一种轨道交通智能调度方法及系统与流程

本发明涉及城市轨道交通智能技术领域，尤其涉及一种轨道交通智能调度方法及系统。

背景技术：

城市轨道交通车站作为城市轨道交通系统的重要组成部分之一，既是乘客上下车和换乘的场所，又是车辆到发、折返及临时停车的地点，可以说城市轨道交通车站的正常运营是城市轨道交通畅通的重要保障。而城市轨道交通车站的正常运营则需要车站内设备的正常运行和客流的有序流通来保障。

目前，已建设有相应的自动化系统(例如综合监控系统)对轨道交通车站内设备的运行状态进行监测，以确保设备的正常运行。对于轨道交通车站内的客流，则主要依靠工作人员进行人工管理；但是由于工作人员有限，且无法对轨道交通车站的客流进行准确预测以及对车辆进行及时调度，大型多线路换乘车站以及附近有火车站或机场的轨道交通车站则经常会因出现超大客流而造成车站内客流囤积的问题，给轨道交通车站的正常运营带来潜在的安全风险，同时还增加了工作人员的工作强度和难度，并降低了城市轨道交通的出行效率。

技术实现要素：

本发明的目的在于提供一种轨道交通智能调度方法及系统，可以根据多个数据源对轨道交通车站的客流量进行准确预测并对车辆和乘客进行协调调度，从而使轨道交通车站的客流畅通。

为了达到上述目的，本发明通过以下技术方案实现：

一种轨道交通智能调度方法，包括：

从多个数据源采集预设范围的原始数据；

根据所述原始数据获取轨道交通车站的客流数据；

根据所述轨道交通车站的客流数据构建所述轨道交通车站的客流预测模型；

通过所述客流预测模型获取所述轨道交通车站在预设时段的客流量；以及

根据所述预设时段的客流量对所述轨道交通车站的车辆和乘客进行协调调度，以使所述轨道交通车站的客流畅通。

优选地，所述预设范围包括：所述轨道交通车站以及以所述轨道交通车站为中心且半径为300米～2500米的圆形辐射区域；

所述原始数据包括：售检票数据、车站视频数据、手机信令数据、车载视频数据及车辆称重数据。

优选地，所述根据所述原始数据获取轨道交通车站的客流数据的步骤包括：

根据所述售检票数据获取所述轨道交通车站的历史进出闸机客流数据和实时进出闸机客流数据；

根据所述车站视频数据和所述手机信令数据获取所述轨道交通车站的历史出入客流数据和实时出入客流数据；以及

根据所述车载视频数据及所述车辆称重数据获取待进站车辆的历史车载客流数据和实时车载客流数据。

优选地，执行所述根据所述轨道交通车站的客流数据构建所述轨道交通车站的客流预测模型的步骤之前还包括：

对所述历史进出闸机客流数据、所述实时进出闸机客流数据、所述历史出入客流数据、所述实时出入客流数据、所述历史车载客流数据和所述实时车载客流数据进行预处理，且所述预处理包括去重和回归验证。

优选地，所述根据所述轨道交通车站的客流数据构建所述轨道交通车站的客流预测模型的步骤包括：

根据预处理后的所述历史进出闸机客流数据、预处理后的所述历史出入客流数据以及预处理后的所述历史车载客流数据，采用预设方法构建所述轨道交通车站的所述客流预测模型；

所述预设方法包括滑动窗口平均法、t-sne模式分析、dbscan模式聚类以及随机森林算法中的一种或任意一组合。

优选地，所述通过所述客流预测模型获取所述轨道交通车站在预设时段的客流量的步骤包括：

根据预处理后的所述实时进出闸机客流数据、预处理后的所述实时出入客流数据和预处理后的所述实时车载客流数据，通过所述客流预测模型获取所述轨道交通车站在所述预设时段的进出站客流量。

