CN110149593B - 基于移动台信令的路网客流状态辨识方法 - Google Patents

基于移动台信令的路网客流状态辨识方法 Download PDF

Info

Publication number
CN110149593B
CN110149593B CN201910284240.1A CN201910284240A CN110149593B CN 110149593 B CN110149593 B CN 110149593B CN 201910284240 A CN201910284240 A CN 201910284240A CN 110149593 B CN110149593 B CN 110149593B
Authority
CN
China
Prior art keywords
station
mobile station
signaling data
user
rail transit
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
CN201910284240.1A
Other languages
English (en)
Other versions
CN110149593A (zh
Inventor
周玮腾
韩宝明
韩震宇
肖文锦
李得伟
曹金铭
鲁放
李若怡
杨瑞霞
王斌杰
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.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong 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 Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN201910284240.1A priority Critical patent/CN110149593B/zh
Publication of CN110149593A publication Critical patent/CN110149593A/zh
Application granted granted Critical
Publication of CN110149593B publication Critical patent/CN110149593B/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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/42—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for mass transport vehicles, e.g. buses, trains or aircraft

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明提供了一种基于移动台信令的路网客流状态辨识方法。该方法包括：采集轨道交通系统范围内的移动台用户的信令数据，信令数据包括：移动台识别码MSID、时间戳Times、位置区编号LAC和基站编号；根据移动台用户的多条连续的信令数据的基站对应的车站以及车站对应的LAC，辨识出作为轨道交通乘客的移动台用户的出行路径；基于各个移动台用户的出行路径和信令数据，按照设定的路网客流指标的统计规则计算出路网客流指标的统计值。本发明利用信息化技术获得的移动台信令数据对轨道交通网络中的网络层、线路层和车站层的运营状态进行描述，能够迅速、有效地改善轨道交通的运营组织，并从统计数据中挖掘客流规律，为研究路网客流规律等研究提供技术支持。

