CN107274000A - 一种突发事件下城市轨道交通断面客流预测方法 - Google Patents
一种突发事件下城市轨道交通断面客流预测方法 Download PDFInfo
- Publication number
- CN107274000A CN107274000A CN201710286016.7A CN201710286016A CN107274000A CN 107274000 A CN107274000 A CN 107274000A CN 201710286016 A CN201710286016 A CN 201710286016A CN 107274000 A CN107274000 A CN 107274000A
- Authority
- CN
- China
- Prior art keywords
- mrow
- passenger
- msubsup
- beginning
- time
- 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
- 238000000034 method Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 18
- 238000012546 transfer Methods 0.000 claims description 18
- 230000008447 perception Effects 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241000736199 Paeonia Species 0.000 description 1
- 235000006484 Paeonia officinalis Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007619 statistical method Methods 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种突发事件下城市轨道交通断面客流预测方法，所述方法包括：S1：获取城市轨道交通物理网络信息、列车运行信息、客流数据和突发事件信息，确定受影响客流；S2：根据突发事件下乘客的路径选择行为，更新受影响客流数据；S3：考虑列车容量限制因素，综合非受影响客流，计算城市轨道交通各站间断面客流，本发明通过分析乘客的出行行为，准确界定突发事件时的受影响客流，根据受影响乘客所处位置研究突发事件下乘客路径选择行为，确定各备选路径的被选择概率，从而准确地对受影响客流进行分配，同时考虑到列车容量限制建立排队模型，提高了突发事件下断面客流的估算精度，为保障城市轨道交通系统的稳定运营以及乘客的安全出行提供基础。
Description
技术领域
本发明涉及城市轨道交通技术领域。更具体地，涉及一种突发事件下城市轨道交通断面客流预测方法。
背景技术
随着社会经济的快速发展，城市轨道交通已成为大城市交通出行的重要方式。然而，在轨道交通极大便利人们日常出行的同时，由于设备故障、运营管理、自然灾害等多方面的因素，城市轨道交通系统不可避免地会发生突发中断事件。突发事件往往是在轨道交通正常运营的情况下突然发生的，因此突发事件也常造成轨道交通网络拓扑结构的改变。在这种情况下，出行者可能会根据出行成本的变化，放弃原先规划的路线，重新考虑路径的选择。在网络化运营条件下，突发事件波及面广，极易造成大量乘客滞留，不仅给运营管理工作带来巨大的压力，还容易造成安全隐患。为避免突发事件可能造成的局部线路过于拥挤，合理控制轨道交通网络中的客流分布，必须针对突发事件下轨道交通网络中的客流分布情况进行合理预测。
目前的城市轨道交通网络断面客流预测方法在实际预测过程中存在诸多问题。一方面，尚没有成型的针对突发事件下的断面客流预测方法，现有的方法基本上都是基于正常情况下的断面客流分配，而且更多地通过计划时刻表对断面流量进行估计，缺乏考虑实际列车时刻表与计划时刻表的变化造成的影响；另一方面，也未能考虑到突发事件下乘客所处的不同位置所做选择的差异，笼统地从起点进行方案选择造成断面客流的不准确，同时缺乏对突发事件下乘客出行行为的分析，也不能够对突发事件下选择各方案客流的人数进行准确估计，进而降低了发生突发事件后断面客流的准确度。
因此，需要提供一种能够综合突发事件下城市轨道交通网络运行变化以及突发事件下乘客出行行为的断面客流预测方法，提高突发事件下断面客流预测的准确度，保障城市轨道交通系统的稳定运营以及乘客的安全出行。
发明内容
本发明的目的在于提供一种突发事件下城市轨道交通断面客流预测方法，通过充分考虑突发事件对城市轨道交通运行的影响，考虑突发事件下乘客出行行为特性，以提高突发事件下断面客流预测的准确度。
为解决上述技术问题，本发明采用下述技术方案：
本发明公开了一种突发事件下城市轨道交通断面客流预测方法，所述方法包括：
S1：获取城市轨道交通物理网络信息、列车运行信息、客流数据和突发事件信息，确定受影响客流；
S2：根据突发事件下乘客的路径选择行为，更新受影响客流数据；
