基于5G高精度融合定位的铁路客运站安全监管系统研究

施福根

（中铁第四勘察设计院集团有限公司 线路站场设计研究院，湖北 武汉 430063)

铁路客运站人流、物流、车流错综交织，室内场所结构复杂，设施设备众多，安全隐患较大，利用先进技术手段加强铁路客运站的安全管理意义重大。与既有传统网络相比，5G网络因其高频段、大带宽、高密基站等特点，不仅自身具备定位的能力，还可与蓝牙、无线通信技术(Wi-Fi)、同步定位与建图(SLAM)、无载波通信(UWB)等定位技术相融合，实现多层次融合的高精度室内定位。5G高精度融合定位技术能显著提升铁路客运站安全监管的实时性、精准性、智能性，有助于推动智慧车站的建设。

1 铁路客运站安全监管需求分析

铁路客运站安全监管是指为了保证车站站内人员及设备安全，对有安全隐患的人、物的状态进行实时监控，有效预防事故发生，在事故发生后及时进行干预，从而将铁路客运站损失降至最低的技术作业和管理手段的集合。铁路客运站安全监管的需求如下。

（1）人员安全监管。铁路客运站属于封闭场所，为了及时上下车，旅客极易在安检、候车区、检票、站台、进出站口等地点发生聚集拥挤，有可能因不小心侵入安全线、踏足危险区域而发生意外事故。车站工作人员需要横穿站场，往返于多个股道，进行列车上水吸污、车底检修、行包货物装卸、防溜作业等危险系数较高的作业，容易因列车突然运行、设施设备状态突变，发生人身安全事故。因此，有必要对旅客及工作人员进入高风险区域时的走行路径、行动过程进行实时监管和安全预警，当意外事故发生时，能高精度定位并及时救援。

（2）设施设备安全监管。铁路客运站站房设有大量电梯、自动售票机、检票闸机、安全门、物品寄存箱等自动化服务设备，站场设有上水吸污、检修、防溜等设施，监测各种设施设备的工作状态确保其正常性是维持站内安全秩序的关键。此外，穿梭于站台的各种作业车辆及移动小机具、小推车等，需要按照相关规定进行摆放和行驶，其走行路线及作业状态也需进行实时定位及监管。

（3）安全状况预判预警。在监管过程中，需要获取站内不同区域人流密度，预测各种人员及移动设备走行路线，预估各类设施设备状态发展趋势等，结合现场动态变化情况，依据科学评判准则，快速预判、识别人员或设备周围的安全隐患及危险事故，并提供分级、分类的预警方案和应急措施消除或控制安全风险在可接受范围内。

目前，大多数铁路客运站的安全监管工作存在监控信息精准度缺乏、监管手段智能化程度低、预判科学客观性不足等问题，表现为[1]：客流和危险区域监管仍采用视频监控及录像调阅的方式，专职人员随时关注若干监控屏，凭经验预判客流拥挤度并控制风险；高风险作业人员的工作路径及作业过程主要通过随身携带的记录仪进行记录，缺乏实时过程监管手段，不利于及时发现并排除危险；虽然室内照明、电子通告系统实现了网络监测，仍有部分设施设备如上水吸污等设备监管需要人工现场巡检，并手工填写巡检记录本，效率低下。因此，基于5G高精度融合定位技术，结合大数据挖掘、电子地图、深度学习、神经网络等技术，开发定位精准、传输及时、预判科学的铁路客运站安全监管系统具有重要意义。

2 高精度5G融合定位技术特点及选用分析

铁路客运站通常设计成多层立体建筑结构，站内遮蔽物较多，卫星(北斗、GPS)信号衰减难以实现室内高精度定位。Wi-Fi、UWB等微定位技术可有限地弥补卫星定位的不足，但部署成本高、覆盖范围小，且技术标准各异，难以形成融合定位网络。5G支持多种无线制式的接入，并能够对无线接入点进行系统控制，为融合Wi-Fi、蜂窝通讯(NR)等微定位技术提供了基础条件，可以建立具有互补和误差矫正的高精度异构定位系统[2]。目前，常用的5G融合定位技术对比如表1所示。