Description

基于移动台信令的路网客流状态辨识方法
技术领域
本发明涉及城市轨道交通技术领域，尤其涉及一种基于移动台信令的路网客流状态辨识方法。
背景技术
随着经济社会的快速发展，国内许多城市已建成或正在建设轨道交通，部分规模较大的城市已经实现网络化运营。客流规模的不断扩大，不仅对城市轨道交通网络的整体运能提出更高要求，还给承担客流集散的车站带来巨大挑战。城市轨道交通车站作为路网中的节点，大客流拥堵现象时常发生，有限的空间资源与客流需求之间的供需矛盾更加突出。如何在封闭、有限的轨道交通站空间内实现客流状态的准确辨识、信息采集以及安全状态的合理评价，是目前亟待解决的问题，对于完善轨道交通客流组织管理、保障运营安全具有重要意义。
目前，在实际运营管理中，对于路网客流状态的辨识缺乏可行的信息收集方法和可实施性的措施，主要依靠管理者经验。关于路网客流状态辨识的理论研究主要有：在状态辨识的信息输入方面，张霖等提出运用图像处理技术对大客流进行辨识，进而通过统计与研究，验证了其合理性与准确性；晋军等根据实地客流调查，对路网运营条件下客流特征及模态进行了深入分析，提出了路网运营条件下的客流流动模型和客流模态指标体系，构建了基于元胞自动机的客流模态动态演变模型，并进行了仿真验证研究；郭磊等基于对AFC(Automatic Fare Collection System，城市轨道交通自动售检票系统)系统的原始交易记录的处理，提取出明确表示客流信息的OD(交通起止点)数据，利用GIS的可视化手段，将OD数据以符号的形式表现在地理图形之上，以此直观地揭示客流量分布和流动规律信息。以上方法对城市轨道交通乘客出行信息的收集中都存在其各自固有的缺点，需要发掘一条信息收集的途径。在网路状态中大客流的辨识中，李凌燕等采取定性和定量的方法，分析了大客流在宏观路网内的传播和衰减过程，大客流消散过程与客流的时空不均衡性有关，属于凸型衰减或是突峰衰减过程，构建了带有直接免疫的SIRS大客流路网传播模型；曹志超等将复杂网络理论和客流分配方法相结合研究突发大客流演化机理，统计了突发大客流分布数据，定性讨论了突发大客流传播的变化规律，提出了无约束的突发大客流演化模型，并讨论了大客流传播速率和消散速率相对变化的关系，以上理论主要针对大客流的传播与演变，缺少对路网客流辨识指标的定义。
发明内容
本发明的实施例提供了一种基于移动台信令的路网客流状态辨识方法，以克服现有技术的问题。
为了实现上述目的，本发明采取了如下技术方案。
一种基于移动台信令的路网客流状态辨识方法，包括：
采集轨道交通系统范围内的移动台用户的信令数据，所述信令数据包括：移动台识别码MSID、时间戳Times、位置区编号LAC和基站编号；
根据移动台用户的多条连续的信令数据的基站对应的车站以及车站对应的LAC，辨识出作为轨道交通乘客的移动台用户的出行路径；
基于各个移动台用户的出行路径和信令数据，按照设定的路网客流指标的统计规则计算出路网客流指标的统计值。
进一步地，所述的采集轨道交通系统范围内的移动台用户的信令数据之前，还包括：
将轨道交通网络中每条线路赋予不同的LAC，将多个基站沿着轨道交通线路线性分布，同一线路上的不同车站对应不同的基站，构建轨道交通网络的相关信息数据库，该相关信息数据库中存储轨道交通网络的车站内部和进出站位置对应的LAC和基站信息；
基于所述轨道交通网络的相关信息数据库结合轨道交通网络所在区域的地理信息系统，构建轨道交通网络地理信息数据库。
进一步地，所述的采集轨道交通系统范围内的移动台用户的信令数据，所述信令数据包括：移动台识别码MSID、时间戳Times、位置区编号LAC和基站编号，还包括：
基于移动运营商的基站的域数据管理系统，对轨道交通系统范围内出行的总体人群进行追踪，采集轨道交通系统范围内的移动台用户的信令数据，所述移动台用户的信令数据包括：移动台识别码MSID、时间戳Times、位置区编号LAC、基站编号CellID和事件类型编号EventID；
筛选出有轨道交通出行行为的移动台用户的信令数据，对筛选出的信令数据进行数据完整性和一致性的检查，消除数据噪音。
进一步地，所述的根据移动台用户的多条连续的信令数据的基站对应的车站以及车站对应的LAC，辨识出作为轨道交通乘客的移动台用户的出行路径，包括：
将作为轨道交通乘客的移动台用户一天的信令数据按照时间从前到后的顺序进行排序；
设计如下的轨道交通出行车站匹配算法：
当所述移动台用户的第i条信令数据的基站对应S站的进出站位置的基站信息，而第i+1条信令数据的基站对应S站的站内基站信息，则判断S站为所述移动台用户的进车站，并记录所述进车站的LAC；
当所述移动台用户的第i条信令数据的基站对应S站的站内基站信息，而第i+1条信令数据的基站对应M站的站内基站信息，且S站的LAC等于M站的LAC，则判断乘客由S站乘车至M站，S站为所述移动台用户的出行路径中的中间站；
当所述移动台用户的第i条的信令数据的基站对应S站的站内基站信息，而第i+1条信令数据的基站也对应S站的站内基站信息，且第i+1条信令数据的LAC和第i条的信令数据的LAC不同，则判断所述移动台用户在S站发生换乘行为；
当所述移动台用户的第i条信令数据的基站对应S站的站内基站信息，而第i+1条信令数据的基站对应S站的进出站位置的基站信息，则判断S站为所述移动台用户的出车站；
利用上述轨道交通出行车站匹配算法对所述移动台用户一天中的信令数据进行迭代分析，辨识出所述移动台用户一天中的出行路径，并且对所述移动台用户一天中的出行路径进行有效路径识别和时间有效性检验，剔除无效出行路径。
