车站客流监测系统、车站客流监测方法及车站客流管控系统、车站客流管控方法

摘要

一种车站客流监测系统、监测方法及车站客流管控系统和管控方法，监测系统包括数据采集系统、数据处理系统等；数据采集系统包括在车站设置的多个红外计数、视频识别计数以及闸机计数设备；这些设备均连接至数据处理系统；监测方法包括：将车站划分为非付费区、付费区、站台区，通过设置安检设备、进出站闸机等进一步将这三区分隔开，再通过红外计数、闸机计数等设备将采集的数据输送至数据处理系统进行处理，得出三区的进出双向客流量。车站客流管控系统则在监测系统的基础上进一步包括管控决策模块，而管控方法则是通过管控决策模块对车站客流进行有效管控。本发明能提高客流管控效率、便于疏导站内客流，防止大客流突发事件发生。

说明书

技术领域

本发明属于城市轨道交通安全和应急管理技术领域，尤其涉及一种车站客流监测、管控系统及车站客流监测、管控方法。

背景技术

随着我国社会经济的发展，特别是城市化、城镇化进程的逐步加快，越来越多的人口涌入到大中型城市，这为城市注入了生机的同时也加大了城市的交通压力。目前，地铁工作者对于客流管控工作已经充分重视，并且均建立了具有针对性的客流管控预案，在一定程度上起到了大客流控制的作用。但是普遍存在以下问题：(1)客流实时分布状态往往只能依赖人工目测或视频监控进行粗略估计，主观随机性较大、准确度不高；(2)站内大客流管控预案的制定主要依赖经验主义，往往要求管理人员对车站状况非常熟悉，并且具有丰富的客流管控经验；(3)对客流在车站立体空间内的流线和动态演变机理缺乏清晰判断，导致管控决策缺乏一定的科学性，影响了运营效率的充分发挥；(4)对于启动客流控制的判断存在滞后性，导致管控措施不能够及时实施。

在客流监测方面，李娜、方卫宁提出了结合自适应背景差分和比例自适应模板匹配的算法来识别地铁站内人群数目及分布。用背景减除对图像进行分割，然后再利用比例自适应模板对感兴趣的区域进行搜索匹配，识别目标人群的数目及位置分布(参见李娜，方卫宁.基于视频流的地铁人群目标识别[J].北京交通大学学报，2006，30(1):96-99.)。刘海涛提出了基于票务信息的城市轨道交通客流实时监测系统，设计了城市轨道交通客流监测系统的总体构架和详细算法，提出了客流的拥堵传递现象，制定了以计算机队列理论为根本解决方法的表上作业分析法，为分析和跟踪客流流动提供了有力手段(参见刘海涛.基于票务信息的城市轨道交通客流实时监测系统的研究[D].西南交通大学，2011.)。陈亮采用光流法视频分析的手段，对地铁客流监测应用进行研究，通过估算背景画面中的客流密度，结合相应的交通参数(如速度、时间等)，自动判断指定区域内拥挤状况，并及时触发报警(参见陈亮.基于光流法的视频分析技术在地铁客流监测中的应用[J].城轨交通，2013，10(1):58-62.)。

然而以上监测方法均存在一定的缺陷：结合自适应背景差分和比例自适应模板匹配的算法，在客流流动性较低时误差较大，无法满足精度要求；使用票务数据信息来实现统计、预测和分析城市轨道交通运营状态服务的方法具有明显的滞后性；光流法视频分析的手段对客流密度的计算精度较低，处理可靠性不高。

目前国内绝大部分地铁车站采用闸机计数、人眼目测估计和分区域视频监控的方法来获取站内客流分布状况。然而，以上方法并不能全面且准确地获取地铁站内的客流分布数据：闸机计数只能记录进入地铁站台和付费区的总人数，而不能得知分布在各区域的具体实际人数；人眼目测估计存在较大的误差判断，且主观随机性很大；视频观测的问题在于车站内部面积较大，导致车站值班员具有繁重的监控工作量，难以及时发现异常状况。国内部分一线城市引进了视频计数的新兴技术，但受限于视频图像处理技术的发展，基于视频计数的客流动态监测存在局限性。