表1 5G融合定位技术对比Tab.1 Comparison between 5G fusion positioning technologies

综合考虑部署成本、定位精度等条件，5G NR定位方案的精度难以满足后续轨迹预测计算、安全距离计算的要求；5G+UWB部署成本过高；5G+SLAM技术仍在发展之中；5G+蓝牙是智能手机标配硬件设备，因而本系统中对人员的定位采用5G+蓝牙定位方式，旅客扫码进站后及作业人员进行危险作业前开启手机蓝牙设备或定制蓝牙设备，便于系统对其进行定位。防溜设备等移动器具定位精度要求较高，因而在该类设备上部署Wi-Fi信号接收单元，利用5G+Wi-Fi定位方式对其进行高精度定位，并与惯性导航技术融合改善信号衰减问题。

3 基于5G高精度融合定位的铁路客运站安全监管系统设计

3.1 系统目标

基于5G高精度定位技术，实时对站内旅客、危险作业人员、存在危险隐患的设施设备精准定位，辅以电子围栏技术和站内电子地图，利用5G技术强大解算能力和信息传输能力，可以实现站内不同通道人流密度计算、行人走行路径预测、设备工作状态精准把控、实时距离计算等功能。

3.2 系统总体架构设计

铁路客运站安全监管系统包含终端层、应用层、服务层、数据层和物理感知层。系统总体架构如图1所示。

图1 系统总体架构Fig.1 Overall system architecture

（1）终端层。终端层包含接收应用层发布指令并进行显示的各种终端设备。铁路客运站管理中心屏幕显示全站状态及人员、设备位置，管理人员PC端接收各自管辖区域内人流密度、设备状态等数字化信息及站内安全预警信息，在站人员通过手机APP获取客运站地图、不同区域人流密度及在站位置等信息，同时APP能接受系统发送的安全预警信息。

（2）应用层。应用层基于服务层提供的各类底层服务，对终端层界面接受的业务请求提供支持、受理和反馈。利用神经网络算法、数据挖掘技术、电子围栏技术等，对数据层数据进行处理，实现区域内人流密度计算、走行路径预测、人员和设备安全预警、客流等多项数据统计分析和事故应急管理等功能。

（3）服务层。服务层为内部应用开发的底层服务，供上层应用的研发使用。各应用通过调用数据分析位置服务、可视化链路服务、时钟服务、数据分析记录服务、安全预警等基础服务进行上层应用系统开发。

（4）数据层。数据层提供安全监管系统所需数据资源。对于感知层传递的各类数据信息，利用5G+Wi-Fi定位技术、5G+蓝牙定位技术、惯性导航定位技术并采用卡尔曼滤波算法[3]、贝叶斯融合算法[4]来获取站内人员、移动设备5G高精度定位数据。系统通过外部数据接口接收其他系统传输的数据。外部数据包括铁路客运站视频监控系统提供的视频数据，铁路客运站生产系统提供的站内上水、行包装卸等作业生产数据和进出站列车数据，安检系统、闸机系统、电梯系统、自动售票机提供的各类设备数据，数据采用5G通信网络实现信息实时高效传输。此外系统自建站内电子地图数据，并通过各类设备采集站内通信网络数据。

（5）物理感知层。主要包括各种定位系统基础设置、芯片、传感器等，对5G高精度定位所需信息和各类设备信息进行采集，便于后续解算定位坐标、判定设备设施状态。感知层利用5G技术将信息传递到数据层，提高信息传输速率，使系统能实现实时监管的目标。

3.3 功能模块设计

（1）实时定位图形化揭示模块。该模块将旅客、危险作业人员、安全隐患设备实时定位坐标进行图形化揭示，从而对全站情况进行实时监管。

（2）区域内人流密度计算模块。该模块对站内不同区域人流密度进行计算，对全站有安全隐患区域进行监管。系统内将铁路客运站划分为若干个区域，并预先设定人流密度阈值。将获取到的人员坐标与室内地图进行匹配，进而计算不同区域内的人流密度。