进一步地，所述的对所述移动台用户一天中的出行路径进行有效路径识别和时间有效性检验，剔除无效出行路径，包括：
设计如下的无效出行路径辨识规则：
(1)当前后两端车站所对应站内基站信息相同时，且其间不包括其他信令数据,则判断该次出行没有产生轨道交通位移；
(2)当前后两端不为进站行为、出站行为时；
(3)当存在某条信令数据异常时；
当所述移动台用户的出行路径满足以无效出行路径辨识规则中的任意一条，则判断该出行路径为无效出行路径；
当所述移动台用户一天中的一条出行路径的出行过程耗费的时间超过了设定的时间阈值，则判断该条出行路径为无效出行路径。
进一步地，所述的基于各个移动台用户的出行路径和信令数据，按照设定的路网客流指标的统计规则计算出路网客流指标的统计值，包括：
当判断指定轨道交通车站为移动台用户的进车站后，则所述移动台用户在对应信令数据的时间戳Times的时间点进入了所述指定轨道交通车站，以固定一段时间为统计区间，对进入了所述指定轨道交通车站并且时间戳Times信息在所述统计区间内的移动台用户进行迭代累加，获得所述指定轨道交通车站固定一段时间的进站客流量；
当判断指定轨道交通车站为移动台用户的出车站后，则所述移动台用户在对应信令数据的时间戳Times的时间点离开了所述指定轨道交通车站，以固定一定时间为统计区间，对离开了指定轨道交通车站并且时间戳Times信息在所述统计区间内的移动台用户进行迭代累加，获得指定轨道交通车站固定一段时间的出站客流量。
进一步地，所述的基于各个移动台用户的出行路径和信令数据，按照设定的路网客流指标的统计规则计算出路网客流指标的统计值，包括：
当判断移动台用户在指定轨道交通车站发生换乘行为后，则所述移动台用户在对应信令数据的时间戳Times的时间点在所述指定轨道交通车站换乘，以固定一定时间为统计区间，对在所述指定轨道交通车站换乘并且时间戳Times信息在所述统计区间内的用户进行迭代累加，获得所述指定轨道交通车站固定一定时间的换乘客流量。
进一步地，所述的基于各个移动台用户的出行路径和信令数据，按照设定的路网客流指标的统计规则计算出路网客流指标的统计值，包括：
当判断移动台用户离开指定轨道交通车站后，则所述移动台用户在对应的第i条信令数据的时间戳Times的时间点离开了所述指定轨道交通车站，当第i+1条信令数据的基站对应与所述指定轨道交通车站同一线路的邻站的站内基站信息，则判定所述移动台用户乘车经过所述指定轨道交通车站，否则，判定所述移动台用户在所述指定轨道交通车站乘车离开；
以固定一定时间为统计区间，对在指定轨道交通车站乘车离开并且时间戳Times信息在所述统计区间内的移动台用户进行迭代累加，获得所述指定轨道交通车站在固定一定时间内乘车离开人数。
进一步地，所述的基于各个移动台用户的出行路径和信令数据，按照设定的路网客流指标的统计规则计算出路网客流指标的统计值，包括：
当判断移动台用户到达了指定轨道交通车站后，则所述移动台用户在对应的第i条信令数据的时间戳Times的时间点进入了所述指定轨道交通车站，当第i-1条信令数据的基站对应与所述指定轨道交通车站同一线路的邻站内的基站信息，则判断所述移动台用户乘车经过所述指定轨道交通车站，否则；判断所述移动台用户在所述指定轨道交通车站下车到达；
以固定一定时间为统计区间，对在所述指定轨道交通车站下车到达并且时间戳Times信息在所述统计区间内的移动台用户进行迭代累加，获得所述指定轨道交通车站在固定一定时间内的下车到达人数。
进一步地，所述的基于各个移动台用户的出行路径和信令数据，按照设定的路网客流指标的统计规则计算出路网客流指标的统计值，包括：
当移动台用户的第i条的信令数据的基站对应指定轨道交通车站的站内基站信息，而第i+1条信令数据的基站对应所述指定轨道交通车站的相邻车站的站内基站信息，则判断所述移动台用户随列车进入了所述相邻车站，所述移动台用户在所述第i+1条信令数据的时间戳Times的时间点进入了所述相邻车站；
将所述第i+1条信令数据中的时间戳Times和LAC与列车自动定位系统在时间维度与空间维度上进行匹配，如果某列开往所述相邻车站的列车满足所述时间条件和空间条件的匹配结果，则将所述移动台用户匹配到对应开往所述相邻车站的列车上，对所有匹配到指定列车的乘客进行迭代累加，获得所述指定列车的载客量统计。
由上述本发明的实施例提供的技术方案可以看出，本发明实施例利用信息化技术获得的移动台信令数据对轨道交通网络中的网络层、线路层和车站层的运营状态进行描述，能够迅速、有效地改善轨道交通的运营组织，并从统计数据中挖掘客流规律，为研究路网客流规律等研究提供技术支持。
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为本发明实施例提出的一种基于移动台信令的路网客流状态辨识方法的处理流程图；
图2为本发明实施例提供的一种基站覆盖范围示意图；
图3本发明实施例提供的一种轨道交通乘客出行路径辨识方法的流程图；
图4本发明实施例提供的一种有效路径辨识方法流程图；
图5本发明实施例提供的一种车站进站人数统计方法示意图；
图6本发明实施例提供的一种车站出站人数统计方法示意图；
图7本发明实施例提供的一种车站换乘人数统计方法示意图；
图8本发明实施例提供的一种乘客乘车离开统计方法示意图；
图9本发明实施例提供的一种乘客乘车到达人数统计方法示意图；
图10本发明实施例提供的一种列车载客量统计方法示意图。
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。
