CN106651181A - 网络化运营条件下的公交客流拥塞风险评价方法 - Google Patents
网络化运营条件下的公交客流拥塞风险评价方法 Download PDFInfo
- Publication number
- CN106651181A CN106651181A CN201611211585.7A CN201611211585A CN106651181A CN 106651181 A CN106651181 A CN 106651181A CN 201611211585 A CN201611211585 A CN 201611211585A CN 106651181 A CN106651181 A CN 106651181A
- Authority
- CN
- China
- Prior art keywords
- index
- evaluation
- risk
- passenger flow
- bus
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 107
- 208000027744 congestion Diseases 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000013210 evaluation model Methods 0.000 claims abstract description 15
- 230000006855 networking Effects 0.000 claims description 11
- 238000012502 risk assessment Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 claims description 2
- 238000013517 stratification Methods 0.000 claims description 2
- 238000006467 substitution reaction Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000000638 solvent extraction Methods 0.000 abstract 1
- 230000001131 transforming effect Effects 0.000 abstract 1
- 238000011161 development Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了网络化运营条件下的公交客流拥塞风险评价方法,获取不同时段公交站点区间的运送速度、满载率和登降量三个指标的监测值;采用不同隶属度函数对正向指标和逆向指标分别进行无量纲化,将各个指标的评价值统一转化为[0,1]范围内的量化数值,消除异量纲性影响;根据统计时间内的指标极大值作为模型的输入值进行模型参数的标定;根据熵权法计算不同评价指标在模型中的权重,并对风险评价进行聚类,划分公交客运网络化客流拥塞五级风险等级。本方法基于公交站点区间的运送速度、满载率和登降量,构建公交客运网络化运行客流拥塞风险评价模型,定量评估整个公交客运网络化运行客流拥塞风险。
Description
技术领域
本发明涉及一种基于网络化运营条件下的公交客流拥塞风险评价方法,属于公共交通数据应用和服务评价领域。
背景技术
城市公共交通是满足人民群众基本出行需求的重要社会公益性和服务型行业,关系民生和经济社会发展全局。近年来,随着城镇化、机动化的快速发展,城市公共交通优先发展理念得到普遍推广,公交优先发展战略上升为国家战略。城市地面公交基础设施建设步伐不断加快,地面公交运营网络不断优化、快速公交网络化运营系统初步形成。公交已经成为60%以上城市中、低收入阶层的首选出行方式。
尽管城市地面公交服务能力不断增强,但随着经济社会的发展,社会公众出行需求总量大幅增长,出行需求层次不断提升,从只要“有车坐”向更加“安全、便捷、顺畅、绿色”转变,城市地面公交发展与人民群众日益增长的出行需求间的矛盾依然突出,城市公共交通发展面临重大机遇和挑战。
面对巨大的公交出行量,在现有的城市系统环境下,城市地面公交安全形势日趋严峻,安全事故不断。主要体现在如下几个方面:
(1)由于城市地面公交具有客流量大、高峰时段车内及站台客流拥挤、乘客安检措施缺乏、与其他社会车辆共享道路资源、司机素质与安全监管水平参差不齐、车辆本身安全技术等级不可靠等特点,城市公交发展中仍存在安全保障能力不强、安全事故多发等突出问题,近几年来,发生了多起公共汽电车安全的重特大事故。