优选地，所述根据所述预设时段的客流量对所述轨道交通车站的车辆和乘客进行协调调度的步骤包括：

根据所述预设时段的进出站客流量获取所述轨道交通车站在所述预设时段的乘客滞留量；

通过轨道交通车辆运行图获取所述预设时段内所述轨道交通车站的所述待进站车辆的数量；

根据所述待进站车辆的数量以及所述实时车载客流数据计算所述预设时段的所述待进站车辆的运能；以及

根据所述预设时段的乘客滞留量和所述待进站车辆的运能计算所述待进站车辆的运能匹配系数，以对所述轨道交通车站的所述待进站车辆和滞留乘客进行协调调度。

优选地，所述根据所述预设时段的客流量对所述轨道交通车站的车辆和乘客进行协调调度的步骤还包括：

所述运能匹配系数大于0.8，对所述轨道交通车站进行黄色预警，并对滞留乘客进行疏导；

所述运能匹配系数大于1，对所述轨道交通车站进行橙色预警，并对所述轨道交通车站进行限流；以及

所述运能匹配系数大于1.2，对所述轨道交通车站进行红色预警，并增加所述待进站车辆的数量以及调整所述待进站车辆的运行间隔。

另一方面，本发明还提供一种轨道交通智能调度系统，包括：

数据采集模块，用于从多个数据源采集预设范围的原始数据；

数据分析模块，用于根据所述原始数据获取轨道交通车站的客流数据；

模型构建模块，用于根据所述轨道交通车站的客流数据构建所述轨道交通车站的客流预测模型，并通过所述客流预测模型获取所述轨道交通车站在预设时段的客流量；以及

指挥调度模块，用于根据所述预设时段的客流量对所述轨道交通车站的车辆和乘客进行协调调度。

优选地，所述轨道交通智能调度系统，还包括：

数据预处理模块，用于对所述原始数据进行预处理；

热力图模块，用于根据轨道交通车站的客流数据生成客流热力图。

优选地，所述预设范围包括：所述轨道交通车站以及以所述轨道交通车站为中心且半径为300米～2500米的圆形辐射区域；

所述原始数据包括：售检票数据、车站视频数据、手机信令数据、车载视频数据及车辆称重数据。

优选地，所述数据分析模块具体用于根据所述售检票数据获取所述轨道交通车站的历史进出闸机客流数据和实时进出闸机客流数据；

根据所述车站视频数据和所述手机信令数据获取所述轨道交通车站的历史出入客流数据和实时出入客流数据；以及

根据所述车载视频数据及所述车辆称重数据获取待进站车辆的历史车载客流数据和实时车载客流数据。

优选地，所述数据预处理模块具体用于对所述历史进出闸机客流数据、所述实时进出闸机客流数据、所述历史出入客流数据、所述实时出入客流数据、所述历史车载客流数据和所述实时车载客流数据进行预处理，且所述预处理包括去重和回归验证。

优选地，所述模型构建模块具体用于根据预处理后的所述历史进出闸机客流数据、预处理后的所述历史出入客流数据以及预处理后的所述历史车载客流数据，采用预设方法构建所述轨道交通车站的所述客流预测模型；以及

根据预处理后的所述实时进出闸机客流数据、预处理后的所述实时出入客流数据和预处理后的所述实时车载客流数据，通过所述客流预测模型获取所述轨道交通车站在所述预设时段的进出站客流量。

优选地，所述预设方法包括滑动窗口平均法、t-sne模式分析、dbscan模式聚类以及随机森林算法中的一种或任意一组合。

优选地，所述指挥调度模块具体用于根据所述预设时段的进出站客流量获取所述轨道交通车站在所述预设时段的乘客滞留量；

通过轨道交通车辆运行图获取所述预设时段内所述轨道交通车站的所述待进站车辆的数量；

根据所述待进站车辆的数量以及所述实时车载客流数据计算所述预设时段的所述待进站车辆的运能；以及

根据所述预设时段的乘客滞留量和所述待进站车辆的运能计算所述待进站车辆的运能匹配系数，以对所述轨道交通车站的所述待进站车辆和滞留乘客进行协调调度。

优选地，所述运能匹配系数大于0.8，对所述轨道交通车站进行黄色预警，并对滞留乘客进行疏导；

所述运能匹配系数大于1，对所述轨道交通车站进行橙色预警，并对所述轨道交通车站进行限流；以及

所述运能匹配系数大于1.2，对所述轨道交通车站进行红色预警，并增加所述待进站车辆的数量以及调整所述待进站车辆的运行间隔。

本发明与现有技术相比至少具有以下优点之一：

本发明提供的一种轨道交通智能调度方法及系统，可以从多个数据源采集预设范围的原始数据，并根据原始数据获取轨道交通车站的客流数据，实现了对轨道交通车站客流的全方位的实时监测，既可以克服现有技术中获取轨道交通车站客流数据手段单一的缺陷，又可以为客流预测模型的构建提供丰富的数据支撑。

