• 查询稿件
  • 获取最新论文
  • 知晓行业信息
官方微信 欢迎关注

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

张强, 宫玉昕, 张馨, 蔡晓蕾, 郑军. 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[J]. 铁路计算机应用, 2023, 32(7): 73-78. DOI: 10.3969/j.issn.1005-8451.2023.07.14
引用本文: 张强, 宫玉昕, 张馨, 蔡晓蕾, 郑军. 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[J]. 铁路计算机应用, 2023, 32(7): 73-78. DOI: 10.3969/j.issn.1005-8451.2023.07.14
ZHANG Qiang, GONG Yuxin, ZHANG Xin, CAI Xiaolei, ZHENG Jun. Intelligent passenger flow analysis system for urban rail transit trains based on heterogeneous ensemble learning method[J]. Railway Computer Application, 2023, 32(7): 73-78. DOI: 10.3969/j.issn.1005-8451.2023.07.14
Citation: ZHANG Qiang, GONG Yuxin, ZHANG Xin, CAI Xiaolei, ZHENG Jun. Intelligent passenger flow analysis system for urban rail transit trains based on heterogeneous ensemble learning method[J]. Railway Computer Application, 2023, 32(7): 73-78. 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

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

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

  • 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。
    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.
  • 列车折返能力是确定城市轨道交通线路运输能力的基础,在工程建设初期,列车折返能力的计算是确定折返站配线形式、验证城市轨道交通信号系统设计能力和最终确定线路运营组织方案的重要依据[1]。尽管我国城市轨道交通已采用基于通信的列车自动控制系统,但是受到各种相关基础设施、运营管理条件约束,目前,多数采用30对/h的列车折返能力,难以满足日益增长的运营需求,如何提高列车折返能力已成为城市轨道交通的研究热点。唐玉川[2]对各种折返形式和站型的折返能力进行分析和计算,对如何提高车站折返能力进行了分类研究,并提出了相应的运输组织措施和工程措施;张雨洁等人[3]通过对典型折返站设计的研究,以及对折返能力的线路条件、道岔型号、配线方案等因素的研究,给出了提高列车折返能力的方法;张帅[4]提出了折返能力计算的列车牵引计算方法,搭建列车速度调整模型,以典型站型为例对折返能力关键技术进行研究与分析。近年来,国内对列车折返能力做了较为深入的研究,包括对折返线配置的研究、折返过程的分析、列车折返能力的计算与提升等。但是大多数的研究仍然处于定性阶段,对于量化参数的确定和计算仍旧不足,不能实际指导地铁设计。现有的列车折返能力计算通常是基于均变速的简单运行过程的条件,导致计算结果误差较大,得出的结论难以指导地铁线路设计[5]。本文结合列车牵引计算、设备选型、线路条件等因素,设计并实现了城市轨道交通列车折返能力仿真系统,并以郑州城市轨道交通某折返站为例,验证了该系统的功能及技术可行性。

    列车折返能力仿真系统总体架构如图1所示。

    图  1  列车折返能力仿真系统总体架构

    (1)数据层:提供输入数据,包括仿真计算所需要的基础设施数据、列车数据、运营数据和信号数据。

    (2)应用层:根据用户参数配置,加载系统计算所需要的数据,基于牵引计算与速度调整模型,完成多列车进站–折返–出站的场景仿真计算、仿真控制、仿真数据的存储。

    (3)输出层:根据折返仿真计算的列车运行通用控制数据,基于前列车、后列车追踪及区段出清关系,生成折返流程图,计算列车折返能力指标;仿真结果可以图表与文档的形式导出。

    (4)界面交互层:为用户提供交互式操作界面,通过界面操作输入数据的配置,实现列车折返过程的仿真与模拟运行展示,以及仿真数据结果导出。

    在新线设计场景下,可实现通过用户的设定或选择折返站型库,实现不同折返站型下列车折返能力计算分析功能;在既有线优化场景下,可实现根据联锁进路控制原理、列车信号控制原理,通过用户的设计或选择,实现列车折返能力计算分析功能;列车折返过程的仿真计算过程较复杂,需要依据定量分析结果作为论证条件。基于以上的分析,列车折返能力仿真系统在功能上主要包括数据管理、折返仿真计算和结果输出等3个部分,功能架构如图2所示。