(2)随着城镇化进程的快速推进,我国城市地面公交具有客流量大、密集,出行环境与特征复杂,易受重大节假日、重大社会活动、突发自然灾害等造成城市大范围客流失稳情况所带来的城市地面公交高客流拥塞风险隐患,并且发生频率越来越高。以北京为例:2012年7月21日,北京经历了61年来最大强降雨,北京全市出现主要积水道路63处,积水30厘米以上路段30处,城市交通几近瘫痪,上千万人的出行受到严重影响,各客运枢纽客流超负荷聚集,安全问题突出。
由于城市地面公交客流拥塞风险的发生具有随机性、传递性和扩散性等特征,其预防和处置工作难度极大,必须从公交客运网络出发,通过分析导致客流拥塞风险形成的影响因素,针对主要风险因子,构建科学合理的城市地面公交网络客流拥塞评价方法,实现对像北京这样的特大城市的公交客流拥塞评价及分级,以适应国家对城市地面公交系统安全应急新形势的要求,对提高城市地面公交系统的安全服务水平,优化公交线网及运营调度具有重要意义。
发明内容
本发明目的在于提出一种网络化运营条件下的公交客流拥塞风险评价方法,通过分析导致客流拥塞风险形成的影响因素,针对主要风险因子,构建科学合理的城市地面公交网络客流拥塞评价方法,实现对像北京这样的特大城市的公交客流拥塞评价及分级。为今后开展公交网络客流拥塞评价,公交客运网络客流拥塞风险点识别及分级,以及公交线网优化提供了支撑。
为了实现上述目的,本发明采用的技术方案为网络化运营条件下的公交客流拥塞风险评价方法,该评价方法的指标计算与模型构建分为五个步骤,首先分析公交客流拥塞风险的原因,选取客流拥塞风险的关键评价指标;然后,通过收集各指标的指标值数据,将各指标的指标值数据进行无量纲化处理,并根据无量纲化的数据值,按分析的最小时间单元统计各指标的指标值数据最大值。最后,根据各评价指标与公交客流拥风险的关系,构建评价模型,并基于熵权法确定评价模型中各指标的参数权重。
评价指标为公交运送速度、满载率、登降量。
其特征在于,该方法包括以下步骤:
步骤1,评价指标选取;
在对城市客运网络客流拥塞风险进行评价时,需要考虑模型的复杂度及数据获取的难易程度,因此对需要对评价指标进行筛选。选取公交运送速度、满载率、登降量作为评价指标,评价的维度包括站点区间及通道,因此,基于评价指标的三个指标,针对两个维度构建评价模型。
步骤2,指标无量纲化;
公交客流拥塞风险是指公交客运交通网络由于客流拥塞导致某种损失发生的可能性。在客流拥塞风险评价即多指标综合评价中,涉及到两个基本变量:一是各评价指标的实际值,另一个是各指标的评价值。由于各指标所代表的物理涵义不同,因此存在着量纲上的差异。这种异量纲性是影响对事物整体评价的因素,所以在评价之前要将各指标的评价值统一转化为[0,1]范围内的量化数值。
由于网络化客流拥塞评价指标有评价值随指标值增大而增大的正指标,又有评价值随指标值增大而减小的逆指标,因此,分解为以下两个子集:
式中,U代表n个评价指标的总集合;Ui中,i=1,2,分别代表两种类型即正向评价指标和逆向评价指标的评价指标集。
对于评价指标Ui∈U,根据指标值的不同类型,给出两种评价指标隶属函数:
(1)正向指标(Ui∈U1),采用半升梯形模糊隶属度函数进行量化,即:
(2)逆向指标(Ui∈U2),采用半降梯形模糊隶属度函数进行量化,即:
式中,xi代表评价指标评价值;mi代表评价指标的最小值;Mi代表评价指标的最大值;ri代表评价指标xi对应的无量纲化值。
步骤3,确定评价值;
对于客流拥塞风险来说,风险的发生往往是因为出现了极端情况,因此指标的评价值也会出现极值。从统计学分析可知,极值就是指某个时期的随机过程的最大值和最小值,通常位于分布数据的尾部。因此,在对评价指标值进行无量纲化后,以统计时间内的所有正向指标和逆向指标的极大值为模型的输入值进行风险评价。
步骤4,建立评价模型;
交通流或客流拥塞产生的本质为供需的不平衡,即需求大于交通系统的供给能力,结合公交客运客流拥塞风险的特点,将客流拥塞风险的等级定为5级:
一级风险:低度风险,客流容纳能力远大于需求;
二级风险:较低风险,客流容纳能力较好满足需求;
三级风险:中度风险,客流容纳能力满足需求,在短时出现拥挤;
四级风险:较高风险,客流容纳能力基本满足需求,拥塞情况较为明显;
五级风险:高度风险,客流容纳需求接近饱和,能力难以满足,拥塞严重;
从各指标的定义来看,客流拥塞风险与各指标的评价值呈线性关系,假设所分析的对象受多个动态评价指标xi的影响,假定各个评价指标与客流拥塞风险y的关系是线性的,则建立多元风险评价模型:
式中,f(y)代表风险分级函数;α代表标准化系数,取10;wi代表指标i的熵权重系数;ri代表评价指标xi对应的无量纲化值;n代表评价指标的个数。
对客流拥塞风险的分级,本方法采用均值聚类算法进行风险等级的划分。
步骤5,确定评价指标权重;
