基于人工智能的轨道交通客流智能分级管控方法及系统与流程

摘要: 本发明涉及智能轨道交通客流管控的,尤其涉及一种基于人工智能的轨道交通客流智能分级管控方法及系统。背景技术:1、轨道交通系统的安全高效运营,高度依赖于对站内客流突...
基于人工智能的轨道交通客流智能分级管控方法及系统与流程

本发明涉及智能轨道交通客流管控的,尤其涉及一种基于人工智能的轨道交通客流智能分级管控方法及系统。

背景技术:

1、轨道交通系统的安全高效运营,高度依赖于对站内客流突发状况的及时、准确识别与响应。目前,主流的智能化客流管控系统通常收集大量的历史运营数据(包括正常的客流视频、已知的故障事件记录等),并以此训练异常检测模型。系统在实时运行中,将当前采集的感知数据(如视频流)与训练好的模型进行比对,当实时数据特征与模型所“认知”的历史异常模式相匹配时,则判定为突发状况并触发响应。

2、然而,发明人发现,这种严重依赖历史数据的模式存在固有的、难以克服的技术缺陷:

3、泛化能力不足:训练所得的模型本质上是历史经验的总结。当出现训练集中未曾包含的、全新的突发状况类型(例如,一种前所未见的乘客集体行为模式,或因新型公共事件引发的恐慌),或者已知状况表现出未曾记录的复杂特征时,模型由于缺乏对应的“记忆”,极易发生误判或漏判。

4、应对“未知的未知”能力缺失:现有系统能够较好地处理“已知的未知”(即预定义好的风险),但对于“未知的未知”(即完全未预料到的事件)则显得无能为力。系统的识别能力被历史数据的边界所禁锢,无法有效应对超越其认知范围的真实世界复杂性问题。

5、模型僵化:依赖于固定历史数据集训练的模型,一旦部署,其识别逻辑也相对固定。若要适应新的情况,必须重新收集数据、重新标注、重新训练模型,这个过程周期长、成本高,导致系统难以持续进化,无法满足动态变化的运营环境需求。

6、因此,本领域亟待一种能够突破历史数据依赖、具备对新型及未预料突发状况进行自适应和精准识别能力的客流智能管控技术,以填补现有技术在上述方面的空白。

7、为此,本发明的设计者有鉴于上述缺陷,通过潜心研究和设计,综合长期多年从事相关产业的经验和成果,研究设计出一种基于人工智能的轨道交通客流智能分级管控方法及系统,以克服上述缺陷。

技术实现思路

1、本发明的目的在于提供一种基于人工智能的轨道交通客流智能分级管控方法及系统,能克服现有轨道交通客流管控系统因过度依赖历史记录数据而导致的、对新型或未预料突发状况识别精度低、泛化能力差的问题,显著提升了管控系统在真实复杂环境下的感知可靠性和智能化水平,极具创新性。

2、为实现上述目的,本发明公开了一种基于人工智能的轨道交通客流智能分级管控方法,其特征在于,包括以下步骤:

3、步骤s100,获取轨道交通站点的多源感知数据,所述多源感知数据包括视频数据、声学数据和运营数据;

4、步骤s200,基于所述多源感知数据进行分析,得到移动速度特征、运动熵特征和声学压力指数,并融合得到群体情绪压力值;

5、步骤s300,根据所述群体情绪压力值,调整客流分级管控策略;其中,所述客流分级管控策略包括多个管控级别,每个管控级别对应不同的管控措施;

6、步骤s400,将调整后的客流分级管控策略下发至列车自动监控系统执行。

7、其中,在所述步骤s100中,获取多源感知数据具体包括:

8、步骤s110,视频数据采集,获取站台、通道和闸机关键区域对应的视频流数据以分析人群移动速度和运动模式;

9、步骤s120,声学数据采集,采集环境声音数据,用于分析声学焦虑指数;

10、步骤s130,运营数据获取,从轨道交通运营数据库中实时获取列车运行状态信息、设备故障报告以及客流密度数据。

11、其中,在所述步骤s200中,分析群体行为具体包括:

12、步骤s210,基于所述视频流数据,通过计算连续帧间的人群像素位移,得到用于表征人群移动快慢与一致性的移动速度特征;

13、步骤s220,基于所述视频流数据,通过计算人群移动方向的分布概率,并采用信息熵算法对该分布概率进行量化,得到用于表征人群移动有序性的运动熵特征;

14、步骤s230,基于所述环境声音数据,提取对应的时域和频域特征,并结合历史基线数据,计算得到声学压力指数;

15、步骤s240,群体情绪压力值融合:对上述移动速度特征、运动熵特征和声学压力指数进行多模态数据融合,生成群体情绪压力值。

16、其中,所述步骤s300中调整客流分级管控策略具体包括:

17、步骤s310,预设群体情绪压力值的阈值范围,将管控级别划分为正常、关注、警戒和高危;其中,正常级别对应群体情绪压力值低于第一管控阈值,关注级别对应群体情绪压力值介于第一管控阈值和第二管控阈值之间,警戒级别对应群体情绪压力值介于第二管控阈值和第三管控阈值之间,高危级别对应群体情绪压力值高于第三管控阈值,所述第一管控阈值、第二管控阈值和第三管控阈值的取值基于历史客流数据和专家经验进行设置和动态调整;

