铁路枢纽出租车客流检测与调度方法.pdf

陈堃 1 张永阳 1 张文斌 2 李士香 3 周竹萍 铁路枢纽出租车客流检测与调度方法 4 李卫 4 （ 1.中建交通 铁路公司 ，北京 ， 100 166 ； 2. 南京忠设智能科技有限公司， 南京 ， 210013 ； 3.扬州市交通建设管理有限责任公司， 扬州 ， 225012 ； 4. 南京理工大学自动化学院，江 苏南京 ， 210094 ） 摘要： 针对传统的 铁路枢纽 出租车 换乘 系统难以实时获取排队情况，无法准确预测乘客排队时间以及根据实际需要 进行出租车调度的问题， 本文基于改进的目标检测算法 Yolo -v5s、追踪算法 Deep sort 、误差反向传播神经网络（ Back Propagation ，BP）和长短期记忆网络（ Long Short -Term Memory ，LSTM ）-attention 深度学习算法 对出租车客流进 行检测和预测， 提出 了一种新的乘客 排队时间 预测方法和出租车调度方法。以扬州东站出租车换乘系统为实例进行 分析，验证了模型的可行性，实际结果表明 ，检测实时排队人数准确率在 95% 以上 ，排队时间预测误差不超过 30s ， 高峰时段未来 20min 出租车客流预测准确率在 92% 以上，改进后的出租车调度系统在蓄车池连续有车的情况下，使出 租车司 机平均等 待时间降低了 20min 以上 。本文所提供的检测算法和调度模型对铁路枢纽出租车换乘系统的智能化 改进具备指导意义。 关键词 ：铁路枢纽 ，出租车系统 ，机器视觉 ，排队时间 ，客流预测 1 引言 出租车作为 铁路枢纽 与城市 交通 衔接的重要方式， 出租车客流集散的客流量约占铁路客流集散 总量的 10% 至 30% [1]。 目前铁路枢纽出租车资源难以进行合理配置，造成较多资源浪费，因此需要在 提升乘客出行体验的基础上， 提升出租车系统的智慧化和高效性 ，减少资源浪费。 国内外学者关于铁路枢纽出租车换乘系统的优化主要采用排队论的方法。例如， Yun L等 [2]将排 队系统转化为异步单休假 M/M/C 排队系统，并得到了所有服务台繁忙情况下系统的稳态指标， 建立了 考虑服务水平的出租车场外排队系统双层服务台数量优化模型， Chen J L [3]等根据驾驶员的服务质 量和到乘客位置的最短距离，建立了基于排队论的优化匹配算法；黄镜入 [4]等基于排队论对铁路枢 纽出租车上车点数量和位置进行了优化，王巍等 [5]运用排队论建立了多点纵列式出租车排队服务模 型，提高了乘车效率，纪杰周等 [6]结合排队论的思想分析机场乘客数量的变化规律和出租车司机的 收益 ,建立收益损益模型，对提高 机场出租 车 的 运作效率提供了指导。 目前 国内外学者的研究难以准确 预测 乘坐出租车排队时间 ， 会导致乘客候车时 容易产生紧张和 不满的情绪，降低出行体验 [7]。另外， 调度决策难以结合实际情况实时反馈， 容易出现乘客 “ 无车 可乘 ” 或大量出租车在蓄车池长时间排队的情况，造成了时间和资源的浪费 [8]。 基于此， 本文 提出 了一种乘客乘坐出租车排队时间预测算法和 出租车 调度方法 ， 并以扬州东站为例进行验证 。 2 出租车排队人数实时检测算法 近年来，随着各种深度学习算法的不断革新，机器视觉技术在目标检测方面取得了惊人的成就， 以其无接触、自动 化、智能 化 的优 点成为各种智能交通设施的选择 [9]。而在目标检测方面， Yolov5 算法是目前表现十分出色的算法， Yolov5s 为该网络 s、m、l、x四个版本中最轻量级且运行速度最快 的模型 ，在检测速度和检测精度上均达到了较高的水准 ,能满足本研究的实际需求 [10] 。 Yolo -v5 所使 用的 CSP 结构主干网络内存需求大、运算量大，为提高 头部 检测速率，本文使用 MobileNet -v3 取代 Yolo -v5s 的 Backbone 主干网络。本文通过改进的 Yolov5s 算法实时检测出租车上客区域的乘客头部数 量来检测排队人数，步