CN107808235B - 基于afc大数据的城市轨道大客流模型构建方法 - Google Patents

基于afc大数据的城市轨道大客流模型构建方法 Download PDF

Info

Publication number
CN107808235B
CN107808235B CN201710933265.0A CN201710933265A CN107808235B CN 107808235 B CN107808235 B CN 107808235B CN 201710933265 A CN201710933265 A CN 201710933265A CN 107808235 B CN107808235 B CN 107808235B
Authority
CN
China
Prior art keywords
passenger flow
row
mixed
station
outbound
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.)
Active
Application number
CN201710933265.0A
Other languages
English (en)
Other versions
CN107808235A (zh
Inventor
张永
冯冬焕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201710933265.0A priority Critical patent/CN107808235B/zh
Publication of CN107808235A publication Critical patent/CN107808235A/zh
Application granted granted Critical
Publication of CN107808235B publication Critical patent/CN107808235B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q50/265—Personal security, identity or safety
    • 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)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Finance (AREA)
  • Educational Administration (AREA)
  • Accounting & Taxation (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Security & Cryptography (AREA)
  • Curing Cements, Concrete, And Artificial Stone (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于AFC大数据城市轨道大客流模型构建方法，包括步骤：S1：获取一段时间内车站内各部位的最大服务能力；S2：通过AFC数据获取前期该车站该段时间内的客流量；S3：根据步骤S1和S2获取的数据建立大客流模型

