CN103258236A - 一种基于场景的城市轨道交通网络大客流分配方法 - Google Patents

Abstract

一种基于场景的城市轨道交通网络大客流分配方法，包括以下步骤：对现实中的城市轨道交通网络进行抽象，构建系统模型作为大客流分配的网络基础；对大客流出行所处的具体场景做出判断，确定所需的OD数据；选择相适应的客流分配单元模型，并通过单元模型的组合构成基于特定场景的大客流分配模型；应用对应的有效算法对模型进行合理求解，从而得到基于特定场景的城市轨道交通网络大客流分布的各项指标。通过本发明的方法计算得到的城市轨道交通网络大客流分布指标等较现有技术更为合理准确，为城市轨道交通运营管理部门面向大客流条件做好运营组织管理工作提供了充分的依据。

Description

一种基于场景的城市轨道交通网络大客流分配方法

技术领域

本发明属于城市轨道交通网络化运营管理中的客流分布计算及应急事件处置技术领域。

背景技术

因大型活动举办或应急事件疏散而引发的大客流事件，一方面在短时间内产生高强度和高密度的客流，常规的城市交通组织管理难以满足需求；另一方面，大客流事件的发生概率又远高于偶发的公共突发事件，从而更具现实急迫性。城市轨道交通作为城市交通的骨干，亟需做好上述大客流条件下的运营组织管理工作，而运营组织管理的前提是准确掌握大客流对轨道交通网络的影响以及由此带来的网络客流分布的变化，其核心在于解决大客流条件下的网络客流分配问题。

大客流条件下的城市轨道交通网络客流分配属于交通分配研究的范畴，而交通分配问题缘起自城市道路交通的规划与管理实践。对于城市道路交通而言，从1956年美国芝加哥地区交通规划^[1]至今经历了50余年的发展，交通分配模型已较为成熟且衍生出众多分支^[2-6]，与之相比，交通分配模型映射在城市轨道交通领域的研究成果显得较不充分。而国内对于交通分配问题的研究起步较晚，1979年始由美籍华人交通专家张秋先生介绍引入^[7]，未及对国外道路交通分配研究成果的消化、吸收及创新，便已直面当前国内城市轨道交通大发展的新形势^[8]。

同时，现阶段国内针对大型活动大客流或应急疏散大客流的预测所取得的研究成果大多是对应于出行生成、出行分布和方式划分阶段的需求模型，而对应于交通分配阶段的供给模型研究较少，即便有诸如针对南京“十运会”的路段溢流再分配多路径分配等分配模型的提出^[9]，但其研究工作仍显不够深入与完整。再反观城市轨道交通，在这方面的相关研究更少，对应于交通分配阶段的客流分配计算更是基本沿用用于计算日常常态客流的一般模型。

此外，城市轨道交通网络上的客流是微观个体出行行为的宏观涌现，而要理解个体的行为，需要阐明的不仅是行为，还包括行为发生的语境^[10]；同样地，对乘客出行行为的分析及客流分配计算的讨论也需要在具体特定的界定下才有意义^[11]。由于在不同的出行场景下，乘客会有着不同的行为表现，因而需要借鉴现有的出行行为研究方法，参考其研究成果，深入具体地分析大客流条件下的轨道交通乘客出行行为，归纳其特征，构建相应的客流分配模型。

上述国内外相关技术情况是本发明的背景基础，但在当前国内城市轨道交通快速发展及其网络化运营的态势下，缘起于城市道路交通领域的交通分配研究在城市轨道交通领域被赋予了更大的意义，同时，城市轨道交通与城市道路交通两种不同的交通方式性质各异，因大型活动举办或应急事件疏散而引发的大客流需求与日常常态客流需求两类不同的交通需求特征不同，而即便是同类交通需求在不同出行场景下其表现行为也会有很大的差异，为此，本发明具有一定的理论意义与实际价值。

参考文献：

[1]徐慰慈.城市交通规划论[M].上海：同济大学出版社，1997.

[2]Dafermos S.Traffic Equilibrium and Variational Inequalities.Transp.Sci.1980，14，42-54.

[3]Dial R.B.Network-optimized Road Pricing：Part I：A Parable and A Model[J].Transportation Research，1999，47(1)，54-64.

[4]Ferrari P.Road Pricing and Network Equilibrium[J].Transp.Res.B，1995，43(3)，357-372.

[5]Friesz，T.，D.Bernstein，T.Smith，R.Tobin，B.Wie.A Variational Inequality Formulation of the DynamicNetwork User Equilibrium Problem[J].Oper.Res.1993，41(1)，179-191.

[6]Nagurney，A.Network Economics：A Variational Inequalities Approach[M].Kluwer Academic Publishers，Norwell，MA，1993.

[7]Sheffi Y.城市交通网络：用数学规划方法进行网络平衡分析[M]，云辉，戴香菊(译).成都：西南交通大学出版社，1992.

