基于售票数据的铁路客运站人流量监测预警系统设计

李 瑞，吴 恒，杨文韬

Li Rui1, Wu Heng2, YanG Wen-tao1

（1.中国铁道科学研究院运输及经济研究所，北京100081；2.哈尔滨铁路局客运处，黑龙江哈尔滨150006)

(1.Transportation and Economics Research Institute, China Academy of Railway Sciences, Beijing 100081, China; 2.Department of Passenger Traffic, Harbin Railway Administration，Harbin 150006，Heilongjiang, China)

基于售票数据的铁路客运站人流量监测预警系统设计

李 瑞1，吴 恒2，杨文韬1

Li Rui1, Wu Heng2, YanG Wen-tao1

（1.中国铁道科学研究院运输及经济研究所，北京100081；2.哈尔滨铁路局客运处，黑龙江哈尔滨150006)

(1.Transportation and Economics Research Institute, China Academy of Railway Sciences, Beijing 100081, China; 2.Department of Passenger Traffic, Harbin Railway Administration，Harbin 150006，Heilongjiang, China)

旅客在车站乘车候车过程中，由于高峰期列车间隔紧密，容易出现大量旅客在同一时间段内候车的局面，给车站的应急管理工作造成较大的压力。为此，以车站当日以前所售客票数据为统计基础，结合旅客到达分布统计规律，对次日乘车高峰段站内人流量进行预测。在此基础上，构建车站人流量监测预警系统，进行系统需求分析及系统架构和功能设计，实现对旅客候车人流密度的监测、预测及预警，为车站工作人员提前做好应急管理准备提供支持。

铁路客运；人流量统计；应急策略；旅客到站分布

铁路客运站旅客的到达规律是指旅客在乘坐某次列车时，从第 1 位旅客到站时刻起，到列车发车前停止检票时刻止，该列车所有旅客到站的概率分布，而旅客到达车站的时间概率分布实际为旅客在站内的候车时间概率分布。由于旅客在站内的候车时间长短直接影响着站内人群聚集程度，如果有大量旅客长时间聚集在站内候车，容易造成站内拥挤，引发突发事件。因此，旅客的到站规律分布对于车站人流量预测有着重要的影响，根据站内人流量的预测情况提前做好车站的应急管理工作，对于车站的安全管理具有重要意义。

1 基于售票数据的站内人流预测

由于铁路车票预售期较长，旅客在出行前大多会选择提前购买车票，因而铁路售票数据在一定程度上可以反应出某个时段车站的旅客人数；特别是离列车发车时间越近，售票数据越能准确反应出乘车旅客人数。因此，在进行车站人流预警时，可通过截止到前一天的售票数据实现对次日某一乘车时间段的人流聚集数预测。

1.1 基于售票数据的站内旅客聚集人数预测模型

随着车站运营管理水平的不断优化提高，旅客到站候车的行为习惯也在不断变化。一直以来都有研究人员对旅客的到达分布规律进行研究。王爱丽等[1]通过研究发现，旅客的到达规律服从负指数分布；孙晓开[2]、幸晓辉[3]等人通过研究发现 Gamma分布能够更准确地描述当前旅客乘车到站的分布规律。因此，在构建站内旅客人数聚集模型时，旅客到站规律主要以 Gamma 分布作为研究基础。

设 i 为某一时间段内发出列车的序号，m 为该时段内发送列车的总数，i = 1，2，…，m；Ti为第 i 列车的发车时刻；在不考虑旅客误点的情况下，将乘坐第 i 列车的第 1 位到站候车旅客的到站时刻记为 tis；Pik为 k 时刻本站第 i 列车的乘车旅客到站的比例。为简化模型，假定所有旅客都能够在规定时间内提前到站候车，没有误车情况发生，则该列车在本站的乘车旅客在停止检票前全部到站，即第 i 列车开车前到站旅客比例 Pi=1。

