CN105224999A - 基于afc数据的城市轨道交通实时客流预测方法及系统 - Google Patents
基于afc数据的城市轨道交通实时客流预测方法及系统 Download PDFInfo
- Publication number
- CN105224999A CN105224999A CN201510575008.5A CN201510575008A CN105224999A CN 105224999 A CN105224999 A CN 105224999A CN 201510575008 A CN201510575008 A CN 201510575008A CN 105224999 A CN105224999 A CN 105224999A
- Authority
- CN
- China
- Prior art keywords
- real
- time
- passenger flow
- afc
- flow data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于AFC数据的城市轨道交通实时客流预测方法及系统,能够提高AFC实时客流预测的准确性和实时性,及实时客流预测的精度和可视化程度。所述方法包括:根据建立的AFC实时客流数据异常判断及校正机制判断获取到的各站点的AFC实时客流数据是否异常,若是,则进行校正;根据校正后的一定运营时段内的AFC实时客流数据及各站点对应的历史同期、同运营时段的进站量,预测未来一定运营时段内各站点的进站量;预测每个时间粒度下的OD分布;基于预测到的每个时间粒度下的OD分布量进行客流分配,建立城市轨道交通客流实时状态的预报和确报系统、基于B/S架构的城市轨道交通实时客流分析与决策系统。本发明适用于智能交通技术领域。
Description
技术领域
本发明涉及智能交通技术领域,特别是指一种基于AFC数据的城市轨道交通实时客流预测方法及系统。
背景技术
近年来,随着我国城市化进程的逐步加快,城市人口的急剧增加,交通供给与交通需求之间的矛盾愈发突出,城市交通系统已越来越不堪重负,城市轨道交通(以下简称轨道交通)作为城市交通的骨干运输方式,城市轨道交通的供给与交通需求之间的矛盾尤为突出。随着我国城市轨道交通路网的复杂化,轨道交通客流迅猛增长,以北京为例,轨道交通由2000年的2条线路、运营里程54km、日均客运量不足100万人次发展到2015年初的18条线路、运营里程527km、日均客运量1020万人次,形成了网络化运营的格局。随着轨道交通路网运营格局的形成,实时地对轨道交通客流进行预测和分析,对把握轨道交通路网中客流的动态趋势、提高轨道交通运营服务水平和确保安全运营具有重要意义。
轨道交通实时客流预测是一项非常基础而重要的工作,而AFC获得的实时客流数据又是实时客流预测的基础,因此AFC获得实时客流数据质量的好坏显的尤为重要。现有技术中,由于AFC厂商的多样性以及AFC实时客流数据传输机制不够完善等原因,导致目前轨道交通AFC实时客流数据的准确性和实时性较差。在这样的背景下,为了能够准确预测轨道交通的实时客流需要对AFC实时客流数据进行处理,将处理后的实时客流数据用于轨道交通的实时客流预测,现有技术中,也还未有轨道交通实时客流预测的方法及相关的系统建设。
发明内容
本发明要解决的技术问题是提供一种基于AFC数据的城市轨道交通实时客流预测方法及系统,以解决现有技术所存在的AFC厂商的多样性以及AFC实时客流数据传输机制不够完善导致AFC实时客流数据的准确性和实时性差,以及现有技术中还未存在城市轨道交通实时客流预测技术的问题。
为解决上述技术问题,本发明实施例提供一种基于AFC数据的城市轨道交通实时客流预测方法,包括:
对AFC实时客流数据传输流程及数据质量进行分析,建立AFC实时客流数据异常判断及校正机制;
获取各站点的AFC实时客流数据,并根据建立的AFC实时客流数据异常判断及校正机制判断所述AFC实时客流数据是否异常,若是,则对所述AFC实时客流数据进行校正;
根据校正后的一定运营时段内的AFC实时客流数据及各站点对应的历史同期、同运营时段的进站量,预测未来一定运营时段内各站点的进站量。
优选地,所述根据建立的AFC实时客流数据异常判断及校正机制判断所述AFC实时客流数据是否异常,若是,则对所述AFC实时客流数据进行校正包括:
对获取到的AFC实时客流数据进行阈值判断,当所述AFC实时客流数据在设定的阈值范围之内,则判断所述AFC实时客流数据正常;
当所述AFC实时客流数据不在设定的阈值范围之内且在一定的特殊情况下时,则判定所述AFC实时客流数据正常,所述特殊情况包括:大型活动或者突发事件;
当所述AFC实时客流数据不在设定的阈值范围之内且无特殊情况下时,则判定所述AFC实时客流数据异常,并调用修正过的所述异常AFC实时客流数据对应的站点的历史同期、同运营时段的进站量替换该异常AFC实时客流数据。
优选地,所述设定的阈值范围包括:对各个站点、不同时期、不同运营时段分别设定AFC实时客流数据的阈值范围,所述不同时期包括:工作日、双休日、节日及大型活动日;
所述设定AFC实时客流数据的阈值范围包括:
第一步:选取客流月之前的一定月数内的同站点、同时期、同运营时段的进站客流样本数据,确定样本均值以及样本标准差s;
第二步:确定样本标准差与样本均值的比值将所述比值与设定的临界值方程f(x)比较,当时认为阈值范围过大,则进入第三步;否则设定阈值上限为:阈值下限为:完成阈值设定;
第三步:对第二步判断的阈值过大的样本进行样本坏值判断,剔除相应的坏值,坏值剔除后重新确定比值当重新确定的比值时认为阈值范围依然过大,进入第四步,否则设定阈值上限为:阈值下限为:其中,所述为剔除坏值后的样本均值所述s为剔除坏值后的样本标准差s,完成阈值设定;
第四步:对于第三步判断的阈值范围依然过大的站点,采用剔除坏值后的样本中最大进站量xmax和最小进站量xmin来确定阈值范围,阈值上下限分别设定为1.1xmax和0.9xmin;
第五步:对阈值的下限进行判断,将小于0的阈值下限均修改为0。
优选地,所述根据校正后的一定运营时段内的AFC实时客流数据及各站点对应的历史同期、同运营时段的进站量,预测未来一定运营时段内各站点的进站量之后包括:
根据预测到的未来一定运营时段内的各站点的进站总量和该运营时段中每个时间粒度的OD比例进行OD分布预测,所述时间粒度包括:1min、5min、15min和60min。
优选地,根据预测到的未来一定运营时段内的各站点的进站总量和该运营时段中每个时间粒度的OD比例进行OD分布预测包括:
根据各站点进站量分布规律,通过轮盘赌的方法预测运营时段中每1min时间粒度下的OD分布量。
优选地,所述根据各站点进站量分布规律,通过轮盘赌的方法预测运营时段中每1min时间粒度下的OD分布量之后包括:
基于预测的每1min时间粒度下的OD分布量、客流分配模型及客流分配算法进行客流分配;
所述基于预测的每1min时间粒度下的OD分布量、客流分配模型及客流分配算法进行客流分配包括:
基于预测的每1min时间粒度下的OD分布量、路径集数据及上个运营时段的轨道交通路网客流分布状态,按照logit模型确定每条路径能分配到的客流比例,将所述OD分布量按照所述客流比例分配至各条路径上。
优选地,所述基于预测的每1min时间粒度下的OD分布量、客流分配模型及客流分配算法进行客流分配之后包括:
根据客流分配的结果、列车运行图、车站客运组织方式及乘客走行时间参数,建立城市轨道交通客流实时状态预报和确报系统,对客流出行过程进行推演和实时仿真,并将实时仿真结果通过图表的形式对外发布;
其中,所述车站客运组织方式包括:封站和限流;
所述预报用于预测未来一定运营时段内轨道交通路网的客流信息,确报晚于预报生成,用于实时监测、分析当前轨道交通路网的客流信息。
优选地,所述图表用于统计轨道交通路网客流状态信息,所述轨道交通路网客流状态信息包括:轨道交通路网中不同级别拥挤度的区间数量、封站和限流信息,所述图表还用于将轨道交通路网各区间的满载率划分为不同级别用于反映轨道交通路网各区间的拥挤度信息,并根据所述拥挤度信息在图表中将不同拥挤度等级分别用不同的颜色显示;
