耿亞寧， 胡 華， 孟艷麗， 石 琦， 張 文

（上海工程技術大學 城市軌道交通學院， 上海 201620）

0 引 言

隨著中國城市發(fā)展，地鐵的客流量逐年上升，但由于地鐵的封閉性，在車站發(fā)生突發(fā)大客流條件下，易導致車站客運組織混亂、人群聚集和無序擁擠，給車站運營安全管理帶來嚴峻的挑戰(zhàn)。 因此，對地鐵車站突發(fā)大客流進行實時監(jiān)測和預警，對于提高車站突發(fā)大客流應急處置效率、保障車站運營安全具有重要意義。

近年來，相關人員對地鐵車站大客流預警方面的研究不斷深入。 如：文獻［2］運用計算機仿真技術，研究了城市軌道交通站臺客流滯留分級預警方法；文獻［3］通過擁堵，實現(xiàn)對地鐵網(wǎng)絡脆弱性的評估；文獻［4］針對大客流和車站有限空間的矛盾，研究了城市軌道交通車站大客流預警及其疏解方法；文獻［5］提出了基于WiFi 探針檢測數(shù)據(jù)的地鐵車站客流預警模型；文獻［6］提出用相關向量機對軌道交通突發(fā)客流進行預測，并采用受試者工作特征曲線對模型進行優(yōu)度評價。 綜上所述，雖然相關理論研究較成熟，但現(xiàn)有研究主要集中在對常態(tài)大客流預警等級和系統(tǒng)機制的探索，缺少對突發(fā)大客流的研究。

在客流采集技術方面，目前中國地鐵運營企業(yè)已經(jīng)使用AFC 系統(tǒng)、熱敏傳感、藍牙定位、WiFi 探針、視頻識別等多項技術，對車站突發(fā)大客流識別估計進行初步試點研究與應用。 不同客流監(jiān)測技術都有其各自的優(yōu)缺點，其中視頻識別技術獲取數(shù)據(jù)精度最高、使用靈活性大、適用范圍廣、成本低且容易掌握。 本文提出一種基于視頻識別的地鐵車站突發(fā)大客流智能預警方法，引入KNN 分類算法和百分位數(shù)法對歷史客流數(shù)據(jù)進行處理，提出客流密度持續(xù)增長時間的概念，建立了客流密度持續(xù)增長時間的智能算法模型，并進行了實例分析。

1 突發(fā)大客流判定

突發(fā)大客流是指在某一段時間內(nèi)突發(fā)性地集聚客流，客流量超過了地鐵車站設施設備的承受能力，且客流量還在不斷增加，需采取對應的客流組織措施。 地鐵車站由出入口、樓扶梯、通道、安檢機、閘機、站臺、站廳等設施設備組成，各設施為客流服務流線上的關鍵節(jié)點，當發(fā)生突發(fā)大客流時，樓扶梯、安檢機、閘機等關鍵節(jié)點就成為產(chǎn)生客流擁堵的瓶頸點。

為了判定車站是否發(fā)生突發(fā)大客流，提出使用各瓶頸點處的客流密度持續(xù)增長時間作為判定指標。 客流密度持續(xù)增長時間，是指某瓶頸點處的實際客流密度相比歷史同時刻正?？土髅芏葹樵鲩L趨勢時增長持續(xù)的時間。 當客流密度持續(xù)增長時間超過某一閾值，就可以判定車站發(fā)生了突發(fā)大客流，需啟動相應預案。

2 客流數(shù)據(jù)采集與分析

基于視頻識別技術對客流數(shù)據(jù)進行采集與處理時，需要在車站內(nèi)安裝攝像頭，覆蓋所有客流瓶頸點。 數(shù)據(jù)采集與分析思想如下：首先確定地鐵車站不同特征日不同時段的瓶頸點，并劃定視頻識別分析網(wǎng)格，通過視頻識別獲得各瓶頸點的第個特征日第個采集分析時段的客流密度值； 利用KNN（K 最近鄰） 分類算法，找出與當前日的已知前個時段客流模式最相似的個參照客流模式的歷史特征日，取個歷史特征日的第個時段的85 百分位客流密度作為。 客流數(shù)據(jù)采集流程如圖1 所示：