利用熵权法,根据指标变异性的大小来确定客观权重。若某个指标的信息熵越小,表明指标值得变异程度越大,提供的信息量越多,在综合评价中所能起到的作用也越大,其权重也就越大。相反,某个指标的信息熵越大,表明指标值得变异程度越小,提供的信息量也越少,在综合评价中所起到的作用也越小,其权重也就越小。熵权法更加客观的反应各项指标,不需要涉及到任何主观信息,是一种完全意义上的客观赋值法。
设在选定的评价空间维度和时间维度评价指标为n个,评价空间维度为站点、通道、全网等,时间维度为1小时、1天、1个月,影响综合评价值的分目标为m个,用xij表示评价指标j的第i个分目标的数据值,则n个指标m个分目标值构成矩阵R=(xij)m×n
则其熵权为:
式中,gj代表第j项指标的差异系数;ej代表第j项指标的熵值;pij代表第i个分目标第j项指标的数据值比重,ej∈[0,1];wj≥0,j=1,2,3,...m,且
评价指标选取时,应结合数据情况,选取影响公交客流拥塞的指标进行统计;权重的确定应以一个月以上时间的数据训练,为保证指标的统计值真实可靠,评价值应在公交车上级管理部门采集后再进行误差处理。
对于整个公交客流拥塞风险评价,将各指标值代入公式(1)和(2)确定评价值,同时代入式(6)中确定各指标权重,最后将评价值及权重代入式(4)中确定该时段改区域的客流拥塞风险等级。
差异系数gj越大,指标越重要;标准化系数α取10,使风险值域在0-10范围内。
与现有技术相比,具有以下明显的优势和有益效果:
本方法较传统的公交客流评价着重考虑公交客流拥塞造成的风险程度及特征;本方法利用公交运送速度、满载率、登降量三个核心指标对公交客运网络的客流拥塞风险进行评价,考虑了内外因素的影响,较传统评价模型估算更易操作,具有更强的适用性;利用熵权法对模型中各指标的权重进行标定,区分不同指标对公交客流拥塞风险的影响程度,定量评估不同时间维度和空间维度的公交客运网络客流拥塞风险,本发明的评价结果更加实用。
附图说明
图1为熵权法优势图;
图2为本方法的实施流程图。
具体实施方式
本实施例经过对北京市6000多个公交站点区间的运送速度、满载率和登降量的监测数据进行分析,构建公交客流拥塞风险评价模型,然后运用熵权法分析各指标对公交客运网络客流拥塞的影响,对模型中各指标的权重进行标定,最后,建立公交客流拥塞风险模型,并对北京市的公交客运风险进行分级,并分析其合理性。
本实施例包括以下步骤:
步骤1,评价指标选取及计算;
公交网络客流拥塞风险由自身运送速度和外界客流的影响,因此评价指标主要有:公交运送速度(逆向指标)、满载率(正向指标)、登降量(正向指标),分别计算这三个指标的指标值。
(1)公交运送速度
公交运送速度的获取主要基于公交GPS数据和相应的公交网络的静态站点数据进行计算。基于车辆行驶轨迹数据,利用公交到站时间匹配计算方法,能够得到车辆在每个公交站点的到站时间。通过提取相邻两个站点间车辆运行时间T,结合已知的站点间距D,计算站点区间公交运送速度V。
表1公交站点区间运送速度计算结果(部分)
(2)满载率
首先计算在统计周期内,沿同一方向通过任意两站之间断面的所有公交车能运送的最大乘客数即所有车辆的额定载客量数值,然后统计车内的人数,计算在监测周期内,断面客流量与该断面运输能力的比值。
表2公交站点区间满载率计算结果(部分)
线路 | 站点区间 | 满载率 | 时间 |
1(老山公交场站-四惠枢纽站) | 复兴门内-西单路口东 | 0.158301 | 201605010600 |
1(四惠枢纽站-老山公交场站) | 永安里路口西-日坛路 | 0.377487 | 201605010630 |
1(四惠枢纽站-老山公交场站) | 北京站口东-东单路口西 | 0.16236 | 201605010545 |
1(老山公交场站-四惠枢纽站) | 永定路口东-五棵松桥西 | 0.207009 | 201605010615 |
1(老山公交场站-四惠枢纽站) | 翠微路口-公主坟 | 0.373428 | 201605010600 |
1(四惠枢纽站-老山公交场站) | 八王坟西-郎家园 | 0.194832 | 201605010630 |
1(老山公交场站-四惠枢纽站) | 五棵松桥西-沙沟路口西 | 0.276012 | 201605010545 |
1(四惠枢纽站-老山公交场站) | 郎家园-大北窑东 | 0.316602 | 201605010545 |
(3)登降量
利用刷卡数据,统计计算周期内站点的上下车人数之和,即为站点登降量。
表3公交站点区间登降量计算结果(部分)
站点区间 | 日期 | 时间 | 登降量 |
太阳宫桥-西坝河 | 2016050 | 11000 | 323 |
北太平桥西-蓟门桥东 | 2016050 | 12115 | 302 |
太阳宫桥-西坝河 | 2016050 | 12030 | 241 |
木樨园桥西-木樨园桥 | 2016050 | 11000 | 223 |
太阳宫桥-西坝河 | 2016050 | 11015 | 210 |
