基于异质集成学习方法的城轨列车客流智能分析系统研究

为解决当前城市轨道交通（简称：城轨）列车客流分析存在的检测精度不高和适用场景单一等问题，设计了一种基于异质集成学习方法的城轨列车智能客流分析系统。该系统基于云边协同架构，采用分组Voting方法，将YOLOv5s(You Only Look Once v5s)、FCHD(Fully Convolutional Head Detector)、CSRNet(Network for Congested Scene Recognition)模型作为基模型进行集成，最终实现客流统计、拥挤度分析和辅助清客等功能。利用北京城轨某线路列车的监控图像数据进行实验，结果表明，与其他各基模型相比，该系统采用的模型检测效果更佳，有效提升了检测精度，丰富了可适用的检测场景。     

疫情防控背景下的地铁多车站客流协同控制模型及算法

基于各车站在各时段客流进站速率的协同优化，考虑客流控制和客流承载过程中的各种约束，以列车车厢内客流聚集总风险最低和乘客在车站总等待时间最短为双目标，构建疫情防控背景下的多车站地铁客流协同控制模型。针对模型的非线性特点，设计基于变邻域搜索的启发式算法进行求解。依托南昌地铁1号线实际客流数据构建算例进行验证。结果表明：实施客流协同控制后，研究时段内全部23列列车的满载率均未超过满载率阈值0.5，且客流聚集总风险值较控制前下降65.41%，乘客平均等待时间仅为3.87 min；随着列车最大满载率阈值的增加，乘客的等待时间呈指数下降趋势，而客流聚集风险则呈线性增长；缩短发车间隔时间能够有效降低列车满载率，但列车运行成本也会急剧增加；按实际发车间隔时间（10 min）实施客流协同控制后，所有列车的满载率均低于0.5，客流聚集总风险值下降22.36%，而乘客平均等待时间仅增加0.6 min，验证了模型及算法能更加高效地降低列车满载率。     

基于卷积神经网络的列车实时客流检测算法

城市轨道交通作为城市公共交通系统的主体,在缓解交通出行压力、促进城市发展中具有十分重要的作用。科学精准的测算列车实时客流,对改善城市轨道交通客运服务水平,发展低碳、环保的绿色出行模式具有重大意义。为此,提出基于卷积神经网络的城市轨道交通列车实时客流检测算法,实现列车监控视频视野内乘客数量的实时检测。基于成都地铁1号线车载监控视频建立列车客流图像数据集,以剔除全连接层的VGG-16网络作为算法基础框架,提取输入图像的边缘、角点等浅层细节特征;将多尺度卷积层和膨胀卷积结构融合构建乘客多尺度特征感知模块,在保持图像分辨率的同时,通过不同的感受野增强尺度上下文信息的提取性能,提升网络对乘客尺度变化的鲁棒性;构建特征融合网络将网络浅层提取的细节特征与上采样后的深层语义特征嵌入融合,提升小尺度乘客目标的计数精度和特征图的信息丰富度。实验结果表明：所提算法在城市轨道交通列车场景下的检测精度得到显著提升,平均绝对误差、均方误差以及平均绝对百分比误差指标分别达到了1.1%,1.8%和5.4%,同时单张图像检测速率低于60 ms,能够满足列车客流检测的实时性需求;且算法在2个标准人群数据集Shanghai...     

广州地铁运营客流分布特征研究与应用

针对目前广州地铁运营过程中列车车厢及车站站台过度拥挤的问题,通过对广州地铁实际运营客流分布特征的调查与分析,在时间维度上提出客流分布在年内、月内及周内的不均衡规律,分析节假日对车站客流的影响,在空间维度上分析车厢内客流密度在不同区间、不同编组、不同车厢区域的分布规律和客流在车站站台上的分布规律。通过对现状特征的重新审视,提出设计阶段客流预测数据的选用原则、车厢站立密度对站台乘客上下车时间的影响及车站布局形式与站台客流分布的关系。为广州后续轨道交通线路精细化设计提供依据,为国内类似城市地铁设计、运营组织提供参考。     

