城市軌道交通大客流辨識預警及動態管控系統設計

陳家萍，丁小兵，劉志鋼，萬蘇，楊愷鶴

（上海工程技術大學 城市軌道交通學院，上海 201620）

0 引言

目前地鐵運營公司在大客流的預警及動態管控機制方面存在很多問題，例如未能及時識別車站大客流聚集趨勢并進行智能預警、客流疏導組織相對被動等。實時掌握車站客流的分布規律，對大客流進行分級預警，為客流管控提供幫助，對于軌道交通系統的正常運行具有重要意義。

國內外學者對客流預測進行了研究，Musa，A.B.M.等人初步使用WiFi 探針對智能手機的mac 地址進行跟蹤，將數據上傳到服務器上，分析和預測客流［1］；在此基礎上，Mikkelsen，L等人初步利用無線局域網探測，對公共交通占用率進行估算［2］；梁杰林基于WiFi 數據挖掘設計和實現了一套交通路況信息系統，通過對WiFi 探針數據采集，對路網建模，進行數據接口服務與數據可視化［3］；余創龍基于歷史客流規律對城市公共交通網絡、各線路、全站點的客流預測［4］。

隨著智能視頻監控系統的發展，馮媛等利用卷積神經網絡提取行人特征，加入HSV 圖像處理模塊強化行人特征，提高其檢測速度和準確率［5］；黃麟淞在基于深度特征流的視頻目標檢測網絡的基礎上開展對視頻目標檢測的研究工作［6］；許經緯提出了一個高效的視頻鏡頭檢測框架，根據提出的框架本文進一步實現了基于深度學習的視頻鏡頭檢測算法，得到的結果經過融合提升得到更好的分割結果［7］；張清泉設計了軌道交通客流預警系統，包括客流數據采集系統、客流數據與預測系統、客流預警等級識別系統、客流預警輸出系統這4 個子系統，只針對長期客流預測，并未做到實時預測［8］。

基于前人積累的經驗，以大客流監測及預警系統用戶需求為基礎，參考行業相關應用實踐，綜合考慮后續建設，對城軌交通大客流監測及預警系統的系統架構、系統功能、部署方案等進行規劃設計。為了準確獲取客流的集中程度，需要準確獲取各關鍵位置的客流量，進一步加強城軌交通大客流監測和預警技術研究，充分整合現有技術優勢，建立綜合監測和預警體系，形成全方位大客流監測和預警的整體解決能力。

本文設計了一種大客流辨識預警及動態管控系統。從視頻圖像識別的采集出發，利用深度學習的最新研究成果進行客流識別，并利用WIFI 探測設備對視頻客流誤差進行修正。針對大客流進行深度精細化采集、提高客流獲取精度，跟蹤站內實時客流變化，實現客流追蹤與分級預警功能并提供精細化客流分級動態管控方案。

1 系統設計

該系統以數據導向型研究為中心，主要對Raspberry Pi 進行開發，根據軌道交通地鐵站內實際情況，創新性的采用圖像識別和Wi－Fi 探針結合的客流采集方式，通過高清晰度的攝影頭拍攝相關區域的客流，并利用Wi－Fi 探針采集Wi－Fi 信號，將客流量的視頻數據與Wi－Fi 數據同步采集，從而實現了軌道交通客流的實時采集。在對客流進行動態跟蹤的基礎上，植入卷積神經網絡客流辨識算法計算當前站內擁擠度，當客流密度過高時，系統向客戶端發送動態管控指令，該設備基于以上流程，旨在利用建立的軌道交通客流辨識預警及動態管控系統，及時有效地疏散和動態管控大客流。系統整體結構圖如圖1 所示。

圖1 系統整體結構圖Fig.1 Overall system structure diagram

1.1 客流實時預測模塊設計

乘客攜帶移動設備進入地鐵車站，位于車站要塞的Wi－Fi 探針設備可以自動采集乘客移動設備的MAC 地址、信號強度、檢測時間等信息；與此同時，高清攝像頭將實時采集的視頻無線傳輸至Raspberry Pi 中轉數據處理站，Raspberry Pi 中有預先內置多源數據融合算法，量化客流，實現對客流的實時統計；將Raspberry Pi 采集的數據傳輸到云服務器，經過數據處理和客流識別，可以實現全站的客流監控及實時預測；預測結果實時傳輸到地鐵工作人員終端或站內設備上，實現車站大客流的智能實時動態管控和疏散。

1.1.1 WIFI 數據校正設計

1.1.1.1 數據去噪

第一步：通過WIFI 檢測到的數據集：p1＝（p1，p2，p3，...，pn）；

第二步：讀取檢測數據的信號強度列數據，考慮WIFI 探頭的距離和強度之間的關系，刪除強度小于－65 的乘客流量數據集：p2＝（p1，p2，p3，...，pm）；

第三步：當Wi－Fi 信號在車站停留時間過長時，通常是無效的乘客數據或車站設備和工作人員，根據實際調查，以5 min為時間間隔，其中相同的MAC 地址仍處于相同的Wi－Fi 探測覆蓋范圍內，并作為冗余數據刪除。