其中,所述满载率级别包括:小于70%、大于等于70%且小于90%、大于等于90%且小于110%和大于等于110%,所述不同的颜色包括:绿色、黄色、红色和黑色,所述拥挤度等级包括:舒适、较拥挤、拥挤和极拥挤。
优选地,所述建立城市轨道交通客流实时状态预报和确报系统,对客流出行过程进行推演和实时仿真之后包括:
根据实时仿真结果,构建基于B/S架构的城市轨道交通实时客流分析与决策系统,包括面向政府层面的实时监测与决策支持功能、面向企业层面的运营管理与统计分析功能和面向公众层面的实时路况功能,为不同的需求群体提供相应的信息服务。
本发明实施例还提供一种基于AFC数据的城市轨道交通实时客流预测与分析系统,包括:
判断校正机制建立单元:用于对AFC实时客流数据传输流程及数据质量进行分析,建立AFC实时客流数据异常判断及校正机制;
异常判断校正单元:用于获取各站点的AFC实时客流数据,并根据建立的AFC实时客流数据异常判断及校正机制判断所述AFC实时客流数据是否异常,若是,则对所述AFC实时客流数据进行校正;
进站量预测单元:用于根据校正后的一定运营时段内的AFC实时客流数据及各站点对应的历史同期、同运营时段的进站量,预测未来一定运营时段内各站点的进站量;
OD分布预测单元:用于根据预测到的未来一定运营时段内的各站点的进站总量和该运营时段中每个时间粒度的OD比例进行OD分布预测,所述时间粒度包括:1min、5min、15min和60min;
客流分配单元:用于基于预测的每个时间粒度下的OD分布量、客流分配模型及客流分配算法进行客流分配;
预报和确报子系统:用于根据客流分配的结果、列车运行图、车站客运组织方式及乘客走行时间参数,建立城市轨道交通客流实时状态预报和确报系统,对客流出行过程进行推演和实时仿真,并将推演和实时仿真结果通过图表的形式对外发布;
实时客流分析与决策平台:用于根据实时仿真结果,构建基于B/S架构的城市轨道交通实时客流分析与决策系统,包括面向政府层面的实时监测与决策支持功能、面向企业层面的运营管理与统计分析功能和面向公众层面的实时路况功能。
本发明的上述技术方案的有益效果如下:
上述方案中,通过对AFC实时客流数据传输流程及数据质量进行分析,建立AFC实时客流数据异常判断及校正机制,并通过实时客流数据透镜获取各站点的有效AFC实时客流数据;再利用建立的AFC实时客流数据异常判断及校正机制判断获取到的各站点的AFC实时客流数据是否异常,当所述AFC实时客流数据存在异常时则对所述异常AFC实时客流数据进行剔除和校正,从而保证AFC实时客流预测的准确性和实时性;接着,根据校正后的一定运营时段内的AFC实时客流数据及各站点对应的历史同期、同运营时段的进站量,预测未来一定运营时段内各站点的进站量,还根据预测到的未来一定运营时段内的各站点的进站总量和该运营时段中每个时间粒度的OD比例进行OD分布预测,从而提高OD分布预测精度;并基于预测的每个时间粒度下的OD分布量、客流分配模型及客流分配算法进行客流分配,再根据客流分配的结果、列车运行图、车站客运组织方式及乘客走行时间参数,建立城市轨道交通客流实时状态预报和确报系统,对客流出行过程进行推演和实时仿真,并将推演和实时仿真结果通过图表的形式对外发布,便于实时监测当前轨道交通路网中的客流状态;最后,还根据实时仿真结果,构建基于B/S架构的城市轨道交通实时客流分析与决策系统,包括面向政府层面的实时监测与决策支持功能、面向企业层面的运营管理与统计分析功能和面向公众层面的实时路况功能。
附图说明
图1为本发明实施例提供的基于AFC数据的城市轨道交通实时客流预测方法流程示意图;
图2为本发明实施例提供的实时客流数据透镜修正示意图;
图3为本发明实施例提供的阈值范围设定的方法流程示意图;
图4为本发明实施例提供的基于乘客个体的轨道交通出行全过程仿真示意图;
图5为本发明实施例提供的城市轨道交通客流实时状态输出图;
图6为本发明实施例提供的基于B/S架构的城市轨道交通实时客流分析与决策系统的构建流程图;
图7为本发明实施例提供的基于B/S架构的城市轨道交通实时客流分析与决策系统的界面结构图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明针对现有的自动售检票系统(AutomaticFareCollectionsystem,AFC)厂商的多样性以及AFC实时客流数据传输机制不够完善导致AFC实时客流数据的准确性和实时性差,以及现有技术中还未存在城市轨道交通实时客流预测技术的问题,提供一种基于AFC数据的城市轨道交通实时客流预测方法及系统。
实施例一
参看图1所示,本发明实施例提供的一种基于AFC数据的城市轨道交通实时客流预测方法,包括:
S1:对AFC实时客流数据传输流程及数据质量进行分析,建立AFC实时客流数据异常判断及校正机制;
S2:获取各站点的AFC实时客流数据,并根据建立的AFC实时客流数据异常判断及校正机制判断所述AFC实时客流数据是否异常,若是,则对所述AFC实时客流数据进行校正;
S3:根据校正后的一定运营时段内的AFC实时客流数据及各站点对应的历史同期、同运营时段的进站量,预测未来一定运营时段内各站点的进站量。
本发明实施例所述的基于AFC数据的城市轨道交通实时客流预测方法,通过对AFC实时客流数据传输流程及数据质量进行分析,建立AFC实时客流数据异常判断及校正机制,并通过实时客流数据透镜获取各站点的有效AFC实时客流数据,再利用建立的AFC实时客流数据异常判断及校正机制判断获取到的各站点的AFC实时客流数据是否异常,当所述AFC实时客流数据存在异常时则对所述异常AFC实时客流数据进行剔除和校正,从而保证AFC实时客流预测的准确性和实时性;最后,根据校正后的一定运营时段内的AFC实时客流数据及各站点对应的历史同期、同运营时段的进站量,预测未来一定运营时段内各站点的进站量。
本发明实施例中,通过对AFC实时客流数据传输流程及数据质量进行分析,主要是对各站点的历史AFC客流数据与实际进站量进行分析及对AFC厂商的多样性以及数据传输机制进行分析,挖掘轨道交通的客流进站量分布规律,建立AFC实时客流数据异常判断及校正机制,并通过AFC实时客流数据推送方法将校正后的AFC实时客流数据上传到数据库中,所述校正后的AFC实时客流数据包括:未经校正的正常的AFC实时客流数据和经过校正的异常AFC实时客流数据。
本发明实施例中,例如,可以根据经AFC实时客流数据推送方法推送到数据库中的15min内的AFC实时客流数据及各站点对应的历史同期、同运营时段的进站量,预测未来1min、5min、15min和60min内各站点的进站量。
在前述基于AFC数据的城市轨道交通实时客流预测方法的具体实施方式中,可选地,所述根据建立的AFC实时客流数据异常判断及校正机制判断所述AFC实时客流数据是否异常,若是,则对所述AFC实时客流数据进行校正包括:
对获取到的AFC实时客流数据进行阈值判断,当所述AFC实时客流数据在设定的阈值范围之内,则判断所述AFC实时客流数据正常;
当所述AFC实时客流数据不在设定的阈值范围之内且在一定的特殊情况下时,则判定所述AFC实时客流数据正常,所述特殊情况包括:大型活动或者突发事件;
当所述AFC实时客流数据不在设定的阈值范围之内且无特殊情况下时,则判定所述AFC实时客流数据异常,并调用修正过的所述异常AFC实时客流数据对应的站点的历史同期、同运营时段的进站量替换该异常AFC实时客流数据。
本发明实施例中,通过实时客流数据透镜利用AFC实时客流数据异常判断及校正机制对AFC实时客流数据进行判断修正,首先,对获取到的AFC实时客流数据进行阈值判断,如果在阈值范围之内,则直接判断所述AFC实时客流数据正常;如果所述AFC实时客流数据不在设定的阈值范围之内,则要判断是否有特殊情况,例如,接到大型活动或者突发事件的通知,如果接到通知,则判定所述AFC实时客流数据正常;反之,如果没有接到通知,则判定所述AFC实时客流数据异常,并调用修正过的所述异常AFC实时客流数据对应的站点的历史同期、同运营时段的进站量替换该异常AFC实时客流数据,参看图2所示为实时客流数据透镜对AFC实时客流数据进行修正的示意图。
