详情

原文传递地铁站行人流拥挤度识别及管控方法研究

论文题名：	地铁站行人流拥挤度识别及管控方法研究
关键词：	地铁站;行人流;拥挤度;客流管控
摘要：	地铁是承载城市居民出行的重要方式，具有速度快、运量大等特点，同时具备较高的安全性。随着地铁网络的快速发展，我国部分城市的轨道交通也迎来了超大规模运营的新阶段，大客流逐渐常态化，激增的客流量与地铁有限的运输能力不匹配的问题日益突出。为降低地铁运营的风险，提高服务水平，本文针对地铁站内行人流拥挤度的识别和管控方法进行研究。　　首先，对地铁站内的行人流进行了拥挤分析。总结了行人流的主要指标，包括行人流量、速度、密度、异常信息等。将地铁站内的主要服务设施分为排队类、集聚类和通过类，并分别分析了其对行人流产生的影响。接着给出了高密度行人流的定义以及分类，并分析了其发生的主要场景和形成的主要原因。　　其次，以水平通道内的行人流为研究对象，聚焦于其相变特征以及稳定性进行研究。水平通道行人流运行状态直接影响整个地铁站的运行效率，考虑行人的超越行为以及双向行人流的比例构建格子流体力学模型。基于线性稳定性分析，得到了模型的稳定性条件，结果表明减小双向行人流占比的差值可以扩大稳定区域。通过非线性分析，推导了描述临界点附近密度波传播行为的非线性偏微分方程，并给出了方程的扭结-反扭结解。结果表明，当超越常数低于阈值0.16时，均匀行人流和扭结密度波之间发生拥挤转变，在双向行人流比例达到6:4时，整个系统基本稳定。当超越常数超过阈值时，相图中出现混沌区域，行人流的抗干扰能力降低，整个系统一直处于不稳定状态。数值仿真结果验证了线性与非线性分析的正确性。　　再次，设计了获取行人信息的新方式，分别用Yolov5（YouOnlyLookOnceVersion5）算法和DeepSORT（DeepSimpleOnlineandRealtimeTracking）算法作为行人目标的检测器和跟踪器，对地铁客流进行流量统计和拥挤度识别。通过修改检测器中的损失函数和非极大值抑制函数，来改善因障碍物或行人遮挡而出现的漏检现象；另外对跟踪器中原始的特征提取网络进行重识别训练，得到新的权重文件用于优化对行人目标的识别。实验结果表明，修改后新网络的识别效果以及准确率相较于旧网络更好，行人ID切换次数降低了26.9%，行人流量统计的准确率达到了93.2%，行人流拥挤度也能很好地被识别。　　最后，对地铁客流的管控方法进行研究。在宏观上从客流组织和信息诱导两方面提出了常用的管控方法。在微观上针对站台乘客的拥挤问题，同时考虑全线的服务水平，构建以站厅滞留乘客总延误时间和拥挤度最小为目标的多车站协同管控模型，并采用遗传算法进行求解。选取宁波市地铁1号线进行实例分析，求出了早高峰时段全线各站点不同控制时段内允许进入站台的具体乘客数量。结果表明，在乘客出行时间成本得到保障的同时，能有效改善乘客集聚或拥挤的情况，提高站台和站厅乘客的安全性。本研究成果对于科学管控地铁站行人流具有一定的参考价值。
作者：	陈思源
专业：	交通运输规划与管理
导师：	马昌喜
授予学位：	硕士
授予学位单位：	兰州交通大学
学位年度：	2022