基于地鐵客流模擬下的車廂空間優(yōu)化研究★

王 超 張玉庭 黃維唯

(遼寧工程技術(shù)大學(xué)土木工程學(xué)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(xiàn)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(tài)候車標(biāo)識指示不明確、設(shè)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(guī)范往往導(dǎo)致客流大、通行效率低、車廂內(nèi)可利用空間分布不均。數(shù)字化人流引導(dǎo)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(shù)據(jù)技術(shù)逐漸成熟，地鐵客流模擬下的車廂空間優(yōu)化得以在這些新興技術(shù)下實現(xiàn)。乘客通過地鐵顯示屏與手機(jī)程序來觀察地鐵的到站時長與預(yù)測的車廂剩余乘客數(shù)量，不同時間段的列車等候人群能夠?qū)崟r掌握車廂信息，根據(jù)預(yù)測的車廂剩余乘客數(shù)量規(guī)范乘車，最終實現(xiàn)地鐵車廂空間的優(yōu)化。

2 工作原理

車廂內(nèi)外人流量信息不對稱，導(dǎo)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(nèi)換乘信息不對稱能有效引導(dǎo)人流到空閑車廂，進(jìn)而提升換乘效率、優(yōu)化車廂可利用空間。

本項目以地鐵車廂空間為基礎(chǔ)，將AI-Agent技術(shù)、PTZ攝像、人物識別系統(tǒng)、人工智能、大數(shù)據(jù)庫綜合應(yīng)用于地鐵人流數(shù)據(jù)的采集、流量預(yù)測、后臺管理、人流疏導(dǎo)服務(wù)中，通過自主開發(fā)的人流識別系統(tǒng)、后臺大數(shù)據(jù)運維管理系統(tǒng)、地鐵智能提示屏、微信小程序建立數(shù)態(tài)閉合，進(jìn)而實現(xiàn)人流檢測、人流預(yù)測功能，實現(xiàn)地鐵車廂空間優(yōu)化(見圖1)。

3 系統(tǒng)架構(gòu)

3.1 人流檢測系統(tǒng)

全景攝像機(jī)和PTZ攝像機(jī)聯(lián)合對人流進(jìn)行抓拍[2](見圖2)。基于python,pytorch技術(shù)對高清圖像進(jìn)行實時分析，將變化的人物模型轉(zhuǎn)化為數(shù)據(jù)參數(shù)，一些被遮擋的單位通過人工智能深度學(xué)習(xí)模型訓(xùn)練的回歸統(tǒng)計分析，智能補(bǔ)齊為單獨的單位并算入數(shù)據(jù)參數(shù)，將每節(jié)車廂人物處理后的總參數(shù)傳輸?shù)较到y(tǒng)內(nèi)進(jìn)行程序的計算。

將全景攝像機(jī)和PTZ攝像機(jī)組放置于車廂內(nèi)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(shù)的人物檢測數(shù)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(shè)備中，同時冷備份于儲存設(shè)備中，LOS彩色映射描述密度值和在設(shè)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(nèi)部空間設(shè)計多種多樣，不同地鐵單個車廂內(nèi)部座位面積與站立面積比例不同，導(dǎo)致地鐵內(nèi)部空間在分析計算時會出現(xiàn)密度不均的情況，對單個車廂內(nèi)部空間進(jìn)行LOS色彩映射分級處理。

取國內(nèi)車廂數(shù)據(jù)：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(qū)域面積3 m2，車廂內(nèi)攝像頭通過人物識別所得數(shù)據(jù)記為變量n。

1)單個車廂人流密度分析。

為LOS色彩映射設(shè)定范圍與理論依據(jù)，通過單個車廂的LOS映射數(shù)據(jù)可以直觀的確定單個車廂內(nèi)部何處為人流密度擁擠區(qū)域(LOS劃分準(zhǔn)則見表1)。

表1 單個車廂內(nèi)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(jīng)驗密度分析。

為了改善由于人物識別系統(tǒng)精度不足等客觀因素帶來的誤差，引入經(jīng)驗系數(shù)(W)，此系數(shù)預(yù)計將在系統(tǒng)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(shù)據(jù)依據(jù)。

3.1.2 地鐵各個車廂的人流密度計算分析

取國內(nèi)車廂數(shù)據(jù)：A型地鐵列車：長22.8 m，寬3 m，車廂編組數(shù)n，可用空間面積百分比Pa，地鐵列車地板強(qiáng)度及超員設(shè)計標(biāo)準(zhǔn)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(jīng)驗密度分析。

引入經(jīng)驗系數(shù)(ω)，此系數(shù)預(yù)計將在系統(tǒng)運維50次～60次改善。

3)地鐵各個車廂平均人流經(jīng)驗密度嚴(yán)格計算分析。

嚴(yán)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(nèi)標(biāo)準(zhǔn)A型地鐵、B型地鐵為6節(jié)編組，L型地鐵4節(jié)編組(見表3)。