S3：考虑列车容量限制因素，综合非受影响客流，计算城市轨道交通各站间断面客流。
优选地，所述S1中确定受影响客流的原则为乘客出行路线途经受突发事件影响的车站或线路、乘客到达出行路线上第一个受突发事件影响的车站的时刻在该车站受突发事件影响的时间范围内以及乘客出行路线的方向和运营中断方向一致。
优选地，所述S1中确定受影响客流的原则算法为
其中，Spass＝{s1，…,sk,…,sm,…,sn}、Tpass＝{t1，…,tk,…,tm,…,tn}分别为乘客从起点车站A到车站B经过车站的集合、时间，SInterrupt＝{sk,…,sm}为受突发事件影响的车站集合，tI,k为乘客到达线路I车站k的时刻。
优选地，所述S2包括：
S21：获取小于最小相邻列车时间时隔的时间窗内受影响客流数据，得到受影响客流数据中所有起讫站间所有的有效路径；
S22：确定乘客路径选择的所有备选方案；
S23：建立乘客出行行为选择模型，更新所述受影响客流数据。
优选地，所述有效路径的确定原则为最短路搜索原则；
所述最短路搜索原则为在轨道交通路网中确定每对起讫站间的所有备选路径，确定路径耗时处于指标值内的备选路径为有效路径；
所述指标值为不超过最短路径耗时27分钟以上和不超过最短路径耗时的2.2倍的两个动态指标值中的最小值。
优选地，所述所有备选方案包括：
第一种：等待列车恢复通行后按照原计划出行线路出行；
第二种：不改变出行路线起讫站的情况下若有其他路线，改乘其他线路出行；
第三种：改变出行路线起讫站的情况下继续乘坐轨道交通到某站后再换乘地面交通；
第四种：退出轨道交通，选择地面交通。
优选地，所述S22包括：
S231：建立所有备选方案的选择效用，所述选择效用为
式中，为从r到s的起讫站间第k种备选方案的实际阻抗；θ与感知误差有关，一般取1；是从r到s的起讫站间第k种备选方案的感知阻抗的随机项；为从r到s的起讫站间第k种备选方案的第i个特征属性值；m为从r到s的起讫站间第k种备选方案的特征属性总个数；βi为相应特征属性的参数；
S232：考虑固有哑元、延误时间、出行时间、换乘次数和出行费用因素建立各备选方案的选择效用函数模型为
其中，为从r到s的起讫站间第k种备选方案的固有哑元；为从r到s的起讫站间第k种备选方案的延误时间；为从r到s的起讫站间第k种备选方案的出行时间；为从r到s的起讫站间第k种备选方案的换乘次数；为从r到s的起讫站间第k种备选方案的出行费用；a、b、c、d、e为待标定参数；
然后，通过极大似然估计进行参数标定，得到选择效用函数；
S233：建立乘客出行行为选择模型：
式中，为从r到s的起讫站间选择第k个备选方案的客流量；qrs为从r到s的起讫站间受影响客流量；为从r到s的起讫站间第k个备选方案的选择效用函数值；
S234：根据乘客出行行为选择模型重新分配受影响的客流量，更新受影响客流的起讫站和出行线路。
优选地，所述选择效用函数为早高峰、晚高峰或平峰选择效用函数。
优选地，所述S3包括：
S31：获取小于最小相邻列车时间时隔的时间窗内更新后的受影响客流数据；
S32：考虑列车容量限制因素，根据乘客实际到达先后分配乘客，计算受影响乘客到达各个车站的时间；
S33：综合非受影响客流数据，计算得到轨道交通网络各站间断面客流。
优选地，所述S32包括：
若乘客选择等待列车恢复通行后按照原计划出行线路出行，根据突发事件发生后变化的列车运行时刻表确定乘客到达各个车站的时间；
若乘客选择不改变出行路线起讫站的情况下若有其他路线，改乘其他线路出行或改变出行路线起讫站的情况下继续乘坐轨道交通到某站后再换乘地面交通，考虑乘客站内的步行时间和换乘站的换乘时间，考虑列车容量限制因素，按到达站台时间先后顺序分批次上车，根据列车运行时刻表确定乘客到达各个车站的时间；
若乘客选择退出轨道交通，选择地面交通，则该部分乘客不再计入受影响客流量。
本发明的有益效果如下：
本发明提供了一种突发事件下城市轨道交通各站间断面客流的统计方法，该方法通过分析乘客的出行行为，确定突发事件时乘客接收到延误信息时的位置，根据乘客所处的位置研究突发事件下乘客路径选择行为，通过费用指标等因素确定各备选路径的被选择概率，从而准确地对受影响客流进行分配。同时，在有效路径备选集的构建过程中剔除了因突发事件影响导致的无效路径，并根据更新后的实际列车开行时刻表记录客流到达各站的时间，同时考虑到列车容量限制建立排队模型，提高了加载合理性及断面流量的估算精度。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出本发明一种突发事件下城市轨道交通断面客流预测方法的流程图。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
如图1所示，本发明公开了一种突发事件下城市轨道交通断面客流预测方法，所述方法包括：
S1：获取城市轨道交通物理网络信息、列车运行信息、客流数据和突发事件信息，确定受影响客流数据。可从铁路运营相关系统中获取一定时间集计的乘客选择的原定轨道交通出行路径及对应的乘客人数、城市轨道交通路网拓扑信息与站点信息、突发事件的详细信息以及列车运行的计划列车时刻表。所述S1中确定受影响客流数据的原则可为乘客出行路线途经受突发事件影响的车站或线路、乘客到达出行路线上第一个受突发事件影响的车站的时刻在该车站受突发事件影响的时间范围内和乘客出行路线的方向和运营中断方向一致。确定受影响客流数据的原则算法可表示为