在前述基于AFC数据的城市轨道交通实时客流预测方法的具体实施方式中,可选地,所述设定的阈值范围包括:对各个站点、不同时期、不同运营时段分别设定AFC实时客流数据的阈值范围,所述不同时期包括:工作日、双休日、节日及大型活动日;
所述设定AFC实时客流数据的阈值范围包括:
第一步:选取客流月之前的一定月数内的同站点、同时期、同运营时段的进站客流样本数据x,确定样本均值以及样本标准差s;
第二步:确定样本标准差与样本均值的比值将所述比值与设定的临界值方程f(x)比较,当时认为阈值范围过大,则进入第三步;否则设定阈值上限为:阈值下限为:完成阈值设定;
第三步:对第二步判断的阈值过大的样本进行样本坏值判断,剔除相应的坏值,坏值剔除后重新确定比值当重新确定的比值时认为阈值范围依然过大,进入第四步,否则设定阈值上限为:阈值下限为:其中,所述为剔除坏值后的样本均值所述s为剔除坏值后的样本标准差s,完成阈值设定;
第四步:对于第三步判断的阈值范围依然过大的站点,采用剔除坏值后的样本中最大进站量xmax和最小进站量xmin来确定阈值范围,阈值上下限分别设定为1.1xmax和0.9xmin;
第五步:对阈值的下限进行判断,将小于0的阈值下限均修改为0。
本发明实施例中,由于城市轨道交通各个站点在同一同期、同一运营时段的进站量是比较稳定的,因此,能够对各个站点、各个运营时段、不同时期(包括:工作日、双休日、节日及大型活动日)分别设置相应的阈值,所述设定的阈值范围包括:对各个站点、不同时期、不同运营时段分别设定AFC实时客流数据的阈值范围,并根据设定的阈值范围对不同站点、不同日期以及不同运营时段的AFC实时客流数据进行异常判断。
本发明实施例中,由于轨道交通站点数量庞大,为了分别设定各个站点、各个运营时段、不同时期对应的阈值范围,可以先选取个体进行分析,在找到个体的规律后,再用大量数据验证规律的普遍性。例如,可以先选取同一站点、同一运营时段、同一时期的多个进站量样本进行分布拟合,在得到其分布规律之后再进行阈值设定和调整。
本发明实施例中,例如,以所述站点中的A站某年9月2日~12月30之间的周一早高峰(8:00~9:00)进站量为例,其中,剔除9月30日和10月7日的两个周一(9月30日属于节前,10月7日属于节假日)的数据,样本一共有16天。通过单个体样本来判断进站量的分布情况,初步确定阈值的下限、上限,再通过大量历史AFC客流数据对设定的阈值范围进行阶段性检验。
本发明实施例中,阈值范围的设定参看图3所示:
第一步:选取客流月之前一定月数内(例如,2个月)的同站点、同时期、同运营时段进站客流样本数据x,计算样本均值以及样本标准差s;
第二步:计算样本标准差与样本均值的比值将所述比值与设定的临界值方程f(x)进行比较,当时认为阈值范围过大,进入第三步;否则计算阈值上限为:阈值下限为:完成阈值计算;
其中,临界值方程f(x)表示为式(1):
f(x)=0.7093x-0.1265-0.1218式(1)
第三步:对第二步筛选出来阈值过大的样本可以用格拉布斯法进行样本坏值判断,剔除相应的坏值,坏值剔除后重新计算比值再次进行阈值范围判断,当重新确定的比值认为阈值范围依然过大,进入第四步,否则计算阈值上限为:阈值下限为:其中,所述为剔除坏值后的样本均值所述s为剔除坏值后的样本标准差s,完成阈值计算;
第四步:对于第三步判断的阈值范围依然过大的站点,采用剔除坏值后的样本中最大进站量xmax和最小进站量xmin来计算阈值范围,阈值上下限分别为1.1xmax和0.9xmin;
第五步:对于阈值结果的下限进行判断,将小于0的阈值下限均修改为0。
参看图1所示,在前述基于AFC实时客流数据的城市轨道交通实时客流预测方法的具体实施方式中,可选地,所述根据校正后的一定运营时段内的AFC实时客流数据及各站点对应的历史同期、同运营时段的进站量,预测未来一定运营时段内各站点的进站量之后包括:
S4:根据预测到的未来一定运营时段内的各站点的进站总量和该运营时段中每个时间粒度的OD比例进行OD分布预测,所述时间粒度包括:1min、5min、15min和60min。
本发明实施例中,通过对不同时间粒度下的起止点(OriginDestination,OD)比例稳定性进行分析,由于轨道交通客流在15min内OD比例较为稳定且有一定的规律性,因此,可以根据预测到的未来15min内的各站点的进站总量和运营时段中每15min的OD比例进行OD预测,能够提高OD分布预测精度,通过式(2)计算15min的OD分布量:
Qod=Oo·Pod式(2)
式(2)中,Qod表示15min内某个OD对中的客流量,Oo表示某个站点的进站客流量,Pod表示某个OD对15min的OD比例。
在前述基于AFC数据的城市轨道交通实时客流预测方法的具体实施方式中,可选地,根据预测到的未来一定运营时段内的各站点的进站总量和该运营时段中每个时间粒度的OD比例进行OD分布预测包括:
根据轨道交通的客流进站量分布规律,通过轮盘赌的方法预测运营时段中每1min时间粒度下的OD分布量。
本发明实施例中,为方便后期仿真,需要将15min内每个OD对中的客流量分解为1min时间粒度,也就是,将OD分布量精确到1min时间粒度,由于15min内,部分OD对客流较少,因此,选取每15min进站客流比例进行客流分配,第i分钟某个OD对中的客流量用式(3)表示:
式(3)中,Qod表示15min内某个OD对中的客流量,表示第i分钟某个OD对中的客流量占15min该OD对中的客流比例。
本发明实施例中,在具体的实际运算过程中,由于部分OD比例较小或某些站点进站客流量较小,造成某OD对客流较少且有小数的情况,因此,在客流生成的过程中,采用轮盘赌的方法,按照概率值将赌盘分为若干份,产生一个随机值,将随机值与概率值进行对比,判断随机值落在的区间以确定OD对,从而将客流产生在某个时间点的某个OD对中。
参看图1所示,在前述基于AFC数据的城市轨道交通实时客流预测方法的具体实施方式中,可选地,所述根据轨道交通的客流进站量分布规律,通过轮盘赌的方法预测运营时段中每1min时间粒度下的OD分布量之后包括:
S5:基于预测的每1min时间粒度下的OD分布量、客流分配模型及客流分配算法进行客流分配;
所述基于预测的每1min时间粒度下的OD分布量、客流分配模型及客流分配算法进行客流分配包括:
基于预测的每1min时间粒度下的OD分布量、路径集数据及上个运营时段的轨道交通路网客流分布状态,按照评定(logit)模型确定每条路径能分配到的客流比例,将所述OD分布量按照所述客流比例分配至各条路径上。
参看图1所示,在前述基于AFC数据的城市轨道交通实时客流预测方法的具体实施方式中,可选地,所述基于预测的每1min时间粒度下的OD分布量、客流分配模型及客流分配算法进行客流分配之后包括:
S6:根据客流分配的结果、列车运行图、车站客运组织方式及乘客走行时间参数,建立城市轨道交通客流实时状态预报和确报系统,对客流出行过程进行推演和实时仿真,并将推演和实时仿真结果通过图表的形式对外发布;
其中,所述车站客运组织方式包括:封站和限流;
所述预报用于预测未来一定运营时段内轨道交通路网的客流信息,确报晚于预报生成,用于实时监测、分析当前轨道交通路网的客流信息。
本发明实施例中,基于客流分配的结果、列车运行图(或称为列车时刻表)、车站客运组织方式(封站、限流)及乘客走行时间参数,建立城市轨道交通客流实时状态预报和确报系统,例如,所述预报可以预测未来60min内轨道交通路网的客流信息,为公众提供实时路况信息服务,所述确报晚于预报一小时生成,为轨道交通运营单位提供准实时分析功能,便于轨道交通运营单位实时监测当前轨道交通路网中的客流状态,是对现有技术的一个突破。