本发明可以对根据多个数据源采集的原始数据得到的轨道交通车站的客流数据进行信息换算、数据去重(包括数据查重、清洗和筛选等)以及回归验证等预处理，使得获取的轨道交通车站的客流数据的准确性较高。

本发明将由预设时段的进出站客流量获取的轨道交通车站的乘客滞留量与根据待进站车辆的数量以及实时车载客流数据得到的预设时段的待进站车辆的运能相结合，得到了待进站车辆的运能匹配系数，实现了轨道交通车站的进出站客流和待进站车辆的运能之间的动态关联。

本发明还可以根据待进站车辆的运能匹配系数，对轨道交通车站发出不同的预警，以便车站工作人员采取不同的措施，从而对轨道交通车站的车辆和乘客进行合理的协调调度，进而有序应对即将出现的大客流，保证轨道交通车站的客流畅通。

本发明还可以与地面交通系统进行联动，以根据地面交通信息引导乘客改乘地面交通或者附近其他地铁线路，形成区域化调度管理，进而保证轨道交通车站的客流畅通。

附图说明

图1是本发明一实施例提供的一种轨道交通智能调度方法的流程图；

图2是本发明一实施例提供的一种轨道交通智能调度方法对车辆和乘客进行协调调度的逻辑图；

图3是本发明一实施例提供的一种轨道交通智能调度系统的结构示意图。

具体实施方式

以下结合附图和具体实施方式对本发明提出的一种轨道交通智能调度方法及系统作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

结合附图1～2所示，本实施例提供一种轨道交通智能调度方法，包括：步骤s110、从多个数据源采集预设范围的原始数据；步骤s120、根据所述原始数据获取轨道交通车站的客流数据；步骤s130、根据所述轨道交通车站的客流数据构建所述轨道交通车站的客流预测模型；步骤s140、通过所述客流预测模型获取所述轨道交通车站在预设时段的客流量；以及步骤s150、根据所述预设时段的客流量对所述轨道交通车站的车辆和乘客进行协调调度，以使所述轨道交通车站的客流畅通。

请同时参考图1和图2，所述预设范围包括：所述轨道交通车站以及以所述轨道交通车站为中心且半径为300米～2500米的圆形辐射区域；所述原始数据包括：售检票数据、车站视频数据、手机信令数据、车载视频数据及车辆称重数据。

可以理解的是，在一些其他的实施例中，所述步骤s120包括：根据所述售检票数据获取所述轨道交通车站的历史进出闸机客流数据和实时进出闸机客流数据；根据所述车站视频数据和所述手机信令数据获取所述轨道交通车站的历史进出站出入客流数据和实时进出站出入客流数据；以及根据所述车载视频数据及所述车辆称重数据获取待进站车辆的历史车载客流数据和实时车载客流数据。

具体的，在本实施例中，对于具有多条交通线路换乘的所述轨道交通车站，以及附近有火车站、机场、景点、大型展馆或购物商场等场所的所述轨道交通车站，极易出现因超大客流而造成所述轨道交通车站内乘客滞留或客流囤积的问题。因此不仅需要从所述轨道交通车站采集所述原始数据，还需要从所述轨道交通车站周边区域采集所述原始数据，以使根据所述原始数据获取的所述轨道交通车站的客流数据较为准确，进而保证所述轨道交通车站的客流畅通；优选地，所述轨道交通车站周边区域可以为以所述轨道交通车站为中心且半径为2000米的圆形辐射区域，但本发明不以此为限。