其中，Spass＝{s1，…,sk,…,sm,…,sn}、Tpass＝{t1，…,tk,…,tm,…,tn}分别为乘客从起点车站A到车站B经过车站的集合、时间,SInterrupt＝{sk,…,sm}为受突发事件影响的车站集合，tI,k为乘客到达线路I车站k的时刻。
S2：根据突发事件下乘客的路径选择行为，更新受影响客流数据。所述S2可包括：
S21：获取小于最小相邻列车时间时隔的时间窗内受影响客流数据，得到受影响轨道线路上所有起讫站间所有的有效路径。所述所有有效路径的确定原则可为最短路搜索原则，即所述最短路搜索原则为在轨道交通路网中确定每对起讫站间的所有备选路径，确定路径耗时处于指标值内的备选路径为有效路径；所述指标值为不超过最短路径耗时27分钟以上和不超过最短路径耗时的2.2倍的两个动态指标值中的最小值。根据确定的最短路径，推演乘客在突发事件发生时所处的位置。
S22：针对乘客在轨道交通中所处的位置，确定乘客路径选择的所有备选方案。所述备选方案可采用以下四种：
第一种：等待列车恢复通行后按照原计划出行线路出行。此方案较适于在在原定路线受到影响的情况下，没有其余备选路径的情况。
第二种：不改变出行路线起讫站的情况下若有其他路线，改乘其他线路出行。此方案较适于在原定路线受到影响的情况下，轨道交通网络仍有其余的路径可供选择，会有部分乘客选择其余路径绕行，轨道交通其他备选路径来源于可供选择的备选路径集合，并根据效用大小选择各条备选路径；规定备选路径集合中最长路径总耗时不得超过最短路径总耗时的2.2倍。
第三种：改变出行路线起讫站的情况下继续乘坐轨道交通到某站后再换乘地面交通。所述地面交通可包括出租车或公交交通方式。此方案中，乘客可继续换乘城市轨道交通至某一站后换乘地面交通，乘客出行路径的起讫站发生变化，需根据更新后的起讫站统计客流数据。
第四种：退出轨道交通，选择地面交通。此方案中，乘客出站退出轨道交通，在对客流数据统计中不必再统计选择该方案的乘客客流量。
S23：建立乘客出行行为选择模型，更新受影响客流数据。所述S23可进一步包括：
S231：基于MNL(Multinomial Logit)模型，建立突发事件下所有备选方案的选择效用，所述选择效用为
式中，为从r到s的起讫站间第k种备选方案的实际阻抗；θ与感知误差有关，一般取1；是从r到s的起讫站间第k种备选方案的感知阻抗的随机项；为从r到s的起讫站间第k种备选方案的第i个特征属性值；βi为相应特征属性的参数；m为从r到s的起讫站间第k种备选方案的特征属性的总个数；
S232：考虑固有哑元、延误时间、出行时间、换乘次数和出行费用因素建立各备选方案的选择效用函数模型为
其中，为从r到s的起讫站间第k种备选方案的固有哑元；为从r到s的起讫站间第k种备选方案的延误时间；为从r到s的起讫站间第k种备选方案的出行时间；为从r到s的起讫站间第k种备选方案的换乘次数；为从r到s的起讫站间第k种备选方案的出行费用；a、b、c、d、e为待标定参数。
其中，固有哑元为0-1变量，是对模糊延误时间的感知，反映乘客对不确定的延误时间风险感知；延误时间为乘客感知的确切时间，单位为min。如通知延误时间在10分钟以上时，取乘客确切的知道的时间10分钟；出行时间，指突发事件下乘客从地铁始发站出发到达终点站的总耗时，为乘车时间、换乘步行时间、换乘等车时间等的总和，单位min；出行费用指突发事件下乘客从地铁始发站出发选择各种方案到达终点站花费的费用，单位为元；换乘次数，指突发事件下乘客从地铁始发站出发选择各种方案到达终点站的换乘次数，单位次。
然后，采用极大似然估计进行参数标定，得到选择效用函数。在实际应用中，乘客早高峰、晚高峰和平峰时的选择行为不同，因此，所述选择效用函数可分为早高峰、晚高峰和平峰选择效用函数。
在本实施例中，早高峰、晚高峰和平峰选择效用函数分别为
其中，为早高峰时从r到s的起讫站间第k条路径的路径选择效用；为晚高峰时从r到s的起讫站间第k条路径的路径选择效用；为平峰时从r到s的起讫站间第k条路径的路径选择效用。
S233：建立乘客出行行为选择模型。假设城市轨道交通内部正常情况下有n条有效路径，有效路径集合为L＝{L1，L2，…，Lk,Lk+1,…,Ln}，其中有k(k≤n)条路径受突发事件影响，Linfluence＝{L1，…，Lk}，n-k条路径不受突发事件影响，Lnot_influence＝{Lk+1，…，Ln}。对于不受影响的路径而言，将客流按照效用大小分配到n-k条路径上。所述乘客出行行为选择模型为
式中，为从r到s的起讫站间选择第k个备选方案的客流量(人次)；qrs为从r到s的起讫站间受影响客流量(人次)；为从r到s的起讫站间第k个选择方案的选择效用。
S234：根据乘客选择各备选方案的概率重新分配受影响的客流量，重新受影响客流的起讫站和出行线路。
S3：考虑列车容量限制因素，综合非受影响客流数据，计算城市轨道交通各站间断面客流数据。所述S3可包括：
S31：获取小于最小相邻列车时间时隔的时间窗内更新后的受影响客流数据。其中，以小于全网最小相邻列车时间间隔的时间窗将乘客进行划分，以保证每一时间窗乘客可上同一列列车。