[8]国家发展和改革委员会综合运输研究所.2010年城市轨道交通行业发展研究报告[M].北京：中国铁道出版社，2010.

[9]崔洪军，魏连雨，陆建.大型活动交通分配改进方法[A].第六届交通运输领域国际学术会议论文集[C].大连：大连理工大学出版社，2006.

[10](美)布斯等.研究是一门艺术[M]，陈美霞等(译).北京：新华出版社，2009.

[11]杨东援.交通规划决策支持系统[M].上海：同济大学出版社，1997.

发明内容

在大客流事件发生情况下，城市轨道交通网络需要在运营组织方案、运行计划调整、安全保障措施等诸多方面做出及时调整和优化，其基础则是大客流发生后的轨道交通网络客流变化规律，即大客流在城市轨道交通网络上的分布情况。为有效满足大客流条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，本发明在城市轨道交通大客流出行场景及乘客行为分析基础上，按照有无信息作用及外地乘客是否“本地化”两项条件的不同组合，提出了面向四类典型出行场景的城市轨道交通网络大客流分配方法，用于计算大客流在城市轨道交通网络上的时空分布。

本发明在对城市轨道交通网络模型的抽象构建之上，基于对大客流出行场景及乘客行为的深入分析，提出了场景判断及OD数据生成、分配模型选用及组合、大客流分配模型求解等在内的对城市轨道交通大客流在网络上进行分配的一套完整方法。

本发明方法流程如图1所示。首先，对现实中的城市轨道交通网络进行抽象，构建系统模型作为大客流分配的网络基础；其后，根据有无信息作用及外地乘客是否“本地化”两项条件对大客流出行所处的具体场景做出判断，并基于AFC系统(Automatic Fare CollectionSystem，轨道交通自动售检票系统)功能，利用海量历史客流信息同时结合运营管理人员的丰富经验得到所需的OD数据；在此基础上，选择相适应的客流分配单元模型，并通过单元模型的组合构成基于特定场景的大客流分配模型；最后，应用对应的有效算法对模型进行合理求解，从而得到基于特定场景的城市轨道交通网络大客流分布的各项指标。

具体过程包括以下步骤：

(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区段；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上分配问题转化成了几何图论中的路径分析和搜索问题。

(2)场景判断及OD数据生成

网络客流分布是微观个体出行行为的宏观涌现，而要理解个体的行为，需要阐明的不仅是行为，还应包括行为发生的语境。同样地，对乘客出行行为的分析及大客流分配模型的讨论也需要在具体特定的场景界定下才有意义。

乘客路径选择行为分析是构建客流分配模型的基础。在大客流构成中，对路网熟悉的本地乘客根据以往选择以及长期观察积累的出行经验来选择路径；而对路网陌生的外地乘客则或者选择比较保守的路径以规避风险(以下简称“无本地化”)，或者借助本地乘客经验选择路径(以下简称“本地化”)。同时，运营管理部门实时提供反映路网状况的交通信息服务也会影响大客流乘客的路径选择，且本、外地乘客对此类交通信息服务又会有着不同的行为反应。

为此，从构建城市轨道交通网络大客流分配模型的需要出发，在对大客流乘客构成作本地与外地两类乘客划分基础上，根据能否获得实时的交通服务信息，以及外地乘客“本地化”过程是否发生，可以界定四类现实中可能的大客流出行场景，如图2所示。在进行城市轨道交通网络大客流分配时，根据图2首先判断大客流出行所属的场景，同时得到“路网熟悉型”乘客(包括本地乘客和“本地化”的外地乘客)OD和“路网陌生型”乘客(指“无本地化”的外地乘客)OD，OD数据的生成在目前国内AFC系统(Automatic Fare Collection System，轨道交通自动售检票系统)中已有较成熟实用的方法，本发明不再赘述，主要是利用城市轨道交通系统已有的海量历史客流信息以及运营管理工作人员的丰富经验来分析确定。

1)场景I：无信息无本地化

当运营管理部门不能实时提供反映路网状况的交通服务信息，而外地乘客执着于选择比较保守的路径以规避风险时，大客流乘客则处于该类出行场景之中。此时，本地乘客会根据以往的出行经验选择路径；而外地乘客因“固执己见”而无“本地化”过程发生则往往采取保守的做法(如选择换乘次数最少路径)来选择路径。

2)场景II：无信息有本地化

当运营管理部门不能实时提供反映路网状况的交通服务信息，而外地乘客又借助本地乘客经验时，大客流乘客则处于该类出行场景之中。此时，本地乘客会根据以往的出行经验选择路径；而外地乘客则较为“灵活”地通过行前规划或现场问询等方式经历“本地化”过程，借助本地乘客的经验出行，其路径选择行为变得与本地乘客相似。

