城市轨道交通车站客流状态采集范围

宋程程， 陈艳艳*， 陈 宁， 刘小明,2

(1.北京工业大学北京市交通工程重点实验室， 北京 100124； 2.广西壮族自治区人民政府， 南宁 530000)

随着轨道交通在城市客运地位的提升、轨道交通客流量的迅猛增长，轨道交通管理及研究部门需要更高水平的客流组织方案保障轨道交通车站的正常运行，完整、准确的客流数据信息是交通管理及研究部门策略制定的重要依据。同时，在《国家综合立体交通网规划纲要》的推动下，综合枢纽智慧管控平台成为行业热点，平台的搭建离不开站内客流的实时采集。客流数据采集最直接有效的手段是依托轨道交通现有视频监控设备进行采集，视频监控设备已基本普及高清化，客流状态数据采集范围将严重影响采集客流数据的质量，基于视频监控设备的选型和位置布设的客流采集范围研究具有重要的现实意义和应用价值。

目前，中外学者对客流状态数据采集的研究主要集中于地铁站安全风险分析、采集设备的优化布设和站内客流和设施关系分析。

地铁站的安全风险分析主要是通过结合客流数据和站内设施等因素对地铁站的安全风险进行评价。刘兵等[1]通过对历史运营时间进行分析，利用灰色熵权模型计算指标权重，利用灰色关联度方法计算评价指标时间激励因子，实现了对城市轨道交通站点运营风险的综合评价。李科君等[2]利用一种消错决策方法，研究并建立了涵盖城市轨道交通运行过程中产生的动态数据的车站分级指标体系。孙然然等[3]分析了城市轨道系统历史事故，构建了面向运营安全的城市轨道交通线网性能综合评价指标体系，对车站、线路、线网三个不同层次进行了安全水平评价。

针对视频监控采集点布设的应用研究主要是将采集点布设问题转化为覆盖问题求解。Han等[4]提出了有限空间内基于摄像机候选点位置和关键点的位置、视场角、方向偏航和可见距离参数的推理算法,实验表明，该方法能够生成详细的摄像机图像参数包括位置、视场角、方向偏航和可视距离，具有较低的遮挡和重叠率，以实现摄像机最大范围覆盖；Kritter 等[5]将摄像机布置问题解释为在一组特定于应用的约束条件下，确定优化预定义目标的摄像机配置问题，并进行了充分调查，表明整数线性规划、贪婪启发式、进化算法和自然启发算法可以应用于监测设备分布模型；Olver 等[6]用PhotoModeler软件估计估计了不同分辨率下摄像机采集信息的准确性和精度与设备架设高度的关系。程学庆等[7]在传达最大化覆盖的基础上，从立体式布局和监控轻度方面进行完善和补充，提出了基于建筑轮廓、旅客流线和重点区域的三级布设流程和布设方案。

车站功能设施客流研究方面，向红艳等[8]利用轨道自动售检票(automatic fare collection, AFC)数据进行了客流的识别。傅志妍等[9]在分析城市轨道交通车站乘客聚散行为时对站厅、闸机区和安检区的客流密度和客流强度进行了分析，分析最大客流持续时间，对行人流线进行优化，缓解了局部客流强度。徐永实等[10]针对站台客流状态进行了详细分析，构建了站台客流与列车客流实时交互模型，阐述了地铁站客流实时分布情况。李颖宏等[11]基于枢纽内行人密度和单位宽度流率等反映枢纽客流状况的特性指标，建立了枢纽内客流状态综合模糊评价模型。

以上研究多偏向于对客流数据的应用，而对客流数据的质量未做探讨，当前站内设备的布设以安防为依据，对客流数据采集范围影响数据质量的相关研究匮乏，研究基于高质量数据采集的城市轨道交通车站客流状态采集范围是迫切需要的。因此，分析车站客流采集参数，对轨道交通车站客流状态数据采集范围进行研究，构建采集范围优化模型，为高质量客流数据采集提供保障，同时为综合枢纽智慧管控平台提供强大的支撑。

1 客流状态采集范围分析

客流状态数据采集指获取城市轨道交通车站各功能区域的实时客流状态，用于枢纽应急监测和枢纽设施优化布局提供数据基础。获取数据要满足全面性、有效性、高精度，采集范围的确定是数据满足需求的最根本因素。客流状态数据采集范围需要满足客流状态获取和监测设备数据采集精度的需求。

1.1 客流状态采集范围概述

一般而言，车站内部设施的布局往往对客流监测设备的设置和安装产生约束。客流监测设备的设置高度一般在3.5 m以下，最佳监测视角为垂直视角。在实际的应用中[12-14]，焦距4 mm的相机镜头最为常用，垂直视角下的最大监测直径为9.8 m，最大监测范围为75.4 m2。本文忽略设备倾斜角度对监测范围的影响。

