地铁站点辐射范围内的兴趣点(point of interest,POI)蕴含着丰富多样的时空特征。在相应时段内,POI会吸引大量交互客流。为精确捕捉POI对地铁客流的影响机理,提出一种多维兴趣点驱动的地铁客流多通道集成预测方法。首先,综合考虑地铁站...地铁站点辐射范围内的兴趣点(point of interest,POI)蕴含着丰富多样的时空特征。在相应时段内,POI会吸引大量交互客流。为精确捕捉POI对地铁客流的影响机理,提出一种多维兴趣点驱动的地铁客流多通道集成预测方法。首先,综合考虑地铁站点属性对客流的吸引作用、各类POI在不同时段内对客流吸引力的动态变化和各地铁站辐射范围内的POI种类数量和距离,分别构建站点客流吸引力公式、POI时间变化权重模型和POI空间流动交互矩阵。然后,提出一种多通道注意力集成的时空神经网络(multi channel attention spatio-temporal neural network,MCASTNN)客流预测模型,采用三分支结构,应用多种注意力机制挖掘多维POI与地铁客流间的深层关联性,通过多通道注意力集成机制进行特征融合,可有效提取地铁客流复杂的站点属性、时间和空间特征。最后,在杭州地铁AFC刷卡数据集上进行验证。结果表明:相较经典机器学习模型和深度学习模型,MCASTNN在居住主导型站点、工作主导型站点和混合商用型站点等多场景和不同时间步长下均具有更高预测精度,相较于Transformer在单步预测任务中均方根误差和平均绝对误差分别平均下降3.09和3.11。对POI特征和MCASTNN进行消融实验,验证了建模方法和各分支特征提取的有效性。该方法可为有关部门优化配置轨道站点资源、合理制定列车开行方案等提供参考。展开更多
地铁停车场和车辆段是城市轨道交通系统的核心运维场所,承担着地铁车辆停放、检修、调度等重要任务,也是人员、车辆、设备交互频繁的高风险区域,其安全关乎整个地铁系统的运营。基于计算机视觉技术开发相关算法,旨在辅助地铁场段内异物...地铁停车场和车辆段是城市轨道交通系统的核心运维场所,承担着地铁车辆停放、检修、调度等重要任务,也是人员、车辆、设备交互频繁的高风险区域,其安全关乎整个地铁系统的运营。基于计算机视觉技术开发相关算法,旨在辅助地铁场段内异物检测与安全管控。本文提出了一种基于YOLOv8-Metro(you only look once version 8-Metro,YOLOv8-Metro)的安全管控算法,由作业人员、地铁车辆、轨道异物3类目标检测和安全管控决策两部分构成。其中,目标检测模型是在YOLOv8的基础上引入卷积注意力机制(convolutional block attention mechanism,CBAM)、深度可分离卷积模块(depthwise separable convolution,DWS-Conv)和双向特征金字塔网络(bidirectional feature pyramid network,BiFPN),大幅增强了模型对多尺度目标和复杂场景下的实时检测能力;安全管控决策在目标检测的基础上,综合考虑3类目标的位置、运动状态和作业计划,实时判断场段内是否存在上述两类安全风险。以南京地铁某场段为实验现场,采集各类场景下股道异物、作业人员和地铁车辆图像,创建原始数据集,测试YOLOv8-Metro的目标检测和安全管控效果。实验结果表明,YOLOv8-Metro对目标检测的整体精度达到了96.3%,在复杂光照、遮挡等各类挑战性场景下,仍保持较高的鲁棒性;此外,各种作业场景下安全风险预警的召回率为0.975,F1-score为0.963,有效降低了漏报的概率。本文所开发的YOLOv8-Metro模型能够满足地铁场段安全管控对检测精度和实时性的需求,有望赋能地铁系统的安全管理。展开更多
