文摘
客流预测是一个重要的任务风险安全管理在高速铁路交通枢纽。在本文中,我们考虑了在高速铁路交通枢纽客流预测风险问题。基于客流监测传感器网络,风险预测算法开发了基于空间相关性。计算结果表明,该预测方法是有效和重要的高速铁路交通枢纽。
1。介绍
在第12个五年计划(2011 - 2015)时期,高速铁路在中国快速发展。截至2015年12月31日,高速铁路总长度达19000公里在中国大陆运营,和大多数城市有超过5000万人口被高速铁路运输网络覆盖。高速铁路的快速发展,高速铁路交通枢纽已成为客运网络的重要节点和几个运输模式,也就是说,民航、公路、城市轨道交通、公共交通转移在高速铁路交通枢纽。巨大的客流集散带来一些潜在的风险,高速铁路运输的安全管理中心。
目前,大多数的高速铁路交通枢纽应急计划对不同风险,特别是客流风险。当风险值满足阈值,这些计划立即被激活。但当前的方法只有被动地回应紧急和缺乏主动检测和预测的风险。广泛应用的智能视频监控在高速铁路交通枢纽,一个全面的监测传感器网络逐渐形成,为风险检测和预测提供了有力的支持。基于实时客流状态监测传感器网络,获得的客流预测风险能有效防止风险,降低风险价值,减少风险造成的负面影响。所以有必要研究高速铁路交通枢纽客流风险预测方法基于监测传感器网络。
本文的其余部分组织如下:部分2回顾相关的文献。客流预测风险框架介绍了部分3,部分4提出了一种客流风险基于空间相关性的预测算法。计算实验进行的部分5最后一节6涵盖了结论。
2。文献综述
目前,视频监控是关键的方法来检测交通枢纽的潜在风险。几个乘客图像处理和智能检测算法是快速、准确检测的客流状态(1- - - - - -8]。实时检测和跟踪系统提出了很多人,当他们出现在一群。几个计算模型,即silhouette-based形状模型、运动模型,和correlation-based匹配方法用来跟踪多个人之前,期间和之后咬合1]。自动跟踪行人,行人跟踪系统,提出了由三个子系统组成,计算图像处理,对象跟踪和交通流变量。第一个子系统执行图像处理分析而第二个子系统进行匹配的行人的跟踪特性和逐帧跟踪行人数字(2]。为了准确和及时发现潜在的安全隐患,基于Dempster-Shafer修改背景模型理论和客流状态识别算法基于图像连通域的特点提出了提高客流检测的准确性和实时性3]。提高检测精度在特征提取方面,小说的特性梯度自相似性(GSS)在场,这是计算从猪和用于捕捉局部梯度补丁的成对相似性模式(4]。突然有挑战性的光照、遮挡,视野,和杂乱的背景,小说跟踪框架开发,包括两个步骤:图像阴影去除和跟踪由协会(5]。提出了一种基于稀疏表示的方法对行人检测的热图像。方法首先采用稀疏编码来表示图像的直方图特征与提取的特征,然后检测行人单峰和多通道框架,分别是(6]。为了准确检测潜在的安全隐患隐藏在客流,提出了一种混合预测方法获取客流状态(7]。通过深入分析和优化的每一步检测管道,一个行人检测系统提出了基于深度学习,适应一个通用的卷积网络手头的任务(8]。
一些研究集中在引发和处理的潜在风险9- - - - - -15]。一个行人疏散仿真模型的基础上,提出了扩展元胞自动机的考虑异构行为倾向人类,和模型应用于优化建筑减少疏散时间(9]。更全面的介绍了概念模型表示的疲劳影响的性能在建筑楼梯疏散撤离。其概念模型,提出了考虑制定和实施相关的问题(10]。提出了一种多栅的模型来模拟与引导者、疏散和导向器的影响类型,导向器号码,导向器分布、疏散和指导战略进行了讨论(11]。自私和无私的行为被认为是两个主要因素在疏散,和自私,selflessness-based模型提出了行人疏散空间的12]。一个新的基于多重代理堵塞疏散模型合并恐慌行为提出了模拟行人疏散在体育场等公共场所。行人在这个模型被分为四类,每个行人的状态可以是正常的,超过或伤亡(13]。从一个没有能见度的房间的疏散过程调查实验和建模。盲目的疏散的一些典型的特征,包括选择左手边的偏好方向和行为后,被发现从实验14]。行人疏散建模框架开发,使用自愿从开放地图地理信息和简化的排队网络模型来估算疏散时间,发现瓶颈,并测试不同的疏散策略(15]。
根据上面的文献综述中,当前的研究只集中在潜在风险检测和风险处理。客流预测,大多数研究关注客流需求,到达和离开体积预测(16- - - - - -19]。具体文献风险预测是稀缺的。风险预测是一个重要的潜在风险检测和处理风险之间的联系。根据检测结果,预测客流风险可以掌握风险的变化趋势,采取合适的处理操作。所以在这篇文章中,我们考虑到客流风险预测高速铁路交通枢纽。基于监测传感器网络,空间相关性预测算法预测客流瓶颈领域的风险。
3所示。客流预测风险框架
在本节中,客流风险预测帧中描述三个方面。首先,介绍了监测传感器网络高速铁路交通枢纽。其次,预测机制。基于前两部分,最后一部分的预测过程设计。
3.1。监测传感器网络的高速铁路交通枢纽
根据不同监测目的和重点,传感器监测传感器网络的高速铁路交通枢纽可以分为三种类型20.),关键领域监测传感器、客运线监测传感器,和完全覆盖监测传感器,如图1。