本发明实施例中,还通过构建仿真多智能体模型对客流出行过程进行推演和实时仿真,同时将推演和实时仿真结果通过图表的形式对外发布;其中,所述仿真多智能体模型包括:仿真车站智能体、列车智能体、乘客智能体和整体路网场景。对客流出行过程进行推演和实时仿真的过程具体如下:首先,通过创建不同智能体之间的交互方法、交互机制,初始化对象,形成仿真对象;再根据不同智能体之间的交互方法和各自的行为规则,依据时间和时间交互机制进行精确仿真,主要是将OD分布量按照客流比例分配道各路径上的客流在路网空间进行静态加载,再按时间动态进行推演,参看图4所示,完成推演后,利用仿真容器的设置,依据需求统计未来一定预测时间范围内的实时仿真结果,并将推演和实时仿真结果通过图表的形式对外发布。
在前述基于AFC数据的城市轨道交通实时客流预测方法的具体实施方式中,可选地,所述图表用于统计轨道交通路网客流状态信息,所述轨道交通路网客流状态信息包括:轨道交通路网中不同级别拥挤度的区间数量、封站和限流信息,所述图表还用于将轨道交通路网各区间的满载率划分为不同级别用于反映轨道交通路网各区间的拥挤度信息,并根据所述拥挤度信息在图表中将不同拥挤度等级分别用不同的颜色显示;
其中,所述满载率级别包括:小于70%、大于等于70%且小于90%、大于等于90%且小于110%和大于等于110%,所述不同的颜色包括:绿色、黄色、红色和黑色,所述拥挤度等级包括:舒适、较拥挤、拥挤和极拥挤。
本发明实施例中,参看图4所示,例如,可以通过推演和实时仿真结果的输出图表将轨道交通路网各区间的满载率划分为小于70%、大于等于70%且小于90%、大于等于90%且小于110%和大于等于110%四个级别,分别反映舒适、较拥挤、拥挤和极拥挤四个级别的拥挤度,并结合拥挤度信息在输出图表中将这四个级别分别用绿色、黄色、红色和黑色显示,参看图5所示,所述图表还用于统计轨道交通路网中不同级别拥挤度的区间数量、封站和限流信息。
参看图1所示,在前述基于AFC数据的城市轨道交通实时客流预测方法的具体实施方式中,可选地,所述建立城市轨道交通客流实时状态预报和确报系统,对客流出行过程进行推演和实时仿真之后包括:
S7:根据实时仿真结果,构建基于B/S架构的城市轨道交通实时客流分析与决策系统,包括面向政府层面的实时监测与决策支持功能、面向企业层面的运营管理与统计分析功能和面向公众层面的实时路况功能,为不同的需求群体提供相应的信息服务。
本发明实施例中,还根据实时仿真结果,构建基于B/S架构的城市轨道交通实时客流分析与决策系统,实时地对轨道交通客流信息进行分析,并掌握客流的动态变化趋势,具体的,可以将轨道交通路网拓扑结构、列车时段表、物联网数据来源、乘客走行时间参数、历史客流大数据挖掘和站点客运组织(封站、限流等)输入数据库服务器和运算服务器,通过运算服务器对输入的数据进行分析处理,并将分析结果通过互联网上传至所述基于B/S架构的城市轨道交通实时客流分析与决策系统,参看图6所示,所述基于B/S架构的城市轨道交通实时客流分析与决策系统能够为不同的需求群体提供不同的信息服务,例如,可以为政府机构提供实时监测与决策支持功能,还能为企业单位提供运营管理与统计分析功能,分析统计结果准确可靠,同时还能向公众提供实时路况信息,不同的需求群体能够通过所述基于B/S架构的城市轨道交通实时客流分析与决策系统提供的界面结构图进行操作和查看,参看图7所示。
实施例二
本发明还提供一种基于AFC数据的城市轨道交通实时客流预测与分析系统的具体实施方式,由于本发明提供的基于AFC数据的城市轨道交通实时客流预测与分析系统与前述基于AFC数据的城市轨道交通实时客流预测方法的具体实施方式相对应,该基于AFC数据的城市轨道交通实时客流预测与分析系统可以通过执行上述方法具体实施方式中的流程步骤来实现本发明的目的,因此上述基于AFC数据的城市轨道交通实时客流预测方法具体实施方式中的解释说明,也适用于本发明提供的基于AFC数据的城市轨道交通实时客流预测与分析系统的具体实施方式,在本发明以下的具体实施方式中将不再赘述。
本发明实施例还提供一种基于AFC数据的城市轨道交通实时客流预测与分析系统,包括:
判断校正机制建立单元:用于对AFC实时客流数据传输流程及数据质量进行分析,建立AFC实时客流数据异常判断及校正机制;
异常判断校正单元:用于获取各站点的AFC实时客流数据,并根据建立的AFC实时客流数据异常判断及校正机制判断所述AFC实时客流数据是否异常,若是,则对所述AFC实时客流数据进行校正;
进站量预测单元:用于根据校正后的一定运营时段内的AFC实时客流数据及各站点对应的历史同期、同运营时段的进站量,预测未来一定运营时段内各站点的进站量;
OD分布预测单元:用于根据预测到的未来一定运营时段内的各站点的进站总量和该运营时段中每个时间粒度的OD比例进行OD分布预测,所述时间粒度包括:1min、5min、15min和60min;
客流分配单元:用于基于预测的每个时间粒度下的OD分布量、客流分配模型及客流分配算法进行客流分配;
预报和确报子系统:用于根据客流分配的结果、列车运行图、车站客运组织方式及乘客走行时间参数,建立城市轨道交通客流实时状态预报和确报系统,对客流出行过程进行推演和实时仿真,并将推演和实时仿真结果通过图表的形式对外发布;
实时客流分析与决策平台:用于根据实时仿真结果,构建基于B/S架构的城市轨道交通实时客流分析与决策系统,包括面向政府层面的实时监测与决策支持功能、面向企业层面的运营管理与统计分析功能和面向公众层面的实时路况功能。
本发明实施例所述的基于AFC数据的城市轨道交通实时客流预测与分析系统,通过对AFC实时客流数据传输流程及数据质量进行分析,建立AFC实时客流数据异常判断及校正机制,并通过实时客流数据透镜获取各站点的有效AFC实时客流数据;再利用建立的AFC实时客流数据异常判断及校正机制判断获取到的各站点的AFC实时客流数据是否异常,当所述AFC实时客流数据存在异常时则对所述异常AFC实时客流数据进行剔除和校正,从而保证AFC实时客流预测的准确性和实时性;接着,根据校正后的一定运营时段内的AFC实时客流数据及各站点对应的历史同期、同运营时段的进站量,预测未来一定运营时段内各站点的进站量,还根据预测到的未来一定运营时段内的各站点的进站总量和该运营时段中每个时间粒度的OD比例进行OD分布预测,从而提高OD分布预测精度;并基于预测的每个时间粒度下的OD分布量、客流分配模型及客流分配算法进行客流分配,再根据客流分配的结果、列车运行图、车站客运组织方式及乘客走行时间参数,建立城市轨道交通客流实时状态预报和确报系统,对客流出行过程进行推演和实时仿真,并将推演和实时仿真结果通过图表的形式对外发布,便于实时监测当前轨道交通路网中的客流状态;最后,还根据实时仿真结果,构建基于B/S架构的城市轨道交通实时客流分析与决策系统,包括面向政府层面的实时监测与决策支持功能、面向企业层面的运营管理与统计分析功能和面向公众层面的实时路况功能。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于AFC数据的城市轨道交通实时客流预测方法,其特征在于,包括:
对AFC实时客流数据传输流程及数据质量进行分析,建立AFC实时客流数据异常判断及校正机制;
获取各站点的AFC实时客流数据,并根据建立的AFC实时客流数据异常判断及校正机制判断所述AFC实时客流数据是否异常,若是,则对所述AFC实时客流数据进行校正;
根据校正后的一定运营时段内的AFC实时客流数据及各站点对应的历史同期、同运营时段的进站量,预测未来一定运营时段内各站点的进站量。
2.根据权利要求1所述的方法,其特征在于,所述根据建立的AFC实时客流数据异常判断及校正机制判断所述AFC实时客流数据是否异常,若是,则对所述AFC实时客流数据进行校正包括:
对获取到的AFC实时客流数据进行阈值判断,当所述AFC实时客流数据在设定的阈值范围之内,则判断所述AFC实时客流数据正常;
当所述AFC实时客流数据不在设定的阈值范围之内且在一定的特殊情况下时,则判定所述AFC实时客流数据正常,所述特殊情况包括:大型活动或者突发事件;
