CN102169606B - 一种城市轨道交通网络大客流影响的预测方法 - Google Patents

Abstract

一种城市轨道交通网络大客流影响的预测方法，包括如下步骤：(1)构建城市轨道交通网络抽象模型；(2)生成大客流事件；(3)指定大客流去向/来源车站客流比例；(4)大客流网络影响分析。本发明可应用于城市轨道交通网络大客流组织仿真系统的开发。该系统还可在城市轨道交通网络的应急中心中得到应用，实现了大客流事件影响分析及应急处置的自动化和智能化，同时，其应急管理部门在日常的应急监控过程中经常利用该系统模拟大客流事件的处置过程，锻炼应急处置人员的临机处理能力，获得了很好的实际效果和企业效益。

Description

一种城市轨道交通网络大客流影响的预测方法

技术领域

本发明属于城市轨道交通网络化运营中的大客流影响及应急处置技术领域。 

背景技术

城市大型活动(博览会(如世博会)、大型体育会(如奥运会、F1大奖赛)、大型庆典(如国庆庆典)、节假日(如春节)、演唱会等)将在特定时间段内产生高强度、高密度的大客流，从而对城市客运交通系统产生巨大的挑战。城市轨道交通网络作为城市客运交通系统中的骨干，大客流事件由于具有人数众多、人流来向复杂、流动性大等一些不确定因素的特点，对轨道交通网络的运输能力、安全可靠性、协调调度等各个方面造成的交通压力更大。 

目前，国内外现有该技术领域中主要采用了基于客运需求总量预测的方法，即根据大型活动的特点，运用传统的交通需求预测分析方法，进行大型活动举办期间客运需求的总量预测，并提出相应的应急交通组织方案。城市轨道交通作为大容量的快速客运交通系统，在网络化运营条件下，大客流事件的影响将呈现出时间、空间上的自身规律和特点，而现有技术中对大客流事件在轨道交通网络上的时间、空间传播扩散影响缺少有效的分析预测方法。 

发明内容

城市大型活动举办期间，大客流将在部分车站形成大客流事件，并通过网络进一步传播和扩散，从而对城市轨道交通整体网络运用产生重大影响。在大客流事件发生情况下，城市轨道交通网络需要在网络运营组织方案、运行计划调整、安全保障等多方面作出及时调整和优化，其基础则是大客流发生后的轨道交通网络客流变化规律，即大客流对城市轨道交通网络在时间、空间两个维度上的影响。 

为有效满足大客流事件下城市轨道交通运营组织方案制定及大客流疏散处置辅助决策的需要，本发明基于大客流产生特征及其网络传播规律的分析，提出了大客流对城市轨道交通网络影响预测的方法，用于实现对城市轨道交通线网大客流的影响时间、影响程度和影响范围的分析预测。本发明在对城市轨道交通网络模型的抽象构建之上，基于大客流产生及传播规律的深入分析，提出了大客流产生规律、大客流去向确定、网络客流分布计算以及大客流影响分析评价方法等在内的大客流对城市轨道交通网络影响预测的一套完整方法。 

本发明方法流程如图1所示，具体过程包括如下步骤： 

(1)城市轨道交通网络抽象模型构建 

本发明以数学中图论的相关表示方法来描述城市轨道交通网络中各要素，从而构建城市轨道交通网络抽象模型，网络抽象模型中各元素对应的物理意义如下：1)节点：普通车站和换乘站；2)连接弧：两个相邻车站之间有方向的路段；3)弧的权值：对于换乘站之间来说是指在换乘站通道中的换乘时间，而对于普通车站之间或者普通车站与换乘站之间是指列车的区间运行时分。在规定了节点、连接弧和它们的权值之后，整个城市轨道交通网络就转换为了一个带有权值的有向图，从而把大客流在城市轨道交通网络中影响传播问题转化成了几何图论中的路径分析和搜索问题。 