（3）走行路径预测模块。该模块对旅客、作业人员、装卸车等移动设备路径进行预测。根据旅客、作业人员、移动设备历史走行数据，利用神经网络等算法对移动对象路线进行预测。

（4）旅客安全预警模块。该模块对旅客安全进行预警，根据人流密度阈值和实时不同区域人流密度，若某一区域内人流密度超过阈值，系统向监管人员发送预警以便立即干预。对于站内许多危险区域，通过旅客路线预测，一旦旅客即将进入危险区域，系统向旅客手机终端APP推送安全预警信息。

（5）危险作业人员安全预警模块。该模块主要对正在进行上水吸污、行包装卸、防溜等危险作业人员安全进行预警。系统首先获取作业人员定位坐标并进行路线预测，然后获取列车进出站信息。若列车进出站时股道仍有作业人员作业，系统向作业人员智能终端发送警报提醒。

（6）设备安全预警模块。该模块对防溜器具、行包装卸车、电梯等设备进行安全监管。通过定位可以获取防溜器具精确在轨状态、行包装卸车走行路线，通过数据接口获取站内各类设备状态信息。若防溜器具不在正确位置，或行包装卸车偏离路线，或系统接收设备故障信息，则向管理人员PC端及作业人员智能终端发送安全警报，此外将故障附近区域作为站内动态危险区域，防止维修人员以外的其他人员进入。

（7）数据统计分析模块。该模块对获取到的设备、人员信息进行存储、统计、分析，从而将设备取出、使用、放回整个过程与作业人员进行匹配，将设备的使用责任落实到个人，并实现设备全周期管理，提升站内管理效率。

（8）事故应急管理模块。该模块对站内事故进行处理，当发生区域内人流密度超过阈值、人员进入危险区域、列车进出站时股道有人员作业、设备设施发生故障等事故时，系统发出危险警报，管理人员可通过PC端调用视频数据确定事故类型，线上下达应急救援指令。

3.4 系统功能实现

整个安全监管系统的建设主要分为3个阶段：①第一个阶段是物理感知层的建设。通过在车站架构Wi-Fi信号发送基站、蓝牙信号发射基站，调整5G网络信号精度和覆盖程度，开发信号定位APP软件，布设定位感知层。同时，在关键地点和移动设备上布置传感器，实现辅助定位及状态感知。②第二个阶段是数据层的建设。建立站内电子地图数据库，存储和展示各种定位、路线信息。开发视频监控系统、客运站生产系统、安检系统、闸机系统等的数据接口，实现外部监管数据的实时传输和采集。③第三个阶段是应用功能层的建设。在前面2个阶段的基础上，利用大数据、云计算、智能优化等技术开发站内不同区域人流密度测算、移动人员路线预测等多个应用模块。利用数据挖掘技术提取站内定位数据特征信息，从而实现对全站客流量、作业人员工作情况、设备使用情况等指标进行统计分析，提升站内安全监管效率。在第三阶段建设中，“目标实时定位图形化揭示功能”和“移动目标轨迹预测功能”是核心功能，其实现方案重点介绍如下。

3.4.1 目标实时定位图形化揭示

定位坐标需确保其合理性才能进行正确的图形化揭示，但定位技术可能存在一定的误差，可能生成不合理的移动路径，如穿墙、悬空等[5]，一旦发生此类情况会导致安全监管系统失效。本系统自建站内电子地图以便直接调用，因而可以研究基于地图的拟合技术，根据目标所处环境的地图，对定位结果进行校正。研究高精度定位与地图匹配融合技术可以去除不合理的定位结果，从而提高结果的可用性；并根据站内通道与定位坐标匹配，生成走行路径，进而实现“目标实时定位图形化揭示功能”。

本系统中拟利用基于5G+Wi-Fi定位与地图匹配融合的算法来对定位坐标进行校验[6]。其原理为：利用铁路客运站内移动目标经5G+Wi-Fi定位系统获得的坐标或轨迹形成待匹配样本，再将其坐标或其运动轨迹周围在站内的所有可供行动的道路位置的坐标作为参考样本，将该参考样本与待匹配样本进行对比，输出相似度最高的参考样本，最后结合校正系统及匹配结果输出最终目标定位坐标。目标实时定位算法流程如图2所示。

