城市轨道交通车站客流时空分布态势动态推演方法及系统与流程

本发明涉及轨道交通，具体涉及一种城市轨道交通车站客流时空分布态势动态推演方法及系统。

背景技术：

1、近年来，随着城市化进程加快和智慧交通技术不断发展，城市轨道交通系统规模持续扩大，车站客流量不断增长。与此同时，物联网、大数据和人工智能技术的应用，使车站内视频监控数据、站内设备监测数据、occ运行数据等多源数据的实时采集和分析成为可能，为城市轨道交通车站的精细化客流管理和智能化运营提供了数据基础。

2、但是，随着轨道交通网络规模扩大和运营场景日益复杂，车站运营管理面临多方面挑战。一方面，突发大客流、设备故障、极端天气和大型活动散场等异常事件容易导致站内客流时空分布产生明显变化，并呈现较强的动态性和非线性，传统客流管理方法难以及时适应不同运行场景；另一方面，异常事件发生后，站内客流容易出现局部拥挤、流线冲突和设施服务能力下降等情况，而客流状态在不同关键区域和不同时段之间的演化规律难以准确获取，影响运营人员对高风险区域的识别以及客流疏导措施的制定。

3、现有的车站运行态势评估方法通常依赖人工经验或单一类型的监测数据，难以充分利用天气数据、社交媒体数据、站内设备监测数据、视频监控数据和occ运行数据中包含的客流运行信息，也难以从运行效率、服务水平和运行稳定性三个评价维度对车站运行态势进行综合评价。同时，现有客流时空分布演化模型通常基于静态拓扑结构或历史经验参数构建，缺少运行态势分析结果对基础时空服务网络中区域连接边的动态属性参数和有效路径阈值的驱动机制，也缺少利用实时视频监控数据对站内客流时空分布的初步评估结果进行在线修正的过程，导致评估结果与实际客流状态之间容易产生偏差，难以满足城市轨道交通车站精细化运营管理对客流时空分布态势动态推演的需求。

技术实现思路

1、为解决现有车站运行态势评估难以充分利用多源数据、站内客流时空分布演化模型不能根据当前运行态势动态调整以及站内客流时空分布的初步评估结果缺少实时观测数据在线修正的问题，本发明提供一种城市轨道交通车站客流时空分布态势动态推演方法及系统，通过图神经网络模型提取设备级客流特征、流线级客流特征和全域级客流特征，利用域迁移学习模型得到全样本态势标签，并通过xgboost模型得到当前实时客流样本的运行态势分析结果；以所述运行态势分析结果为驱动，调整基础时空服务网络中区域连接边的动态属性参数和有效路径阈值，得到与当前运行态势对应的时空服务网络，基于所述与当前运行态势对应的时空服务网络得到站内客流时空分布的初步评估结果，再利用实时视频监控数据对所述站内客流时空分布的初步评估结果进行在线修正，从而得到目标车站客流时空分布态势的动态推演结果。

2、本发明的具体方案如下：一种城市轨道交通车站客流时空分布态势动态推演方法，包括以下步骤：

3、s1，获取目标车站的历史多源数据、实时多源数据和车站基础配置数据；所述历史多源数据和所述实时多源数据均包括天气数据、社交媒体数据、站内设备监测数据、视频监控数据和occ运行数据，所述车站基础配置数据包括站内拓扑图、乘客服务流线和关键区域；

4、s2，基于所述历史多源数据识别车站历史异常事件，采用图神经网络模型分别从所述历史多源数据和所述实时多源数据中提取设备级客流特征、流线级客流特征和全域级客流特征，得到历史客流样本和实时客流样本分别对应的多层级客流特征指标集，并基于所述多层级客流特征指标集，从运行效率、服务水平和运行稳定性三个评价维度构建包括五类运行态势的车站运行态势评估体系；

5、s3，依据所述车站运行态势评估体系对所述历史客流样本中的典型客流样本进行标注，得到典型样本标签，并以所述典型客流样本及其典型样本标签构建源域数据集，以训练阶段采集的未标注实时客流样本构建目标域数据集；利用域迁移学习模型将所述源域数据集的标签知识迁移至所述目标域数据集，得到全样本态势标签；