在客流安全管控方面，史小俊介绍了地铁车站客流组织的基本原则，分析了影响地铁车站客流组织的因素，结合天津地铁1号线客流组织实例，简析了车站在应对大客流时采取的组织措施(参见史小俊.地铁车站应对大客流的组织措施[J].城市轨道交通研究.2009(10).)。也有学者在城市交通换乘站客流控制方法研究中，根据车站的最大输送能力确定了控制点的通过能力，从而形成完整的客流控制方案；还有学者在城市轨道交通突发客流运输组织方法研究中，提出了应对突发客流时的具体组织措施。

由上述文献资料可见，目前对大客流情况下的交通管理分析主要是一些大型活动交通管理的经验总结，研究对象的针对性很强，一些理论不具有普适性；城市轨道交通客流的研究主要针对规划阶段的客流预测，探讨较多的是客流预测方法的改进以及相关评价体系的建立，而针对运营阶段的客流管控分析较少。

发明内容

本发明所要解决的技术问题是，克服以上背景技术中提到的不足和缺陷，提供一种能准确、实时、高精度地获取车站各区域客流量的车站客流监测系统及监测方法，还提供一种能提高客流管控效率、便于疏导站内客流、防止大客流突发事件发生的车站客流管控系统及管控方法。

为解决上述技术问题，本发明提出的技术方案为一种车站客流监测系统，所述车站客流监测系统包括数据采集系统、数据处理系统和数据存储系统；所述数据采集系统包括红外监测模块、视频识别监测模块和闸机计数监测模块，所述红外监测模块包括在车站各个安检处设置的多个红外计数设备，所述视频识别监测模块包括在车站站厅、车站站台、车站楼道口装设的多台视频识别计数设备，所述闸机计数监测模块包括在车站进、出站闸机处装设的多台闸机计数设备；所述红外监测模块、视频识别监测模块和闸机计数监测模块均通过数据线连接至所述数据处理系统，所述数据处理系统连接至数据存储系统。所述的车站特别优选是指地铁车站。前述的红外监测模块、视频识别监测模块和闸机计数监测模块所采集的初始数据包括进出截面的人数、对应的时间以及客流的方向。这些初始数据传输到数据处理系统后即可得到单位时间的人流速率(此人流速率可用于预测)。数据处理系统根据以上采集的初始数据可获得各区域实时的人数分布，同时还可以获取各隔断设备的实时人流速度。另外，前述的红外计数设备、闸机计数设备和视频识别计数设备均可通过市购获得。

作为一个总的技术构思，本发明还提供一种车站客流监测方法，包括以下步骤：

1)通过隔断设备，将车站所在立体空间划分为至少三个区域，即：非付费区B₁、付费区B₂、站台区B₃；

2)通过设置安检设备将所述非付费区划分为非安检区和安检区；所述非安检区与车站外连通；通过设置进、出站闸机将所述安检区与付费区分隔开；通过设置上下站电梯或楼梯将付费区与站台区分隔开；

3)在安检设备处设置红外计数设备，在进、出站闸机处装设闸机计数设备；在上下站电梯或楼梯处装设视频识别计数设备；

4)所述红外计数设备、闸机计数设备和视频识别计数设备将各自采集的数据输送至一数据处理系统，得到进入非付费区、付费区、站台区的人数分别为I₁,I₂,I₃，得到离开非付费区、付费区、站台区的人数分别为O₁,O₂,O₃；

5)数据处理系统对获得的I₁,I₂,I₃和O₁,O₂,O₃进行数据处理，得出单位时间内非付费区、付费区、站台区的进出双向客流量，并储存到数据存储系统备用；通过各区域关键连接点的双向客流量还可计算出车站各区域的实时人数分布，进行适当修正后也可储存到数据存储系统备用。

本发明的上述技术方案中，综合采用了红外线技术、视频识别技术等，在车站内的进出站口、安检处、入口闸机处、站厅电梯、楼梯处以及站台区域等客流流线的重要连接点进行布控，实时监测乘客数量和乘客流向，以动态获取车站内各区域的客流量情况。考虑各计数点客流通行特点，本发明上述技术方案在车站内的不同连接点采用了不同的计数方式：在安检处设置红外计数设备，对进入非付费区的人数进行统计；在地铁进站闸机处，通过闸机计数设备得到进入付费区的乘客数量；在站厅和站台间的重要通道口、上下楼梯口及电梯口处安装视频识别计数设备，采用视频识别技术统计进入站台的乘客数量。通过红外计数、闸机计数和视频计数，即可得到非付费区和付费区的进出双向客流量。