图2 目标实时定位算法流程Fig.2 Flow chart of real-time target positioning algorithm

（1）获取5G+Wi-Fi定位数据。假设站内设置4个5G+Wi-Fi节点。每层均匀设定若干个参考点，共计d个，第i个参考点接收的信号强度矢量记为RSSi= [RSSi1，RSSi2，RSSi3，RSSi4]。计算目标信号强度矢量RSSx= [RSSx1，RSSx2，RSSx3，RSSx4]T，以及所有参考点与目标信号强度矢量的欧几里得距离。

式中：i为参考点序号；x为移动对象；D(RSSi，RSSx)为i参考点与移动对象的欧几里得距离；k为5G+Wi-Fi节点；RSSxk为节点感应到移动对象的信号强度；RSSik为节点感应到参考点的信号强度。

计算最小欧几里得距离，匹配者确定移动对象坐标

式中：Ix为移动对象x与所有参考点的最小欧几里得距离。

（2）确定误差区域。选择水平方向椭圆误差模型，假设定位系统方差、协方差矩阵模型为

式中：σx为正东方向测量误差标准值；σy为正北方向测量误差标准值；σxy和σyx表示协方差。

椭圆误差区域计算公式为

式中：α为长半轴；b为短半轴；φ为a与正北方向夹角；为单位权值后验误差，通过改变误差区域单位权值的后验误差来改变误差区域大小。

（3）搜索最优匹配路段。①目标坐标与候选匹配路段间投影的距离；②目标运动方向与候选匹配路段的夹角；③候选匹配路段与前一条最优匹配路段间的拓扑关系；④各候选路段的匹配概率。

（4）确定最佳匹配定位坐标。假设系统接收移动对象实时定位坐标为(x，y)，匹配路段L上某一匹配点坐标为(xi，yi)，两点之间距离Δd=最小时，对应匹配点坐标即为最佳匹配定位坐标。

3.4.2 移动目标轨迹预测

监管系统首先存储车站内的所有危险区域，然后获取移动目标在站精准定位后，预测其走行路线，当判断其可能进入危险区域前及时发送安全警报，从而实现安全预警的目标。基于移动对象行为的轨迹预测模型众多，如卡尔曼滤波器、隐马尔可夫模型、高斯过程回归模型等[7]。神经网络算法是一种机器学习算法，具有良好的自学习能力，因而本系统采用神经网络训练算法建立轨迹预测模型。神经网络通过大量的模拟神经元组成一个复杂的系统，通过训练神经元之间的权重来实现神经网络的自学习和自适应能力[8]。

神经网络训练的基本原理为：采用三层神经网络，包含输入层、隐藏层与输出层，相邻两层之间以全连接的形式连接，输入层的神经元个数取决于用于训练模型所需要的特征个数，隐藏层神经元个数则根据具体实际情况进行调整，输出层的神经元代表预测所需的数据，神经网络训练原理图如图3所示。

图3 神经网络训练原理图Fig.3 Schematic diagram of neural network training

神经网络模型利用移动对象的历史轨迹数据作为测试数据进行模型训练[9]，学习移动对象的走行运动学特征并进行轨迹预测。利用手机自带传感器解算获得实时速度与方向角，并利用单节点步长估计算法[10]估算步长，得到步频；将步长、步频、方向角作为输入神经元，经度差、纬度差作为输出神经元，设定合适的隐藏层神经元个数、学习率和误差阈值，采用合适的函数激活神经网络训练过程，得到估计经纬度差；计算实际经纬度差与估计经纬度差间的误差，若误差大于预先设定阈值，利用该误差对输入层和隐藏层间的权值、隐藏层和输入层间的权值进行更新，多次迭代后，得到可靠的预测模型，利用该模型可以实现移动目标轨迹预测。移动目标轨迹预测流程如图4所示。