S32：考虑列车容量限制因素，根据乘客实际到达先后分配乘客，计算受影响乘客到达各个车站的时间；所述S32包括：
若乘客选择等待列车恢复通行后按照原计划出行线路出行，根据突发事件发生后变化的列车运行时刻表确定乘客到达各个车站的时间。选择等待原路径恢复通行时，途经站点仍是之前的站点{s1，…,sk,…,sm,…,sn}，但途径时间需根据突发事件发生后变化的时刻表进行调整。待列车重新开通后，原地等待的乘客在所在站点上车，按照原定的途经站点依次记录新的到站时间{t1，…,t'k,…,t'm,…,t'n}，形成新的路径时刻表。
若乘客选择不改变出行路线起讫站的情况下若有其他路线，改乘其他线路出行或改变出行路线起讫站的情况下继续乘坐轨道交通到某站后再换乘地面交通，需更新该部分客流的起讫站或出行路径，在考虑乘客站内的步行时间和换乘站的换乘时间以及列车容量限制因素下，按到达站台时间先后顺序分批次上车，根据列车运行时刻表确定乘客到达各个车站的时间；
若乘客选择退出轨道交通，选择地面交通，则该部分乘客不再计入受影响客流量。
具体的，根据实际列车时刻表确定各条线路各班次列车在各站点的到达时间及驶离时间；在考虑到步行时间及换乘站换乘时间的基础上，将以时间窗划分的更新后的受影响客流按照列车到达的先后顺序排队上车，依次记录每一批乘客到达各站的时刻；每一批乘客在上车前先进行判断，若该批乘客上车后列车上总乘车人数满足车上最大乘客的约束条件，则可以乘车；否则这批乘客将继续等待下一班列车乘车，从而通过实际列车时刻表确定乘客到达各站的时间。当乘客到达站台时，对该线路上的列车进行遍历，以等待时刻最短原则判断，得到乘客到达站台后乘坐列车的编号，由于列车编号在一定时间范围内的唯一性，追踪该列车下一时刻到达下一站点的时刻，由此可得到乘客所乘坐列车经过路径上各断面的对应的时段。
S33：综合非受影响客流数据，计算得到轨道交通网络各站间断面客流数据。分时段统计各站间断面上更新后的受影响客流，同时，将非受影响客流进行清分，也加载到各断面上，从而能够统计出一定时间段内各站间断面上的客流量，在实际统计过程中，可15分钟统计一次。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (10)
1.一种突发事件下城市轨道交通断面客流预测方法，其特征在于，所述方法包括：
S1：获取城市轨道交通物理网络信息、列车运行信息、客流数据和突发事件信息，确定受影响客流；
S2：根据突发事件下乘客的路径选择行为，更新受影响客流数据；
S3：考虑列车容量限制因素，综合非受影响客流，计算城市轨道交通各站间断面客流。
2.根据权利要求1所述的方法，其特征在于，所述S1中确定受影响客流的原则为乘客出行路线途经受突发事件影响的车站或线路、乘客到达出行路线上第一个受突发事件影响的车站的时刻在该车站受突发事件影响的时间范围内以及乘客出行路线的方向和运营中断方向一致。
3.根据权利要求1所述的方法，其特征在于，所述S1中确定受影响客流的原则算法为
其中，Spass＝{s1，…,sk,…,sm,…,sn}、Tpass＝{t1，…,tk,…,tm,…,tn}分别为乘客从起点车站A到车站B经过车站的集合、时间，SInterrupt＝{sk,…,sm}为受突发事件影响的车站集合，tI,k为乘客到达线路I车站k的时刻。
4.根据权利要求1所述的方法，其特征在于，所述S2包括：
S21：获取小于最小相邻列车时间时隔的时间窗内受影响客流数据，得到受影响客流数据中所有起讫站间所有的有效路径；
S22：确定乘客路径选择的所有备选方案；
S23：建立乘客出行行为选择模型，更新所述受影响客流数据。
5.根据权利要求4所述的方法，其特征在于，所述有效路径的确定原则为最短路搜索原则；
所述最短路搜索原则为在轨道交通路网中确定每对起讫站间的所有备选路径，确定路径耗时处于指标值内的备选路径为有效路径；
所述指标值为不超过最短路径耗时27分钟以上和不超过最短路径耗时的2.2倍的两个动态指标值中的最小值。
6.根据权利要求4所述的方法，其特征在于，所述所有备选方案包括：
第一种：等待列车恢复通行后按照原计划出行线路出行；
第二种：不改变出行路线起讫站的情况下若有其他路线，改乘其他线路出行；
第三种：改变出行路线起讫站的情况下继续乘坐轨道交通到某站后再换乘地面交通；
第四种：退出轨道交通，选择地面交通。
7.根据权利要求5所述的方法，其特征在于，所述S22包括：
S231：建立所有备选方案的选择效用，所述选择效用为
<mrow>
<msubsup>
<mi>U</mi>
<mi>k</mi>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</msubsup>
<mo>=</mo>
<mo>-</mo>
<msubsup>
<mi>&theta;c</mi>
<mi>k</mi>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>&epsiv;</mi>
<mi>k</mi>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</msubsup>
