CN110019569A - 一种获取城市轨道交通运营状态信息的方法 - Google Patents
一种获取城市轨道交通运营状态信息的方法 Download PDFInfo
- Publication number
- CN110019569A CN110019569A CN201710599162.5A CN201710599162A CN110019569A CN 110019569 A CN110019569 A CN 110019569A CN 201710599162 A CN201710599162 A CN 201710599162A CN 110019569 A CN110019569 A CN 110019569A
- Authority
- CN
- China
- Prior art keywords
- path
- time
- feasible
- train
- node
- 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 title claims abstract description 49
- 238000012546 transfer Methods 0.000 claims description 65
- 230000037361 pathway Effects 0.000 claims description 64
- 238000009826 distribution Methods 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000008901 benefit Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000006855 networking Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000012850 discrimination method Methods 0.000 description 2
- 235000019580 granularity Nutrition 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 240000001398 Typha domingensis Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种获取城市轨道交通运营状态信息的方法,涉及城市轨道交通运营管理技术领域,所述运营状态信息包括乘车方案、列车的区间载客量、车站上下车人数、乘客留乘次数等,该方法主要包括以下步骤:根据AFC数据记录的旅行时间约束条件搜索可行的初始物理路径;构建所述每一条初始物理路径的时间拓展网络,并在所述时间拓展网络中搜索满足时间约束条件的可行路径;计算所述可行路径与综合时间的匹配度;搜索基于列车容量约束的且所述匹配度最高的乘车方案;根据所述乘车方案获取城市轨道交通运营状态信息。本发明能够辨识获得每一组AFC数据对应的乘车方案,得到城市轨道交通运营评估指标,提高了城市轨道交通运营精细化管理水平和运营效率。
Description
技术领域
本发明涉及城市轨道交通运营管理技术领域,尤其涉及一种获取城市轨道交通运营状态信息的方法。
背景技术
随着各地政府对城市轨道交通的大力扶持,城市轨道交通线网逐步发展完善,已迎来网络化运营模式,同时,网络化运营给城市轨道交通管理带来了诸多挑战,其中最为突出的是由城市轨道交通客流需求与供给能力之间的矛盾给运营管理带来的冲击。
一方面,随着城市轨道交通路网的不断完善,我国一些大中城市轨道交通工作日日均客运量已超千万,客流需求的时空分布不平衡给城市轨道交通运营带来极大压力,并逐渐演化成常态化的大客流现象,例如,北京市早、晚高峰(早7:00-9:00,晚17:00-19:00)期间的客运量占全日客运量的40%,在运营高峰期间,由于到站列车无剩余运能力或当前站台过于拥堵,而造成乘客无法在列车停站时间登乘列车。
另一方面,在网络化运营模式下,城市轨道交通网络规模不断扩大,乘客出行行为也趋于复杂,乘客出行路径的选择范围越来越大。尽管通过AFC(Auto Fare Collection,自动售检票)系统能够获得OD数据,在“无缝换乘”的网络化运营城市轨道交通系统中,客流在城市轨道交通网络中路径和列车上的分布情况往往不能直接通过AFC数据得到,网络中的一对OD之间往往存在多路径,乘客的路径选择和列车选择往往无法准确获知。这些不可直接获知的信息能够帮助运营部门完善监控手段,进一步了解客流在路网中的分布,提高城市轨道交通运营可靠性的应用意义重大;同时,可为乘客提供更实时的出行规划服务,提高城市轨道交通网络化运营效率。因此,需要一种能够获取乘客状态和线路运营状态的方法,实现对城市轨道交通运营的精细化管理,提高运营效率。
发明内容
本发明的目的在于提供一种有利于提高城市轨道交通运营精细化管理水平和运营效率的获取城市轨道交通运营状态信息的方法,以解决上述背景技术中存在的技术问题。
为了实现上述目的,本发明采取了如下技术方案:
一种获取城市轨道交通运营状态信息的方法,包括以下步骤:根据自动售检票AFC数据记录的旅行时间约束条件搜索可行初始物理路径;构建每一条所述初始物理路径的时间拓展网络,并在所述时间拓展网络中搜索满足时间约束条件的可行路径;计算所述可行路径与综合时间的匹配度;搜索基于列车容量约束的且所述匹配度最高的乘车方案;根据所述乘车方案获取城市轨道交通运营状态信息,所述运营状态信息包括乘车方案、列车的区间载客量、车站上下车人数、乘客留乘次数。
进一步的,根据自动售检票AFC数据记录的旅行时间约束条件搜索可行初始物理路径的方法包括:
对AFC数据初始化,清空候选路径集合Roptional的数据和初始物理路径集的数据;
利用Dijkstra算法生成在物理拓扑网络G(N,A)中从起点o到终点d的最短物理路径rshortest(o,d),若rshortest(o,d)的时间大于旅行时间,即Trshortest(o,d)>Ttravel,则无可行的物理路径,若rshortest(o,d)的时间小于或等于旅行时间,则将rshortest(o,d)置换为当前路径rcurrent,同时将rcurrent加入初始物理路径集
按照顺序遍历rcurrent中下一个节点,并标记当前的节点为j∈rcurrent,若j为终点d,则检查候选路径集合Roptional,若则返回初始物理路径集若存在候选路径集合Roptional,则对Roptional中的路径roptional(k)∈Roptional作有效性判断,若roptional(k)的时间费用不满足式则删除该路径,若roptional(k)的换乘次数不满足式则删除该路径,若roptional(k)中具有重复出现的节点,则删除该路径;若roptional(k)中出现重复出现同一换乘站对应的节点,则删除该路径,若roptional(k)中存在换乘,同一线路的节点在换乘后再次出现,则删除该路径;若j不是终点d,则遍历j节点所有连接节点的集合jnext,标记当前节点为m∈jnext,若m在当前路径中,即m∈rcurrent,则删除弧a(j,m);
利用Dijkstra算法搜索j节点到d的最短路rshortest(j,d),若rshortest(j,d)不存在,则恢复所有的被删除的弧,遍历rcurrent中下一个节点,并标记当前的节点为j∈rcurrent;若rshortest(j,d)存在,则判断rshortest(j,d)是否已存在于候选路径集合中,即rshortest(j,d)∈Roptional是否成立,若成立,则恢复所有的被删除的弧,遍历rcurrent中下一个节点,并标记当前的节点为j∈rcurrent,若不成立,则获取rcurrent中o到j的路径rcurrent(o,j)∈rcurrent,与rshortest(j,d)联结成新的路径rconnect(o,d),将rconnect(o,d)添加到候选路径集合Roptional=Roptional∪rconnect(o,d),恢复所有的被删除的弧,更新最小换乘次数ntmin;
提取Roptional中的最短路径roptional_shortest,进行旅行时间约束判断,若最短路径的时间费用不大于旅行时间将Roptional中的最短路径加入初始物理路径集同时将roptional_shortest置为当前路径rcurrent。