在上述本发明的技术方案中，红外计数设备的精度可达97％，闸机计数设备的精度接近100％，视频识别计数设备则可达96％，这些技术的综合应用可以满足本发明车站客流监测系统的精度要求。

作为一个总的技术构思，本发明还提供一种车站客流管控系统，包括管控决策模块和上述的车站客流监测系统，所述管控决策模块包括客流预测模块、方案生成模块和预警信息发布模块；所述客流预测模块的输入端通过数据线连接至数据存储系统，所述客流预测模块的输出端通过数据线连接至基于三级管控实施方式的方案生成模块，所述预警信息发布模块包括显示器和信号预警装置；所述方案生成模块通过数据线连接至显示器显示管控决策方案；所述方案生成模块还连接至信号预警装置，信号预警装置根据方案生成模块的管控决策方案适时发出预警信号。

作为一个总的技术构思，本发明还提供一种车站客流管控方法，包括以下步骤：

1)通过车站客流监测系统监测车站的客流量，并采集车站的客流量数据储存到数据存储系统中；

2)建立预测模型，根据从数据存储系统中调用的客流量数据预测Tmin以后车站各区域的客流分布；

3)将所述车站客流监测系统获取的实时客流数据和管控决策模块生成的预测客流数据输入到管控决策模块中，由管控决策模块进行判断后，生成动态安全管控决策方案；所述动态安全管控决策方案是基于三级客流控制原理生成；

4)所述动态安全管控决策方案输出到显示器中，并通过预警信息发布模块适时进行预警。

上述的车站客流管控方法，所述车站客流监测系统优选采用上述本发明的车站客流监测系统。相应的，上述车站客流管控方法的步骤1)优选采用上述本发明的车站客流监测方法。

上述的车站客流管控方法，优选的，所述步骤2)中：从数据存储系统中调用的客流量数据包括车站客流监测系统采集获取的实时客流数据及历史客流数据；所述历史客流数据包括横向历史数据和纵向历史数据，横向历史数据为当天一段时间T内的客流分布数据，纵向历史数据为一定期限内每一天在该相同时间点的客流分布数据。由于是根据当天的数据变化趋势以及其他参数来预测Tmin之后的人数，因此此处T的取值一般不用太大。考虑到车站客流量的高峰期潮汐特性，用于预测的观测数据优选是在半个小时到一个小时之内的，具体范围可根据车站实际情况决定。

上述的车站客流管控方法，优选的，所述步骤2)中：所述预测时间Tmin一般根据车站的不同而不同，优选由车站人员实施管控决策方案的反应时间和列车开行频率共同确定。

上述的车站客流管控方法，优选的，所述预测模型是基于输入的历史数据建立得到，所述历史数据是基于时间序列的至少每间隔5秒进行记录的连续数据，选用预测方法包括人工神经网络法、时间序列法和元胞自动机模拟法。其中，一种优选的基于时间序列的曲线拟合法如下：

对于当天的短时客流预测，随着高峰期的开始和消退，短时间内各通道的人流速率可看作线性关系，该时间段内各区域的客流量曲线可近似看作二次曲线。对于连续相同特征日的相同时间段，各区域的人数也具有相同的特征，可将相同特征日的同一时刻的客流量近似看作线性变化，可对预测结果进行检验修正。相同特征日指客流变化呈现相同周期性变化的日子，运用相同的列车运行图，一般根据是否是工作日、节前日、节后日及节假日来选取。

①预测模型：记在时刻t区域i的实时人数为当天一定时间内时刻t之前的历史数据往前推依次为设拟合曲线为p′(t)＝a′+b′t+c′t²，则根据最小二乘法可得a′，b′，c′满足：

解得：a′＝a′₀，b′＝b′₀，c′＝c′₀；则拟合曲线为：p′(t)＝a′₀+b′₀t+c′₀t²；则预测时间Δt之后，区域i的预测人数为：p′_i(t+Δt)＝a′₀+b′₀(t+Δt)+c′₀(t+Δt)²。

②曲线拟合的检验：采用K.Pearsonχ²检验法。统计假设为H₀：p(t)＝p′(t)，H₁：p(t)≠p′(t).检验统计量为取常见的显著性水平α＝0.1下，检验统计量的拒绝域为：根据历史数据与拟合理论值计算的统计检验量χ²的大小，若计算结果没有落在拒绝域上，则接受该拟合方程，进行下一步预测结果的修正。若计算结果落在拒绝域上，则拟合效果不佳，将上述模型进行修改，增加拟合曲线的次数进行计算并检验，直到检验结果符合要求。