(2)大客流事件生成 

大客流事件的产生对于城市轨道交通网络而言，其产生主要在车站，因此，本发明提出了如下特性用于描述大客流事件特征的相关信息：1)大客流发生地点：包括线路名和车站名；2)大客流发生车站的客流疏散能力，此能力反映了事发车站每小时最多能疏散多少客流；3)大客流预计发生时间；4)主管部门所要求的大客流疏散完毕时间；5)大客流数量；6)大客流的到达时间和到达规律。 

上述大客流事件信息中，前5项信息资料可从城市轨道交通运营部门或其他相关部门收集得到。第6项信息资料则可采用概率分布进行描述，可选择的概率分布模型有平均分布模型、负指数分布模型和爱尔朗分布模型。 

(3)大客流去向(来源)车站客流比例指定 

大客流情况下，轨道交通网络客流量包括原有客流量和叠加客流量。原有客流量即正常情况下轨道交通网络已经具有的客流量，这部分数值可直接从数据库中读取；叠加客流量即突增大客流在轨道交通网络中产生的额外客流量，该部分数值无法直接从历史记录中获取，是需要重点要研究和分析的对象。 

大客流叠加客流量的分析包括时间段分析、客流出发站(O站)分析和客流终到站(D站)分析。其中，时间段信息可以从步骤(2)客流的到达规律信息中获得，客流出发车站(O站)就是大客流事发车站，而客流终到站(D站)则不得而知，需要通过设计方法来分析得到。 

本发明设计了五种大客流D站客流比例指定方式，旨在利用城市轨道交通系统已有的历史客流数据信息以及轨道交通运营管理工作人员的丰富经验来分析确定大客流的D站客流分配比例： 

1)指定主要车站客流比例方式 

当客流走向比较集中，客流的目的地车站主要集中在少数车站范围内时，用户可通过直接指定D站名称和相应的客流比例来分配客流的去向。 

∑α_D＝1                                        式(1) 

其中，0≤α_D≤1，为某一指定D站的客流分配比例。 

以这种方式分配客流方便迅速、简单直观，但要求管理人员具有丰富的运营管理经验，能够准确把握客流的趋势和动向。 

2)分步推算客流比例方式 

通过指定客流在到达每一处换乘车站后去往每个方向的客流比例，最终推算出各目的地车站和相应的客流比例信息。与第一种方式不同的是，使用者指定的是每一个换乘站处去往各个方向的客流分流比例，最终的D站客流分配比例将由客流分配模型间接算得。 

α_D＝υ₁υ₂...υ_n                              式(2) 

其中，υ_i为在第i个换乘站去往D站方向的客流比例，0≤υ_i≤1。 

与方式(1)相比，该方式降低了对管理人员运营管理经验的要求，使用者只需掌握好各换乘站去往各方向的客流比例即可，最终的结果可由系统间接算得。 

3)统计计算客流比例方式 

以历史客流数据为基础，通过统计分析指定特征日期内的客流数据，来计算各目的地车站以及相应的客流比例信息。一般只需要将O站为大客流发生地车站的客流数据提取出来进行相关的统计计算即可。 

${\mathrm{\α}}_D=\frac{{\mathrm{\Σ}}_{i=1}^N{\mathrm{\γ}}_{\mathrm{Di}}}{N}$ 式(3) 

其中，N为参与统计的总天数，γ_Di为第i天从大客流发生车站去往D站的客流比例。 

可用的客流统计方式有很多，常用的有年平均、月平均、周平均、指定日期范围内平均、指定特征日期平均等等。只要数据库中存在所需日期的客流数据，即可利用该方式完成D站客流分配比例的计算。 

4)历史大客流分配比例方式 

若大客流发生地车站之前发生过类似的大客流事件，那么可利用历史大客流事件的实际 D站客流分配比例作为此次事件的D站客流分配比例。 

鉴于大客流的起因有多种，包括体育比赛、文艺活动、产品展览、群众集会等多种情况，而各种情况的客流特征互有差异，因此必须对历史大客流事件进行合理的组织和管理，使用者在实际计算时应该选择具有相同特征的历史大客流数据作为参考。 

5)客流来源比例方式 

按照乘客一般选用相同的交通方式到达和离去这一思路，通过统计大客流发生车站在指定时间段内的客流来源比例，指定D站的客流分配比例，实际操作中选择历史日期的客流数据作为参考。 