进一步的,构建每一条所述初始物理路径的时间拓展网络,并在所述时间拓展网络中搜索满足时间约束条件的可行路径的方法包括:
读取当前AFC记录的初始物理路径集合中的第i条物理路径读取时刻表T,构建时间拓展网络
判断第一个上车时间拓展节点的车站属性与进站节点的车站属性是否一致,即是否成立,若不成立则构建虚拟进站节点同时将进站弧转换成tow=t1+w(o,so),最后将置为
判断最后一个下车时间拓展节点的车站属性与出站节点的车站属性是否一致,即是否成立,若不成立则构建虚拟出站节点同时将出站弧转换成tdw=t2-w(sd,d),最后将置为
获取路径的换乘次数k(若路径中无换乘则k=0),提取路径中的关键车站KS={ksa|a=1,2,...,k+2},在同属一条线路ls(m)的关键车站之间生成线路区段
搜索从到的“最早时间拓展路径”和“最晚时间拓展路径”,若最早时间拓展路径或最晚时间拓展路径则说明物理路径中不存在可行时间拓展路径,算法结束;否则,
提取和在每个区段s(m)中的上车时间拓展节点 遍历每个区段s(m)的上车时间拓展节点对满足式(3-38)的节点,调用区段搜索算法搜索s(m)中的子路径将可行上车时间拓展节点和下车时间拓展节点分别存入可行上车节点集合和下车节点集合
用区段弧将区段s(m)中对应的上、下车时间拓展节点连接,同时与子路径形成映射;
设置当前迭代次数i=1,搜索从出发、与集合中节点相连的进站弧,若存在权值不为∞的进站弧,选择其中权值最小的得到区段s(i)中对应的上车时间拓展节点置为当前上车点nbcurrent;
搜索区段弧获得下车节点判断当前区段是否为网络中最后一个区段,即i=k+1是否成立,若成立,则通过出站弧搜索得到出站节点将各区段弧映射子路径中的节点按时间顺序记入当前时间拓展路径tpcurrent,并将tpcurrent存入可行时间拓展路径集合中同时令与nbcurrent连接进站弧的权值或换乘弧的权值若不成立,则搜索从出发、与中节点连接的换乘弧,若存在权值不为∞的进站弧,选择其中权值最小的得到下一区段s(i+1)的上车时间拓展节点将置为nbcurrent,同时令i=i+1;
判断物理路径的乘车方案是否成立,若不成立,则提取时间拓展路径中的乘客可行乘车方案提取的对象是所有的上、下车时间拓展节点,按照时间顺序分别提取上车节点的车站属性、车次属性与下车节点的车站属性,将存入有效物理路径集合得到该乘客所有的可行乘车方案集合和有效物理路径集合
进一步的,所述可行路径与综合时间的匹配度的计算方法包括:
将所述可行路径划分为不同的出行类型,并根据所述出行类型对所有自动售检票AFC数据进行分类;
计算所述可行路径与旅行时间的匹配度,即所述可行路径的参考旅行时间与AFC记录的实际旅行时间的相差程度;
计算所述可行路径与随机时间的匹配度,即所述可行路径的随机时间与随机时间的概率质量函数的匹配程度;
根据所述可行路径分别与所述旅行时间和所述随机时间的匹配度,计算所述可行路径与综合时间的匹配度。
进一步的,所述对所有AFC数据进行分类的方法包括:
将所述所有AFC数据按照有效物理路径的数量分为单物理路径组和多物理路径组,并将所述多物理路径组作为一种出行类型,所述单物理路径组包括有效物理路径只有1条的AFC数据,所述多物理路径组包括有效物理路径至少有2条的AFC数据;
将所述单物理路径组中的AFC数据根据乘客换乘次数划分为无换乘、换乘一次、至少换乘两次三个子分组;
将所述三个子分组的AFC数据和所述多物理路径组按照可行路径的数量划分为第一出行类型AFC数据、第二出行类型AFC数据、第三出行类型AFC数据、第四出行类型AFC数据、第五出行类型AFC数据、第六出行类型AFC数据、第七出行类型AFC数据。
进一步的,所述第一出行类型AFC数据为单物理路径、无换乘、单可行路径类型,所述第一出行类型的AFC数据集合用Qtype1表示;
所述第二出行类型AFC数据为单物理路径、无换乘、多可行路径类型,所述第二出行类型AFC数据集合用Qtype2表示;
所述第三出行类型AFC数据为单物理路径、换乘一次、单可行路径类型,所述第三出行类型AFC数据集合用Qtype3表示;
所述第四出行类型AFC数据为单物理路径、换乘一次、多可行路径类型,所述第四出行类型AFC数据集合用Qtype4表示;
所述第五出行类型AFC数据为单物理路径、至少换乘两次、单可行路径类型,所述第五出行类型AFC数据集合用Qtype5表示;
所述第六出行类型AFC数据为单物理路径、至少换乘两次、多可行路径类型,所述第六出行类型AFC数据集合用Qtype6表示;
所述第七出行类型AFC数据为多物理路径、多可行路径类型,所述第七出行类型AFC数据集合用Qtype7表示。
进一步的,所述可行路径与旅行时间的匹配度的计算方法包括:
所述可行路径的参考旅行时间与AFC记录的实际旅行时间的相差程度计算公式为:
其中,Tmin表示乘车方案中参考旅行时间的最小值,Ttravel-Tmin表示参考旅行时间的偏移范围,Ttravel-Treference(i)表示参考旅行时间与实际旅行时间的偏移值,显然θ(i)∈[0,1],若Tmin=Ttravel,则所有可行路径的参考旅行时间与AFC记录的实际旅行时间一致,相差程度相应为0;
采用正态分布描述效益值S与参考旅行时间偏离程度θ(i)之间的关系,正态分布的概率密度函数如下
其中,μ表示正态分布的期望值,本发明取μ=0,效益值S与所述相差程度的关系只需取正态分布θ≥μ的部分,σ=0.5,基于正态函数将效益值S与相差程度的函数修正为可行路径集合BPQ中效益值S之和为每组可行路径与旅行时间匹配程度为
进一步的,所述可行路径与随机时间的匹配度的计算方法包括:
将可行路径bpQ(i)与随机时间的匹配程度定义为在仅考虑随机时间的前提下,bpQ(i)为乘客的实际路径的条件概率
第二出行类型的可行路径与随机时间的匹配度为:
第四出行类型的可行路径与随机时间的匹配程度:
第六出行类型的可行路径与随机时间的匹配程度:
第七出行类型的可行路径与随机时间的匹配程度:
进一步的,所述可行路径与综合时间的匹配度的计算公式为
进一步的,所述基于列车容量约束的且所述匹配度最高的乘车方案的搜索计算方法包括:
步骤1:定义列车片段
TrainSeg={trainsegi(trnum,sd,td,sa,ta,loadmax,loadcurrent)|i=1,2,...,NT},
其中trnum∈L,sd,sa∈S,td,ta∈T。trnum表示列车的车次,L表示所有线路中所有车次的集合,sd和sa分别表示列车运行区间(sd,sa)的起点和终点,S表示车站的集合,td和ta分别表示列车在sd和sa的发车时间和到站时间,T表示列车时刻表的集合,loadmax和loadcurrent分别表示列车最大载客量和当前载客量;最大载客量loadmax=Nc×ωmax,其中,Nc表示列车定员,ωmax表示列车的最大满载率;列车容量定义为列车最大载客量与当前载客量之差,即Tc=loadmax-loadcurrent;
步骤2:读取研究时段内的所有AFC数据,搜索每一组AFC数据对应乘客的乘车方案和有效物理路径,将每一组AFC数据分别划分到各个出行类型Qtype1、Qtype2、Qtype3、Qtype4、Qtype5、Qtype6、Qtype7中;
步骤3:对所述出行类型Qtype1、Qtype2、Qtype3、Qtype4、Qtype5、Qtype6、Qtype7中的AFC数据分别按照进站时间从早到晚进行排序;
步骤4:根据Qtype1、Qtype3和Qtype5中的每一组AFC数据Q的可行路径bpQ的车次trnumQ,搜索列车片段集合TrainSeg中所有满足trnum=trnumQ的列车片段集合根据Q的有效物理路径FRQ得到乘客在物理拓扑网络中经过的区间集合SeQ={seQ(i)=seQ(si,si+1)|si,si+1∈frQ(k),frQ(k)∈FRQ},搜索列车片段集合中所有满足sd=si,sa=si+1的列车片段集合TrainSegfinal得乘车方案辨识结果,表示为更新所述列车片段集合TrainSegfinal中所有列车片段trainsegfinal(u)的当前载客量,即令loadcurrent=loadcurrent+1;
步骤5:建立出站时间分布,根据Qtype1、Qtype3和Qtype5中的乘车方案辨识结果,对每一个车站se,建立每个时段Ti从li下车的出站时间分布
步骤6:按照时间顺序依次读取Qtype2中的每一组AFC数据,Q2∈Qtype2,对每组可行路径先计算与旅行时间的匹配度Ptravel(i),然后根据Degress计算与随机时间的匹配度Prandom(i),再计算每组可行路径与综合时间的匹配度Ptime(i);
