CN106971262A - 基于元胞自动机的城市轨道交通拥堵状态传播的仿真方法 - Google Patents
基于元胞自动机的城市轨道交通拥堵状态传播的仿真方法 Download PDFInfo
- Publication number
- CN106971262A CN106971262A CN201710149658.2A CN201710149658A CN106971262A CN 106971262 A CN106971262 A CN 106971262A CN 201710149658 A CN201710149658 A CN 201710149658A CN 106971262 A CN106971262 A CN 106971262A
- Authority
- CN
- China
- Prior art keywords
- cellular
- platform
- track traffic
- congestion
- urban track
- 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
- 230000001413 cellular effect Effects 0.000 title claims abstract description 199
- 230000000644 propagated effect Effects 0.000 title claims abstract description 30
- 238000004088 simulation Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000009466 transformation Effects 0.000 claims abstract description 14
- 230000006854 communication Effects 0.000 claims abstract description 12
- 238000012546 transfer Methods 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 7
- 230000001902 propagating effect Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000000977 initiatory effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000205 computational method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 7
- 230000008859 change Effects 0.000 abstract description 6
- 239000000203 mixture Substances 0.000 abstract description 5
- 238000009472 formulation Methods 0.000 abstract description 4
- 238000005094 computer simulation Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000005290 field theory Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005476 size effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000014599 transmission of virus 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/002—Biomolecular computers, i.e. using biomolecules, proteins, cells
-
- 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)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Organic Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提供了一种基于元胞自动机的城市轨道交通拥堵状态传播的仿真方法。该方法包括:构建城市轨道交通仿真路网,基于城市轨道交通的AFC数据计算各站台元胞在仿真时间步长内的进站和出站人数,计算仿真时间步长内线路的输送能力;建立基于元胞自动机的城市轨道交通大客流拥堵传播模型;基于城市轨道交通大客流拥堵传播模型和仿真时间步长内线路的输送能力利用转换规则函数得到列车满载率,判断各车站站台和区间的拥堵状态。本发明对通勤大客流场景下城市轨道交通网络中车站和区间的拥堵传播过程进行仿真,加强对传播中的概率事件以及车站个体行为与变化的描述,为大客流场景下的网络运营状态分析、应急预案的制定等提供有效的技术手段。
Description
技术领域
本发明涉及轨道交通运营管理技术领域,尤其涉及一种基于元胞自动机的城市轨道交通拥堵状态传播的仿真方法。
背景技术
城市轨道交通运营逐步进入网络时代,网络规模效应使城市轨道交通对客流的吸引能力急剧增加,产生了大客流现象。目前,由通勤出行导致的城市轨道交通大客流拥堵已逐渐成为一种普遍化、常态化的现象,由于缺少对大客流危机产生和发展机理的科学认识,针对大客流危机问题仍缺乏有效的控制和处理手段。