③预测数据的修正：修正模型如下，记相同特征日对应的时刻t时区域i的人数以此向前推为：设拟合曲线为p″(t)＝a″+b″t，则根据最小二乘法可得a″，b″满足：

解得：a″＝a″₀，b″＝b′₀；则拟合曲线为：则预测时间Δt之后，区域i的预测人数为：p″_i(t+Δt)＝a″₀+b″₀(t+Δt)。该结果可反映客流在周期性变化的特征，用当前时刻的真实值与上当前时刻两个预测结果的差异对预测时刻的预测值进行修正。记当前时刻t₀时的观测数据为①中预测模型计算的结果为p′_i(t₀)，修正模型③计算结果为p″_i(t₀)；预测时刻t+Δt时①中预测模型计算的结果为p′_i(t+Δt)，修正模型③计算结果为p″_i(t+Δt)，则：

即：

综上所述，区域i在Δt时间后的预测人数为p_i(t+Δt)即为所求。

上述本发明的车站客流管控系统及方法基于实时客流数据、历史客流数据和客流演变规律对车站各区域人数进行预测，结合设计参数与客流数据建立数学模型，当需要作出管控决策时，车站客流管控系统会发出预警并将管控决策方案通过显示平台呈现给管理人员，管理人员可利用本车站客流管控系统发布管控决策具体措施。

与现有技术相比，本发明的优点在于：

本发明的车站客流监测及管控系统可以根据不同车站、地铁站的硬件设备情况、服务能力等参数，实现车站客流分布和变化的动态监测，实现对客流的流量、流向和流线的有效管控，为车站工作人员提供科学的管控方法，从而减轻工作人员的压力、避免站内出现过度拥挤的情况，降低事故发生概率，保证乘客乘车安全。

另外，本发明的车站客流监测及管控系统对不同车站和不同城市的地铁系统具有高度的普适性。该车站客流监测及管控系统也可为整个城市地铁线网的列车安排、客流控制提供辅助决策，为地铁系统运营组织提供可靠的技术支持。

此外，本发明还可实现对地铁站等客流分布的监控预测，为地铁站工作人员应对大客流和突发状况提供科学依据，在突发客流到来之前做出反应，防止大客流事件的发生。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中地铁站客流监测及管控系统的结构框图。

图2为本发明实施例中地铁站客流监测系统的数据监控前端设备布置示意图。

图3为本发明实施例中地铁站客流监测系统的数据处理流程及流量测算原理图。

图4为本发明实施例中管控决策模块中模型建立的流程图。

图5为本发明实施例中预测模型的预测流程示意图。

图6为本发明实施例中整个管控决策方案生成流程图。

具体实施方式

为了便于理解本发明，下文将结合说明书附图和较佳的实施例对本发明作更全面、细致地描述，但本发明的保护范围并不限于以下具体的实施例。

需要特别说明的是，当某一元件被描述为“固定于、固接于、连接于或连通于”另一元件上时，它可以是直接固定、固接、连接或连通在另一元件上，也可以是通过其他中间连接件间接固定、固接、连接或连通在另一元件上。

除非另有定义，下文中所使用的所有专业术语与本领域技术人员通常理解的含义相同。本文中所使用的专业术语只是为了描述具体实施例的目的，并不是旨在限制本发明的保护范围。

除非另有特别说明，本发明中用到的各种原材料、试剂、仪器和设备等均可通过市场购买得到或者可通过现有方法制备得到。

实施例：

一种如图1所示本发明的地铁站客流管控系统，包括地铁站客流监测系统和管控决策模块。

本实施例的地铁站客流监测系统即图1所示的客流动态监测模块，包括数据采集系统、数据处理系统和数据存储系统；数据采集系统包括红外监测模块、视频识别监测模块和闸机计数监测模块，红外监测模块包括在地铁站各个安检处设置的多个红外计数设备，视频识别监测模块包括在地铁站站厅、地铁站台、地铁站楼道口装设的多台视频识别计数设备，闸机计数监测模块包括在地铁站进、出站闸机处装设的多台闸机计数设备；红外监测模块、视频识别监测模块和闸机计数监测模块均通过数据线连接至数据处理系统，数据处理系统可计算出地铁站内各区域的实时人数分布情况，并将计算获取的相应数据存储到与数据处理系统连接的数据存储系统。

