事故时,会迅速根据现有乘客分布计算各指示牌位置处乘客的最优出站路线并动态实时显示,以减缓站内拥堵,避免二次事故的发生。
附图说明
图1为地铁站内客流流线优化及动态引导指示牌系统的流程示意图。
图2为地铁站内客流流线优化及动态引导指示牌的设计方法流程示意图。
图3为图像处理技术的流程示意图。
图4为随机用户均衡模型和最小成本模型(MassMotion软件中配置的方法)下的乘客吸引力图,(a)是随机用户均衡模型下的乘客吸引力图,(b)是最小成本模型下的乘客吸引力图。
图5为不同站台密度下随机用户均衡客流分配模型和最小成本模型(MassMotion软件中配置的方法)的个人疏散时间仿真对比图。
具体实施方式
下面结合附图和具体实施例对本发明的具体实施方式做进一步说明:
结合图1,一种地铁站内客流流线优化及动态引导指示牌系统,乘客识别与定位单元、基于乘客拥挤度的随机用户均衡客流分配单元、站内乘客实时位置展示和路径推荐单元。
乘客识别与定位单元通过站内监控设备提取地铁站内各处画面,并通过图像处理提取画面中的乘客位置,得到整个地铁站内的乘客分布状况。
乘客识别与定位单元内还设有实时监控机构,实时监控机构通过地铁站内的监控设备,采集乘客在地铁站内的活动视频,运用高斯混合模型与卷积神经网络相结合实现乘客识别与定位,具体过程为:
首先,使用高斯混合模型对视频中乘客图形进行提取处理,读取所有完整乘客图形在视频中的位置信息。
然后,使用卷积神经网络算法对视频中被遮挡的乘客图形进行下一帧的位置预测及识别,得到连续的乘客位置信息。
最后,将乘客在视频中的位置转化为真实场景中的位置,从而得到各乘客在地铁站的实时位置信息及其轨迹。
基于乘客拥挤度的随机用户均衡客流分配单元用于计算乘客分布数据,得到优化后的客流分配结果。
站内乘客实时位置展示和路径推荐单元用于将客流的实时分布情况与优化后的推荐路径展示于站内的动态引导指示牌上。
结合图2,地铁站内客流流线优化及动态引导指示牌系统及设计方法,采用如上所述的系统,具体包括以下步骤:
S1:通过站内监控设备提取地铁站内各处画面。
通过地铁站内的监控设备,采集乘客在地铁站内的活动视频。由于监控设备可能存在一些监控死角、视角遮挡和区域重复等问题,需要对监控设备进行调整,使其尽可能清晰地覆盖整个地铁站。
S2:结合图3,采用图像处理将画面中的乘客位置进行提取,得到整个地铁站内的乘客分布状况,具体包括:
S21:使用高斯混合模型对视频中乘客图形进行提取处理,读取所有完整乘客图形在视频中的位置信息;
高斯混合模型算法用于相对稳定的背景情况下对运动目标的检测,每个像素点的高斯混合模型存储该像素位置的背景特征。首先对图像中的每一帧,均建立一组高斯混合模型来适应背景中的RGB值。然后当输入新一帧图像中的像素值时,将其与高斯混合模型中的存储背景进行比较,以确定该像素是否属于运动前景。最后根据持续输入的连续帧中相应位置的像素值,高斯混合模型的参数在线下初始化后,在线上进行更新。
S22:使用卷积神经网络算法对视频中被遮挡的乘客图形进行下一帧的位置预测及识别,得到连续的乘客位置信息;
卷积神经网络在计算机视觉领域有着优异的表现,在物体识别与追踪上更是体现出远远超越传统算法的精度和鲁棒性。对于视频中被遮挡的乘客图形,首先在上一帧乘客边界框附近随机选择满足高斯分布的样本。然后基于神经网络的前向传播,得到每一个样本作为下一帧乘客边界框的可能性。其中,可能性最大的样本为下一帧中的乘客边界框。卷积神经网络算法从第一帧开始,逐帧预测下一帧乘客的位置,继续进行追踪。最后,将边界框的下边界中点近似为乘客站立点在视频上的位置。
S23:将乘客在视频中的位置转化为真实场景中的位置,从而可以得到各乘客在地铁站的实时位置信息及其轨迹。
将乘客站立坐标转换为空间实物坐标,需要对摄像头进行过矫正处理,所以其坐标转换公式为:
其中,(Xr,Yr)为实际空间坐标,(Xv,Yv)为视频空间坐标,R为坐标转换矩阵,δ为常数。对于每个摄像头,需要在使用之前进行坐标转换矩阵R和常数δ的标定。从两个坐标空间中采集4对以上的坐标值,每对坐标值代表同一个点在不同坐标系中的两种值。通过坐标代入与最小二乘法,即可求解出近似的R和δ。经过坐标转换公式,可以得到最终的结果,即乘客在实物空间里的站立点坐标值。
S3:基于乘客拥挤度的随机用户均衡客流分配模型,得到优化后的客流分配结果。
步骤S3中基于乘客拥挤度的随机用户均衡客流分配单元包括如式(1)所示的随机用户均衡客流分配模型,
其中,s.t.为约束条件,x
路径容量如式(2)所示:
其中,A、B分别表示地铁设施物理长度和宽度,r为乘客的半径。
S4:将客流的实时分布情况与优化后的推荐路径展示于站内的动态引导指示牌上。动态引导指示牌的主体为一个LED展示屏,此屏幕上显示站内乘客位置的实时分布及当前分布状态下的最优推荐路径。指示牌放置在站内的各个路径决策点处,以起到引导乘客、疏散客流的作用。
为了对本发明的可行性和有效性进行验证,本实例中选取某一城市地铁站,采用了MassMotion软件构建五四广场地铁站模型进行仿真模拟实验,随机用户均衡模型和最小成本模型(MassMotion软件中配置的方法)下的乘客吸引力对比如图4所示,不同站台密度下随机用户均衡客流分配模型和最小成本模型的个人疏散时间仿真对比情况如图5所示。随机用户均衡客流分配模型下的乘客路径选择更加均衡,个人疏散时间明显少于最小成本模型下的乘客疏散时间。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
- 地铁站内客流流线优化及动态引导指示牌系统及设计方法
- 一种地铁站内乘客排队引导方法和引导系统