圖1 客流數(shù)據(jù)采集流程圖Fig.1 Flow chart of passenger flow data collection

（1）劃定視頻識別分析網(wǎng)格：根據(jù)地鐵車站各基礎設施的通行能力，將車站瓶頸點劃分為安檢機、閘機、樓扶梯、通道、站臺、站廳、出入口、售票點等8種類型。 根據(jù)車站客流特征劃分特征日（如工作日、周末），結合站內(nèi)行人交通流線上各類設施的通行能力，計算和現(xiàn)場觀測結果，確定車站各條行人交通流線上、不同特征日、高峰時段的瓶頸點類型及位置，并劃定具體的視頻分析網(wǎng)格。

（2）視頻識別技術：視頻識別技術是在圖像與事件描述之間建立一種映射關系，使計算機從紛繁的視頻圖像中定位、識別和跟蹤關鍵目標物體，并實時分析和判斷目標的行為。 根據(jù)預定的規(guī)則進行相應的報警或處理動作，從而能在異常事件發(fā)生時及時做出反應，做到早期的偵測和防范。

基于車站內(nèi)部安裝的視頻圖像設備，獲取站內(nèi)客流數(shù)據(jù)。 設定視頻數(shù)據(jù)分析頻率（1 次／min），利用視頻識別技術獲取各瓶頸點第個特征日第個采集分析時段的客流密度值。

（3）KNN 分類算法： KNN 算法是一個基本的分類和回歸算法，屬于監(jiān)督學習中分類方法的一種。 其算法流程如圖2 所示。

圖2 KNN 算法流程圖Fig.2 Flow chart of KNN algorithm

本文針對各瓶頸點，利用KNN 分類算法，找出與當前特征日之前的個時段（1，2，…，）的客流模式最相似的個參照客流模式的歷史特征日（1，2，…，），計算得到該瓶頸點這個歷史特征日第個時段的85 百分位客流密度值；85 百分位客流密度指將客流密度數(shù)據(jù)集按數(shù)值大小排列，處于85位置的值。 該值能夠很好的反映出正常情況下瓶頸處歷史客流密度可以達到的最大值，避免了偶爾過大的歷史客流數(shù)據(jù)影響判定指標的準確性，其計算公式見式（1）。

式中，δ為所在組的最小客流密度值；為總統(tǒng)計頻數(shù)；F為小于的累計頻率；為所在組的累計頻率；為組距。

3 智能預警算法

基礎數(shù)據(jù)采集與預處理完成后，進一步計算客流密度增長持續(xù)時間，其算法如下，流程如圖3 所示。

圖3 突發(fā)大客流智能預警判定方法Fig.3 Intelligent early warning judgment method for sudden large passenger flow

計算各瓶頸點第個特征日第個時段的客流密度與其歷史85 百分位客流密度的同比變化率（見式（2）），并進行判定。 判定規(guī)則如下：

當≤0 時，直接轉入下一次判定；當0 時進一步迭代計算各瓶頸點第個特征日第1 個時段的客流密度值與第個時段的客流密度值的環(huán)比變化率（見式（3）），同時統(tǒng)計其持續(xù)增長時間。

式中，同比變化率是指某時刻實時客流密度較歷史同時刻客流密度的變化率，環(huán)比變化率指某時刻實時客流密度較相鄰上一時刻客流密度的變化率。

計算各瓶頸點客流密度持續(xù)增長時間，設初值為0，統(tǒng)計判定規(guī)則如下：

（1）當該瓶頸點第個特征日第1 個時段的客流密度值與第個時段的客流密度值的變化率0 時，累計加1，反之仍舊為0；

（2） 當該瓶頸點第個特征日第2 個時段的客流密度值與第1 個時段的客流密度值的變化率仍然大于0 時，繼續(xù)累計加1，反之停止累計。 這樣能夠在每一分鐘得到一個值。

根據(jù)車站常態(tài)客運組織方案下，各瓶頸點能夠承受的最大客流增長率，確定其突發(fā)大客流持續(xù)增長時間的預警閾值。 當判定時，該瓶頸點突發(fā)大客流報警，并通知車站工作人員啟動相應的應急處置措施。 如客流均衡引導、限流等。

4 案例分析

本文實驗以上海地鐵徐涇東站客流數(shù)據(jù)為例，進行方法驗證。 上海軌道交通二號線徐涇東站，與國家會展中心對接，共有9 個出入口。 車站工作日，日均客流量約為6 萬人次，主要為通勤客流。 早高峰出現(xiàn)時段為上午7 ～10 時，晚高峰為下午17 ～20時。