当所述AFC实时客流数据不在设定的阈值范围之内且无特殊情况下时,则判定所述AFC实时客流数据异常,并调用修正过的所述异常AFC实时客流数据对应的站点的历史同期、同运营时段的进站量替换该异常AFC实时客流数据。
3.根据权利要求2所述的方法,其特征在于,所述设定的阈值范围包括:对各个站点、不同时期、不同运营时段分别设定AFC实时客流数据的阈值范围,所述不同时期包括:工作日、双休日、节日及大型活动日;
所述设定AFC实时客流数据的阈值范围包括:
第一步:选取客流月之前的一定月数内的同站点、同时期、同运营时段的进站客流样本数据,确定样本均值以及样本标准差s;
第二步:确定样本标准差与样本均值的比值将所述比值与设定的临界值方程f(x)比较,当时认为阈值范围过大,则进入第三步;否则设定阈值上限为:阈值下限为:完成阈值设定;
第三步:对第二步判断的阈值过大的样本进行样本坏值判断,剔除相应的坏值,坏值剔除后重新确定比值当重新确定的比值时认为阈值范围依然过大,进入第四步,否则设定阈值上限为:阈值下限为:其中,所述为剔除坏值后的样本均值所述s为剔除坏值后的样本标准差s,完成阈值设定;
第四步:对于第三步判断的阈值范围依然过大的站点,采用剔除坏值后的样本中最大进站量xmax和最小进站量xmin来确定阈值范围,阈值上下限分别设定为1.1xmax和0.9xmin;
第五步:对阈值的下限进行判断,将小于0的阈值下限均修改为0。
4.根据权利要求1所述的方法,其特征在于,所述根据校正后的一定运营时段内的AFC实时客流数据及各站点对应的历史同期、同运营时段的进站量,预测未来一定运营时段内各站点的进站量之后包括:
根据预测到的未来一定运营时段内的各站点的进站总量和该运营时段中每个时间粒度的OD比例进行OD分布预测,所述时间粒度包括:1min、5min、15min和60min。
5.根据权利要求4所述的方法,其特征在于,根据预测到的未来一定运营时段内的各站点的进站总量和该运营时段中每个时间粒度的OD比例进行OD分布预测包括:
根据轨道交通的客流进站量分布规律,通过轮盘赌的方法预测运营时段中每1min时间粒度下的OD分布量。
6.根据权利要求5所述的方法,其特征在于,所述根据轨道交通的客流进站量分布规律,通过轮盘赌的方法预测运营时段中每1min时间粒度下的OD分布量之后包括:
基于预测的每1min时间粒度下的OD分布量、客流分配模型及客流分配算法进行客流分配;
所述基于预测的每1min时间粒度下的OD分布量、客流分配模型及客流分配算法进行客流分配包括:
基于预测的每1min时间粒度下的OD分布量、路径集数据及上个运营时段的轨道交通路网客流分布状态,按照logit模型确定每条路径能分配到的客流比例,将所述OD分布量按照所述客流比例分配至各条路径上。
7.根据权利要求6所述的方法,其特征在于,所述基于预测的每1min时间粒度下的OD分布量、客流分配模型及客流分配算法进行客流分配之后包括:
根据客流分配的结果、列车运行图、车站客运组织方式及乘客走行时间参数,建立城市轨道交通客流实时状态预报和确报系统,对客流出行过程进行推演和实时仿真,并将推演和实时仿真结果通过图表的形式对外发布;
其中,所述车站客运组织方式包括:封站和限流;
所述预报用于预测未来一定运营时段内轨道交通路网的客流信息,确报晚于预报生成,用于实时监测、分析当前轨道交通路网的客流信息。
8.根据权利要求7所述的方法,其特征在于,所述图表用于统计轨道交通路网客流状态信息,所述轨道交通路网客流状态信息包括:轨道交通路网中不同级别拥挤度的区间数量、封站和限流信息,所述图表还用于将轨道交通路网各区间的满载率划分为不同级别用于反映轨道交通路网各区间的拥挤度信息,并根据所述拥挤度信息在图表中将不同拥挤度等级分别用不同的颜色显示;
其中,所述满载率级别包括:小于70%、大于等于70%且小于90%、大于等于90%且小于110%和大于等于110%,所述不同的颜色包括:绿色、黄色、红色和黑色,所述拥挤度等级包括:舒适、较拥挤、拥挤和极拥挤。
9.根据权利要求7所述的方法,其特征在于,所述建立城市轨道交通客流实时状态预报和确报系统,对客流出行过程进行推演和实时仿真之后包括:
根据实时仿真结果,构建基于B/S架构的城市轨道交通实时客流分析与决策系统,包括面向政府层面的实时监测与决策支持功能、面向企业层面的运营管理与统计分析功能和面向公众层面的实时路况功能,为不同的需求群体提供相应的信息服务。
10.一种基于AFC数据的城市轨道交通实时客流预测与分析系统,其特征在于,包括:
判断校正机制建立单元:用于对AFC实时客流数据传输流程及数据质量进行分析,建立AFC实时客流数据异常判断及校正机制;
异常判断校正单元:用于获取各站点的AFC实时客流数据,并根据建立的AFC实时客流数据异常判断及校正机制判断所述AFC实时客流数据是否异常,若是,则对所述AFC实时客流数据进行校正;
进站量预测单元:用于根据校正后的一定运营时段内的AFC实时客流数据及各站点对应的历史同期、同运营时段的进站量,预测未来一定运营时段内各站点的进站量;
OD分布预测单元:用于根据预测到的未来一定运营时段内的各站点的进站总量和该运营时段中每个时间粒度的OD比例进行OD分布预测,所述时间粒度包括:1min、5min、15min和60min;
客流分配单元:用于基于预测的每个时间粒度下的OD分布量、客流分配模型及客流分配算法进行客流分配;
预报和确报子系统:用于根据客流分配的结果、列车运行图、车站客运组织方式及乘客走行时间参数,建立城市轨道交通客流实时状态预报和确报系统,对客流出行过程进行推演和实时仿真,并将推演和实时仿真结果通过图表的形式对外发布;
实时客流分析与决策平台:用于根据实时仿真结果,构建基于B/S架构的城市轨道交通实时客流分析与决策系统,包括面向政府层面的实时监测与决策支持功能、面向企业层面的运营管理与统计分析功能和面向公众层面的实时路况功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510575008.5A CN105224999A (zh) | 2015-09-10 | 2015-09-10 | 基于afc数据的城市轨道交通实时客流预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510575008.5A CN105224999A (zh) | 2015-09-10 | 2015-09-10 | 基于afc数据的城市轨道交通实时客流预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105224999A true CN105224999A (zh) | 2016-01-06 |
Family
ID=54993955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510575008.5A Pending CN105224999A (zh) | 2015-09-10 | 2015-09-10 | 基于afc数据的城市轨道交通实时客流预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105224999A (zh) |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021918A (zh) * | 2016-05-18 | 2016-10-12 | 上海电科智能系统股份有限公司 | 一种轨道交通网络化运行推演算法 |
CN106709609A (zh) * | 2017-01-12 | 2017-05-24 | 北京交通大学 | 一种预测控制地铁车站进站量的方法 |
CN106897838A (zh) * | 2017-01-24 | 2017-06-27 | 北京万相融通科技股份有限公司 | 一种车站客流压力预测与统计分析方法及其系统 |