表3 地鐵整體LOS色彩映射

3.2 人流預(yù)測系統(tǒng)

完成對地鐵車廂內(nèi)外空間的人流檢測后，通過大量模型數(shù)據(jù)訓(xùn)練，運用大數(shù)據(jù)和人工智能技術(shù)對車廂下站人流數(shù)值進(jìn)行預(yù)測，采用多個線性回歸，通過已經(jīng)使用圖表確認(rèn)的變量進(jìn)行車廂空間優(yōu)化。

引入線性回歸模型的損失函數(shù)、梯度下降法：a為機(jī)器學(xué)習(xí)率。

引入確定系數(shù)：

經(jīng)過分析處理得到的學(xué)習(xí)曲線(見圖4)，由訓(xùn)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(tǒng)

根據(jù)車廂內(nèi)人流檢測值與車廂下站人流預(yù)測值，將擁擠的等級以及預(yù)測的人流數(shù)值實時反饋于信息反饋系統(tǒng)中。信息反饋系統(tǒng)預(yù)設(shè)計前端、后臺(以服務(wù)器—客戶端形式為主的整體化系統(tǒng))，客戶端以微信小程序為主，后臺程序接入網(wǎng)頁端，運用可視化數(shù)據(jù)等易用性設(shè)計，使后臺工作簡單可行。

3.3.1 微信小程序客戶端設(shè)計

結(jié)合地鐵支付一碼通行微信小程序[4]，中央處理系統(tǒng)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(jù)中央處理系統(tǒng)整合的車廂人流檢測值和車廂下站人流檢測值，將相關(guān)信息可視化展示至地鐵智能提示屏中，實現(xiàn)信息共享(見圖6)。

3.3.3 后臺數(shù)據(jù)運維管理系統(tǒng)

對鐘尖提出的基于手機(jī)指令的綜合交通樞紐客流系統(tǒng)進(jìn)行二次開發(fā)，集合人流檢測、預(yù)測數(shù)據(jù)、當(dāng)前旅客停留時間、全日出現(xiàn)人數(shù)、外省客流量統(tǒng)計開發(fā)設(shè)計了后臺數(shù)據(jù)運維系統(tǒng)[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(shè)備的監(jiān)控利用率與告警，與當(dāng)日的流暢站臺數(shù)量排行。

4 創(chuàng)新點分析

1)基于python,pytorch技術(shù)實現(xiàn)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(jī)和PTZ攝像機(jī)的組合，完成對乘客的高清圖像獲取，從而實現(xiàn)人物檢測。

2)人工智能人流預(yù)測。地鐵換乘人流流動性大，不確定性強(qiáng)。將傳感器采集到的數(shù)據(jù)以LOS色彩映射的形式導(dǎo)入機(jī)器學(xué)習(xí)數(shù)據(jù)庫，通過車廂不同時間段內(nèi)的地鐵換乘訓(xùn)練樣本強(qiáng)化學(xué)習(xí)，改善學(xué)習(xí)算法性能，最終實現(xiàn)初步預(yù)測進(jìn)出地鐵的人數(shù)。后臺大數(shù)據(jù)系統(tǒng)結(jié)合出入車廂的人流量預(yù)測值，將到站后車廂內(nèi)人流量與車廂擁擠程度相匹配結(jié)合，輸出反饋信息。

3)數(shù)字化生態(tài)閉合。結(jié)合車廂內(nèi)外檢測的人流數(shù)量和基于大數(shù)據(jù)分析下的車廂下站人流預(yù)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(yīng)的引導(dǎo)。根據(jù)各車廂預(yù)測的人數(shù)值，將擁擠的等級以及預(yù)測的人流數(shù)值實時反饋于地鐵站內(nèi)的顯示屏以及微信小程序中。

4)大數(shù)據(jù)采集分析。不同時間段對應(yīng)著相應(yīng)的地鐵客流量，將時間段的換乘人流量做樣本數(shù)據(jù)采集，綜合分析不同時間段的換乘客流量，預(yù)測時間段內(nèi)車廂下站人數(shù)，以及對地鐵運營商提供人流管控數(shù)據(jù)基礎(chǔ)。

5 結(jié)語

地鐵站作為大量行人的集散場所，地鐵站內(nèi)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(fā)的地鐵人流檢測、人流預(yù)測系統(tǒng)及信息反饋系統(tǒng)，以地鐵車廂可利用空間為基礎(chǔ)，將人工智能、移動終端技術(shù)、大數(shù)據(jù)、人物識別技術(shù)等綜合應(yīng)用于地鐵人流數(shù)據(jù)檢測、流量預(yù)測、人流疏導(dǎo)、后臺管理服務(wù)中，使城市地鐵運營系統(tǒng)實現(xiàn)數(shù)字化平臺管理，并使乘客通過數(shù)字化平臺實現(xiàn)地鐵車廂的精準(zhǔn)預(yù)知與引導(dǎo)，進(jìn)而實現(xiàn)對地鐵車廂空間的優(yōu)化。