CN109389305B - 一种城市轨道交通区间乘客交通流状态判别方法 - Google Patents

Abstract

本发明公开了一种城市轨道交通区间乘客交通流状态判别方法，通过计算区间乘客交通流状态判别参数‑‑区间断面满载率，通过区间乘客交通流状态参数的时间序列构建，构造状态参数有序样本序列，以最优分割聚类法进行类别划分，保证了样本的时序性与状态的连续性,将参数样本相近的统计时段归为一类，提出目标线路区间乘客交通流状态划分方案,并依据参数阈值进行区间乘客交通流状态类别判定，准确判别乘客交通流状态，有利决策者及时准确地掌握客流运行状态及其客流变化规律，为日常调度和工作做好准备。

Description

一种城市轨道交通区间乘客交通流状态判别方法

所属领域

本发明属于轨道交通运输技术领域，具体涉及一种城市轨道交通区间乘客交通流状态判别方法。

背景技术

近年来，随着轨道交通线网的逐步扩增和乘客出行需求的增长，轨道交通供需不平衡等问题日趋严重，出现了高峰拥挤、超载运行、运能不足等现象。列车运行途中，乘客过度拥挤将严重降低车厢内乘客的舒适度和满意度。为了提高轨道交通运营管理水平，提供优质乘客运输服务，充分发挥城市轨道交通的社会效益和经济效益，科学有效地掌握客流运行特征可以更好地为轨道交通运营决策者带来决策参考依据。

目前，我国城市轨道交通根据断面客流将客流分为早高峰客流，晚高峰客流和平峰客流。但客流在高峰小时内存在一定集聚特征，其客流通常集中在15min或0.5h内，并且高峰小时客流虽然有一定稳定性，但存在突变波动。因此将客流分为早、晚高峰及平峰客流将无法呈现客流在高峰小时内不同程度的变化及分布情况，不利于决策者进行有效决策分析。另外，国内外城市轨道交通对客流运行状况的研究仍处于宏观层面，其研究大多通过建立相关评价指标体系进行综合性分析，研究内容往往过于局限，无法进行乘客交通流运行状况的准确获取。

因而，针对目前的行业发展及实际需求，如果能提出一种城市轨道交通区间乘客交通流状态的判别方法，将是轨道交通运输技术领域的一大创新，是判别区间乘客交通流状态的重要里程碑式指标。

发明内容

本发明正是针对现有技术中的问题，提供了一种城市轨道交通区间乘客交通流状态的判别方法，克服了现有技术中区间乘客交通流状态突变波动较大，无法准确预判的问题，通过计算区间乘客交通流状态判别参数--区间断面满载率E_k，通过区间乘客交通流状态参数的时间序列构建，以最优分割法进行参数样本聚类，将某时段内行驶于该区间列车的乘客顺畅程度相近的统计时段归为一类，并依据参数阈值进行区间乘客交通流状态类别判定，准确判别乘客交通流状态，便于决策者及时准确地掌握客流运行状态及其客流变化规律，为日常调度和工作做好准备。

