一种客运服务分析与调度方法、系统和管控平台

技术领域

本发明涉及客运服务管控技术领域，具体涉及一种客运服务分析与调度方法、系统和管控平台。

背景技术

客运站作为交通网络中最为关键的衔接部分，客运站的有效监测与管理是整个交通运输的基础。

目前，客运站系统及设备较多，自动化系统孤立。各个客运站由于无法全方面掌握客运站实时运行态势，无法实时感知客流、设备状态、客运站环境和突发事件等。在面对客流量日益增大，设备及系统故障频发，突发事件增加；管理者缺乏智能化技术手段，无法提前感知各类突发事件的发生，从而导致在面对突发事件时束手无策。

发明内容

有鉴于此，本发明的目的在于提供一种客运服务分析与调度方法、系统和管控平台，以解决现有技术中客运站的管理者由于缺乏智能化技术手段，无法及时感知突发事件，从而导致在突发事件发生时束手无策的问题。

根据本发明实施例的第一方面，提供一种客运服务分析与调度方法，包括：

获取客运服务的数据信息；

对所述数据信息进行预处理，得到预处理后的数据信息，并将所述预处理后的数据信息存储到客运服务的数据中心；

根据所述数据信息和所述数据中心的数据，采用模糊评价法对客运服务的评价因子进行合成，并梳理合成后的评价因子；

根据梳理后的评价因子，设置计算逻辑和参考值，得到客运服务模型；

根据所述数据信息和所述客运服务模型，构建客运服务分析与调度系统；

获取当前客运服务的需求计划和当前任务在流程中的处理节点，并结合客运服务分析与调度系统，进行重计算，得到符合客运站数据信息的调度结果。

优选地，所述数据信息包括：人员信息、设备信息、环境信息、运行信息、预警信息、票务信息和客运信息；

其中，所述人员信息，包括：客运站人员信息、服务人员信息和人流信息。

优选地，所述对所述数据信息进行预处理，得到预处理后的数据信息，包括：

对所述人员信息、设备信息、环境信息、运行信息、预警信息、票务信息和客运信息的数据进行数据清洗比对并进行预设规则的存储，得到预处理后的数据信息。

优选地，所述对所述人员信息、设备信息、环境信息、运行信息、预警信息、票务信息和客运信息的数据进行数据清洗比对并进行预设规则的存储，得到预处理后的数据信息，具体为：

对所述人员信息、设备信息、环境信息、运行信息、预警信息、票务信息和客运信息的数据进行错误纠正、删除重复项、统一规格、修正逻辑、转换构造、数据压缩、补足残缺/空值和丢弃数据/变量的清洗，并将清洗后的数据进行预设规则的存储，得到处理后的数据信息；其中，所述预设规则的存储，包括：分类存储。

优选地，所述得到客运服务模型之后，还包括：

根据客运服务工作要求，对所述评价因子进行强特征智能配对，并采用自然语言处理方法进行处理，得到符合客运服务工作要求的审查规则；

将所述审查规则量化到所述客运服务模型中，得到符合审查规则的客运服务模型。

优选地，所述自然语言处理方法，包括：

获取语料、数据预处理、特征工程、特征选择、模型选择、模型训练、模型评估以及投产上线。

优选地，所述根据所述数据信息和所述客运服务模型，构建客运服务分析与调度系统，具体为：

根据所述数据信息和所述客运服务模型，选取摄像机人流信息、智能设备信息和服务人员定位信息作为关键要素，选取12306系统信息、人员基础信息作为一般要素，构建客运服务分析与调度系统。