${\mathrm{\α}}_D=\frac{{\mathrm{\ω}}_D}{{\mathrm{\Σ}}_{i=1}^N{\mathrm{\ω}}_i}$ 式(4) 

其中，ω_i为指定时间段内从i站去往大客流发生车站的客流量，N等于路网中的车站总数减1。 

(4)大客流网络影响分析 

在确定大客流去向车站客流比例的基础上，依据分阶段、多路径城市轨道交通网络客流分布模型，进行轨道交通全网络各区间及站点、分时段的叠加客流量，将其与原有客流量相加可得到总客流量信息，从而获得大客流对城市轨道交通网络影响的分析预测结果。在此基础上，进行下述评价： 

1)影响时间分析 

①起终影响判别标准 

分析大客流对轨道交通网络中各线路的起终影响时间首先需要确定一个起始影响和终止影响的标准，即什么情况下认为大客流事件开始对本线产生影响，什么情况下认为大客流事件对本线的影响已经结束。在具体操作过程中，有两种标准可供选择： 

a.认为大客流事件中第一个乘客到达本线的时间作为本线的起始影响时间，而大客流事件中最后一个乘客离开本线的时间作为本线的终止影响时间； 

b.不论叠加客流量如何，只考虑区间总客流量和区间原有运能的对比情况，将线路中任一区间服务水平发生变化的时间作为线路的起始影响时间，而线路中所有区间的服务水平恢复到初始情况的时间作为线路的终止影响时间。 

考虑到分析结果存在一定的误差，并且富裕的时间段范围具有更高的可靠性，本发明选择第一种判别标准来分析计算各线的起终影响时间。 

②起终影响时间计算 

确定起终影响判别标准后，本发明通过遍历轨道交通网络中区间分时段叠加客流量信息来获得线路的起终影响时间，具体操作方法如下： 

a.对于大客流的全网影响时间段不跨天的情况：从大客流发生时间起开始，往后递推时间段，对于每一段时间，遍历本线所有区间的叠加客流量信息，若某一时间段本线路存在某区间的叠加客流量不为零，则该时间段的开始时间为本线路的起始影响时间，遍历过程结束；类似的，从凌晨24点开始，向前递推时间段，对于每一时间段，遍历本线所有区间的叠加客流量信息，若某一时间段本线路存在某区间的叠加客流量不为零，则该时间段的结束时间为本线路的终止影响时间，遍历过程结束。 

b.对于大客流的全网影响时间段跨天的情况：起始影响时间的计算方法不变，而终止影响时间的计算方法改为：从第二天的0:00分开始，往后递推时间段，对于每一段时间，遍历本线所有区间的叠加客流量信息，若某一时间段本线路所有区间的叠加客流量都为零，则该时间段的开始时间即为本线路的终止影响时间，遍历过程结束。 

2)影响程度分析 

大客流在轨道交通网络中的传播呈逐步扩散的趋势，如图3所示。本发明为了有效评价大客流对轨道交通网络的影响程度，将网络中各区间及车站运能与大客流期间的客流量峰值进行对比，根据对比的结果来判断各区间及车站是否受到影响以及影响的程度如何。具体方法如下： 

①划分大客流事件对车站的影响程度等级，如表1所示。 

                   表1 大客流事件对车站的影响等级划分 

影响等级	情况描述
		无影响	事发前后车站客流量变化很小，运营方案保持不变的情   况下服务水平没有变化。
轻微影响	事发前后车站客流量变化轻微，运营方案保持不变的情   况下服务水平虽有降低但仍不会形成客流拥挤。
		中等影响	事发前后车站客流量变化明显，运营方案保持不变的情   况下虽勉强能满足客流运送的需要，但乘客已经非常拥挤，服务水平很低。
较大影响	事发前后车站客流量变化很大，运营方案不变时已无法   满足客流运送的需要，必须加强运能运力，但客流量峰值仍没有超过线路的最大运能。
		严重影响	事发前后车站客流量变化巨大，线路的最大运能已无   法满足客流运送的需要，需要引导客流改用其它交通方式完成出行。