为了实现上述目的，本发明采用的技术方案是：一种城市轨道交通区间乘客交通流状态判别方法，包括如下步骤：

S1，定义城市轨道交通区间乘客交通流状态；

S2，确定区间乘客交通流状态的判别参数E_k，所述E_k指区间断面满载率；

S3，确定区间乘客交通流状态判别参数的计算方法，求解区间断面满载率E_k：

S4，统计区间乘客交通流状态的判别参数E_k并构建有序样本序列A；

S5，利用有序样本聚类最优分割法对参数样本进行划分，得到所有分类,

S51,计算类直径矩阵；

S52，计算分类损失函数；

S53，构建最小分类损失矩阵及分类标记矩阵；

S54，指定分类数，基于步骤S53中最小分类损失矩阵及分类标记矩阵，依据最优分割算法依次得到所有分类；

S6，区间乘客交通流状态判别：将聚类分类结果与步骤S1中的状态对比，判别区间乘客交通流的状态。

作为本发明的一种改进，还包括步骤S7，改变步骤S54中的指定分类数，重复循环步骤S2-S5，直至得到理想的判别状态。

作为本发明的一种改进，所述步骤S1中区间乘客交通流状态根据区间断面满载率E_k决定，当E_k≤58％时，为舒适状态；当58％＜E_k≤100％时，为一般状态；当100％＜E_k≤120％时，为拥挤状态；当120％＜E_k时，为严重拥挤状态。

作为本发明的又一种改进，所述步骤S3中区间断面满载率E_k的计算方法如下：

S31，求解区间断面客流B_k，选取轨道交通线网交易记录作为基础数据，每T_k统计一次断面客流，

其中，B_k表示列车在第k个统计时段的区间断面客流；表示第k统计时段内第i列车在第j区间的断面客流；表示第k统计时段内第i列车在第j车站的乘客上车人数；表示第k统计时段内第i列车在第j车站的乘客下车人数；n为区间第k统计时段所经过的列车列数；

S32，求解区间断面满载率E_k：

N_k＝f×N

其中，N_k为区间第k统计时段所经过列车的列车定员总和；N为区间第k统计时段所经过列车的每列列车定员数；f为区间T_k内所经过列车的列车总数。

作为本发明的又一种改进，当有换乘人数时，所述步骤S31中，

其中，表示由其它线路换乘至目标线路换乘站的乘客人数，当第j车站为非换乘站时， 表示由目标线路换乘站换乘至其它线路的乘客人数，当第j车站为非换乘站时， 表示第k统计时段第j车站的进站人数；表示第k统计时段第j车站的出站人数；a_j表示乘客从其它线路换乘至目标线路换乘站j的人数所占进站人数的比例；b_j表示乘客从目标线路换乘站j换乘至其它线路的人数所占出站人数的比例。

作为本发明的另一种改进，所述步骤S4进一步包括：

S41，统计时段T_k内，区间乘客交通流状态的判别参数样本A_k为：

A_k＝(E_k)

其中，A_k表示区间第k统计时段的乘客交通流状态参数样本；

S42，统计运营日当天n个前后相继的统计时段所对应的状态参数样本，得到时间序列A:{A₁,A₂,A₃,...A_n}。

作为本发明另一种改进，所述步骤S51，计算类直径矩阵D：

其中，矩阵D为上三角阵，d_ij表示参数样本类的离差平方和，d_ij＝D(i，j)，D有

所述步骤S52，计算分类损失函数：

其中，p(n,q)为将n个参数样本划分为q类，2≤q≤n-1；j_t为该分类下第t类的起始样本；

所述步骤S53，构建最小分类损失矩阵及分类标记矩阵：基于步骤S52中分类损失函数的计算可得最小分类损失矩阵P_(n-2)×(n-2)，同时可得最小分类损失矩阵对应的分类标记矩阵J_(n-2)×(n-2)。

其中，矩阵P为下三角阵，p_lq＝L[p(l，q)]，P有p_lq为矩阵P第l行及第q列的值，表示将l个参数样本划分为q类的最小分类损失函数值；矩阵J有j_lq表示p_lq对应p(l,q)分法下的第q类参数样本的起始序号，且

