通过存档数据和视频图像处理估算地铁站滞留乘客数

1、文章信息

《Estimation of left behind subway passengers through archived data and video image processing》。

美国马萨诸塞州马萨诸塞大学2020年发在Transportation Research Part C（运输科技1区，IF:6.077）上的一篇论文成果。

2、摘要

本文结合现有的数据源和一种新兴的目标检测技术来估计地铁站台上的滞留乘客数。本研究中提出的方法已被开发并应用于马萨诸塞州波士顿市的地铁。目前，列车还没有配备乘客自动计数器，而且只有在进入该系统时才会收集公交卡数据。根据推断的出发地和目的地的数据进行拥挤分析，以确定在高峰时段乘客被滞留的可能性高的车站。利用图像处理和目标检测技术，从监控视频中统计火车站站台上的滞留乘客数。统计的乘客数和列车运行数据用于搭建逻辑回归模型，使用正常运行条件下典型工作日的人工计数法获得的数据来校正该模型。在正常运行的情况下，该模型在另一天与人工统计的滞留乘客数进行了验证。结果表明，通过将视频乘客统计数据与列车运营数据相结合，估算出的一天高峰期间的乘客滞留人数在实际人数的10%以内。

3、简介

公共交通在大量的通勤者出行方面起着重要的作用，尤其是在大城市。交通性能是乘客数量的一个重要决定因素，而为通勤者提供短而可靠的等待时间的交通服务为驾车提供了一个有竞争力的替代选择，有助于减少拥堵和提高生活质量。拥挤是世界各地公共交通系统面临的主要挑战，因为它增加了等待时间和旅行时间，降低了运营速度、可靠性和乘客舒适度。研究表明，公共交通拥挤会增加乘客的焦虑、压力和侵犯隐私的感觉。COVID-19大流行还突出了与过境车辆乘客拥挤相关的公共卫生风险。尽管在大流行期间，世界各地城市的交通客流量急剧下降，但随着经济重新开放、通勤者重返工作岗位以及各机构计划未来，人们对交通拥挤的担忧仍在继续。

4、亮点

• 使用目标检测工具通过存档和实时数据测量拥挤程度

• 使用目标检测工具处理监控视频用于量化公共交通客运情况

• 建立乘客自动计数和列车运行数据预测的逻辑回归模型

• 使用仅在进站使用的公交卡数据估计车站滞留乘客数量

• 等待时间的估计和评估作为公交服务可靠性的度量

5、主体内容

本文提出的方法旨在估计当火车太拥挤而无法上车时，在中转站被滞留的乘客数量。根据图（1）可以将站台滞留乘客数估计框架分为四部分，即研究地点的精心挑选、人工计数法收集数据、站台乘客数的自动统计、建立滞留乘客模型。

图（1） 提出模型的流程图

研究地点的精心挑选

由于本文所要研究的问题是有前提条件和相机观察视角的要求，所以文中对研究地点进行详细的说明。其一是拥挤程度的分析，使用上车累计人数与下车人数之差来获得站点客流量（如图（2）的a和b），接着使用客流量数据计算乘客占有率（如图（3）的a和b）。其二是车站的几何形状和相机视角，示例效果展示如图（4）所示。

图（2） 各站点乘客流量统计图

图（3） 乘客拥堵程度可视化图

图（4） 北站、橙线、北行方向的选定摄像机视图

人工计数法收集数据

文中是将地铁车门打开和闭合之间的时间作为停留时间，而Train-Tracking Records (TTR)数据只能提供地铁到站和离站时间，因此作者在停留时间和地铁到离站时间差之间建立了一个简单的线性模型，如图（5）所示。调查员统计火车关门后留在站台上的乘客人数，为了避免重复计算，每个调查员负责观察六节车厢的两节车厢(前、中、后)中的乘客。在决定计算哪些乘客时需要一些判断，因为有些乘客在下了车后还在站台上逗留，而有些乘客则选择等待下一班火车，即使有足够的上车空间。滞留乘客统计的目的是测量真实乘客数量中因拥挤而被滞留下来的乘客数量。基于以上结果对在站台等待乘客数量统计，结果如图（6）和图（7）。

图（5） 回归模型使用TTR数据估计停留时间

图（6） 到达车辆和进入站台乘客数的累积图

图（7） 人工统计的站台乘客数随时间变化图

站台乘客数的自动统计

文中使用yolov1进行目标检测，使用人工统计的真实数据来对算法参数进行校正，确定最优的阈值为7%。参数校正之后，使用该算法对原始数据进行处理，检测结果如图（8）所示，滞留在站台上乘客数统计精确度的分析如图（9）所示。

图（8） 视频中的原始和连续的乘客数自动统计

图（9） 滞留乘客数自动统计的准确度分析图

建立滞留乘客模型

为了提高对地铁站台上留下的乘客数量的估计的准确性，基于可以自动收集的解释变量，建立了逻辑回归模型来估计每个乘客被留下的概率。逻辑回归用于通过估计每个等待的乘客被留下的概率来估计留下的乘客数量，因为逻辑函数具有更适合于该应用的特性。由于只有当站台和火车非常拥挤时，乘客才会被留下，线性回归有提供许多留下乘客的负面估计的趋势，这在物理上是不可能的。相比之下，二元逻辑模型旨在估计实现两种可能结果之一的概率(例如，一名乘客要么被落下，要么没有被落下)。来自logit模型的估计概率总是在0和1之间，因此对留守乘客数量的最终估计总是非负的，并且不能超过等待乘客的总数。

对于逻辑回归的估计，每个乘客被表示为一个单独的观察值，并且等待同一辆出发列车的所有乘客都与同一组解释变量相关联。在3小时的高峰时段，通常有大约30列火车服务北站，每个时段服务1500至3000名乘客，留下远超过100名乘客。当用于拟合的数据集包括每个结果的至少10个观察值时，逻辑回归模型通常会给出稳定的估计值，因此有足够的数据来估计以这种方式构建的模型的参数。

文中通过统计乘客数和火车到达数来建立逻辑回归模型，首先是对该模型的参数进行分析，如下表所示。接着是对所建立的逻辑回归模型进行验证，分为三块，一块是滞留乘客数的验证，二是对火车遗弃乘客的估计，三是对经历的等待时间的分布的验证，结果都非常接近人工统计结果。

6、特别之处

本文令我印象最深刻的是无论是研究地点的选择还是后面模型的验证，都论述的清晰细致，非常严谨。很多文章侧重对视频检测方法的论述，而本文更加重视展现计算机视觉技术与公共交通是完美契合点，侧重交通面的交叉分析。

Attention

如果你和我一样是轨道交通、道路交通、城市规划相关领域的，可以加微信：Dr_JinleiZhang，备注“进群”，加入交通大数据交流群！希望我们共同进步！