对所述Qtype2中的所有的可行路径按照综合时间匹配度进行排序根据排序的先后,读取当前可行路径的“关键车站”KS,从关键车站中获得乘客的上车车站Sboard={sboard(v)|v=1,...,Nv},同时获取可行路径在每个车站sboard(v)登乘的车次trnum(v);
对TrainSeg中所有满足trnum=trnum(v),sd=sboard(v)的列车片段trainseg,判断其列车容量限制条件Tc>0是否成立,若所有列车片段都满足列车容量限制条件,更新相应列车片段的载客量并获得乘车方案辨识结果否则判断当前可行路径是否为中最后一组可行路径;若为中最后一组可行路径,则随机选择一组可行路径进行乘车方案辨识,同时更新相应列车片段的载客量并获得乘车方案辨识结果否则读取下一组可行路径;
步骤7:建立进站时间分布,根据Qtype2中的乘车方案辨识结果,对每一个车站sa,建立每个时段Ti从li上车的进站时间分布
步骤8:按照时间顺序依次读取Qtype4中的每一组AFC记录Q4∈Qtype4,对每组可行路径先计算与旅行时间的匹配度Ptravel(i),然后根据Daccess和Degress计算可行路径与随机时间的匹配度Prandom(i),再计算每组可行路径的综合时间匹配度Ptime(i);
对所述Qtype4中的所有的可行路径根据综合时间匹配度进行排序根据排序的先后,进行列车容量约束判断,得到乘车方案辨识结果并更新相应列车片段的载客量;
步骤9:建立换乘时间分布,利用Qtype4中的乘车方案辨识结果,对每一个换乘车站st,建立每个时段Ti从li至lj的换乘时间分布
步骤10:按照时间顺序依次读取Qtype6中的每一组AFC记录Q6∈Qtype6,对每组可行路径先计算与旅行时间的匹配度Ptravel(i),然后根据Daccess、Degress和Dtransfer计算可行路径与随机时间的匹配度Prandom(i),再计算每组可行路径的综合时间匹配程度Ptime(i);
对所述Qtype6中的所有的可行路径根据综合时间匹配度进行排序根据排序的先后,进行列车容量约束判断,得到乘车方案辨识结果并更新相应列车片段的载客量;
步骤11:按照时间顺序依次读取Qtype7中的每一组AFC记录Q7∈Qtype7,对每组可行路径先计算与旅行时间的匹配度Ptravel(i),然后根据Daccess、Degress和Dtransfer计算可行路径与随机时间的匹配度Prandom(i),再计算计算每组可行路径的综合时间匹配程度Ptime(i);
对所述Qtype7中的所有的可行路径根据综合时间匹配度进行排序根据排序的先后,进行列车容量约束判断,得到乘车方案辨识结果并更新相应列车片段的载客量。
本发明有益效果:通过本发明所述的方法,不仅能够辨识获得每一组AFC数据对应的乘车方案,还能够得到列车在每个区间的载客量,各车站的上下车人数以及乘客的留乘次数等城市轨道交通运营评估指标,提高了城市轨道交通运营精细化管理水平和运营效率。
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为本发明实施例所述的获取城市轨道交通运营状态信息的方法处理方法示意图。
图2为本发明实施例所述的获取城市轨道交通运营状态信息的方法的基于出行类型划分AFC数据的处理流程图。
图3为本发明实施例所述的获取城市轨道交通运营状态信息的方法的随机时间分布示意图。
图4为本发明实施例所述的获取城市轨道交通运营状态信息的方法的基于列车容量约束的乘车方案辨识方法流程图。
图5为本发明实施例所述的通过获取城市轨道交通运营状态信息的方法获得的北京市5号线部分列车下行乘车方案辨识结果示意图。
图6为本发明实施例所述的通过获取城市轨道交通运营状态信息的方法获得的北京市5号线部分列车上行乘车方案辨识结果示意图。
图7为本发明实施例所述的通过获取城市轨道交通运营状态信息的方法获得的北京市5号线部分列车下行乘客留乘率分布示意图。
图8为本发明实施例所述的通过获取城市轨道交通运营状态信息的方法获得的北京市5号线部分列车上行乘客留乘率分布示意图。
图9为本发明实施例所述的不同时间段北京市5号线列车基于运营统计数据和通过该方法获得乘车方案辨识结果的断面量比较示意图。
图10为本发明实施例所述的旅行时间约束条件搜索可行初始物理路径的方法示意图。
具体实施方式
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/或模块,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、模块和/或它们的组。
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,下面将结合附图以具体实施例为例做进一步的解释说明,且实施例并不构成对本发明实施例的限定。本领域技术人员应该理解,附图只是实施例的示意图,附图中的部件或流程并不一定是实施本发明所必须的。
如图1至图9所示,本发明实施例所述的一种获取城市轨道交通运营状态信息的方法,包括以下方法步骤:
S110:根据自动售检票AFC数据记录的旅行时间约束条件搜索可行初始物理路径;
S120:构建每一条所述初始物理路径的时间拓展网络,并在所述时间拓展网络中搜索满足时间约束条件的可行路径;
S130:计算所述可行路径与综合时间的匹配度;
S140:搜索基于列车容量约束的且所述匹配度最高的乘车方案;
S150:根据所述乘车方案获取城市轨道交通运营状态信息,所述运营状态信息包括乘车方案、列车的区间载客量、车站上下车人数、乘客留乘次数。
在本发明的一个具体实施例中,如图10所示,根据自动售检票AFC数据记录的旅行时间约束条件搜索可行初始物理路径的方法包括:
对AFC数据初始化,清空候选路径集合Roptional的数据和初始物理路径集的数据;
利用Dijkstra算法生成在物理拓扑网络G(N,A)中从起点o到终点d的最短物理路径rshortest(o,d),若rshortest(o,d)的时间大于旅行时间,即则无可行的物理路径,若rshortest(o,d)的时间小于或等于旅行时间,则将rshortest(o,d)置换为当前路径rcurrent,同时将rcurrent加入初始物理路径集
按照顺序遍历rcurrent中下一个节点,并标记当前的节点为j∈rcurrent,若j为终点d,则检查候选路径集合Roptional,若则返回初始物理路径集若存在候选路径集合Roptional,则对Roptional中的路径roptional(k)∈Roptional作有效性判断,若roptional(k)的时间费用不满足式则删除该路径,若roptional(k)的换乘次数不满足式则删除该路径,若roptional(k)中具有重复出现的节点,则删除该路径;若roptional(k)中出现重复出现同一换乘站对应的节点,则删除该路径,若roptional(k)中存在换乘,同一线路的节点在换乘后再次出现,则删除该路径;若j不是终点d,则遍历j节点所有连接节点的集合jnext,标记当前节点为m∈jnext,若m在当前路径中,即m∈rcurrent,则删除弧a(j,m);
利用Dijkstra算法搜索j节点到d的最短路rshortest(j,d),若rshortest(j,d)不存在,则恢复所有的被删除的弧,遍历rcurrent中下一个节点,并标记当前的节点为j∈rcurrent;若rshortest(j,d)存在,则判断rshortest(j,d)是否已存在于候选路径集合中,即rshortest(j,d)∈Roptional是否成立,若成立,则恢复所有的被删除的弧,遍历rcurrent中下一个节点,并标记当前的节点为j∈rcurrent,若不成立,则获取rcurrent中o到j的路径rcurrent(o,j)∈rcurrent,与rshortest(j,d)联结成新的路径rconnect(o,d),将rconnect(o,d)添加到候选路径集合Roptional=Roptional∪rconnect(o,d),恢复所有的被删除的弧,更新最小换乘次数ntmin;
提取Roptional中的最短路径roptional_shortest,进行旅行时间约束判断,若最短路径的时间费用不大于旅行时间将Roptional中的最短路径加入初始物理路径集同时将roptional_shortest置为当前路径rcurrent。
