技术新讯 > 信号装置的制造及其应用技术 > 高峰客流控制方法和装置  >  正文

高峰客流控制方法和装置

  • 国知局
  • 2024-07-31 20:18:52

本技术实施例涉及计算机,尤其涉及高峰客流控制方法和装置。

背景技术:

1、固定交通运输设施场所指的是专门为交通运输目的而设计和建造的固定地点或建筑物,它们是交通运输网络的关键组成部分,提供了乘客和货物运输的基础设施,这些场所包括但不限于火车站、地铁站。我国城市地铁系统正在快速发展,地铁站点,尤其是换乘站点在高峰时段的站内客流拥堵问题已日益凸显,这不仅影响乘客在地铁站通行和换乘的效率,还增加了地铁运营的风险。

2、目前,缓解地铁站内客流拥堵最常见的方法是采用人工控制乘客流量控制设备限制进出站客流的措施。然而,这种方法往往依赖于工作人员的主观经验,且采取的控制策略缺乏相关依据,在使用条件、触发时间、布设位置、限制客流数量等方面的决策上存在不足,从而降低了高峰时段地铁站的客运服务水平,并加大了客流管控的难度。

技术实现思路

1、本技术实施例提出了高峰客流控制方法和装置。

2、第一方面,本技术的一些实施例提供了一种高峰客流控制,该方法包括:获取固定交通运输设施场所的实时客流数据;将所述实时客流数据输入预先构建的模型预测控制系统,得到乘客流量控制设备的控制序列,所述模型预测控制系统以预先构建的系统辨识模型为预测控制器的预测模型,结合固定交通运输设施场所仿真场景构建,所述系统辨识模型通过系统辨识的方法由输入输出数据集进行处理得到,所述输入输出数据集中的输入数据包括乘客流量控制设备的控制信息,所述输入输出数据集中的输出数据包括客流指标数据;基于所述控制序列对所述乘客流量控制设备进行控制。

3、在一些实施例中,所述固定交通运输设施场所包括地铁站,所述乘客流量控制设备包括进站口铁马、进站闸机和站台扶梯,所述客流指标数据包括聚集客流量和客流密度,所述输入输出数据集通过以下步骤得到:通过基于社会力模型的个体运动仿真软件,构建所述固定交通运输设施场所的三维仿真场景;在所述三维仿真场景中改变每个采样周期内的进站口限流铁马的数量、进站工作闸机的数量以及站台扶梯出站方向的数量与比重,得到每个采样周期站内客流指标。

4、在一些实施例中,所述系统辨识模型选取带有外部输入的非线性自回归神经网络作为模型结构对象,所述带有外部输入的非线性自回归神经网络模型结构为,其中,和为输出参数向量和外源输入向量,和分别为输出参数和输入参数过去时刻追溯的时间步数,时刻的对象输出由输出参数和外源输入的历史时刻值回归得到,表示其映射关系。

5、在一些实施例中,所述系统辨识模型的构建选择所述带有外部输入的非线性自回归神经网络的隐藏层作为系统的状态变量,所述带有外部输入的非线性自回归神经网络的输出作为系统的输出变量,采用在添加时延和反馈环节的前向神经网络来逼近隐含关系。

6、在一些实施例中,所述系统辨识模型的构建步骤包括:基于以下均方根误差的公式,评估所述系统辨识模型的拟合能力和预测性能:

7、

8、其中,为归一化状态训练样本值,为归一化状态网络输出值,为测试样本值与网络预测值的相对误差,为样本长度。

9、在一些实施例中,所述系统辨识模型的构建步骤包括:采用梯度下降算法对训练样本进行训练,其中,训练误差函数通过以下公式表示:

10、

11、其中,为归一化状态训练样本值,为归一化状态网络输出值,为二者的绝对误差,在网络训练过程中,根据所述误差函数的下降梯度方向,对神经元连接权值和偏置进行修正。

12、在一些实施例中,所述模型预测控制系统的构建步骤,包括: 将所述系统辨识模型作为预测控制器的预测模型,根据客流量需求定义目标函数与约束条件;其中,在每个控制间隔k和预测时域p下,所述预测模型会接收作为输入,其中,代表一组控制动作,所述控制动作包括进站口铁马、进站闸机工作数量和站台扶梯运营方向的组合指令,代表时差变量量化对现有变量约束的违反,m代表系统在优化时所考虑的控制动作序列的长度,系统将在时刻k+m-1开始的连续m个时间步中应用相同的动作值,直到时刻k+p-1为止;所述目标函数包括,其中, 表示控制动作的候选集合,所述控制动作包括进站口铁马工作数量、进站闸机工作数量以及站台扶梯运营方向的组合;表示站内聚集客流量和客流密度等客流指标的参考跟踪性能,通过以下公式计算:

