Обзор и выбор методов автоматизированного подсчета пассажиров на общественном наземном транспорте для эффективного управления перевозками

Введение. Цель исследования заключается в обзоре современных методов автоматического подсчета пассажиропотоков в общественном транспорте. Исследование посвящено актуальной проблеме подсчета пассажиропотока в общественном транспорте с использованием современных технологий, таких как видеонаблюдение, инфракрасные сенсоры и LiDAR.

Материалы и методы. Представлен обзор технологий, включая датчики, камеры, LiDAR и RFID, а также методы анализа, основанные на теоретических и эмпирических подходах. Использована информация от компаний-разработчиков для сравнения точности технологий в реальных условиях.

Результаты. Сравнения показывают, что наилучшую точность обеспечивают LiDAR и камеры с машинным обучением, особенно в условиях высокой плотности пассажиров. Технологии на основе Wi-Fi и Bluetooth имеют ограниченную точность, но комбинированные решения могут преодолеть их недостатки.

Обсуждение и заключение. Для точного подсчёта пассажиров наиболее эффективны LiDAR и видеонаблюдение с машинным обучением. Рекомендуется дальнейшее тестирование комбинированных технологий и развитие гибких систем, а также использование инновационных подходов в обучении нейронных сетей для улучшения точности.

1. Kuipers R.A., Palmqvist C.-W. Passenger Volumes and Dwell Times for Commuter Trains: A Case Study Using Automatic Passenger Count Data in Stockholm // Appl. Sci. 2022. Т. 12, №12. https://doi.org/10.3390/app12125983.

2. Андреев К.П. Совершенствование транспортного обслуживания населения // Транспортное Дело России. 2017. № 3. С. 7–9.

3. Петрова Д.В. Современные подходы к организации мониторинга пассажиропотоков общественного транспорта городских агломераций // Int. J. Open Inf. Technol. 2020. Т. 8, № 1. С. 47–57.

4. Ковалев А.М., Егоров К.В., Санжапов Р.Р., Прыткова Е.Г. Тестирование системы аппаратного учета пассажиропотока в реальных условиях городского маршрута // Технико-технологические проблемы сервиса. 2021. № 4 (58). С. 12–18.

5. Grgurević I., Juršić K., Rajič V. Review of Automatic Passenger Counting Systems in Public Urban Transport. 5th EAI International Conference on Management of Manufacturing Systems. Cham: Springer, 2022. pp. 1–15. https://doi.org/10.1007/978-3-030-67241-6_1.

6. Kotz A., Kittelson D.B., Northrop W.F. Novel Vehicle Mass-Based Automated Passenger Counter for Transit Applications // Transp. Res. Rec. 2016. Т. 2536. https://doi.org/10.3141/2536-05.

7. Nitti M., Pinna F., Pintor L., et al. iABACUS: A Wi-Fi-Based Automatic Bus Passenger Counting System // Energies. 2020. Т. 13, no 6. https://doi.org/10.3390/en13061446.

8. Jiang H., Chen S., Xiao Z., et al. Pa-Count: Passenger Counting in Vehicles Using Wi-Fi Signals // IEEE Trans. Mob. Comput. 2024. Т. 23, no 4. pp. 2684–2697. https://doi.org/10.1109/TMC.2023.3263229.

9. Khan S., Yousaf M.H., Murtaza F., Velastin S. Passenger Detection and Counting for Public Transport System // NED Univ. J. Res. 2020. Т. XVII. pp. 35–46. https://doi.org/10.35453/NEDJR-ASCN-2019-0016.

10. Labit-Bonis C., Thomas J., Lerasle F. Visual and Automatic Bus Passenger Counting Based on a Deep Tracking-by-Detection System. [Электронный ресурс]. URL: https://hal.science/hal-03363502 (режим доступа: 30.10.2024)

11. Seidel R., Jahn N., Seo S., et al. NAPC: A Neural Algorithm for Automated Passenger Counting in Public Transport on a Privacy-Friendly Dataset // IEEE Open J. Intell. Transp. Syst. 2022. Т. 3. pp. 33–44. https://doi.org/10.1109/OJITS.2021.3139393.

12. Pronello C., Ruiz X.R.G. Evaluating the Performance of Video-Based Automated Passenger Counting Systems in Real-World Conditions: A Comparative Study // Sensors. 2023. Т. 23, no 18. https://doi.org/10.3390/s23187719.

13. Hsu Y.-W., Wang T.-Y., Perng J.-W. Passenger Flow Counting in Buses Based on Deep Learning Using Surveillance Video // Optik. 2020. Т. 202. https://doi.org/10.1016/j.ijleo.2019.163675.

14. Ge L., Sarhani M., Voß S., Xie L. Review of Transit Data Sources: Potentials, Challenges and Complementarity // Sustainability. 2021. Т. 13, no 20. pp. 11450. https://doi.org/10.3390/su132011450.

15. Zhang J., et al. A Real-Time Passenger Flow Estimation and Prediction Method for Urban Bus Transit Systems // IEEE Trans. Intell. Transp. Syst. 2017. Т. 18, no 11. https://doi.org/10.1109/tits.2017.2686876.

16. Demissie M.G., et al. Inferring Passenger Travel Demand to Improve Urban Mobility in Developing Countries Using Cell Phone Data: A Case Study of Senegal // IEEE Trans. Intell. Transp. Syst. 2016. Т. 17, no 9. pp. 2466–2478. https://doi.org/10.1109/TITS.2016.2521830.

17. Mccarthy C., et al. A Field Study of Internet of Things-Based Solutions for Automatic Passenger Counting // IEEE Open J. Intell. Transp. Syst. 2021. Т. 2. pp. 384–401. https://doi.org/10.1109/OJITS.2021.3111052.

18. Kuchár P., Pirník R., Janota A., et al. Passenger Occupancy Estimation in Vehicles: A Review of Current Methods and Research Challenges // Sustainability. 2023. Т. 15, no 2. pp. 1332. https://doi.org/10.3390/su15021332.