式中：fi(t) 为乘坐第 i 列车的旅客进站候车概率密度函数，近似服从 Gamma 分布[2-3]，其密度函数为

式中：x 为随机变量；α 为形状参数；λ 为尺度参数；Γ (α) 为 Gamma 函数。

根据不同车次旅客的到站分布，以及列车时刻表，可以计算出任意时刻站内的聚集人数，实现对站内人数的预测。

1.2 计算实例

利用上述模型进行车站人流预测，特别是通过对车站乘车高峰时段人流量进行预测，估计出站内候车旅客高峰聚集人数及时刻，以便车站工作人员根据预测结果提前做好相关应急准备，确保旅客候车安全和服务到位。以哈尔滨西站为例进行站内人流预测。通过对哈尔滨西站全天旅客发送量进行长期统计分析可知，一天内发送旅客的高峰时间在早上 6∶00—8∶00 这一时间段。根据不同列车旅客的到站候车时间分布规律，分别对哈尔滨西站不同类型车次的候车规律进行数据拟合。

针对哈尔滨西站 6∶08—8∶05 期间出发的旅客列车，5∶00—8∶00 之间每隔5 min 作为一个采样点，分别统计各车次旅客的进站候车人数，得到不同时间间隔下各个车次的候车人数分布，结合Gamma 函数的性质，求得各车次 Gamma 分布的参数 α，λ 值。哈尔滨西站部分车次旅客候车 Gamma 分布参数如表 1 所示。

根据哈尔滨西站客票所统计的售票数据，2016年 7月 13日哈尔滨西站早高峰各车次的售票量如表2 所示。

乘坐首列车的旅客到站候车时间按 1 h 计算，至早高峰期间最后 1 列车发车前停止检票为止，旅客到站分布时间区段为 180 min。根据不同车次的旅客到达规律及售票数据，模拟出哈尔滨西站早高峰期间各车次旅客到站分布如图 1 所示。

表 1 哈尔滨西站部分车次旅客候车Gamma分布参数

表 2 2016年 7月 13日哈尔滨西站早高峰各车次售票数据 张

图 1 哈尔滨西站早高峰期间各车次旅客到站分布

根据公式 ⑶ 和公式 ⑷ 计算哈尔滨西站早高峰期间人流预测结果如图 2 所示。从图上可以看出，在 6 ∶ 45时站内人流达到高峰，人数聚集峰值为2 787 人次，此时 G704 完成检票准备发车。之后随着后续旅客的进站候车、乘车，站内聚集人数会出现波动，但总的聚集人数呈下降趋势。

图 2 2016年 7月 13日哈尔滨西站早高峰期间人流预测结果

经过现场实际数据验证，哈尔滨西站早高峰期间旅客的实际到达分布与 Gamma 拟合分布接近，预测模型满足精度要求。

2 基于售票数据的铁路客运站人流量监测预警系统设计

基于旅客到达分布的研究，设计铁路客运站人流量监测预警系统，实现对站内人流量的实时监测，同时通过售票数据对不同时段下站内聚集人数进行预测，并根据事先设定的阈值给出不同级别的预警，指导车站工作人员进行相关应急准备工作。

2.1 系统需求

一直以来，铁路客运站的应急管理工作很大程度上依赖车站人员根据现场经验定性判断，缺乏定量的指标分析。许多车站虽然安设了大量的摄像头，但实际使用价值不高，视频数据没有充分利用，主要功能仍停留在实时监控和事后录像查看的阶段。同时车站的日常售票数据只进行简单的统计汇总，缺乏进一步的分析。为提高车站客运服务质量，构建人流量监测预警系统，通过算法模型对车站视频监控数据和售票数据进行发掘，为车站工作人员在候车组织、应急管理等方面提供决策依据。①车站视频监控：集中显示车站各主要场所摄像头拍摄的视频画面，方便工作人员实时查看。②人流量统计：对通过进出口的旅客人数进行实时统计。③重点区域人流密度分析：根据旅客在站内的候车习惯，对旅客重点聚集的区域进行重点监测，测算监测区域内的人数。④人流量预警：根据车站售票数据，结合列车时刻表及旅客候车规律对站内聚集人数进行预测，根据预测结果及应急策略给出报警提示，以便车站工作人员根据不同的报警等级实施相应的应急管理策略。