为了克服现有技术的不足，本发明提出了一种基于移动台信令的路网客流状态辨识方法。该方法用于城市轨道交通客流组织管理，主要目的是通过移动台信令数据，对路网上的客流量、拥挤程度和满载率等客流状态数据进行判断与控制，缓解客流拥堵现象，并从统计数据中挖掘客流规律，为研究路网客流规律等研究提供技术支持。
上述移动台可以为手机等。
本发明实施例提出的一种基于移动台信令的路网客流状态辨识方法的处理流程如图1所示，包括如下的处理步骤：
步骤S10：采集轨道交通系统范围内的移动台用户的信令数据，所述信令数据包括：移动台识别码MSID、时间戳Times、位置区编号LAC和基站编号。
基于移动运营商的基站(Base Station BS)的域数据管理系统，对城市内的用户进行追踪，采集轨道交通系统范围内的移动台用户的信令数据。处于待机状态的移动台通过基站与无线通信网络保持联系，无线通信网络会对移动台所处的位置区信息进行记录。
上述信令数据的字段主要包括：MSID(Mobile Station IDentifier，移动台识别码)、Times(时间戳，信令信息生成时的时间标记，精确到秒)、LAC(location area code，位置区编号)、CellID(基站编号)；EventID(事件类型编号)。
由于乘坐轨道交通的乘客并非人人都拥有移动台，为了得到更为真实准确的信令数据，需要将移动台信令数据扩样到城市轨道交通出行总体人群。
将移动台信令数据扩样到城市轨道交通出行总体人群。首先将移动运营商移动台信令数据记录的移动台用户群体扩样至所有移动运营商(移动、联通、电信)的移动台用户群体；再扩样至城市轨道交通出行的总体人群，即包含轨道交通出行中老人、小孩等无移动台群体。具体数据扩样比例可通过设计问卷调研得到。
步骤S20：以地铁站内部和进出站点的位置区信息和所属基站信息为主，构建轨道交通网络地理信息数据库。
图2为本发明实施例提供的一种基站覆盖范围示意图。基于轨道交通GSM(GlobalSystem for Mobile communications，全球移动通信系统)系统的特点，结合市区的地理信息系统，构建轨道交通网络中所有线路和车站的位置区信息和所属基站的轨道交通网络地理信息数据库，该轨道交通网络地理信息数据库中存储轨道交通所有线路、车站内部和进出站位置对应的LAC和CellID信息。此过程中构建的数据库为基准数据库，该数据库可用于将前述两种主要信息与收集的移动台信令数据相匹配，为乘客出行路径辨识提供条件。
步骤S30：根据移动台用户的多条连续的信令数据的基站对应的车站以及车站对应的LAC，辨识出作为轨道交通乘客的移动台用户的出行路径。
在轨道交通GSM系统中，轨道交通网络中每条线路被赋予不同的LAC编码，同一线路上的不同车站对应着不同的基站，基站的分布是沿着轨道交通线路线性分布的。当出行者发生进站、换乘和出站行为时，乘客跨越不同的基站覆盖区，触发正常位置更新事件，结合LAC和CellID等信息，辨识轨道交通乘客的出行路径。
随着城市轨道交通网络规模日益扩大，可利用信息化技术获得的移动台信令数据对轨道交通网络中的网络层、线路层和车站层的运营状态进行描述，能够迅速、有效地改善轨道交通的运营组织，为轨道交通大客流预测和未来轨道交通建设规划提出决策分析支持。使用以下方法，可以时空维度深度挖掘客流的有效信息，提高车站运营管理能力。
图3本发明实施例提供的一种轨道交通乘客出行路径辨识方法的流程图，图4为有效路径辨识方法流程图，上述辨识轨道交通乘客的出行路径的具体处理过程包括：
1)数据预处理：剔除原始信令数据中无效信息；剔除数据内容缺失的信令数据；进行数据完整性和一致性的检查，消除数据噪音，保证数据的质量符合分析要求；剔除无轨道交通出行行为的移动台用户的信令数据，筛选出有轨道交通出行行为的用户数据。
2)设计轨道交通出行车站匹配算法，该算法的操作对象为单个乘客按时间排序后的信令数据，通过匹配上面收集完善的乘客信令数据和上述轨道交通网络地理信息数据库之间的对应信息，并对其中发生轨道交通出行行为(进站、出站、换乘等)的位置区信息LAC进行记录，从而生成初始的出行路径。随后对所有路径进行时空有效性辨识：在时间上以一次轨道交通出行耗时不超过阈值、在空间上过滤掉不完整的出行路径。该算法包括如下的处理步骤：
①按照时间顺序，将单个用户一天的信令数据进行排序；
②进站行为识别：当第i条信令数据的基站对应S站的进出站位置的基站信息，而第i+1条信令数据的基站对应S站的站内基站信息，则判断S站为进车站，并记录当前LAC码L1；
③出行中间站识别：当第i条信令数据的基站对应S站的站内基站信息，而第i+1条信令数据的基站对应M站的站内基站信息，且S站的LAC等于M站的LAC，则判断乘客由S站乘车至M站，站S为乘客出行路径中的中间站。
④换乘站识别：当第i条的信令数据的基站对应S站的站内基站信息，而第i+1条信令数据的基站也对应S站的站内基站信息，且LAC发生变化，则判断乘客由在S站发生换乘行为。
⑤出站行为识别：当第i条信令数据的基站对应S站的站内基站信息，而第i+1条信令数据的基站对应S站的进出站的基站信息，则判断S站为出车站。
利用上述轨道交通出行车站匹配算法对单个用户一天中的移动台信令数据不断进行迭代分析，可以将单个用户一天中所有的轨道交通出行路径识别出来，结合轨道交通网络地理信息数据库，直观展现乘客的出行路径。
3)有效路径识别：
对用户的轨道交通出行路径进行有效性检验
用户的轨道交通出行行为应是完整的。一次完整的轨道交通出行应包括进站行为和出站行为，部分包含换乘行为，如果某些轨道交通的出行行为未包括进站行为或出站行为，则剔除该记录。
设计如下一次出行无效路径辨识规则：