所述步骤S54,指定分类数q(1＜q＜n)，基于最小分类损失矩阵及分类标记矩阵，依据费歇最优分割算法可依次得到所有分类，其核心递推公式如下：

式中，3≤l≤n，k≤j≤n；根据核心递推公式类推求得所有分类。

作为本发明的更进一步改进，所述步骤S6中区间乘客交通流状态判别参数为

其中，表示该类参数样本的均值断面满载率；E_i为样本A_i对应的断面满载率；为该类样本断面满载率之和。

作为本发明的更进一步改进，所述步骤S52中，p(n,q)的划分法为：

G₁＝{j₁，j₁+1，…，j₂-1}

G₂＝{j₂，j₂+1，…，j₃-1}

……

G_q＝{j_q，j_q+1，…，n}

其中，G_q表示第q类参数样本，1＝j₁＜j₂＜...＜j_q＜n＝j_q+1-1为分类点；p(n,q)的分法不唯一，取其中的最小值作为最小分类损失函数值，对应的分法即为n个参数样本分为q类的最优解；依次计算不同分类数下不同分法的分类损失函数。

作为本发明的更进一步改进，所述步骤S54中，求解过程满足下式：

L[P(n,q)]＝L[P(j_q-1,q-1)]+D(j_q,n)

因此，第q类G_q＝{j_q,j_q+1,...,n}；同理，为P(n,q)中第q-1类参数样本的起始序列号j_q-1，满足下式：

L[P(j_q-1,q-1)]＝L[P(j_q-1-1,q-2)]+D(j_q-1,j_q-1)

可得第q-1类G_q-1＝{j_q-1,j_q-1+1,...,j_q-1}；以此类推，得到所有分类G₁,G₂,…,G_q，即为所求的最优分割P(n,q)＝{G₁，G₂，…，G_q}

与现有技术相比，本发明提出了一种城市轨道交通区间乘客交通流状态判别方法，具有的有益效果是：以某时段内行驶于该区间列车的乘客顺畅程度均维持在一定拥挤指标范围的客流运行状况定义区间乘客交通流状态，是一种基于客流运行特征的区间乘客交通流状态判别研究；构造状态参数有序样本序列，以最优分割聚类法进行类别划分，保证了样本的时序性与状态的连续性；将参数样本相近的统计时段归为一类，提出目标线路区间乘客交通流状态判别方案；有利决策者及时准确地掌握客流运行状态及其客流变化规律，为其进行日常调度、乘客诱导等工作提供依据，提高乘客服务管理水平；为合理安排运输能力、编排列车行车计划、优化行车组织提供理论依据,有效降低运营成本。

附图说明

图1为本发明方法操作流程示意图。

具体实施方式

以下将结合附图和实施例，对本发明进行较为详细的说明。

实施例1

一种城市轨道交通区间乘客交通流状态判别方法，包括如下步骤：

S1，定义城市轨道交通区间乘客交通流状态；

区间乘客交通流状态的定义：统计时段T_k内行驶于该区间列车的乘客顺畅程度均维持在一定拥挤指标范围内的客流运行状态，记为C；区间乘客交通流状态可划分为舒适状态C_F、。一般状态C_S、拥挤状态C_C、严重拥挤状态C_SC；根据下述步骤的取值，可判定区间乘客交通流的状态。

由于轨道交通列车运行区间时客流集中分布于车厢内，因此区间乘客交通流运行的顺畅程度可通过客流拥挤程度而得；区间断面客流表示统计时段内通过该区间的所有列车乘客数之和；区间断面满载率定义为统计时段内区间断面客流与区间列车定员总和之比，表示列车内乘客的实时拥挤程度和车辆客位的利用程度，体现实时断面客运量与线路区间实际运输能力之比，综合反映轨道交通线网区间的乘客交通流运行状况。

S2，确定区间乘客交通流状态的判别参数E_k，所述E_k指区间断面满载率，以此作为乘客的拥挤指标；依据E_k的阈值划分区间乘客交通流的状态，E_k的阈值设定：当E_k≤58％时，C为舒适状态C_F，表示列车车厢内乘客可自由流动，舒适性高；当58％＜E_k≤100％时，C为一般状态C_S，表示乘客活动范围既不宽松也不拥挤，是舒适度的临界状态；当100％＜E_k≤120％时，C为拥挤状态C_C，表示乘客互相之间须错位排列，感到有些拥挤，舒适性较差；当120％＜E_k时，C为严重拥挤状态C_SC，表示乘客感到比较拥挤，影响上下车的行为和时间，舒适性差。