②计算区间及车站运能。包括该区间及车站的运能，可以从轨道交通运营管理部门收集得到。 

③计算区间及车站峰值客流量。车站的峰值客流量由两部分组成，一是大客流扩散至该车站时的剩余客流量，二是该车站原有的日常客流量，可以从轨道交通网络运行历史数据及前述网络客流分布的计算中得到。 

④确定大客流影响程度。通过比较大客流期间各区间及车站峰值客运量与运能之间的关系，对照表1得出大客流事件对轨道交通网路各区间及站的影响等级，从而评价大客流对轨道交通网络的影响程度。 

3)影响范围分析 

根据2)影响程度分析得到的轨道交通网络各区间及车站大客流影响等级，将影响等级在“轻微影响”以上的车站及其所在区段作为大客流在轨道交通网络上的影响范围。此外，实际操作过程中，还可根据实际业务需要确定影响范围的大客流影响等级阀值(如以“中等影响”取代“轻微影响”作为影响等级阀值)。 

本发明可应用于城市轨道交通网络大客流组织仿真系统的开发。该系统已被应用于“世博会期间的轨道交通运营组织与仿真计算研究”，结合客流预测系统和应急预案系统，针对世博会期间可能出现的大客流事件进行了模拟应急处置及列车开行方案的优化调整研究。该系统还在某城市轨道交通网络的应急中心中得到了应用，实现了大客流事件影响分析及应急处置的自动化和智能化，同时，其应急管理部门在日常的应急监控过程中经常利用该系统模拟大客流事件的处置过程，锻炼应急处置人员的临机处理能力，获得了很好的实际效果和企业效益。 

附图说明

图1是本发明的大客流对城市轨道交通网络影响预测方法流程图。 

图2是大客流传播路径示意图。 

图3是大客流组织仿真系统功能示意图。 

图4是大客流组织仿真系统基础信息管理界面图。 

图5是大客流特征信息录入界面图。 

图6指定主要车站客流比例的系统输入界面图。 

图7是大客流影响预测结果及输出界面图。 

具体实施方式

以下结合附图所示实施例对本发明作进一步的说明。 

为了有效地应用本发明提出方法，解决大客流对城市轨道交通网络的影响分析预测问题，进一步可以按下述步骤进行： 

(1)开发大客流对城市轨道交通网络的影响仿真系统。由于处理的数据量大、大客流情况多，上述提出的方法需要借助计算机软件系统来实现。 

(2)准备路网及运营的相关资料。包括各线路的运营时间、发车间隔、区间运行时间、停站时间、换乘时间等。 

(3)确定大客流产生规律的参数。大客流产生规律涉及到大型活动的举办地点、时间等因素，需要根据对大型活动的具体分析研究，运用统计学的相关方法得出相应的取值。 

(4)大客流去向车站的客流比例确定。根据城市空间布局、大型活动举办地点等资料，结合历史数据及可获得的实时客流数据进行大客流去向(来源)车站的客流比例确定。 

本发明通过上述方式具体实施，使成果得以实际应用，并同时设计开发了城市轨道交通网络大客流组织仿真系统。 

具体实施例：2010上海世博会期间轨道交通网络大客流影响预测 

(1)实施背景 

上海市将于2010年举办世博会。据相关预测，上海世博会期间总参观人次将超过7000万人次，平均日客流量40万人次，高峰日客流量60万人次，极端高峰日客流量则将突破80万人次，而高峰小时的入园、离园客流量最高时更是达到20万人次/小时。届时，大量客流量在短时间内涌入世博园区附近的轨道交通西藏南路站、马当路站、云台路站以及耀华路站，导致大客流事件发生。大客流事件由于具有人数众多、人流来向复杂、流动性大等一些不确定因素的特点，对轨道交通网络的运输能力、安全可靠性、协调调度等各个方面面临的交通压力更大，为此，需要事先对世博会期间轨道交通网络大客流影响进行预测分析，为做好世博会期间轨道交通运营组织工作奠定基础。 

