基于地鐵客流模擬下的車廂空間優化研究★

王 超 張玉庭 黃維唯

(遼寧工程技術大學土木工程學院，遼寧 阜新 123000)

1 研究背景

在越來越多市民乘坐地鐵出行的過程中，各地地鐵逐漸出現了運力短缺、地鐵車站擁擠無序、站臺空間通行條件較差以及靜態候車標識指示不明確、設計缺乏合理性的問題[1]。

其中地鐵上下車的效率對于人流的出行有著極大的影響，但地鐵到站時的排隊不規范往往導致客流大、通行效率低、車廂內可利用空間分布不均。數字化人流引導地鐵車廂上下車成為目前需要研究的問題。

隨著人工智能平常化、大數據技術逐漸成熟，地鐵客流模擬下的車廂空間優化得以在這些新興技術下實現。乘客通過地鐵顯示屏與手機程序來觀察地鐵的到站時長與預測的車廂剩余乘客數量，不同時間段的列車等候人群能夠實時掌握車廂信息，根據預測的車廂剩余乘客數量規范乘車，最終實現地鐵車廂空間的優化。

2 工作原理

車廂內外人流量信息不對稱，導致部分車廂乘客上乘后過于擁擠，而空閑車廂則因為擁擠人流阻塞得不到充分利用。打破車廂內換乘信息不對稱能有效引導人流到空閑車廂，進而提升換乘效率、優化車廂可利用空間。

本項目以地鐵車廂空間為基礎，將AI-Agent技術、PTZ攝像、人物識別系統、人工智能、大數據庫綜合應用于地鐵人流數據的采集、流量預測、后臺管理、人流疏導服務中，通過自主開發的人流識別系統、后臺大數據運維管理系統、地鐵智能提示屏、微信小程序建立數態閉合，進而實現人流檢測、人流預測功能，實現地鐵車廂空間優化(見圖1)。

3 系統架構

3.1 人流檢測系統

全景攝像機和PTZ攝像機聯合對人流進行抓拍[2](見圖2)。基于python,pytorch技術對高清圖像進行實時分析，將變化的人物模型轉化為數據參數，一些被遮擋的單位通過人工智能深度學習模型訓練的回歸統計分析，智能補齊為單獨的單位并算入數據參數，將每節車廂人物處理后的總參數傳輸到系統內進行程序的計算。

將全景攝像機和PTZ攝像機組放置于車廂內頂上靠車門處，該位置是觀察人群的最佳位置，且放置于上方不影響乘客上下車以及其他裝置的運作[3](見圖3)。

在得到基于python，pytorch人工智能技術的人物檢測數值后，以站點+LOS色彩記錄值的形式自動記錄站點與人物密度并儲存于中繼處理設備中，同時冷備份于儲存設備中，LOS彩色映射描述密度值和在設備中心展示為顏色變化。

3.1.1 單個車廂的人流密度計算分析

由于地鐵內部空間設計多種多樣，不同地鐵單個車廂內部座位面積與站立面積比例不同，導致地鐵內部空間在分析計算時會出現密度不均的情況，對單個車廂內部空間進行LOS色彩映射分級處理。

取國內車廂數據：A型地鐵列車：長22.8 m，寬3 m，用于計算密度的小型圓形區域面積3 m2，車廂內攝像頭通過人物識別所得數據記為變量n。

1)單個車廂人流密度分析。

為LOS色彩映射設定范圍與理論依據，通過單個車廂的LOS映射數據可以直觀的確定單個車廂內部何處為人流密度擁擠區域(LOS劃分準則見表1)。

表1 單個車廂內部LOS色彩映射

2)單個車廂平均人流密度分析。

單個車廂平均密度的分析尤為重要，它在較大程度上影響了之后的模型建立是否正確，t為時間。

3)單個車廂平均人流經驗密度分析。

為了改善由于人物識別系統精度不足等客觀因素帶來的誤差，引入經驗系數(W)，此系數預計將在系統運維30次～40次改善。

4)單個車廂人流最大密度分析。

同車廂平均密度類似，顯示車廂的最大密度，可為之后的模型上限劃分提供數據依據。

3.1.2 地鐵各個車廂的人流密度計算分析

取國內車廂數據：A型地鐵列車：長22.8 m，寬3 m，車廂編組數n，可用空間面積百分比Pa，地鐵列車地板強度及超員設計標準均按照站席每平方米9人計算(見表2)。