Description

基于AFC大数据的城市轨道大客流模型构建方法
技术领域
本发明涉及城市交通领域，尤其涉及一种基于AFC大数据的城市轨道大客流模型构建方法。
背景技术
城市轨道交通大客流主要从以下几个角度进行定义：客流量相对于组织能力来定义、客流量相对于设备承载能力来定义、客流量相对于平时客流量来定义以及从乘客状态出发定义大客流。有人研究：将客流量与平时的组织能力作对比来定义大客流，认为大量客流在极短的时间内涌进一种交通方式，并且客流的增长超出了该交通方式平时的组织能力时发生大客流。有人研究：认为大客流是相对于线路、车辆、相关设备能力的概念，当客流量远远超过城市轨道设施设备的承载能力的时候，其服务水平下降，这时大客流发生，主要表现为车站内客流极度拥挤、乘客速度变慢、相互干扰严重。有人研究：则将客流量与平时客流量进行对比，认为当客流的增长速率远远超过平时的客流增长速率并达到限制程度时大客流发生。有人研究：则是在与日常客流量作对比的情况下界定大客流，认为当客流量超过日常客流组织的最大承受能力时大客流发生。也有人从乘客状态角度阐述了大客流，认为轨道交通大客流是相对于其服务水平、运力水平的一个概念，利用客流个体数量、速度等参数来辨识和界定大客流状态。
大客流类型方面的研究，将大客流分为常发大客流和偶发大客流，其中偶发大客流包含节假日、大型活动、恶劣天气引发的大客流。将大客流分为计划性大客流和无计划性大客流。也有对突发大客流进行了定义，认为突发大客流是由各种大型活动或重要节假日引发，主要特点是客流的集聚和消散时间很短、发生范围小。还有一些学者将大客流与其他领域结合起来进行研究，有学者针对大客流事件，通过构建非线性混合整数规划数学模型，得到最佳列车编组方案，并将其放在一个用户友好的界面中，并在2004年的雅典奥运会中得到应用。一些学者对城市轨道交通客流特征作了研究，包括车站内部客流和轨道网络客流，分析内容主要有客流的点-线-面时空分析、车站内部客流行为分析以及关键位置客流特征分析等。在客流时空特征方面，轨道交通线路客流随时间变化而动态变化的特征为研究点；对换乘车站各衔接线路上的客流量以及时空特性进行分析，作为运行时刻表的制定依据。在车站内部客流行为特征研究方面，有人重点研究了网络客流分布就列车延误的关系。有人对城市轨道交通枢纽的进站客流、出站客流和换乘客流的交通特性进行定性和定量分析，以此作为联系性设施处的乘客交通流状态划分的依据。在城市轨道交通广义客流特征研究的基础上，一些学者对大客流特征进行了相应的研究。包括突发大客流、突发大客流的四阶段预测方法及流程，在此基础上分析城市轨道交通的列车停站方案的种类和特点，从运营组织效率出发建立不同停站方案的基本优化模型；研究在大客流发生时，出入口、通道、售票机及乘降设备上的客流特征，在此基础上分析客流组织的影响因素。
以上相关研究，并没有系统提出大客流如何进行量化，模型化，以便从微观角度得到数据分析，从而为由客流拥挤引起的安全事故预防和减少作出突出性贡献。
发明内容
发明目的：本发明针对现有技术存在的问题，提供一种基于AFC大数据的城市轨道大客流模型构建方法，该方法将大客流事件进行量化，模型化，为由客流拥挤引起的安全事故预防和减少作出贡献。
技术方案：本发明所述的基于AFC大数据的城市轨道大客流模型构建方法包括以下步骤：
S1：获取一段时间内车站内各部位的最大服务能力；
S2：通过AFC数据获取前期该车站该段时间内的客流量；
S3：根据步骤S1和S2获取的数据建立大客流模型
Figure BDA0001429257600000021
式中，i表示非换乘站号，s表示换乘站号，
Figure BDA0001429257600000022
为1时，分别表示对应车站该段时间内有非换乘站进站大客流事件、非换乘站出站大客流事件、换乘站进站大客流事件、换乘站出站大客流事件、换乘站换乘大客流事件，为0表示没有发生该种类大客流事件，
Figure BDA0001429257600000023
，*代表非换乘站号i和换乘站号s，ο＝1,2,3分别表示进站、出站、换乘事件，
Figure BDA0001429257600000024
表示车站*前期该段时间内的客流量，
Figure BDA0001429257600000025
表示车站*该段时间内车站内各部位的最大服务能力，βΔt表示大客流分时段不均衡系数指标，βmax表示大客流最大不均衡系数指标。
其中，步骤S1中所述车站内各部位的最大服务能力采用该部位的乘客密度表示。车站内各部位包括：车站内的闸机、通道、楼梯和站台。
进一步的，步骤S2具体包括：
S21：采集AFC数据，包括采集乘客的卡号信息、该卡号乘坐城市轨道的时间日期信息、该卡号乘坐城市轨道的位置信息和该卡号乘坐城市轨道的交易金额信息；
S22：通过综合分析采集的AFC数据计算出所需时间段内该车站的客流量。
进一步的，步骤S3中判断非换乘站进站大客流事件的依据
Figure BDA0001429257600000026
的具体计算公式为：
Figure BDA0001429257600000031
式中，
Figure BDA0001429257600000032
表示非换乘站i每个进站闸机处进站客流分布率；ta、tb表示判断时间段首末时间点，时间段Δt取所处线路列车的行车间隔；
Figure BDA0001429257600000033
Figure BDA0001429257600000034
分别表示非换乘站i内进站闸机、进站单向通道、混行通道、进站单行楼梯、混行楼梯、进站自动扶梯、站台的数量；
Figure BDA0001429257600000035
分别表示非换乘站i内进站单向通道、混行通道、进站单行楼梯、混行楼梯、自动扶梯的宽度；
Figure BDA0001429257600000036