(2)大客流影响仿真系统开发 

为更好地在大客流影响分析基础上实现大客流信息管理、影响预测及疏散处置等功能的集成，向世博会期间轨道交通运营组织提供辅助决策支持，基于本发明成果设计开发了城市轨道交通网络大客流组织仿真系统，该系统包含了大客流影响仿真子系统。 

1)系统描述 

该系统用于分析预测大客流事件对城市轨道交通网络的影响时间、影响程度和影响范围，并帮助调整制定相关线路的开行方案，对大客流的疏散处置起到辅助决策的作用。 

2)系统功能 

如图3所示，包括： 

a.大客流处置(MassTreatment) 

                   表2 大客流处置功能说明表 

编号	详细描述
		_MPS_MassTreat_0001	大客流信息的录入：输入大客流发生的时间、地  点、人数、客流到达规律和车站疏散能力的信息。
_MPS_MassTreat_0002	D站客流比例的指定：通过五种方式的任意一种  指定大客流人数的去向比例。
		_MPS_MassTreat_0003	影响情况显示和开行方案调整：将大客流对各线  路和全网的影响时间及断面客流变化情况进行显示，  用户根据需要调整线路开行方案。
_MPS_MassTreat_0004	分析结果汇总、输出和保存：将大客流的影响情  况进行汇总显示，用户根据需要可选择输出分析报告  和保存的功能。

[0087] b.处置信息管理(Treat Information Management) 

                表3 处置信息管理功能说明表 

编号	详细描述
		_MPS_InfoManage_0001	大客流信息的组织和浏览：用树形目录将历史  大客流分析结果信息进行组织，选中某大客流事件  后，显示该事件的总体信息。
_MPS_InfoManage_0002	详细情况的查看和分析报告的生成：详细查看  选中大客流事件的断面客流分布变化，根据需要输  出Word事件分析报告。

c.特征大客流信息管理(Character Mass Information Management) 

               表4 特征大客流信息管理功能说明表 

编号	详细描述
		_MPS_CMInfoManage_0001	特征大客流信息的组织和浏览：用树形目录将  实际大客流统计信息进行组织，选中指定大客流后，  显示该事件的D站客流分配比例信息。
_MPS_CMInfoManage_0002	特征大客流信息的录入和管理：用户根据需要  进行实际大客流信息的添加和删除操作。

(3)路网及运营相关信息录入 

将上海城市轨道交通路网信息及运营信息作为基础资料录入大客流组织仿真系统中。 

以世博会期间直接服务于世博园区的轨道交通8号线为例，录入的相关信息包括： 

1)线路基础信息管理：包括线路代码、线路名称、线路简称、英文线名、线路类型、线路总长、运营主体、线路性质、线宽、线路颜色、运营状态； 

2)车站基础信息管理：包括车站代码、下行站序、车站名称、输出站名、英文站名、车站类型、设置方式、是否共线、车站性质、单双线； 

3)换乘信息信息管理：包括换乘代码、换乘始站、换乘到站、换乘时间、换乘类型； 

4)折返站信息管理：包括折返方式、折返时间、折返间隔； 

5)区间信息管理：包括区间代码、区间名称、区间名称、起始车站、终到车站、区间方向、区间距离、区间序号。 

8号线信息录入系统后生成了基础信息管理界面如图4所示。 

(4)大客流特征信息录入 

世博会期间直接服务于世博园区的轨道交通车站共有15座，其中出入口距离世博园区出入口在600米范围以内的车站为服务世博园区的重点车站，总共有5座，分别为西藏南路站、马当路站、耀华路站、云台路站以及耀华路站，这5座车站在高峰小时的入园、离园时段将发生大客流事件。大客流特征信息包括： 

1)地点信息：包括线路名称、车站名称、车站客流疏散能力； 

2)时间信息：包括大客流发生时间、疏散时间； 

3)客流信息：包括大客流流量、到达时间； 

4)客流达到规律：包括大客流到达分布形式及参数； 

以轨道交通8号线的耀华路站为例，其大客流的具体特征信息如图5所示： 

·线路名称：8号线； 

·车站名称：耀华路站； 

·车站客流疏散能力：50000人/小时； 

·发生时间：2010-05-01 21:29:00； 

·疏散时间：30分钟； 

·客流量：10000人/小时； 

·到达时间：30分钟； 

·客流到达规律：符合负指数分布，参数l＝0.0284。 

(5)大客流去向车站客流比例确定 

大客流去向车站客流比例确定方式采用“指定主要车站客流比例方式”，主要车站的选取及其客流比例取值充分考虑了站点周边用地性质、居民密集程度、公交等地面交通方式与轨道站点的衔接状况等因素，如表5所示。指定主要车站客流比例的系统输入界面如图6所示。 