13、

14、其中,分别表示控制器恒定规格的协调因子和比例因子,表示预定参考和预测步长,d表示站内客流指标;解释集合内的变化,通过以下公式计算:

15、

16、通过以下公式计算:

17、

18、其中,是时差变量,是违反约束的惩罚权重,对和增量的定义如下:

19、

20、

21、其中,参数表示可容忍违规的相对大小的权重,和是用于为变量、和d生成无量纲值的比例因子。

22、在一些实施例中,所述模型预测控制系统的构建步骤,包括验证与优化预测控制器,所述验证与优化预测控制器,包括:根据观察到的延迟、响应时间和控制周期,设置控制范围为3;对进站口围栏铁马、进站闸机工作数量以及站台扶梯运营方向设置硬约束;采用迭代方法,通过调整所述预测控制器的权重来搜索所述预测控制器的稳定性,所述预测控制器的性能采用加权平方误差的积分通过以下公式表示:

23、

24、其中,是模拟步骤的数量,是参考跟踪的绩效权重,是楼梯密度或楼梯入口密度与其参考值之间的差值,是性能权重增量;检查所述预测控制器的稳定性和鲁棒性,包括对抗阶跃状输出干扰的能力,检查qp海森矩阵的有效性,确保该矩阵是正定的;从无约束预测控制器状态空间实现的a矩阵中获取特征值;基于反馈配置的矩阵进行闭环稳态增益测试,以验证所述预测控制器在稳态时无约束地将输出变量强制到参考值。

25、在一些实施例中,所述模型预测控制系统的构建步骤,包括:采用行人客流模拟软件anylogic模拟器部署仿真场景;根据参考目标,所述anylogic模拟器中的仿真场景接收来自所述预测控制器的进站口围栏铁马、进站闸机工作数量和站台扶梯运营方向的调节指令,同时所述anylogic模拟器发送客流指标数据到所述预测控制器。

26、第二方面,本技术的一些实施例提供了一种高峰客流控制装置,该装置包括:获取单元,被配置成获取固定交通运输设施场所的实时客流数据;输入单元,被配置成将所述实时客流数据输入预先构建的模型预测控制系统,得到乘客流量控制设备的控制序列,所述模型预测控制系统以预先构建的系统辨识模型为预测控制器的预测模型,结合固定交通运输设施场所仿真场景构建,所述系统辨识模型通过系统辨识的方法由输入输出数据集进行处理得到,所述输入输出数据集中的输入数据包括乘客流量控制设备的控制信息,所述输入输出数据集中的输出数据包括客流指标数据;控制单元,被配置成基于所述控制序列对所述乘客流量控制设备进行控制。

27、在一些实施例中,所述固定交通运输设施场所包括地铁站,所述乘客流量控制设备包括进站口铁马、进站闸机和站台扶梯,所述客流指标数据包括聚集客流量和客流密度,所述装置还包括仿真单元,所述仿真单元被配置为通过以下步骤得到所述输入输出数据集:通过基于社会力模型的个体运动仿真软件,构建所述固定交通运输设施场所的三维仿真场景;在所述三维仿真场景中改变每个采样周期内的进站口限流铁马的数量、进站工作闸机的数量以及站台扶梯出站方向的数量与比重,得到每个采样周期站内客流指标。

28、在一些实施例中,所述系统辨识模型选取带有外部输入的非线性自回归神经网络作为模型结构对象,所述带有外部输入的非线性自回归神经网络模型结构为,其中,和为输出参数向量和外源输入向量,和分别为输出参数和输入参数过去时刻追溯的时间步数,时刻的对象输出由输出参数和外源输入的历史时刻值回归得到,表示其映射关系。

29、在一些实施例中,所述系统辨识模型的构建选择所述带有外部输入的非线性自回归神经网络的隐藏层作为系统的状态变量,所述带有外部输入的非线性自回归神经网络的输出作为系统的输出变量,采用在添加时延和反馈环节的前向神经网络来逼近隐含关系。