S3，确定区间乘客交通流状态判别参数的计算方法，求解区间断面满载率E_k：

S31，求解区间断面客流B_k，基于AFC系统自动采集技术，选取轨道交通线网交易记录作为基础数据，每T_k统计一次断面客流，

其中，B_k表示列车在第k个统计时段的区间断面客流；表示第k统计时段内第i列车在第j区间的断面客流；表示第k统计时段内第i列车在第j车站的乘客上车人数；表示第k统计时段内第i列车在第j车站的乘客下车人数；n为区间第k统计时段所经过的列车列数；

S32，求解区间断面满载率E_k：

N_k＝f×N

其中，N_k为区间第k统计时段所经过列车的列车定员总和；N为区间第k统计时段所经过列车的每列列车定员数；f为区间T_k内所经过列车的列车总数。

S4，统计区间乘客交通流状态的判别参数E_k并构建有序样本序列A；

S41，统计时段T_k内，区间乘客交通流状态的判别参数样本A_k为：

A_k＝(E_k)

其中，A_k表示区间第k统计时段的乘客交通流状态参数样本，在统计时段T_k内，参数样本A_k表示由区间断面满载率E_k所构成的集合；

S42，统计运营日当天n个前后相继的统计时段所对应的状态参数样本，得到时间序列A:{A₁,A₂,A₃,...A_n}，n个统计时段，分别对应n个有序样本。

S5，利用有序样本聚类最优分割法对参数样本进行划分，得到所有分类,

S51,计算类直径矩阵D；

其中，矩阵D为上三角阵，d_ij＝D(i，j)，D有参数样本A_i～A_j为一类，d_ij表示该参数样本类的离差平方和；为该参数样本类的均值向量，

S52，计算分类损失函数；

其中，记p(n,q)为将n个参数样本划分为q类的一种分法，2≤q≤n-1。L[p(n,q)]为该分法下的分类损失函数；j_t为该分类下第t类的起始样本；

S53，构建最小分类损失矩阵及分类标记矩阵；基于步骤S52中分类损失函数的计算可得最小分类损失矩阵P_(n-2)×(n-2)，同时可得最小分类损失矩阵对应的分类标记矩阵J_(n-2)×(n-2)。

其中，矩阵P为下三角阵，p_lq＝L[p(l，q)]，P有p_lq为矩阵P第l行及第q列的值，表示将l个参数样本划分为q类的最小分类损失函数值；矩阵J有j_lq表示p_lq对应p(l,q)分法下的第q类参数样本的起始序号，且选取l个样本分为q类的最小损失函数值作为矩阵P第l行及第q列的元素，即p_lq，并标记出p_lq对应分法下G_q的起始样本序号，记为j_lq，即分类标记矩阵J第l行及第q列的元素。

S54，指定分类数q(1＜q＜n)，基于最小分类损失矩阵及分类标记矩阵，依据费歇最优分割算法可依次得到所有分类，其核心递推公式如下：

式中，3≤l≤n，k≤j≤n；将l个参数样本分为k类的求解过程，等价于先将其分为两类{1,2,…,j-1}，{j,j+1,…,l}，2≤j≤l，再将{1,2,…,j-1}分为k-1类，{j,j+1,…,l}为单独一类，即第k类，依次类推求得所有分类。

S6，区间乘客交通流状态判别：将聚类分类结果与步骤S1中的状态对比，根据聚类分类结果及设定的参数阈值，对应判别区间乘客交通流状态。

当令C＝C_F；当令C＝C_s；当令C＝C_c；当令C＝C_sc。

其中，G_q表示第q类参数样本；表示该类参数样本的均值断面满载率；E_i为样本A_i对应的断面满载率；为该类样本断面满载率之和。

实施例2

本实施例与实施例1的不同之处在于：还包括步骤S7，可以重新设定步骤S54中的指定分类数q，重复循环步骤S2-S5，重新对参数样本进行聚类分析，针对聚类结果对应判别状态，直至得到理想的判别状态。