优选地，所述获取客运服务的数据信息，包括：

采用摄像机获取客运站的人流信息、客运站人员信息；

根据联网系统/装置，获取客运站的设备信息、环境信息、运行信息和预警信息。

根据本发明实施例的第二方面，提供一种客运服务分析与调度系统，包括：

获取模块，用于获取客运服务的数据信息；

预处理模块，用于对所述数据信息进行预处理，得到预处理后的数据信息，并将所述预处理后的数据信息存储到客运服务的数据中心；

合成模块，用于根据所述数据信息和所述数据中心的数据，采用模糊评价法对客运服务的评价因子进行合成，并梳理合成后的评价因子；

计算模块，用于根据梳理后的评价因子，设置计算逻辑和参考值，得到客运服务模型；

构建模块，用于根据所述数据信息和所述客运服务模型，构建客运服务分析与调度系统；

重计算模块，用于获取当前客运服务的需求计划和当前任务在流程中的处理节点，并结合客运服务分析与调度系统对数据进行重计算，得到符合客运站数据信息的调度结果。

根据本发明实施例的第三方面，提供一种客运服务管控平台，包括：

通信模块、处理器和存储器，其中，所述存储器中存储有程序指令；

所述处理器用于执行存储器中存储的程序指令，执行上述的方法。

本发明的实施例提供的技术方案可以包括以下有益效果：

通过获取客运服务的数据信息，并进行预处理，得到客运服务的数据中心，根据数据信息和数据中心的数据，采用模糊评价法对客运服务的评价因子进行合成，并梳理合成后的评价因子，根据梳理后的评价因子，设置计算逻辑和参考值，得到客运服务模型，并结合数据信息，构建客运服务分析与调度系统，获取当前客运服务的需求计划和当前任务在流程中的处理节点，并结合客运服务分析与调度系统，进行重计算，得到符合客运站数据信息的调度结果，本发明采用智能化处理手段，构建了数据中心和客运服务模型，并结合客运服务的需求计划和当前任务在流程中的处理节点得到了符合客运站数据信息的调度结果，在进行数据分析时能够预警出是否有突发事件的产生，并采取相应的应对措施。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种客运服务分析与调度方法的流程图；

图2是根据一示例性实施例示出的8种基本类型之间的自动转换关系图；

图3是一示例性实施例示出的一种客运服务分析与调度系统示意框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

实施例一

请参阅图1，图1是根据一示例性实施例示出的一种客运服务分析与调度方法的流程图，如图1所示，该方法包括：

步骤S01、获取客运服务的数据信息；

步骤S02、对所述数据信息进行预处理，得到预处理后的数据信息，并将所述预处理后的数据信息存储到客运服务的数据中心；

步骤S03、根据所述数据信息和所述数据中心的数据，采用模糊评价法对客运服务的评价因子进行合成，并梳理合成后的评价因子；

步骤S04、根据梳理后的评价因子，设置计算逻辑和参考值，得到客运服务模型；

步骤S05、根据所述数据信息和所述客运服务模型，构建客运服务分析与调度系统；

步骤S06、获取当前客运服务的需求计划和当前任务在流程中的处理节点，并结合客运服务分析与调度系统，进行重计算，得到符合客运站数据信息的调度结果。

需要说明的是，本实施例提供的技术方案适用的应用场景包括但不限于：火车站、汽运站等客运服务场所。

需要说明的是，客运服务模型包括多个独立的系统，例如：客运服务中的公共厕所卫生状况系统、人员密度系统、候车室温度、湿度系统、电梯运行系统等。其中，每一个系统对应一个相应的服务模型，总称为客运服务模型。

可以理解的是，本实施例提供的技术方案，通过获取客运服务的数据信息，并进行预处理，得到客运服务的数据中心，根据数据信息和数据中心的数据，采用模糊评价法对客运服务的评价因子进行合成，并梳理合成后的评价因子，根据梳理后的评价因子，设置计算逻辑和参考值，得到客运服务模型，并结合数据信息，构建客运服务分析与调度系统，获取当前客运服务的需求计划和当前任务在流程中的处理节点，并结合客运服务分析与调度系统，进行重计算，得到符合客运站数据信息的调度结果，本发明采用智能化处理手段，构建了数据中心和客运服务模型，并结合客运服务的需求计划和当前任务在流程中的处理节点得到了符合客运站数据信息的调度结果，在进行数据分析时能够预警出是否有突发事件的产生，并采取相应的应对措施。

在具体实践中，所述数据信息包括：人员信息、设备信息、环境信息、运行信息、预警信息、票务信息和客运信息；

其中，所述人员信息，包括：客运站人员信息、服务人员信息和人流信息，具体地请参阅表1，表1是数据信息的分类及内容。

表1 数据信息的分类及内容

/>

在具体实践中，步骤S11中“获取客运服务的数据信息”，可以有多种实现方式，其中一种实现方式可以为：

1、采用摄像机获取客运站的人流信息、客运站人员信息；

2、根据联网系统/装置，获取客运站的设备信息、环境信息、运行信息和预警信息。

在具体实践中，步骤S12中“对所述数据信息进行预处理，得到预处理后的数据信息，并将所述预处理后的数据信息存储到客运服务的数据中心”可以有多种实现方式，其中一种实现方式可以为：