在客流状态的采集参数中客流量、客流密度和排队长度可以自动采集，通过对国内知名视频分析企业自动客流状态采集技术的调研，客流量的自动采集精度一般不受采集范围的影响，客流密度和排队长度的自动采集精度会受到采集范围的影响，在垂直视角、3.5 m布设高度、4 mm相机焦距的情况下，最佳采集范围为4 m4 m，当采集范围大于4 m4 m时，采集精度不足，并且随着采集范围的增大，采集精度降低。

根据轨道交通车站设施为客流提供服务形式和服务功能的不同，将车站划分为闸机区、售票区、安检区、楼(扶)梯区、站台区及通道6类，本文中客流数据采集范围即采集长度值。

以检票闸机区为例，如图1所示，阴影区域为客流状态采集区域，本文研究的采集范围为该区域的长度值。

图1 检票闸机区数据采集范围示意图Fig.1 The indication ofcollection range in check-in gateway

1.2 客流状态采集参数

轨道交通车站客流状态的表征参数通常包括客流量、客流密度、步行速度、服务水平、排队长度、排队时间。轨道交通车站内部不同区域客流组织与运行状态不同，评价参数的选取应依监测区域特性而异。例如，对于闸机区域，客流量峰值数据并不能准确反映由于通行能力受限而导致的闸机区域客流拥挤状态，而排队长度更适合描述闸机区域的客流状况。因此，需要依据不同功能区域客流特征对客流监测采集参数进行分析。

根据轨道交通车站功能区划分，综合考虑车站实际运营工作中的经验和现有的研究[12-14]，建议采用表1中的参数对不同功能区域的客流状态进行描述。

表1 客流状态采集参数

随着新技术、新科技在交通行业的推广应用，轨道交通客流监测逐渐从人工化、模糊化向精细化、数量化的转变，其中，智能自动采集技术将发挥重要作用。目前可以实现对客流状态自动采集的参数包括客流量、客流密度和排队长度。不同功能区域客流状态自动采集的参数如表2所示。

表2 客流状态自动采集参数

2 客流状态采集范围优化模型

2.1 采集范围优化模型构建与求解

由自动采集参数分析可得除通道之外，其余功能区域的自动采集参数为客流密度和排队长度，均属于排队服务型设施，而在通道区域内，一般不形成排队状态，归类为通过服务型设施，监控设备的自动采集参数为客流密度，其最佳采集范围计算模型与其他区域有所差异。因此，对排队型服务设施和通过型服务设施区域分别建立模型，并选取闸机区和通道区分别作为两类模型的示例进行详细阐述。

考虑闸机区客流数据采集范围(长度值)受客流状态获取需求及数据采集精度的影响，建立客流状态采集范围的目标函数为

(1)

(2)

(3)

(4)

(5)

式(5)中：S为设备的最佳采集长度。

售票区、安检区、楼(扶)梯及站台区具有与闸机区具有相同的客流特性，客流均以排队形式等待服务，客流数据采集范围计算模型同闸机区。鉴于通道区自动采集参数与其他区域不同，需对通道另作分析。通道区数据采集示意情况如图2所示。

图2 通道区客流数据采集范围Fig.2 Therange of passenger flow data collection in channel

通道区客流数据采集范围模型的目标函数为：

(6)

客流量的自动采集精度一般不受采集范围的限制，客流密度的自动采集精度在一定程度会受到采集范围的影响，当采集长度大于4 m时，采集精度会随着采集长度的增大而减小，计算公式为

(7)

2.2 参数权重

各个参数权重计算采用主、客观综合权重确定法[15]，其中，主观权重采用层次分析法，客观权重采用熵权法。参数权重在确定时采用主观赋权法和客观赋权法相结合的思想，充分考虑专家知识经验和数据信息，为避免主、客观权重的局限性，运用组合赋权方法计算各个参数的综合权重。

2.2.1 主观权重计算

邀请行业相关专家n人(编号为a1，a2， …,an)，对车站内6种设施相应参数的权重进行打分，建立判断矩阵，并采用1～9标度法对重要程度赋值，步骤为：

Step1建立安检区、检票闸机区、楼(扶)梯区、人工售票区、站台区和通道的判断矩阵x1、x2、x3、x4、x5、x6。

Step2将判断矩阵每一列归一化处理。

(8)

Step3列出归一化矩阵。

M=[M1M2…Mn]T

(9)

(10)

(11)

得到主观权重向量为

U1=(ω′1,ω′2, …,ω′n)

(12)