本发明的模型参数有第k个统计时段T_k和指定分类数q，分别对T_k和q值进行不同设定，可获取不同的状态分类判别结果，以满足轨道交通决策者的不同决策需求。T_k越小，q越大，则区间乘客交通流状态的判别结果就越能呈现其变化规律，各状态间的差异性也越大。T_k越大，q越小，区间乘客交通流状态的判别结果可以起到消除客流波动带来的影响。

区间断面客流的计算思路为，首先对轨道交通目标线路全天的第一列车开始采集数据，指标包含有列车所经过站点的乘客进站人数及出站人数，其中列车经过第一个站点的乘客出站人数为零，计算列车所在各区间的断面客流，即可得目标区间断面客流；依次计算所有班次的列车断面客流；将统计时段内经过该目标区间的所有列车断面客流加和，即可得目标区间统计时段T_k的断面客流。

区间列车定员总和表示统计时段内经过该区间所有列车的列车定员总和；由于列车车型及编组数量的短时不变性，所以统计时段内所经过每列车的列车定员数相同。

多种分类方法下的时间序列样本，其中参数样本{A_i,A_i+1,...,A_j}(i＜j)为一类，记为G，G＝{i,i+1,...,j}；计算各参数样本类的离差平方和，即类直径，其值大小表示各参数样本类间的差异性，值越小，表示差异越小，分类越合理。

最小分类损失矩阵P_(n-2)×(n-2)的行数代表样本数，列数代表分类数，矩阵元素p_lq代表其所在行对应的样本数被分为其所在列对应的分类数时的最小分类损失函数。分类数q的取值需要轨道交通运营决策者根据实际需求进行指定，初步指定q，求得最优解，若聚类分析结果没有达到预期需求，可再次指定q值进行求解，直到聚类分析结果满意为止。

存在某类参数样本的区间满载率数值不一定完全包含于其设定的阈值范围，此多发生于分类数q不大的情况，这是由于客流具有波动性，导致该类参数样本的某个时间点的区间满载率数值发生突变，但其区间乘客交通流状态仍是该阈值所对应的状态。此聚类方法可以解决由社会因素和自然因素引起的客流波动对客流状态持续时间判断的影响。当分类数q较大时，相应地每类参数样本间的特征值更加接近，状态判别的结果就会呈现客流的波动时段及早、晚高峰客流前后的变化时段，以助轨道交通决策者进行决策分析。

在步骤S6状态判别结果中，区间断面满载率越小，表示列车车厢内乘客拥挤度越低，舒适性越好；区间断面满载率越大，表示列车车厢内乘客拥挤度越高，舒适性越差。根据有序样本聚类结果分析，可进一步挖掘目标线路区间乘客交通流的断面满载率变化规律，量化不同统计时段区间乘客交通流状态的差异性。

实施例3

本实施例与实施例1和2的不同之处在于：在步骤S31区间断面客流B_k的计算中，当有换乘人数时，和的取值不同，具体的，因为列车首先经过第一个车站，然后经过第一个区间，所以当列车经过第j车站时，即将经过的下一个区间即为第j区间；由公式可知，目标线路换乘站的上车人数等于进站人数加上其它线路换乘至此站的乘客人数；目标线路换乘站的下车人数等于出站人数加上此站换乘至其它线路的乘客人数：

其中，表示由其它线路换乘至目标线路换乘站的乘客人数，当第j车站为非换乘站时， 表示由目标线路换乘站换乘至其它线路的乘客人数，当第j车站为非换乘站时， 表示第k统计时段第j车站的进站人数；表示第k统计时段第j车站的出站人数；a_j表示乘客从其它线路换乘至目标线路换乘站j的人数所占进站人数的比例；b_j表示乘客从目标线路换乘站j换乘至其它线路的人数所占出站人数的比例。