</mrow>
<mrow>
<msubsup>
<mi>c</mi>
<mi>k</mi>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</msubsup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>&beta;</mi>
<mi>i</mi>
</msub>
<msubsup>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</msubsup>
</mrow>
式中，为从r到s的起讫站间第k种备选方案的实际阻抗；θ与感知误差有关，一般取1；是从r到s的起讫站间第k种备选方案的感知阻抗的随机项；为从r到s的起讫站间第k种备选方案的第i个特征属性值；m为从r到s的起讫站间第k种备选方案的特征属性总个数；βi为相应特征属性的参数；
S232：考虑固有哑元、延误时间、出行时间、换乘次数和出行费用因素建立各备选方案的选择效用函数模型为
<mrow>
<msubsup>
<mi>U</mi>
<mi>k</mi>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>aX</mi>
<mi>k</mi>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>bDl</mi>
<mi>k</mi>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>cTrt</mi>
<mi>k</mi>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>dVP</mi>
<mi>k</mi>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>eTrs</mi>
<mi>k</mi>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</msubsup>
</mrow>
其中，为从r到s的起讫站间第k种备选方案的固有哑元；为从r到s的起讫站间第k种备选方案的延误时间；为从r到s的起讫站间第k种备选方案的出行时间；为从r到s的起讫站间第k种备选方案的换乘次数；为从r到s的起讫站间第k种备选方案的出行费用；a、b、c、d、e为待标定参数；
然后，通过极大似然估计进行参数标定，得到选择效用函数；
S233：建立乘客出行行为选择模型：
<mrow>
<mfrac>
<mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>U</mi>
<mi>k</mi>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>&Sigma;</mi>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>U</mi>
<mi>k</mi>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>ql</mi>
<mi>k</mi>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</msubsup>
</mrow>
<msub>
<mi>q</mi>
<mrow>
<mi>r</mi>
<mi>s</mi>
</mrow>
</msub>
</mfrac>
</mrow>
式中，为从r到s的起讫站间选择第k个备选方案的客流量；qrs为从r到s的起讫站间受影响客流量；为从r到s的起讫站间第k个备选方案的选择效用函数值；
S234：根据乘客出行行为选择模型重新分配受影响的客流量，更新受影响客流的起讫站和出行线路。
8.根据权利要求7所述的方法，其特征在于，所述选择效用函数为早高峰、晚高峰或平峰选择效用函数。
9.根据权利要求1所述的方法，其特征在于，所述S3包括：
S31：获取小于最小相邻列车时间时隔的时间窗内更新后的受影响客流数据；
S32：考虑列车容量限制因素，根据乘客实际到达先后分配乘客，计算受影响乘客到达各个车站的时间；
S33：综合非受影响客流数据，计算得到轨道交通网络各站间断面客流。
10.根据权利要求9所述的方法，其特征在于，所述S32包括：
若乘客选择等待列车恢复通行后按照原计划出行线路出行，根据突发事件发生后变化的列车运行时刻表确定乘客到达各个车站的时间；
若乘客选择不改变出行路线起讫站的情况下若有其他路线，改乘其他线路出行或改变出行路线起讫站的情况下继续乘坐轨道交通到某站后再换乘地面交通，考虑乘客站内的步行时间和换乘站的换乘时间，考虑列车容量限制因素，按到达站台时间先后顺序分批次上车，根据列车运行时刻表确定乘客到达各个车站的时间；