2.2 系统架构

系统架构由设备接入层、数据接口层、业务逻辑层和展现层组成，如图 3 所示。

图 3 系统架构

（1）设备接入层。主要为部署在车站各主要部位的枪式摄像机和球式摄像头，7×24 采集并为系统提供 1 080P 的高清视频数据。

（2）数据接口层。接入高清视频及客票系统的售票数据，作为系统的主要数据源。

（3）业务逻辑层。负责视频图像及售票数据的分析处理，根据分析结果提供预警预报及车站应急管理的相关辅助决策。

（4）展现层。为安全登录的用户提供丰富的系统功能应用及用户交互。

2.3 系统功能设计

（1）人流预测。系统基于人流量预测模型对车站所售客票数据进行计算分析，实现对全天各个时段站内的人流量进行预测；同时借助于系统的人数自动统计功能实现对预测模型数据的验证，提高预测精度。

（2）人流量实时监测。通过在车站的进、出口安装摄像头，实时查看旅客进出站的情况，采用图像处理算法对旅客进出站方向进行判断，准确统计出站内旅客的人数，从而掌握当前车站的拥挤程度，为客站的应急管理及乘降组织工作提供决策依据[4]。

（3）人数统计。通过旅客进出站画面的识别分析，自动对旅客进出站人数进行统计，准确显示出当前站内的人数，一方面使得车站工作人员对当前站内人数有准确的把握，另一方面通过与人流量实量监测模块的统计值进行对比，完成对预测模型准确性的验证。

（4）人流量预警。由于客运站的设计运营规模不同，在车站人流量预警设计的过程中，需要根据车站的实际运营数据进行详细分析，从而对人流量的预警级别进行设定划分。客运站人流量预警等级划分标准如表 3 所示。

表 3 客运站人流量预警等级划分标准

2.4 人流量预警策略

结合车站当天的售票数据及列车发车时刻信息，车站工作人员可以通过对站内人流量数据的预测提前掌握站内旅客的候车情况，对次日不同时段的车站人流量进行预测，并根据预测结果提前做好相关准备工作，及早应对可能发生的突发情况，实现站内客运组织的精细化管理[5]。

（1）当预警等级为绿色时，说明该预测周期内站内旅客人流量较小，站内的工作人员保持原有工作流程即可。

（2）当预警等级为黄色时，说明在预测周期内的某一段时间内，会出现短时间的人流高峰情况，车站工作人员可以相应地对车站的客运组织管理工作进行动态调整，在预计人流量高峰时间段内增派工作人员，增加对旅客候车乘降的疏导工作，保障人流高峰期间候车室的井然有序工作。

（3）当预警等级为橙色时，说明在预测周期内，站内旅客人数会有较大幅度的增加，车站工作人员应当提前做好应急准备工作，加强现场的督导、管理工作，并且密切关注站内旅客人流，防止出现突发大客流现象；根据应急预案提前安排好应急工作，做好应急准备[6]。车站可以通过调整检票口及相应的候车区，适当地调整候车区域，提前做好人流分散的管理工作，以便候车高峰到来时，旅客可以根据车站的提示到指定区域候车，降低站内局部人流密度，避免集中扎堆候车的局面。

（4）当预警等级为红色时，说明在预测周期内将会有大量旅客进站候车，车站应当尽早启动应急预案，增加应急资源，做好现场的疏导管理工作，保证旅客在乘车高峰期能够安全顺利地出行。

2.5 系统应用效果

系统开发完成后在哈尔滨西站进行了试运行。哈尔滨西站设计最高聚集人数为 1.2 万人，2016年春运期间日发送旅客人数最高为 45 162 人，站内最高聚集人数超过 8 000 人。考虑到站内实际有效活动面积、旅客人均活动面积、旅客行进速度等多方面因素[7]，划分哈尔滨西站人流量预警等级如表4 所示[8]。经过一段时间的应用，系统的人流量预测和统计、人流密度分析的准确率达到 85% 以上，满足设计要求，提高了车站客运组织工作的针对性和效率。