首先將徐涇東地鐵站瓶頸點劃分為安檢機、閘機、樓扶梯、通道、站臺、站廳、出入口、售票點8 種類型。 根據(jù)車站客流特征劃分特征日（如工作日和周末），結合站內(nèi)行人交通流線上各類設施的通行能力計算和現(xiàn)場觀測結果，確定車站各條行人交通流線上、不同特征日、高峰時段的瓶頸點類型及位置。8 類瓶頸點設置的視頻識別點數(shù)分別為：4、12、10、10、10、4、9、6，并對其進行編號（編號分別為瓶頸點1，2，…，），同時在每一個瓶頸點劃定具體的視頻分析網(wǎng)格。

以工作日為特征日，采集徐涇東站各個瓶頸點每周連續(xù)5 個特征日早高峰（7：00－9：00，每一分鐘作為一個采集分析時段，每天各個瓶頸點視頻網(wǎng)格采集2 h 共120 組樣本數(shù)據(jù)）客流量視頻數(shù)據(jù)，設定視頻數(shù)據(jù)分析頻率為1 次／min。 以某樓扶梯為例，利用視頻識別技術獲取徐涇東站某工作日早高峰實時客流量，以8：00 為時間節(jié)點，此時該樓扶梯的客流密度為2.01 人／m。 取8：00 前15min 該樓扶梯處的樣本客流密度數(shù)據(jù)見表1。

表1 徐涇東站1 號樓扶梯處15 min 的客流密度統(tǒng)計表Tab.1 Passenger flow density at No.1 escalator of Xujing East Station in 15 min

獲取徐涇東站1 號樓扶梯瓶頸點8：00 前15 min的客流密度數(shù)據(jù)（15 個視頻采集分析時段）后，利用KNN 分類算法找出與該15 min 采集時段的客流模式最相似的歷史相同時刻點的前15 min 時段所在的20個歷史特征日，聚類過程如圖4 所示。 計算得到該瓶頸點這20 個歷史特征日8：00 的客流密度數(shù)據(jù)集的85 百分位客流密度值為1.92 人／m。

圖4 一次聚類結果Fig.4 Results of primary clustering

通過計算和，判斷該瓶頸點處客流密度持續(xù)增長時間。

經(jīng)過上述步驟，得到：8：00 時該樓扶梯處1.92 人／m、1.96 人／m。 通過計算，≤0 則進入下一次判定。 實時觀測到8：01 時該樓扶梯處客流密度1.97 人／m，計算分析得到此時1.96 人／m。 通過計算，0.51%＞0，令0；持續(xù)獲取8：01 后該樓扶梯處的實時客流數(shù)據(jù)。 計算，判定客流密度持續(xù)增長時間，見表2。

分析表2 可知，8：02 后該樓扶梯瓶頸點處客流密度持續(xù)增長，直至8：08 已連續(xù)增長6 min 且增長率越來越大。 按照此趨勢可能繼續(xù)增加造成車站擁堵，此時車站值班員必須保持密切觀察，若該樓扶梯瓶頸點處客流密度持續(xù)增長超過10 min，必須啟動車站突發(fā)大客流報警，并通知車站工作人員啟動相應的應急處置措施。

表2 瓶頸點8：00－8：08 客流密度持續(xù)增長時間統(tǒng)計Tab.2 Statistical table of continuous growth time of passenger flow density at the bottleneck between 8：00 and 8：08

5 結束語

本文基于視頻數(shù)據(jù)的地鐵車站突發(fā)大客流智能預警方法，提出以客流密度持續(xù)增長時間作為判定指標。 通過視頻識別技術獲取地鐵車站各瓶頸點的實時客流數(shù)據(jù)，結合KNN 分類算法和百分位數(shù)法，并提出了客流密度持續(xù)增長時間的智能算法模型，最后以上海地鐵徐涇東站為例進行算法驗證。 結果表明：本文提出的基于視頻識別的地鐵車站突發(fā)大客流智能預警方法，可快速確定車站發(fā)生突發(fā)大客流的瓶頸位置，有效指導地鐵車站各瓶頸點突發(fā)大客流預案的制定及啟動，對于保障城市軌道在大客流發(fā)生時的安全運營有重要的現(xiàn)實意義。

目前大多研究文件偏向于宏觀預警，而本文提出的預警方案偏向微觀預警，可以進一步研究建立宏觀與微觀相結合的更加便捷統(tǒng)一的預警指標體系。