一种地铁站客流缓冲区风险辨识与协同管理方法及系统

1.一种地铁站客流缓冲区风险辨识与协同管理方法，其特征在于，包括：S1，基于社会力模型的个体运动仿真软件Massmotion，构建地铁站各分区客流缓冲区的三维仿真场景，获取地铁站客流缓冲区数据；S2，根据地铁站客流缓冲区数据，采用分区独立成分分析PIPCA算法对各分区客流数据进行处理，得到影响各分区客流系统的主导变量；S3，将主导变量作为输入，通过苔藓生长算法MGO优化预构建的非线性子回归神经网络NARX的权重和偏置参数，得到预测各缓冲区及瓶颈期客流密度的地铁客流缓冲区风险辨识模型；S4，根据地铁客流缓冲区风险辨识模型，构建目标函数和约束条件，在满足客流量需求的约束条件下，选择最优的控制策略；S5，采用拥堵风险识别方法，根据地铁客流缓冲区风险辨识模型，对步骤S4选择的不同控制策略下的客流拥堵风险进行评估，选择总拥堵风险最低的控制方案作为最终实施方案；其中，通过苔藓生长算法MGO优化预构建的非线性子回归神经网络NARX的权重和偏置参数，包括：随机初始化一组苔藓个体作为初始种群，每个苔藓个体表示非线性子回归神经网络NARX的权重 、 及 ，以及偏置参数 和 的一组可行解，并设置种群大小和最大迭代次数；计算每个苔藓个体的适应度Fitness， ，其中， 、 分别表示在开环和闭环模式下模型预测的均方误差， 、 分别表示模型在单步预测和多步预测中的均方误差；以种群中适应度Fitness最高的个体为最优个体 ；以最优个体 为基准，对种群中的每个维度j，以最优个体 的第j维值作为阈值，将种群划分为 和 两个子集；选择个体数最多的子集作为主要子集 ： ，其中， 表示子集的个体数量；经过多次划分得到最终子集 ： ，其中， 表示第 个随机数， 表示划分次数； 表示在第j维度上按照阈值划分后的子集 中的第p个个体；根据最终子集 ，模拟风向从最终子集 区域吹向最优个体 ，通过计算最终子集 中个体与最优个体 的平均距离确定风向 ： ，其中， 表示 中的个体总数， 表示个体相对于 的距离， 表示 内个体相对于 的距离集合；在探索阶段，利用风向 更新种群中每个苔藓个体的位置 ，模拟孢子随风散布的过程；在开发阶段，采用双传播搜索策略，确定新苔藓个体位置 ；当达到预设最大迭代次数时，输出全局最优苔藓个体位置作为非线性子回归神经网络NARX的权重 、 及 和偏置参数 和 ；其中，在探索阶段，利用风向 更新种群中每个苔藓个体的位置 ，模拟孢子随风散布的过程： ，其中， 表示第i个个体； 和 分别表示稳定和湍流下的传播距离： ；其中，E表示风力： ， 表示当前的计算次数， 表示迭代的最大次数； 、 和 是0至1范围内的随机数， 和 为常数参数； 表示 中总个体占 中总个体的比例；其中，S4，选择最优的控制策略，包括：根据地铁客流缓冲区风险辨识模型，构建目标函数和约束条件： ；其中， 和 分别表示第k+i个时间步人群密度的设定值和预测输出值；参数 和 定义了未来的时间范围； 是指令增量最小化的提前步数； 、 、 分别是人群密度输出误差、缓冲区方案输入指令差值、指令变化频率的加权系数； 是一个指示变量，表征在第k个时间步是否发生了输入指令的变化；序列 记录了从上次输入变化到当前时间步的时间间隔； 是一个正的权重系数，用于调节惩罚的强度；而 是一个非常小的正值； 表示第k时刻系统的输入值， 表示第k+1时刻系统的输入值； 表示第k+i时刻系统的输入值； 表示第k+i-1时刻系统的输入值； 分别是对应变量的最小值和最大值； 表示在k+i时刻允许的最大控制策略变化幅度； 表示第k-1个序列；在满足约束条件的情况下，最小化目标函数，从各缓冲区控制方案中选择最优的控制策略。 2.根据权利要求1所述的地铁站客流缓冲区风险辨识与协同管理方法，其特征在于：地铁站客流缓冲区数据包括输入数据和输出数据；输入数据包括各进站口客流量、各列车时刻表和各缓冲区控制方案；输出数据包括各缓冲区及瓶颈期的客流密度；各缓冲区控制方案指由多组护栏围城的目标区域，通过护栏的开放和关闭构成不同客流管控布局方案。 3.