太阳宫桥-西坝河 | 2016050 | 10945 | 209 |
静安庄-三元桥 | 2016050 | 11045 | 206 |
木樨园桥西-木樨园桥 | 2016050 | 10745 | 199 |
太阳宫桥-西坝河 | 2016050 | 11930 | 197 |
太阳宫桥-西坝河 | 2016050 | 11630 | 181 |
步骤2,各指标值无量纲化;
根据需要评价的时间和维度,利用利用步骤1获取的公交运送速度(逆向指标)、满载率(正向指标)、登降量(正向指标)的指标值进行无量纲化,即将其转换为[0,1]区间的数值,以速度的标准化为例,各参数如下所示:
表4指标值标准化
步骤3,确定评价值;
以各评价指标的无量纲化值为基础,以15分钟为基本时间单元,分析公交运送速度、满载率、登降量在统计周期内的最大值MAX[r(x)],统计周期可以是天、周、月、季、年等。
步骤4,构建评价模型;
在评价模型中,首先对各指标的权重wi进行标定,以每15分钟的站点区间公交运送速度、满载率和登降量为评价值。为了反映各指标对风险的影响情况,以天为评价周期。其中,n=3。然后,利用熵权法计算模型中各评价指标的权重。
表5熵权重计算结果
评价指标 | 差异系数 | 熵权重 |
速度 | 120.71 | 0.30 |
登降量 | 130.99 | 0.33 |
满载率 | 144.14 | 0.36 |
总和 | 395.84 | 1.00 |
从计算结果可以看出,各指标对客流拥塞风险的影响均很大,满载率对客流拥塞风险的影响最大,权重最高。为了使风险值域在0-10范围内,取α为10,因此公交客流网络拥塞风险评价模型为:
f(y)=10×{0.3×MAX[r(x1)]+0.33×MAX[r(x2)]+0.36×MAX[r(x3)]}
其中,r为标准化函数,x2为公交站点运送速度,x2为公交站点登降量,x3为公交站点满载率。
表6等级划分结果
风险等级 | 一级风险 | 二级风险 | 三级风险 | 四级风险 | 五级风险 |
风险临界值 | 2.5以下 | 2.5-3 | 3-5 | 5-9 | 9以上 |
利用模型计算出的公交客流拥塞风险值y进行均值聚类并做适当调整,对公交客流拥塞风险等级进行了划分,客流拥塞风险共分为五级:2.5以下为一级风险,2.5-3为二级风险,3-5为三级风险,5-9为四级风险,9以上为五级风险。
表7等级划分F检验结果
通过f检验发现,各等级分化具有显著性差异,能较好的区分不同等级的风险情况。
Claims (4)
1.网络化运营条件下的公交客流拥塞风险评价方法,其特征在于:该评价方法的指标计算与模型构建分为五个步骤,首先分析公交客流拥塞风险的原因,选取客流拥塞风险的关键评价指标;然后,通过收集各指标的指标值数据,将各指标的指标值数据进行无量纲化处理,并根据无量纲化的数据值,按分析的最小时间单元统计各指标的指标值数据最大值;最后,根据各评价指标与公交客流拥风险的关系,构建评价模型,并基于熵权法确定评价模型中各指标的参数权重;
评价指标为公交运送速度、满载率、登降量;
其特征在于,该方法包括以下步骤:
步骤1,评价指标选取;
在对城市客运网络客流拥塞风险进行评价时,需要考虑模型的复杂度及数据获取的难易程度,因此对需要对评价指标进行筛选;选取公交运送速度、满载率、登降量作为评价指标,评价的维度包括站点区间及通道,因此,基于评价指标的三个指标,针对两个维度构建评价模型;
步骤2,指标无量纲化;
公交客流拥塞风险是指公交客运交通网络由于客流拥塞导致某种损失发生的可能性;在客流拥塞风险评价即多指标综合评价中,涉及到两个基本变量:一是各评价指标的实际值,另一个是各指标的评价值;由于各指标所代表的物理涵义不同,因此存在着量纲上的差异;这种异量纲性是影响对事物整体评价的因素,所以在评价之前要将各指标的评价值统一转化为[0,1]范围内的量化数值;
由于网络化客流拥塞评价指标有评价值随指标值增大而增大的正指标,又有评价值随指标值增大而减小的逆指标,因此,分解为以下两个子集:
式中,U代表n个评价指标的总集合;Ui中,i=1,2,分别代表两种类型即正向评价指标和逆向评价指标的评价指标集;
对于评价指标Ui∈U,根据指标值的不同类型,给出两种评价指标隶属函数:
(1)正向指标(Ui∈U1),采用半升梯形模糊隶属度函数进行量化,即:
(2)逆向指标(Ui∈U2),采用半降梯形模糊隶属度函数进行量化,即:
式中,xi代表评价指标评价值;mi代表评价指标的最小值;Mi代表评价指标的最大值;ri代表评价指标xi对应的无量纲化值;
步骤3,确定评价值;
对于客流拥塞风险来说,风险的发生往往是因为出现了极端情况,因此指标的评价值也会出现极值;从统计学分析可知,极值就是指某个时期的随机过程的最大值和最小值,通常位于分布数据的尾部;因此,在对评价指标值进行无量纲化后,以统计时间内的所有正向指标和逆向指标的极大值为模型的输入值进行风险评价;