(1)当前后两端车站所对应站内基站信息相同时，且其间不包括其他信令数据,则判断该次出行没有产生轨道交通位移；
(2)当前后两端不为进站行为、出站行为(有先后顺序)时；
(3)当存在某条信令数据异常时，包括缺失、乱码等等；
满足以上任意一条即为无效路径，即判断该用户该次轨道交通出行无效。
二是时间有效性检验，指一次轨道交通出行过程耗费的时间不超过阈值。当两条信令数据时间戳的差值过大时，认为用户离开城市轨道交通系统后又再次进入了轨道交通系统，前后为不同次轨道交通出行。由于用户在一天中产生的出行次数不确定，故需要对一天中产生多次出行的移动台用户的出行路径进行筛选，剔除无效路径。
步骤S40：基于各个移动台用户的出行路径和信令数据，按照设定的路网客流指标的统计规则计算出路网客流指标的统计值。
图5本发明实施例提供的一种车站进站人数统计方法示意图，车站进站人数统计过程包括：
当第i条的信令数据的基站对应S站的进出站位置的基站信息，而第i+1条信令数据的基站对应S站的站内基站信息，则判断S站为进车站，则第i条信令数据MSID指向的移动台用户在时间戳Times的时间点进入了指定轨道交通车站S。以固定一段时间为统计区间，对进入了指定轨道交通车站并且时间戳Times信息在所述统计区间内的用户进行迭代累加，即可获得指定轨道交通车站固定一段时间的进站客流量。
图6本发明实施例提供的一种车站出站人数统计方法示意图，车站出站人数统计过程包括：
当第i条的信令数据的基站对应S站的站内的基站信息，而第i+1条信令数据的基站对应S站的进出站的基站信息，则判断S站为出车站，则第i条信令数据MSID指向的移动台用户在时间戳Times的时间点离开了指定轨道交通车站S。以固定一定时间为统计区间，对离开了指定轨道交通车站并且时间戳Times信息在所述统计区间内的用户进行迭代累加，即可获得指定轨道交通车站固定一段时间的出站客流量。
图7本发明实施例提供的一种车站换乘人数统计方法示意图，车站换乘量统计过程包括：
当第i条的信令数据的基站对应S站的站内基站信息，而第i+1条信令数据的基站也对应S站的站内基站信息，且LAC发生变化，则判断乘客由在S站发生换乘行为，则第i条信令数据MSID指向的移动台用户在时间戳Times的时间点在轨道交通车站S换乘。以固定一定时间为统计区间，对在指定轨道交通车站换乘并且时间戳Times信息在所述统计区间内的用户进行迭代累加，即可获得指定轨道交通车站固定一定时间的换乘客流量。
图8本发明实施例提供的一种乘客乘车离开统计方法示意图，乘客乘车离开总人数统计过程包括：
当第i条的信令数据的基站对应S站的站内的基站信息，而第i+1条信令数据的基站对应S站的相邻车站P的站内基站信息，则判断乘客离开S站，则第i条信令数据MSID指向的移动台用户在时间戳Times的时间点离开了指定轨道交通车站S。回溯第i-1条信令数据的基站，若其对应与S站同一线路的邻站的站内基站信息，则判定用户乘车经过S站，否则，判定用户在S站乘车离开。以固定一定时间为统计区间，对在指定轨道交通车站乘车离开并且时间戳Times信息在所述统计区间内的用户进行迭代累加，即可获得在指定轨道交通车站乘客在固定一定时间内乘车离开人数。
图9本发明实施例提供的一种乘客乘车到达人数统计方法示意图，乘客乘车到达人数统计过程包括：
当第i条信令数据的基站对应S站的站内基站信息，第i-1条的信令数据的基站对应S站的相邻车站P的站内基站信息.则判断乘客到达了S站，则第i条信令数据MSID指向的移动台用户在时间戳Times的时间点进入了指定轨道交通车站S。迭代第i+1条信令数据的基站对应与S站同一线路的邻站P站内基站的信息，则认为用户乘车经过S站，否则用户在S站下车到达。以固定一定时间为统计区间，对在指定轨道交通车站下车到达并且时间戳Times信息在所述统计区间内的用户进行迭代累加，即可获得所述指定轨道交通车站在固定一定时间内的下车到达人数。
图10本发明实施例提供的一种列车载客量统计方法示意图，列车载客量统计过程包括：
当第i条的信令数据的基站对应S站的站内基站信息，而第i+1条信令数据的基站对应S站的相邻车站P的站内基站信息，则判断乘客随列车进入了P站，则第i+1条信令数据MSID指向的移动台用户在时间戳Times的时间点进入了P站。
将第i+1条信令数据中的时间戳Times和LAC与列车自动定位系统在时间维度与空间维度上进行匹配，如果某列开往所述相邻车站的列车满足所述时间条件和空间条件的匹配结果，则将所述移动台用户匹配到对应开往所述相邻车站的列车上，对所有匹配到指定列车的乘客进行迭代累加，获得所述指定列车的载客量统计。
应用本发明的方法，还可以进行如下的宏观层面的统计：
车站聚集人数统计：
车站聚集人数是衡量轨道交通车站运营情况的重要指标，在同一座车站，聚集人数越多，说明车站运营组织工作越繁忙。根据上文统计量，可用以下公式得出固定一定时间粒度下车站聚集人数统计：
Figure GDA0002762616760000151
Figure GDA0002762616760000152
——第t个时段，车站聚集人数
Figure GDA0002762616760000153
——第t-1个时段，车站聚集人数
Figure GDA0002762616760000154
——第t-1个时段，车站进站人数
Figure GDA0002762616760000155
——第t-1个时段，车站出站人数
Figure GDA0002762616760000156
——第t-1个时段，乘客乘车到达人数
Figure GDA0002762616760000157
——第t-1个时段，乘客乘车离开人数