6、s4，以所述多层级客流特征指标集作为训练输入、以所述全样本态势标签作为监督标签训练xgboost模型，通过训练后的xgboost模型对模型训练完成后获取的当前实时客流样本进行处理，得到所述当前实时客流样本的运行态势分析结果；

7、s5，根据所述车站基础配置数据建立节点-边结构的基础时空服务网络，并以所述运行态势分析结果为驱动，调整所述基础时空服务网络中区域连接边的动态属性参数和有效路径阈值，得到与当前运行态势对应的时空服务网络；基于所述与当前运行态势对应的时空服务网络建立站内客流时空分布演化模型，并通过求解所述站内客流时空分布演化模型得到站内客流时空分布的初步评估结果；

8、s6，根据所述实时多源数据中的实时视频监控数据，采用广义最小二乘估计方法对所述站内客流时空分布的初步评估结果进行在线修正，得到目标车站客流时空分布态势的动态推演结果。

9、优选的，所述图神经网络模型包括设备感知模块、流线聚合模块和全域耦合模块，其中：

10、所述设备感知模块用于根据设备状态张量更新设备状态，所述设备状态张量的物理观测特征包括设备所在区域的客流密度、设备所在区域的平均步行速度、设备瞬时通过流量和设备平均服务时间；所述设备状态张量的更新触发条件为达到预设离散时间周期，或者所述站内设备监测数据的波动超出预设阈值；

11、所述流线聚合模块用于根据流线特征矩阵和站内流线状态传播算子更新流线特征，所述流线特征包括流线通行总时间、流线拥挤指数和流线流量变化率；所述流线特征的更新触发条件为达到所述预设离散时间周期，或者所述流线流量变化率超出预设阈值；

12、所述全域耦合模块用于对所述设备感知模块输出的设备级客流特征、所述流线聚合模块输出的流线级客流特征以及由所述天气数据和所述occ运行数据确定的外部扰动特征进行动态耦合，形成所述全域级客流特征；

13、对所述设备级客流特征、所述流线级客流特征和所述全域级客流特征进行整合，得到所述多层级客流特征指标集。

14、优选的，所述多层级客流特征指标集包括运行效率类指标、服务水平类指标和运行稳定性类指标，其中：

15、所述运行效率类指标包括客流密度、站内区域流速、站内设施利用率、通行时间和通道流量饱和度；

16、所述服务水平类指标包括乘客候车时间、排队长度、站内设施可用性、路径可靠性和舒适度指数；

17、所述运行稳定性类指标包括进出站流量差、od变异系数、设备故障率、列车准点率、客流波动率、密度梯度、速度离散度、流线拥堵关联度和恢复能力指数；

18、所述五类运行态势包括正常运行态势、运行效率异常态势、服务水平异常态势、运行稳定性异常态势和综合性异常态势。

19、所述域迁移学习模型包括领域差异度量模块和标签迁移模块，其中：

20、所述源域数据集中的每个源域样本包括所述典型客流样本的由所述多层级客流特征指标集形成的客流特征向量及其对应的五类运行态势的one-hot标签，所述目标域数据集中的每个目标域样本包括所述未标注实时客流样本的由所述多层级客流特征指标集形成的客流特征向量；

21、所述领域差异度量模块用于通过特征提取器将所述源域样本和所述目标域样本的客流特征向量映射至共享特征空间，得到源域共享特征表示、目标域共享特征表示以及表征二者特征分布差异的最大均值差异值；

22、所述标签迁移模块用于通过分类器对所述源域共享特征表示和所述目标域共享特征表示进行处理，得到五类运行态势的概率分布，根据所述源域样本对应的概率分布和one-hot标签计算源域分类损失，并根据所述源域分类损失和所述最大均值差异值构建目标优化函数；

23、采用梯度下降方法对所述目标优化函数进行求解，以更新所述特征提取器和所述分类器的参数，并利用更新后的所述特征提取器和所述分类器得到目标域态势概率矩阵；根据所述目标域态势概率矩阵中各目标域样本的最大概率确定对应的运行态势标签，并与所述典型样本标签共同构成所述全样本态势标签。