3)场景III：有信息无本地化

当运营管理部门能够实时提供反映路网状况的交通服务信息，但外地乘客执着于选择比较保守的路径以规避风险时，大客流乘客则处于该类出行场景之中。当获知路网拥挤状况等实时信息时，本地乘客会适时地调整出行路径从而使选择更为明智；外地乘客既“固执己见”而无“本地化”过程发生又因自身经验不足而无法根据实时信息调整路径，将继续延续保守的做法(如选择换乘次数最少路径)来选择路径。

4)场景IV：有信息有本地化

当运营管理部门能够实时提供反映路网状况的交通服务信息，而外地乘客又借助本地乘客经验时，大客流乘客则处于该类出行场景之中。当获知路网拥挤状况等实时信息时，本地乘客会适时地调整出行路径从而使选择更为明智；外地乘客虽仍然因自身经验不足而无法根据实时信息调整路径，但却可以较为“灵活”地通过行前规划或现场问询等方式发生“本地化”过程，借助本地乘客的经验出行，其路径选择行为与无信息作用下的本地乘客相似。

(3)分配模型选用及组合

面向上述大客流出行的四类不同场景，为了能够较为准确地进行城市轨道交通大客流分配从而计算其在网络上的分布情况，需要针对大客流两类乘客在上述出行场景下的路径选择行为特征来确定合适的单元模型，再通过这些单元模型组合来构建基于场景的网络大客流分配模型，其模型体系如图3所示。

由图3可以看出，不同场景下的大客流分配计算是由相应的本地客流分配计算与外地客流分配计算两部分构成的，其基础的关键模型分别为阻抗分层考虑的客流分配模型、基于最少换乘的客流分配模型以及基于随机用户均衡(SUE)原则的客流分配模型。对于本地乘客而言，主要受信息作用影响，在无信息作用下以阻抗分层考虑的客流分配模型计算其客流分布情况；在有信息作用下以基于SUE原则的客流分配模型计算其客流分布情况。对于外地乘客，主要受“本地化”过程发生与否的影响，在“本地化”过程未发生时以基于最少换乘的客流分配模型计算其客流分布情况；在“本地化”过程发生时以阻抗分层考虑的客流分配模型计算其客流分布情况。

1)阻抗分层考虑的客流分配模型

阻抗分层考虑的客流分配模型用于计算无信息作用下的本地客流分布以及“本地化”过程发生时的外地客流分布。它是将影响乘客出行的确定性时间因素和不确定性因素(拥挤程度、换乘方便性等)分两阶段来对路径的客流分配比例进行计算和修正，以时间阻抗为主确定客流在路径上的初始分配比例，再考虑路径上的换乘次数和拥挤程度对该比例进行修正。模型及计算过程如图4所示。

2)基于最少换乘的客流分配模型

基于最少换乘的客流分配模型用于计算“本地化”过程未发生时的外地客流分布。它是根据大客流外地乘客由于对轨道交通路网的不熟悉而持有的路径选择特征，首先以换乘次数多少确定路径的选择优先级，换乘次数少的路径优先级别高，将被优先分配客流量；当同一优先级别下存在多条路径时，再考虑时间因素(旅行站数)进行客流量的分配。模型及计算过程如图5所示。

3)基于SUE原则的客流分配模型

在信息作用场景下，路网拥挤状况等实时信息被提供给大客流乘客。此时，大客流中的本地乘客一方面会根据自己以往的经验结合实时信息不断调整出行路径，另一方面由于信息的不完全性及乘客个体经验的差异又使得这种调整存在一定的随机性，从而遵循SUE原则进行路径选择。为此，使用一类基于SUE原则的客流分配模型。

本地乘客遵循SUE原则进行路径选择，其SUE条件可表示为

${\tilde{f}}_k^{\mathrm{rs}}={\tilde{q}}_{\mathrm{rs}}{\tilde{p}}_k^{\mathrm{rs}}$ 式(1)

${\mathrm{\Σ}}_k{\tilde{f}}_k^{\mathrm{rs}}={\tilde{q}}_{\mathrm{rs}}$ 式(2)

基于SUE原则的客流分配模型可通过如下的数学规划模型求解：

$\min \tilde{Z}\left(\tilde{x}\right)=-{\mathrm{\Σ}}_{\mathrm{rs}}{\tilde{q}}_{\mathrm{rs}}{S}_{\mathrm{rs}}\left[c^{\mathrm{rs}}(\tilde{x}+\stackrel{\‾}{x})\right]+{\mathrm{\Σ}}_a{\tilde{x}}_a{t}_a({\tilde{x}}_a+{\stackrel{\‾}{x}}_a)-{\mathrm{\Σ}}_a{\∫}_{{\stackrel{\‾}{X}}_a}^{{\tilde{X}}_a+{\stackrel{\‾}{X}}_a}{t}_a\left(w\right)\mathrm{dw}$ 式(3)

s.t.