所述步骤S51中的类直径矩阵D，为统计各相邻或连续相邻样本间的类直径，当样本A_i与A_j不相邻，且中间没有连续相邻的样本时，d_ij＝0。

所述步骤S52中计算分类损失函数，由于p(n,q)的分法有多种，不同分法对应不同的分类损失函数，取其中的最小值作为最小分类损失函数值，对应的分法即为n个参数样本分为q类的最优解；依次计算不同分类数下不同分法的分类损失函数。

本实施例中p(n,q)的分法记为：

G₁＝{j₁，j₁+1，…，j₂-1}

G₂＝{j₂，j₂+1，…，j₃-1}

.....

G_q＝{j_q，j_q+1，…，n}

其中，G_q表示第q类参数样本，1＝j₁＜j₂＜...＜j_q＜n＝j_q+1-1为分类点。

实施例4

本实施例与实施例1-3的不同之处在于：所述步骤S54中，求解过程满足下式：

L[P(n,q)]＝L[P(j_q-1,q-1)]+D(j_q,n)

因此，第q类G_q＝{j_q,j_q+1,...,n}；同理，为P(n,q)中第q-1类参数样本的起始序列号j_q-1，满足下式：

L[P(j_q-1,q-1)]＝L[P(j_q-1-1,q-2)]+D(j_q-1,j_q-1)

可得第q-1类G_q-1＝{j_q-1,j_q-1+1,...,j_q-1}；以此类推，得到所有分类G₁,G₂,…,G_q，即为所求的最优分割P(n,q)＝{G₁，G₂，…，G_q}。

实施例5

选取某城市轨道交通连续一个月的线网AFC交易记录作为基础数据，其中，前15天数据为训练数据，后15天数据为测试数据。设定统计时间间隔T_k＝5min。

Step1、定义城市轨道交通区间乘客交通流状态；

Step2、确定区间乘客交通流状态的判别参数E_k，所述E_k指区间断面满载率；

Step3、确定区间乘客交通流状态判别参数的计算方法，求解区间断面满载率E_k

Step31、统计目标线路区间断面客流

选取目标线路下行方向某运营日全天的交易记录作为统计数据，根据下式依次统计目标区间所有统计时段的断面客流。

Step32、计算目标区间断面满载率

计算目标区间所有统计时段的列车定员总和，基于上述所得目标区间断面客流，依据下式可得目标区间所有统计时段的断面满载率。

N_k＝f×N

Step4、构造有序样本序列

将目标区间断面满载率作为样本的唯一特征值，所构造样本即为参数样本。目标线路发车时间段为06:00～23:00，历时17h，共204个统计时段，即204个有序参数样本序列A：{A₁，A₂，A₃，…，A₂₀₄}。

Step5、利用有序样本聚类最优分割法对参数样本进行划分：

Step51、根据下式计算样本A_i～A_j的类直径，分别得出204个样本中所有相邻或连续相邻组合样本的类直径。

所得参数样本的类直径矩阵D如下：

Step52、计算分类损失函数

根据下式依次计算所有分类的分类损失函数。

其中，2≤q≤203。

Step53、构建最小分类损失矩阵P_(204)×(203)及分类标记矩阵J_(204)×(203)

Step54、初次聚类

记分类数q＝17，对应矩阵J_(204)×(203)第204行第17列的元素j_204(17)即为参数样本第17类的起始样本序号，即可得继续求解前j_204(17)-1个参数样本的最优分类，取矩阵J_(204)×(203)第j_204(17)-1行第16列对应的元素为参数样本第16类的起始样本序号，即可得依次可得所有分类G₁₅，G₁₄，...，G₁，此分类即为204个样本分为17类的最优分割解P(204,17)＝{G₁，G₂，…，G₁₇}。