表示站台面积；
Figure BDA0001429257600000037
分别表示非换乘站i内混行通道、混行楼梯的进站客流服务率；
Figure BDA0001429257600000038
表示进站闸机、进站单向通道、混行通道、进站单行楼梯、混行楼梯、进站自动扶梯、站台在该时间段内的单位服务能力。
进一步的，步骤S3中判断非换乘站出站大客流事件的依据
Figure BDA0001429257600000039
的具体计算公式为：
Figure BDA00014292576000000310
式中，
Figure BDA00014292576000000311
表示非换乘站i每个出站闸机处出站客流分布率；ta、tb表示判断时间段首末时间点；
Figure BDA00014292576000000312
分别表示非换乘站i内出站闸机、出站单向通道、混行通道、出站单行楼梯、混行楼梯、出站自动扶梯、站台的数量；
Figure BDA00014292576000000313
分别表示非换乘站i内出站单向通道、混行通道、出站单行楼梯、混行楼梯、自动扶梯的宽度；
Figure BDA00014292576000000314
表示非换乘站i站台面积，
Figure BDA00014292576000000315
分别表示非换乘站i内混行通道、混行楼梯的出站客流服务率；
Figure BDA00014292576000000316
Figure BDA00014292576000000317
表示出站闸机、出站单向通道、混行通道、出站单行楼梯、混行楼梯、自动扶梯、站台在该时间段内的单位服务能力。
进一步的，步骤S3中判断换乘站进站大客流事件的依据
Figure BDA00014292576000000318
的具体计算公式为：
Figure BDA00014292576000000319
式中，
Figure BDA00014292576000000320
表示换乘站s每个进站闸机处进站客流分布率；ta、tb表示判断时间段首末时间点；
Figure BDA0001429257600000041
分别表示换乘站s内进站闸机、进站单向通道、混行通道、进站单行楼梯、混行楼梯、进站自动扶梯、站台的数量；
Figure BDA0001429257600000042
分别表示换乘站s内进站单向通道、混行通道、进站单行楼梯、混行楼梯、自动扶梯的宽度；
Figure BDA0001429257600000043
表示换乘站s站台面积；
Figure BDA0001429257600000044
分别表示换乘站s内混行通道、混行楼梯的进站客流服务率；
Figure BDA0001429257600000045
表示进站闸机、进站单向通道、混行通道、进站单行楼梯、混行楼梯、进站自动扶梯、站台在该时间段内的单位服务能力。
进一步的，步骤S3中判断换乘站出站大客流事件的依据
Figure BDA0001429257600000046
的具体计算公式为：
Figure BDA0001429257600000047
式中，
Figure BDA0001429257600000048
表示换乘站s内每个出站闸机处出站客流分布率；ta、tb表示判断时间段首末时间点；
Figure BDA0001429257600000049
分别表示换乘站s内出站闸机、出站单向通道、混行通道、出站单行楼梯、混行楼梯、出站自动扶梯、站台的数量；
Figure BDA00014292576000000410
分别表示换乘站s内出站单向通道、混行通道、出站单行楼梯、混行楼梯、自动扶梯的宽度；
Figure BDA00014292576000000411
表示换乘站s内站台面积；
Figure BDA00014292576000000412
分别表示换乘站s内混行通道、混行楼梯的出站客流服务率；
Figure BDA00014292576000000413
Figure BDA00014292576000000414
表示出站闸机、出站单向通道、混行通道、出站单行楼梯、混行楼梯、自动扶梯、站台在该时间段内的单位服务能力。
进一步的，步骤S3中判断换乘站换乘大客流事件的依据
Figure BDA00014292576000000419
的具体计算公式为：
Figure BDA00014292576000000418
式中，
Figure BDA00014292576000000415
表示换乘站s内线路o换乘到线路j的换乘客流分布率；Δt表示判断时间段；
Figure BDA00014292576000000416
分别表示换乘站s内换乘单向通道、混行通道、换乘单行楼梯、混行楼梯、换乘自动扶梯、换乘后站台的数量；
Figure BDA00014292576000000417
Figure BDA0001429257600000051
分别表示换乘站s内换乘单向通道、混行通道、换乘单行楼梯、混行楼梯、自动扶梯的宽度；
Figure BDA0001429257600000052
表示换乘站s内站台面积；
Figure BDA0001429257600000053
分别表示换乘站s内混行通道、混行楼梯的换乘客流服务率；
Figure BDA0001429257600000054
表示出换乘单向通道、混行通道、换乘单行楼梯、混行楼梯、自动扶梯、站台在该时间段内的单位服务能力。
进一步的，步骤S3中大客流分时段不均衡系数指标βΔt的计算公式为：
Figure BDA0001429257600000055
大客流最大不均衡系数指标βmax的计算公式为：
Figure BDA0001429257600000056
式中，pt表示大客流发生过程中某一时刻的客流量；p大客流临界值表示界定大客流的临界客流量，p最大分时段客流量表示大客流发生过程中最大分时段客流量。