根据权利要求2所述的地铁站客流缓冲区风险辨识与协同管理方法，其特征在于：S2，得到影响各分区客流系统的主导变量，包括：根据地铁站三维仿真场景，将地铁站划分为多个子系统；根据地铁站客流缓冲区数据，识别各子系统的拥挤风险节点；根据拥挤风险节点的位置，将客流控制划分为两个环节：第一环节为非付费区内进站客流控制，第二环节为付费区内客流控制；对地铁站客流缓冲区数据进行标准化处理，得到各子系统的标准化矩阵X， ，其中，矩阵元素 表示子系统中第h个样本的第b项客流系统因素指标的值，客流系统因素指标个数为m；根据标准化矩阵X，计算不用因素指标的相关系数 ； ，其中， 为第i个因素指标和第j个因素指标的相关系数， 为第k个样本中第i个因素指标的值， 为第i个因素指标的平均值，n为样本数，i和j为正整数；根据相关系数 ，构建不同客流系统因素指标的相关系数矩阵 ： ；求解相关系数矩阵 的特征值 ；根据不同客流系统因素指标在相关系数矩阵 中的特征值 ，计算每个客流系统因素指标的贡献率 ： ，其中， 为第i个特征值；根据贡献率 ，选择累计贡献率大于阈值的客流系统因素指标，作为各分区客流系统的主导变量。 4.根据权利要求2所述的地铁站客流缓冲区风险辨识与协同管理方法，其特征在于：S3，得到预测各缓冲区及瓶颈期客流密度的地铁客流缓冲区风险辨识模型，包括：S31，将主导变量作为输入，构建非线性子回归神经网络NARX： ，其中，y表示系统的输出，u表示系统的输入； 和 分别表示输出和输入的时延， 为输入输出的非线性映射；S32，根据非线性子回归神经网络NARX，定义神经网络的隐含层节点输出 ： ，其中， 为隐含层激活函数， 为输入层的时延阶数， 为输出层的时延阶数， 为第 个隐含层节点与输入信号的第 个时延节点之间的权重，输入信号 的第 步时延输出为 ， 为第 个隐含层节点与输出信号的第 个时延节点之间的权重， 为第 步时延节点的输出， 为第 个隐含层节点的阈值；S33，根据 ，定义输出节点对应的输出 ： ，其中， 为第 个输出节点和第 个隐含层节点之间的权重， 为第 个输出节点的阈值， 为输出层节点个数；S34，采用苔藓生长算法MGO优化非线性子回归神经网络NARX的权重 、 及 和偏置参数 和 ；S35，利用优化后的权重 、 及 和偏置参数 和 更新非线性子回归神经网络NARX，并评估非线性子回归神经网络NARX的性能；S36，选择性能最优的非线性子回归神经网络NARX作为地铁客流缓冲区风险辨识模型。 5.根据权利要求1所述的地铁站客流缓冲区风险辨识与协同管理方法，其特征在于：在开发阶段，采用双传播搜索策略，确定新苔藓个体位置 ： ，其中， 表示第 个新个体， 表示 中的第 个粒子； 代表当前最优个体， 为风向量； 为0至1范围内的随机数， 为常数参数； 用于评估 内的粒子是否被利用， 是0至1范围内的随机向量； ， 为0至1范围内的随机数， 为风力； 表示当前最优个体 在第j维的值。 6.根据权利要求1所述的地铁站客流缓冲区风险辨识与协同管理方法，其特征在于：S5，选择总拥堵风险最低的控制方案作为最终实施方案，包括：根据地铁客流缓冲区风险辨识模型，对步骤S4选择的不同控制策略进行预测，获取各控制策略下缓冲区及瓶颈区的客流密度数据；根据获取的客流密度数据，定义总拥堵风险 ： ；其中， 表示一段时间内风险的累加值， 表示单位时间内的拥堵风险值， 表示单位时间， 表示当前乘客密度， 为最大密度阈值， 为密度值首次超过阈值的时刻， 为首次回落至阈值或以下的时刻；比较不同控制策略的总拥堵风险 ，选择总拥堵风险 最低的控制方案作为最终实施方案。 7.一种基于权利要求1至6任一所述的地铁站客流缓冲区风险辨识与协同管理方法的系统，其特征在于，包括：三维仿真模块，基于社会力模型的个体运动仿真软件Massmotion，构建地铁站各分区客流缓冲区的三维仿真场景，获取地铁站客流缓冲区数据；数据处理模块，根据地铁站客流缓冲区数据，采用分区独立成分分析PIPCA算法对各分区客流数据进行处理，得到影响各分区客流系统的主导变量；风险辨识模块，根据主导变量，通过苔藓生长算法MGO优化预构建的非线性子回归神经网络NARX的权重和偏置参数，得到预测各缓冲区及瓶颈区客流密度的地铁客流缓冲区风险辨识模型；控制策略模块，根据地铁客流缓冲区风险辨识模型，构建目标函数和约束条件，选择最优控制策略；风险评估模块，采用拥堵风险识别方法，根据地铁客流缓冲区风险辨识模型，对选择的最优控制策略进行客流拥堵风险评估，选择总拥堵风险最低的控制方案作为最终实施方案。