    图  2  系统功能架构

    (1) 基础设施数据配置:主要是对与土建、轨道、线路条件等相关数据的管理,包括折返站类型库、土建限速、道岔型号及参数、线路配线数据(线路长度、坡度及曲线半径)和车站站台数据(站台长度、站台限速)等。

    (2) 列车数据配置:主要是对列车自身参数相关数据的管理,包括车辆静态参数(列车车型及编组、列车车重、列车长度、构造速度)和车辆动态参数(牵引特性参数、制动特性参数)等。

    (3) 信号数据配置:主要是对与城市轨道交通信号系统方案和设备配置相关数据的管理,包括折返方案、列车自动防护(ATP,Automatic Train Protection)参数、处理/传输延时时间、列车自动运行(ATO,Automatic Train Operation)参数和站停时间等。

    用户根据工程条件,通过数据管理功能进行输入数据的管理,系统实现3类数据的增、删、改、查等功能,同时实现数据的正确性自检,是后续列车折返能力仿真分析与计算的基础。

    (1)数据验证与处理:主要包括对输入数据的验证和处理2部分。数据验证功能是对用户输入的基础设施数据、列车数据和信号数据之间的匹配性进行校核与验证,保证数据之间逻辑规则的正确;数据处理是在数据验证通过的基础上对输入数据进行预处理,实现数据按预定格式的存储,以便后续程序计算的查询与调用。

    (2)进路排列计算:主要是在用户选定折返站型后,对列车折返路径进行排列计算功能。不同的折返站型可能存在不同的折返路径,在列车折返能力计算时,需要为每列车规划排列折返路径,进路排列计算功能实现了不同折返站型下每列车折返进路排列的适配功能,同时,计算每条折返路径下的目标速度、线路条件并存储,为列车牵引计算功能提供基础。

    (3)列车牵引计算:在输入数据条件下,基于列车牵引计算仿真模型,能够计算得到每列车折返运行过程中的V-S曲线和V-T曲线;同时存储每列车的运行状态信息(包括列车编号、当前时刻、列车位置、列车速度、运行时间、列车加速度和列车工况等),以供结果输出功能调用与查询。

    (1)折返流程图绘制:基于前列车、后列车追踪及区段出清/占用关系的控制,实现了在折返站所有折返路径列车运行仿真计算,根据每列车的仿真数据铺画每列车折返流程图,表示出每列车的位置–时间关系。

    (2)列车运行模拟:实现折返过程中每列车的模拟运行,以便更直观地向用户展现折返过程。

    (3)仿真结果导出:实现列车折返能力数据和折返流程图的导出功能,同时用户可通过计算结果的统计指标分析,对列车折返能力的影响因素进行调整,研究适合用户项目所需要的提高列车折返能力的措施。

    根据列车折返能力仿真系统架构设计的要求,需要对数据层的数据进行规则化的处理,以实现数据关系的描述及数据库的建立[6]。数据库包含的数据类型分为基础设施数据、列车数据和信号数据,是进行列车折返能力计算的基础数据来源,为了实现数据的存储与调用,需要定义数据字段、数据类型和长度等属性。

    基础设施数据主要是与土建、轨道和线路条件等相关数据。对轨道交通折返站各种站型下的线路(由配线及道岔组成)进行抽象化,得到配线及道岔的类定义。折返站线路配线的数据结构定义,如表1所示,将线路数据根据其特征划分为若干link段进行区分。

