基于异质集成学习方法的城轨列车客流智能分析系统研究

张强; 宫玉昕; 张馨; 蔡晓蕾; 郑军

doi:10.3969/j.issn.1005-8451.2023.07.14

基于异质集成学习方法的城轨列车客流智能分析系统研究

1.
北京市轨道交通建设管理有限公司，北京　100068
2.
中国铁道科学研究院集团有限公司　电计算技术研究所，北京　100081
3.
北京经纬信息技术有限公司，北京　100081

基金项目: 中国铁道科学研究院集团有限公司科研项目（2021YJ285）

详细信息

作者简介:
张　强，工程师

宫玉昕，助理研究员

中图分类号: U231.92 : TP39
计量
- 文章访问数: 83
- HTML全文浏览量: 22
- PDF下载量: 40
出版历程
- 收稿日期: 2023-01-17
- 刊出日期: 2023-07-24

Intelligent passenger flow analysis system for urban rail transit trains based on heterogeneous ensemble learning method

1.
Beijing Metro Construction Administration Corporation Limited, Beijing　100068, China
2.
Institute of Computing Technologies, China Academy of Railway Sciences Corporation Limited, Beijing　100081, China
3.
Beijing Jingwei Information Technologies Co. Ltd., Beijing　100081, China

摘要

摘要: 为解决当前城市轨道交通（简称：城轨）列车客流分析存在的检测精度不高和适用场景单一等问题，设计了一种基于异质集成学习方法的城轨列车智能客流分析系统。该系统基于云边协同架构，采用分组Voting方法，将YOLOv5s（You Only Look Once v5s）、FCHD（Fully Convolutional Head Detector）、CSRNet（Network for Congested Scene Recognition）模型作为基模型进行集成，最终实现客流统计、拥挤度分析和辅助清客等功能。利用北京城轨某线路列车的监控图像数据进行实验，结果表明，与其他各基模型相比，该系统采用的模型检测效果更佳，有效提升了检测精度，丰富了可适用的检测场景。
- 智能客流分析 /
- 视频监控 /
- 异质集成学习 /
- 基模型 /
- 分组Voting方法
Abstract: In order to solve the problems of low detection accuracy and single application scenario in current urban rail transit train passenger flow analysis, this paper designed an intelligent passenger flow analysis system for urban rail transit trains based on heterogeneous ensemble learning method. The system was based on cloud edge collaboration architecture and adopted the grouping Voting method to integrate YOLOv5s (You Only Look Once v5s), FCHD (Full Convolutional Head Detector), and CSRNet (Network for Congested Scene Recognition) models as the base models, ultimately implemented functions such as passenger flow statistics, congestion analysis, and auxiliary passenger clearance. The experiment was conducted using monitoring image data of a train on a certain line of Beijing urban rail transit. The experimental results show that the model used in the system has better detection performance compared to other basic models, which effectively improves detection accuracy, and enriches applicable detection scenarios.
- intelligent passenger flow analysis /
- video surveillance /
- heterogeneous ensemble learning /
- base model /
- grouped Voting method

HTML全文

图 1 列车客流智能分析系统架构

下载: 全尺寸图片幻灯片

图 2 城轨列车客流智能分析流程

下载: 全尺寸图片幻灯片

图 3 分组Voting模型检测流程

下载: 全尺寸图片幻灯片

图 4 YOLOv5s模型检测结果

下载: 全尺寸图片幻灯片

图 5 FCHD模型客流检测结果

下载: 全尺寸图片幻灯片

图 6 CSRNet模型客流检测结果

下载: 全尺寸图片幻灯片

图 7 拥挤度识别应用展示

下载: 全尺寸图片幻灯片

表 1 各模型在各阶段测试集中的MAE指标值

模型平峰期高峰期清客期

YOLOv5s 2.07 - 0.90
FCHD 2.04 4.06 -
CSRNet - 3.10 -
分组Voting 2.02 3.09 0.90

下载: 导出CSV

表 2 各模型在各阶段测试集中的MSE指标值

模型平峰期高峰期清客期

YOLOv5s 2.39 - 1.12
FCHD 2.37 4.62 -
CSRNet - 3.54 -
分组Voting 2.35 3.52 1.12

下载: 导出CSV

参考文献(10)

[1]	中国城市轨道交通协会. 2022年度中国内地城轨交通线路概况[EB/OL]. (2023-01-03) [2023-01-18].https://www.camet.org.cn/xxfb/11509.
[2]	中国城市轨道交通协会. 中国城市轨道交通智慧城轨发展纲要 [J]. 城市轨道交通,2020(4):8-23.
[3]	彭瑞卿,谈诚,江长江,等. 面向部分遮挡的多目标检测算法研究 [J]. 武汉大学学报(工学版),2020,53(12):1097-1105.
[4]	唐晗,罗大晖. 多目标人脸检测与识别在智慧步道中的应用 [J]. 电子测试,2022(15):63-65,133.
[5]	张馨,董承梁,汪晓臣,等. 基于改进YOLOv5s的列车车厢客流密度检测方法研究 [J]. 铁路计算机应用,2022,31(10):10-15.
[6]	李迎春,李叶,刘锦峰. 地铁FAO信号系统关键场景分析与测试设计 [J]. 铁道通信信号,2021,57(12):76-81.
[7]	冯维佳. 适用于全自动运行信号系统的站台功能研究 [J]. 铁路通信信号工程技术,2022,19(12):80-83,92.
[8]	塔力鹏·努尔巴合提,陈永生,郭玉臣. 基于图像识别的列车车载清客系统 [J]. 信息系统工程,2022(11):112-116.
[9]	陈雁,赵瑜,管才路,等. 智能视频分析技术在轨道交通视频监控系统中的应用 [J]. 科技视界,2017(14):19,29.
[10]	张大鹏,刘雅军,张伟,等. 基于异质集成学习的虚假评论检测 [J]. 山东大学学报(工学版),2020,50(2):1-9.

施引文献(5)

期刊类型引用(2)

1.	李仁友. 基于铁路通信光缆维护要点分析与故障处理探究. 铁路通信信号工程技术. 2021(02): 72-74 . 百度学术
2.	李东阳. 铁路通信光缆故障及防护技术分析. 科技创新与应用. 2020(34): 135-136 . 百度学术