对所述人员信息、设备信息、环境信息、运行信息、预警信息、票务信息和客运信息的数据进行数据清洗比对，并进行预设规则的存储，得到预处理后的数据信息，并将所述预处理后的数据信息存储到客运服务的数据中心。

需要说明的是，数据清洗比对是利用有关技术，如：数理统计、数据挖掘或预定义的清理规则将脏数据转化为满足数据质量要求的数据。例如：人员信息，仅需获取人员的身份信息、工作时长、工作轨迹、职业等与客运服务相关的信息，须过滤掉如：身高、体重等与客运服务无关的信息。

其中，数据清洗比对主要包括：错误纠正、删除重复项、统一规格、修正逻辑、转换构造、数据压缩、补足残缺/空值和丢弃数据/变量的清洗，并将清洗后的数据进行预设规则的存储，得到处理后的数据信息，并将所述预处理后的数据信息存储到客运服务的数据中心；例如：人员信息的客运站人员信息与服务人员信息整合存储在同一数据表中，人流信息则存储在另一数据表中，进行分类存储。

其中，所述预设规则的存储，包括：分类存储。

需要说明的是，预设规则的存储可以为分类存储、按信息内容存储等用户想要实现的存储方式。

需要说明的是，

1、纠正错误

错误数据是数据源环境中经常出现的一类问题。数据错误的形式包括：

（1）数据值错误：数据直接是错误的，例如超过固定域集、超过极值、拼写错误、属性错误、源错误等。

（2）数据类型错误：数据的存储类型不符合实际情况，如客运服务的日期类型的以数值型存储，时间戳存为字符串等。

（3）数据编码错误：数据存储的编码错误，例如：将UTF-8写成UTF-80。

（4）数据格式错误：数据的存储格式问题，如半角全角字符、中英文字符等。

（5）数据异常错误：如数值数据输成全角数字字符、字符串数据后面有一个回车操作、日期越界、数据前后有不可见字符等。

（6）依赖冲突：某些数据字段间存储依赖关系，例如：客运站工作人员与工号应该满足对应关系，但可能存在二者不匹配的问题。

（7）多值错误：大多数情况下，每个字段存储的是单个值，但也存在一个字段存储多个值的情况，其中有些可能是不符合实际业务规则的。

2、删除重复项

由于各种原因，数据中可能存在重复记录或重复字段（列），对于这些重复项目（行和列）需要做去重处理。其基本思想是“排序和合并”，即排序和计算相似度。

常见的排序算法：插入排序、冒泡排序、选择排序、快速排序、堆排序、归并排序、基数排序、希尔排序。

常见的判断相似度的算法：基本的字段匹配算法标准化欧氏距离、汉明距离、夹角余弦、杰卡德距离、马氏距离、曼哈顿距离、闵可夫斯基距离、欧氏距离、切比雪夫距离、相关系数、信息熵。对于重复的数据项，尽量需要经过业务确认并进行整理提取出规则。在清洗转换阶段，对于重复数据项尽量不要轻易做出删除决策，尤其不能将重要的或有业务意义的数据过滤掉，校验和重复确认的工作必不可少。

例如：采集的客运站某3个工作人员的工号为10139、10138和10139，名字都为张三，职务为保洁员、售票员、空值，采用冒泡排序法算法进行处理，比较三个元素，经排序后为10138-张三-售票员、10139-张三- 、10139-张三-保洁员。通过基本的字段匹配算法输出结果为：10138-张三-售票员、10139-张三-保洁员。删除了10139-张三- 的值，保留了职务这一项具有业务意义的数据。

3. 统一规格

由于数据源系统分散在各个业务线，不同业务线对于数据的要求、理解和规格不同，导致对于同一数据对象描述规格完全不同，因此在清洗过程中需要统一数据规格并将一致性的内容抽象出来。