24、所述xgboost模型包括非线性映射模块和态势决策输出模块，其中：

25、所述非线性映射模块用于根据所述多层级客流特征指标集和所述全样本态势标签构建梯度提升树模型，并通过所述梯度提升树模型输出所述当前实时客流样本对应于五类运行态势的预测概率分布；

26、所述态势决策输出模块用于根据所述预测概率分布生成车站样本态势概率矩阵，所述车站样本态势概率矩阵的每一行对应一个当前实时客流样本、每一列对应一种运行态势，并根据每一行中的最大概率确定对应当前实时客流样本的运行态势，得到所述运行态势分析结果。

27、所述基础时空服务网络和所述与当前运行态势对应的时空服务网络均包括关键区域节点和区域连接边；

28、所述关键区域节点由对所述目标车站的站厅、站台、闸机、换乘通道、楼扶梯和出入口中的至少一种进行区域划分得到，每个关键区域节点包括区域索引、离散时间区间和离散客流状态信息；

29、所述区域连接边由所述站内拓扑图和所述乘客服务流线确定，用于表征相邻关键区域节点之间的可通行连接关系；根据所述运行态势分析结果确定所述区域连接边的动态走行时间和动态拥挤费用，并根据所述动态走行时间和所述动态拥挤费用确定所述区域连接边的动态广义通行阻抗；

30、基于所述与当前运行态势对应的时空服务网络动态生成站内od有效路径，所述有效路径阈值包括路径允许通行时间阈值和路径允许拥挤费用阈值，所述站内od有效路径满足所述路径允许通行时间阈值和所述路径允许拥挤费用阈值。

31、所述站内客流时空分布演化模型包括乘客流平衡约束、客流密度测量方程、路径客流状态唯一性约束以及基于所述乘客流平衡约束、所述客流密度测量方程和所述路径客流状态唯一性约束构建的时空分布演化目标函数，其中：

32、所述乘客流平衡约束用于约束不同类别乘客在各关键区域节点和区域连接边之间的流量进出关系；

33、所述客流密度测量方程用于建立路径客流密度、动态走行时间与离散客流状态之间的关联关系；

34、所述路径客流状态唯一性约束用于限定任一时刻的每条区域连接边仅对应一个离散客流状态；

35、所述时空分布演化目标函数用于最小化乘客流量与客流状态偏差、传感器观测偏差和状态耦合偏差；

36、通过求解所述时空分布演化目标函数，得到各区域连接边在各离散时间区间的客流状态、客流密度和客流流量，作为所述站内客流时空分布的初步评估结果。

37、优选的，采用所述广义最小二乘估计方法对所述站内客流时空分布的初步评估结果进行在线修正，具体包括：

38、从所述实时视频监控数据中提取各关键区域节点的客流密度观测值，并根据所述站内客流时空分布的初步评估结果确定各关键区域节点的客流密度预测值，计算所述客流密度观测值与所述客流密度预测值之差，得到密度残差向量；

39、基于所述站内拓扑图确定所述关键区域节点之间的邻接关系，并根据所述关键区域节点之间的物理距离、拓扑连通关系和功能相似性生成空间权重矩阵，根据所述空间权重矩阵生成空间协方差矩阵；

40、根据客流时间自相关性和基于所述密度残差向量确定的自适应时间衰减因子生成时间协方差矩阵，并将所述空间协方差矩阵与所述时间协方差矩阵融合为时空协方差矩阵；

41、根据所述密度残差向量和所述时空协方差矩阵计算最优密度修正量，并利用所述最优密度修正量对所述站内客流时空分布的初步评估结果进行在线修正，得到所述客流时空分布态势的动态推演结果。

42、所述方法在得到所述客流时空分布态势的动态推演结果之后，还包括：

43、根据所述客流时空分布态势的动态推演结果构建空间状态特征矩阵和时序演化特征矩阵，并采用双线性交叉注意力机制融合所述空间状态特征矩阵和所述时序演化特征矩阵，得到融合特征；

44、根据所述融合特征计算各区域与各时段组合的风险分数，并根据所述风险分数和动态阈值函数确定各区域在各时段的区域客流状态等级；

45、根据各区域的所述风险分数计算全站整体风险指数，并根据所述全站整体风险指数确定全站客流状态等级；所述区域客流状态等级和所述全站客流状态等级均包括正常、轻度拥挤、重度拥挤和紧急状态。