在本发明的一个具体实施例中,构建每一条所述初始物理路径的时间拓展网络,并在所述时间拓展网络中搜索满足时间约束条件的可行路径的方法包括:
读取当前AFC记录的初始物理路径集合中的第i条物理路径读取时刻表T,构建时间拓展网络
判断第一个上车时间拓展节点的车站属性与进站节点的车站属性是否一致,即是否成立,若不成立则构建虚拟进站节点同时将进站弧转换成tow=t1+w(o,so),最后将置为
判断最后一个下车时间拓展节点的车站属性与出站节点的车站属性是否一致,即是否成立,若不成立则构建虚拟出站节点同时将出站弧转换成tdw=t2-w(sd,d),最后将置为
获取路径的换乘次数k(若路径中无换乘则k=0),提取路径中的关键车站KS={ksa|a=1,2,...,k+2},在同属一条线路ls(m)的关键车站之间生成线路区段
搜索从到的“最早时间拓展路径”和“最晚时间拓展路径”,若最早时间拓展路径或最晚时间拓展路径则说明物理路径中不存在可行时间拓展路径,算法结束;否则,
提取和在每个区段s(m)中的上车时间拓展节点 遍历每个区段s(m)的上车时间拓展节点对满足式(3-38)的节点,调用区段搜索算法搜索s(m)中的子路径将可行上车时间拓展节点和下车时间拓展节点分别存入可行上车节点集合和下车节点集合
用区段弧将区段s(m)中对应的上、下车时间拓展节点连接,同时与子路径形成映射;
设置当前迭代次数i=1,搜索从出发、与集合中节点相连的进站弧,若存在权值不为∞的进站弧,选择其中权值最小的得到区段s(i)中对应的上车时间拓展节点置为当前上车点nbcurrent;
搜索区段弧获得下车节点判断当前区段是否为网络中最后一个区段,即i=k+1是否成立,若成立,则通过出站弧搜索得到出站节点将各区段弧映射子路径中的节点按时间顺序记入当前时间拓展路径tpcurrent,并将tpcurrent存入可行时间拓展路径集合中同时令与nbcurrent连接进站弧的权值或换乘弧的权值若不成立,则搜索从出发、与中节点连接的换乘弧,若存在权值不为∞的进站弧,选择其中权值最小的得到下一区段s(i+1)的上车时间拓展节点将置为nbcurrent,同时令i=i+1;
判断物理路径的乘车方案是否成立,若不成立,则提取时间拓展路径中的乘客可行乘车方案提取的对象是所有的上、下车时间拓展节点,按照时间顺序分别提取上车节点的车站属性、车次属性与下车节点的车站属性,将存入有效物理路径集合得到该乘客所有的可行乘车方案集合和有效物理路径集合
在本发明的一个具体实施例中,所述可行路径与综合时间的匹配度的计算方法包括:
将所述可行路径划分为不同的出行类型,并根据所述出行类型对所有自动售检票AFC数据进行分类;
计算所述可行路径与旅行时间的匹配度,即所述可行路径的参考旅行时间与AFC记录的实际旅行时间的相差程度;
计算所述可行路径与随机时间的匹配度,即所述可行路径的随机时间与随机时间的概率质量函数的匹配程度;
根据所述可行路径分别与所述旅行时间和所述随机时间的匹配度,计算所述可行路径与综合时间的匹配度。上述的所述随机时间包括乘客进站时间、乘客换乘时间、乘客出站时间等。
在本发明的一个具体实施例中,所述对所有AFC数据进行分类的方法包括以下步骤:
将所述所有AFC数据按照有效物理路径的数量分为单物理路径组和多物理路径组,并将所述多物理路径组作为一种出行类型,所述单物理路径组包括有效物理路径只有1条的AFC数据,所述多物理路径组包括有效物理路径至少有2条的AFC数据;
将所述单物理路径组中的AFC数据根据乘客换乘次数划分为无换乘、换乘一次、至少换乘两次三个子分组;
将所述三个子分组的AFC数据和所述多物理路径组按照可行路径的数量划分为第一出行类型AFC数据、第二出行类型AFC数据、第三出行类型AFC数据、第四出行类型AFC数据、第五出行类型AFC数据、第六出行类型AFC数据、第七出行类型AFC数据。
在本发明的一个具体实施例中,所述第一出行类型AFC数据为单物理路径、无换乘、单可行路径类型,所述第一出行类型的AFC数据集合用Qtype1表示;所述第二出行类型AFC数据为单物理路径、无换乘、多可行路径类型,所述第二出行类型AFC数据集合用Qtype2表示;所述第三出行类型AFC数据为单物理路径、换乘一次、单可行路径类型,所述第三出行类型AFC数据集合用Qtype3表示;所述第四出行类型AFC数据为单物理路径、换乘一次、多可行路径类型,所述第四出行类型AFC数据集合用Qtype4表示;所述第五出行类型AFC数据为单物理路径、至少换乘两次、单可行路径类型,所述第五出行类型AFC数据集合用Qtype5表示;所述第六出行类型AFC数据为单物理路径、至少换乘两次、多可行路径类型,所述第六出行类型AFC数据集合用Qtype6表示;所述第七出行类型AFC数据为多物理路径、多可行路径类型,所述第七出行类型AFC数据集合用Qtype7表示。
在本发明的一个具体实施例中,所述可行路径与旅行时间的匹配度的计算方法包括:
所述可行路径的参考旅行时间与AFC记录的实际旅行时间的相差程度计算公式为:
其中,Tmin表示乘车方案中参考旅行时间的最小值,Ttravel-Tmin表示参考旅行时间的偏移范围,Ttravel-Treference(i)表示参考旅行时间与实际旅行时间的偏移值,显然θ(i)∈[0,1],若Tmin=Ttravel,则所有可行路径的参考旅行时间与AFC记录的实际旅行时间一致,相差程度相应为0;采用正态分布描述效益值S与参考旅行时间偏离程度θ(i)之间的关系,正态分布的概率密度函数如下
其中,μ表示正态分布的期望值,本发明取μ=0,效益值S与所述相差程度的关系只需取正态分布θ≥μ的部分,σ=0.5,基于正态函数将效益值S与相差程度的函数修正为可行路径集合BPQ中效益值S之和为每组可行路径与旅行时间匹配程度为
在本发明的一个具体实施例中,所述可行路径与随机时间的匹配度的计算方法包括:
将可行路径bpQ(i)与随机时间的匹配程度定义为在仅考虑随机时间的前提下,bpQ(i)为乘客的实际路径的条件概率
第二出行类型的可行路径与随机时间的匹配度为:
第四出行类型的可行路径与随机时间的匹配程度:
第六出行类型的可行路径与随机时间的匹配程度:
第七出行类型的可行路径与随机时间的匹配程度:
在本发明的一个具体实施例中,所述可行路径与综合时间的匹配度的计算公式为
在本发明的一个具体实施例中,所述基于列车容量约束的且所述匹配度最高的乘车方案的搜索计算方法包括:
步骤1:定义列车片段
TrainSeg={trainsegi(trnum,sd,td,sa,ta,loadmax,loadcurrent)|i=1,2,...,NT},
其中trnum∈L,sd,sa∈S,td,ta∈T。trnum表示列车的车次,L表示所有线路中所有车次的集合,sd和sa分别表示列车运行区间(sd,sa)的起点和终点,S表示车站的集合,td和ta分别表示列车在sd和sa的发车时间和到站时间,T表示列车时刻表的集合,loadmax和loadcurrent分别表示列车最大载客量和当前载客量;最大载客量loadmax=Nc×ωmax,其中,Nc表示列车定员,ωmax表示列车的最大满载率;列车容量定义为列车最大载客量与当前载客量之差,即Tc=loadmax-loadcurrent;
步骤2:读取研究时段内的所有AFC数据,搜索每一组AFC数据对应乘客的乘车方案和有效物理路径,将每一组AFC数据分别划分到各个出行类型Qtype1、Qtype2、Qtype3、Qtype4、Qtype5、Qtype6、Qtype7中;
步骤3:对所述出行类型Qtype1、Qtype2、Qtype3、Qtype4、Qtype5、Qtype6、Qtype7中的AFC数据分别按照进站时间从早到晚进行排序;
步骤4:根据Qtype1、Qtype3和Qtype5中的每一组AFC数据Q的可行路径bpQ的车次trnumQ,搜索列车片段集合TrainSeg中所有满足trnum=trnumQ的列车片段集合根据Q的有效物理路径FRQ得到乘客在物理拓扑网络中经过的区间集合SeQ={seQ(i)=seQ(si,si+1)si,si+1∈frQ(k),frQ(k)∈FRQ},搜索列车片段集合中所有满足sd=si,sa=si+1的列车片段集合TrainSegfinal得乘车方案辨识结果,表示为更新所述列车片段集合TrainSegfinal中所有列车片段trainsegfinal(u)的当前载客量,即令loadcurrent=loadcurrent+1;
步骤5:建立出站时间分布,根据Qtype1、Qtype3和Qtype5中的乘车方案辨识结果,对每一个车站se,建立每个时段Ti从li下车的出站时间分布