有益效果：本发明与现有技术相比，其显著优点是：本发明主要通过AFC数据获得乘客在轨道交通车站内的客流数据，并进一步通过获得某时段内车站各部位的最大服务能力，通过两者之间的差值来实现大客流判断，在此基础上，构建非换乘站进站大客流识别模型、非换乘站出站大客流识别模型、换乘站进站大客流识别模型、换乘站进站大客流识别模型；进而为城市轨道的安全提供量化研究方案，避免大客流引起的城市轨道安全问题，为城市轨道安全建设和运营提供相应的技术支持。
附图说明
图1是本发明的流程示意图。
具体实施方式
以下结合具体附图对本发明作进一步的说明。
本实施例提供了一种基于AFC大数据的城市轨道大客流模型构建方法，如图1所示，包括以下步骤：
S1：获取一段时间内车站内各部位的最大服务能力。
其中，所述车站内各部位的最大服务能力采用该部位的乘客密度表示。车站内各部位包括：车站内的闸机、通道、楼梯和站台。进一步包括进站或出站闸机，单行或者混行通道，楼梯或者自动扶梯，以及候车站台等。某车站时间间隔为7分钟内部各部位的最大服务能力如表1所示：
表1
站内关键部位 最大通过能力(人次)
门扉式进站闸机 3360
进站下行1米自动扶梯 2835
混行2米楼梯 2240
站台 2520
进站单向四米宽通道 7000
S2：通过AFC数据获取前期该车站该段时间内的客流量。
该步骤具体包括：
S21：采集AFC数据，包括采集乘客的卡号信息、该卡号乘坐城市轨道的时间日期信息、该卡号乘坐城市轨道的位置信息和该卡号乘坐城市轨道的交易金额信息。获得乘客数据如下表2所示：
表2
Figure BDA0001429257600000061
S22：通过综合分析采集的AFC数据计算出所需时间段内该车站的客流量。
通过表2统计得到时间从11:38:03时开始的7分钟内所进站的客流人数。若客流量大于表1中混行2米楼梯所容纳的2240人次时，则该车站发生大客流，否则大客流将不发生。同理，非换乘站出站大客流；换乘站进站大客流；换乘站出站大客流；换乘站换乘大客流判断原理如上。
S3：根据步骤S1和S2获取的数据建立大客流模型
Figure BDA0001429257600000062
式中，i表示非换乘站号，s表示换乘站号，
Figure BDA0001429257600000063
为1时，分别表示对应车站该段时间内有非换乘站进站大客流事件、非换乘站出站大客流事件、换乘站进站大客流事件、换乘站出站大客流事件、换乘站换乘大客流事件，为0表示没有发生该种类大客流事件，
Figure BDA0001429257600000064
，*代表非换乘站号i和换乘站号s，ο＝1,2,3分别表示进站、出站、换乘事件，
Figure BDA0001429257600000071
表示车站*前期该段时间内的客流量，
Figure BDA0001429257600000072
表示车站*该段时间内车站内各部位的最大服务能力，βΔt表示大客流分时段不均衡系数指标，βmax表示大客流最大不均衡系数指标。
其中，对于非换乘站进站大客流事件，站内客流由进站客流和出站客流组成。当发生非换乘站进站大客流时，受影响比较明显的位置有进站闸机、进站单向通道/混行通道、进站单行楼梯/混行楼梯、自动扶梯、候车站台，通过判断每一个位置承载客流的状态与其服务能力的关系，来判断是否发生非换乘站进站大客流。所以判断非换乘站进站大客流事件的依据
Figure BDA00014292576000000714
的具体计算公式为：
Figure BDA0001429257600000073
式中，
Figure BDA0001429257600000074
表示非换乘站i每个进站闸机处进站客流分布率；ta、tb表示判断时间段首末时间点，时间段Δt取所处线路列车的行车间隔；
Figure BDA0001429257600000075
Figure BDA0001429257600000076
分别表示非换乘站i内进站闸机、进站单向通道、混行通道、进站单行楼梯、混行楼梯、进站自动扶梯、站台的数量；
Figure BDA0001429257600000077
分别表示非换乘站i内进站单向通道、混行通道、进站单行楼梯、混行楼梯、自动扶梯的宽度；
Figure BDA0001429257600000078
表示站台面积；
Figure BDA0001429257600000079
分别表示非换乘站i内混行通道、混行楼梯的进站客流服务率；
Figure BDA00014292576000000710
表示进站闸机、进站单向通道、混行通道、进站单行楼梯、混行楼梯、进站自动扶梯、站台在该时间段内的单位服务能力。
其中，当发生非换乘站出站大客流时，受影响比较明显的位置有出站闸机、出站单向通道/混行通道、出站单行楼梯/混行楼梯、自动扶梯、站台，同样通过判断每一个位置承载客流的状态与其服务能力的关系，来判断是否发生非换乘站出站大客流。所以判断非换乘站出站大客流事件的依据
Figure BDA00014292576000000711
的具体计算公式为：
Figure BDA00014292576000000712
式中，
Figure BDA00014292576000000713
表示非换乘站i每个出站闸机处出站客流分布率；ta、tb表示判断时间段首末时间点；
Figure BDA0001429257600000081
分别表示非换乘站i内出站闸机、出站单向通道、混行通道、出站单行楼梯、混行楼梯、出站自动扶梯、站台的数量；
Figure BDA0001429257600000082
分别表示非换乘站i内出站单向通道、混行通道、出站单行楼梯、混行楼梯、自动扶梯的宽度；
Figure BDA0001429257600000083
