基于視頻識(shí)別的地鐵站突發(fā)大客流智能預(yù)警方法研究

耿亞寧， 胡 華， 孟艷麗， 石 琦， 張 文

（上海工程技術(shù)大學(xué) 城市軌道交通學(xué)院， 上海 201620）

0 引 言

隨著中國(guó)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(dǎo)致車站客運(yùn)組織混亂、人群聚集和無(wú)序擁擠，給車站運(yùn)營(yíng)安全管理帶來(lái)嚴(yán)峻的挑戰(zhàn)。 因此，對(duì)地鐵車站突發(fā)大客流進(jìn)行實(shí)時(shí)監(jiān)測(cè)和預(yù)警，對(duì)于提高車站突發(fā)大客流應(yīng)急處置效率、保障車站運(yùn)營(yíng)安全具有重要意義。

近年來(lái)，相關(guān)人員對(duì)地鐵車站大客流預(yù)警方面的研究不斷深入。 如：文獻(xiàn)［2］運(yùn)用計(jì)算機(jī)仿真技術(shù)，研究了城市軌道交通站臺(tái)客流滯留分級(jí)預(yù)警方法；文獻(xiàn)［3］通過(guò)擁堵，實(shí)現(xiàn)對(duì)地鐵網(wǎng)絡(luò)脆弱性的評(píng)估；文獻(xiàn)［4］針對(duì)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(yù)警及其疏解方法；文獻(xiàn)［5］提出了基于WiFi 探針檢測(cè)數(shù)據(jù)的地鐵車站客流預(yù)警模型；文獻(xiàn)［6］提出用相關(guān)向量機(jī)對(duì)軌道交通突發(fā)客流進(jìn)行預(yù)測(cè)，并采用受試者工作特征曲線對(duì)模型進(jìn)行優(yōu)度評(píng)價(jià)。 綜上所述，雖然相關(guān)理論研究較成熟，但現(xiàn)有研究主要集中在對(duì)常態(tài)大客流預(yù)警等級(jí)和系統(tǒng)機(jī)制的探索，缺少對(duì)突發(fā)大客流的研究。

在客流采集技術(shù)方面，目前中國(guó)地鐵運(yùn)營(yíng)企業(yè)已經(jīng)使用AFC 系統(tǒng)、熱敏傳感、藍(lán)牙定位、WiFi 探針、視頻識(shí)別等多項(xiàng)技術(shù)，對(duì)車站突發(fā)大客流識(shí)別估計(jì)進(jìn)行初步試點(diǎn)研究與應(yīng)用。 不同客流監(jiān)測(cè)技術(shù)都有其各自的優(yōu)缺點(diǎn)，其中視頻識(shí)別技術(shù)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(shí)別的地鐵車站突發(fā)大客流智能預(yù)警方法，引入KNN 分類算法和百分位數(shù)法對(duì)歷史客流數(shù)據(jù)進(jìn)行處理，提出客流密度持續(xù)增長(zhǎng)時(shí)間的概念，建立了客流密度持續(xù)增長(zhǎng)時(shí)間的智能算法模型，并進(jìn)行了實(shí)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(shí)間內(nèi)突發(fā)性地集聚客流，客流量超過(guò)了地鐵車站設(shè)施設(shè)備的承受能力，且客流量還在不斷增加，需采取對(duì)應(yīng)的客流組織措施。 地鐵車站由出入口、樓扶梯、通道、安檢機(jī)、閘機(jī)、站臺(tái)、站廳等設(shè)施設(shè)備組成，各設(shè)施為客流服務(wù)流線上的關(guān)鍵節(jié)點(diǎn)，當(dāng)發(fā)生突發(fā)大客流時(shí)，樓扶梯、安檢機(jī)、閘機(jī)等關(guān)鍵節(jié)點(diǎn)就成為產(chǎn)生客流擁堵的瓶頸點(diǎn)。

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(diǎn)處的客流密度持續(xù)增長(zhǎng)時(shí)間作為判定指標(biāo)。 客流密度持續(xù)增長(zhǎng)時(shí)間，是指某瓶頸點(diǎn)處的實(shí)際客流密度相比歷史同時(shí)刻正?？土髅芏葹樵鲩L(zhǎng)趨勢(shì)時(shí)增長(zhǎng)持續(xù)的時(shí)間。 當(dāng)客流密度持續(xù)增長(zhǎng)時(shí)間超過(guò)某一閾值，就可以判定車站發(fā)生了突發(fā)大客流，需啟動(dòng)相應(yīng)預(yù)案。