CN106897815A (zh) * | 2017-01-17 | 2017-06-27 | 北京万相融通科技股份有限公司 | 一种实时预测车站客流量趋势的方法 |
CN106910005A (zh) * | 2017-01-17 | 2017-06-30 | 北京万相融通科技股份有限公司 | 一种车站客流量趋势预测及统计分析方法 |
CN107480824A (zh) * | 2017-08-17 | 2017-12-15 | 重庆交通大学 | 城市轨道交通站点短时客流预测系统及方法 |
CN108622142A (zh) * | 2018-03-30 | 2018-10-09 | 卡斯柯信号有限公司 | 一种基于实时客流的列车智能运行调整系统及方法 |
CN108701334A (zh) * | 2016-03-03 | 2018-10-23 | 三菱电机株式会社 | 拥挤预测装置和拥挤预测方法 |
CN108846493A (zh) * | 2018-06-22 | 2018-11-20 | 山东大学 | 一种基于改进的增量模型的机票订座数预测方法 |
CN109130767A (zh) * | 2017-06-28 | 2019-01-04 | 北京交通大学 | 基于客流的轨道交通车站通风空调系统的智能控制方法 |
CN109858670A (zh) * | 2018-12-24 | 2019-06-07 | 哈尔滨工业大学 | 一种轨道交通车站大客流实时预警方法 |
CN109961164A (zh) * | 2017-12-25 | 2019-07-02 | 比亚迪股份有限公司 | 客流量预测方法及装置 |
CN110189168A (zh) * | 2019-05-21 | 2019-08-30 | 北京交通大学 | 一种基于多尺度统计特征的地铁车站客流仿真系统 |
CN110245806A (zh) * | 2019-06-24 | 2019-09-17 | 北京交通大学 | 一种城市轨道交通客流管控方法与系统 |
CN110782060A (zh) * | 2018-07-31 | 2020-02-11 | 上海宝信软件股份有限公司 | 基于大数据技术的轨道交通断面客流短时预测方法及系统 |
CN110782070A (zh) * | 2019-09-25 | 2020-02-11 | 北京市交通信息中心 | 一种城市轨道交通突发事件客流时空分布预测方法 |
CN110837944A (zh) * | 2019-08-27 | 2020-02-25 | 北京轨道交通路网管理有限公司 | 调度方法、装置及系统 |
CN111105070A (zh) * | 2019-11-20 | 2020-05-05 | 深圳市北斗智能科技有限公司 | 客流预警方法及系统 |
CN111126736A (zh) * | 2018-11-01 | 2020-05-08 | 百度在线网络技术(北京)有限公司 | 企业客流量确定方法、装置、服务器及存储介质 |
CN111353639A (zh) * | 2020-02-26 | 2020-06-30 | 北京交通大学 | 协调列车时刻表的城市轨道交通高峰期限流优化方法 |
CN111832841A (zh) * | 2020-07-27 | 2020-10-27 | 北京交通大学 | 一种封站条件下的轨道交通短时客流预测方法及系统 |
CN112101677A (zh) * | 2020-09-23 | 2020-12-18 | 佳都新太科技股份有限公司 | 一种公共交通出行路径规划方法、装置、设备及存储介质 |
CN112308332A (zh) * | 2020-11-10 | 2021-02-02 | 交控科技股份有限公司 | 轨道交通平行推演系统及方法 |
CN112381260A (zh) * | 2020-09-03 | 2021-02-19 | 北京交通大学 | 基于进站比例的城市轨道交通客流管控优化方法 |
CN112418574A (zh) * | 2019-08-21 | 2021-02-26 | 上海宝信软件股份有限公司 | 基于人工智能的城市轨道交通运营仿真系统及方法 |
CN112598331A (zh) * | 2021-01-06 | 2021-04-02 | 株洲中车时代电气股份有限公司 | 轨道交通的动态调度方法、系统、计算机设备和存储介质 |
CN113085962A (zh) * | 2021-04-20 | 2021-07-09 | 何广斌 | 一种城市轨道交通站台安全控制方法及系统 |
CN113190935A (zh) * | 2020-11-19 | 2021-07-30 | 西南交通大学 | 基于分层Petri网的区域轨道交通车站承载力仿真系统及方法 |
CN115565379A (zh) * | 2022-12-06 | 2023-01-03 | 成都智元汇信息技术股份有限公司 | 一种替换历史客流数据中异常客流数据的方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169524A (zh) * | 2010-02-26 | 2011-08-31 | 同济大学 | 城市轨道交通网络客流分布的分阶段多路径模型算法 |
CN103208033A (zh) * | 2013-03-22 | 2013-07-17 | 北京交通大学 | 一种成网条件下城市轨道交通新线接入客流预测方法 |
CN103632212A (zh) * | 2013-12-11 | 2014-03-12 | 北京交通大学 | 一种时变用户均衡动态网络演化客流预测系统和方法 |
CN103984993A (zh) * | 2014-05-13 | 2014-08-13 | 东南大学 | 一种轨道交通客流od分布实时推测方法 |
CN104217250A (zh) * | 2014-08-07 | 2014-12-17 | 北京市交通信息中心 | 一种基于历史数据的城市轨道交通新线开通客流预测方法 |
CN104376624A (zh) * | 2014-07-22 | 2015-02-25 | 西南交通大学 | 一种基于afc客票数据的城市轨道交通客流分析方法 |
-
2015
- 2015-09-10 CN CN201510575008.5A patent/CN105224999A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169524A (zh) * | 2010-02-26 | 2011-08-31 | 同济大学 | 城市轨道交通网络客流分布的分阶段多路径模型算法 |
CN103208033A (zh) * | 2013-03-22 | 2013-07-17 | 北京交通大学 | 一种成网条件下城市轨道交通新线接入客流预测方法 |
CN103632212A (zh) * | 2013-12-11 | 2014-03-12 | 北京交通大学 | 一种时变用户均衡动态网络演化客流预测系统和方法 |
CN103984993A (zh) * | 2014-05-13 | 2014-08-13 | 东南大学 | 一种轨道交通客流od分布实时推测方法 |
CN104376624A (zh) * | 2014-07-22 | 2015-02-25 | 西南交通大学 | 一种基于afc客票数据的城市轨道交通客流分析方法 |
CN104217250A (zh) * | 2014-08-07 | 2014-12-17 | 北京市交通信息中心 | 一种基于历史数据的城市轨道交通新线开通客流预测方法 |
Non-Patent Citations (7)
Title |
---|