表示非换乘站i站台面积，
Figure BDA0001429257600000084
分别表示非换乘站i内混行通道、混行楼梯的出站客流服务率；
Figure BDA0001429257600000085
Figure BDA0001429257600000086
表示出站闸机、出站单向通道、混行通道、出站单行楼梯、混行楼梯、自动扶梯、站台在该时间段内的单位服务能力。
其中，对于换乘站，站内客流由进站客流、出站客流以及换乘客流组成。当发生换乘站进站大客流时，受影响比较明显的位置有进站闸机、进站单向通道/混行通道、进站单行楼梯/混行楼梯、自动扶梯、候车站台，通过判断每一个位置承载客流的状态与其服务能力的关系，来判断是否发生换乘站进站大客流。所以判断换乘站进站大客流事件的依据
Figure BDA00014292576000000815
的具体计算公式为：
Figure BDA0001429257600000087
式中，
Figure BDA0001429257600000088
表示换乘站s每个进站闸机处进站客流分布率；ta、tb表示判断时间段首末时间点；
Figure BDA0001429257600000089
分别表示换乘站s内进站闸机、进站单向通道、混行通道、进站单行楼梯、混行楼梯、进站自动扶梯、站台的数量；
Figure BDA00014292576000000810
分别表示换乘站s内进站单向通道、混行通道、进站单行楼梯、混行楼梯、自动扶梯的宽度；
Figure BDA00014292576000000811
表示换乘站s站台面积；
Figure BDA00014292576000000812
分别表示换乘站s内混行通道、混行楼梯的进站客流服务率；
Figure BDA00014292576000000813
表示进站闸机、进站单向通道、混行通道、进站单行楼梯、混行楼梯、进站自动扶梯、站台在该时间段内的单位服务能力。
其中，当发生换乘站出站大客流时，受影响比较明显的位置有出站闸机、出站单向通道/混行通道、出站单行楼梯/混行楼梯、自动扶梯、站台，通过判断每一个位置承载客流的状态与其服务能力的关系，来判断是否发生换乘站出站大客流。所以判断换乘站出站大客流事件的依据
Figure BDA00014292576000000814
的具体计算公式为：
Figure BDA0001429257600000091
式中，
Figure BDA0001429257600000092
表示换乘站s内每个出站闸机处出站客流分布率；ta、tb表示判断时间段首末时间点；
Figure BDA0001429257600000093
分别表示换乘站s内出站闸机、出站单向通道、混行通道、出站单行楼梯、混行楼梯、出站自动扶梯、站台的数量；
Figure BDA0001429257600000094
分别表示换乘站s内出站单向通道、混行通道、出站单行楼梯、混行楼梯、自动扶梯的宽度；
Figure BDA0001429257600000095
表示换乘站s内站台面积；
Figure BDA00014292576000000917
分别表示换乘站s内混行通道、混行楼梯的出站客流服务率；
Figure BDA0001429257600000096
Figure BDA0001429257600000097
表示出站闸机、出站单向通道、混行通道、出站单行楼梯、混行楼梯、自动扶梯、站台在该时间段内的单位服务能力。
其中，当发生换乘站换乘大客流时，说明在该换乘站换乘客流占主要的客流，受影响比较明显的位置有换乘单向通道/混行通道、换乘单行楼梯/混行楼梯、自动扶梯、换乘后站台，通过判断每一个位置承载客流的状态与其服务能力的关系，来判断是否发生换乘站换乘大客流。所以，判断换乘站换乘大客流事件的依据
Figure BDA0001429257600000098
的具体计算公式为：
Figure BDA0001429257600000099
式中，
Figure BDA00014292576000000910
表示换乘站s内线路o换乘到线路j的换乘客流分布率；Δt表示判断时间段；
Figure BDA00014292576000000911
分别表示换乘站s内换乘单向通道、混行通道、换乘单行楼梯、混行楼梯、换乘自动扶梯、换乘后站台的数量；
Figure BDA00014292576000000912
Figure BDA00014292576000000913
分别表示换乘站s内换乘单向通道、混行通道、换乘单行楼梯、混行楼梯、自动扶梯的宽度；
Figure BDA00014292576000000914
表示换乘站s内站台面积；
Figure BDA00014292576000000915
分别表示换乘站s内混行通道、混行楼梯的换乘客流服务率；
Figure BDA00014292576000000916
表示出换乘单向通道、混行通道、换乘单行楼梯、混行楼梯、自动扶梯、站台在该时间段内的单位服务能力。
当所述大客流发生，通过大客流发生强度表示大客流发生过程中客流量变化，大客流变化强度评价指标包括大客流分时段不均衡系数指标和大客流最大不均衡系数指标。大客流分时段不均衡系数指标βΔt的计算公式为：
Figure BDA0001429257600000101
大客流最大不均衡系数指标βmax的计算公式为：
Figure BDA0001429257600000102
式中，pt表示大客流发生过程中某一时刻的客流量(人次)；p大客流临界值表示界定大客流的临界客流量(人次)，p最大分时段客流量表示大客流发生过程中最大分时段客流量(人次)。
以上所揭露的仅为本发明的较佳实施例而已，不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (9)