步骤4,建立评价模型;
交通流或客流拥塞产生的本质为供需的不平衡,即需求大于交通系统的供给能力,结合公交客运客流拥塞风险的特点,将客流拥塞风险的等级定为5级:
一级风险:低度风险,客流容纳能力远大于需求;
二级风险:较低风险,客流容纳能力较好满足需求;
三级风险:中度风险,客流容纳能力满足需求,在短时出现拥挤;
四级风险:较高风险,客流容纳能力基本满足需求,拥塞情况较为明显;
五级风险:高度风险,客流容纳需求接近饱和,能力难以满足,拥塞严重;
从各指标的定义来看,客流拥塞风险与各指标的评价值呈线性关系,假设所分析的对象受多个动态评价指标xi的影响,假定各个评价指标与客流拥塞风险y的关系是线性的,则建立多元风险评价模型:
式中,f(y)代表风险分级函数;α代表标准化系数,取10;wi代表指标i的熵权重系数;ri代表评价指标xi对应的无量纲化值;n代表评价指标的个数;
对客流拥塞风险的分级,本方法采用均值聚类算法进行风险等级的划分;
步骤5,确定评价指标权重;
利用熵权法,根据指标变异性的大小来确定客观权重;若某个指标的信息熵越小,表明指标值得变异程度越大,提供的信息量越多,在综合评价中所能起到的作用也越大,其权重也就越大;相反,某个指标的信息熵越大,表明指标值得变异程度越小,提供的信息量也越少,在综合评价中所起到的作用也越小,其权重也就越小;熵权法更加客观的反应各项指标,不需要涉及到任何主观信息,是一种完全意义上的客观赋值法;
设在选定的评价空间维度和时间维度评价指标为n个,评价空间维度为站点、通道、全网等,时间维度为1小时、1天、1个月,影响综合评价值的分目标为m个,用xij表示评价指标j的第i个分目标的数据值,则n个指标m个分目标值构成矩阵R=(xij)m×n
则其熵权为:
式中,gj代表第j项指标的差异系数;ej代表第j项指标的熵值;pij代表第i个分目标第j项指标的数据值比重,ej∈[0,1];wj≥0,j=1,2,3,...m,且
2.根据权利要求1所述的网络化运营条件下的公交客流拥塞风险评价方法,其特征在于:评价指标选取时,应结合数据情况,选取影响公交客流拥塞的指标进行统计;权重的确定应以一个月以上时间的数据训练,为保证指标的统计值真实可靠,评价值应在公交车上级管理部门采集后再进行误差处理。
3.根据权利要求1所述的网络化运营条件下的公交客流拥塞风险评价方法,其特征在于:对于整个公交客流拥塞风险评价,将各指标值代入公式(1)和(2)确定评价值,同时代入式(6)中确定各指标权重,最后将评价值及权重代入式(4)中确定该时段改区域的客流拥塞风险等级。
4.根据权利要求1所述的网络化运营条件下的公交客流拥塞风险评价方法,其特征在于:差异系数gj越大,指标越重要;标准化系数α取10,使风险值域在0-10范围内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611211585.7A CN106651181B (zh) | 2016-12-25 | 2016-12-25 | 网络化运营条件下的公交客流拥塞风险评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611211585.7A CN106651181B (zh) | 2016-12-25 | 2016-12-25 | 网络化运营条件下的公交客流拥塞风险评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106651181A true CN106651181A (zh) | 2017-05-10 |
CN106651181B CN106651181B (zh) | 2020-10-16 |
Family
ID=58827034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611211585.7A Active CN106651181B (zh) | 2016-12-25 | 2016-12-25 | 网络化运营条件下的公交客流拥塞风险评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106651181B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108243065A (zh) * | 2018-01-08 | 2018-07-03 | 东北大学 | 基于公交-地铁双层加权换乘网络下的拥塞感知路由策略 |
CN108492570A (zh) * | 2018-05-22 | 2018-09-04 | 同济大学 | 城市公共交通网络客流拥塞状态表征模型 |