数据字段的规则大致可以从以下几个方面进行统一：

（1）名称，对于同一个数据对象的名称首先应该是一致的。例如：对于人流信息这个字段，可能的名称包括：客流量、客流密度、人员信息等。

（2）类型：同一个数据对象的数据类型必须统一，且表示方法一致。例如客运站的排班日期的类型和客流的时间戳的类型需要区分。

（3）单位：对于数值型字段，单位需要统一。例如：万、十万、百万等单位度量。

（4）格式：在同一类型下，不同的表示格式也会产生差异。例如监控视频的日期、服务器的日期、电脑端的日期、智能设备上的日期存在的日期格式缩写均不一样。

（5）长度：同一字段长度必须一致。

（6）小数位数：小数位数对于数值型字段尤为重要，尤其当数据量累积较大时会因为位数的不同而产生巨大偏差。

（7）计数方法：对于数值型等的千分位、科学计数法等的计数方法的统一。

（8）缩写规则：对于常用字段的缩写，例如单位、姓名、日期、月份等的统一。例如：将周一表示为Monday还是Mon还是M，智能设备缩写为Device还是D，摄氏度缩写为℃还是度。

（9）值域：对于离散型和连续型的变量都应该根据业务规则进行统一的值域约束。

（10）约束：是否允许控制、唯一性、外键约束、主键等的统一。

4. 修正逻辑

在多数据源的环境下，很可能存在数据异常或冲突的问题。

对于这类的数据矛盾，首先需要明确各个源系统的逻辑、条件、口径，然后定义一套符合各个系统采集逻辑的规则，并对异常源系统的采集逻辑进行修正。

某些情况下，也可能存在业务规则的错误导致的数据采集的错误，此时需要从源头纠正错误的采集逻辑，然后再进行数据清洗和转换。

5. 数据变换

数据变换是数据清理过程的重要步骤，是对数据的一个的标准的处理，几乎所有的数据处理过程都会涉及该步骤。数据转换常见的内容包括：数据类型转换、数据语义转换、数据值域转换、数据粒度转换、表/数据拆分、行列转换、数据离散化、数据离散化、提炼新字段、属性构造、数据压缩等。

（1）数据类型转换

当数据来自不同数据源时，不同类型的数据源数据类型不兼容可能导致系统报错。这时需要将不同数据源的数据类型进行统一转换为一种兼容的数据类型。

基本数据类型: byte/short/char/int/long/float/double八种。这些不同类型的数据，开辟出的内存空间大小不同，所以每种类型的取值范围就不同。不同的类型之间，在满足数据兼容的条件下可以实现转换，通常有以下几种方式：

1、自动类型转换：容量小的类型自动转换为容量大的数据类型；根据自动类型转换的定义，8种基本类型之间的自动转换关系参见图2，图2是根据一示例性实施例示出的8种基本类型之间的自动转换关系图。

2、强制类型转换：容量大的数据类型转换为容量小的数据类型；

3、隐含强制类型转换(初始化)：在变量初始化时，int类型会隐含强制转换成低级别的byte和short类型；

4、其他类型转换：包装类、字符串、基本类型直接的转换。

（2）数据语义转换

传统数据仓库中基于第三范式可能存在维度表、事实表等，此时在事实表中会有很多字段需要结合维度表才能进行语义上的解析。例如，假如字段M的业务含义是浏览器类型，其取值分为是1/2/3/4/5，这5个数字如果不加转换则很难理解为业务语言，更无法在后期被解读和应用。

（3）数据粒度转换

业务系统一般存储的是明细数据，有些系统甚至存储的是基于时间戳的数据，而数据仓库中的数据是用来分析的，不需要非常明细的数据，一般情况下，会将业务系统数据按照数据仓库中不同的粒度需求进行聚合。

（4）表/数据拆分

某些字段可能存储多中数据信息，例如时间戳中包含了年、月、日、小时、分、秒等信息，有些规则中需要将其中部分或者全部时间属性进行拆分，以此来满足多粒度下的数据聚合需求。同样的，一个表内的多个字段，也可能存在表字段拆分的情况。

（5）行列转换

某些情况下，表内的行列数据会需要进行转换（又称为转置），例如协同过滤的计算之前，user和term之间的关系即互为行列并且可相互转换，可用来满足基于项目和基于用户的相似度推荐计算。

（6）数据离散化

将连续取值的属性离散化成若干区间，来帮助消减一个连续属性的取值个数。例如对于人流量这个字段，为了便于做统计，根据业务经验可能分为几个不同的区间：0～500、501～1000、1001～1500、1501～2000、大于2000，或者在此基础上分别用1、2、3、4、5来表示。