Step6、初次聚类结果的状态判别

利用下列公式进行各类参数样本的均值断面满载率计算。

若则C＝C_F；若则C＝C_s；若则C＝C_c；若则C＝C_sc。

若判别结果满足轨道交通决策者的需求，则此为区间乘客交通流状态判别的最终结果。若轨道交通决策者想进一步挖掘乘客交通流的变化时间点，可进行二次聚类分析。

Step7、二次聚类

重新设定q值，令q＞17，利用上述方法重新对参数样本进行聚类分析。针对聚类结果对应判别状态，直到满足轨道交通决策者的意图。

总结：状态判别结果分析

需注意的是，本发明的模型参数有T_k和q。分别对T_k和q值进行不同设定，可获取不同的状态分类判别结果，以满足轨道交通决策者的不同决策需求。T_k越小，q越大，则区间乘客交通流状态的判别结果就越能呈现其变化规律，各状态间的差异性也越大。T_k越大，q越小，区间乘客交通流状态的判别结果可以起到消除客流波动带来的影响。

根据交通流的相似性，借鉴道路交通流理论方法，在分析轨道交通客流特性的基础上，从轨道交通运营控制及乘客服务水平角度出发，对断面满载率数值作分级评价，设定其阈值作为状态判别的依据，以此对轨道交通区间乘客交通流状态进行定义和划分。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实例的限制，上述实例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。

Claims (8)

1.一种城市轨道交通区间乘客交通流状态判别方法，其特征在于，包括如下步骤：

S1，定义城市轨道交通区间乘客交通流状态；

S2，确定区间乘客交通流状态的判别参数E_k，所述E_k指区间断面满载率；

S3，确定区间乘客交通流状态判别参数的计算方法，求解区间断面满载率E_k，所述区间断面满载率E_k的计算方法如下：

S31，求解区间断面客流B_k，选取轨道交通线网交易记录作为基础数据，每T_k统计一次断面客流，

其中，B_k表示第j区间列车在第k个统计时段的区间断面客流；表示第k统计时段内第i列车在第j区间的断面客流；表示第k统计时段内第i列车在第j车站的乘客上车人数；表示第k统计时段内第i列车在第j车站的乘客下车人数；n为区间第k统计时段所经过的列车列数；

S32，求解区间断面满载率E_k：

N_k＝f×N

其中，N_k为区间第k统计时段所经过列车的列车定员总和；N为区间第k统计时段所经过列车的每列列车定员数；f为区间T_k内所经过列车的列车总数；

S4，统计区间乘客交通流状态的判别参数E_k并构建有序样本序列A；

S5，利用有序样本聚类最优分割法对参数样本进行划分，得到所有分类,

S51,计算类直径矩阵；

S52，计算分类损失函数；

S53，构建最小分类损失矩阵及分类标记矩阵；

S54，指定分类数，基于步骤S53中最小分类损失矩阵及分类标记矩阵，依据最优分割算法依次得到所有分类；

S6，区间乘客交通流状态判别：依据聚类分类结果统计均值区间断面满载率，并将其与步骤S1中的状态定义对比，判别区间乘客交通流状态。

2.如权利要求1所述的一种城市轨道交通区间乘客交通流状态判别方法，其特征在于还包括步骤S7，改变步骤S54中的指定分类数，重复循环步骤S2-S5，直至得到理想的判别状态。