${\tilde{x}}_a={\mathrm{\Σ}}_{\mathrm{rs}}{\mathrm{\Σ}}_a{\tilde{f}}_k^{\mathrm{rs}}{\mathrm{\δ}}_{a,k}^{\mathrm{rs}}$ 式(4)

${\mathrm{\Σ}}_k{\tilde{f}}_k^{\mathrm{rs}}={\tilde{q}}_{\mathrm{rs}}$ 式(5)

${\tilde{f}}_k^{\mathrm{rs}}\≥0$ 式(6)

其中，

为OD对rs间本地乘客的客流量；

为区段a上本地乘客客流量；

为区段a上外地乘客客流量；t_a为区段a上的综合阻抗，它是关于区段a上乘客客流量x_a的函数；

为OD对rs间路径k上本地乘客客流量；

为区段-路径相关变量，即0-1变量，

表示区段a属于OD对rs间路径k，否则

为OD对rs间乘客理解阻抗向量；

为OD对rs间众多路径的期望理解阻抗。在该模型的目标函数中，与外地乘客有关的

与

是看作固定不变的，它们通过阻抗分层考虑的客流分配模型或基于最少换乘的客流分配模型计算得到。

(4)大客流分配模型求解

从计算城市轨道交通网络大客流分布的现实需求角度出发，要研究的不仅仅是模型，还需给出可行的算法予以实际求解。前面给出了基于场景的大客流分配模型，进一步地，可以从模型中分解出一些基本的单元算法，通过这些单元算法的组合构成不同场景下大客流分配模型的求解，其算法体系如图6所示。其中，K短路径搜索算法、最少换乘路径搜索算法以及基于K短路随机加载的MSA算法是三项基础的关键算法。

1)K短路径搜索算法

目前常用的基于Di1katra算法的K短路径搜索由于计算工作量大，一般采用K≤3，并会遗漏某些路径；而Dial算法虽较易实现，但如果网络中存在环形通路，也同样会遗漏部分路径。为此，本发明引入一种基于深度优先的DeletionAlgorithm删除路径搜索算法，用以得到两点间所有的不包含重复节点的K条路径，并保证不会漏掉路径。

该算法描述如下：

Step1：利用Dijkstra算法求得有向图(N，A)中以开始节点s为根的最短路径树，标记从开始节点s到结束节点t之间的最短路径为P_k，k＝1。

Step2：如果k小于要求的最短路径的最大数目K，并且仍然有候选路径存在，令当前路径P＝P_k，转Step 3。否则，程序结束。

Step3：找出当前路径P中从第一个节点开始的入度大于1的第一个节点，记为n_h。如果n_h的扩展节点n’_h不在节点集N中，则转Step 4，否则找出路径P中n_h后面所有节点中，其对应的扩展节点不在N中的第一个节点，记为n_i，转Step 5。

Step4：为节点n_h构建一个扩展节点n’_h，并把其添加到集合N中，同时从图(N，A)中所有n_h的前驱节点连接一条到n’_h的弧，弧对应的权重不变，添加这些弧到弧集A中，但n_h在P中的前一个节点n_h-1除外。计算从开始节点s到n’_h的最短路径，并记n_i＝n_h+1。

Step5：对于P中从n_i开始的所有后续节点，记为n_j，依次执行如下操作：①添加n_j的扩展节点n’_j到节点集合N中；②除了路径P中n_j的前一个节点n_j-1外，分别连接一条从n_j前驱节点到其扩展节点n’_j的弧，弧上的权值保持不变，并把这些弧添加到弧集A中，另外，如果p中n_j的前一个节点n_j-1具有扩展节点n’_j-1的话，也需要连接一条从n’_j-1到n’_j的弧，权值和弧(n_j-1，n_j)的权值相等；③计算从开始节点s到n’_j的最短路径。

Step6：更新当前最短路径树，求得从开始节点s到结束节点的当前扩展节点t’_(k)之间的最短路径为第k条最短路径，令k＝k+1，转2继续。

2)最少换乘路径搜索算法

目前使用较多的最少换乘路径搜索算法普遍基于最短路径搜索算法，只能得到一条最短路径而放弃里程相同的其它最短路径，即无法很好地处理网络上某起终点间存在里程相同的多条最短路径的情形。这对于网络上最短路径的搜索，由于实际中某起终点间各条有效路径的里程几乎不可能精确相等(即近似连续的)，上述最短路径搜索算法是能够较好地适用的；但对于网络上最少换乘路径的搜索，由于实际中某起终点间各条有效路径的换乘次数完全有可能相等(即离散的)，存在多条最少换乘路径的可能，因而上述最短路径搜索算法便不能够较好地适用。为此，本发明使用一种基于节点-线路关系的最少换乘路径搜索算法，用以得到网络上两点间所有不包含重复节点的最少换乘路径，并保证不会遗漏任何一条最少换乘路径。

该算法描述如下：

Step1：输入城市轨道交通物理网络数据信息，初始化并令i＝1。

Step2：取第i个OD对(rs)。

Step3：搜索经过r的线路集P(I)(I＝1，2，…，m，m为正整数)，以及经过s的线路集O(J)(J＝1，2，…，n，n为正整数)。

Step4：判断是否P(I)＝Q(J)，如是，则满足此条件的线路P(I)或Q(J)即为rs间的直达乘车线路，再应用Dijkstra算法得到rs间的直达乘车路径，输出结果，转至步骤9；否则，执行步骤5。