30、在一些实施例中,所述装置还包括模型构建单元,所述模型构建单元被配置成通过以下步骤建立所述系统辨识模型:基于以下均方根误差的公式,评估所述系统辨识模型的拟合能力和预测性能:

31、

32、其中,为归一化状态训练样本值,为归一化状态网络输出值,为测试样本值与网络预测值的相对误差,为样本长度。

33、在一些实施例中,所述模型构建单元进一步被配置成:采用梯度下降算法对训练样本进行训练,其中,训练误差函数通过以下公式表示:

34、

35、其中,为归一化状态训练样本值,为归一化状态网络输出值,为二者的绝对误差,在网络训练过程中,根据所述误差函数的下降梯度方向,对神经元连接权值和偏置进行修正。

36、在一些实施例中,所述模型构建单元进一步被配置成:将所述系统辨识模型作为预测控制器的预测模型,根据客流量需求定义目标函数与约束条件;其中,在每个控制间隔k和预测时域p下,所述预测模型会接收作为输入,其中,代表一组控制动作,所述控制动作包括进站口铁马、进站闸机工作数量和站台扶梯运营方向的组合指令,代表时差变量量化对现有变量约束的违反,m代表系统在优化时所考虑的控制动作序列的长度,系统将在时刻k+m-1开始的连续m个时间步中应用相同的动作值,直到时刻k+p-1为止;所述目标函数包括,其中,表示控制动作的候选集合,所述控制动作包括进站口铁马工作数量、进站闸机工作数量以及站台扶梯运营方向的组合;表示站内聚集客流量和客流密度等客流指标的参考跟踪性能,通过以下公式计算:

37、

38、其中,分别表示控制器恒定规格的协调因子和比例因子,表示预定参考和预测步长,d表示站内客流指标;解释集合内的变化,通过以下公式计算:

39、

40、通过以下公式计算:

41、

42、其中,是时差变量,是违反约束的惩罚权重,对和增量的定义如下:

43、

44、

45、其中,参数表示可容忍违规的相对大小的权重,和是用于为变量、和d生成无量纲值的比例因子。

46、在一些实施例中,所述模型构建单元进一步被配置成:验证与优化预测控制器,所述验证与优化预测控制器,包括:

47、根据观察到的延迟、响应时间和控制周期,设置控制范围为3;对进站口围栏铁马、进站闸机工作数量以及站台扶梯运营方向设置硬约束;采用迭代方法,通过调整所述预测控制器的权重来搜索所述预测控制器的稳定性,所述预测控制器的性能采用加权平方误差的积分通过以下公式表示:

48、

49、其中,是模拟步骤的数量,是参考跟踪的绩效权重,是楼梯密度或楼梯入口密度与其参考值之间的差值,是性能权重增量;检查所述预测控制器的稳定性和鲁棒性,包括对抗阶跃状输出干扰的能力,检查qp海森矩阵的有效性,确保该矩阵是正定的;从无约束预测控制器状态空间实现的a矩阵中获取特征值;基于反馈配置的矩阵进行闭环稳态增益测试,以验证所述预测控制器在稳态时无约束地将输出变量强制到参考值。

50、在一些实施例中,所述模型构建单元进一步被配置成:采用行人客流模拟软件anylogic模拟器部署仿真场景;根据参考目标,所述anylogic模拟器中的仿真场景接收来自所述预测控制器的进站口围栏铁马、进站闸机工作数量和站台扶梯运营方向的调节指令,同时所述anylogic模拟器发送客流指标数据到所述预测控制器。

51、第三方面,本技术的一些实施例提供了一种设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行,使得上述一个或多个处理器实现如第一方面上述的方法。

52、第四方面,本技术的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面上述的方法。

53、本技术实施例提供的高峰客流控制方法和装置,通过获取固定交通运输设施场所的实时客流数据;将实时客流数据输入预先构建的模型预测控制系统,得到乘客流量控制设备的控制序列,模型预测控制系统以预先构建的系统辨识模型为预测控制器的预测模型,结合固定交通运输设施场所仿真场景构建,系统辨识模型通过系统辨识的方法由输入输出数据集进行处理得到,输入输出数据集中的输入数据包括乘客流量控制设备的控制信息,输入输出数据集中的输出数据包括客流指标数据;基于控制序列对乘客流量控制设备进行控制,提高了固定交通运输设施场所中乘客流量控制设备设置的合理性,从而缓解了乘客的拥堵问题。

本文地址:https://www.jishuxx.com/zhuanli/20240731/185815.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。