如图1所示，本实施例的管控决策模块包括客流预测模块、方案生成模块和预警信息发布模块；客流预测模块的输入端通过数据线连接至数据存储系统，客流预测模块的输出端通过数据线连接至基于三级管控实施方式的方案生成模块，预警信息发布模块包括显示器和信号预警装置；方案生成模块通过数据线连接至显示器显示管控决策方案；方案生成模块还连接至信号预警装置，信号预警装置根据方案生成模块的管控决策方案适时发出预警信号。

一种基于上述本实施例的地铁站客流管控系统的管控方法，包括以下步骤：

1.通过地铁站客流监测系统监测车站的客流量，并采集地铁站的客流量数据储存到数据存储系统中，具体的地铁站客流监测方法又包括以下几步：

1)如图2所示，图2示出了本实施例的地铁站客流监测系统的数据监控前端设备在一地铁站实地区域的布置示意图。由图2可见，该地铁站包括有四个进站口，通过隔断设备，将该地铁站所在立体空间划分为至少三个区域，即：非付费区B₁、付费区B₂、站台区B₃；则进站乘客在地铁站内的流动方向为B₁-B₂-B₃；

2)通过设置图2中的两个安检装置将非付费区划分为非安检区和安检区；非安检区与地铁站外连通，安检区内设置有9个自动售票机；通过设置8个进、出站闸机将安检区与付费区分隔开；通过设置两个上下站宽扶电梯和楼梯将付费区与站台区分隔开；

3)在安检装置处设置红外计数设备，在进、出站闸机处装设闸机计数设备；在上下站电梯或楼梯处装设视频识别计数设备；

4)红外计数设备、闸机计数设备和视频识别计数设备将各自采集的数据输送至一数据处理系统，得到进入非付费区、付费区、站台区的人数分别为I₁,I₂,I₃，得到离开非付费区、付费区、站台区的人数分别为O₁,O₂,O₃；则可根据地铁站结构计算出任一时刻各个区域的人数：

p_i＝I_i-O_i(i＝1,2,3)(1)

5)数据处理系统对获得的I₁,I₂,I₃和O₁,O₂,O₃进行数据处理，I₁,I₂,I₃和O₁,O₂,O₃由进站客流进入和离开的速率——各个计数设备所在断面的通行速率所决定；而在未来△T时间内，进入和离开区域B_i(i＝1,2,3)的最大客流量为I′_i,O′_i：

I′_i＝△T×V(i)(2)

O′_i＝△T×V(i+1)(3)

其中，V(1)为进站口总通行速率，V(2)为安检总通行速率，V(3)为闸机总通行速率；V(4)为付费区到站台区的上下站楼梯及电梯口总通行速率。

上述的V(i)并非是指各隔断设备截面处观察的人流速率，而是指的各隔断设备在理论上的最大通过速率，是根据隔断设备的参数计算所得值。各隔断设备的相关参数定义如下表1所示：

表1：隔断设备的相关参数定义

则入站口、安检、闸机、付费区的总通行速率的计算公式分别如下：

V(1)＝N_s1×(C_s×d_s1)+N_e1×(C_e×d_e1)(4)

V(2)＝N_安检×C_安检(5)

V(3)＝N_闸机×C_闸机(6)

V(4)＝N_s2×(C_s×d_s2)+N_e2×(C_e×d_e2)(7)

其中，各隔断设备的通行能力可参考表2所示。由此，我们可以计算出在一定参数条件下各区域人数的理论值。

表2：车站各部位最大通过能力

如图3所示，经过上述处理后可得出单位时间内非付费区、付费区、站台区的进出双向客流量，并储存到数据存储系统备用。

2.通过分析进站客流的演变机理，建立恰当的预测模型，根据从数据存储系统中调用的客流量数据预测Tmin以后车站各区域的客流分布；预测模型是基于输入的历史数据建立得到，历史数据则是基于时间序列每间隔5秒进行记录的连续数据，选用预测方法包括人工神经网络法、时间序列法和元胞自动机模拟法，预测流程如图5所示。

3.将上述地铁站客流监测系统获取的实时客流数据和管控决策模块生成的预测客流数据输入到管控决策模块中，到管控决策模块的数学模型建立如图4所示。在不同的客流分布情况下，由管控决策模块对客流控制的启动与否进行判断，判断标准如下。