2.2.2 客观权重计算

运用熵权法，研究各层次评价参数。具体步骤如下。

Step1建立安检区、检票闸机区、楼(扶)梯区、人工售票区、站台区和通道的判断矩阵x′1、x′2、x′3、x′4、x′5、x′6。

Step2将判断矩阵归一化得到矩阵x″1、x″2、x″3、x″4、x″5、x″6。

Step3计算第j项参数的信息熵值ej为

(13)

式(13)中：pij为第j项参数下，第i个评价对象的特征比重。信息熵ej越小，表明参数值的变异程度越大，提供的信息量越多，其权重也越大。

Step4计算各评价参数的熵权wj。

当各被评价对象第j项参数值全部相等时，ej=emax=1。定义差异系数dj，使得dj=1-ej。差异系数dj越大，给予较大的参数权重。站内各功能区参数的客观权重为

(14)

得到客观权重向量为

U2=(ω″1,ω″2,…,ω″n)

(15)

2.2.3 综合权重确定

基于主观权重和客观权重的基础上，得到综合权重[16]为

(16)

3 实例分析

选取北京西直门地铁站为研究对象，对客流监测数据采集范围进行实例分析。西直门站是北京地铁2号线、4号线和13号线的换乘站。西直门的进站量和换乘量在北京所有地铁站中一直排名前十，是北京具有代表性的重点轨道交通车站。课题组通过人工调查法对西直门地铁站开展了高峰时段各功能区排队长度调查，结果如图3所示。

3.1 模型计算

采用组合权重法得到各项参数的综合权重值，如表3所示。

表3 排队服务型设施分级参数权重计算结果

通过视频调查法获得轨道交通枢纽内各类区域的乘客最大排队长度值，利用客流数据采集范围模型得到各类区域的客流数据最优采集范围。

图3 高峰时段各区域排队长度分布Fig.3 The length distribution of queues in peak hours

西直门地铁站各功能区客流状态数据最佳采集范围结果见表4。

3.2 结果分析

由表4排队服务型设施分级参数权重计算结果可得，不同功能区域针对客流状态采集的参数重要度不同，检票区、售票区、安检区、站台客流状态采集参数中排队长度权重大于客流密度权重，即采客流排队长度重要度更大，更能表征该设施客流状态；楼(扶)梯区域客流。根据不同功能区域采集范围相关因素的权重计算结果，检票区、站台采集精度权重大于客流状态权重，应用于车站应急监测，更能精准把握关键区域的客流情况；售票区、安检区、楼扶梯客流状态权重大于采集精度权重，三类区域一般占据空间较小，针对客流状态的采集重要性更大，用于监测，更能避免突发事件的发生。

表4 监测区域客流状态最佳采集范围

根据模型最优求得各功能区客流状态数据最佳采集范围，各功能区最优采集范围与实际最大排队长度之间存在差值比最大的是楼(扶)梯区，基于楼扶梯区的物理结构，安全隐患大位置在最优采集范围内，保障了监测客流的全面性。通道区最优采集范围4 m应分段布设采集，重点采集客流密度参数。最优采集长度范围值集合了基于视频采集设备下客流状态采集的全面性、高精度和数据有效性。

4 结论

轨道交通车站是城市轨道交通的重要节点，对轨道交通车站客流进行监测有利于保障轨道交通运营的安全性、可靠性。客流数据采集范围影响采集客流数据的质量，合理的客流状态数据采集范围是客流监测的重要基础。提出一种轨道交通车站客流状态数据采集范围确定方法，具体如下。

根据轨道交通车站设施为客流提供服务形式和服务功能的不同，将其分为了闸机区、售票区、安检区、楼(扶)梯区、站台区及通道6类，并给出了相应的客流状态采集参数。在考虑轨道交通车站各功能区特性的基础上，以全面性及精度最优为目标，建立不同功能区域的采集范围模型，采用组合赋权方法计算分级参数的权重，并采用遗传方法求解范围模型。以北京西直门地铁站为研究对象进行了实例研究。本研究可以确定轨道交通车站客流数据的最优采集范围，为高质量客流数据的获取提供重要的技术支持，为枢纽应急监测和布局优化提供数据支撑。

另外，在《国家综合立体交通网规划纲要》的推动下，综合枢纽智慧管控平台构建技术发展迅速，枢纽管控的基础需求就是枢纽内部实时客流数据的采集，在本研究的基础上，结合各功能区采集范围模型和枢纽等级，制定分级综合交通枢纽监测设备布设相关规范和数据采集范围相关标准是有行业所需要的，因为当前缺少相关规范和标准。相关规范和标准的制定具有重大意义，可以规范枢纽客流采集设备的选型标准和位置布设，而非一味追求全覆盖而造成资源浪费，同时标准规范的制定可推进枢纽智慧管控平台机制的建立，提高枢纽智能化管理水平，提升枢纽综合服务水平。