有关客流拥堵传播问题的研究最先出现在道路交通网络中。Chris Wright等提出理想栅格网络上由单一所瓶颈引起的交通拥挤传播模型,Y Moreno等发现存在一个与网络拓扑结构相关的负荷临界值,Lubos发现网络上结点的自修复时间、拥堵延迟时间、内部噪声强度同样存在临界值,朱明皓、张毅媚等从经济学的角度出发,剖析城市道路交通拥堵的产生机理。吴建军等采用SIR(Susceptible-Infective-Removal Model)模型、SEIR(Susceptible-Exposed-Infective-Removal Model)模型研究小世界网络上交通拥堵传播问题;高自友等人在以上研究结论的基础上,详细对交通网络的复杂性进行了分析,将城市交通网络抽象为复杂网络并基于此建立城市交通复杂网络的动态交通拥堵模型;郑建风等通过引入拥堵效用建立了复杂交通网络上的级联故障模型,分析了网络拓扑结构对网络拥挤程度及网络效率的影响。
道路交通网络中的拥堵传播机理与城市轨道交通中拥堵状态传播机理不同,众多学者从不同角度提出对大客流生成、传播与演化原因的理论设想。周艳芳等针对客流高峰小时传播,认为其表现为拥挤状态的扩散,车站高峰小时的客流吸引率与列车高峰时段的运输能力是影响拥挤扩散的主要原因,而乘客群体的心理变化是传播发生的主观原因。洪玲等针对列车运营中断,认为其导致网络中形成绕行客流、延误客流和损失客流,三类客流在受影响车站叠加而形成超过正常水平的客流拥挤状态。段力伟等针对大客流在不同类型车站的传播特点,认为乘客乘降的交叉干扰与列车运行延误是城市轨道交通网络运营受大客流传播影响的主要原因。朱炜提出区分大型活动大客流、事故/故障大客流、高峰小时大客流3类大客流事件,将大客流事件发生与否归结为车站容量、输送能力及乘客到达流量之间的数量关系,定义"涟漪反应"刻画其影响在轨道交通网络中的传播。
目前主要采用复杂网络传播动力学研究城市轨道网络客流分布与传播的规律,SIS与SIR这两类经典的传染病模型被学者较多地应用与改善。牛龙飞利用复杂网络理论分析网络本身的基本统计及结构特征,解释大客流的网络特性,并通过改进传染病的经典传播模型,描述了大客流拥挤状态在网络各个站点间的传播过程及影响范围。
骆晨等提出引用疾病传播理论,建立了基于网络拥挤模型的超大客流拥堵网络疾病传播模型,并运用Adams微分方程数值进行模型求解,并对不同的初始拥堵站点数量进行仿真。
周艳芳对城市轨道交通网络中的高峰客流传播特征进行了分析,并构建了局部中断评价模型及突发客流在网络中的SIR传播模型,总结了大客流在网络中的传播特征和疏散规律。
曹志超借鉴复杂网络传播动力学理论在城市轨道交通中的研究方法,提出了无约束条件下的突发大客流演化模型,分析了突发大客流动态演化机理,对客流传播速率和消散速率进行了相对性讨论。在此基础上,提出综合约束条件下的突发大客流的演化机理。
李朴提出引入复杂网络理论对网络客流拥堵的动力学传播特性进行研究,借鉴图论理论知识,以车站为节点,构建了城市轨道交通运营网络拓扑模型,并建立了城市轨道交通运营网络客流拥堵传播SIR模型,并对模型参数进行了分析。并且得出结论:拥堵传播与发生拥堵车站结构特性有关,即与发生拥堵车站节点度值有关,节点度值越大,其传播范围越大;拥堵传播同时具有收敛性及时效性,即单车站客流拥堵和多车站客流拥堵在相同初始传播条件下,网络最终传播影响范围收敛于相同值,但多车站客流拥堵达到最后波及影响范围所需时间更短。
刘晓霞提出突发客流在路网的点、线、网中的相互影响过程、传播路径、范围强度与轨道交通网络拓扑结构相关,从复杂网络传播动力学角度考虑,建立了基于SIR理论的城市轨道交通网络突发客流高峰传播模型,并模拟分析了突发客流拥挤发生在不同的轨道交通车站,对城市轨道交通网络所造成影响。
Wujianjun和张钰梅分别借鉴SIR模型和元胞的思想,分析拥堵在交通网络中的传播规律。刘玉麟、姚向明等通过多主体仿真方法,模拟城市轨道交通运营网络,以求解各区间的客流量变化和满载率水平。基于多主体的仿真建模方法在表达复杂的主体交互关系方面具备优势,适宜进行微观粒度的客流推演与统计;但其模型参数规模较大,且模型的有效性与精确性对参数的要求较高,模型验证也较为困难。
这些研究对轨道交通网络拥挤传播问题进行了有益的探索,但其立足点和核心目标主要针对城轨网络客流疏解、运输秩序恢复等,对城市轨道交通网络在传播过程中的根本性特征及其运作机制尚缺乏深入剖析。基于平均场理论的病毒传播模型易于应用,能够反映拥堵传播过程中的平均趋势,然而却无法准确描述拥堵传播过程中的某些概率事件以及反映车站与车站间、车站与站台间的交互性。
发明内容
为了克服现有方法的不足,本发明提出一种基于元胞自动机的城市轨道交通大客流拥堵状态传播的仿真方法。
为了实现上述目的,本发明采取了如下技术方案。
一种基于元胞自动机的城市轨道交通拥堵状态传播的仿真方法,包括:
构建城市轨道交通仿真路网,所述城市轨道交通仿真路网为多个站台元胞构成的元胞空间;
设置仿真时间步长,基于城市轨道交通的AFC数据计算各站台元胞在所述仿真时间步长内的进站和出站人数,计算所述仿真时间步长内线路的输送能力;
基于所述城市轨道交通仿真路网和所述各站台元胞在所述仿真时间步长内的进站和出站人数,建立基于元胞自动机的城市轨道交通大客流拥堵传播模型;
基于所述城市轨道交通大客流拥堵传播模型和所述仿真时间步长内线路的输送能力利用转换规则函数得到列车满载率,判断各车站站台和区间的拥堵状态。
进一步地,所述的构建城市轨道交通仿真路网,所述城市轨道交通仿真路网为多个站台元胞构成的元胞空间,包括:
G=(V',E),G为城市轨道交通路网客流传播网络,即为元胞空间,V'表示轨道交通网络中的站台集合,对于普通车站,将普通车站的上、下行分别视为两个独立的站台元胞,对于换乘车站,将每个换乘方向的换乘站台看做一个站台元胞,E为城市轨道交通网络中的有向边集合,有向边的方向即为列车的运行方向与拥堵传播的方向,对各个站台元胞进行编号。
进一步地,所述的设置仿真时间步长,基于城市轨道交通的AFC数据计算各站台元胞在所述仿真时间步长内的进站和出站人数,计算所述仿真时间步长内线路的输送能力,包括:
设置仿真开始、结束时段,统计城市轨道交通网络中各线路的发车间隔,选取所有线路的最大发车间隔为仿真时间步长T0;
根据时间步长划分时间区段,基于城市轨道交通系统的AFC数据库中特征日各时段的AFC数据,结合每条出行记录的起始站与终到站,通过数据库筛选功能获取并记录每个站台元胞在仿真时间步长内的进站和出站人数;
计算线路在所述仿真时间步长内的输送能力S;
S:线路的输送能力;
S0:列车的承载能力;
T:线路的发车间隔;