若乘客选择退出轨道交通，选择地面交通，则该部分乘客不再计入受影响客流量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710286016.7A CN107274000B (zh) | 2017-04-27 | 2017-04-27 | 一种突发事件下城市轨道交通断面客流预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710286016.7A CN107274000B (zh) | 2017-04-27 | 2017-04-27 | 一种突发事件下城市轨道交通断面客流预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107274000A true CN107274000A (zh) | 2017-10-20 |
| CN107274000B CN107274000B (zh) | 2021-04-02 |
Family
ID=60074238
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710286016.7A Expired - Fee Related CN107274000B (zh) | 2017-04-27 | 2017-04-27 | 一种突发事件下城市轨道交通断面客流预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107274000B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108628991A (zh) * | 2018-04-28 | 2018-10-09 | 上海久誉软件系统有限公司 | 轨道交通故障对客流影响的分析及可视化系统 |
| CN108846514A (zh) * | 2018-06-07 | 2018-11-20 | 同济大学 | 一种突发事件下轨道交通客流疏散需求预测方法 |
| 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 |
| CN112508247A (zh) * | 2020-11-26 | 2021-03-16 | 交控科技股份有限公司 | 一种交通异常信息的处理方法、装置及电子设备 |
| CN116843090A (zh) * | 2023-07-21 | 2023-10-03 | 交控科技股份有限公司 | 对多条影响线路提供行车调整策略的方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN103218670A (zh) * | 2013-03-22 | 2013-07-24 | 北京交通大学 | 一种城市轨道交通随机客流加载方法 |
| 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 |
| US8682709B2 (en) * | 2006-01-06 | 2014-03-25 | Gregory M. Coldren | System and method for modeling consumer choice behavior |
| CN104239726A (zh) * | 2014-09-22 | 2014-12-24 | 北京交通大学 | 一种城轨路网突发事件条件下客流估算系统 |
| US20170068755A1 (en) * | 2015-09-07 | 2017-03-09 | Sap Se | Transportation schedule evaluation |
-
2017
- 2017-04-27 CN CN201710286016.7A patent/CN107274000B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8682709B2 (en) * | 2006-01-06 | 2014-03-25 | Gregory M. Coldren | System and method for modeling consumer choice behavior |
| 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 |
| CN103218670A (zh) * | 2013-03-22 | 2013-07-24 | 北京交通大学 | 一种城市轨道交通随机客流加载方法 |
| 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 |
| CN104239726A (zh) * | 2014-09-22 | 2014-12-24 | 北京交通大学 | 一种城轨路网突发事件条件下客流估算系统 |
| US20170068755A1 (en) * | 2015-09-07 | 2017-03-09 | Sap Se | Transportation schedule evaluation |
Non-Patent Citations (1)
| Title |
|---|