具体的，可以从多个数据源获取所述预设范围即所述轨道交通车站和所述圆形辐射区域的所述原始数据。优选地，可以分别通过所述轨道交通车站的售检票系统、所述预设范围(包括站台、站厅及站外周边区域等)内的车站视频系统、站外视频系统和移动运营商的手机信令系统以及待进站车辆的车载系统得到所述轨道交通车站的所述原始数据，即所述售检票数据、所述车站视频数据、所述站外视频数据、所述手机信令数据、所述车载视频数据以及所述车辆称重数据。利用从所述多个数据源采集的所述原始数据泽则可以获取所述轨道交通车站的客流数据，实现了对所述轨道交通车站客流的全方位的实时监测，既可以克服现有技术中获取所述轨道交通车站客流数据手段单一的缺陷，又可以为后续所述客流预测模型的构建提供丰富的数据支撑，但本发明不以此为限。

在本实施例中，可以通过所述售检票数据获取所述轨道交通车站的所述历史进出闸机客流数据和所述实时进出闸机客流数据；其中所述实时进出闸机客流数据可以包括阶段性(例如5分钟)进出闸机客流数据和断面客流数据；通过所述预设范围(包括站台、站厅及站外周边区域等)内的所述车站视频数据、站外视频数据和所述手机信令数据，并结合客流流向分析，则可以得到所述轨道交通车站的所述历史出入客流数据和所述实时出入客流数据；还可以通过所述车载视频数据及所述车辆称重数据获取所述轨道交通车站内所述待进站车辆(例如即将进站的两个班次)的所述历史车载客流数据和所述实时车载客流数据。

请继续参考图1，执行所述步骤s130之前还包括：对所述历史进出闸机客流数据、所述实时进出闸机客流数据、所述历史出入客流数据、所述实时出入客流数据、所述历史车载客流数据和所述实时车载客流数据进行预处理，且所述预处理包括去重和回归验证。

具体的，在本实施例中，由于对从所述多个数据源采集的所述原始数据进行客流密度、客流流向、客流流速及乘客异常行为等分析后得到的所述轨道交通车站的客流数据存在数据重复的问题，因此可以对获取的所述轨道交通车站的客流数据进行信息换算、数据去重(包括数据查重、清洗和筛选等)以及数据校核即回归验证等预处理，以使获取的所述轨道交通车站的客流数据的准确性较高，但本发明不以此为限。

请继续参考图1，所述步骤s130包括：根据预处理后的所述历史进出闸机客流数据、预处理后的所述历史出入客流数据以及预处理后的所述历史车载客流数据，采用预设方法构建所述轨道交通车站的所述客流预测模型；所述预设方法包括滑动窗口平均法、t-sne模式分析、dbscan模式聚类以及随机森林算法中的一种或任意一组合。

具体的，在本实施例中，可以将预处理后的所述历史进出闸机客流数据、预处理后的所述历史出入客流数据以及预处理后的所述历史车载客流数据作为训练数据，通过dbscan模式聚类方法、随机森林算法以及滑动窗口平均法相结合，构建所述轨道交通车站的所述客流预测模型并对某一历史时段所述轨道交通车站的进出站客流量进行预测，以得到上述历史时段所述轨道交通车站的进出站客流量预测值，其中所述轨道交通车站的进出站客流量包括出入所述轨道交通车站站口的客流量和所述轨道交通车站站内换乘的上下车客流量。同时还可以从城市轨道交通统计系统获取上述历史时段对应的所述轨道交通车站的客流量实际值，并与上述历史时段所述轨道交通车站的客流量预测值进行对比分析，以对所述客流预测模型进行优化，从而使所述客流预测模型的预测精度满足要求。例如可以根据所述轨道交通车站某日上午(06:00～12:00)的预处理后的所述历史进出闸机客流数据、预处理后的所述历史出入客流数据以及预处理后的所述历史车载客流，对该日下午(12:00～18:00)的进出站客流量进行预测后与该日下午(12:00～18:00)的进出站客流量实际值进行对比，以对所述客流预测模型进行优化；还可以根据某班次车辆的预处理后的所述实时车载客流数据，对该班次车辆在所述轨道交通车站的上下车客流量进行预测后，并与该班次车辆在所述轨道交通车站的上下车客流量实际值进行对比，以对所述客流预测模型进行优化。优选地，在构建所述轨道交通车站的所述客流预测模型时，还可以叠加外部影响因素，例如日期(工作日、双休日及节假日)、天气、行车计划、站外各种活动、设备状况及其他突发情况等，以提高所述客流预测模型的预测精度，但本发明不以此为限。