（7）数据标准化

不同字段间由于字段本身的业务含义不同，有些时间需要消除变量之间不同数量级造成的数值之间的悬殊差异。例如将销售额进行离散化处理，以消除不同销售额之间由于量级关系导致的无法进行多列的复合计算。数据标准化过程还可以用来解决个别数值较高的属性对聚类结果的影响。

（8）提炼新字段

很多情况下，需要基于业务规则提取新的字段，这些字段也称为复合字段。这些字段通常都是基于单一字段产生，但需要进行复合运算甚至复杂算法模型才能得到新的指标。

（9）属性构造

有些建模过程中，也会需要根据已有的属性集构造新的属性。例如：现已经有客运站某块区域的特征属性‘长’与‘宽’，就可以构造该区域的‘面积’这个属性。已知客运站每日上班时间这个属性，就可以构造一周上班时间这个属性。

6. 数据压缩

数据压缩是指在保持原有数据集的完整性和准确性，不丢失有用信息的前提下，按照一定的算法和方式对数据进行重新组织的一种技术方法。

对大规模的数据进行复杂的数据分析与数据计算通常需要耗费大量时间，所以在这之前需要进行数据的约减和压缩，减小数据规模，而且还可能面临交互式的数据挖掘，根据数据挖掘前后对比对数据进行信息反馈。这样在精简数据集上进行数据挖掘显然效率更高，并且挖掘出来的结果与使用原有数据集所获得结果基本相同。

数据压缩的意义不止体现在数据计算过程中，还有利于减少存储空间，提高其传输、存储和处理效率，减少数据的冗余和存储的空间，这对于底层大数据平台具有非常重要的意义。

数据压缩有多种方式可供选择：

（1）数据聚合：将数据聚合后使用，例如如果汇总全部数据，那么基于更粗粒度的数据更加便利。

（2）维度约减：通过相关分析手动消除多余属性，使得参与计算的维度（字段）减少；也可以使用主成分分析、因子分析等进行维度聚合，得到的同样是更少的参与计算的数据维度。

（3）数据块消减：利用聚类或参数模型替代原有数据，这种方式常见于多个模型综合进行机器学习和数据挖掘。

（4）数据压缩：数据压缩包括无损压缩和有损压缩两种类型。数据压缩常用于磁盘文件、视频、音频、图像等。

7. 补足残缺/空值

由于各种主客观原因，很多系统存在残缺数据，残缺数据包含行缺失、列缺失、字段缺失三种情况。行缺失指的是丢失了一整条数据记录，列缺失指的是丢失一整列数据，字段缺失指的是字段中的值为空值。其中空值也分两种情况：

（1）缺失值。缺失值指的是的数据原本是必须存在的，但实际上没有数据。例如客运服务人员学历这个字段每个人都会有，所以如果系统强制验证是不应该为空。

（2）空值。空值指的是实际存在可能为空的情况，所以空值不一定是数据问题。例如客运站工作人员技能证书这个字段，只有部分持证人员才有这个字符串，因此也可能存在无技能证书的用户，所以可能为空。

对于缺失值和空值的填充处理主要包含两种方式：

（1）手工填入可能的值；

（2）利用规则填充可能的值：某些缺失值可以从本数据源或其它数据源推导出来，这就可以用数据分布的状态和特征，使用众数、中位数、平均值、最大值、最小值填充，或者使用近邻分析甚至更为复杂的概率估计代替缺失的值。

8. 丢弃数据/变量

对于数据中的异常数据，包括缺失值、空值、错误值、不完整的数据记录等，除了使用上面讲的方法进行清洗、转换、提升外，还有另外一种方法——丢弃。丢弃也是提升数据质量的一种方法。丢弃数据的类型包含两种：

（1）整条删除，指的是删除含有缺失值的样本。某些情况下，由于各种原因可能存在大量的有某些字段缺失的数据记录，这会导致完整的数据很少，此时需要慎重使用。因此，这只适合关键变量缺失，或者含有无效值或缺失值的样本比重很小的情况。

