尽管基于城市轨道交通自动售检票(automatic fare collection,AFC)系统采集的智能卡数据(smart card data,SCD)能够精准记录人们的出行时间和地点,但无法直接反映出行目的或活动类型.本研究提出一种方法,将约束种子K-means算法的站点聚...尽管基于城市轨道交通自动售检票(automatic fare collection,AFC)系统采集的智能卡数据(smart card data,SCD)能够精准记录人们的出行时间和地点,但无法直接反映出行目的或活动类型.本研究提出一种方法,将约束种子K-means算法的站点聚类与隐含狄利克雷分布(latent Dirichlet allocation,LDA)模型的客流出行目的挖掘相结合,以揭示城市轨道交通客流出行数据中的潜在活动模式.首先,基于车站周边的人口特征、客流特征及兴趣点(points of interest,POI)分布,使用约束种子K-means算法将站点划分为8类:就业集聚型、居住集聚型、职住复合型、商业中心型、旅游景点型、综合枢纽型、对外枢纽型以及客流培育型.其次,基于出站时间、活动时长、起点车站类型以及终点车站类型构建了LDA模型.该模型成功识别出5类主要活动,分别为购物消费、工作、回家、休闲旅游及其他.此外,这些模式进一步细分为若干子主题,每个子主题在时间和空间特征上具有显著差异,为深入理解节假日城市轨道交通客流出行行为提供了理论支持.展开更多
随着时代的飞速发展,轨道交通传统乘客信息系统(Passenger Information System,PIS)已逐渐难以满足日益复杂的运营需求。文章基于深度学习技术,对PIS系统扩展功能进行深入研究。研究以PIS既有硬件架构为基础,复用原有系统传感器资源,在...随着时代的飞速发展,轨道交通传统乘客信息系统(Passenger Information System,PIS)已逐渐难以满足日益复杂的运营需求。文章基于深度学习技术,对PIS系统扩展功能进行深入研究。研究以PIS既有硬件架构为基础,复用原有系统传感器资源,在此基础上嵌入轻量化深度学习算法,设计并实现异常行为检测、清客检测、客流密度检测及报警联动四个扩展模块。通过YOLOv8-tiny、改进CSRNet等模型,优化数据交互流程与协同机制,实现了12类异常行为精准识别、滞留乘客的高效判定和应急快速响应。展开更多
文摘尽管基于城市轨道交通自动售检票(automatic fare collection,AFC)系统采集的智能卡数据(smart card data,SCD)能够精准记录人们的出行时间和地点,但无法直接反映出行目的或活动类型.本研究提出一种方法,将约束种子K-means算法的站点聚类与隐含狄利克雷分布(latent Dirichlet allocation,LDA)模型的客流出行目的挖掘相结合,以揭示城市轨道交通客流出行数据中的潜在活动模式.首先,基于车站周边的人口特征、客流特征及兴趣点(points of interest,POI)分布,使用约束种子K-means算法将站点划分为8类:就业集聚型、居住集聚型、职住复合型、商业中心型、旅游景点型、综合枢纽型、对外枢纽型以及客流培育型.其次,基于出站时间、活动时长、起点车站类型以及终点车站类型构建了LDA模型.该模型成功识别出5类主要活动,分别为购物消费、工作、回家、休闲旅游及其他.此外,这些模式进一步细分为若干子主题,每个子主题在时间和空间特征上具有显著差异,为深入理解节假日城市轨道交通客流出行行为提供了理论支持.
文摘随着时代的飞速发展,轨道交通传统乘客信息系统(Passenger Information System,PIS)已逐渐难以满足日益复杂的运营需求。文章基于深度学习技术,对PIS系统扩展功能进行深入研究。研究以PIS既有硬件架构为基础,复用原有系统传感器资源,在此基础上嵌入轻量化深度学习算法,设计并实现异常行为检测、清客检测、客流密度检测及报警联动四个扩展模块。通过YOLOv8-tiny、改进CSRNet等模型,优化数据交互流程与协同机制,实现了12类异常行为精准识别、滞留乘客的高效判定和应急快速响应。