步骤6:按照时间顺序依次读取Qtype2中的每一组AFC数据,Q2∈Qtype2,对每组可行路径先计算与旅行时间的匹配度Ptravel(i),然后根据Degress计算与随机时间的匹配度Prandom(i),再计算每组可行路径与综合时间的匹配度Ptime(i);
对所述Qtype2中的所有的可行路径按照综合时间匹配度进行排序根据排序的先后,读取当前可行路径的“关键车站”KS,从关键车站中获得乘客的上车车站Sboard={sboard(v)v=1,...,Nv},同时获取可行路径在每个车站sboard(v)登乘的车次trnum(v);
对TrainSeg中所有满足trnum=trnum(v),sd=sboard(v)的列车片段trainseg,判断其列车容量限制条件Tc>0是否成立,若所有列车片段都满足列车容量限制条件,更新相应列车片段的载客量并获得乘车方案辨识结果否则判断当前可行路径是否为中最后一组可行路径;若为中最后一组可行路径,则随机选择一组可行路径进行乘车方案辨识,同时更新相应列车片段的载客量并获得乘车方案辨识结果否则读取下一组可行路径;
步骤7:建立进站时间分布,根据Qtype2中的乘车方案辨识结果,对每一个车站sa,建立每个时段Ti从li上车的进站时间分布
步骤8:按照时间顺序依次读取Qtype4中的每一组AFC记录Q4∈Qtype4,对每组可行路径先计算与旅行时间的匹配度Ptravel(i),然后根据Daccess和Degress计算可行路径与随机时间的匹配度Prandom(i),再计算每组可行路径的综合时间匹配度Ptime(i);
对所述Qtype4中的所有的可行路径根据综合时间匹配度进行排序根据排序的先后,进行列车容量约束判断,得到乘车方案辨识结果并更新相应列车片段的载客量;
步骤9:建立换乘时间分布,利用Qtype4中的乘车方案辨识结果,对每一个换乘车站st,建立每个时段Ti从li至lj的换乘时间分布
步骤10:按照时间顺序依次读取Qtype6中的每一组AFC记录Q6∈Qtype6,对每组可行路径先计算与旅行时间的匹配度Ptravel(i),然后根据Daccess、Degress和Dtransfer计算可行路径与随机时间的匹配度Prandom(i),再计算每组可行路径的综合时间匹配程度Ptime(i);
对所述Qtype6中的所有的可行路径根据综合时间匹配度进行排序根据排序的先后,进行列车容量约束判断,得到乘车方案辨识结果并更新相应列车片段的载客量;
步骤11:按照时间顺序依次读取Qtype7中的每一组AFC记录Q7∈Qtype7,对每组可行路径先计算与旅行时间的匹配度Ptravel(i),然后根据Daccess、Degress和Dtransfer计算可行路径与随机时间的匹配度Prandom(i),再计算计算每组可行路径的综合时间匹配程度Ptime(i);
对所述Qtype7中的所有的可行路径根据综合时间匹配度进行排序根据排序的先后,进行列车容量约束判断,得到乘车方案辨识结果并更新相应列车片段的载客量。
本发明提出的城市轨道交通网络乘客乘车方案辨识方法,能够得到相应车次在各区间的满载率,在各个车站的上下车人数以及车站的留乘人数分布等能够描述城市轨道交通运营状态的评估指标。基于该工作日早高峰部分AFC记录对应乘客乘车方案的辨识结果,以早高峰期间(早7:00至9:00)的北京地铁5号线为实例,将该方法应用于线路运营状态评估,采用的运营状态评估指标主要为列车在各个区间的满载率和车站的留乘率。
根据乘客乘车方案的辨识结果,得到的5号线部分列车在各区间的满载率和各个车站的上下车人数。如图5所示,通过对所有列车的分析,下行方向上车人数较多的车站包括天通苑北、天通苑、立水桥,满载率较大的区间包括“立水桥南-北苑路北”、“北苑北路-大屯东路”、“大屯路东-惠新西街南口”和“惠新西街南口-惠新西街北口”;下行方向,列车满载率的较高的区间分布于“天通苑南-雍和宫”区段,其中满载率最高的区间是“惠新西街北口-惠新西街南口”区间,最大列车满载率达1.21,7:30至8:10从天通苑北发车列车的满载率要高于其他时段。如图6所示,上行方向上车人数较多的车站是宋家庄,满载率较大的区间包括“刘家窑-蒲黄榆”、“蒲黄榆-天坛东门”、“天坛东门-磁器口”、“磁器口-崇文门”和“崇文门-东单”;对于上行方向,列车满载率的较高的区间分布于“宋家庄-灯市口”区段,其中满载率最高的区间是“磁器口-崇文门”区间,最大列车满载率达1.28,7:50至8:15从宋家庄发车列车的满载率要高于其他时段。可见,进站量(天通苑北、天通苑)和换乘量(立水桥、宋家庄)较大的车站上车人数一般较多。
如图7-8所示,以半小时为粒度的5号线所有车站上下行方向的平均留乘率,可见留乘率较高的车站主要是上车人数较多的车站和列车满载率高的区间两端的车站。从运营状态的角度出发,每个时段的车站留乘人数比个体留乘次数更能反映运营状态。留乘率既能够反映运输能力与客流需求的供给关系,也能反映站台聚集人数,进而反映运营安全状态,为车站早高峰客流控制措施的实施提供参考。
通过从列车满载率和车站留乘率两方面对运营状态的评估,早高峰期间,北京地铁5号线上下行方向的运营压力均较大。对于上行方向,宋家庄站换乘量过大,该站发车的上行列车满载率较高,该方向上从宋家庄到东单的列车满载率较高,造成从宋家庄到崇文门这几个车站的留乘率比较高,运营风险较大;对于下行方向,天通苑北站和天通苑站进站量以及立水桥的换乘量较大,该方向上从天通苑到雍和宫的列车满载率较高,造成从天通苑到惠新西街北口这几个车站的留乘率比较高,运营风险较大。从列车满载率和留乘率来看,尽管5号线的运营压力较大,但是整体运营状态良好,早高峰大客流对城市轨道交通运营的冲击得到良好的限制。
通过集计每个区间在相应时段内所有列车的载客量,得到该时段内区间的断面通过量。基于运营统计数据和乘车方案辨识结果的5号线断面量(15分钟粒度)比较如图9所示,二者的变化趋势基本一致,但在部分断面量高的区间,二者的差异较大。造成差异的原因较多,如将列车满载率上限设定为130%,可能与实际情况有所出入,也有可能是走行时间分布与实际的差异,导致乘客乘车方案辨识结果与实际存在较大差异,进而导致列车满载率的较大差异。
综上所述,本发明实施例不仅能够辨识获得每一组AFC数据对应的乘车方案,还能够得到列车在每个区间的载客量,各车站的上下车人数以及乘客的留乘次数等城市轨道交通运营评估指标,提高了城市轨道交通运营精细化管理水平和运营效率。
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。
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 (10)
1.一种获取城市轨道交通运营状态信息的方法,其特征在于,包括以下步骤:
S110:根据自动售检票AFC数据记录的旅行时间约束条件搜索可行初始物理路径;
S120:构建每一条所述初始物理路径的时间拓展网络,并在所述时间拓展网络中搜索满足时间约束条件的可行路径;
S130:计算所述可行路径与综合时间的匹配度;
S140:搜索基于列车容量约束的且所述匹配度最高的乘车方案;
S150:根据所述乘车方案获取城市轨道交通运营状态信息,所述运营状态信息包括乘车方案、列车的区间载客量、车站上下车人数、乘客留乘次数。
2.根据权利要求1所述的获取城市轨道交通运营状态信息的方法,其特征在于,根据自动售检票AFC数据记录的旅行时间约束条件搜索可行初始物理路径的方法包括:
对AFC数据初始化,清空候选路径集合Roptional的数据和初始物理路径集的数据;
利用Dijkstra算法生成在物理拓扑网络G(N,A)中从起点o到终点d的最短物理路径rshortest(o,d),若rshortest(o,d)的时间大于旅行时间,即则无可行的物理路径,若rshortest(o,d)的时间小于或等于旅行时间,则将rshortest(o,d)置换为当前路径rcurrent,同时将rcurrent加入初始物理路径集
按照顺序遍历rcurrent中下一个节点,并标记当前的节点为j∈rcurrent,若j为终点d,则检查候选路径集合Roptional,若则返回初始物理路径集若存在候选路径集合Roptional,则对Roptional中的路径roptional(k)∈Roptional作有效性判断,若roptional(k)的时间费用不满足式Ttravel=t2-t1,则删除该路径,若roptional(k)的换乘次数不满足式则删除该路径,若roptional(k)中具有重复出现的节点,则删除该路径;若roptional(k)中出现重复出现同一换乘站对应的节点,则删除该路径,若roptional(k)中存在换乘,同一线路的节点在换乘后再次出现,则删除该路径;若j不是终点d,则遍历j节点所有连接节点的集合jnext,标记当前节点为m∈jnext,若m在当前路径中,即m∈rcurrent,则删除弧a(j,m);