T0:仿真时间步长。
进一步地,所述的基于所述城市轨道交通仿真路网和所述各站台元胞在所述仿真时间步长内的进站和出站人数,建立基于元胞自动机的城市轨道交通大客流拥堵传播模型,包括:
用四元组(G,Q,V,f)表示城市轨道交通大客流拥堵传播模型,其中G表示元胞空间,Q表示元胞状态集合,V表示元胞邻域,f表示元胞状态的转换规则;
1:元胞空间G=(V',E);
2:元胞状态集合,定义元胞站台i在t时刻的状态向量为si(t),表征元胞站台i的拥堵状态;
3:元胞邻域,以元胞空间的邻接矩阵A定义各站台元胞的邻居关系,站台元胞i的邻域为Vi={aij=1|aij∈A,j=1,2,…,N},当aij=1时,表示站台元胞i发生拥堵会对站台元胞j产生影响;
4:元胞状态的转换规则,站台元胞的状态转移函数指根据站台元胞当前状态及其邻居状态确定下一时刻该元胞状态的动力学函数,设站台元胞j为线路l上的站台元胞i的邻居节点,则站台元胞的状态转移函数为:
f:Sj(t+1)=f(Sj(t),Si(t),βij(t),bj(t),dj(t))
Sj(t+1):t+1时刻站台元胞j的拥堵状态;
Sj(t):t时刻站台元胞j的拥堵状态;
Si(t):t时刻站台元胞i的拥堵状态;
βij(t):t时刻从站台元胞i到站台元胞j的列车满载率;
bj(t):t时刻站台元胞j上车人数;
dj(t):t时刻站台元胞j下车人数。
进一步地,所述的基于所述城市轨道交通大客流拥堵传播模型和所述仿真时间步长内线路的输送能力利用转换规则函数得到列车满载率,判断各车站站台和区间的拥堵状态,包括:
根据所述城市轨道交通大客流拥堵传播模型(G,Q,V,f)中的元胞邻域确定aij=1后,采用下述计算方法计算t时刻从站台元胞i到站台元胞j的列车满载率βij(t):
βij(t+1)=βki(t)-(di(t)-bi(t))/Sl
站台元胞k为站台元胞的邻接元胞,即站台元胞k的拥堵状态会影响站台元胞i。Sl为单位仿真时间步长内线路l的输送能力,bi(t)为t时刻站台元胞i上车人数,di(t)为t时刻站台元胞i下车人数;
当计算出来的βij(t)大于设定的拥堵判断阈值后,则判断t时刻站台i和从站台i到站台j的区间都处于拥堵状态。
进一步地,所述的方法还包括:
将仿真时间步长T分成N个分时段T1、T2、……Tn,统计各个分时段T1、T2、……Tn上处于拥堵状态的站台,将处于拥堵状态的站台在仿真路网上进行展示。
进一步地,所述的方法还包括:
设仿真时间步长为T,将仿真时间步长T分成N个分时段T1、T2、……Tn,根据轨道交通的运营数据,统计各时段各断面的客流量……,计算各时段的各断面的输送能力……;
Tn时段的断面的输送能力;
S0:列车的输送能力;
T:线路的发车间隔;
Tn:时段长度。
则各断面的仿真满载率β'的计算公式如下:
根据各断面的客流量和输送能力计算出各断面的理论满载率,对N个分时段T1、T2、……Tn内的理论满载率与仿真满载率进行对比,根据对比结果对各个分时段上区间的拥堵状态进行分级。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例的方法结合AFC数据,对通勤大客流场景下城市轨道交通网络中车站和区间的拥堵传播过程进行仿真,有效克服经典SIR模型的局限性,加强对传播中的概率事件以及车站个体行为与变化的描述。本发明利用元胞和状态转换规则反映大量站台、区间的相互作用,准确模拟了通勤客流下拥堵传播规律,为大客流场景下的网络运营状态分析、应急预案的制定等提供有效的技术手段。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于元胞自动机的城市轨道交通拥堵状态传播的仿真方法的处理流程图;
图2为本发明实施例提供的一种北京市局部城市轨道交通仿真路网示意图;
图3为本发明实施例提供的一种元胞邻域示意图;
图4为本发明实施例提供的一种13号线理论满载率、仿真满载率对比图;
图5为本发明实施例提供的一种8号线理论满载率、仿真满载率对比图;
图6为本发明实施例提供的一种北京市局部轨道交通路网早高峰拥堵传播情况;
(a)7:00-7:30拥堵节点;(b)7:30-8:00拥堵节点;
(c)8:00-8:30拥堵节点;(d)8:30-9:00拥堵节点;
(e)9:00-9:30拥堵节点。
图7为本发明实施例提供的一种立水桥南站早高峰留乘人数;
图8为本发明实施例提供的一种区间拥堵图例;
图9为本发明实施例提供的一种北京市局部轨道交通路网早高峰站间大客流分布图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
本发明实施例基于元胞自动机建立轨道交通大客流拥堵传播仿真模型,元胞自动机作为一个离散时间维上的动力学系统,能够逼真地反映大量个体相互作用的细致结构模式,通过相对简单的元胞和规则刻画复杂现象。该方法运用于城市轨道交通运输组织领域,为大客流场景下的网络运营状态分析、应急预案的制定等提供有效的技术手段。该方法研究通勤大客流情景下城市轨道交通车站与区间拥堵状态传播问题。该方法克服平均场理论的局限,通过建立局部交互的演化规则反映大客流传播过程中车站与车站间、车站与列车间的交互作用该模型,能够准确刻画高峰通勤大客流拥堵状态在车站和路网区间的传播规律。
本发明实施例以车站站台和区间为研究对象,这里的区间表示相邻车站站台之间的线路,首先根据轨道交通路网构建城市轨道交通仿真路网,对车站站台进行编号。然后设置仿真时间步长,基于城市轨道交通的AFC(Automatic Fare Collection System,自动售检票系统)数据计算各站台仿真时间步长内的进站和出站人数,计算仿真时间步长内线路的输送能力。然后建立基于元胞自动机的城市轨道交通大客流拥堵传播模型,利用转换规则函数得到列车满载率、站台留乘人数,判断各车站站台的拥堵状态,绘制各时段内的拥堵站点图与拥堵区间示意图。
本发明实施例中的大客流为由通勤乘客引起的大客流现象。城市轨道交通通勤大客流传播的实质是在早晚高峰通勤大客流影响下某些车站内的客流高度集中使得车站、区间过分拥堵,“车站拥堵”和“区间拥堵”相互作用并以运行的列车为媒介将这种拥堵无序状态在路网层面逐渐扩散的过程。