请继续参考图1，所述步骤s140包括：根据预处理后的所述实时进出闸机客流数据、预处理后的所述实时出入客流数据和预处理后的所述实时车载客流数据，通过所述客流预测模型获取所述轨道交通车站在所述预设时段的进出站客流量。

具体的，在本实施例中，所述预设时段可以为相对于实时的某一未来时段，也可以为包含实时的全天；例如实时为当日14:00，所述预设时段可以为当日17:00，也可以为当日全天。更具体的，根据预处理后的所述实时进出闸机客流数据和预处理后的所述实时出入客流数据，以及预处理后的所述实时车载客流数据，通过所述客流预测模型可以预测某一未来时段的进站客流、出站客流和断面客流，预测早、晚高峰峰值，以及预测全天进站客流、出站客流和断面客流，但本发明不以此为限。

请同时参考图1和图2，所述步骤s150包括：根据所述预设时段的进出站客流量获取所述轨道交通车站在所述预设时段的乘客滞留量；通过轨道交通车辆运行图获取所述预设时段内所述轨道交通车站的所述待进站车辆的数量；根据所述待进站车辆的数量以及所述实时车载客流数据计算所述预设时段的所述待进站车辆的运能；以及根据所述预设时段的乘客滞留量和所述待进站车辆的运能计算所述待进站车辆的运能匹配系数，以对所述轨道交通车站的所述待进站车辆和滞留乘客进行协调调度。

可以理解的是，在一些其他的实施例中，所述步骤s150还包括：所述运能匹配系数大于0.8，对所述轨道交通车站进行黄色预警，并对滞留乘客进行疏导；所述运能匹配系数大于1，对所述轨道交通车站进行橙色预警，并对所述轨道交通车站进行限流；以及所述运能匹配系数大于1.2，对所述轨道交通车站进行红色预警，并增加所述待进站车辆的数量以及调整所述待进站车辆的运行间隔。

具体的，可以从轨道交通信号系统接收所述轨道交通车辆运行图，以得到所述轨道交通车站的所述待进站车辆的到发时间信息，从而获取所述预设时段内所述轨道交通车站的所述待进站车辆的数量，进而与所述待进站车辆的所述实时车载客流数据结合分析得到所述预设时段的所述待进站车辆的运能。所述预设时段的所述乘客滞留量与所述待进站车辆的运能之比则为所述待进站车辆的运能匹配系数。根据所述待进站车辆的运能匹配系数的大小，则可以对所述轨道交通车站发出不同的预警，以便车站工作人员可以采取不同的措施，从而对所述轨道交通车站的车辆和乘客进行合理的协调调度，以应对即将出现的大客流，但本发明不以此为限。

在本实施例中，若所述运能匹配系数不大于0.8，则不采取任何调度措施；当所述运能匹配系数大于0.8且小于1时，对所述轨道交通车站进行黄色预警，并对所述滞留乘客进行疏导；当所述运能匹配系数大于1且小于1.2时，对所述轨道交通车站进行橙色预警，并对所述轨道交通车站进行限流以及对所述滞留乘客进行疏导；当所述运能匹配系数大于1.2时，对所述轨道交通车站进行红色预警，并增加所述待进站车辆的数量以及调整所述待进站车辆的运行间隔，同时对所述轨道交通车站进行限流以及对所述滞留乘客进行疏导；还可以与地面交通系统进行联动，以根据地面交通信息引导乘客改乘地面交通或者附近其他地铁线路，形成区域化调度管理，进而保证所述轨道交通车站的客流畅通。