    表  1  折返站线路link段的属性定义
    字段名字段含义数据类型
    wIdlink编号int
    linkNameLink名称string
    linkLenthLink长度double
    linkGradientLink坡度double
    linkCurveRadiusLink曲线半径double
    wLogicDirlink逻辑方向int
    wOrgnPointTypelink起点端点类型int
    wOrgnPointIdlink起点端点IDint
    wOrgnJointMainLinkIdlink起点相连接的相邻正线link编号int
    wOrgnJointSideLinkIdlink起点相连接的相邻侧线link编号int
    wTmnlPointTypelink终点端点类型int
    wTmnlPointIdlink终点端点IDint
    wTmnlJointMainLinkIdlink终点相连接的相邻正线link编号int
    wTmnlJointSideLinkIdlink终点相连接的相邻侧线link编号int
    下载: 导出CSV 
    | 显示表格

    折返站配线中各组道岔数据的数据结构定义,如表2所示,对道岔的特征进行数字化描述。

    表  2  折返站道岔PointSwitch类的属性定义
    字段名字段含义数据类型
    wId道岔编号int
    szCaption道岔名称string
    dwMainLinkOfst所处正线link偏移量double
    dwLocalMainLinkLength道岔范围在正线长度double
    dwSideLinkOfst所处侧线link偏移量double
    dwLocalSideLinkLength道岔范围在侧线长度double
    dwConfluentLinkOfst所处汇合link偏移量double
    dwLocalConfluentLinkLength道岔范围在汇合线长度double
    wMainLinkId所处正线link编号int
    wSideLinkId所处侧线link编号int
    wConfluentLinkId所处汇合link编号int
    wSideResSpeed道岔反位静态限制速度double
    下载: 导出CSV 
    | 显示表格

    按照一定规则设计,任何类型的折返站线路形式均可通过配线link段与道岔数据结构的合理组合进行描述。收集国内通用的折返站类型库以保证仿真适用性,同时预留了折返站类型的扩展接口,可通过link段数据结构对任意配线形式进行参数化设计,保证软件的兼容性。

    列车自动驾驶系统已广泛应用于现有的轨道交通系统中,实现了列车运行过程的自动驾驶[7]。列车运行过程主要包括牵引加速、中间运行过程及制动停车过程,列车折返能力仿真计算是以列车牵引计算为基础,对列车折返运行过程进行仿真。在对国内地铁各种信号控制方式深入研究和分析的基础上[8],列车牵引计算模型采用通用的级联结构设计,如图3所示。

    图  3  列车牵引计算模型

    车载控制器的结构主要分为2个层次:高层控制和低层控制。高层控制结构的主要任务是根据线路条件、列车的当前位置和速度、列车牵引制动特性和控制目标(舒适度、准点、节能等)生成目标速度。低层控制结构主要通过当前速度与目标速度的比较,经过低层控制策略调整,计算出所需要的牵引力或制动力,向列车输出相应的控制指令,实现了列车的自动加速或者制动,使列车按目标速度运行。

    根据列车牵引计算得到的列车折返过程中列车运行曲线(V-T,V-S),结合列车进路办理时间参数、站停时间参数等,可以得到相应的列车折返时间。

    采用解析法与计算机仿真法相结合的方式分析计算城市轨道交通列车折返能力,折返能力计算流程如图4所示。

    图  4  折返能力计算流程

    (1)通过数据层输入基础设施参数、列车参数、信号参数等数据,通过列车折返仿真计算方法(基于折返站型的折返进路排列、列车牵引计算模型、前后列车追踪及区段出清规则),运用计算机仿真技术模拟列车的折返运行全过程。

    (2)列车折返仿真计算过程中存储每个时刻下的每列车的运行状态信息,得到每列车的V-S与V-T速度曲线。

    (3)根据折返仿真结果计算出各个单项折返作业时间,结合折返站型配线的作业过程,进而计算出折返站的折返间隔,并绘制折返过程流程图。

    由于这种方法考虑的参数和条件比较全面,较真实地反应列车的运行状态,故计算方法的精度较高,结果也直观。

    列车折返能力仿真系统采用基于C#语言的多文档界面应用程序方式,包括基础设施数据配置、列车数据配置、信号数据配置、折返过程仿真计算、折返流程图、结果数据表、列车运行仿真模拟及主操作界面共8个子窗口界面。