46、一种城市轨道交通车站客流时空分布态势动态推演系统，包括：

47、数据获取模块，用于获取目标车站的历史多源数据、实时多源数据和车站基础配置数据；所述历史多源数据和所述实时多源数据均包括天气数据、社交媒体数据、站内设备监测数据、视频监控数据和occ运行数据，所述车站基础配置数据包括站内拓扑图、乘客服务流线和关键区域；

48、运行态势指标建立模块，用于基于所述历史多源数据识别车站历史异常事件，采用图神经网络模型分别从所述历史多源数据和所述实时多源数据中提取设备级客流特征、流线级客流特征和全域级客流特征，得到历史客流样本和实时客流样本对应的多层级客流特征指标集，并基于所述多层级客流特征指标集构建包括五类运行态势的车站运行态势评估体系；

49、运行态势评估模块，用于依据所述车站运行态势评估体系对所述历史客流样本中的典型客流样本进行标注，得到典型样本标签，并利用域迁移学习模型将所述典型客流样本的标签知识迁移至训练阶段采集的未标注实时客流样本，得到全样本态势标签；

50、运行态势分析模块，用于根据所述多层级客流特征指标集和所述全样本态势标签训练xgboost模型，并通过训练后的xgboost模型对模型训练完成后获取的当前实时客流样本进行处理，得到所述当前实时客流样本的运行态势分析结果；

51、客流时空分布评估模块，用于根据所述车站基础配置数据建立节点-边结构的基础时空服务网络，并以所述运行态势分析结果为驱动，调整所述基础时空服务网络中区域连接边的动态属性参数和有效路径阈值，得到与当前运行态势对应的时空服务网络；还用于基于所述与当前运行态势对应的时空服务网络建立站内客流时空分布演化模型，并通过求解所述站内客流时空分布演化模型得到站内客流时空分布的初步评估结果；

52、在线修正模块，用于根据所述实时多源数据中的实时视频监控数据，采用广义最小二乘估计方法对所述站内客流时空分布的初步评估结果进行在线修正，得到目标车站客流时空分布态势的动态推演结果；还用于根据所述客流时空分布态势的动态推演结果构建空间状态特征矩阵和时序演化特征矩阵，采用双线性交叉注意力机制融合所述空间状态特征矩阵和所述时序演化特征矩阵，确定各区域在各时段的区域客流状态等级以及全站客流状态等级。

53、与现有技术相比，本发明至少具有以下有益效果：

54、本发明通过获取目标车站的历史多源数据、实时多源数据和车站基础配置数据，采用图神经网络模型从不同空间组织层级提取设备级客流特征、流线级客流特征和全域级客流特征，形成涵盖运行效率、服务水平和运行稳定性的多层级客流特征指标集，能够综合利用不同来源和不同空间层级的客流信息，并保留目标车站的拓扑连接关系及相邻区域之间的客流关联，减少依赖单一数据源或人工经验进行车站运行态势判断所产生的局限。

55、本发明通过对典型客流样本进行标注，并利用域迁移学习模型将源域数据集的标签知识迁移至由训练阶段采集的未标注实时客流样本构成的目标域数据集，能够减小历史客流样本与实时客流样本之间的特征分布差异，得到覆盖目标域数据分布的全样本态势标签；以多层级客流特征指标集作为训练输入、以全样本态势标签作为监督标签训练xgboost模型，并通过训练后的xgboost模型处理当前实时客流样本，实现训练阶段标签生成与在线运行态势识别的衔接，有利于提高不同客流场景下车站运行态势识别的适应性。

56、本发明根据车站基础配置数据建立节点-边结构的基础时空服务网络，并以运行态势分析结果为驱动，调整区域连接边的动态属性参数和有效路径阈值，使基础时空服务网络能够随当前运行态势变化，得到与当前运行态势对应的时空服务网络；在此基础上，通过站内客流时空分布演化模型得到站内客流时空分布的初步评估结果，并利用实时视频监控数据和广义最小二乘估计方法进行在线修正，能够减小站内客流时空分布的初步评估结果与实际客流状态之间的偏差，提高客流时空分布态势动态推演的实时性和准确性，为车站客流组织、拥挤风险识别和运营管理提供依据。