1.一种基于AFC大数据的城市轨道大客流模型构建方法，其特征在于该方法包括：
S1：获取一段时间内车站内各部位的最大服务能力；
S2：通过AFC数据获取前期该车站该段时间内的客流量；
S3：根据步骤S1和S2获取的数据建立大客流模型
Figure FDA0002401192730000011
式中，i表示非换乘站号，s表示换乘站号，
Figure FDA0002401192730000012
为1时，分别表示对应车站该段时间内有非换乘站进站大客流事件、非换乘站出站大客流事件、换乘站进站大客流事件、换乘站出站大客流事件、换乘站换乘大客流事件，为0表示没有发生该种类大客流事件，
Figure FDA0002401192730000013
*代表非换乘站号i和换乘站号s，
Figure FDA0002401192730000014
分别表示进站、出站、换乘事件，
Figure FDA0002401192730000015
表示车站*前期该段时间内的客流量，
Figure FDA0002401192730000016
表示车站*该段时间内车站内各部位的最大服务能力，βΔt表示大客流分时段不均衡系数指标，βmax表示大客流最大不均衡系数指标；
其中，判断非换乘站进站大客流事件的依据
Figure FDA0002401192730000017
的具体计算公式为：
Figure FDA0002401192730000018
式中，
Figure FDA0002401192730000019
表示非换乘站i每个进站闸机处进站客流分布率；ta、tb表示判断时间段首末时间点，时间段Δt取所处线路列车的行车间隔；
Figure FDA00024011927300000110
Figure FDA00024011927300000111
分别表示非换乘站i内进站闸机、进站单向通道、混行通道、进站单行楼梯、混行楼梯、进站自动扶梯、站台的数量；
Figure FDA00024011927300000112
分别表示非换乘站i内进站单向通道、混行通道、进站单行楼梯、混行楼梯、自动扶梯的宽度；
Figure FDA00024011927300000113
表示站台面积；
Figure FDA00024011927300000114
分别表示非换乘站i内混行通道、混行楼梯的进站客流服务率；
Figure FDA00024011927300000115
表示进站闸机、进站单向通道、混行通道、进站单行楼梯、混行楼梯、进站自动扶梯、站台在该时间段内的单位服务能力。
2.根据权利要求1所述的基于AFC大数据的城市轨道大客流模型构建方法,其特征在于：步骤S1中所述车站内各部位的最大服务能力采用该部位的乘客密度表示。
3.根据权利要求1所述的基于AFC大数据的城市轨道大客流模型构建方法,其特征在于：步骤S1中所述的车站内各部位包括：车站内的闸机、通道、楼梯和站台。
4.根据权利要求1所述的一种基于AFC大数据城市轨道大客流模型构建方法，其特征在于：步骤S2具体包括：
S21：采集AFC数据，包括采集乘客的卡号信息、该卡号乘坐城市轨道的时间日期信息、该卡号乘坐城市轨道的位置信息和该卡号乘坐城市轨道的交易金额信息；
S22：通过综合分析采集的AFC数据计算出所需时间段内该车站的客流量。
5.根据权利要求1所述的一种基于AFC大数据城市轨道大客流模型构建方法，其特征在于：步骤S3中判断非换乘站出站大客流事件的依据
Figure FDA0002401192730000021
的具体计算公式为：
Figure FDA0002401192730000022
式中，
Figure FDA0002401192730000023
表示非换乘站i每个出站闸机处出站客流分布率；ta、tb表示判断时间段首末时间点；
Figure FDA0002401192730000024
分别表示非换乘站i内出站闸机、出站单向通道、混行通道、出站单行楼梯、混行楼梯、出站自动扶梯、站台的数量；
Figure FDA0002401192730000025
分别表示非换乘站i内出站单向通道、混行通道、出站单行楼梯、混行楼梯、自动扶梯的宽度；
Figure FDA0002401192730000026
表示非换乘站i站台面积，
Figure FDA0002401192730000027
分别表示非换乘站i内混行通道、混行楼梯的出站客流服务率；
Figure FDA0002401192730000028
Figure FDA0002401192730000029
表示出站闸机、出站单向通道、混行通道、出站单行楼梯、混行楼梯、自动扶梯、站台在该时间段内的单位服务能力。
6.根据权利要求1所述的一种基于AFC大数据城市轨道大客流模型构建方法，其特征在于：步骤S3中判断换乘站进站大客流事件的依据
Figure FDA00024011927300000210
的具体计算公式为：
Figure FDA00024011927300000211
式中，