Step5：搜索线路P(I)上的站点E(I，U)(U＝1，2，…，p，p为正整数)，以及线路Q(J)上的站点F(J，V)(V＝1，2，…，q，q为正整数)。

Step6：判断是否E(I，U)＝F(J，V)，如是，则满足此条件的线路P(I)，Q(J)(可能存在多种组合)即为换乘1次的乘车线路组合，再应用Dijkstra算法搜索得到rs间的换乘1次乘车路径，输出结果，转至步骤9；否则，执行步骤7。

Step7：搜索经过E(I，U)的线路T(K)(K＝1，2，…，g，g为正整数)，以及线路T(K)上的站点G(K，W)(W＝1，2，…，h，h为正整数)。

Step8：判断是否G(K，W)＝F(J，V)，如是，则满足此条件的线路P(I)，T(K)，Q(J)(可能存在多种组合)即为换乘2次的乘车线路，再应用Dijkstra算法搜索得到rs间的换乘2次乘车路径，输出结果，转至步骤9；否则，亦执行步骤9。

Step9：判断rs是否为最后的OD对，如是，算法结束；否则，令i＝i+1，并转至步骤2。

3)基于K短路随机加载的MSA算法

本发明在求解基于SUE原则的客流分配模型时采用相继平均算法(MSA)，并基于如下两点考量引入K短路随机加载对MSA算法做进一步的适用性改进：(1)常用的执行MSA中运量随机加载步骤的算法(如Dial算法等)其认可的有效路径是不迂回的，即有效路径上的下游节点总比上游节点更远离始点(或至少不更接近始点)，而这是与现实情形存在较大出入的。为此，将前面的K短路径搜索算法引入MSA，从而将现实出行中可能存在的迂回路径一并考虑进有效路径集中。(2)在交通信息作用下，轨道交通乘客获知路网实时的拥挤状况从而不断调整出行路径，但这样的调整依旧是基于以往的历史出行经验。为此，将前面阻抗分层考虑的客流分配模型引入MSA，以该模型来执行每一步迭代中的运量随机加载。

基于K短路随机加载的MSA算法的具体流程步骤设计如下：

Step1：初始化；基于初始阻抗

以阻抗分层考虑的客流分布模型执行一次K短路随机加载，产生路段流量

置n＝1：

Step2：更新阻抗；置 $\begin{array}{cc}{t}_a^n=t_a\left(x_a^n\right)& \∀a;\end{array}$

Step3：方向搜索；在现有阻抗

上，以阻抗分层考虑的客流分布模型执行一次K短路随机加载，得到更新的路段流量

Step4：搜索方向是

然后“相继平均”移动，即 $\begin{array}{cc}{x}_a^{n+1}=x_a^n+\left(\frac{1}{n}\right)(y_a^n-x_a^n)& \∀a;\end{array}$

Step5：收敛性检验；若已满足收敛指标要求，停止计算；否则，令n＝n+1，转入Step2；收敛性判断准则为

ε为一个较小的数，可以取0.01或更小。

通过本发明的方法计算得到的城市轨道交通网络大客流分布指标等较现有技术更为合理准确，为城市轨道交通运营管理部门面向大客流条件做好运营组织管理工作提供了充分的依据。

此外，发明人曾于2010年上海世博会期间抽样进行了城市轨道交通系统的客流调查，通过本发明的模型计算结果与实际调查得到的客流分布数据之间具有较好的拟合性，误差率大多在5％以内，最大的也不超过10％，也印证了本发明的良好技术效果。