    (1)折返过程仿真计算。对数据层的数据进行验证与预处理,将折返配线数据处理后生成电子地图存储以供调用查询,根据折返站型生成可能的折返方式,自动分配列车车次号,自动排列折返进路,为列车折返运行提供准备条件。

    (2)列车折返运行仿真过程采用多线程技术,实时调用电子地图数据,根据每列车开始时间新建列车运行线程,算法实时计算前列车、后列车追踪及区段出清关系,根据控制器策略和列车模型进行牵引计算,运行过程中每列车采用相同的计算周期Tms和统一的时间戳T(hh∶mm∶ss)记录通用控制数据,每列车完成折返后退出线程。

    (3)基于GDI+(Graphics Device Interface plus)绘图技术,根据列车运行记录的数据绘制折返流程图,计算每列车进站、折返、出站进路时间,得出折返间隔,生成折返能力指标。

    (4)基于开源的.NET图表ZedGraph类库,绘制V-S与V-T曲线,进行列车仿真模拟,以更直观的方式展示列车折返运行过程。

    (5)设置辅助功能模块,包括用户注册、窗口视图管理和工程配置保存。

    以郑州轨道交通3号线二期工程实际数据为例,测试了折返能力仿真计算过程及结果。仿真结果展示如图5所示。

    图  5  仿真结果展示界面

    由仿真结果可知,司赵站采用站后折返方式,移动闭塞下的折返间隔为119.3 s,点式后备模式下的折返间隔为148.2 s,仿真结果基本符合我国实际情况。目前系统已应用于郑州市轨道交通3号线二期、武汉市轨道交通12号线、郑州机场—许昌市域铁路等多个工程项目的前期研究工作中,可满足信号系统的设计要求。

    本文研发了通用性及适应性强的城市轨道交通列车折返能力仿真系统,重点介绍了系统总体架构、系统功能,以及折返站基础数据处理技术,列车折返能力计算方法、列车牵引计算模型等。以郑州轨道交通某折返站为例,验证了该系统的功能及技术可行性,该系统能够作为城市轨道交通列车折返能力相关工作的辅助工具,辅助工程设计初期列车折返能力的设计及线路运营后期列车折返能力的提升。

  • 图  1   列车客流智能分析系统架构

    图  2   城轨列车客流智能分析流程

    图  3   分组Voting模型检测流程

    图  4   YOLOv5s模型检测结果

    图  5   FCHD模型客流检测结果

    图  6   CSRNet模型客流检测结果

    图  7   拥挤度识别应用展示

    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
    YOLOv5s2.07-0.90
    FCHD2.044.06-
    CSRNet-3.10-
    分组Voting2.023.090.90
    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
    YOLOv5s2.39-1.12
    FCHD2.374.62-
    CSRNet-3.54-
    分组Voting2.353.521.12
    下载: 导出CSV
  • [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.
  • 期刊类型引用(3)

    1. 谭宇文,刘瑞敏,王晓东,赵栋,曾雅雯. 基于改进U-Net的单轨受电弓滑块图像分割方法. 轨道交通材料. 2024(04): 63-67 . 百度学术
    2. 张渝,王松,邱春蓉. 基于轮对磨耗数据的CRH2A型动车经济镟修策略研究. 铁路计算机应用. 2021(04): 6-10 . 本站查看
    3. 步春辰,王亚平,闫雅斌. 地铁闸机扇门机构故障时间序列预测研究. 铁路计算机应用. 2020(09): 16-20+25 . 本站查看

    其他类型引用(6)

图(7)  /  表(2)
计量
  • 文章访问数:  79
  • HTML全文浏览量:  20
  • PDF下载量:  40
  • 被引次数: 9
出版历程
  • 收稿日期:  2023-01-17
  • 刊出日期:  2023-07-24

目录

/

返回文章
返回