（2）变量删除，如果某一变量的无效值和缺失值很多，而且该变量对于所研究的问题不是特别重要，则可以考虑将该变量删除。

在具体实践中，步骤S13中“所述得到客运服务模型”之后，还包括：

根据客运服务工作要求，对所述评价因子进行强特征智能配对，并采用自然语言处理方法进行处理，得到符合客运服务工作要求的审查规则；

将所述审查规则量化到所述客运服务模型中，得到符合审查规则的客运服务模型。

在具体实践中，自然语言处理方法，包括：

获取语料、数据预处理、特征工程、特征选择、模型选择、模型训练、模型评估、投产上线。

在具体实践中，所述根据所述数据信息和所述客运服务模型，构建客运服务分析与调度系统，具体为：

根据所述数据信息和所述客运服务模型，选取摄像机人流信息、智能设备信息和服务人员定位信息作为关键要素，选取12306系统信息、人员基础信息作为一般要素，构建客运服务分析与调度系统。

需要说明的是，评价因子是评价客运服务的基础指标，例如：（1）公共厕所卫生状况；（2）候车室卫生状况；（3）人员密度（4）保洁设施齐全，运行良好；（5）保洁设施充电预警；（6）客运站拥有机械化设备程度；（7）客运站拥有自动化设备程度；（8）候车室温度适宜、空气流通情况（9）厕所温度适宜、空气流通情况；（10）电梯故障率等。

根据实时获取的客运站的数据信息（客运站内部环境监测、视频分析、设备、设备管理、12306系统等数据）和已构建的客运服务的数据中心，利用模糊评价法对客运服务的评价因子进行合成，并梳理合成后的评价因子；

根据梳理后的评价因子，设置计算逻辑和参考值，形成立体的多维数据模型。并根据客运服务的工作要求，对这些评价因子进行强特征智能配对与采用自然语言处理方法提取分析，生成审查规则并量化到相应的客运服务模型中，并与系统中客运服务作业过程中填写的值进行比较，其中，比较的是实际获取的数据信息与预设值的数据信息的差异或差距，在实际应用中，预设值是根据实际情况长时间累加不断修正得到的，最终形成符合审查规则的客运服务模型。

需要说明的是，本发明中得到的所有系统的服务模型，都是符合审查规则的客运服务模型，若是有个别不在审查规则范围内，则进行计算逻辑和参考值的更改，以满足在审查规则范围内。

需要说明的是，客运服务分析与调度系统是从摄像机、智能设备、12306系统、基础数据库获取当前客运服务需求计划，从中获取人流信息、服务人员状况、智能设备状态等信息，经过客运服务优先级排序、客运保洁人员调度、智能机器人调度、其他客运服务调度及相互之间的协调，最终获得当前全部任务在全流程的调度结果。通过调整调度规则，重计算即可直接获得适合客运站在实际服务过程中的调度结果。调度结果最终以智能分析结果报告呈现，并根据报告，进行调度，指挥人、设备等协同作业调整。

例如：1、出入站场景：可在系统中设置客流触发阈值，当智能分析摄像机识别到的进站口客流超过阈值时，系统发出提醒与预警，自动调度正在旅客通行过道上作业的智能清扫机器人回避，自动返回划定的避让区域，为旅客让行，避免发生意外；同时提醒客运服务人员，做好服务准备；当通道上旅客低于阈值时，自动调度智能清扫机器人开始重新作业，同时解除相关预警。其中，出入站场景中的客流触发阈值即为本场景中的评价因子，通过设客流阈值与智能清扫机器人之间的计算逻辑并在实践中不断修正，可以得到出入站场景的服务模型。

2、候车室场景：设置人员密度阈值，当智能分析摄像机识别到候车室内的人员密度超过阈值时，则系统发出提醒与预警，将候车室中的所有机器人就近回避，改为人员清扫，同时加大通风系统的通风强度，需要说明的是，通风强度是在保证舒适度的情况下进行调节的。本场景中的评价因子为人员密度，通过设置人员密度和机器人、通风系统等之间的计算逻辑，并不断修正，得到候车室场景下的服务模型。

3、公共厕所场景：可在系统中设置环境阈值，当传感器探测空气的氨气、硫化氢气体值超过阈值时，系统发出提醒与预警，智能提醒相关保洁人员对该公厕进行清扫，保持公厕环境良好，给旅客舒适的体验感；当传感器探测到烟雾或温湿度超过阈值时，系统发出提醒与预警，智能提醒相关安全管理人员对该公厕进行排查，排除相关安全隐患。本场景中的评价因子包括：空气的氨气、硫化氢气体阈值、烟雾或温湿度等，通过设置这些评价因子之间的计算逻辑和参考值，并在实际应用中不断更新修正，得到公共厕所场景下的服务模型。