本发明实施例提供的一种基于元胞自动机的城市轨道交通拥堵状态传播的仿真方法的处理流程如图1所示,包括如下的处理步骤:
步骤S110、构建城市轨道交通仿真路网,城市轨道交通仿真路网为多个站台元胞构成的元胞空间。
G=(V',E),G为城市轨道交通路网客流传播网络,即为元胞空间,V'表示轨道交通网络中的站台集合,对于岛式站台,本发明将车站站台视为站台元胞,区分上、下行将其视为两个独立的站台元胞,E为城市轨道交通网络中的有向边集合,有向边的方向即为列车的运行方向与拥堵传播的方向。对于换乘站,将每个换乘方向的换乘站台看做一个站台元胞,建立城市轨道交通仿真路网,对站台元胞进行编号,图2为本发明实施例提供的一种北京市局部城市轨道交通仿真路网示意图,包含5号线、8号线、13号线和15号线中的元胞。
步骤S120、设置仿真时间步长,基于城市轨道交通的AFC数据计算各站台元胞在仿真时间步长内的进站和出站人数,计算仿真时间步长内线路的输送能力。
A.设置仿真时间步长
在城市轨道交通网络中,列车的运行是拥堵传播的媒介,因此站台元胞状态的更新不是瞬间完成的,而是需要一个仿真时间步长T。在元胞自动机模型中,认为所有站台元胞的状态更新是同时进行的,因此选取所有线路的最大发车间隔为仿真时间步长,这样保证在一个仿真时间步长内每个站台元胞都有至少一个列车的到达与出发,其中l表示城市轨道交通网络中线路的编号,Tl表示线路l的发车间隔。
T0=max{Tl}
B.AFC数据处理
根据时间步长划分时间区段,选取AFC数据库特征日各时段的AFC数据,在数据库中起始站字段、终到站字段中选定目标起始站、目标终到站,通过数据库筛选功能,计数高峰时段各个站点在每个仿真时间步长内的进站和出站人数,获得车站内每个站台元胞在仿真时间步长内的进站和出站人数。
C.计算线路的输送能力
线路在仿真时间步长内的输送能力与列车的承载能力、线路的发车间隔等因素相关。单位列车的承载能力越大,线路的输送能力越大;线路的发车间隔越短,线路的输送能力越大。具体的计算方法如下:
S:线路的输送能力;
S0:列车的承载能力;
T:线路的发车间隔;
T0:仿真时间步长。
步骤S130、基于城市轨道交通仿真路网和各站台元胞在仿真时间步长内的进站和出站人数,建立基于元胞自动机的城市轨道交通大客流拥堵传播模型。
城市轨道交通通勤大客流是指在运营中由早晚上下班高峰客流导致的轨道交通车站或者区间在某一时间内候车、通过的乘客超过了设计许可的客流容量,并有继续增加趋势的一种客流情况。城市轨道交通通勤大客流传播的实质是在早晚高峰通勤大客流影响下某些车站内的客流高度集中,使得车站、区间过分拥堵。基于元胞自动机的城市轨道交通大客流拥堵传播仿真模型用一个四元组(G,Q,V,f)表示,其中G表示元胞空间;Q表示元胞状态集合;V表示元胞邻域;f表示元胞状态的转换规则。
A.元胞空间
G=(V',E),G为城市轨道交通路网客流传播网络,即为元胞空间,V'表示轨道交通网络中的站台集合,对于岛式站台,本发明将车站站台视为站台元胞,区分上、下行将其视为两个独立的站台元胞,E为城市轨道交通网络中的有向边集合,有向边的方向即为列车的运行方向与拥堵传播的方向。
B.元胞状态集合
定义元胞站台i在t时刻的状态向量为si(t),表征站台的拥堵状态。当由元胞站台i出发的列车满载率超过1时,判断站台处于拥堵状态,si(t)=1;当由站台i出发的列车满载率小于等于1时,判断站台i未出现拥堵,si(t)=0。
C.元胞邻域
本发明以元胞空间的邻接矩阵A定义各元胞的邻居关系,站台元胞i的邻域为Vi={aij=1|aij∈A,j=1,2,…,N}。当aij=1时,表示站台元胞i发生拥堵会对站台元胞j产生影响,反之不会。图3为本发明实施例提供的一种元胞邻域示意图,23号元胞为线路1下行列车停靠的站台,它的拥堵状态受21号元胞、66号元胞和67号元胞的状态影响。
D.元胞状态的转换规则
元胞自动机的转换规则函数指,根据站台元胞的当前状态及其邻居状态确定下一时刻该元胞状态的动力学函数,称之为演化规则,即为状态转移函数,可记为:
在城市轨道交通网络中,当站台元胞i出现大客流后,大客流会在城市轨道交通有向网络中传播(j为站台元胞i的邻居节点),元胞状态的演化规则为:
f:Sj(t+1)=f(Sj(t),Si(t),βij(t),bj(t),dj(t))
Sj(t+1):t+1时刻站台元胞j的拥堵状态
Sj(t):t时刻站台元胞j的拥堵状态;
si(t):t时刻站台元胞i的拥堵状态;
βij(t):t时刻从站台元胞i到站台元胞j的列车满载率;
bj(t):t时刻站台元胞j上车人数;
dj(t):t时刻站台元胞j下车人数。
步骤S140、基于城市轨道交通大客流拥堵传播模型和仿真时间步长内线路的输送能力利用转换规则函数得到列车满载率,判断各车站站台和区间的拥堵状态。
当根据城市轨道交通大客流拥堵传播模型(G,Q,V,f)中的元胞邻域确定aij=1后,t时刻由站台i出发的列车的满载率为βij(t)(j是i的邻居站台),列车满载率βij(t)表示拥堵状态从站台元胞i到站台元胞j的传播强度,列车满载率具有范围,βij(t)∈[0,1.3]。计算方法如下:
βij(t+1)=βki(t)-(di(t)-bi(t))/Sl
Sl:单位仿真时间步长内线路l的输送能力,单位为“人”
站台元胞的拥堵状态取决于由站台出发的列车的满载率。当由i站台出发的列车满载率超过1时,判断i站台处于拥堵状态;当由站台i出发的列车满载率小于等于1时,判断站台i未出现拥堵。当站台元胞有多个邻居节点时,其拥堵状态取决于所有邻居元胞的传播强度。列车满载率取值范围为[1,1.3],当βij(t)≥1.3时,令βij(t)=1.3。
本发明利用北京市轨道交通的运营数据,对仿真结果进行准确性检验,对比各线路在仿真时间步长的理论满载率、仿真满载率,若满载率的理论值和实际值较接近,则基于元胞自动机的仿真模型对区间满载率的仿真结果准确。具体对比方法如下:
设仿真时间步长为T,将仿真时间步长分成N个分时段T1、T2、……Tn,根据轨道交通的运营数据,统计各时段各断面的客流量……,计算各时段的各断面的输送能力……。
CTn:Tn时段的断面的输送能力;
S0:列车的输送能力;
T:线路的发车间隔;