Figure FDA00024011927300000212
表示换乘站s每个进站闸机处进站客流分布率；ta、tb表示判断时间段首末时间点；
Figure FDA00024011927300000213
分别表示换乘站s内进站闸机、进站单向通道、混行通道、进站单行楼梯、混行楼梯、进站自动扶梯、站台的数量；
Figure FDA00024011927300000214
分别表示换乘站s内进站单向通道、混行通道、进站单行楼梯、混行楼梯、自动扶梯的宽度；
Figure FDA0002401192730000031
表示换乘站s站台面积；
Figure FDA0002401192730000032
分别表示换乘站s内混行通道、混行楼梯的进站客流服务率；
Figure FDA0002401192730000033
表示进站闸机、进站单向通道、混行通道、进站单行楼梯、混行楼梯、进站自动扶梯、站台在该时间段内的单位服务能力。
7.根据权利要求1所述的一种基于AFC大数据城市轨道大客流模型构建方法，其特征在于：步骤S3中判断换乘站出站大客流事件的依据
Figure FDA0002401192730000034
的具体计算公式为：
Figure FDA0002401192730000035
式中，
Figure FDA0002401192730000036
表示换乘站s内每个出站闸机处出站客流分布率；ta、tb表示判断时间段首末时间点；
Figure FDA0002401192730000037
分别表示换乘站s内出站闸机、出站单向通道、混行通道、出站单行楼梯、混行楼梯、出站自动扶梯、站台的数量；
Figure FDA0002401192730000038
分别表示换乘站s内出站单向通道、混行通道、出站单行楼梯、混行楼梯、自动扶梯的宽度；
Figure FDA0002401192730000039
表示换乘站s内站台面积；
Figure FDA00024011927300000310
分别表示换乘站s内混行通道、混行楼梯的出站客流服务率；
Figure FDA00024011927300000311
Figure FDA00024011927300000312
表示出站闸机、出站单向通道、混行通道、出站单行楼梯、混行楼梯、自动扶梯、站台在该时间段内的单位服务能力。
8.根据权利要求1所述的一种基于AFC大数据城市轨道大客流模型构建方法，其特征在于：步骤S3中判断换乘站换乘大客流事件的依据
Figure FDA00024011927300000313
的具体计算公式为：
Figure FDA00024011927300000314
式中，
Figure FDA00024011927300000315
表示换乘站s内线路o换乘到线路j的换乘客流分布率；Δt表示判断时间段；
Figure FDA00024011927300000316
分别表示换乘站s内换乘单向通道、混行通道、换乘单行楼梯、混行楼梯、换乘自动扶梯、换乘后站台的数量；
Figure FDA00024011927300000317
Figure FDA00024011927300000318
分别表示换乘站s内换乘单向通道、混行通道、换乘单行楼梯、混行楼梯、自动扶梯的宽度；
Figure FDA0002401192730000041
表示换乘站s内站台面积；
Figure FDA0002401192730000042
分别表示换乘站s内混行通道、混行楼梯的换乘客流服务率；
Figure FDA0002401192730000043
表示出换乘单向通道、混行通道、换乘单行楼梯、混行楼梯、自动扶梯、站台在该时间段内的单位服务能力。
9.根据权利要求1所述的一种基于AFC大数据城市轨道大客流模型构建方法，其特征在于：步骤S3中大客流分时段不均衡系数指标βΔt的计算公式为：
Figure FDA0002401192730000044
大客流最大不均衡系数指标βmax的计算公式为：
Figure FDA0002401192730000045
式中，pt表示大客流发生过程中某一时刻的客流量；p大客流临界值表示界定大客流的临界客流量，p最大分时段客流量表示大客流发生过程中最大分时段客流量。
CN201710933265.0A 2017-10-10 2017-10-10 基于afc大数据的城市轨道大客流模型构建方法 Active CN107808235B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710933265.0A CN107808235B (zh) 2017-10-10 2017-10-10 基于afc大数据的城市轨道大客流模型构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710933265.0A CN107808235B (zh) 2017-10-10 2017-10-10 基于afc大数据的城市轨道大客流模型构建方法

