一种基于大数据的地铁换乘数据分析系统及方法与流程
本发明涉及数据分析，具体为一种基于大数据的地铁换乘数据分析系统及方法。
背景技术：
1、随着城市化进程的加速，城市人口不断增加，交通需求也随之增长，地铁作为一种高效、便捷的交通工具，能够满足大量人口的出行需求，特别是在高峰时段，地铁的运能优势更加明显；
2、现有技术中，一般通过收集和分析乘客的出行数据，智能化预测客流量的变化，并自动调整列车运行计划和换乘方案，以满足乘客的出行需求；然后对于一些大型的地铁站，存在多条地铁线路交叉换乘的情况，站内依然拥挤，对于人流疏散的控制方式仍然不足。
技术实现思路
1、本发明的目的在于提供一种基于大数据的地铁换乘数据分析系统及方法，以解决上述背景技术中提出的问题。
2、为了解决上述技术问题，本发明提供如下技术方案：
3、一种基于大数据的地铁换乘数据分析系统，本系统包括：换乘路径处理模块、数据采集模块、数据簇分析模块和智能评估模块；
4、所述换乘路径处理模块，根据地铁站内地形图，绘制站内换乘路径，生成换乘路径集合，并基于自动扶梯，整合经过同一个自动扶梯的站内换乘路径，生成路径聚合点集合；
5、所述数据采集模块，用于构建自动扶梯疏导重要度分析模型，计算自动扶梯的疏导重要度；划分时间片段，监测时间片段内经过自动扶梯的人流数据，并将自动扶梯的疏导重要度作为人流数据的权重系数，生成人流动态数据集；
6、所述数据簇分析模块，用于调整自动扶梯的测试运行数据，并对人流动态数据集进行更新和标记，生成测试数据簇；在不同的时间循环周期内，用相同的测试运行数据进行人流疏导测试，获得测试数据簇之间的簇间平均距离，并生成评估数据簇；
7、所述智能评估模块，基于评估数据簇，动态改变质心位置，分析得到最大的簇内距，和簇内距最大时的质心位置；在不同的时间循环周期内，随着自动扶梯的测试运行数据的调整，智能分析并优化不同时间片段期间的自动扶梯的测试运行速度。
8、进一步的，所述换乘路径处理模块还包括路径生成单元和路径聚合单元；
9、所述路径生成单元，用于编制站内地铁换乘站点候车层区编码，将任意一个站内地铁换乘站点候车层区编码记为ii，其中，i表示站内地铁换乘站点候车层区序号；绘制站内换乘路径，所述站内换乘路径为从一个站内地铁换乘站点候车层区到另一个站内地铁换乘站点候车层区之间的全部路径，且每一个站内换乘路径为经过自动扶梯的路径；获取站内地铁换乘站点候车层区ii到站内地铁换乘站点候车层区ij之间绘制的全部站内换乘路径，并生成换乘路径集合，记为tp(ii→ij)＝{tpx|x∈[1，a]}，其中，j表示站内地铁换乘站点候车层区序号，且i≠j，tpx表示第x条站内换乘路径，a表示站内换乘路径的序号；
10、所述路径聚合单元，用于对站内换乘路径中存在的全部自动扶梯进行统一编码，将任意一个自动扶梯记为ee，其中，e表示自动扶梯的编码号；根据站内换乘路径，整合经过同一个自动扶梯ee的站内换乘路径，并生成路径聚合点集合，记为cp(ee)＝{tpx|x∈[1，b]}，其中，b表示站内换乘路径的序号。
11、进一步的，所述数据采集模块还包括疏导分析单元和动态感知单元；
12、所述疏导分析单元，基于换乘路径集合和路径聚合点集合，构建自动扶梯疏导重要度分析模型，计算自动扶梯的疏导重要度，具体计算公式如下：
13、