JAMES J. BARRY ET AL: "Using of Entry-Only Automatic Fare Collection Data to Estimate Linked Transit Trips in New York City", 《TRANSPORTATION RESEARCH RECORD JOURNAL OF THE TRANSPORTATION RESEARCH BOARD》 * |
WANLI MIN ET AL: "Real-time road traffic prediction with spatio-temporal correlations", 《TRANSPORTATION RESEARCH PART C: EMERGING TECHNOLOGIES》 * |
周菁楠等: "城市轨道交通换乘站客流实时预测与客运组织应用", 《中国铁路》 * |
姚向明等: "城市轨道交通网络短时客流OD估计模型", 《交通运输系统工程与信息》 * |
汪波等: "城市轨道交通AFC实时客流有效数据筛选", 《都市快轨交通》 * |
王雪梅等: "城市轨道交通短时客流预测体系框架及关键技术", 《交通运输工程与信息学报》 * |
蔡昌俊等: "基于AFC数据的城轨站间客流量分布预测", 《中国铁道科学》 * |
Cited By (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108701334A (zh) * | 2016-03-03 | 2018-10-23 | 三菱电机株式会社 | 拥挤预测装置和拥挤预测方法 |
CN106021918B (zh) * | 2016-05-18 | 2019-03-08 | 上海电科智能系统股份有限公司 | 一种轨道交通网络化运行推演算法 |
CN106021918A (zh) * | 2016-05-18 | 2016-10-12 | 上海电科智能系统股份有限公司 | 一种轨道交通网络化运行推演算法 |
CN106709609A (zh) * | 2017-01-12 | 2017-05-24 | 北京交通大学 | 一种预测控制地铁车站进站量的方法 |
CN106897815A (zh) * | 2017-01-17 | 2017-06-27 | 北京万相融通科技股份有限公司 | 一种实时预测车站客流量趋势的方法 |
CN106910005A (zh) * | 2017-01-17 | 2017-06-30 | 北京万相融通科技股份有限公司 | 一种车站客流量趋势预测及统计分析方法 |
CN106897815B (zh) * | 2017-01-17 | 2021-03-12 | 北京万相融通科技股份有限公司 | 一种实时预测车站客流量趋势的方法 |
CN106897838A (zh) * | 2017-01-24 | 2017-06-27 | 北京万相融通科技股份有限公司 | 一种车站客流压力预测与统计分析方法及其系统 |
CN109130767A (zh) * | 2017-06-28 | 2019-01-04 | 北京交通大学 | 基于客流的轨道交通车站通风空调系统的智能控制方法 |
CN109130767B (zh) * | 2017-06-28 | 2020-08-11 | 北京交通大学 | 基于客流的轨道交通车站通风空调系统的智能控制方法 |
CN107480824B (zh) * | 2017-08-17 | 2020-06-05 | 重庆交通大学 | 城市轨道交通站点短时客流预测系统及方法 |
CN107480824A (zh) * | 2017-08-17 | 2017-12-15 | 重庆交通大学 | 城市轨道交通站点短时客流预测系统及方法 |
CN109961164B (zh) * | 2017-12-25 | 2022-01-07 | 比亚迪股份有限公司 | 客流量预测方法及装置 |
CN109961164A (zh) * | 2017-12-25 | 2019-07-02 | 比亚迪股份有限公司 | 客流量预测方法及装置 |
CN108622142A (zh) * | 2018-03-30 | 2018-10-09 | 卡斯柯信号有限公司 | 一种基于实时客流的列车智能运行调整系统及方法 |
CN108846493B (zh) * | 2018-06-22 | 2021-08-20 | 山东大学 | 一种基于改进的增量模型的机票订座数预测方法 |
CN108846493A (zh) * | 2018-06-22 | 2018-11-20 | 山东大学 | 一种基于改进的增量模型的机票订座数预测方法 |
CN110782060A (zh) * | 2018-07-31 | 2020-02-11 | 上海宝信软件股份有限公司 | 基于大数据技术的轨道交通断面客流短时预测方法及系统 |
CN111126736B (zh) * | 2018-11-01 | 2023-09-01 | 百度在线网络技术(北京)有限公司 | 企业客流量确定方法、装置、服务器及存储介质 |
CN111126736A (zh) * | 2018-11-01 | 2020-05-08 | 百度在线网络技术(北京)有限公司 | 企业客流量确定方法、装置、服务器及存储介质 |
CN109858670A (zh) * | 2018-12-24 | 2019-06-07 | 哈尔滨工业大学 | 一种轨道交通车站大客流实时预警方法 |
CN110189168A (zh) * | 2019-05-21 | 2019-08-30 | 北京交通大学 | 一种基于多尺度统计特征的地铁车站客流仿真系统 |
CN110245806A (zh) * | 2019-06-24 | 2019-09-17 | 北京交通大学 | 一种城市轨道交通客流管控方法与系统 |
CN110245806B (zh) * | 2019-06-24 | 2021-06-22 | 北京交通大学 | 一种城市轨道交通客流管控方法与系统 |
CN112418574A (zh) * | 2019-08-21 | 2021-02-26 | 上海宝信软件股份有限公司 | 基于人工智能的城市轨道交通运营仿真系统及方法 |
CN110837944A (zh) * | 2019-08-27 | 2020-02-25 | 北京轨道交通路网管理有限公司 | 调度方法、装置及系统 |
CN110782070A (zh) * | 2019-09-25 | 2020-02-11 | 北京市交通信息中心 | 一种城市轨道交通突发事件客流时空分布预测方法 |
CN110782070B (zh) * | 2019-09-25 | 2022-04-22 | 北京市交通信息中心 | 一种城市轨道交通突发事件客流时空分布预测方法 |
CN111105070A (zh) * | 2019-11-20 | 2020-05-05 | 深圳市北斗智能科技有限公司 | 客流预警方法及系统 |
CN111105070B (zh) * | 2019-11-20 | 2024-04-16 | 深圳市北斗智能科技有限公司 | 客流预警方法及系统 |
CN111353639A (zh) * | 2020-02-26 | 2020-06-30 | 北京交通大学 | 协调列车时刻表的城市轨道交通高峰期限流优化方法 |
CN111832841A (zh) * | 2020-07-27 | 2020-10-27 | 北京交通大学 | 一种封站条件下的轨道交通短时客流预测方法及系统 |
CN112381260A (zh) * | 2020-09-03 | 2021-02-19 | 北京交通大学 | 基于进站比例的城市轨道交通客流管控优化方法 |
CN112381260B (zh) * | 2020-09-03 | 2023-11-17 | 北京交通大学 | 基于进站比例的城市轨道交通客流管控优化方法 |
CN112101677B (zh) * | 2020-09-23 | 2022-03-22 | 佳都科技集团股份有限公司 | 一种公共交通出行路径规划方法、装置、设备及存储介质 |