附图说明

图1为基于场景的城市轨道交通网络大客流分配方法流程图。

图2为四类大客流出行场景示意图。

图3为基于场景的网络大客流分配模型体系图。

图4为阻抗分层考虑的客流分配模型及计算过程图。

图5为基于最少换乘的客流分配模型及计算过程图。

图6为基于场景的大客流分配模型的算法体系图。

图7为城市轨道交通网络示例图。

图8a为无信息无本地化场景下OD对(6→12)间大客流路径分布之“本地客流路径”解析图。

图8b为无信息无本地化场景下OD对(6→12)间大客流路径分布之“外地客流路径”解析图。

图8c为无信息无本地化场景下OD对(6→12)间大客流路径分布之“叠加客流路径”解析图。

图9a为无信息有本地化场景下OD对(6→12)间大客流路径分布之“本地客流路径”解析图。

图9b为无信息有本地化场景下OD对(6→12)间大客流路径分布之“外地客流路径”解析图。

图9c为无信息有本地化场景下OD对(6→12)间大客流路径分布之“叠加客流路径”解析图。

图10a为有信息无本地化场景下OD对(6→12)间大客流路径分布之“本地客流路径”解析图。

图10b为有信息无本地化场景下OD对(6→12)间大客流路径分布之“外地客流路径”解析图。

图10c为有信息无本地化场景下OD对(6→12)间大客流路径分布之“叠加客流路径”解析图。

图11a为有信息有本地化场景下OD对(6→12)间大客流路径分布之“本地客流路径”解析图。

图11b为有信息有本地化场景下OD对(6→12)间大客流路径分布之“外地客流路径”解析图。

图11c为有信息有本地化场景下OD对(6→12)间大客流路径分布之“叠加客流路径”解析图。

具体实施方式

现以如图7所示的国内某市城市轨道交通局部网络为例，示例说明如何应用本发明来计算得到不同场景下的大客流在城市轨道交通网络上的分布情况，并加以适当的分析。具体实施步骤如下：

步骤1：构建城市轨道交通网络抽象模型

图7网络由3条线路(I号线、II号线、III号线)构成，共有车站13座(以阿拉伯数字表示，其中换乘车站4座)。以图论的相关表示方法对其进行抽象建模，则将13座车站作为抽象模型中的节点；相邻车站之间的轨道区段作为连接弧；弧的权值设置上，对于换乘站之间来说各换乘方向的换乘时间为1min，换乘放大系数为1.5(考虑到同样的时间，换乘走行过程与乘车过程比较，乘客对前者的心理感觉时间要长)，而对于普通车站之间或者普通车站与换乘站之间来说则区段运行时间矩阵如表1所示，且列车在各站的停车时间已合并叠加到区段运行时间中。

步骤2：判断场景及OD数据生成

本步骤设置了无信息无本地化、有信息有本地化、无信息有本地化及有信息无本地化等全部的四类场景，以充分示例本发明的计算过程。所需要的单位时间内示例网络中的常态出行OD和活动出行OD经AFC系统分析处理后可得到本地乘客出行OD和外地乘客出行OD分别如表2和表3所示。

步骤3：分配模型的选用及组合计算

本步骤以基于最少换乘的客流分配模型与阻抗分层考虑的客流分配模型进行组合，用于计算无信息无本地化场景的大客流分布；以基于最少换乘的客流分配模型与基于SUE原则的客流分配模型进行组合，用于计算有信息无本地化场景的大客流分布；以阻抗分层考虑的客流分配模型与基于SUE原则的客流分配模型进行组合，用于计算有信息有本地化场景的大客流分布；以阻抗分层考虑的客流分配模型计算无信息有本地化场景的大客流分布。

特别地，本实施例中对于SUE随机用户均衡的客流分配模型，在不影响一般性的前提下

设定关于区段流量x_a的阻抗函数表达式为t_a＝t₀[1+(x_a/1850)]，t₀为区段流量为零时的初始阻抗。

步骤4：求解大客流分配模型

本步骤以最少换乘路径搜索算法与概率模型加载算法进行组合求解无信息无本地化场景的大客流分配模型；以最少换乘路径搜索算法与基于K短路随机加载的MSA算法进行组合求解有信息无本地化场景的大客流分配模型；以概率模型加载算法与K短路径搜索算法进行组合求解无信息有本地化场景的大客流分配模型；以基于K短路随机加载的MSA算法与K短路径搜索算法进行组合求解有信息有本地化场景的大客流分配模型。得到不同场景下的大客流分配计算结果(即客流分布情况)如表4所示。

表1区段运行时间矩阵表min

表2常态出行OD矩阵表

表3活动出行OD矩阵表

表4不同场景下的大客流分布计算结果

(2)不同场景下的大客流分布情况分析

分析表4中数据可以看出：

1)如表4.5中带有下划线的数据所说明的，在相同的信息发布(发布或不发布)条件下，当乘客发生“本地化”时客流分布更倾向集中于原本就拥挤的区段(如区段10-12)，反之，当乘客未发生“本地化”时客流分布则反而有可能向相对空闲的区段(如区段7-12)分流。

2)如表4.5中带有括号的数据所说明的，在相同的“本地化”(发生或不发生)条件下，当乘客在出行过程中接收到实时交通信息时原本拥挤的区段(如区段10-12)的拥挤情况将得到缓解，而相对空闲的区段(如区段7-12)的客流量则将有所上升，即客流在网络上的分布更为均匀了。

3)如表4.5中粗框范围内数据所示，在无信息有本地化场景下外地乘客与本地乘客“本地化”为同一种路径选择行为模式(即本地乘客的常态路径选择行为模式)，客流分配计算遵循相同的计算模型，该场景下的客流分布情形与常态客流分布情形无异，从而通常使用的常态客流分配计算模型是适用的，但除此之外，对于无信息无本地化、有信息无本地化及有信息有本地化等其它场景而言，通常使用的常态客流分配计算模型则不再适用，如继续沿用则会出现较大的偏差。

图8～图11所示为以OD对(6→12)为例演示的不同场景下的大客流路径选择情况。

Claims (10)