利用Dijkstra算法搜索j节点到d的最短路rshortest(j,d),若rshortest(j,d)不存在,则恢复所有的被删除的弧,遍历rcurrent中下一个节点,并标记当前的节点为j∈rcurrent;若rshortest(j,d)存在,则判断rshortest(j,d)是否已存在于候选路径集合中,即rshortest(j,d)∈Roptional是否成立,若成立,则恢复所有的被删除的弧,遍历rcurrent中下一个节点,并标记当前的节点为j∈rcurrent,若不成立,则获取rcurrent中o到j的路径rcurrent(o,j)∈rcurrent,与rshortest(j,d)联结成新的路径rconnect(o,d),将rconnect(o,d)添加到候选路径集合Roptional=Roptional∪rconnect(o,d),恢复所有的被删除的弧,更新最小换乘次数ntmin;
提取Roptional中的最短路径roptional_shortest,进行旅行时间约束判断,若最短路径的时间费用不大于旅行时间Troptional_shortest≤Ttravel,将Roptional中的最短路径加入初始物理路径集同时将roptional_shortest置为当前路径rcurrent。
3.根据权利要求2所述的获取城市轨道交通运营状态信息的方法,其特征在于,构建每一条所述初始物理路径的时间拓展网络,并在所述时间拓展网络中搜索满足时间约束条件的可行路径的方法包括:
读取当前AFC记录的初始物理路径集合中的第i条物理路径读取时刻表T,构建时间拓展网络
判断第一个上车时间拓展节点的车站属性与进站节点的车站属性是否一致,即是否成立,若不成立则构建虚拟进站节点同时将进站弧转换成tow=t1+w(o,so),最后将置为
判断最后一个下车时间拓展节点的车站属性与出站节点的车站属性是否一致,即是否成立,若不成立则构建虚拟出站节点同时将出站弧转换成tdw=t2-w(sd,d),最后将置为
获取路径的换乘次数k(若路径中无换乘则k=0),提取路径中的关键车站KS={ksa|a=1,2,...,k+2},在同属一条线路ls(m)的关键车站之间生成线路区段
搜索从到的“最早时间拓展路径”和“最晚时间拓展路径”,若最早时间拓展路径或最晚时间拓展路径则说明物理路径中不存在可行时间拓展路径,算法结束;否则,
提取和在每个区段s(m)中的上车时间拓展节点遍历每个区段s(m)的上车时间拓展节点对满足式(3-38)的节点,调用区段搜索算法搜索s(m)中的子路径将可行上车时间拓展节点和下车时间拓展节点分别存入可行上车节点集合和下车节点集合
用区段弧将区段s(m)中对应的上、下车时间拓展节点连接,同时与子路径形成映射;
设置当前迭代次数i=1,搜索从出发、与集合中节点相连的进站弧,若存在权值不为∞的进站弧,选择其中权值最小的得到区段s(i)中对应的上车时间拓展节点置为当前上车点nbcurrent;
搜索区段弧获得下车节点判断当前区段是否为网络中最后一个区段,即i=k+1是否成立,若成立,则通过出站弧搜索得到出站节点将各区段弧映射子路径中的节点按时间顺序记入当前时间拓展路径tpcurrent,并将tpcurrent存入可行时间拓展路径集合中同时令与nbcurrent连接进站弧的权值或换乘弧的权值若不成立,则搜索从出发、与中节点连接的换乘弧,若存在权值不为∞的进站弧,选择其中权值最小的得到下一区段s(i+1)的上车时间拓展节点将置为nbcurrent,同时令i=i+1;
判断物理路径的乘车方案是否成立,若不成立,则提取时间拓展路径中的乘客可行乘车方案提取的对象是所有的上、下车时间拓展节点,按照时间顺序分别提取上车节点的车站属性、车次属性与下车节点的车站属性,将存入有效物理路径集合得到该乘客所有的可行乘车方案集合和有效物理路径集合
4.根据权利要求3所述的获取城市轨道交通运营状态信息的方法,其特征在于,所述可行路径与综合时间的匹配度的计算方法包括:
将所述可行路径划分为不同的出行类型,并根据所述出行类型对所有自动售检票AFC数据进行分类;
计算所述可行路径与旅行时间的匹配度,即所述可行路径的参考旅行时间与AFC记录的实际旅行时间的相差程度;
计算所述可行路径与随机时间的匹配度,即所述可行路径的随机时间与随机时间的概率质量函数的匹配程度;
根据所述可行路径分别与所述旅行时间和所述随机时间的匹配度,计算所述可行路径与综合时间的匹配度。
5.根据权利要求4所述的获取城市轨道交通运营状态信息的方法,其特征在于,所述对所有AFC数据进行分类的方法包括:
将所述所有AFC数据按照有效物理路径的数量分为单物理路径组和多物理路径组,并将所述多物理路径组作为一种出行类型,所述单物理路径组包括有效物理路径只有1条的AFC数据,所述多物理路径组包括有效物理路径至少有2条的AFC数据;
将所述单物理路径组中的AFC数据根据乘客换乘次数划分为无换乘、换乘一次、至少换乘两次三个子分组;
将所述三个子分组的AFC数据和所述多物理路径组按照可行路径的数量划分为第一出行类型AFC数据、第二出行类型AFC数据、第三出行类型AFC数据、第四出行类型AFC数据、第五出行类型AFC数据、第六出行类型AFC数据、第七出行类型AFC数据。
6.根据权利要求5所述的获取城市轨道交通运营状态信息的方法,其特征在于,所述第一出行类型AFC数据为单物理路径、无换乘、单可行路径类型,所述第一出行类型的AFC数据集合用Qtype1表示;
所述第二出行类型AFC数据为单物理路径、无换乘、多可行路径类型,所述第二出行类型AFC数据集合用Qtype2表示;
所述第三出行类型AFC数据为单物理路径、换乘一次、单可行路径类型,所述第三出行类型AFC数据集合用Qtype3表示;
所述第四出行类型AFC数据为单物理路径、换乘一次、多可行路径类型,所述第四出行类型AFC数据集合用Qtype4表示;
所述第五出行类型AFC数据为单物理路径、至少换乘两次、单可行路径类型,所述第五出行类型AFC数据集合用Qtype5表示;
所述第六出行类型AFC数据为单物理路径、至少换乘两次、多可行路径类型,所述第六出行类型AFC数据集合用Qtype6表示;
所述第七出行类型AFC数据为多物理路径、多可行路径类型,所述第七出行类型AFC数据集合用Qtype7表示。
7.根据权利要求6所述的获取城市轨道交通运营状态信息的方法,其特征在于,所述可行路径与旅行时间的匹配度的计算方法包括:
所述可行路径的参考旅行时间与AFC记录的实际旅行时间的相差程度计算公式为:
其中,Tmin表示乘车方案中参考旅行时间的最小值,Ttravel-Tmin表示参考旅行时间的偏移范围,Ttravel-Treference(i)表示参考旅行时间与实际旅行时间的偏移值,显然θ(i)∈[0,1],若Tmin=Ttravel,则所有可行路径的参考旅行时间与AFC记录的实际旅行时间一致,相差程度相应为0;
采用正态分布描述效益值S与参考旅行时间偏离程度θ(i)之间的关系,正态分布的概率密度函数如下
其中,μ表示正态分布的期望值,本发明取μ=0,效益值S与所述相差程度的关系只需取正态分布θ≥μ的部分,σ=0.5,基于正态函数将效益值S与相差程度的函数修正为
可行路径集合BPQ中效益值S之和为
每组可行路径与旅行时间匹配程度为
8.根据权利要求7所述的获取城市轨道交通运营状态信息的方法,其特征在于,所述可行路径与随机时间的匹配度的计算方法包括:
将可行路径bpQ(i)与随机时间的匹配程度定义为在仅考虑随机时间的前提下,bpQ(i)为乘客的实际路径的条件概率
第二出行类型的可行路径与随机时间的匹配度为:
第四出行类型的可行路径与随机时间的匹配程度:
第六出行类型的可行路径与随机时间的匹配程度:
第七出行类型的可行路径与随机时间的匹配程度:
9.根据权利要求8所述的获取城市轨道交通运营状态信息的方法,其特征在于,所述可行路径与综合时间的匹配度的计算公式为
10.根据权利要求9所述的获取城市轨道交通运营状态信息的方法,其特征在于,所述基于列车容量约束的且所述匹配度最高的乘车方案的搜索计算方法包括:
步骤1:定义列车片段
TrainSeg={trainsegi(trnum,sd,td,sa,ta,loadmax,loadcurrent)|i=1,2,...,NT},