| 豆飞: ""铁路旅客出行选择行为及客运网配流优化方法研究"", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108628991A (zh) * | 2018-04-28 | 2018-10-09 | 上海久誉软件系统有限公司 | 轨道交通故障对客流影响的分析及可视化系统 |
| CN108846514A (zh) * | 2018-06-07 | 2018-11-20 | 同济大学 | 一种突发事件下轨道交通客流疏散需求预测方法 |
| CN108846514B (zh) * | 2018-06-07 | 2020-07-28 | 同济大学 | 一种突发事件下轨道交通客流疏散需求预测方法 |
| 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 |
| 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 |
| CN112508247A (zh) * | 2020-11-26 | 2021-03-16 | 交控科技股份有限公司 | 一种交通异常信息的处理方法、装置及电子设备 |
| CN112508247B (zh) * | 2020-11-26 | 2024-05-21 | 交控科技股份有限公司 | 一种交通异常信息的处理方法、装置及电子设备 |
| CN116843090A (zh) * | 2023-07-21 | 2023-10-03 | 交控科技股份有限公司 | 对多条影响线路提供行车调整策略的方法及装置 |
| CN116843090B (zh) * | 2023-07-21 | 2024-06-11 | 交控科技股份有限公司 | 对多条影响线路提供行车调整策略的方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107274000B (zh) | 2021-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107273999A (zh) | 一种突发事件下城市轨道交通客流预测方法 | |
| CN107274000A (zh) | 一种突发事件下城市轨道交通断面客流预测方法 | |
| WO2021212866A1 (zh) | 一种车辆出行量预测模型构建方法及预测方法和系统 | |
| CN106384509A (zh) | 考虑出租车运营状态下的城市道路行程时间分布估算方法 | |
| CN104183119B (zh) | 基于路段od反推的实时交通流分布预测方法 | |
| CN105046956B (zh) | 一种基于转向系数的交通流模拟及预测方法 | |
| CN107194497A (zh) | 一种突发事件下城市轨道交通乘客出行路径规划方法 | |
| CN107766969B (zh) | 一种基于地铁服务能力瓶颈区段识别的大站快线布设方法 | |
| CN107506864A (zh) | 一种客运巴士路线规划方法和装置 | |
| CN106485359A (zh) | 一种基于列车运行时刻表的城市轨道交通断面客流推测方法 | |
| CN109686091B (zh) | 一种基于多源数据融合的交通流量填补算法 | |
| CN103632212A (zh) | 一种时变用户均衡动态网络演化客流预测系统和方法 | |
| CN112990648B (zh) | 一种轨道交通网络运营稳定性评估方法 | |
| CN104809112A (zh) | 一种基于多源数据的城市公交发展水平综合评价方法 | |
| CN102169524A (zh) | 城市轨道交通网络客流分布的分阶段多路径模型算法 | |
| CN101964085A (zh) | 一种基于Logit模型和贝叶斯决策的客流分配方法 | |
| CN102306243A (zh) | 在轨道交通中的换乘客流清分方法 | |
| CN106448132A (zh) | 一种常规公交服务指数实时评价系统及评价方法 | |
| CN107650950A (zh) | 一种城市轨道交通列车时刻表应急调整方法 | |
| CN104616076A (zh) | 一种城市轨道交通多线协同运营方案的优化方法及系统 | |
| CN105868861A (zh) | 一种基于时空数据融合的公交客流演化分析方法 | |
| CN106960261A (zh) | 一种基于轨道ic卡和手机信令数据的轨道交通客流预测方法 | |
| Hu et al. | Use of automated vehicle location data for route-and segment-level analyses of bus route reliability and speed | |
| CN106651728A (zh) | 一种综合运输体系客运方式优势运距的确定方法 | |
| CN106846214A (zh) | 分析交通枢纽可达性对区域公共运输方式竞争影响的方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210402 |