1.一种基于场景的城市轨道交通网络大客流分配方法，其特征在于：包括以下步骤：

(1)、对现实中的城市轨道交通网络进行抽象，构建系统模型作为大客流分配的网络基础；

(2)、对大客流出行所处的具体场景做出判断，确定所需的OD数据；

(3)、选择相适应的客流分配单元模型，并通过单元模型的组合构成基于特定场景的大客流分配模型；

(4)、应用对应的有效算法对模型进行合理求解，从而得到基于特定场景的城市轨道交通网络大客流分布的各项指标。

2.根据权利要求1所述的方法，其特征在于：

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，将大客流在城市轨道交通网络上的分配问题转化成几何图论中的路径分析和搜索问题。

3.根据权利要求2所述的方法，其特征在于：

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区段；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。

4.根据权利要求1所述的方法，其特征在于：步骤(2)中对具体场景做出判断后，基于轨道交通自动售检票系统功能，利用包括历史客流在内的信息得到所需的OD数据。

5.根据权利要求1所述的方法，其特征在于：

步骤(2)中根据有无“信息”及外地乘客是否“本地化”两项条件对大客流出行所处的场景做出判断；其中，所述“信息”是指运营管理部门提供反映路网状况的交通服务信息，所述“本地化”是指通过行前规划或现场问询方式借助本地乘客经验选择路径。

6.根据权利要求5所述的方法，其特征在于：

界定四类现实中大客流出行场景：场景I：无信息无本地化；场景II：无信息有本地化；场景III：有信息无本地化；场景IV：有信息有本地化；

对具体场景做出判断后，基于轨道交通自动售检票系统功能，利用包括历史客流在内的信息得到所需的OD数据。

7.根据权利要求6所述的方法，其特征在于：

面向所述大客流出行的四类不同场景，需要针对大客流两类乘客在上述出行场景下的路径选择行为特征来确定合适的单元模型，再通过这些单元模型组合来构建基于场景的网络大客流分配模型；进一步包括：

不同场景下的大客流分配计算是由相应的本地客流分配计算与外地客流分配计算两部分构成的，其基础的关键模型分别为阻抗分层考虑的客流分配模型、基于最少换乘的客流分配模型以及基于随机用户均衡原则的客流分配模型；优选的：对于本地乘客而言，主要受信息作用影响，在无信息作用下以阻抗分层考虑的客流分配模型计算其客流分布情况；在有信息作用下以基于随机用户均衡原则的客流分配模型计算其客流分布情况；对于外地乘客，主要受“本地化”过程发生与否的影响，在“本地化”过程未发生时以基于最少换乘的客流分配模型计算其客流分布情况；在“本地化”过程发生时以阻抗分层考虑的客流分配模型计算其客流分布情况。

8.根据权利要求7所述的方法，其特征在于：

1)阻抗分层考虑的客流分配模型

阻抗分层考虑的客流分配模型用于计算无信息作用下的本地客流分布以及“本地化”过程发生时的外地客流分布；它是将影响乘客出行的确定性时间因素和不确定性拥挤程度、换乘方便性因素分两阶段来对路径的客流分配比例进行计算和修正，以时间阻抗为主确定客流在路径上的初始分配比例，再考虑路径上的换乘次数和静态的拥挤程度对该比例进行修正；

2)基于最少换乘的客流分配模型

基于最少换乘的客流分配模型用于计算“本地化”过程未发生时的外地客流分布，它是根据大客流外地乘客由于对轨道交通路网的不熟悉而持有的路径选择特征，首先以换乘次数多少确定路径的选择优先级，换乘次数少的路径优先级别高，将被优先分配客流量；当同一优先级别下存在多条路径时，再考虑时间因素或旅行站数进行客流量的分配；

3)基于随机用户均衡原则的客流分配模型

在信息作用场景下，路网拥挤状况等实时信息被提供给大客流乘客，此时，大客流中的本地乘客一方面会根据自己以往的经验结合实时信息不断调整出行路径，另一方面由于信息的不完全性及乘客个体经验的差异又使得这种调整存在一定的随机性，从而遵循随机用户均衡原则进行路径选择。

9.根据权利要求1至8中任一所述的方法，其特征在于：

步骤(4)中：从模型中分解出基本的单元算法，通过这些单元算法的组合构成不同场景下大客流分配模型的求解。

10.根据权利要求9所述的方法，其特征在于：包括：K短路径搜索算法、最少换乘路径搜索算法以及基于K短路随机加载的MSA算法；优选的：

K短路径搜索算法：

一种基于深度优先的Deletion Algorithm删除路径搜索算法，用以得到两点间所有的不包含重复节点的K条路径，该算法描述如下：

Step1：利用Dijkstra算法求得有向图(N，A)中以开始节点s为根的最短路径树，标记从开始节点s到结束节点t之间的最短路径为P_k，k＝1；

Step2：如果k小于要求的最短路径的最大数目K，并且仍然有候选路径存在，令当前路径P＝P_k，转Step 3；否则，程序结束；

Step3：找出当前路径P中从第一个节点开始的入度大于1的第一个节点，记为n_h；如果n_h的扩展节点n’_h不在节点集N中，则转Step 4，否则找出路径P中n_h后面所有节点中，其对应的扩展节点不在N中的第一个节点，记为n_i，转Step 5；