基于同一发明构思，结合附图3所示，本实施例还提供一种轨道交通智能调度系统，包括：数据采集模块110，用于从多个数据源采集预设范围的原始数据；数据分析模块120，用于根据所述原始数据获取轨道交通车站的客流数据；模型构建模块140，用于根据所述轨道交通车站的客流数据构建所述轨道交通车站的客流预测模型，并通过所述客流预测模型获取所述轨道交通车站在预设时段的客流量；以及指挥调度模块150，用于根据所述预设时段的客流量对所述轨道交通车站的车辆和乘客进行协调调度。

可以理解的是，在一些其他的实施例中，所述轨道交通智能调度系统，还包括：数据预处理模块130，用于对所述原始数据进行预处理；热力图模块160，用于根据轨道交通车站的客流数据生成客流热力图。

在一些实施例中，所述预设范围包括：所述轨道交通车站以及以所述轨道交通车站为中心且半径为300米～2500米的圆形辐射区域；所述原始数据包括：售检票数据、车站视频数据、手机信令数据、车载视频数据及车辆称重数据。

具体的，在本实施例中，所述数据采集模块110可以分别与所述轨道交通车站的售检票系统、所述预设范围(包括站台、站厅及站外周边区域等)内的车站视频系统、站外视频系统和移动运营商的手机信令系统以及待进站车辆的车载系统进行连接，以获取所述预设范围的所述原始数据并存储；所述数据采集模块110还可以分别与轨道交通信号系统、地面交通系统进行连接，以得到所述轨道交通车站的所述轨道交通车辆运行图和所述地面交通信息；优选地，所述数据采集模块110与所述售检票系统、所述车站视频系统、所述站外视频系统、所述移动运营商的手机信令系统、所述待进站车辆的车载系统、所述轨道交通信号系统和所述地面交通系统之间可以设置网络安全防护设备，以保证数据传输的安全；所述数据采集模块110可以为数据采集服务器，但本发明不以此为限。

请继续参考图3，所述数据分析模块120具体用于根据所述售检票数据获取所述轨道交通车站的历史进出闸机客流数据和实时进出闸机客流数据；根据所述车站视频数据和所述手机信令数据获取所述轨道交通车站的历史出入客流数据和实时出入客流数据；以及根据所述车载视频数据及所述车辆称重数据获取待进站车辆的历史车载客流数据和实时车载客流数据。

具体的，在本实施例中，所述数据分析模块120通过对所述预设范围的所述原始数据进行客流密度、客流流向、客流流速及乘客异常行为等分析后，可以获取所述轨道交通车站的客流数据，即所述历史进出闸机客流数据、所述实时进出闸机客流数据、所述历史出入客流数据、所述实时出入客流数据、所述历史车载客流数据和所述实时车载客流数据；所述数据分析模块120可以为数据分析服务器，但本发明不以此为限。

请继续参考图3，所述数据预处理模块130具体用于对所述历史进出闸机客流数据、所述实时进出闸机客流数据、所述历史出入客流数据、所述实时出入客流数据、所述历史车载客流数据和所述实时车载客流数据进行预处理，且所述预处理包括去重和回归验证。

具体的，在本实施例中，由于所述数据分析模块120得到的所述轨道交通车站的客流数据(包括所述历史进出闸机客流数据、所述实时进出闸机客流数据、所述历史出入客流数据、所述实时出入客流数据、所述历史车载客流数据和所述实时车载客流数据)存在数据重复的问题，则需要所述数据预处理模块130对得到的所述轨道交通车站的客流数据进行信息换算、数据去重(包括数据查重、清洗和筛选等)以及数据校核即回归验证等预处理，以使获取的所述轨道交通车站的客流数据的准确性较高；所述数据预处理模块130可以为数据预处理服务器，但本发明不以此为限。

具体的，在本实施例中，所述热力图模块160则可以根据预处理的所述轨道交通车站的客流数据生成客流热流图，以对客流的具体分布情况进行直观的展示，但本发明不以此为限。

请继续参考图3，所述模型构建模块140具体用于根据预处理后的所述历史进出闸机客流数据、预处理后的所述历史出入客流数据以及预处理后的所述历史车载客流数据，采用预设方法构建所述轨道交通车站的所述客流预测模型；以及根据预处理后的所述实时进出闸机客流数据、预处理后的所述实时出入客流数据和预处理后的所述实时车载客流数据，通过所述客流预测模型获取所述轨道交通车站在所述预设时段的进出站客流量。