1.1.1.2 設計SQL 語句，識別旅客移動終端的MAC地址

WIFI 探測器的間隔時間為1 min，乘客應根據正常步行速度遠離探測信號的范圍。事實上，有一種情況是同一探測器反復檢測手機信號，因此有必要對其進一步處理，這是從1.1.1.1 的第三步獲得的。

當SQL 執行時，相同的Mac 地址在1 min 內被檢測到2 次以上，并且Mac 地址被記錄，SQL 程序將自動刪除Mac 地址并添加一條記錄以防止冗余數據。

通過實際調查發現，并不是所有乘客在進入地鐵前都打開WIFI，因此檢測到的乘客數量低于實際乘客數量。為此，需要按線進行調查，對調查數據進行統計分析。最后，計算調查數據的加權平均值。

1.1.2 卷積神經網絡客流辨識算法設計

在檢測運動目標時，需要考慮準確性和實時性。采集到的圖像序列需要進行預處理，圖像預處理主要涉及圖像的灰度化處理和降噪處理。

在此階段，采用中值濾波算法對一維信號處理到二維圖像平滑處理，對干擾脈沖和斑點噪聲有很好的抑制效果，還可以增強圖像的邊緣的提取。為了對滑動窗口中的顏色數據進行排序，如果存在噪聲數據，將噪聲數據置于數據的邊緣，置于數據的左側或右側，則中間位置的值不能為噪聲，從而達到抑制噪聲的目的，其定義如式（1）：

其中，g（x，y）是中值濾波后像素處的灰度值；f（x，y）是濾波前像素處的灰度值；S 是滑動 窗口。只有去除噪聲后的視頻數據，才能用于客流識別。

深層卷積神經網絡是模仿人類視覺神經系統的信息處理系統，通過輸入信號傳輸到下一層的生物信號流，隨著生物信號流的不斷傳播，表達形式越來越抽象，最終達到了抽象表示的最高水平。人類的認知過程是一個深層模型的構建過程。不同乘客的面部形象具有不同的特點，本系統在視頻預處理后，利用深度學習算法對客流識別進行建模，采用基于深度學習訓練的卷積神經網絡對采集的視頻旅客流量進行計算。該算法可以增強原始識別特征，降低噪聲。計算過程如圖2 所示。

圖2 卷積運算示意圖Fig.2 Convolution operation diagram

1.2 客流動態管控模塊設計

1.2.1 站內智能引導設計

站內智能引導裝置主要由輸入、中央處理和輸出部分組成。輸入部分采用型號為CPAM－WL28603 的觸摸屏，中央處理部分包括：控制單元、輸入單元、處理單元、顯示單元，地鐵工作人員可以通過控制單元選擇當前指引設備的模式：自助查詢模式、候車指引模式、大客流模式。輸出部分由指示裝置卡環、LED綠色閃燈和語音播報裝置組成。中央處理單元示意圖如圖3 所示。

圖3 中央處理單元示意圖Fig.3 Schematic diagram of central processing unit

1.2.2 工作人員客戶端設計

將觸摸屏技術應用在客流動態管控系統中，大客流狀態下的乘客動態管控路徑規劃可為地鐵工作人員提供處置決策，當車站客流到達閾值，即啟動大客流模式。一級菜單顯示大客流預警提示信息及其它地鐵公司信息，二級菜單顯示當前車站出入口開放及關閉情況，并智能化顯示站內乘客動態管控路徑，客戶端頁面如圖4 所示。

圖4 客戶端頁面Fig.4 Client page

2 實驗設計

本實驗以上海地鐵某車站作為實驗對象，現場架設高清攝像頭和WIFI 探頭，同步采集客流視頻數據和WIFI 數據，預測車站內部的實時客流量，修正精度，同時對車站不同位置的乘客提出實時動態管控方案。位置分別是：車站綜合入口、檢票口前、電梯前、扶梯前、候車站臺。根據站臺情況，視頻識別非常重要，WIFI 信號會反復采集，誤差較大。

利用高清晰度攝像機拍攝擁擠地區的人流，用探頭采集WIFI 信號，將兩者焊接在主板上，安裝在固定在桿上的固定箱內，用螺絲釘固定在桿上，設備安裝示意圖如圖5 所示。客流預測系統的數據通過WIFI 傳輸給客流動態管控系統，可以實時更新客流數據，使得動態管控系統作出相應的判斷，根據客流的大小對客流進行等級判定，分別根據相關條例作出相應的響應決策。通過判定站內客流聚集及擁堵等級，自動觸發大客流模式下的預警功能，當車站客流到達閾值，即啟動大客流模式。大客流模式下可以實時顯示車站內各區域的客流分布，系統會根據客流等級調用大客流應預案庫，工作人員可以根據系統中的提示信息，關閉相應的出口，使得客流往一個流向流動，加快客流疏散，起到一個動態管控客流的作用，保障運營安全。客流動態管控系統的界面圖如圖6 所示。

圖5 設備安裝示意圖Fig.5 Equipment installation diagram

圖6 客流動態管控系統的界面Fig.6 Dynamic management and control system for passenger flow

3 結束語

本文提出的客流識別方案集成了硬件設備平臺和算法設計，適用于擁擠地區的客流監測。該系統能夠及時識別客流狀態，并根據識別結果實現智能指引。運營企業可以提前采取應急措施，對軌道交通企業的經營和生產安全具有良好的現實指導意義。