Step4：为节点n_h构建一个扩展节点n’_h，并把其添加到集合N中，同时从图(N，A)中所有n_h的前驱节点连接一条到n’_h的弧，弧对应的权重不变，添加这些弧到弧集A中，但n_h在P中的前一个节点n_h-1除外；计算从开始节点s到n’_h的最短路径，并记n_i＝n_h+1；

Step5：对于P中从n_i开始的所有后续节点，记为n_j，依次执行如下操作：①添加n_j的扩展节点n’_j到节点集合N中；②除了路径P中n_j的前一个节点n_j-1外，分别连接一条从n_j前驱节点到其扩展节点n’_j的弧，弧上的权值保持不变，并把这些弧添加到弧集A中，另外，如果p中n_j的前一个节点n_j-1具有扩展节点n’_j-1的话，也需要连接一条从n’_j-1到n’_j的弧，权值和弧(n_j-1，n_j)的权值相等；③计算从开始节点s到n’_j的最短路径。

Step6：更新当前最短路径树，求得从开始节点s到结束节点的当前扩展节点t’_(k)之间的最短路径为第k条最短路径，令k＝k+1，转2继续；

优选的：

最少换乘路径搜索算法：

一种基于节点-线路关系的最少换乘路径搜索算法，用以得到网络上两点间所有不包含重复节点的最少换乘路径，

该算法描述如下：

Step1：输入城市轨道交通物理网络数据信息，初始化并令i＝1；

Step2：取第i个OD对(rs)；

Step3：搜索经过r的线路集P(I)(I＝1，2，…，m，m为正整数)，以及经过s的线路集Q(J)(J＝1，2，…，n，n为正整数)；

Step4：判断是否P(I)＝Q(J)，如是，则满足此条件的线路P(I)或Q(J)即为rs间的直达乘车线路，再应用Dijkstra算法得到rs间的直达乘车路径，输出结果，转至步骤9；否则，执行步骤5；

Step5：搜索线路P(I)上的站点E(I，U)(U＝1，2，…，p，p为正整数)，以及线路Q(J)上的站点F(J，V)(V＝1，2，…，q，q为正整数)；

Step6：判断是否E(I，U)＝F(J，V)，如是，则满足此条件的线路P(I)，Q(J)(可能存在多种组合)即为换乘1次的乘车线路组合，再应用Dijkstra算法搜索得到rs间的换乘1次乘车路径，输出结果，转至步骤9；否则，执行步骤7；

Step7：搜索经过E(I，U)的线路T(K)(k＝1，2，…，g，g为正整数)，以及线路T(K)上的站点G(K，W)(W＝1，2，…，h，h为正整数)；

Step8：判断是否G(K，W)＝F(J，V)，如是，则满足此条件的线路P(I)，T(K)，Q(J)(可能存在多种组合)即为换乘2次的乘车线路，再应用Dijkstra算法搜索得到rs间的换乘2次乘车路径，输出结果，转至步骤9；否则，亦执行步骤9；

Step9：判断rs是否为最后的OD对，如是，算法结束；否则，令i＝i+1，并转至步骤2；

优选的：

基于K短路随机加载的MSA算法：

(1)将K短路径搜索算法引入MSA，从而将现实出行中可能存在的迂回路径一并考虑进有效路径集中；(2)将前面阻抗分层考虑的客流分配模型引入MSA，以该模型来执行每一步迭代中的运量随机加载；进一步包括：

基于K短路随机加载的MSA算法的流程步骤如下：

Step1：初始化；基于初始阻抗

以阻抗分层考虑的客流分布模型执行一次K短路随机加载，产生路段流量

置n＝1；

Step2：更新阻抗；置 $\begin{array}{cc}{t}_a^n=t_a\left(x_a^n\right)& \∀a;\end{array}$

Step3：方向搜索；在现有阻抗

上，以阻抗分层考虑的客流分布模型执行一次K短路随机加载，得到更新的路段流量

Step4：搜索方向是然后“相继平均”移动，即 $\begin{array}{cc}{x}_a^{n+1}=x_a^n+\left(\frac{1}{n}\right)(y_a^n-x_a^n)& \∀a;\end{array}$

Step5：收敛性检验；若已满足收敛指标要求，停止计算；否则，令n＝n+1，转入Step2；收敛性判断准则为 $\frac{\sqrt{{\mathrm{\Σ}}_a{(x_a^{n+1}-x_a^n)}^2}}{{\mathrm{\Σ}}_a{x}_a^n}\≤\mathrm{\ϵ},$ ε≤0.01。

Images