基于YOLOv5的铁路接触网异物检测模型初步研究

接触网上附着的异物是影响铁路列车运行安全的一大隐患,在开行列车前需要检查接触网上是否有异物附着。目前,接触网异物检测主要依靠人工巡检,工作效率低,人力物力消耗大。文章通过建模实验,初步探讨利用基于深度学习的目标检测技术实现铁路接触网异物检测的可行性;构建了3种接触网异物检测模型：YOLO(YouOnlyLookOnce) v5模型、 YOLOv5+坐标注意力（CA,Coordinate Attention）改进模型和YOLOv5+ConvNext Block改进模型,利用包含鸟窝和轻质异物两种常见异物的接触网图像数据集,对这3种模型进行实验分析。实验结果表明,相比YOLOv5算法,对于检测鸟窝和轻质异物两种常见的接触网异物,YOLOv5+CA改进模型和YOLOv5+ConvNext Block改进模型具有更好的效果,且YOLOv5+ConvNext Block改进模型检测小尺寸目标的能力更强。     

考虑动态客流需求和大小交路模式的城市轨道交通列车开行方案优化

分析乘客出行需求的时间、空间分布特征,采用4参数Logistic函数对累计客流曲线分段拟合,推导各车站在任意时间段内客流需求量的计算公式。考虑客流需求的动态特征和大小交路模式下列车发车间隔时间的特点,以减少乘客平均等待时间、提高列车平均满载率以及减少列车总走行公里数为优化目标,建立列车开行方案的多目标混合整数非线性优化模型;利用改进的NSGA-Ⅱ对模型求解,并根据模型特征设计特殊结构的编码方式。以西安地铁2号线的实际运营数据为例,对轨道交通列车开行方案进行优化。结果表明:根据动态客流需求设计非固定间隔时间的列车发车时刻表,适时采用大小列车交路运行模式得到的列车开行优化方案,可有效满足乘客和运营企业双方的利益需求。     

突发事件下城市轨道交通网络客流重分布预测方法研究与应用

城市轨道交通发生突发事件后,准确把握乘客出行路径选择行为特征及受影响客流分布是保障应急处置高效、有序的关键。基于突发事件下乘客出行行为特征变化的分析,提出了受影响客流的界定算法;基于突发事件下乘客出行方案选择模型和多方式出行备选路径集的构造,建立了突发事件下网络受影响客流重分布预测算法。利用广州地铁5号线某一突发事件数据对预测模型进行了精度分析,验证了模型的适用性和有效性。     

苏州轨道交通网络化换乘衔接优化研究

在苏州市轨道交通网络化运营条件下,研究协调优化各线列车衔接计划的方法,使不同线路的列车在换乘站形成良好衔接,能够缩短乘客的换乘等待时间并减少乘客滞留。基于高峰时段、平峰时段不同的优化目标,提出网络换乘站列车衔接方案优化模型,接着基于遗传算法设计相应的求解方法,并结合苏州市轨道交通的换乘客流特征与运营特征,用算例证明模型和算法的有效性,为网络列车衔接计划的协调编制提供指导建议。     

列车司机手势识别方法研究

按照司乘标准执行规定的手势是列车司机驾驶操作的重要环节,通过对司机手势进行检测,能够有效评估列车司机的驾驶状态和操作质量,保证列车行车安全。传统人工检查方式效率低,难以满足实际需求,现有的手势识别算法存在模型参数量大、检测精度较低、检测速度慢等问题。随着智能铁路的发展,利用深度学习方法构建轻量化、高效、高精度的列车司机手势识别模型逐渐成为行业发展需求。针对上述需求,提出一种基于改进YOLOv5的列车司机手势识别模型。首先,引入轻量化卷积PConv改进YOLOv5中的C3模块,降低检测网络的参数量和计算量,提升模型检测效率,并在其后添加CBAM模块,加强重要特征信息,抑制无关信息的干扰,强化检测网络特征提取能力;其次,在颈部层引入BiFPN网络结构替换PANet网络结构,增强不同尺度特征的融合能力,同时通过新增小目标检测层,提高模型对小目标的检测能力;最后,选择Focal-EIoU作为边界框损失优化模型损失函数,加快模型的收敛速度,提高手势定位精度。实验结果表明,改进模型在测试集下mAP@0.5可达97.7%,平均检测时间为23.2 ms,相较于YOLOv5计算量降低了23.1%,mAP...     