通过前一时段车站聚集人数与进出站、上下车人数的计算可以得到本时段的车站聚集人数，并将该结果用于下一阶段车站聚集人数的计算上。循环计算，达到全天统计的作用。
车站负荷程度评估：
车站负荷程度评估是车站运营管理的重要指标，单纯对比车站聚集人数会因为车站不同的设计规模而无法比较，但车站负荷程度可以有效地把不同车站的运营情况合理量化，从而进行比较与分析。车站负荷程度评估系数
Figure GDA0002762616760000158
由以下公式计算得出：
Figure GDA0002762616760000161
C站——车站设计最大能力
当
Figure GDA0002762616760000162
时，认为车站负荷轻，乘客之间有足够的距离保持舒适。
当
Figure GDA0002762616760000163
时，认为车站负荷较轻，乘客之间有足够的空间上下车。
当
Figure GDA0002762616760000164
时，认为车站负较重，乘客之间没有足够的距离保持舒适，但是站内走行与上下车无障碍。
当
Figure GDA0002762616760000165
时，认为车站负荷重，乘客站内走行与上下车行为有困难，滞留站台，行走缓慢情况发生。
当
Figure GDA0002762616760000166
时，认为车站负荷过大，乘客在站内走行会出现困难，需要运营部门采取措施疏解站内聚集人群。
列车负荷程度评估：
列车负荷程度是轨道交通系统的重要指标，用于衡量列车运营状态，对轨道交通运营有重要的指导作用，如果列车负荷程度过高，运营公司可以采取相应的手段来减轻列车负荷。列车负荷程度α由以下公式得到:
Figure GDA0002762616760000167
Ni 车——第i趟列车离开S站时的载客量
C车——列车设计能力
当α<60％时，认为列车负荷轻，乘客之间有足够的距离保持舒适。
当60％<α<80％时，认为列车负荷较轻，乘客之间有足够的空间乘车。
当80<α<100％时，认为列车负较重，乘客之间没有足够的空间保持舒适，但是不影响乘客上下车行为。
当100％＜α＜120％时，认为车站负荷重，乘客在车厢内的密度十分大，出现人挤人的现象，影响了乘客上下车行为，乘客乘车非常不舒适。
当α＞120％时，认为列车负荷过大，乘客上下车十分困难，需要运营公司采取措施降低列车负荷程度。
应用本发明的方法，还可以进行如下的微观层面的统计：
乘客旅行总时间
乘客旅行总时间指的是乘客在轨道交通系统内总的旅行时间，即从进站开始，经过站台等候、乘车、换乘之后出站的时间为止的时间花费。乘客旅行总时间的统计对于乘客出行本身具有重要的参考价值，能够一定程度上影响乘客的出行抉择。根据上文路径识别方法，可以得出乘客旅行总时间。
t旅行＝t出-t进
t进——用户进站时刻
t出——用户进站时刻
延误影响时间花费
延误影响时间花费是指乘客受拥挤、特殊事件等的影响，比标准的旅行时间多花费的时间，多花费的时间越长，说明乘客受到的延误越久，乘车的环境越差。能够一定程度上的影响乘客的出行方式抉择与出行时间安排。根据乘客旅行总时间与该线路标准旅行时间进行对比，得出延误影响时间花费。
t延误＝t旅行-t标准
t标准＝t进站+∑t站台等候+∑t列车运行+∑t换乘+t出站
t进站——用户进站时间花费，采用t进站＝l进站/v标准，l进站为进站闸机至站台的路线长度，v标准为乘客正常走行速度，参照相关文献，取1m/s。
t出站——用户出站时间花费，采用t出站＝l出站/v标准，l出站为站台至出站闸机的路线长度，v标准为乘客正常走行速度，参照相关文献，取1m/s。
t站台等候——乘客在站台等候时间，参照有关文献取值为列车运行间隔时间的一半。
t列车运行——乘客在运行列车上的时间花费，从列车运行图中获取。
t换乘——用户换乘时间花费，采用t换乘＝l换乘/v标准，l换乘为下车站台至换乘的上车站台的路线长度，v标准为乘客正常走行速度，参照相关文献，取1m/s。
乘客在站时间
乘客在站时间指的是乘客进站候车至上车这一段时间或乘客乘车到达换乘另一线路至上车的这一段时间。该指标对于轨道交通系统的运营管理有重要的指导作用，如果出现大规模长时间乘客在站的情况，轨道交通运营部门需要采取措施来缓解车站、站台的客流压力。对于进站乘车乘客，乘客在站时间计算公式如下：
t在站＝t离开-t进
t离开——用户乘车离开时刻
t进——用户进站时刻
对于换乘乘客，乘客在站时间计算公式如下：
t在站＝t离开-t乘车到达
t离开——用户乘车离开时刻
t乘车到达——用户乘车到达时刻
综上所述，本发明实施例利用信息化技术获得的移动台信令数据对轨道交通网络中的网络层、线路层和车站层的运营状态进行描述，能够迅速、有效地改善轨道交通的运营组织，为轨道交通大客流预测和未来轨道交通建设规划提出决策分析支持。使用本发明可以基于时空维度深度挖掘客流的有效信息，提高车站运营管理能力。本发明在合理运用的情况下可以缓解客流拥堵现象，并从统计数据中挖掘客流规律，为研究路网客流规律等研究提供技术支持。
本发明实施例不仅可以为运营企业提供良好的辅助决策依据，根据具体的客流状态指标采用不同运营管理措施，迅速、有效地改善轨道交通运营组织；还能够为相关研究提供多层次的地铁客流数据，供学者对客流状态进行深度挖掘，因此，此发明将具有良好的发展潜力和市场前景，在行业内具有引领效应。
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。
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 (5)