Tn:时段长度。
则各断面的仿真满载率β'的计算公式如下:
根据各断面的客流量和输送能力计算理论满载率。然后,对N个分时段T1、T2、……Tn内的理论满载率与仿真满载率进行对比。图4为本发明实施例提供的13号线理论满载率、仿真满载率对比图,图5为8号线理论满载率、仿真满载率对比图;表1为5号线理论满载率、仿真满载率对比表;
表1
步骤S150、基于元胞自动机的大客流拥堵传播分析。
根据上述基于元胞自动机的城市轨道交通大客流拥堵传播模型可以判断各车站站台的拥堵状态,绘制各时段内的拥堵站点图、拥堵区间示意图和站台留乘人数统计表。
A.车站大客流分析
设仿真时间步长为T,将仿真时间步长分成N个分时段T1、T2、……Tn,统计各个分时段的处于拥堵状态的站台元胞,并在仿真路网上进行展示,图6为本发明实施例提供的一种北京市局部轨道交通路网早高峰拥堵传播情况,其中,(a)7:00-7:30拥堵节点;(b)7:30-8:00拥堵节点;(c)8:00-8:30拥堵节点;(d)8:30-9:00拥堵节点;(e)9:00-9:30拥堵节点。
如图6所示,基于元胞自动机的拥堵传播模型反映出城轨网络中客流拥堵传播具有明显的方向性,图6(b)中郊区线最先发生拥堵,与郊区线相关的换乘站随后发生车站大客流,图6(d)(e)客流拥堵由郊区向市区转移。中间站易受客流影响而发生车站大客流,而换乘站往往是两条线路间大客流传播的媒介,并起到分流的作用,缓解大客流传播的强度。
基于元胞自动机的拥堵传播模型不仅反映了网络中拥堵传播的平均趋势,更描述了单条线路、单个车站在传播中的个体行为与动态。图7为本发明实施例提供的一种立水桥南站早高峰留乘人数,针对每个站台,留乘人数反映了站台元胞的拥堵程度。该模型通过建立简单的拥堵传播演化规则描述站台元胞间、站台元胞与列车间的交互作用。当早高峰阶段多个站台元胞同时发生客流拥堵时,这种交互作用尤为突出。拥堵节点的传播影响相互叠加,导致受影响的区域拥堵状态加重。
B.区间大客流分析
受车站大客流的影响,线路相应区间运行的列车的满载率也会较高,出现了区间大客流。本发明能够准确表现多个站台元胞产生的大客流拥堵状态在同一区间的叠加作用。设仿真时间步长为T,将仿真时间步长分成N个时段T1、T2、……Tn,计算每个时段内的平均满载率,根据满载率的高低对区间的拥堵状态进行分级,图8为本发明实施例提供的一种区间拥堵图例,当满载率在1及以下时,区间设置为不拥堵;当满载率在1-1.2时,区间设置为轻微拥堵;当满载率在1.2-1.3时,区间设置为一般拥堵;当满载率为1.3时,区间设置为严重拥堵。
图9为本发明实施例提供的一种北京市局部轨道交通路网早高峰站间大客流分布图,图9展示了在早高峰阶段站间大客流的分布情况,由拥堵传播仿真模型得到的早高峰站间大客流分布图与实际情况相符,模型能够准确描述区间大客流的传播水平。
综上所述,本发明实施例的方法结合AFC数据,对通勤大客流场景下城市轨道交通网络中车站和区间的拥堵传播过程进行仿真,有效克服经典SIR模型的局限性,加强对传播中的概率事件以及车站个体行为与变化的描述。本发明利用元胞和状态转换规则反映大量站台、区间的相互作用,准确模拟了通勤客流下拥堵传播规律,为大客流场景下的网络运营状态分析、应急预案的制定等提供有效的技术手段。
提出利用元胞自动机建立轨道交通大客流拥堵传播模型,基于轨道交通网络中节点的局部交互特性,重新定义传统元胞自动机的四元组,利用状态转换规则仿真拥堵状态在无时延和有时延特征网络中的传播行为。提出的模型有效克服平均场理论方法,不仅反映拥堵传播的平均趋势,更描述了单条线路、单个车站在传播中的个体行为与动态。在真实轨道交通网络中,拥堵传播具有方向性,中间站易受大客流的影响,换乘站是线路间拥堵传播的媒介,缓解大客流的传播强度。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.一种基于元胞自动机的城市轨道交通拥堵状态传播的仿真方法,其特征在于,包括:
构建城市轨道交通仿真路网,所述城市轨道交通仿真路网为多个站台元胞构成的元胞空间;
设置仿真时间步长,基于城市轨道交通的AFC数据计算各站台元胞在所述仿真时间步长内的进站和出站人数,计算所述仿真时间步长内线路的输送能力;
基于所述城市轨道交通仿真路网和所述各站台元胞在所述仿真时间步长内的进站和出站人数,建立基于元胞自动机的城市轨道交通大客流拥堵传播模型;
基于所述城市轨道交通大客流拥堵传播模型和所述仿真时间步长内线路的输送能力利用转换规则函数得到列车满载率,判断各车站站台和区间的拥堵状态。
2.根据权利要求1所述的基于元胞自动机的城市轨道交通大客流拥堵状态传播的仿真方法,其特征在于,所述的构建城市轨道交通仿真路网,所述城市轨道交通仿真路网为多个站台元胞构成的元胞空间,包括:
G=(V',E),G为城市轨道交通路网客流传播网络,即为元胞空间,V'表示轨道交通网络中的站台集合,对于普通车站,将普通车站的上、下行分别视为两个独立的站台元胞,对于换乘车站,将每个换乘方向的换乘站台看做一个站台元胞,E为城市轨道交通网络中的有向边集合,有向边的方向即为列车的运行方向与拥堵传播的方向,对各个站台元胞进行编号。
3.根据权利要求1所述的基于元胞自动机的城市轨道交通大客流拥堵状态传播的仿真方法,其特征在于,所述的设置仿真时间步长,基于城市轨道交通的AFC数据计算各站台元胞在所述仿真时间步长内的进站和出站人数,计算所述仿真时间步长内线路的输送能力,包括:
设置仿真开始、结束时段,统计城市轨道交通网络中各线路的发车间隔,选取所有线路的最大发车间隔为仿真时间步长T0;
根据时间步长划分时间区段,基于城市轨道交通系统的AFC数据库中特征日各时段的AFC数据,结合每条出行记录的起始站与终到站,通过数据库筛选功能获取并记录每个站台元胞在仿真时间步长内的进站和出站人数;
计算线路在所述仿真时间步长内的输送能力S;
S:线路的输送能力;
S0:列车的承载能力;
T:线路的发车间隔;
T0:仿真时间步长。
4.根据权利要求3所述的基于元胞自动机的城市轨道交通大客流拥堵状态传播的仿真方法,其特征在于,所述的基于所述城市轨道交通仿真路网和所述各站台元胞在所述仿真时间步长内的进站和出站人数,建立基于元胞自动机的城市轨道交通大客流拥堵传播模型,包括:
用四元组(G,Q,V,f)表示城市轨道交通大客流拥堵传播模型,其中G表示元胞空间,Q表示元胞状态集合,V表示元胞邻域,f表示元胞状态的转换规则;
1:元胞空间G=(V',E);
2:元胞状态集合,定义元胞站台i在t时刻的状态向量为si(t),表征元胞站台i的拥堵状态;
3:元胞邻域,以元胞空间的邻接矩阵A定义各站台元胞的邻居关系,站台元胞i的邻域为Vi={aij=1|aij∈A,j=1,2,…,N},当aij=1时,表示站台元胞i发生拥堵会对站台元胞j产生影响;
4:元胞状态的转换规则,站台元胞的状态转移函数指根据站台元胞当前状态及其邻居状态确定下一时刻该元胞状态的动力学函数,设站台元胞j为线路l上的站台元胞i的邻居节点,则站台元胞的状态转移函数为:
f:Sj(t+1)=f(Sj(t),Si(t),βij(t),bj(t),dj(t))
Sj(t+1):t+1时刻站台元胞j的拥堵状态;
Sj(t):t时刻站台元胞j的拥堵状态;
Si(t):t时刻站台元胞i的拥堵状态;
βij(t):t时刻从站台元胞i到站台元胞j的列车满载率;
bj(t):t时刻站台元胞j上车人数;
dj(t):t时刻站台元胞j下车人数。
5.根据权利要求4所述的基于元胞自动机的城市轨道交通大客流拥堵状态传播的仿真方法,其特征在于,所述的基于所述城市轨道交通大客流拥堵传播模型和所述仿真时间步长内线路的输送能力利用转换规则函数得到列车满载率,判断各车站站台和区间的拥堵状态,包括:
根据所述城市轨道交通大客流拥堵传播模型(G,Q,V,f)中的元胞邻域确定aij=1后,采用下述计算方法计算t时刻从站台元胞i到站台元胞j的列车满载率βij(t):
βij(t+1)=βki(t)-(di(t)-bi(t))/Sl
站台元胞k为站台元胞的邻接元胞,即站台元胞k的拥堵状态会影响站台元胞i。Sl为单位仿真时间步长内线路l的输送能力,bi(t)为t时刻站台元胞i上车人数,di(t)为t时刻站台元胞i下车人数;
当计算出来的βij(t)大于设定的拥堵判断阈值后,则判断t时刻站台i和从站台i到站台j的区间都处于拥堵状态。
6.根据权利要求5所述的基于元胞自动机的城市轨道交通大客流拥堵状态传播的仿真方法,其特征在于,所述的方法还包括:
将仿真时间步长T分成N个分时段T1、T2、……Tn,统计各个分时段T1、T2、……Tn上处于拥堵状态的站台,将处于拥堵状态的站台在仿真路网上进行展示。
7.根据权利要求5所述的基于元胞自动机的城市轨道交通大客流拥堵状态传播的仿真方法,其特征在于,所述的方法还包括:
设仿真时间步长为T,将仿真时间步长T分成N个分时段T1、T2、……Tn,根据轨道交通的运营数据,统计各时段各断面的客流量计算各时段的各断面的输送能力
Tn时段的断面的输送能力;
S0:列车的输送能力;
T:线路的发车间隔;
Tn:时段长度。
则各断面的仿真满载率β'的计算公式如下:
根据各断面的客流量和输送能力计算出各断面的理论满载率,对N个分时段T1、T2、……Tn内的理论满载率与仿真满载率进行对比,根据对比结果对各个分时段上区间的拥堵状态进行分级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710149658.2A CN106971262A (zh) | 2017-03-14 | 2017-03-14 | 基于元胞自动机的城市轨道交通拥堵状态传播的仿真方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710149658.2A CN106971262A (zh) | 2017-03-14 | 2017-03-14 | 基于元胞自动机的城市轨道交通拥堵状态传播的仿真方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106971262A true CN106971262A (zh) | 2017-07-21 |
Family
ID=59329487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710149658.2A Pending CN106971262A (zh) | 2017-03-14 | 2017-03-14 | 基于元胞自动机的城市轨道交通拥堵状态传播的仿真方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106971262A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108335483A (zh) * | 2017-12-25 | 2018-07-27 | 深圳先进技术研究院 | 交通拥堵扩散路径的推断方法及其系统 |
CN108388690A (zh) * | 2018-01-16 | 2018-08-10 | 电子科技大学 | 元胞自动机实验平台 |
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 |
CN108665137A (zh) * | 2018-03-27 | 2018-10-16 | 北京航空航天大学 | 一种基于元胞自动机的sis-ca风险传播分析方法 |
CN110009257A (zh) * | 2019-04-17 | 2019-07-12 | 青岛大学 | 基于城市交通拥堵蔓延分析的多尺度可变窗口元胞自动机模型 |
CN110276553A (zh) * | 2019-06-24 | 2019-09-24 | 西南交通大学 | 城市轨道交通车站拥堵指数检测方法 |
CN110400065A (zh) * | 2019-07-12 | 2019-11-01 | 北京交通大学 | 基于传染病模型的轨道交通系统风险链群构建方法 |
CN110765653A (zh) * | 2019-11-14 | 2020-02-07 | 北京京航计算通讯研究所 | 城市地下综合管廊突发事件应急仿真方法 |
CN110837702A (zh) * | 2019-11-14 | 2020-02-25 | 北京京航计算通讯研究所 | 城市地下综合管廊突发事件应急仿真系统 |