5、电梯使用场景：可在电梯系统中设置人员阈值，在实际客运服务中，扶梯的上下两端都会设置专门的人员进行看守，且扶梯属于接近24小时的连续运行，在是人流量极少的情况下，系统可以设置电梯为无须人员看守并切换到休眠模式，即电梯无人时关闭，当检测到有人经过时，则要从休眠模式变为工作模式，一段时间后无人使用在进入休眠模式，让用户体验到优质的服务。若是在客运服务中心，一天内客流量为几十人或者更少，则可以选择关闭电梯的运行，让客户走楼梯，节约电梯的损耗，节能环保。本场景中的评价因子包括：人员阈值，通过设置人员阈值与电梯使用场景之间的计算逻辑和参考值，并在实际应用中不断更新修正，得到电梯使用场景下的服务模型。

需要说明的是，在实际应用过程中，需要考虑的评价因子是很多的，本实施例中各种场景的评价因子只是举例说明，并不代表只有这些评价因子，除此之外采用本方法的其他的评价因子均在本申请的保护范围之内。

需要说明的是，通过获取客运服务的数据信息，并进行预处理，得到客运服务的数据中心，根据数据信息和数据中心的数据，采用模糊评价法对客运服务的评价因子进行合成，并梳理合成后的评价因子，根据梳理后的评价因子，设置计算逻辑和参考值，得到客运服务模型，并结合数据信息，构建客运服务分析与调度系统，获取当前客运服务的需求计划和当前任务在流程中的处理节点，并结合客运服务分析与调度系统，进行重计算，得到符合客运站数据信息的调度结果，本发明采用智能化处理手段，构建了数据中心和客运服务模型，并结合客运服务的需求计划和当前任务在流程中的处理节点得到了符合客运站数据信息的调度结果，在进行数据分析时能够预警出是否有突发事件的产生，并采取相应的应对措施。

实施例二

请参阅图3，图3是一示例性实施例示出的一种客运服务分析与调度系统示意框图，如图3所示，一种客运服务分析与调度系统300，包括：

获取模块301，用于获取客运服务的数据信息；

预处理模块302，用于对所述数据信息进行预处理，得到预处理后的数据信息，并将所述预处理后的数据信息存储到客运服务的数据中心；

合成模块303，用于根据所述数据信息和所述数据中心的数据，采用模糊评价法对客运服务的评价因子进行合成，并梳理合成后的评价因子；

计算模块304，用于根据梳理后的评价因子，设置计算逻辑和参考值，得到客运服务模型；

构建模块305，用于根据所述数据信息和所述客运服务模型，构建客运服务分析与调度系统；

重计算模块306，用于获取当前客运服务的需求计划和当前任务在流程中的处理节点，并结合客运服务分析与调度系统对数据进行重计算，得到符合客运站数据信息的调度结果。

需要说明的是，本实施例提供的技术方案适用的应用场景包括但不限于：火车站、汽运站等客运服务场所。

可以理解的是，本实施例提供的技术方案，获取模块301，用于获取客运服务的数据信息，预处理模块302，用于进行预处理，得到客运服务的数据中心，合成模块303，用于根据数据信息和数据中心的数据，采用模糊评价法对客运服务的评价因子进行合成，并梳理合成后的评价因子；计算模块304，用于根据梳理后的评价因子，设置计算逻辑和参考值，得到客运服务模型，构建模块305，用于结合数据信息，构建客运服务分析与调度系统，重计算模块306，用于当前客运服务的需求计划和当前任务在流程中的处理节点，并结合客运服务分析与调度系统，进行重计算，得到符合客运站数据信息的调度结果，本发明采用智能化处理手段，构建了数据中心和客运服务模型，并结合客运服务的需求计划和当前任务在流程中的处理节点得到了符合客运站数据信息的调度结果，在进行数据分析时能够预警出是否有突发事件的产生，并采取相应的应对措施。

实施例三

根据一示例性实施例示出的一种客运服务管控平台，包括：

通信模块、处理器和存储器，其中，所述存储器中存储有程序指令；

所述处理器用于执行存储器中存储的程序指令，执行上述的多相机重叠视域下障碍物融合方法。

需要说明的是，本实施例中各模块的实现方式及有益效果，可参见实施例一中相关步骤的介绍，本实施例不再赘述。

可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。