1.一种基于移动台信令的路网客流状态辨识方法，其特征在于，包括：
采集轨道交通系统范围内的移动台用户的信令数据，所述信令数据包括：移动台识别码MSID、时间戳Times、位置区编号LAC和基站编号；
根据移动台用户的多条连续的信令数据的基站对应的车站以及车站对应的LAC，辨识出作为轨道交通乘客的移动台用户的出行路径；
基于各个移动台用户的出行路径和信令数据，按照设定的路网客流指标的统计规则计算出路网客流指标的统计值；
所述的采集轨道交通系统范围内的移动台用户的信令数据之前，还包括：
将轨道交通网络中每条线路赋予不同的LAC，将多个基站沿着轨道交通线路线性分布，同一线路上的不同车站对应不同的基站，构建轨道交通网络的相关信息数据库，该相关信息数据库中存储轨道交通网络的车站内部和进出站位置对应的LAC和基站信息；
基于所述轨道交通网络的相关信息数据库结合轨道交通网络所在区域的地理信息系统，构建轨道交通网络地理信息数据库；
所述的根据移动台用户的多条连续的信令数据的基站对应的车站以及车站对应的LAC，辨识出作为轨道交通乘客的移动台用户的出行路径，包括：
将作为轨道交通乘客的移动台用户一天的信令数据按照时间从前到后的顺序进行排序；
设计如下的轨道交通出行车站匹配算法：
当所述移动台用户的第i条信令数据的基站对应S站的进出站位置的基站信息，而第i+1条信令数据的基站对应S站的站内基站信息，则判断S站为所述移动台用户的进车站，并记录所述进车站的LAC；
当所述移动台用户的第i条信令数据的基站对应S站的站内基站信息，而第i+1条信令数据的基站对应M站的站内基站信息，且S站的LAC等于M站的LAC，则判断乘客由S站乘车至M站，S站为所述移动台用户的出行路径中的中间站；
当所述移动台用户的第i条的信令数据的基站对应S站的站内基站信息，而第i+1条信令数据的基站也对应S站的站内基站信息，且第i+1条信令数据的LAC和第i条的信令数据的LAC不同，则判断所述移动台用户在S站发生换乘行为；
当所述移动台用户的第i条信令数据的基站对应S站的站内基站信息，而第i+1条信令数据的基站对应S站的进出站位置的基站信息，则判断S站为所述移动台用户的出车站；
利用上述轨道交通出行车站匹配算法对所述移动台用户一天中的信令数据进行迭代分析，辨识出所述移动台用户一天中的出行路径，并且对所述移动台用户一天中的出行路径进行有效路径识别和时间有效性检验，剔除无效出行路径；
所述的基于各个移动台用户的出行路径和信令数据，按照设定的路网客流指标的统计规则计算出路网客流指标的统计值，包括：
当判断指定轨道交通车站为移动台用户的进车站后，则所述移动台用户在对应信令数据的时间戳Times的时间点进入了所述指定轨道交通车站，以固定一段时间为统计区间，对进入了所述指定轨道交通车站并且时间戳Times信息在所述统计区间内的移动台用户进行迭代累加，获得所述指定轨道交通车站固定一段时间的进站客流量；
当判断指定轨道交通车站为移动台用户的出车站后，则所述移动台用户在对应信令数据的时间戳Times的时间点离开了所述指定轨道交通车站，以固定一定时间为统计区间，对离开了指定轨道交通车站并且时间戳Times信息在所述统计区间内的移动台用户进行迭代累加，获得指定轨道交通车站固定一段时间的出站客流量；
所述的基于各个移动台用户的出行路径和信令数据，按照设定的路网客流指标的统计规则计算出路网客流指标的统计值，包括：
当判断移动台用户在指定轨道交通车站发生换乘行为后，则所述移动台用户在对应信令数据的时间戳Times的时间点在所述指定轨道交通车站换乘，以固定一定时间为统计区间，对在所述指定轨道交通车站换乘并且时间戳Times信息在所述统计区间内的用户进行迭代累加，获得所述指定轨道交通车站固定一定时间的换乘客流量；
当移动台用户的第i条的信令数据的基站对应指定轨道交通车站的站内基站信息，而第i+1条信令数据的基站对应所述指定轨道交通车站的相邻车站的站内基站信息，则判断所述移动台用户随列车进入了所述相邻车站，所述移动台用户在所述第i+1条信令数据的时间戳Times的时间点进入了所述相邻车站；
将所述第i+1条信令数据中的时间戳Times和LAC与列车自动定位系统在时间维度与空间维度上进行匹配，如果某列开往所述相邻车站的列车满足所述时间维度和空间维度的匹配结果，则将所述移动台用户匹配到对应开往所述相邻车站的列车上，对所有匹配到指定列车的乘客进行迭代累加，获得所述指定列车的载客量统计车站负荷程度把不同车站的运营情况合理量化，车站负荷程度评估系数
Figure FDA0002762616750000031
由以下公式计算得出：
Figure FDA0002762616750000041
C站——车站设计最大能力；
当
Figure FDA0002762616750000042
时，认为车站负荷轻，乘客之间有足够的距离保持舒适；
当
Figure FDA0002762616750000043
时，认为车站负荷较轻，乘客之间有足够的空间上下车；
当
Figure FDA0002762616750000044
时，认为车站负较重，乘客之间没有足够的距离保持舒适，但是站内走行与上下车无障碍；
当
Figure FDA0002762616750000045
时，认为车站负荷重，乘客站内走行与上下车行为有困难，滞留站台，行走缓慢情况发生；
当
Figure FDA0002762616750000046
时，认为车站负荷过大，乘客在站内走行会出现困难，需要运营部门采取措施疏解站内聚集人群；
列车负荷程度评估用于衡量列车运营状态，列车负荷程度α由以下公式得到:
Figure FDA0002762616750000047
Figure FDA0002762616750000048
——第i趟列车离开S站时的载客量
C车——列车设计能力
当α<60％时，认为列车负荷轻，乘客之间有足够的距离保持舒适；
当60％<α<80％时，认为列车负荷较轻，乘客之间有足够的空间乘车；
当80<α<100％时，认为列车负较重，乘客之间没有足够的空间保持舒适，但是不影响乘客上下车行为；
当100％<α<120％时，认为车站负荷重，乘客在车厢内的密度十分大，出现人挤人的现象，影响了乘客上下车行为，乘客乘车非常不舒适；
当α>120％时，认为列车负荷过大，乘客上下车十分困难，需要运营公司采取措施降低列车负荷程度。
2.根据权利要求1所述的方法，其特征在于，所述的采集轨道交通系统范围内的移动台用户的信令数据，所述信令数据包括：移动台识别码MSID、时间戳Times、位置区编号LAC和基站编号，还包括：
基于移动运营商的基站的域数据管理系统，对轨道交通系统范围内出行的总体人群进行追踪，采集轨道交通系统范围内的移动台用户的信令数据，所述移动台用户的信令数据包括：移动台识别码MSID、时间戳Times、位置区编号LAC、基站编号CellID和事件类型编号EventID；
筛选出有轨道交通出行行为的移动台用户的信令数据，对筛选出的信令数据进行数据完整性和一致性的检查，消除数据噪音。
3.根据权利要求1所述的方法，其特征在于，所述的对所述移动台用户一天中的出行路径进行有效路径识别和时间有效性检验，剔除无效出行路径，包括：
设计如下的无效出行路径辨识规则：
(1)当前后两端车站所对应站内基站信息相同时，且其间不包括其他信令数据,则判断该次出行没有产生轨道交通位移；
(2)当前后两端不为进站行为、出站行为时；
(3)当存在某条信令数据异常时；
当所述移动台用户的出行路径满足以无效出行路径辨识规则中的任意一条，则判断该出行路径为无效出行路径；
当所述移动台用户一天中的一条出行路径的出行过程耗费的时间超过了设定的时间阈值，则判断该条出行路径为无效出行路径。
4.根据权利要求1或2或3所述的方法，其特征在于，所述的基于各个移动台用户的出行路径和信令数据，按照设定的路网客流指标的统计规则计算出路网客流指标的统计值，包括：
当判断移动台用户离开指定轨道交通车站后，则所述移动台用户在对应的第i条信令数据的时间戳Times的时间点离开了所述指定轨道交通车站，当第i+1条信令数据的基站对应与所述指定轨道交通车站同一线路的邻站的站内基站信息，则判定所述移动台用户乘车经过所述指定轨道交通车站，否则，判定所述移动台用户在所述指定轨道交通车站乘车离开；
以固定一定时间为统计区间，对在指定轨道交通车站乘车离开并且时间戳Times信息在所述统计区间内的移动台用户进行迭代累加，获得所述指定轨道交通车站在固定一定时间内乘车离开人数。
5.根据权利要求1或2或3所述的方法，其特征在于，所述的基于各个移动台用户的出行路径和信令数据，按照设定的路网客流指标的统计规则计算出路网客流指标的统计值，包括：
当判断移动台用户到达了指定轨道交通车站后，则所述移动台用户在对应的第i条信令数据的时间戳Times的时间点进入了所述指定轨道交通车站，当第i-1条信令数据的基站对应与所述指定轨道交通车站同一线路的邻站内的基站信息，则判断所述移动台用户乘车经过所述指定轨道交通车站，否则；判断所述移动台用户在所述指定轨道交通车站下车到达；
以固定一定时间为统计区间，对在所述指定轨道交通车站下车到达并且时间戳Times信息在所述统计区间内的移动台用户进行迭代累加，获得所述指定轨道交通车站在固定一定时间内的下车到达人数。
CN201910284240.1A 2019-04-10 2019-04-10 基于移动台信令的路网客流状态辨识方法 Active CN110149593B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910284240.1A CN110149593B (zh) 2019-04-10 2019-04-10 基于移动台信令的路网客流状态辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910284240.1A CN110149593B (zh) 2019-04-10 2019-04-10 基于移动台信令的路网客流状态辨识方法