基于改进YOLOv5s算法的列车驾驶员手势识别

随着智能铁路的发展，人工智能技术得到广泛应用。通过深度学习对列车驾驶员手势实时检测，可提高检查驾驶员手势执行情况的效率，保证列车运行安全。针对现有手势识别算法识别精度低、检测速度慢、难以部署等问题，提出一种改进的YOLOv5s列车驾驶员手势识别算法。首先在原始主干网络的卷积操作之后添加CBAM模块，加强重要特征信息，抑制次要特征信息；其次在颈部网络中引入BiFPN模块，在不过多增加计算量的情况下，更好地实现多尺度特征融合；最后通过改进的K-means聚类算法生成适合本文数据集的先验框，更好地提升预测框精准度，加强模型的识别性能。实验结果表明，本算法在测试集上平均精确率均值为0.955,检测速度为71 FPS,网络模型所占内存为15.9 MB,验证了该算法具有识别精度高、检测速度快、模型内存占比小等优势，对于实现工程部署有重要意义。     

施工场景下基于YOLOv3的安全帽佩戴状态检测

针对现有安全帽检测研究中采用的两阶段检测法存在检测效率偏低,累积误差对精度影响较大的问题,提出一种对安全帽的单阶段检测法。将安全帽和工人头部视为一个整体,将检测目标分为2类,即佩戴安全帽的头部和未佩戴安全帽的头部,同时对2类目标进行检测,避免了冗余的计算步骤及累积误差的影响。同时,针对施工场景安全帽佩戴状态检测特点,对YOLOv3的网络结构、损失函数及先验框尺寸进行改进,提出YOLOv3-C模型。研究结果表明:改进后的YOLOv3-C模型的检测性能大幅提升,在本文建立的样本集中模型的mAP达到93.84%,对安全帽检测平均精度达到97.01%,对工人头部检测平均精度达到90.67%,同时YOLOv3-C对本文的检测场景表现出良好的鲁棒性。     

基于 Dueling DQN 算法的列车运行图节能优化研究

通过优化地铁时刻表可有效降低地铁牵引能耗。为解决客流波动和车辆延误对实际节能率影响的问题,提出列车牵引和供电系统实时潮流计算分析模型和基于 Dueling Deep Q Network(Dueling DQN)深度强化学习算法相结合的运行图节能优化方法,建立基于区间动态客流概率统计的时刻表迭代优化模型,降低动态客流变化对节能率的影响。对预测 Q 网络和目标 Q 网络分别选取自适应时刻估计和均方根反向传播方法,提高模型收敛快速性,同时以时刻表优化前、后总运行时间不变、乘客换乘时间和等待时间最小为优化目标,实现节能时刻表无感切换。以苏州轨道交通 4 号线为例验证方法的有效性,节能对比试验结果表明：在到达换乘站时刻偏差不超过 2 s和列车全周转运行时间不变的前提下,列车牵引节能率达 5.27%,车公里能耗下降 4.99%。     

基于用户平衡分析的旅客列车始发时间分布优化

设计了基于旅客列车始发时间分布的旅客出行选择网络，并研究了该网络上旅客的各项出行费用，以旅客出行总费用最少为优化目标，建立了车站旅客列车始发时间分布的双层规划模型，同时设计了模拟退火启发式算法。模型反映了列车能力对客流分布的影响和拥挤条件下的旅客群体选择行为。算例分析结果表明，采用该模型与算法取得较好优化效果。     

基于 VMD-GRU 的城市轨道交通短时客流预测

精准的客流预测是轨道交通运输计划编制的基础和依据,为提高城市轨道交通短时客流的预测精准度, 基于城市轨道交通短时客流的动态性、非线性、不确定性、周期性、非平稳性及时序性等特点,提出一种组合 模型预测方法,即 VMD-GRU 神经网络预测模型,由变分模态分解和门控循环单元组合而成。变分模态分解的 作用是分解短时客流,降低数据中的噪声,减少数据波动;门控循环单元的作用是基于分解的短时客流,进行 客流预测。经南京地铁的数据验证,该模型在地铁短时客流预测方面效果良好。与 GRU 相比,VMD-GRU 在 15、30 和 60 min 的时间粒度下,预测准确度分别提升 7.57%,16.93%,18.47%。该模型可为地铁运营管理部 门对车站客流管理、日常行车计划制定等提供有效的数据支撑,从而提升线网总体运营效率以及轨道交通系统 的服务水平。     