2 客流數(shù)據(jù)采集與分析

基于視頻識(shí)別技術(shù)對(duì)客流數(shù)據(jù)進(jìn)行采集與處理時(shí)，需要在車站內(nèi)安裝攝像頭，覆蓋所有客流瓶頸點(diǎn)。 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(shí)段的瓶頸點(diǎn)，并劃定視頻識(shí)別分析網(wǎng)格，通過(guò)視頻識(shí)別獲得各瓶頸點(diǎn)的第個(gè)特征日第個(gè)采集分析時(shí)段的客流密度值； 利用KNN（K 最近鄰） 分類算法，找出與當(dāng)前日的已知前個(gè)時(shí)段客流模式最相似的個(gè)參照客流模式的歷史特征日，取個(gè)歷史特征日的第個(gè)時(shí)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(shí)別分析網(wǎng)格：根據(jù)地鐵車站各基礎(chǔ)設(shè)施的通行能力，將車站瓶頸點(diǎn)劃分為安檢機(jī)、閘機(jī)、樓扶梯、通道、站臺(tái)、站廳、出入口、售票點(diǎn)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(jié)合站內(nèi)行人交通流線上各類設(shè)施的通行能力，計(jì)算和現(xiàn)場(chǎng)觀測(cè)結(jié)果，確定車站各條行人交通流線上、不同特征日、高峰時(shí)段的瓶頸點(diǎn)類型及位置，并劃定具體的視頻分析網(wǎng)格。

（2）視頻識(shí)別技術(shù)：視頻識(shí)別技術(shù)是在圖像與事件描述之間建立一種映射關(guān)系，使計(jì)算機(jī)從紛繁的視頻圖像中定位、識(shí)別和跟蹤關(guān)鍵目標(biāo)物體，并實(shí)時(shí)分析和判斷目標(biāo)的行為。 根據(jù)預(yù)定的規(guī)則進(jìn)行相應(yīng)的報(bào)警或處理動(dòng)作，從而能在異常事件發(fā)生時(shí)及時(shí)做出反應(yīng)，做到早期的偵測(cè)和防范。

基于車站內(nèi)部安裝的視頻圖像設(shè)備，獲取站內(nèi)客流數(shù)據(jù)。 設(shè)定視頻數(shù)據(jù)分析頻率（1 次／min），利用視頻識(shí)別技術(shù)獲取各瓶頸點(diǎn)第個(gè)特征日第個(gè)采集分析時(shí)段的客流密度值。

（3）KNN 分類算法： KNN 算法是一個(gè)基本的分類和回歸算法，屬于監(jiān)督學(xué)習(xí)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(duì)各瓶頸點(diǎn)，利用KNN 分類算法，找出與當(dāng)前特征日之前的個(gè)時(shí)段（1，2，…，）的客流模式最相似的個(gè)參照客流模式的歷史特征日（1，2，…，），計(jì)算得到該瓶頸點(diǎn)這個(gè)歷史特征日第個(gè)時(shí)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(dá)到的最大值，避免了偶爾過(guò)大的歷史客流數(shù)據(jù)影響判定指標(biāo)的準(zhǔn)確性，其計(jì)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(jì)頻數(shù)；F為小于的累計(jì)頻率；為所在組的累計(jì)頻率；為組距。

3 智能預(yù)警算法

基礎(chǔ)數(shù)據(jù)采集與預(yù)處理完成后，進(jìn)一步計(jì)算客流密度增長(zhǎng)持續(xù)時(shí)間，其算法如下，流程如圖3 所示。

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

計(jì)算各瓶頸點(diǎn)第個(gè)特征日第個(gè)時(shí)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(jìn)行判定。 判定規(guī)則如下：

當(dāng)≤0 時(shí)，直接轉(zhuǎn)入下一次判定；當(dāng)0 時(shí)進(jìn)一步迭代計(jì)算各瓶頸點(diǎn)第個(gè)特征日第1 個(gè)時(shí)段的客流密度值與第個(gè)時(shí)段的客流密度值的環(huán)比變化率（見式（3）），同時(shí)統(tǒng)計(jì)其持續(xù)增長(zhǎng)時(shí)間。

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

計(jì)算各瓶頸點(diǎn)客流密度持續(xù)增長(zhǎng)時(shí)間，設(shè)初值為0，統(tǒng)計(jì)判定規(guī)則如下：

（1）當(dāng)該瓶頸點(diǎn)第個(gè)特征日第1 個(gè)時(shí)段的客流密度值與第個(gè)時(shí)段的客流密度值的變化率0 時(shí)，累計(jì)加1，反之仍舊為0；

（2） 當(dāng)該瓶頸點(diǎn)第個(gè)特征日第2 個(gè)時(shí)段的客流密度值與第1 個(gè)時(shí)段的客流密度值的變化率仍然大于0 時(shí)，繼續(xù)累計(jì)加1，反之停止累計(jì)。 這樣能夠在每一分鐘得到一個(gè)值。