其中trnum∈L,sd,sa∈S,td,ta∈T。trnum表示列车的车次,L表示所有线路中所有车次的集合,sd和sa分别表示列车运行区间(sd,sa)的起点和终点,S表示车站的集合,td和ta分别表示列车在sd和sa的发车时间和到站时间,T表示列车时刻表的集合,loadmax和loadcurrent分别表示列车最大载客量和当前载客量;最大载客量loadmax=Nc×ωmax,其中,Nc表示列车定员,ωmax表示列车的最大满载率;列车容量定义为列车最大载客量与当前载客量之差,即Tc=loadmax-loadcurrent;
步骤2:读取研究时段内的所有AFC数据,搜索每一组AFC数据对应乘客的乘车方案和有效物理路径,将每一组AFC数据分别划分到各个出行类型Qtype1、Qtype2、Qtype3、Qtype4、Qtype5、Qtype6、Qtype7中;
步骤3:对所述出行类型Qtype1、Qtype2、Qtype3、Qtype4、Qtype5、Qtype6、Qtype7中的AFC数据分别按照进站时间从早到晚进行排序;
步骤4:根据Qtype1、Qtype3和Qtype5中的每一组AFC数据Q的可行路径bpQ的车次trnumQ,搜索列车片段集合TrainSeg中所有满足trnum=trnumQ的列车片段集合根据Q的有效物理路径FRQ得到乘客在物理拓扑网络中经过的区间集合SeQ={seQ(i)=seQ(si,si+1)|si,si+1∈frQ(k),frQ(k)∈FRQ},搜索列车片段集合中所有满足sd=si,sa=si+1的列车片段集合TrainSegfinal得乘车方案辨识结果,表示为更新所述列车片段集合TrainSegfinal中所有列车片段trainsegfinal(u)的当前载客量,即令loadcurrent=loadcurrent+1;
步骤5:建立出站时间分布,根据Qtype1、Qtype3和Qtype5中的乘车方案辨识结果,对每一个车站se,建立每个时段Ti从li下车的出站时间分布
步骤6:按照时间顺序依次读取Qtype2中的每一组AFC数据,Q2∈Qtype2,对每组可行路径先计算与旅行时间的匹配度Ptravel(i),然后根据Degress计算与随机时间的匹配度Prandom(i),再计算每组可行路径与综合时间的匹配度Ptime(i);
对所述Qtype2中的所有的可行路径按照综合时间匹配度进行排序根据排序的先后,读取当前可行路径的“关键车站”KS,从关键车站中获得乘客的上车车站Sboard={sboard(v)|v=1,...,Nv},同时获取可行路径在每个车站sboard(v)登乘的车次trnum(v);
对TrainSeg中所有满足trnum=trnum(v),sd=sboard(v)的列车片段trainseg,判断其列车容量限制条件Tc>0是否成立,若所有列车片段都满足列车容量限制条件,更新相应列车片段的载客量并获得乘车方案辨识结果否则判断当前可行路径是否为中最后一组可行路径;若为中最后一组可行路径,则随机选择一组可行路径进行乘车方案辨识,同时更新相应列车片段的载客量并获得乘车方案辨识结果否则读取下一组可行路径;
步骤7:建立进站时间分布,根据Qtype2中的乘车方案辨识结果,对每一个车站sa,建立每个时段Ti从li上车的进站时间分布
步骤8:按照时间顺序依次读取Qtype4中的每一组AFC记录Q4∈Qtype4,对每组可行路径先计算与旅行时间的匹配度Ptravel(i),然后根据Daccess和Degress计算可行路径与随机时间的匹配度Prandom(i),再计算每组可行路径的综合时间匹配度Ptime(i);
对所述Qtype4中的所有的可行路径根据综合时间匹配度进行排序根据排序的先后,进行列车容量约束判断,得到乘车方案辨识结果并更新相应列车片段的载客量;
步骤9:建立换乘时间分布,利用Qtype4中的乘车方案辨识结果,对每一个换乘车站st,建立每个时段Ti从li至lj的换乘时间分布
步骤10:按照时间顺序依次读取Qtype6中的每一组AFC记录Q6∈Qtype6,对每组可行路径先计算与旅行时间的匹配度Ptravel(i),然后根据Daccess、Degress和Dtransfer计算可行路径与随机时间的匹配度Prandom(i),再计算每组可行路径的综合时间匹配程度Ptime(i);
对所述Qtype6中的所有的可行路径根据综合时间匹配度进行排序根据排序的先后,进行列车容量约束判断,得到乘车方案辨识结果并更新相应列车片段的载客量;
步骤11:按照时间顺序依次读取Qtype7中的每一组AFC记录Q7∈Qtype7,对每组可行路径先计算与旅行时间的匹配度Ptravel(i),然后根据Daccess、Degress和Dtransfer计算可行路径与随机时间的匹配度Prandom(i),再计算计算每组可行路径的综合时间匹配程度Ptime(i);
对所述Qtype7中的所有的可行路径根据综合时间匹配度进行排序根据排序的先后,进行列车容量约束判断,得到乘车方案辨识结果并更新相应列车片段的载客量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710599162.5A CN110019569B (zh) | 2017-07-21 | 2017-07-21 | 一种获取城市轨道交通运营状态信息的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710599162.5A CN110019569B (zh) | 2017-07-21 | 2017-07-21 | 一种获取城市轨道交通运营状态信息的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110019569A true CN110019569A (zh) | 2019-07-16 |
CN110019569B CN110019569B (zh) | 2021-06-04 |
Family
ID=67185882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710599162.5A Active CN110019569B (zh) | 2017-07-21 | 2017-07-21 | 一种获取城市轨道交通运营状态信息的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110019569B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782070A (zh) * | 2019-09-25 | 2020-02-11 | 北京市交通信息中心 | 一种城市轨道交通突发事件客流时空分布预测方法 |
CN111191816A (zh) * | 2019-12-05 | 2020-05-22 | 东南大学 | 城市轨道交通乘客出行时间链辨识系统 |
CN112712247A (zh) * | 2020-12-28 | 2021-04-27 | 交控科技股份有限公司 | 一种面向跨线运营的开行方案制定方法及系统 |
CN114723163A (zh) * | 2022-04-26 | 2022-07-08 | 深圳市城市交通规划设计研究中心股份有限公司 | 分时段客流时空分配方法、系统、电子设备及存储介质 |
CN116564551A (zh) * | 2023-05-17 | 2023-08-08 | 北京交通大学 | 一种数据-知识驱动的城市轨道交通风险辨识方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8036824B2 (en) * | 2007-05-11 | 2011-10-11 | Palo Alto Research Center Incorporated | System and method for setting a rideshare transaction fee |
CN102306243A (zh) * | 2011-07-27 | 2012-01-04 | 高新现代智能系统股份有限公司 | 在轨道交通中的换乘客流清分方法 |
CN104331964A (zh) * | 2014-10-29 | 2015-02-04 | 深圳先进技术研究院 | 基于智能卡数据计算地铁进站时间和换乘时间的方法及系统 |