基于时空网络的城际高速铁路列车开行方案优化方法

列车开行方案是有效利用铁路运输能力和提升服务质量的关键组织手段。基于城际铁路客流的时变特性,将时空网络方法引入城际列车开行方案决策,增加考虑客流出行时间信息,从而能更加全面评价所得方案。在构造开行方案时空网络图的基础上,以最小化包括列车运行成本、旅客旅行时间、旅客出发偏差时间和未上车惩罚和列车数量等的总成本为目标,考虑时空网络客流及列车流守恒、发车时间间隔和列车能力等约束,建立基于时空网络的城际高速铁路列车开行方案优化模型,并设计双层模拟退火算法进行求解,其中内层算法优化列车停站方案,外层算法优化列车起讫点、开行数量和始发时间。算例计算分析表明,所提方法能为城际铁路列车开行方案决策提供科学依据。     

客流饱和条件下轨道交通网络动态可达性分析

轨道交通客流的日益增长使乘客在网络上的出行可达性受到影响,当轨道交通处于客流饱和时乘客存在无法上车而被迫留乘的可能性。为分析轨道交通网络可达性的动态变化特征,建立考虑客流饱和条件下的轨道交通网络动态可达性的评价模型;模型以轨道交通网络拓扑结果作为可达性的空间特性,以列车运行计划作为其时间特性。在深圳轨道交通网络上进行案例分析,通过网络客流和列车运行计划,得到乘客在网络上的期望旅行时间,继而得到OD对及车站的可达性指标。结果表明,目前的轨道交通网络中客流需求更大的车站往往配备较好的列车运输能力,以提高可达性,但是受限于列车开行间隔,客流饱和条件下的部分热门车站动态可达性较低。提出可达性评价方法,可用于评价网络中的客流需求与列车运行计划的匹配程度。     

基于候选列车集与弹性需求的城际铁路列车开行方案优化

城际铁路列车服务水平直接影响着全天各时段旅客出行需求量。为了研究这种影响关系,获得吻合出行需求的城际列车开行方案,首先建立旅客时段出行需求与广义出行费用间的弹性需求函数,并基于给定候选列车集构造旅客出行网络,进而以最大化列车开行收益为优化目标,构建面向弹性需求的城际列车开行方案优化模型。模型结合弹性客流在出行网络上的路径选择,从候选列车集中选择开行列车,并优化其停站方案与始发时刻。在生成初始列车开行方案基础上,设计其邻域解生成策略,构建求解模型的模拟退火算法。算例优化不同分布客流的列车开行方案,结果表明:模型与算法能够获得更吻合弹性需求的列车开行方案,且有助于提高旅客服务水平与企业经济效益。     

旅客列车开行方案的双层规划模型和算法

在既有旅客列车开行方案研究的基础上,基于客运专线和高速铁路建设路网发展规划,分析旅客列车开行方案的相关费用和优化目标,均衡考虑企业利益和旅客需求,将列车开行方案与旅客换乘方案结合起来,以客流在铁路换乘网络上的分配作为下层规划,建立旅客列车开行方案优化的双层规划模型。通过抽象归纳制定开行方案的经验,将开行方案优化与客运径路确定、旅客列车换乘网络设计、旅客换乘的客流分配、旅客列车停站优化、旅客列车开行方案的评价指标分析等相关子问题结合起来,设计基于模拟退火算法求解的优化算法。根据优化模型和求解算法,开发铁路旅客列车开行方案优化系统,对某客运专线的开行方案实例进行测算,结果表明,该系统具有良好的优化质量和运算效率。     

城市轨道交通客流信息智能检测与管控系统研究与设计

为解决城市轨道交通客流监控以人工高强度观察为主、智能化程度较低、检测数据维度单一的问题,结合智能视频监控、移动终端探测、多元数据融合等技术,设计了一种基于复合式客流信息智能检测系统。从客运业务与新技术融合的角度对系统的总体架构、逻辑架构、技术架构和功能架构进行总体设计和详细阐述,明确系统构建思路,实现客流基础信息智能采集、异常事件识别、演变态势分析等功能,对提升客流主动安全保障能力和客运服务质量具有重要意义。     

基于混合Logit模型的旅客对短途高速铁路列车选择行为

以南京到上海和南京到杭州的短途高速铁路客流为背景,应用行为调查法与意向调查法开展客流调查,获取客流数据.基于选择行为理论,以旅客对列车的选择作为因变量,旅客个体特征、出行特征、列车服务水平作为白变量,基于多项式Logit模型构建混合Logit模型,拟合客流调查数据.结果 表明:混合Logit模型的拟合优度高于多项式Lo...