14、其中，ei(ee)表示自动扶梯ee的疏导重要度，num[tp(ii→ij)]表示换乘路径集合tp(ii→ij)中包含的站内换乘路径的总数量，num[cp(ee)∩tp(ii→ij)]表示路径聚合点集合cp(ee)与换乘路径集合tp(ii→ij)之间交集集合中包含的站内换乘路径的总数量，n表示站内换乘路径的序号的最大值；
15、所述动态感知单元，用于以天为时间循环周期单位，将一天内的时间划分为k个连续的时间片段，将任意一个时间片段记为tu，其中，u表示时间片段的序号且u≤k；在每个自动扶梯上设置一个固定的人流观测点，并实时观测时间片段tu内经过每个自动扶梯的人流数据，所述人流数据是指在每个时间片段内通过自动扶梯的行人数量；根据站内换乘路径，生成人流动态数据集，记为fd(tu|t)＝{ei(ee)×fd(ee)|e∈[1，c]}，其中，fd(tu|t)表示第t个时间循环周期时在时间片段tu内对应生成的人流动态数据集，fd(ee)表示第t个时间循环周期时在时间片段tu内经过自动扶梯ee的人流数据，c表示站内换乘路径中存在的自动扶梯的总数量。
16、进一步的，所述数据簇分析模块还包括数据更新单元和数据关联处理单元；
17、所述数据更新单元，用于调整自动扶梯的测试运行速度并使自动扶梯的测试运行速度相同，记录人流动态数据集的动态变化情况，并对人流动态数据集进行更新和标记；将第y次调整自动扶梯时得到的运行速度记为vy，则将更新和标记后的人流动态数据集，记为测试数据簇fd(tu|t，vy)；
18、所述数据关联处理单元，根据测试数据簇fd(tu|t，vy)，在时间循环周期t内，以测试运行速度vy进行人流疏导测试，并基于欧几里得距离公式，得到测试数据簇fd(tu|t，vy)和测试数据簇fd(tu+1|t，vy)之间的簇间平均距离，记为cs[(tu→tu+1)|t，vy]，收集簇间平均距离，并生成评估数据簇，记为ad(t，vy)＝{cs[(tu→tu+1)|t，vy]|u∈[1，k-1]}。
19、进一步的，所述智能评估模块还包括数据筛选单元和评估优化单元；
20、所述数据筛选单元，基于评估数据簇，初始化评估数据簇ad(t，vy)的质心，记为u：u→u+1，且质心位置对应的簇元素为cs[(tu→tu+1)|t，vy]，基于质心u：u→u+1，计算得到评估数据簇ad(t，vy)的簇内距；调整质心位置，进行簇内距的迭代计算，直到簇内距最大时，迭代计算停止，将最大的簇内距记为\max[ad(t，vy)]，将簇内距最大时的质心记为umax；
21、所述评估优化单元，用于令t＝t+n，y＝y+n，n为大于等于1的整数，以umax作为评估数据簇ad(t+n，vy+n)的质心，并计算得到评估数据簇ad(t+n，vy+n)的簇内距，记为\[ad(t+n，vy+n)]；比较\[ad(t+n，vy+n)]与\max[ad(t，vy)]的大小，如果存在任意\[ad(t+n，vy+n)]<\max[ad(t，vy)]，则输出质心umax和自动扶梯的测试运行速度vy，否则输出质心umax和\[ad(t+n，vy+n)]的最大值对应的自动扶梯的测试运行速度vy+n。
22、一种基于大数据的地铁换乘数据分析方法，本方法包括以下步骤：
23、步骤s100：根据地铁站内地形图，绘制站内换乘路径，生成换乘路径集合，并基于自动扶梯，整合经过同一个自动扶梯的站内换乘路径，生成路径聚合点集合；
24、步骤s200：构建自动扶梯疏导重要度分析模型，计算自动扶梯的疏导重要度；划分时间片段，监测时间片段内经过自动扶梯的人流数据，并将自动扶梯的疏导重要度作为人流数据的权重系数，生成人流动态数据集；
25、步骤s300：调整自动扶梯的测试运行数据，并对人流动态数据集进行更新和标记，生成测试数据簇；在不同的时间循环周期内，用相同的测试运行数据进行人流疏导测试，获得测试数据簇之间的簇间平均距离，并生成评估数据簇；
26、步骤s400：基于评估数据簇，动态改变质心位置，分析得到最大的簇内距，和簇内距最大时的质心位置；在不同的时间循环周期内，随着自动扶梯的测试运行数据的调整，智能分析并优化不同时间片段期间的自动扶梯的测试运行速度。
27、进一步的，所述步骤s100的具体实施过程包括：
28、步骤s101：编制站内地铁换乘站点候车层区编码，将任意一个站内地铁换乘站点候车层区编码记为ii，其中，i表示站内地铁换乘站点候车层区序号；绘制站内换乘路径，所述站内换乘路径为从一个站内地铁换乘站点候车层区到另一个站内地铁换乘站点候车层区之间的全部路径，且每一个站内换乘路径为经过自动扶梯的路径；获取站内地铁换乘站点候车层区ii到站内地铁换乘站点候车层区ij之间绘制的全部站内换乘路径，并生成换乘路径集合，记为tp(ii→ij)＝{tpx|x∈[1，a]}，其中，j表示站内地铁换乘站点候车层区序号，且i≠j，tpx表示第x条站内换乘路径，a表示站内换乘路径的序号；
29、步骤s102：对站内换乘路径中存在的全部自动扶梯进行统一编码，将任意一个自动扶梯记为ee，其中，e表示自动扶梯的编码号；根据站内换乘路径，整合经过同一个自动扶梯ee的站内换乘路径，并生成路径聚合点集合，记为cp(ee)＝{tpx|x∈[1，b]}，其中，b表示站内换乘路径的序号。
30、进一步的，所述步骤s200的具体实施过程包括：
31、步骤s201：基于换乘路径集合和路径聚合点集合，构建自动扶梯疏导重要度分析模型，计算自动扶梯的疏导重要度，具体计算公式如下：
32、
33、其中，ei(ee)表示自动扶梯ee的疏导重要度，num[tp(ii→ij)]表示换乘路径集合tp(ii→ij)中包含的站内换乘路径的总数量，num[cp(ee)∩tp(ii→ij)]表示路径聚合点集合cp(ee)与换乘路径集合tp(ii→ij)之间交集集合中包含的站内换乘路径的总数量，n表示站内换乘路径的序号的最大值；
34、步骤s202：以天为时间循环周期单位，将一天内的时间划分为k个连续的时间片段，将任意一个时间片段记为tu，其中，u表示时间片段的序号且u≤k；
35、在每个自动扶梯上设置一个固定的人流观测点，并实时观测时间片段tu内经过每个自动扶梯的人流数据，所述人流数据是指在每个时间片段内通过自动扶梯的行人数量；根据站内换乘路径，生成人流动态数据集，记为fd(tu|t)＝{ei(ee)×fd(ee)|e∈[1，c]}，其中，fd(tu|t)表示第t个时间循环周期时在时间片段tu内对应生成的人流动态数据集，fd(ee)表示第t个时间循环周期时在时间片段tu内经过自动扶梯ee的人流数据，c表示站内换乘路径中存在的自动扶梯的总数量；
36、根据上述方法，自动扶梯的运行速度在站内换乘中起到关键的作用，通过调整自动扶梯的运行速度能够有效疏散人流；通过在站内规划换乘路径后，最终将人流最大化疏引汇聚到自动扶梯，并通过改变自动扶梯的运行速度，提高用户体验感的同时，自适应地控制疏散人流；进而，自动扶梯汇聚的换乘路径数量不同，起到的疏散效果不同，通过自动扶梯的疏导重要度的分析，来量化并区分自动扶梯的疏散能力，疏导重要度越大，自动扶梯的疏散能力越强，起到的关键作用也越大，进而将自动扶梯的疏导重要度作为人流数据的权重系数，起到人流动态数据的放大和缩小作用，进而深入区分数据特征；
37、数据簇分析模块，用于调整自动扶梯的测试运行数据，并对人流动态数据集进行更新和标记，生成测试数据簇；在不同的时间循环周期内，用相同的测试运行数据进行人流疏导测试，获得测试数据簇之间的簇间平均距离，并生成评估数据簇。
38、进一步的，所述步骤s300的具体实施过程包括：
39、步骤s301：调整自动扶梯的测试运行速度并使自动扶梯的测试运行速度相同，记录人流动态数据集的动态变化情况，并对人流动态数据集进行更新和标记；将第y次调整自动扶梯时得到的运行速度记为vy，则将更新和标记后的人流动态数据集，记为测试数据簇fd(tu|t，vy)；
40、步骤s302：根据测试数据簇fd(tu|t，vy)，在时间循环周期t内，以测试运行速度vy进行人流疏导测试，并基于欧几里得距离公式，得到测试数据簇fd(tu|t，vy)和测试数据簇fd(tu+1|t，vy)之间的簇间平均距离，记为cs[(tu→tu+1)|t，vy]，收集簇间平均距离，并生成评估数据簇，记为ad(t，vy)＝{cs[(tu→tu+1)|t，vy]|u∈[1，k-1]}。
41、进一步的，所述步骤s400的具体实施过程包括：
42、步骤s401：基于评估数据簇，初始化评估数据簇ad(t，vy)的质心，记为u：u→u+1，且质心位置对应的簇元素为cs[(tu→tu+1)|t，vy]，基于质心u：u→u+1，计算得到评估数据簇ad(t，vy)的簇内距；调整质心位置，进行簇内距的迭代计算，直到簇内距最大时，迭代计算停止，将最大的簇内距记为\max[ad(t，vy)]，将簇内距最大时的质心记为umax；
43、步骤s402：令t＝t+n，y＝y+n，n为大于等于1的整数，以umax作为评估数据簇ad(t+n，vy+n)的质心，并计算得到评估数据簇ad(t+n，vy+n)的簇内距，记为\[ad(t+n，vy+n)]；比较\[ad(t+n，vy+n)]与\max[ad(t，vy)]的大小，如果存在任意\[ad(t+n，vy+n)]<\max[ad(t，vy)]，则输出质心umax和自动扶梯的测试运行速度vy，否则输出质心umax和\[ad(t+n，vy+n)]的最大值对应的自动扶梯的测试运行速度vy+n；
44、根据上述方法，在测试数据簇中存在三种变量，即时间片段、时间周期和测试运行速度，在一个时间周期内用一种运行速度进行测试，固定时间周期和运行速度，只改变时间片段，并观察各个自动扶梯在不同时间片段内的疏散能力，形成测试数据簇；理论上来说，簇间平均距离越大，不同簇之间的数据点差异就更大，得到的效果是，在相邻两个时间片段流转期间，自动扶梯对站内的整体疏散效果越好，使得一个时间片段到下一个时间片段后，两个时间片段内的人流数据特征差异越明显，能够降低人流的密集度，通过收集相邻两个时间片段对应得到的簇间平均距离，生成评估数据簇，来记录一个完整时间周期内的数据特征；本发明抓住簇间平均距离的理论特点，并继续通过簇内距的分析，来找出通过运行速度测试时，带来关键影响的时间片段；由于簇间平均距离的差异，使得评估数据簇内的数据存在连续变化波动的情况，簇间平均距离越大，疏散效果越好，簇间平均距离越小，疏散效果越差，理论上来说，簇内距越大则簇内的数据点比较分散，当用运行数据测试时，最大簇内距能够筛选出疏散最优效果的时间片段，即质心位置，并以质心位置为定量，在下一个时间周期内，继续计算评估数据簇ad(t+n，vy+n)的簇内距，并找出一个最大的评估数据簇ad(t+n，vy+n)的簇内距，如果最大的评估数据簇ad(t+n，vy+n)的簇内距大于等于\max[ad(t，vy)]，则在质心位置处，测试运行速度vy+n达到的疏散效果对测试运行速度vy更好。
45、与现有技术相比，本发明所达到的有益效果是：本发明提供的一种基于大数据的地铁换乘数据分析系统及方法中，绘制站内换乘路径，整合经过同一个自动扶梯的站内换乘路径；分析自动扶梯的疏导重要度，划分时间片段，监测时间片段内经过自动扶梯的人流数据；调整自动扶梯的测试运行数据，对人流动态数据集进行更新和标记；在不同的时间循环周期内，用相同的测试运行数据进行人流疏导测试，获得测试数据簇之间的簇间平均距离；动态改变质心位置，分析得到最大的簇内距，和簇内距最大时的质心位置，智能分析并优化不同时间片段期间的自动扶梯的测试运行速度；进而，能够评估地铁站内换乘路径对于人流疏导的有效性的同时，能够智能优化出在不同时间段内自动扶梯的运行速度，从而提高人流疏散的能力。
技术特征：
1.一种基于大数据的地铁换乘数据分析方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种基于大数据的地铁换乘数据分析方法，其特征在于，所述步骤s100的具体实施过程包括：
3.根据权利要求2所述的一种基于大数据的地铁换乘数据分析方法，其特征在于，所述步骤s200的具体实施过程包括：
4.根据权利要求3所述的一种基于大数据的地铁换乘数据分析方法，其特征在于，所述步骤s300的具体实施过程包括：
5.根据权利要求4所述的一种基于大数据的地铁换乘数据分析方法，其特征在于，所述步骤s400的具体实施过程包括：
6.一种基于大数据的地铁换乘数据分析系统，其特征在于，所述系统包括：换乘路径处理模块、数据采集模块、数据簇分析模块和智能评估模块；
7.根据权利要求6所述的一种基于大数据的地铁换乘数据分析系统，其特征在于：所述换乘路径处理模块还包括路径生成单元和路径聚合单元；
8.根据权利要求7所述的一种基于大数据的地铁换乘数据分析系统，其特征在于：所述数据采集模块还包括疏导分析单元和动态感知单元；
9.根据权利要求8所述的一种基于大数据的地铁换乘数据分析系统，其特征在于：所述数据簇分析模块还包括数据更新单元和数据关联处理单元；
10.根据权利要求9所述的一种基于大数据的地铁换乘数据分析系统，其特征在于：所述智能评估模块还包括数据筛选单元和评估优化单元；
技术总结
本发明公开了一种基于大数据的地铁换乘数据分析系统及方法，属于数据分析技术领域。绘制站内换乘路径，整合经过同一个自动扶梯的站内换乘路径；分析自动扶梯的疏导重要度，划分时间片段，监测时间片段内经过自动扶梯的人流数据；调整自动扶梯的测试运行数据，对人流动态数据集进行更新和标记；在不同的时间循环周期内，用相同的测试运行数据进行人流疏导测试，获得测试数据簇之间的簇间平均距离；动态改变质心位置，分析得到最大的簇内距，和簇内距最大时的质心位置，智能分析并优化不同时间片段期间的自动扶梯的测试运行速度；进而，能够评估地铁站内换乘路径对于人流疏导的有效性的同时，能够智能优化出在不同时间段内自动扶梯的运行速度。
技术研发人员：贺文严,王昆,陈晖,郭琦,许晶,李庆林,代惠康,熊斌,陈戈,郭兵
受保护的技术使用者：武汉地铁集团有限公司
技术研发日：
技术公布日：2024/9/23