CN104463364A (zh) * | 2014-12-04 | 2015-03-25 | 中国科学院深圳先进技术研究院 | 一种地铁乘客实时分布和地铁实时密度预测方法及系统 |
CN106696969A (zh) * | 2016-11-21 | 2017-05-24 | 河南辉煌城轨科技有限公司 | 一种城市轨道交通分组运营方法 |
-
2017
- 2017-07-21 CN CN201710599162.5A patent/CN110019569B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8036824B2 (en) * | 2007-05-11 | 2011-10-11 | Palo Alto Research Center Incorporated | System and method for setting a rideshare transaction fee |
CN102306243A (zh) * | 2011-07-27 | 2012-01-04 | 高新现代智能系统股份有限公司 | 在轨道交通中的换乘客流清分方法 |
CN104331964A (zh) * | 2014-10-29 | 2015-02-04 | 深圳先进技术研究院 | 基于智能卡数据计算地铁进站时间和换乘时间的方法及系统 |
CN104463364A (zh) * | 2014-12-04 | 2015-03-25 | 中国科学院深圳先进技术研究院 | 一种地铁乘客实时分布和地铁实时密度预测方法及系统 |
CN106696969A (zh) * | 2016-11-21 | 2017-05-24 | 河南辉煌城轨科技有限公司 | 一种城市轨道交通分组运营方法 |
Non-Patent Citations (1)
Title |
---|
吴丽娟: "基于AFC数据的城市轨道交通网络乘客出行路径匹配及突发事件影响研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782070A (zh) * | 2019-09-25 | 2020-02-11 | 北京市交通信息中心 | 一种城市轨道交通突发事件客流时空分布预测方法 |
CN110782070B (zh) * | 2019-09-25 | 2022-04-22 | 北京市交通信息中心 | 一种城市轨道交通突发事件客流时空分布预测方法 |
CN111191816A (zh) * | 2019-12-05 | 2020-05-22 | 东南大学 | 城市轨道交通乘客出行时间链辨识系统 |
CN111191816B (zh) * | 2019-12-05 | 2022-03-04 | 东南大学 | 城市轨道交通乘客出行时间链辨识系统 |
CN112712247A (zh) * | 2020-12-28 | 2021-04-27 | 交控科技股份有限公司 | 一种面向跨线运营的开行方案制定方法及系统 |
CN112712247B (zh) * | 2020-12-28 | 2024-03-29 | 交控科技股份有限公司 | 一种面向跨线运营的开行方案制定方法及系统 |
CN114723163A (zh) * | 2022-04-26 | 2022-07-08 | 深圳市城市交通规划设计研究中心股份有限公司 | 分时段客流时空分配方法、系统、电子设备及存储介质 |
CN116564551A (zh) * | 2023-05-17 | 2023-08-08 | 北京交通大学 | 一种数据-知识驱动的城市轨道交通风险辨识方法 |
CN116564551B (zh) * | 2023-05-17 | 2024-01-26 | 北京交通大学 | 一种数据-知识驱动的城市轨道交通风险辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110019569B (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110019569A (zh) | 一种获取城市轨道交通运营状态信息的方法 | |
CN104318758B (zh) | 基于多层次多模式的公交线网规划方法 | |
CN105205557B (zh) | 一种城市常规公交线网设计方法 | |
Tan et al. | New path size formulation in path size logit for route choice modeling in public transport networks | |
CN103208034B (zh) | 一种轨道交通客流分布预测模型建立及预测方法 | |
CN106056242A (zh) | 基于客流动态分配的高铁列车开行方案评价方法 | |
CN112990648A (zh) | 一种轨道交通网络运营稳定性评估方法 | |
Karoń | Travel demand and transportation supply modelling for agglomeration without transportation model | |
CN107067103A (zh) | 一种基于自动售检票系统的乘客路径选择分析方法 | |
CN114842641A (zh) | 面向省域的多模式链式交通分配方法 | |
Zhang et al. | Timetable synchronization of the last several trains at night in an urban rail transit network | |
CN111723991B (zh) | 大型活动散场客流对地铁车站冲击影响的预测评估方法 | |
CN111896013B (zh) | 一种大规模路网中的货车远距离路径的预处理规划方法 | |
CN105427394B (zh) | 基于试错法和机动车流量的拥堵收费最优费率确定方法 | |
CN116451867A (zh) | 一种基于时空出行路径标定的地铁短时客流预测方法 | |
Zhu et al. | Large-scale travel time prediction for urban arterial roads based on Kalman filter | |
CN111931968B (zh) | 一种应用手机gps数据来优化公共自行车站点布局的方法 | |
CN111581759B (zh) | 一种基于里奇曲率用于公交线网优化的评估方法 | |
Carteni | A new look in designing sustainable city logistics road pricing schemes | |
Wu et al. | Extracting metro passengers' route choice via AFC data utilizing Gaussian mixture clustering | |
Hoogendoorn-Lanser et al. | Application of constrained enumeration approach to multimodal choice set generation | |
CN110189029A (zh) | 一种基于大规模手机位置数据的自行车骑车与停车需求评估方法 | |
Shen et al. | Optimizing block configuration and operation protocol for extra-long metro trains | |
RAMÍREZ et al. | Simulation model to find the slack time for schedule of the transit operations in off-peak time on the main terminal of massive transport system | |
Sun et al. | A Novel Model for Accessibility of Bus Station and Its Application to Bottlenecks Identification: A Case Study in Harbin |
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 |