图4 移动目标轨迹预测流程Fig.4 Flow chart of trajectory prediction of moving target

4 实例应用

以成都东站为例进行应用方案设计。成都东站共有3层结构，由上至下分别为出发层、站台层和到达层。出发层设有售票口、安检口、进站口、候车厅功能空间，设有安检机、自动售票机、进站闸机等设备。站台层设站台、股道、上水吸污等设施设备。到达层主要用于出站，设有出站通道、出站闸机等设施设备。层与层之间设有自助扶梯、楼梯、电梯进行衔接。成都东站平面示意图如图5所示。

依据成都东站实际结构，考虑信号覆盖范围均衡性，在出发层进站口和楼梯处、站台层进站口及到达层楼梯处布设蓝牙信号发射基站(图5中绿圈处)，在站台层基本站台和中间站台的两端布设Wi-Fi信号发送基站(图5中红圈处)。

图5 成都东站平面示意图Fig.5 Plan of Chengdu East Railway Station

旅客进站、上车时APP将推送蓝牙开启提醒，旅客一键开启手机蓝牙，对于手机没有蓝牙功能或没有手机的老人、儿童，工作人员配发唯一编号的蓝牙定位胸牌，并与旅客信息绑定。旅客进站后可通过APP查看室内地图及当前在站位置，也可通过旅客信息查阅同行旅客当前位置。若旅客即将进入危险区域系统通过推送APP、定位胸牌发出警告信号提示旅客。考虑到当前成本、设施设备水平等因素，目前该系统只对成都东站全站范围进行监管。具体流程为在进站口给进站旅客配发胸牌、上车前回收胸牌；出站旅客出车门后即配发胸牌，出站后回收胸牌；换乘旅客亦如此。该系统推广后，可在全路任意车站进站前配发胸牌，并在出站时进行回收，胸牌在全路所有车站循环使用，从而对旅客整个旅行过程进行监管。作业人员进站工作前统一佩戴专属蓝牙定位腕表，在进入股道进行上水、吸污、行包装卸等危险作业时，若有列车进出站，腕表发送警报，提示作业人员尽快离开。

站内防溜器具、作业车辆、移动小机具等移动设备部署Wi-Fi信号接收模块，对其从取出、工作、放回整个过程进行定位。对于电梯、自动售票机、检票闸机、安全门、物品寄存箱等固定设备，其本身具有故障响应模块，监管系统调用安检系统、闸机系统、电梯系统等的信息，可对该类固定设备状态进行监管。

若某一时刻定位信号不稳定，导致定位信息丢失，系统利用对象历史移动数据进行短距离定位预测，保持移动对象定位路线的连续性，待信号稳定后系统重新开始定位。

通过5G信道将旅客、作业人员、设备信息传输至成都东站管理者电脑终端。系统利用定位数据，在云计算、电子围栏等技术的加持下，实现图形化揭示、人流密度计算、轨迹预测、安全警报等功能。管理者可获取站内不同区域人流密度、危险区域范围、人员走行路径等各类信息。当发生区域人流密度超过阈值、人员即将进入危险区域、设备设施故障、流线交叉等情况，设备自动向目标用户发送警报。当管理者发现异常时，也可自主调用视频信息及旅客信息，采取语音对接提醒、下达命令、停用设备等措施动态管理。

系统自动存储全站信息，便于后续进行人员、设备统计分析、事故等级分类、设备状态预判、生成事故应急预案等工作。该方案可提升成都东站安全监管效率和水平。

5 结束语

铁路客运站的智能化建设日新月异，结合铁路客运站安全监管工作的需求及薄弱环节，提出基于5G高精度融合定位技术的集应用、服务、数据、物理感知、外部系统接口等多层次系统架构及业务功能模块设计，设计了基于5G+Wi-Fi定位与地图匹配融合的实时定位图形化揭示功能实现方案、基于神经网络算法训练的移动目标轨迹预测功能实现方案，并结合成都东站实际情况进行应用设计。研究有助于提高铁路客运站安全监管的精准化、科学化、智能化水平，增强安全保障能力和应急处理效率，为未来进一步拓展铁路客运站智能化生产管理提供借鉴。