表 4 哈尔滨西站人流量预警等级划分

3 结束语

目前，对不同车次旅客的到站分布规律是通过一段时间内的统计分析得到的，由此得到的统计参数在短时间内能够较为准确地描述该列车旅客的乘车候车规律。随着列车运营作业的优化，旅客的候车规律可能会发生变化，模型参数值也将随之发生变化，从而影响到旅客到站候车分布规律，此时需要重新统计和确定模型参数。在后续的研究中，可以考虑通过运用大数据分析技术对旅客的到站候车规律进行分析，从而得到更加准确的人流量预测结果。

[1] 王爱丽，董宝田，高春霞. 铁路客运站旅客聚集分布仿真模型与算法研究[J]. 交通运输系统工程与信息，2013，13(1)：142-148. WANG Ai-li，DONG Bao-tian，GAO Chun-xia. Assembling Model and Algorithm of Railway Passengers Distribution[J]. Journal of Transportation Systems Engineering and Information Technology，2013，13(1)：142-148.

[2] 孙晓开. 铁路客运站出发旅客到达规律研究[D]. 成都：西南交通大学，2011.

[3] 幸晓辉. 轨道交通旅客到达规律与候车方式研究[D]. 成都：西南交通大学，2013.

[4] 杨 裕. 基于视频的人群密度估计研究[D]. 上海：上海大学，2009.

[5] 郝 然，鲁 瑶. 北京南站突发事件应急疏散预案评价方法及应用[J]. 铁道运输与经济，2012，34(11)：44-48. HAO Ran，LU Yao. Evaluation Method of Accident Emergency Evacuation Plan in Beijing South Railway Station and Its Application[J]. Railway Transport and Economy，2012，34(11)：44-48.

[6] 孟川舒. 铁路运输生产应急知识管理系统构建的研究[J]. 铁道运输与经济，2016，38(5)：69-73. MENG Chuan-shu. Study on Establishment of Emergency Knowledge Management System of Railway TransportProduction[J]. Railway Transport and Economy，2016，38(5)：69-73.

[7] 张天伟，王明生，王希良. 设计期铁路客运站最高聚集人数预测模型研究[J]. 铁道学报，2008，30(5)：105-108. ZHANG Tian-wei，WANG Ming-sheng，WANG Xi-liang. Research on the Forecast Model of Maximum Assembling Passengers at Railway Passenger Station in Designing Time [J]. Journal of the China Railway Society，2008，30(5)：105-108.

[8] 夏 烨，贾海燕. 基于交通流密度的交通事故应急反应等级划分研究[J]. 交通标准化，2011(21)：56-58. XIA Ye，JIA Hai-yan. Grade Division of Traffic Accident Emergency Response based on Traffic Flow Density[J]. Communications Standardization，2011(21)：56-58.

责任编辑：刘 新

Design of Passenger Flow Monitoring and Early Warning System for Railway Stations based on Ticketing Data

It is usually crowded at the railway station as there are too many trains arriving and departing in a short period of time, which brings great pressure to the work of emergency management. In this light, the paper makes a prediction of passenger volume during the rush hours of the next day based on the ticketing record and the passengers’ arrival distribution of the day. On this basis, it develops a station monitoring and early-warning system that incorporates demand analysis, architecture building and function design. It provides monitoring, prediction and early warning functions of passenger flow, so as to prepare the station staff for emergency management.

Railway Passenger Transport; Passenger Flow Statistics; Emergency Strategy; Passenger Arrival Distribution

1003-1421(2016)12-0054-05

TP399：U291.6

A

10.16668/j.cnki.issn.1003-1421.2016.12.11

2016-11-01

中国铁路总公司科技研究开发计划课题(2015X009-G)