18、步骤s320,当群体情绪压力值达到关注级别时,触发安抚广播和人工疏导措施;

19、步骤s330,当群体情绪压力值达到警戒级别时,启动站内限流和设施调整措施;

20、步骤s340,当群体情绪压力值达到高危级别时,执行强制物理隔离和客流流线变更措施。

21、其中,所述步骤s300中调整客流分级管控策略还包括:

22、步骤s350,根据实时获取的运营数据,动态调整群体情绪压力值的阈值,在动态调整过程中通过比较实时运营数据与历史运营数据,基于预设的动态更新策略进行更新;

23、步骤s360,将群体情绪压力值与根据站台和通道单位面积人数确定的人群密度值通过加权平均进行结合,生成综合风险评估指标。

24、其中,还包括步骤s500,基于历史态势数据和实时态势数据,建立群体行为态势的基线对应关系;

25、具体包括以下步骤:

26、步骤s510,基于所述基线对应关系,对实时获取的移动速度特征、运动熵特征和声学压力指数进行异常检测;当任一特征或多个特征的组合偏离其正常范围超过预设阈值时,标记为异常行为模式;

27、步骤s520,当检测到异常行为模式时,生成预警信号并触发针对性管控措施;其中,预警信号通过指挥中心界面显示,针对性管控措施包括自动启动预定义的应急方案,所述应急方案包括站内限流措施、人工疏导措施、设施调整措施或客流流线变更措施。

28、其中,还包括步骤s600,通过集成外部数据源,预测群体情绪压力值;

29、具体包括以下步骤:

30、步骤s610,获取并整合外部数据源,所述外部数据源包括通过应用程序接口从社交媒体平台获取的舆情数据,以及从城市公共信息平台获取的包含节假日、大型活动安排的事件日历数据;

31、步骤s620,基于历史外部数据源和对应时间上记录的历史群体情绪压力值,分析所述外部数据源与群体情绪压力值之间的关联性,建立预测对应关系;

32、步骤s630,根据当前获取的外部数据源及所述预测对应关系,预测潜在的群体情绪压力值变化趋势,并基于该趋势提前调整客流分级管控策略。

33、其中,还包括步骤s700,通过边缘计算节点处理多源感知数据,以减轻中央系统负担并降低网络延迟;

34、具体包括以下步骤:

35、步骤s710,在部署于站点的边缘计算节点上,对所述视频流数据进行处理,提取人群的移动速度特征与运动熵特征;

36、步骤s720,在所述边缘计算节点上,对所述环境声音数据进行处理,提取声学压力指数;

37、步骤s730,将提取得到的移动速度特征、运动熵特征及声学压力指数上传至中央处理系统;其中,上传的数据为经特征提取后的结构化数据,且上传过程采用数据传输安全协议。

38、其中,还包括步骤s800,对群体情绪压力值进行可视化与决策支持;

39、具体包括以下步骤:

40、步骤s810,将实时获取的群体情绪压力值以热力图形式叠加显示于车站空间布局图上,生成可视化结果;

41、步骤s820,基于所述可视化结果,为调度员提供决策支持。

42、还公开了一种基于人工智能的轨道交通客流智能分级管控方法,其特征在于包括:

43、多源感知模块,用于获取轨道交通站点的视频流数据、环境声音数据和运营数据;其中,视频数据通过高清摄像头采集,声学数据通过声学传感器采集,运营数据从数据库接口实时获取;

44、态势分析模块,用于基于多源感知数据,通过融合移动速度特征、运动熵特征和声学压力指数来生成群体情绪压力值,其中分析过程包括特征提取和融合计算;

45、决策执行模块,用于根据群体情绪压力值调整客流分级管控策略,并下发给列车自动监控系统执行。

46、通过上述内容可知,本发明的基于人工智能的轨道交通客流智能分级管控方法及系统具有如下效果:

47、1、通过创新性地融合实时视频、声学与运营数据,生成“群体情绪压力值”这一通用状态指标,使得识别机制不再依赖于与预设历史模式的匹配。

48、2、从根本上解决了传统方法因历史数据不全或场景未知而导致的误判和漏判问题,显著提升了管控系统在真实复杂环境下的感知可靠性和智能化水平。

49、3、通过构建实时群体行为态势感知机制,直接从视频和声学数据中提取移动速度特征、运动熵特征及声学压力指数,使管控系统具备独立于既有历史数据的实时研判能力,从而在无历史先例的全新场景下仍能有效感知客流风险状态。

50、4、通过建立多级管控策略与群体情绪压力值之间的动态映射关系,并在边缘计算节点完成感知数据的实时处理与特征提取,使得管控措施能够根据客流态势的实时变化进行自适应调整,显著提升了轨道交通客流管控的响应速度和精细化水平。

51、本发明的详细内容可通过后述的说明及所附图而得到。