Publications (2)

Publication Number Publication Date
CN107808235A CN107808235A (zh) 2018-03-16
CN107808235B true CN107808235B (zh) 2020-06-02

Family

ID=61583423

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710933265.0A Active CN107808235B (zh) 2017-10-10 2017-10-10 基于afc大数据的城市轨道大客流模型构建方法

Country Status (1)

Country Link
CN (1) CN107808235B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108665178B (zh) * 2018-05-17 2020-05-29 上海工程技术大学 一种基于afc的地铁站内楼扶梯客流量预测方法
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
CN109492935A (zh) * 2018-11-28 2019-03-19 上海应用技术大学 一种车站客流压力测试方法
CN109858670B (zh) * 2018-12-24 2022-11-18 哈尔滨工业大学 一种轨道交通车站大客流实时预警方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104217297A (zh) * 2014-09-16 2014-12-17 北京交通大学 一种轨道交通车站动态安全风险评价方法
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
CN106779429A (zh) * 2016-12-25 2017-05-31 北京工业大学 基于afc刷卡数据的轨道换乘站点客流拥塞风险评价方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140289003A1 (en) * 2013-03-25 2014-09-25 Amadeus S.A.S. Methods and systems for detecting anomaly in passenger flow
JP6301864B2 (ja) * 2015-03-13 2018-03-28 株式会社日立製作所 評価システム及び運行情報の評価方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN104217297A (zh) * 2014-09-16 2014-12-17 北京交通大学 一种轨道交通车站动态安全风险评价方法
CN106779429A (zh) * 2016-12-25 2017-05-31 北京工业大学 基于afc刷卡数据的轨道换乘站点客流拥塞风险评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
城市轨道交通大客流应急控制策略研究;陈钰;《工程科技Ⅱ辑》;20170731;论文正文第6页第1段至第8页第2段，第16页最后1段至第17页第6段 *

Also Published As

Publication number Publication date
CN107808235A (zh) 2018-03-16

Similar Documents

Publication Publication Date Title
CN107808235B (zh) 基于afc大数据的城市轨道大客流模型构建方法
CN110942411B (zh) 基于区域联动的地铁车站客流分级报警方法
Puong Dwell time model and analysis for the MBTA red line
CN110084397B (zh) 一种地铁直达线路规划方法
CN108364464B (zh) 一种基于概率模型的公交车辆旅行时间建模方法
Li et al. Dwell time estimation models for bus rapid transit stations
CN107564270A (zh) 一种智能公交调度运营方法
CN112819316B (zh) 一种综合客运枢纽轨道交通系统的枢纽运能识别方法
CN113850417A (zh) 一种基于车站客流预测的客流组织决策方法
CN112214873B (zh) 一种轨道交通故障下的客流分布仿真评估方法及系统
CN111401643B (zh) 一种城市轨道交通客流回路自适应的智能列车调度方法
CN112465205A (zh) 一种单线多站协同限流的轨道交通列车开行密度优化方法
CN112381260A (zh) 基于进站比例的城市轨道交通客流管控优化方法
Kamga et al. An estimation of the effects of social distancing measures on transit vehicle capacity and operations
CN114037158A (zh) 一种基于od路径的客流预测方法及应用方法
CN114707709A (zh) 铁路综合客运枢纽安全预警方法及系统
Gysin An Investigation of the Influences on Train Dwell Time
CN112528867B (zh) 一种地铁车站突发大客流预警方法及其应用
CN117035198A (zh) 城市轨道交通车站客流状态识别与管控方法
CN116229305A (zh) 一种基于视频识别的地铁车站流线拥堵状态实时评价方法
CN110852658A (zh) 地铁站客流组织系统及方法
Zhuang et al. Estimating escalator vs stairs choice behavior in the presence of entry railing: A field study
CN112488568A (zh) 一种地铁车站大客流运营风险评价方法及其应用
CN115374579A (zh) 基于瓶颈识别的轨道交通差异化安检通道布局方法
CN113888387A (zh) 一种基于客流需求的多目标运行优化方法

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