         表5 主要车站客流比例取值列表 

线路	车站	客流比例
			6号线	金桥路	0.15
2号线	张江高科	0.02
			9号线	漕河泾开发区	0.30
1号线	汶水路	0.12
			3号线	江湾镇	0.12
2号线	北新泾	0.08
			8号线	市光路	0.02
1号线	莘庄	0.09
			3号线	上海南站	0.10

(6)大客流影响预测结果生成 

大客流去向车站客流比例录入系统后，鼠标点击图6所示界面中的“计算”按钮，仿真系统即按照前述轨道交通网络大客流影响分析的原理方法进行相应的计算仿真，并以可视化图、表的形式输出2010年5月1日世博会期间轨道交通8号线耀华路车站发生大客流的影响时间、影响范围及影响程度等预测结果。相应的预测结果及输出界面如图7所示。 

上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于这里的实施例，本领域技术人员根据本发明的揭示，不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。 

Claims (3)

1.一种城市轨道交通网络大客流影响的预测方法，其特征在于：

包括如下步骤：

(1)构建城市轨道交通网络抽象模型；(2)生成大客流事件；

(3)指定大客流去向/来源车站客流比例；

(4)大客流网络影响分析；

步骤(1)中：

以数学中图论的相关表示方法来描述城市轨道交通网络中各要素，从而构建城市轨道交通网络抽象模型，网络抽象模型中各元素对应的物理意义如下：1)节点：普通车站和换乘站；2)连接弧：两个相邻车站之间有方向的路段；3)弧的权值：对于换乘站之间来说是指在换乘站通道中的换乘时间，而对于普通车站之间或者普通车站与换乘站之间是指列车的区间运行时分；之后，整个城市轨道交通网络就转换为了一个带有权值的有向图，从而把大客流在城市轨道交通网络中影响传播问题转化成了几何图论中的路径分析和搜索问题；

步骤(2)中：如下特性用于描述大客流事件特征的相关信息：1)大客流发生地点：包括线路名和车站名；2)大客流发生车站的客流疏散能力，此能力反映了事发车站每小时最多能疏散多少客流；3)大客流预计发生时间；4)主管部门所要求的大客流疏散完毕时间；5)大客流数量；6)大客流的到达时间和到达规律；

步骤(3)中：大客流情况下，轨道交通网络客流量包括原有客流量和叠加客流量；大客流叠加客流量的分析包括时间段分析、客流出发站即O站分析和客流终到站即D站分析；

大客流D站客流比例指定方式包括：

1)指定主要车站客流比例方式

当客流走向比较集中，客流的目的地车站主要集中在少数车站范围内时，用户可通过直接指定D站名称和相应的客流比例来分配客流的去向；

∑α_D＝1        式(1)

其中，0≤α_D≤1，为某一指定D站的客流分配比例；

2)分步推算客流比例方式

通过指定客流在到达每一处换乘车站后去往每个方向的客流比例，最终推算出各目的地车站和相应的客流比例信息；使用者指定的是每一个换乘站处去往各个方向的客流分流比例，最终的D站客流分配比例将由客流分配模型间接算得；

α_D＝υ₁υ₂...υ_n     式(2)

其中，υ_i为在第i个换乘站去往D站方向的客流比例，0≤υ_i≤1；

3)统计计算客流比例方式

以历史客流数据为基础，通过统计分析指定特征日期内的客流数据，来计算各目的地车站以及相应的客流比例信息；只需要将O站为大客流发生地车站的客流数据提取出来进行相关的统计计算即可；