3.如权利要求1或2所述的一种城市轨道交通区间乘客交通流状态判别方法，其特征在于所述步骤S1中区间乘客交通流状态根据均值区间断面满载率决定，所述为

其中，表示该类参数样本的均值断面满载率；E_i为样本A_i对应的断面满载率；为该类样本断面满载率之和；

当时，为舒适状态；当时，为一般状态；当时，为拥挤状态；当时，为严重拥挤状态。

4.如权利要求1所述的一种城市轨道交通区间乘客交通流状态判别方法，其特征在于：当有换乘人数时，所述步骤S31中，

其中，表示由其它线路换乘至目标线路换乘站的乘客人数，当第j车站为非换乘站时， 表示由目标线路换乘站换乘至其它线路的乘客人数，当第j车站为非换乘站时， 表示第k统计时段第j车站的进站人数；表示第k统计时段第j车站的出站人数；a_j表示乘客从其它线路换乘至目标线路换乘站j的人数所占进站人数的比例；b_j表示乘客从目标线路换乘站j换乘至其它线路的人数所占出站人数的比例。

5.如权利要求4所述的一种城市轨道交通区间乘客交通流状态判别方法，其特征在于所述步骤S4进一步包括：

S41，统计时段T_k内，区间乘客交通流状态的判别参数样本A_k为：

A_k＝(E_k)

其中，A_k表示区间第k统计时段的乘客交通流状态参数样本；

S42，统计运营日当天n个前后相继的统计时段所对应的状态参数样本，得到有序区间断面满载率样本序列A:{A₁,A₂,A₃,...A_n}。

6.根据权利要求5所述的一种城市轨道交通区间乘客交通流状态判别方法，其特征在于所述步骤S51，计算类直径矩阵D：

其中，矩阵D为上三角阵，d_ij表示参数样本类的离差平方和，d_ij＝D(i，j)，D有

所述步骤S52，计算分类损失函数：

其中，p(n,q)为将n个参数样本划分为q类，2≤q≤n-1；j_t为该分类下第t类的起始样本；

所述步骤S53，构建最小分类损失矩阵及分类标记矩阵：基于步骤S52中分类损失函数的计算可得最小分类损失矩阵P_(n-2)×(n-2)，同时可得最小分类损失矩阵对应的分类标记矩阵J_(n-2)×(n-2)；

其中，矩阵P为下三角阵，p_lq＝L[p(l，q)]，P有p_lq为矩阵P第l行及第q列的值，表示将l个参数样本划分为q类的最小分类损失函数值；矩阵J有j_lq表示p_lq对应p(l,q)分法下的第q类参数样本的起始序号，且

所述步骤S54,指定分类数q(1＜q＜n)，基于最小分类损失矩阵及分类标记矩阵，依据费歇最优分割算法可依次得到所有分类，其核心递推公式如下：

式中，3≤l≤n，k≤j≤n；根据核心递推公式类推求得所有分类。

7.根据权利要求6所述的一种城市轨道交通区间乘客交通流状态判别方法，其特征在于所述步骤S52中，p(n,q)的划分法为：

G₁＝{j₁，j₁+1，···，j₂-1}

G₂＝{j₂，j₂+1，···，j₃-1}

·····

G_q＝{j_q，j_q+1，···，n}

其中，G_q表示第q类参数样本，1＝j₁＜j₂＜...＜j_q＜n＝j_q+1-1为分类点；p(n,q)的分法不唯一，取其中的最小值作为最小分类损失函数值，对应的分法即为n个参数样本分为q类的最优解；依次计算不同分类数下不同分法的分类损失函数。

8.根据权利要求7所述的一种城市轨道交通区间乘客交通流状态判别方法，其特征在于所述步骤S54中，求解过程满足下式：

L[P(n,q)]＝L[P(j_q-1,q-1)]+D(j_q,n)

因此，第q类G_q＝{j_q,j_q+1,...,n}；同理，为P(n,q)中第q-1类参数样本的起始序列号j_q-1，满足下式：

L[P(j_q-1,q-1)]＝L[P(j_q-1-1,q-2)]+D(j_q-1,j_q-1)

可得第q-1类G_q-1＝{j_q-1,j_q-1+1,...,j_q-1}；以此类推，得到所有分类G₁,G₂,···,G_q，即为所求的最优分割P(n,q)＝{G₁，G₂，···，G_q}。