CN109345117A (zh) * | 2018-09-30 | 2019-02-15 | 北京工业大学 | 一种多维数据驱动的交通运输主体综合画像方法 |
CN110942260A (zh) * | 2019-12-12 | 2020-03-31 | 长安大学 | 一种基于贝叶斯最大熵的高校交通安全评价方法 |
CN112116124A (zh) * | 2020-08-07 | 2020-12-22 | 北京工业大学 | 一种基于出行者视角的公交线网优化方案的审计方法 |
CN112580951A (zh) * | 2020-12-09 | 2021-03-30 | 北京交通大学 | 基于乘客出行的城市地面公交运行监测关键指标筛选方法 |
CN113033896A (zh) * | 2021-03-25 | 2021-06-25 | 福州市电子信息集团有限公司 | 一种智能公交调度方法及装置 |
CN113256129A (zh) * | 2021-06-01 | 2021-08-13 | 南京奥派信息产业股份公司 | 一种专注度分析方法、系统及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794507A (zh) * | 2009-07-13 | 2010-08-04 | 北京工业大学 | 基于浮动车数据的宏观路网交通状态评价方法 |
CN101826200A (zh) * | 2010-04-02 | 2010-09-08 | 北京交通大学 | 城市轨道交通枢纽运营效果评价方法 |
CN103366551A (zh) * | 2012-04-05 | 2013-10-23 | 郭海锋 | 一种道路交通安全评价方法 |
CN103646374A (zh) * | 2013-12-26 | 2014-03-19 | 北京交通发展研究中心 | 一种地面公交运行舒适性指数计算方法 |
-
2016
- 2016-12-25 CN CN201611211585.7A patent/CN106651181B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101794507A (zh) * | 2009-07-13 | 2010-08-04 | 北京工业大学 | 基于浮动车数据的宏观路网交通状态评价方法 |
CN101826200A (zh) * | 2010-04-02 | 2010-09-08 | 北京交通大学 | 城市轨道交通枢纽运营效果评价方法 |
CN103366551A (zh) * | 2012-04-05 | 2013-10-23 | 郭海锋 | 一种道路交通安全评价方法 |
CN103646374A (zh) * | 2013-12-26 | 2014-03-19 | 北京交通发展研究中心 | 一种地面公交运行舒适性指数计算方法 |
Non-Patent Citations (2)
Title |
---|
WEILI 等: "《The Optimize Mangement of Passsenger Organization in Transfer Station Based on Dynamic Passenger Flow Analysis》", 《ELSEVIER》 * |
刘海伟: "《关于交通拥堵城市公交加权网络建模的研究》", 《信息安全与技术》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108243065B (zh) * | 2018-01-08 | 2020-10-23 | 东北大学 | 基于公交-地铁双层加权换乘网络下的拥塞感知路由策略 |
CN108243065A (zh) * | 2018-01-08 | 2018-07-03 | 东北大学 | 基于公交-地铁双层加权换乘网络下的拥塞感知路由策略 |
CN108492570A (zh) * | 2018-05-22 | 2018-09-04 | 同济大学 | 城市公共交通网络客流拥塞状态表征模型 |
CN108492570B (zh) * | 2018-05-22 | 2019-06-11 | 同济大学 | 城市公共交通网络客流拥塞状态表征方法 |
CN109345117B (zh) * | 2018-09-30 | 2022-02-08 | 北京工业大学 | 一种多维数据驱动的交通运输主体综合画像方法 |
CN109345117A (zh) * | 2018-09-30 | 2019-02-15 | 北京工业大学 | 一种多维数据驱动的交通运输主体综合画像方法 |
CN110942260A (zh) * | 2019-12-12 | 2020-03-31 | 长安大学 | 一种基于贝叶斯最大熵的高校交通安全评价方法 |