可以理解的是，在一些其他的实施例中，所述预设方法包括滑动窗口平均法、t-sne模式分析、dbscan模式聚类以及随机森林算法中的一种或任意一组合。

具体的，在本实施例中，所述模型构建模块140通过dbscan模式聚类方法、随机森林算法以及滑动窗口平均法相结合来构建所述客流预测模型，以提高所述客流预测模型的预测精度，但本发明不以此为限。

请继续参考图3，所述指挥调度模块150具体用于根据所述预设时段的进出站客流量获取所述轨道交通车站在所述预设时段的乘客滞留量；通过轨道交通车辆运行图获取所述预设时段内所述轨道交通车站的所述待进站车辆的数量；根据所述待进站车辆的数量以及所述实时车载客流数据计算所述预设时段的所述待进站车辆的运能；以及根据所述预设时段的乘客滞留量和所述待进站车辆的运能计算所述待进站车辆的运能匹配系数，以对所述轨道交通车站的所述待进站车辆和滞留乘客进行协调调度。

可以理解的是，在一些其他的实施例中，所述运能匹配系数大于0.8，对所述轨道交通车站进行黄色预警，并对滞留乘客进行疏导；所述运能匹配系数大于1，对所述轨道交通车站进行橙色预警，并对所述轨道交通车站进行限流；以及所述运能匹配系数大于1.2，对所述轨道交通车站进行红色预警，并增加所述待进站车辆的数量以及调整所述待进站车辆的运行间隔。

具体的，所述指挥调度模块150可以提供所述轨道交通车站的区域指挥中心调度人机界面，以便于根据所述待进站车辆的运能匹配系数和所述地面交通信息对所述轨道交通车站的车辆和乘客进行合理及时的协调调度，从而保证所述轨道交通车站的客流畅通；所述指挥调度模块150可以为指挥调度工作站，但本发明不以此为限。

在本实施例中，若所述指挥调度模块150计算得到的所述运能匹配系数不大于0.8，则所述指挥调度模块150不采取任何调度措施；当所述运能匹配系数大于0.8且小于1时，所述指挥调度模块150对所述轨道交通车站进行黄色预警，并通知车站工作人员对所述滞留乘客进行疏导；当所述运能匹配系数大于1且小于1.2时，所述指挥调度模块150对所述轨道交通车站进行橙色预警，并通知车站工作人员对所述轨道交通车站进行限流以及对所述滞留乘客进行疏导；当所述运能匹配系数大于1.2时，所述指挥调度模块150对所述轨道交通车站进行红色预警，并通知车站工作人员增加所述待进站车辆的数量以及调整所述待进站车辆的运行间隔，同时对所述轨道交通车站进行限流以及对所述滞留乘客进行疏导；所述指挥调度模块150还可以与地面交通系统进行联动，以根据地面交通信息引导乘客改乘地面交通或者附近其他地铁线路，形成区域化调度管理，进而保证所述轨道交通车站的客流畅通。

综上所述，本实施例提供一种轨道交通调度方法及系统，可以从多个数据源采集预设范围的原始数据；根据原始数据可以获取轨道交通车站的客流数据；根据轨道交通车站的客流数据构建轨道交通车站的客流预测模型，并通过所述客流预测模型获取轨道交通车站在预设时段的客流量；根据预设时段的客流量则可以对轨道交通车站的车辆和乘客进行协调调度，以使轨道交通车站的客流畅通。本实施例提供的一种轨道交通智能调度方法及系统，可以根据多个数据源采集的预设范围的原始数据获取轨道交通车站的客流数据并进行预处理，实现了对轨道交通车站客流的全方位的实时监测，提高了轨道交通车站的客流数据的准确性；还可以根据待进站车辆的运能匹配系数，对轨道交通车站发出不同的预警，以便车站工作人员采取不同的措施，从而对轨道交通车站的车辆和乘客进行合理的协调调度，进而有序应对即将出现的大客流，保证轨道交通车站的客流畅通。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。