CN112149305A (zh) * | 2020-09-25 | 2020-12-29 | 中车长春轨道客车股份有限公司 | 轨道车辆火灾人员疏散仿真方法及系统 |
CN112257175A (zh) * | 2020-10-19 | 2021-01-22 | 北京交通大学 | 一种基于改进sir模型的风险传播路径的预测方法 |
CN112990648A (zh) * | 2021-01-08 | 2021-06-18 | 北京工业大学 | 一种轨道交通网络运营稳定性评估方法 |
CN113537788A (zh) * | 2021-07-20 | 2021-10-22 | 西南交通大学 | 一种基于病毒传播理论的城市交通拥堵识别方法 |
CN113792415A (zh) * | 2021-08-20 | 2021-12-14 | 北京工业大学 | 一种基于元胞自动机的地铁站台行人乘车决策仿真方法 |
CN114580980A (zh) * | 2022-05-07 | 2022-06-03 | 华北科技学院(中国煤矿安全技术培训中心) | 面向城市社区空间应急响应的动态更新预案系统及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258236A (zh) * | 2012-02-16 | 2013-08-21 | 朱炜 | 一种基于场景的城市轨道交通网络大客流分配方法 |
-
2017
- 2017-03-14 CN CN201710149658.2A patent/CN106971262A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258236A (zh) * | 2012-02-16 | 2013-08-21 | 朱炜 | 一种基于场景的城市轨道交通网络大客流分配方法 |
Non-Patent Citations (3)
Title |
---|
ZHANG QI等: "Modeling and simulation of passenger alighting and boarding movement in Beijing metro stations", 《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》 * |
周玮腾: "拥塞条件下的城市轨道交通网络流量分配演化建模及疏导策略研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
晋军: "城市轨道交通路网运营客流模态演变机理研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108335483A (zh) * | 2017-12-25 | 2018-07-27 | 深圳先进技术研究院 | 交通拥堵扩散路径的推断方法及其系统 |
CN108335483B (zh) * | 2017-12-25 | 2021-09-14 | 深圳先进技术研究院 | 交通拥堵扩散路径的推断方法及其系统 |
CN108388690A (zh) * | 2018-01-16 | 2018-08-10 | 电子科技大学 | 元胞自动机实验平台 |
CN108665137A (zh) * | 2018-03-27 | 2018-10-16 | 北京航空航天大学 | 一种基于元胞自动机的sis-ca风险传播分析方法 |
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 |
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 |
CN110009257A (zh) * | 2019-04-17 | 2019-07-12 | 青岛大学 | 基于城市交通拥堵蔓延分析的多尺度可变窗口元胞自动机模型 |
CN110009257B (zh) * | 2019-04-17 | 2023-09-08 | 青岛大学 | 基于城市交通拥堵蔓延分析的多尺度可变窗口元胞自动机模型 |
CN110276553B (zh) * | 2019-06-24 | 2021-08-17 | 西南交通大学 | 城市轨道交通车站拥堵指数检测方法 |
CN110276553A (zh) * | 2019-06-24 | 2019-09-24 | 西南交通大学 | 城市轨道交通车站拥堵指数检测方法 |
CN110400065A (zh) * | 2019-07-12 | 2019-11-01 | 北京交通大学 | 基于传染病模型的轨道交通系统风险链群构建方法 |
CN110400065B (zh) * | 2019-07-12 | 2021-10-22 | 北京交通大学 | 基于传染病模型的轨道交通系统风险链群构建方法 |
CN110765653A (zh) * | 2019-11-14 | 2020-02-07 | 北京京航计算通讯研究所 | 城市地下综合管廊突发事件应急仿真方法 |
CN110837702B (zh) * | 2019-11-14 | 2023-01-10 | 北京京航计算通讯研究所 | 城市地下综合管廊突发事件应急仿真系统 |
CN110837702A (zh) * | 2019-11-14 | 2020-02-25 | 北京京航计算通讯研究所 | 城市地下综合管廊突发事件应急仿真系统 |
CN112149305A (zh) * | 2020-09-25 | 2020-12-29 | 中车长春轨道客车股份有限公司 | 轨道车辆火灾人员疏散仿真方法及系统 |
CN112257175A (zh) * | 2020-10-19 | 2021-01-22 | 北京交通大学 | 一种基于改进sir模型的风险传播路径的预测方法 |
CN112257175B (zh) * | 2020-10-19 | 2023-09-22 | 北京交通大学 | 一种基于改进sir模型的风险传播路径的预测方法 |
