基于地铁客流模拟下的车厢空间优化研究★

王 超 张玉庭 黄维唯

(辽宁工程技术大学土木工程学院，辽宁 阜新 123000)

1 研究背景

在越来越多市民乘坐地铁出行的过程中，各地地铁逐渐出现了运力短缺、地铁车站拥挤无序、站台空间通行条件较差以及静态候车标识指示不明确、设计缺乏合理性的问题[1]。

其中地铁上下车的效率对于人流的出行有着极大的影响，但地铁到站时的排队不规范往往导致客流大、通行效率低、车厢内可利用空间分布不均。数字化人流引导地铁车厢上下车成为目前需要研究的问题。

随着人工智能平常化、大数据技术逐渐成熟，地铁客流模拟下的车厢空间优化得以在这些新兴技术下实现。乘客通过地铁显示屏与手机程序来观察地铁的到站时长与预测的车厢剩余乘客数量，不同时间段的列车等候人群能够实时掌握车厢信息，根据预测的车厢剩余乘客数量规范乘车，最终实现地铁车厢空间的优化。

2 工作原理

车厢内外人流量信息不对称，导致部分车厢乘客上乘后过于拥挤，而空闲车厢则因为拥挤人流阻塞得不到充分利用。打破车厢内换乘信息不对称能有效引导人流到空闲车厢，进而提升换乘效率、优化车厢可利用空间。

本项目以地铁车厢空间为基础，将AI-Agent技术、PTZ摄像、人物识别系统、人工智能、大数据库综合应用于地铁人流数据的采集、流量预测、后台管理、人流疏导服务中，通过自主开发的人流识别系统、后台大数据运维管理系统、地铁智能提示屏、微信小程序建立数态闭合，进而实现人流检测、人流预测功能，实现地铁车厢空间优化(见图1)。

3 系统架构

3.1 人流检测系统

全景摄像机和PTZ摄像机联合对人流进行抓拍[2](见图2)。基于python,pytorch技术对高清图像进行实时分析，将变化的人物模型转化为数据参数，一些被遮挡的单位通过人工智能深度学习模型训练的回归统计分析，智能补齐为单独的单位并算入数据参数，将每节车厢人物处理后的总参数传输到系统内进行程序的计算。

将全景摄像机和PTZ摄像机组放置于车厢内顶上靠车门处，该位置是观察人群的最佳位置，且放置于上方不影响乘客上下车以及其他装置的运作[3](见图3)。

在得到基于python，pytorch人工智能技术的人物检测数值后，以站点+LOS色彩记录值的形式自动记录站点与人物密度并储存于中继处理设备中，同时冷备份于储存设备中，LOS彩色映射描述密度值和在设备中心展示为颜色变化。

3.1.1 单个车厢的人流密度计算分析

由于地铁内部空间设计多种多样，不同地铁单个车厢内部座位面积与站立面积比例不同，导致地铁内部空间在分析计算时会出现密度不均的情况，对单个车厢内部空间进行LOS色彩映射分级处理。

取国内车厢数据：A型地铁列车：长22.8 m，宽3 m，用于计算密度的小型圆形区域面积3 m2，车厢内摄像头通过人物识别所得数据记为变量n。

1)单个车厢人流密度分析。

为LOS色彩映射设定范围与理论依据，通过单个车厢的LOS映射数据可以直观的确定单个车厢内部何处为人流密度拥挤区域(LOS划分准则见表1)。

表1 单个车厢内部LOS色彩映射

2)单个车厢平均人流密度分析。

单个车厢平均密度的分析尤为重要，它在较大程度上影响了之后的模型建立是否正确，t为时间。

3)单个车厢平均人流经验密度分析。

为了改善由于人物识别系统精度不足等客观因素带来的误差，引入经验系数(W)，此系数预计将在系统运维30次～40次改善。

4)单个车厢人流最大密度分析。

同车厢平均密度类似，显示车厢的最大密度，可为之后的模型上限划分提供数据依据。

3.1.2 地铁各个车厢的人流密度计算分析

取国内车厢数据：A型地铁列车：长22.8 m，宽3 m，车厢编组数n，可用空间面积百分比Pa，地铁列车地板强度及超员设计标准均按照站席每平方米9人计算(见表2)。