综合考虑B_i区域的服务水平对应的密度ρ₁(i)和安全疏散密度ρ₂(i)，我们对二者分别赋予不同的权重α(i),β(i)，且α(i)+β(i)＝1，得到客流控制参考密度ρ(i)＝α(i)*ρ₁(i)+β(i)*ρ₂(i)。根据管理规范的不同，可对不同区域的服务水平密度ρ₁(i)和安全疏散密度ρ₂(i)赋予不同的权重。服务水平密度和安全疏散密度可分别参考下表3和下表4。

设各区域的有效面积为S_i(i＝1,2,3)，则各区域对应的最大客流容纳量分别为P_i＝S_i×ρ(i)。

表3：LOS分级标准(m²/人)

表4：不同通行设施内行人疏散水平的密度范围(人/m²)

4.依据上述判断标准启动并生成动态安全管控决策方案，该动态安全管控决策方案是基于三级客流控制原理生成。动态安全管控决策方案输出到显示器中，并通过预警信息发布模块适时进行预警。本实施例是以三级管控为基础，根据预测的各区域人数与各区域最大客流容纳量进行对比，判断实施哪一级管控。当站台区域客流拥挤时，启动一级客流控制，以站厅与站台间的楼梯口处为主要控制点控制进站客流；当付费区客流拥挤时，启动二级客流控制，以闸机口处为主要控制点进行控流；当非收费区客流拥挤时，启动三级客流控制，以安检和进站口为主要控制点进行控流。然后，将数据输入到决策模型中，生成管控决策方案，决策方案为开放或关闭几个电梯、闸机、安检口以达到控制客流流速的目的。管控决策模型流程图见图4，整个管控决策方案生成流程图如图6所示。

具体的，从控制客流流速的角度出发，以寻求不同客流情况下对应的客流控制方案。

设△T为从当前时刻起到下辆列车到达之间的时间间隔，当预测的站台人数达到一级客流警报值，即p₃≥0.6*P₃时，启动一级客流控制。此时，付费区楼梯口处客流流速应满足：

V(4)*△T≤(P₃-p₃)(8)

依照三级控制的人潮控制原则，进站口、安检、闸机处的客流流速应满足：

V(4)≤V(3)≤V(2)≤V(1)；

各区域滞留客流量也应满足对应区域的客流限制数量：

p₁≤P₁；

p₂≤P₂；

同理，当预测的付费区人数达到二级客流警报值，即p₂≥0.6*P₂时，启动二级客流控制。

此时，各截断设备处的客流流速及各区域人数应满足：

V(3)≤V(1)；

V(3)≤V(2)；

p₁≤P₁；

p₃≥0.8*P₃

当预测的非付费区人数达到三级客流警报值，即p₁≥0.8*P₁时，启动三级客流控制。

此时，各截断设备处的客流流速及各区域人数应满足：

V(2)≤V(1)；

V(4)≤V(3)≤V(2)。

由以上标准可得出具有普适性的管控模型方程组如下：

备注：a、b、c、d、e为地铁站内相应设施数量。根据实际地铁站的设计参数和《地铁设计规范》，可以对上表1中各隔断设备的相关参数进行赋值；根据实际地铁站的平纵设计参数，可以得到各区域的有效面积S_i(i＝1,2,3)；根据管控决策平台处理的数据，可得到当前时刻距离下辆列车到达的时间间隔△T和当前各区域人数p_i。以上数值代入联立方程组，即可得到当前客流状况下对应的隔断设备开启数量的最优方案。结合地铁站的实际情况，管理人员可采取相应的管控措施。

由上述本实施例的技术方案可见：

(1)地铁大客流动态监测与管控系统实现了地铁站客流分布和变化的实时监测，实现了对地铁站内客流的流量、流向和流线的有效管控；

(2)通过分析地铁站的关键连接点，以连接点的形式将地铁站监控区域分为非付费区、付费区和站台三个部分。采用多种监测技术，充分发挥各种技术的优势，最大限度地契合地铁站客流的特点，合理利用闸机、安检门等原有设备在监测中的作用；

(3)以三级管控措施为依据，充分利用地铁站内部的空间布局和乘客流线趋势，提供科学的管控方案；

(4)研发了集客流监测、管控方案为一体的系统，具有高度的可靠性和普适性。