CN112990648A (zh) * | 2021-01-08 | 2021-06-18 | 北京工业大学 | 一种轨道交通网络运营稳定性评估方法 |
CN112990648B (zh) * | 2021-01-08 | 2024-03-22 | 北京工业大学 | 一种轨道交通网络运营稳定性评估方法 |
CN113537788B (zh) * | 2021-07-20 | 2023-04-18 | 西南交通大学 | 一种基于病毒传播理论的城市交通拥堵识别方法 |
CN113537788A (zh) * | 2021-07-20 | 2021-10-22 | 西南交通大学 | 一种基于病毒传播理论的城市交通拥堵识别方法 |
CN113792415A (zh) * | 2021-08-20 | 2021-12-14 | 北京工业大学 | 一种基于元胞自动机的地铁站台行人乘车决策仿真方法 |
CN113792415B (zh) * | 2021-08-20 | 2024-03-22 | 北京工业大学 | 一种基于元胞自动机的地铁站台行人乘车决策仿真方法 |
CN114580980A (zh) * | 2022-05-07 | 2022-06-03 | 华北科技学院(中国煤矿安全技术培训中心) | 面向城市社区空间应急响应的动态更新预案系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106971262A (zh) | 基于元胞自动机的城市轨道交通拥堵状态传播的仿真方法 | |
Yousef et al. | Intelligent traffic light flow control system using wireless sensors networks. | |
Chowell et al. | Scaling laws for the movement of people between locations in a large city | |
CN105882695B (zh) | 针对城市轨道交通路网客流拥堵的前瞻性关联控制方法 | |
CN109033718A (zh) | 一种城市轨道交通线路失效的动态应急疏散方法 | |
CN107194128A (zh) | 基于中心辐射型网络框架的多模式公共交通网络设计方法 | |
Péres et al. | Multiobjective evolutionary optimization of traffic flow and pollution in Montevideo, Uruguay | |
CN103116825A (zh) | 智慧城市管理系统 | |
CN103854072A (zh) | 用于路径选择的处理方法及系统 | |
Rickert | Tra c simulation on distributed memory computers | |
López-Ramos | Integrating network design and frequency setting in public transportation networks: a survey | |
Bozorgi-Amiri et al. | Integrated locating of helicopter stations and helipads for wounded transfer under demand location uncertainty | |
Ji-hua et al. | A research of pedestrian evacuation simulation for BRT station based on fine grid method | |
Harahap et al. | Improving Road Traffic Management by A Model-Based Simulation | |
Yu et al. | Parameter selection and evaluation of robustness of Nanjing metro network based on supernetwork | |
Vitetta et al. | Safety of users in road evacuation: calibration of cost functions and simulation | |
CN112002127B (zh) | 轨道交通中站点重要性评估方法及装置 | |
Stairs | Selecting an optimal traffic network | |
Escribano-Macias et al. | Optimal design of Rapid evacuation strategies in constrained urban transport networks | |
Li et al. | Human behavior during emergency evacuation: Cell transmission model | |
CN102354380A (zh) | 地铁枢纽人员疏散的路径分配方法 | |
CN106898139B (zh) | 一种道路节点的识别方法及装置 | |
Wen | A dynamic simulation of crowd flow in Taipei railway and MRT station by multi-agent simulation system | |
CN108199888A (zh) | 一种基于历史信息预测和缓解公共交通网络拥塞的方法 | |
Ren et al. | Bus contraflow lane: improved contraflow approach in freeway evacuation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170721 |
|
RJ01 | Rejection of invention patent application after publication |