${\mathrm{\α}}_D=\frac{{\mathrm{\Σ}}_{i=1}^N{\mathrm{\γ}}_{\mathrm{Di}}}{N}$ 式(3)

其中，N为参与统计的总天数，γ_Di为第i天从大客流发生车站去往D站的客流比例；

4)历史大客流分配比例方式

若大客流发生地车站之前发生过类似的大客流事件，那么可利用历史大客流事件的实际D站客流分配比例作为此次事件的D站客流分配比例；

对历史大客流事件进行合理的组织和管理，使用者在实际计算时应该选择具有相同特征的历史大客流数据作为参考；

5)客流来源比例方式

按照乘客一般选用相同的交通方式到达和离去这一思路，通过统计大客流发生车站在指定时间段内的客流来源比例，指定D站的客流分配比例，实际操作中选择历史日期的客流数据作为参考；

${\mathrm{\α}}_D=\frac{{\mathrm{\ω}}_D}{{\mathrm{\Σ}}_{i=1}^N{\mathrm{\ω}}_i}$ 式(4)

其中，ω_i为指定时间段内从i站去往大客流发生车站的客流量，N等于路网中的车站总数减1；

步骤(4)中：在确定大客流去向车站客流比例的基础上，依据分阶段、多路径城市轨道交通网络客流分布模型，进行轨道交通全网络各区间及站点、分时段的叠加客流量，将其与原有客流量相加可得到总客流量信息，从而获得大客流对城市轨道交通网络影响的分析预测结果，在此基础上，进行下述评价：

1)影响时间分析

①起终影响判别标准

认为大客流事件中第一个乘客到达本线的时间作为本线的起始影响时间，而大客流事件中最后一个乘客离开本线的时间作为本线的终止影响时间；

②起终影响时间计算

确定起终影响判别标准后，通过遍历轨道交通网络中区间分时段叠加客流量信息来获得线路的起终影响时间，操作方法如下：

a.对于大客流的全网影响时间段不跨天的情况：从大客流发生时间起开始，往后递推时间段，对于每一段时间，遍历本线所有区间的叠加客流量信息，若某一时间段本线路存在某区间的叠加客流量不为零，则该时间段的开始时间为本线路的起始影响时间，遍历过程结束；类似的，从凌晨24点开始，向前递推时间段，对于每一时间段，遍历本线所有区间的叠加客流量信息，若某一时间段本线路存在某区间的叠加客流量不为零，则该时间段的结束时间为本线路的终止影响时间，遍历过程结束；

b.对于大客流的全网影响时间段跨天的情况：起始影响时间的计算方法不变，而终止影响时间的计算方法改为：从第二天的0:00分开始，往后递推时间段，对于每一段时间，遍历本线所有区间的叠加客流量信息，若某一时间段本线路所有区间的叠加客流量都为零，则该时间段的开始时间即为本线路的终止影响时间，遍历过程结束；

2)影响程度分析

将网络中各区间及车站运能与大客流期间的客流量峰值进行对比，根据对比的结果来判断各区间及车站是否受到影响以及影响的程度如何：

①划分大客流事件对车站的影响程度等级

②计算区间及车站运能；包括该区间及车站的运能；

③计算区间及车站峰值客流量；车站的峰值客流量由两部分组成，一是大客流扩散至该车站时的剩余客流量，二是该车站原有的日常客流量；

④确定大客流影响程度；通过比较大客流期间各区间及车站峰值客运量与运能之间的关系，对照上述①所述的划分大客流事件对车站的影响程度等级，得出大客流事件对轨道交通网路各区间及车站的影响等级，从而评价大客流对轨道交通网络的影响程度；

3)影响范围分析

根据2)影响程度分析得到的轨道交通网络各区间及车站大客流影响等级，将影响等级在“轻微影响”以上的车站及其所在区段作为大客流在轨道交通网络上的影响范围。

2.根据权利要求1所述的方法，其特征在于：

所述影响范围分析的步骤中，可根据实际业务需要确定影响范围的大客流影响等级阀值。

3.根据权利要求1所述的方法，其特征在于：

所述影响范围分析的步骤中，以“中等影响”取代“轻微影响”作为影响等级阀值。

Images