根據(jù)車站常態(tài)客運(yùn)組織方案下，各瓶頸點(diǎn)能夠承受的最大客流增長(zhǎng)率，確定其突發(fā)大客流持續(xù)增長(zhǎng)時(shí)間的預(yù)警閾值。 當(dāng)判定時(shí)，該瓶頸點(diǎn)突發(fā)大客流報(bào)警，并通知車站工作人員啟動(dòng)相應(yīng)的應(yīng)急處置措施。 如客流均衡引導(dǎo)、限流等。

4 案例分析

本文實(shí)驗(yàn)以上海地鐵徐涇東站客流數(shù)據(jù)為例，進(jìn)行方法驗(yàn)證。 上海軌道交通二號(hào)線徐涇東站，與國(guó)家會(huì)展中心對(duì)接，共有9 個(gè)出入口。 車站工作日，日均客流量約為6 萬(wàn)人次，主要為通勤客流。 早高峰出現(xiàn)時(shí)段為上午7 ～10 時(shí)，晚高峰為下午17 ～20時(shí)。

首先將徐涇東地鐵站瓶頸點(diǎn)劃分為安檢機(jī)、閘機(jī)、樓扶梯、通道、站臺(tái)、站廳、出入口、售票點(diǎn)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(jié)合站內(nèi)行人交通流線上各類設(shè)施的通行能力計(jì)算和現(xiàn)場(chǎng)觀測(cè)結(jié)果，確定車站各條行人交通流線上、不同特征日、高峰時(shí)段的瓶頸點(diǎn)類型及位置。8 類瓶頸點(diǎn)設(shè)置的視頻識(shí)別點(diǎn)數(shù)分別為：4、12、10、10、10、4、9、6，并對(duì)其進(jìn)行編號(hào)（編號(hào)分別為瓶頸點(diǎn)1，2，…，），同時(shí)在每一個(gè)瓶頸點(diǎn)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(gè)瓶頸點(diǎn)每周連續(xù)5 個(gè)特征日早高峰（7：00－9：00，每一分鐘作為一個(gè)采集分析時(shí)段，每天各個(gè)瓶頸點(diǎn)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(shè)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(shí)別技術(shù)獲取徐涇東站某工作日早高峰實(shí)時(shí)客流量，以8：00 為時(shí)間節(jié)點(diǎn)，此時(shí)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(hào)樓扶梯處15 min 的客流密度統(tǒng)計(jì)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(hào)樓扶梯瓶頸點(diǎn)8：00 前15 min的客流密度數(shù)據(jù)（15 個(gè)視頻采集分析時(shí)段）后，利用KNN 分類算法找出與該15 min 采集時(shí)段的客流模式最相似的歷史相同時(shí)刻點(diǎn)的前15 min 時(shí)段所在的20個(gè)歷史特征日，聚類過(guò)程如圖4 所示。 計(jì)算得到該瓶頸點(diǎn)這20 個(gè)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(jié)果Fig.4 Results of primary clustering

通過(guò)計(jì)算和，判斷該瓶頸點(diǎn)處客流密度持續(xù)增長(zhǎng)時(shí)間。

經(jīng)過(guò)上述步驟，得到：8：00 時(shí)該樓扶梯處1.92 人／m、1.96 人／m。 通過(guò)計(jì)算，≤0 則進(jìn)入下一次判定。 實(shí)時(shí)觀測(cè)到8：01 時(shí)該樓扶梯處客流密度1.97 人／m，計(jì)算分析得到此時(shí)1.96 人／m。 通過(guò)計(jì)算，0.51%＞0，令0；持續(xù)獲取8：01 后該樓扶梯處的實(shí)時(shí)客流數(shù)據(jù)。 計(jì)算，判定客流密度持續(xù)增長(zhǎng)時(shí)間，見表2。

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

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

5 結(jié)束語(yǔ)

本文基于視頻數(shù)據(jù)的地鐵車站突發(fā)大客流智能預(yù)警方法，提出以客流密度持續(xù)增長(zhǎng)時(shí)間作為判定指標(biāo)。 通過(guò)視頻識(shí)別技術(shù)獲取地鐵車站各瓶頸點(diǎn)的實(shí)時(shí)客流數(shù)據(jù)，結(jié)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(zhǎng)時(shí)間的智能算法模型，最后以上海地鐵徐涇東站為例進(jìn)行算法驗(yàn)證。 結(jié)果表明：本文提出的基于視頻識(shí)別的地鐵車站突發(fā)大客流智能預(yù)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(dǎo)地鐵車站各瓶頸點(diǎn)突發(fā)大客流預(yù)案的制定及啟動(dòng)，對(duì)于保障城市軌道在大客流發(fā)生時(shí)的安全運(yùn)營(yíng)有重要的現(xiàn)實(shí)意義。

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