三种类型的传感器(图1),我们的研究主要集中在关键区域的客流预测风险。预测不仅使用客流数据监测传感器检测到关键领域也使用了客流数据获得的客运线监测传感器。
3.2。客流风险预测机制
客流风险预测的准确性在关键区域是受几个因素的影响,也就是说,关键领域的风险现状,风险相关的状态监测地区客运线,并在关键区域服务能力的设备。所以很难获得一个精确的风险预测价值仅使用关键领域的风险状况。
在本文中,我们考虑关键区域的客流预测风险监测传感器网络下高速铁路交通枢纽。通过分析关键领域之间的关系和相关监测地区客运线,预测算法开发基于空间相关性。
关键领域及相关领域之间的空间相关性影响客运线可以被定义为关键领域风险引起的相关领域。样本空间的相关性如图2。在图中,红色的点是关键区域,蓝色点相关的监测区域,蓝色的箭头是客运线。乘客从A到B和C D和收敛于大肠,B, C, D和E,空间相关性和空间相关程度的B和D大于A和C的空间相关性度。
3.3。客流风险预测过程
监测传感器网络的高速铁路交通枢纽,基于空间相关性,有三个主要步骤的客流风险预测过程,如图3。
步骤1。计算风险值相关监测地区使用的客流状态。
步骤2。计算空间相关性度关键领域和相关监测地区之间基于监测传感器网络的高速铁路交通枢纽。
步骤3。预测风险值基于当前的风险值的关键领域关键的区域,,获得的步骤1和2。
4所示。客流风险预测算法基于空间相关性
根据客流预测过程中提到的部分风险3、客流风险值的计算方法和基于空间相关性的预测算法将在本节中讨论。
4.1。客流风险价值计算
在本文中,我们采用客流计算风险价值在关键领域和相关监测地区。和三种类型的客流状态参数,当前客流多的区域,平均客流统计数量的地区,马克斯客流统计数量的地区。基于大量的实验数据对不同地区高速铁路交通枢纽,客流风险值在关键领域和相关监测领域可以计算如下。
(1)虽然目前客流数量小于或等于平均客流数量在统计期间,,
(2)虽然目前客流数量大于平均客流数量统计周期和小于或等于最大客流统计数量的地区期间,,
(3)虽然目前客流数量大于最大客流统计数量的地区期间,,
4.2。空间关联度计算
空间相关性反映了风险相关性关键领域和相关监测领域。和空间相关程度是一个重要的指标来表示对客流的影响关键领域的风险造成的风险相关的监测领域的价值。
是一组时间序列,代表值的一个关键领域和风险在不同的时间相关监测领域。关键领域的风险值在吗期,的风险值吗相关监测区域时期。关键领域和之间的空间相关性程度相关监测区域时间可以计算如下: 在哪里,,,是识别系数,。
根据发病程度,每个空间相关性关键领域和一个相关的监测区域相关性权重系数,可以计算
4.3。基于空间相关性的预测算法
的一个关键领域,它有相关监测领域,。基于客流风险价值和和区域之间的空间相关性,最初的客流的风险在时间可以预测如下: 在哪里之间的相关性权重系数是吗和和之间的相关时间是和。
在实际预测中,为提高精度,我们采用最初的预测价值和实际客流风险值周期预测客流的风险在时期。预测算法如下所示:
集,。所以可以转移预测算法如下: 在哪里是实际客流风险的价值在最初的预测期和是实际客流风险的价值在初始预测。
5。计算实验
在本节中,计算实验进行验证客流风险算法。特定的关键地区高速铁路交通枢纽为例。这个区域是一个自动扶梯连接等候大厅和入口。他们的示意图表示区域如图4。
E是自动扶梯。A和B两个地铁换乘点;乘客乘坐地铁到达输入这两个点的中心。C是一个入口;公共交通的乘客到达从这个入口进入中心。D是一个公园入口;乘客到达由私人汽车从这个入口进入中心。这两个地区智能监控,它可以自动检测客流数量和计算风险值。基于智能监测传感器的实际检测数据,预测算法开发的部分3被用来预测客流的风险区域e .我们10分钟预测期,并首先实验6小时(12:00 am-6:00 pm)。计算结果如表所示1,比较预测风险值和实际风险值如图5。
观察图5通过我们的方法,预测风险值接近实际风险值;平均预测风险值和实际风险值之间的差距是2.6%。和客流的变化趋势风险预测的方法。说明我们的性能预测方法面临大规模客流,节日的一天(下午6点am-12:00)被选中作为一个例子。计算结果如图6和7。
观察到的数据6和7,我们对质量的预测方法具有良好的性能在节日客流。它可以预测客流的变化趋势风险在一天的时间(下午6点am-12:00中心的正常运行时间)除了一些低风险的时期。一般来说,我们的预测方法可以满足安全管理的需求,在高速铁路交通枢纽。
6。结论
在本文中,我们考虑了在高速铁路交通枢纽客流预测风险问题。根据监测传感器网络的中心,一个空间之间的关联度计算关键领域和相关监测区域,提出了基于空间和客流风险预测算法相关开发。计算实验的一个重要领域高速铁路交通枢纽表明,该预测方法是有效的预测客流风险关键领域的中心。在未来,考虑几个关键领域的风险,预测高速铁路交通枢纽的整体安全状况是进一步研究的可能性。
相互竞争的利益
作者宣称没有利益冲突有关的出版。
确认
这项研究受到了中央大学的基础研究基金(批准号2015 jbm044)和北京交通大学的优秀教师基金(批准号2014 rc005)。