表2 地鐵各個車廂LOS色彩映射

1)地鐵各個車廂平均人流密度分析。

2)地鐵各個車廂平均人流經驗密度分析。

引入經驗系數(ω)，此系數預計將在系統運維50次～60次改善。

3)地鐵各個車廂平均人流經驗密度嚴格計算分析。

嚴格計算包含車廂中間部分位置的乘客(人物)，引入新變量：Connection(n)，含義為中間連接部分的人流密度。

4)最大密度。

3.1.3 地鐵整體的人流密度計算分析

取國內標準A型地鐵、B型地鐵為6節編組，L型地鐵4節編組(見表3)。

表3 地鐵整體LOS色彩映射

3.2 人流預測系統

完成對地鐵車廂內外空間的人流檢測后，通過大量模型數據訓練，運用大數據和人工智能技術對車廂下站人流數值進行預測，采用多個線性回歸，通過已經使用圖表確認的變量進行車廂空間優化。

引入線性回歸模型的損失函數、梯度下降法：a為機器學習率。

引入確定系數：

經過分析處理得到的學習曲線(見圖4)，由訓練和測試值曲線的擬合程度可知，項目中所建立的綜合模型是可行的。

3.3 信息反饋系統

根據車廂內人流檢測值與車廂下站人流預測值，將擁擠的等級以及預測的人流數值實時反饋于信息反饋系統中。信息反饋系統預設計前端、后臺(以服務器—客戶端形式為主的整體化系統)，客戶端以微信小程序為主，后臺程序接入網頁端，運用可視化數據等易用性設計，使后臺工作簡單可行。

3.3.1 微信小程序客戶端設計

結合地鐵支付一碼通行微信小程序[4]，中央處理系統整合車廂人流檢測值和車廂下站人流檢測值后，將整合信息反饋到微信小程序(見圖5)。

3.3.2 地鐵智能提示屏

根據中央處理系統整合的車廂人流檢測值和車廂下站人流檢測值，將相關信息可視化展示至地鐵智能提示屏中，實現信息共享(見圖6)。

3.3.3 后臺數據運維管理系統

對鐘尖提出的基于手機指令的綜合交通樞紐客流系統進行二次開發，集合人流檢測、預測數據、當前旅客停留時間、全日出現人數、外省客流量統計開發設計了后臺數據運維系統[5]。平臺實時顯示了各個站點的人流量，流暢站臺分析，站點設備的監控利用率與告警，與當日的流暢站臺數量排行。

4 創新點分析

1)基于python,pytorch技術實現的高精度人物檢測。基于人工智能的高精度人物位置檢測與識別，利用全景攝像機和PTZ攝像機的組合，完成對乘客的高清圖像獲取，從而實現人物檢測。

2)人工智能人流預測。地鐵換乘人流流動性大，不確定性強。將傳感器采集到的數據以LOS色彩映射的形式導入機器學習數據庫，通過車廂不同時間段內的地鐵換乘訓練樣本強化學習，改善學習算法性能，最終實現初步預測進出地鐵的人數。后臺大數據系統結合出入車廂的人流量預測值，將到站后車廂內人流量與車廂擁擠程度相匹配結合，輸出反饋信息。

3)數字化生態閉合。結合車廂內外檢測的人流數量和基于大數據分析下的車廂下站人流預測值，在微信小程序和地鐵顯示屏等終端對換乘的乘客做出相應的引導。根據各車廂預測的人數值，將擁擠的等級以及預測的人流數值實時反饋于地鐵站內的顯示屏以及微信小程序中。

4)大數據采集分析。不同時間段對應著相應的地鐵客流量，將時間段的換乘人流量做樣本數據采集，綜合分析不同時間段的換乘客流量，預測時間段內車廂下站人數，以及對地鐵運營商提供人流管控數據基礎。

5 結語

地鐵站作為大量行人的集散場所，地鐵站內的通行效率在很大程度上取決于地鐵車廂空間利用率。項目基于AI-Agent、人工智能開發的地鐵人流檢測、人流預測系統及信息反饋系統，以地鐵車廂可利用空間為基礎，將人工智能、移動終端技術、大數據、人物識別技術等綜合應用于地鐵人流數據檢測、流量預測、人流疏導、后臺管理服務中，使城市地鐵運營系統實現數字化平臺管理，并使乘客通過數字化平臺實現地鐵車廂的精準預知與引導，進而實現對地鐵車廂空間的優化。