CN110942260B (zh) * | 2019-12-12 | 2024-02-13 | 长安大学 | 一种基于贝叶斯最大熵的高校交通安全评价方法 |
CN112116124A (zh) * | 2020-08-07 | 2020-12-22 | 北京工业大学 | 一种基于出行者视角的公交线网优化方案的审计方法 |
CN112116124B (zh) * | 2020-08-07 | 2023-11-14 | 北京工业大学 | 一种基于出行者视角的公交线网优化方案的审计方法 |
CN112580951A (zh) * | 2020-12-09 | 2021-03-30 | 北京交通大学 | 基于乘客出行的城市地面公交运行监测关键指标筛选方法 |
CN112580951B (zh) * | 2020-12-09 | 2024-05-21 | 北京交通大学 | 基于乘客出行的城市地面公交运行监测关键指标筛选方法 |
CN113033896A (zh) * | 2021-03-25 | 2021-06-25 | 福州市电子信息集团有限公司 | 一种智能公交调度方法及装置 |
CN113256129A (zh) * | 2021-06-01 | 2021-08-13 | 南京奥派信息产业股份公司 | 一种专注度分析方法、系统及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106651181B (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651181A (zh) | 网络化运营条件下的公交客流拥塞风险评价方法 | |
CN106651182A (zh) | 基于熵权重的轨道客流拥塞风险评价方法 | |
CN111260221B (zh) | 一种面向城市全局基于动态模型的交通设施承载力评估方法 | |
CN113487066B (zh) | 基于多属性增强图卷积-Informer模型的长时序货运量预测方法 | |
Ma et al. | Evaluation of urban green transportation planning based on central point triangle whiten weight function and entropy-AHP | |
CN103984994B (zh) | 一种城市轨道交通客流高峰持续时间预测方法 | |
CN107729938B (zh) | 一种基于公交接驳辐射区特征的轨道站点分类方法 | |
CN103745089A (zh) | 一种多维公共交通运行指数评价方法 | |
CN112561304A (zh) | 城市常规公交线网的评价方法 | |
CN111063204B (zh) | 一种基于收费站流量的高速公路车速预测模型训练方法 | |
CN107832779B (zh) | 一种轨道站点分类系统 | |
CN109345434B (zh) | 一种开放式小区内外部道路设计安全评价的方法 | |
CN114139251B (zh) | 一种边境地区陆路口岸整体布局方法 | |
CN106021902A (zh) | 一种用于城市轨道交通客流拥挤指数的分级方法 | |
CN104616496A (zh) | 基于突变理论的电网大停电交通拥堵度评估方法 | |
CN114943356A (zh) | 一种机场到港旅客乘坐出租车短时需求集成预测方法 | |
CN106327867A (zh) | 一种基于gps数据的公交准点预测方法 | |
CN106203887A (zh) | 一种基于交叉分类法的公路网特性分析方法及装置 | |
Wang et al. | Forecasting Beijing transportation hub areas’s pedestrian flow using modular neural network | |
CN105608315A (zh) | 公交停靠站安全服务水平定量评价方法及系统 | |
CN110020799A (zh) | 一种基于时空基准的城管网格资源配置 | |
CN113642162B (zh) | 一种城市道路交通应急预案仿真综合分析方法 | |
Shan et al. | Predicting duration of traffic accidents based on ensemble learning | |
CN109308559A (zh) | 一种基于蒙特卡罗算法的封闭式小区道路开放评价方法 | |
CN117235556B (zh) | 一种面向交通管理者的多模式交通复合网络构建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |