论文部分内容阅读
轨道交通的短时客流预测通常以车站为最小单位进行研究,只能从宏观上把握车站间的客流规律,不能有效反映站内各场景的拥挤微观客流。为了对车站内部不同场景的微观客流进行分析和预测,及时采取措施保证站内乘客通行安全,提出基于计算机视觉的端到端精细化短时客流识别与预测模型(Detect-Predict)。首先,基于手动拍摄并标注乘客头部的闸机口、楼扶梯口、换乘通道、站台等站内场景的图片数据对YOLOv5算法训练,并通过优化后的通道剪枝对检测模型压缩;其次,使用楼扶梯口场景下固定摄像头拍摄的视频数据,通过YOLOv5以及Deep SORT算法对视频中的目标进行检测并跟踪,实现乘客数量实时统计;最后,将统计的客流数量输入到LSTM算法中进行实时预测,并使用识别的客流数据持续在线训练预测模型,实现端到端的轨道交通站内精细化短时客流识别与预测模型。在拍摄的站内视频数据上进行实验,结果表明采用处理输入视频每秒传输帧数的方法,乘客数量实时统计算法可以满足识别的实时性要求,其精度在测试场景下达到99.4%,整体客流预测模型的RMSE为11.07,MAE为8.02,WMAPE为12.57%。本文提出的轨道交通站内精细化短时客流识别与预测模型可以实时地对轨道交通车站内部场景的微观客流进行识别并预测,使得轨道交通运营者实时掌握站内各场景未来客流并及时疏导,具有一定的应用前景。