为揭示地铁运营突发中断下滞留乘客出行方式选择机制,明确关键情境因素的影响,基于情境模拟与陈述性偏好调查(Stated Preference,SP)构建考虑方式自身属性的基准多项Logit模型,采用逐步效用修正方法,量化预计恢复时间、天气、出行时间...为揭示地铁运营突发中断下滞留乘客出行方式选择机制,明确关键情境因素的影响,基于情境模拟与陈述性偏好调查(Stated Preference,SP)构建考虑方式自身属性的基准多项Logit模型,采用逐步效用修正方法,量化预计恢复时间、天气、出行时间与目的、剩余行程距离、人群条件及绕行线路可用性对乘客决策影响强度与作用模式,并结合似然比检验(Likelihood Ratio Test,LRT)、赤池信息准则(Akaike Information Criterion,AIC)、贝叶斯信息准则(Bayesian Information Criterion,BIC)与预测误差率评估模型改进效果.研究结果表明:乘客决策表现出强烈的情境依赖与风险厌恶特征;各情境因素作用强度显著不同,其中预计恢复时间影响最大(LR=183.98,预测误差下降1.94%),天气条件次之(LR=102.63,误差下降1.16%),出行目的与剩余行程距离也存在一定影响,周围人群行为与绕行线路可用性则未表现出显著影响;对各公共交通方式的偏好变化具有相似性;而原地等待作为被动选项虽有相当选取率,但在系统风险与情境风险叠加时显著降低;不同交通方式对情境因素敏感度差异明显,确定性高、风险低的方式在突发情境中更具吸引力.展开更多
文摘地铁停车场和车辆段是城市轨道交通系统的核心运维场所,承担着地铁车辆停放、检修、调度等重要任务,也是人员、车辆、设备交互频繁的高风险区域,其安全关乎整个地铁系统的运营。基于计算机视觉技术开发相关算法,旨在辅助地铁场段内异物检测与安全管控。本文提出了一种基于YOLOv8-Metro(you only look once version 8-Metro,YOLOv8-Metro)的安全管控算法,由作业人员、地铁车辆、轨道异物3类目标检测和安全管控决策两部分构成。其中,目标检测模型是在YOLOv8的基础上引入卷积注意力机制(convolutional block attention mechanism,CBAM)、深度可分离卷积模块(depthwise separable convolution,DWS-Conv)和双向特征金字塔网络(bidirectional feature pyramid network,BiFPN),大幅增强了模型对多尺度目标和复杂场景下的实时检测能力;安全管控决策在目标检测的基础上,综合考虑3类目标的位置、运动状态和作业计划,实时判断场段内是否存在上述两类安全风险。以南京地铁某场段为实验现场,采集各类场景下股道异物、作业人员和地铁车辆图像,创建原始数据集,测试YOLOv8-Metro的目标检测和安全管控效果。实验结果表明,YOLOv8-Metro对目标检测的整体精度达到了96.3%,在复杂光照、遮挡等各类挑战性场景下,仍保持较高的鲁棒性;此外,各种作业场景下安全风险预警的召回率为0.975,F1-score为0.963,有效降低了漏报的概率。本文所开发的YOLOv8-Metro模型能够满足地铁场段安全管控对检测精度和实时性的需求,有望赋能地铁系统的安全管理。
文摘为揭示地铁运营突发中断下滞留乘客出行方式选择机制,明确关键情境因素的影响,基于情境模拟与陈述性偏好调查(Stated Preference,SP)构建考虑方式自身属性的基准多项Logit模型,采用逐步效用修正方法,量化预计恢复时间、天气、出行时间与目的、剩余行程距离、人群条件及绕行线路可用性对乘客决策影响强度与作用模式,并结合似然比检验(Likelihood Ratio Test,LRT)、赤池信息准则(Akaike Information Criterion,AIC)、贝叶斯信息准则(Bayesian Information Criterion,BIC)与预测误差率评估模型改进效果.研究结果表明:乘客决策表现出强烈的情境依赖与风险厌恶特征;各情境因素作用强度显著不同,其中预计恢复时间影响最大(LR=183.98,预测误差下降1.94%),天气条件次之(LR=102.63,误差下降1.16%),出行目的与剩余行程距离也存在一定影响,周围人群行为与绕行线路可用性则未表现出显著影响;对各公共交通方式的偏好变化具有相似性;而原地等待作为被动选项虽有相当选取率,但在系统风险与情境风险叠加时显著降低;不同交通方式对情境因素敏感度差异明显,确定性高、风险低的方式在突发情境中更具吸引力.