CN112101677A (zh) * | 2020-09-23 | 2020-12-18 | 佳都新太科技股份有限公司 | 一种公共交通出行路径规划方法、装置、设备及存储介质 |
WO2022099849A1 (zh) * | 2020-11-10 | 2022-05-19 | 交控科技股份有限公司 | 轨道交通平行推演系统及方法 |
CN112308332A (zh) * | 2020-11-10 | 2021-02-02 | 交控科技股份有限公司 | 轨道交通平行推演系统及方法 |
CN113190935A (zh) * | 2020-11-19 | 2021-07-30 | 西南交通大学 | 基于分层Petri网的区域轨道交通车站承载力仿真系统及方法 |
CN113190935B (zh) * | 2020-11-19 | 2022-10-14 | 西南交通大学 | 基于分层Petri网的区域轨道交通车站承载力仿真系统及方法 |
CN112598331A (zh) * | 2021-01-06 | 2021-04-02 | 株洲中车时代电气股份有限公司 | 轨道交通的动态调度方法、系统、计算机设备和存储介质 |
CN112598331B (zh) * | 2021-01-06 | 2024-01-23 | 株洲中车时代电气股份有限公司 | 轨道交通的动态调度方法、系统、计算机设备和存储介质 |
CN113085962A (zh) * | 2021-04-20 | 2021-07-09 | 何广斌 | 一种城市轨道交通站台安全控制方法及系统 |
CN115565379A (zh) * | 2022-12-06 | 2023-01-03 | 成都智元汇信息技术股份有限公司 | 一种替换历史客流数据中异常客流数据的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105224999A (zh) | 基于afc数据的城市轨道交通实时客流预测方法及系统 | |
Yuan et al. | System dynamics approach for evaluating the interconnection performance of cross-border transport infrastructure | |
Zhao et al. | An integrated framework for electric vehicle rebalancing and staff relocation in one-way carsharing systems: Model formulation and Lagrangian relaxation-based solution approach | |
Osorio et al. | Urban transportation emissions mitigation: Coupling high-resolution vehicular emissions and traffic models for traffic signal optimization | |
CN102169606B (zh) | 一种城市轨道交通网络大客流影响的预测方法 | |
CN110245791A (zh) | 一种订单处理方法及系统 | |
Cats et al. | Evaluating the added-value of online bus arrival prediction schemes | |
Yasmin et al. | Assessment of spatial transferability of an activity-based model, TASHA | |
Liu et al. | Stochastic user equilibrium based spatial-temporal distribution prediction of electric vehicle charging load | |
CN103235816A (zh) | 一种公交路线设置的自动实现方法及系统 | |
Zhu et al. | Estimating train choices of rail transit passengers with real timetable and automatic fare collection data | |
Li et al. | Metro Timetabling for Time‐Varying Passenger Demand and Congestion at Stations | |
Zhang et al. | Optimal location and size of logistics parks in a regional logistics network with economies of scale and CO2 emission taxes | |
Golabi et al. | Innovative pavement management and planning system for road network of Portugal | |
CN106650209A (zh) | 一种车辆应用实时信息确定可靠性增长趋势及参数的方法 | |
Zhang et al. | A data-driven analysis for operational vehicle performance of public transport network | |
Mei et al. | Modelling the effects of parking charge and supply policy using system dynamics method | |
Li et al. | Frequency-based path flow estimator for transit origin-destination trip matrices incorporating automatic passenger count and automatic fare collection data | |
Júnior et al. | Modelling for performance measurement of bus rapid transit systems in Brazil | |
Wang et al. | Measurement of functional resilience of transport network: The case of the Beijing subway network | |
Li et al. | Planning-level methodology for evaluating traveler information provision strategies under stochastic capacity conditions | |
Shmal et al. | Determining the available throughput capacity of the railways using simulation for intelligent management of the transportation process | |
CN113537624A (zh) | 一种轨道交通工程施工进度偏差预测预警管理方法 | |
CN109146241A (zh) | 一种数据驱动的城市公交线路健康诊断方法 | |
Xue et al. | Evaluation on Sustainable Development of Smart Urban Rail Transit |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160106 |