表2 地铁各个车厢LOS色彩映射

1)地铁各个车厢平均人流密度分析。

2)地铁各个车厢平均人流经验密度分析。

引入经验系数(ω)，此系数预计将在系统运维50次～60次改善。

3)地铁各个车厢平均人流经验密度严格计算分析。

严格计算包含车厢中间部分位置的乘客(人物)，引入新变量：Connection(n)，含义为中间连接部分的人流密度。

4)最大密度。

3.1.3 地铁整体的人流密度计算分析

取国内标准A型地铁、B型地铁为6节编组，L型地铁4节编组(见表3)。

表3 地铁整体LOS色彩映射

3.2 人流预测系统

完成对地铁车厢内外空间的人流检测后，通过大量模型数据训练，运用大数据和人工智能技术对车厢下站人流数值进行预测，采用多个线性回归，通过已经使用图表确认的变量进行车厢空间优化。

引入线性回归模型的损失函数、梯度下降法：a为机器学习率。

引入确定系数：

经过分析处理得到的学习曲线(见图4)，由训练和测试值曲线的拟合程度可知，项目中所建立的综合模型是可行的。

3.3 信息反馈系统

根据车厢内人流检测值与车厢下站人流预测值，将拥挤的等级以及预测的人流数值实时反馈于信息反馈系统中。信息反馈系统预设计前端、后台(以服务器—客户端形式为主的整体化系统)，客户端以微信小程序为主，后台程序接入网页端，运用可视化数据等易用性设计，使后台工作简单可行。

3.3.1 微信小程序客户端设计

结合地铁支付一码通行微信小程序[4]，中央处理系统整合车厢人流检测值和车厢下站人流检测值后，将整合信息反馈到微信小程序(见图5)。

3.3.2 地铁智能提示屏

根据中央处理系统整合的车厢人流检测值和车厢下站人流检测值，将相关信息可视化展示至地铁智能提示屏中，实现信息共享(见图6)。

3.3.3 后台数据运维管理系统

对钟尖提出的基于手机指令的综合交通枢纽客流系统进行二次开发，集合人流检测、预测数据、当前旅客停留时间、全日出现人数、外省客流量统计开发设计了后台数据运维系统[5]。平台实时显示了各个站点的人流量，流畅站台分析，站点设备的监控利用率与告警，与当日的流畅站台数量排行。

4 创新点分析

1)基于python,pytorch技术实现的高精度人物检测。基于人工智能的高精度人物位置检测与识别，利用全景摄像机和PTZ摄像机的组合，完成对乘客的高清图像获取，从而实现人物检测。

2)人工智能人流预测。地铁换乘人流流动性大，不确定性强。将传感器采集到的数据以LOS色彩映射的形式导入机器学习数据库，通过车厢不同时间段内的地铁换乘训练样本强化学习，改善学习算法性能，最终实现初步预测进出地铁的人数。后台大数据系统结合出入车厢的人流量预测值，将到站后车厢内人流量与车厢拥挤程度相匹配结合，输出反馈信息。

3)数字化生态闭合。结合车厢内外检测的人流数量和基于大数据分析下的车厢下站人流预测值，在微信小程序和地铁显示屏等终端对换乘的乘客做出相应的引导。根据各车厢预测的人数值，将拥挤的等级以及预测的人流数值实时反馈于地铁站内的显示屏以及微信小程序中。

4)大数据采集分析。不同时间段对应着相应的地铁客流量，将时间段的换乘人流量做样本数据采集，综合分析不同时间段的换乘客流量，预测时间段内车厢下站人数，以及对地铁运营商提供人流管控数据基础。

5 结语

地铁站作为大量行人的集散场所，地铁站内的通行效率在很大程度上取决于地铁车厢空间利用率。项目基于AI-Agent、人工智能开发的地铁人流检测、人流预测系统及信息反馈系统，以地铁车厢可利用空间为基础，将人工智能、移动终端技术、大数据、人物识别技术等综合应用于地铁人流数据检测、流量预测、人流疏导、后台管理服务中，使城市地铁运营系统实现数字化平台管理，并使乘客通过数字化平台实现地铁车厢的精准预知与引导，进而实现对地铁车厢空间的优化。