Hvordan kan drejestiler forbedre trafikken gennem dataanalyse?

1. Dataindsamlingslag: At lave et netværk af multidimensionelle opfattelser
Det roterende portsystem består af tre dele: millimeterbølgeafbildning af den menneskelige krop, biometrisk genkendelse Figur 1 og intelligent sensing . sammen foretager de en tredimensionel dataindsamlingsnetværk . hver gate har 12 sæt af højpræcisionssensorer, der registrerer 37 nøgleindikationer i realtid Af udstyrsdrift . For eksempel kan en hub lufthavns gate -system håndtere 200 anmodninger på samme tid og opbevare 1 . 2TB data pr. Dag . Det kan også indsamle data med en nøjagtighed af millisekunder.
Teknologien kommer omkring enkeltpunktsbegrænsningen af typisk sikkerhedsudstyr, når det kommer til datadimension . For eksempel kan biometriske moduler fange ansigtsfunktioner og iris-oplysninger fra passagerer og derefter sammenligne dem med den tredimensionelle konturdata produceret af millimeterbølgebilledteknologi . Dette øger nøjagtigheden af identitetsgenkendelse til en anerkendelsesdata til en millimeterbølgebilleder. 99 . 997%. Tryksensoren registrerer også kraftkurven for portens svingarm, hvilket kan korrekt detektere underlige opførsler som skræddersyning og gate skylning . Den tid, det tager for at finde underlige begivenheder, er nu kun 0,3 sekunder.
2. Datatransportlag: At lave arterier, der reagerer i realtid
Teknologien bruger en 5G+Edge computing -hybridarkitektur til at løse problemet med forsinkelser ved at sende store mængder data . NVIDIA JETSON AGX XAVIER ELT Computing Unit, der er oprettet nær porten, kan forudprocere de originale data og kondensere de nyttige data med 70%. Det 5G Slicing Private Network send de originale data til skyen i reelle tid, med en forsinkelse uden at få nogen under 20 millisekunder . Dette design lader systemet køre 5000 instruktioner på samme tid, hvilket er nok til grundlæggende dynamisk planlægning .
The system uses blockchain technology to create a distributed ledger, which helps keep data safe. All traffic records are encrypted with SHA-256 and kept in the consortium chain as timestamps. This makes sure that the data can't be changed and can be traced. According to the experience of one international airport, this approach makes data audits 60% mere effektiv og skærer den tid det tager at finde dårlige data fra 72 timer til 15 minutter .
3. Dataanalyse Lag: Tænd for dataværdimotoren
Hovedmålet med dataanalyselaget er at oprette en digital tvillingplatform og bruge maskinlæringsalgoritmer til at mine tre typer værdi:
Forudsigelse af udstyrets sundhed: Vi bruger et LSTM -neuralt netværk til at repræsentere 12 vigtige faktorer, herunder hyppigheden af bevægelsesvibrationer og trykket fra det hydrauliske støddæmper . Systemet kan nøjagtigt forudsige udstyrsfejl 72 timer i forvejen 89% af tiden, hvilket reducerer vedligeholdelse udsættes med 40% {.}}}
Dynamisk simulering af passagerflow: Brug af et spatiotemporalt konvolutionalt netværk (ST-CNN) til at se på gamle passagerstrømningsdata og konstruere en model, der forudsiger passagerflow på minutniveauet . under testen af et stort knude, modellen holdt forudsigelsesfejlen for passagerstrøm i spidsbelastningstider under ± 5%, hvilket gav en god basis for planlægning af ressourcer {{{}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}
Find sikkerhedstrusler: Brug graf neurale netværk (GNN'er) til at lave en graf over, hvordan passagerer opfører sig . Algoritmen kan finde usædvanlige sociale netværksstrukturer, sådanne grupper tailgating, højfrekvensafvigelse, der passerer, og andre adfærdsmønstre . Dette gør det tre gange mere sandsynligt, at der finder mulighed for, at sikkerhedsmæssige problemer.}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}} {{. dette
4. Beslutningsoptimering Lag: Ændring af den måde, trafikken styres
Beslutningsstøttesystemet får resultaterne af dataanalysen i realtid gennem API -grænseflader . Dette fører til tre hovedoptimeringsscenarier:
Planlægning af ressourcer dynamisk: systemet bruger forstærkningslæringsalgoritmer til automatisk at ændre antallet af åbne gate -kanaler baseret på hvor mange mennesker der passerer på et hvilket som helst tidspunkt . i en metrostation, dette system reducerer den gennemsnitlige ventetid for passagerer i rush -timer fra 12 minutter til 3. 5 minutter og raised kanalen anvendelsesgrad med 65%.
At lave en nødplan: Den digitale tvillingplatform kan automatisk oprette den bedste evakueringsplan ved at simulere 12 slags situationer, sådanne brande og terroristangreb . i en brandsimulering i en lufthavn, og forberede den bedste måde for folk at forlade baseret på portdata gjorde processen 40% hurtigere .
Forbedring af servicekvalitet: Systemet kan finde serviceproblemer og starte processen med at fastsætte dem ved hjælp af NLP -teknologi til at se på passagerklager . Dette system har hævet passagertilfredshed i et givet knudepunkt fra 82% til 93%, og klager håndteres på 8 minutter i stedet for 12.}

Drop arm stativ turnstile