Publications (2)

Publication Number Publication Date
CN110149593A CN110149593A (zh) 2019-08-20
CN110149593B true CN110149593B (zh) 2020-12-29

Family

ID=67588970

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910284240.1A Active CN110149593B (zh) 2019-04-10 2019-04-10 基于移动台信令的路网客流状态辨识方法

Country Status (1)

Country Link
CN (1) CN110149593B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110582051B (zh) * 2019-09-24 2021-04-06 上海奔果互联网科技有限公司 一种基于无线定位技术的客流精准测试方法
CN111314853A (zh) * 2019-12-11 2020-06-19 北京工业大学 一种利用手机信令数据判别用户进出地铁站的方法
CN111148019A (zh) * 2019-12-23 2020-05-12 广州市梦享网络技术有限公司 主动识别地铁站并在行车过程中平滑切换地铁站的方法
CN112087743A (zh) * 2020-09-18 2020-12-15 广州瀚信通信科技股份有限公司 一种面向智慧交通的高铁虚拟卡口到发旅客分析方法
CN112298293B (zh) * 2020-10-30 2022-07-01 上海市信产通信服务有限公司 基于5g获取车站乘客行为轨迹参数的系统及方法
CN112732778B (zh) * 2020-12-28 2023-06-20 江苏欣网视讯软件技术有限公司 基于手机信令的交通枢纽客流流向识别方法、计算机系统、服务器与存储介质
CN114913702A (zh) * 2021-02-09 2022-08-16 武汉小码联城科技有限公司 一种电子公交站牌到站提醒方法、系统及相关设备
CN113706866B (zh) * 2021-08-27 2023-08-08 中国电信股份有限公司 道路堵塞监测方法及装置、电子设备、存储介质
CN116709233B (zh) * 2023-08-01 2023-12-19 深圳市深圳通有限公司 追溯乘客乘车路径的方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102169606A (zh) * 2010-02-26 2011-08-31 同济大学 一种城市轨道交通网络大客流影响的预测方法
CN103179509A (zh) * 2013-03-11 2013-06-26 北京工业大学 基于手机定位信息的地铁乘客出行路径辨识方法
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
CN108055645A (zh) * 2018-01-19 2018-05-18 深圳技术大学（筹） 一种基于手机信令数据的路径识别方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7395073B2 (en) * 2003-06-05 2008-07-01 Ntt Docomo Inc. Method and apparatus for location estimation using region of confidence filtering
CN102354406B (zh) * 2011-06-07 2014-06-25 同济大学 基于rfid技术的轨道交通网络客流实时统计系统及方法
CN103856887A (zh) * 2012-12-03 2014-06-11 上海粱江通信系统股份有限公司 一种基于信令消息的景区客流实时统计方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102169606A (zh) * 2010-02-26 2011-08-31 同济大学 一种城市轨道交通网络大客流影响的预测方法
CN103179509A (zh) * 2013-03-11 2013-06-26 北京工业大学 基于手机定位信息的地铁乘客出行路径辨识方法
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
CN108055645A (zh) * 2018-01-19 2018-05-18 深圳技术大学（筹） 一种基于手机信令数据的路径识别方法及系统

Also Published As

Publication number Publication date
CN110149593A (zh) 2019-08-20

Similar Documents

Publication Publication Date Title
CN110149593B (zh) 基于移动台信令的路网客流状态辨识方法
Hussain et al. Transit OD matrix estimation using smartcard data: Recent developments and future research challenges
CN108846514B (zh) 一种突发事件下轨道交通客流疏散需求预测方法
Hänseler et al. A passenger-pedestrian model to assess platform and train usage from automated data
CN105868861A (zh) 一种基于时空数据融合的公交客流演化分析方法
CN105632173A (zh) 利用出租车gps数据进行城市公交系统的优化识别方法
CN112990648A (zh) 一种轨道交通网络运营稳定性评估方法
Mo et al. Inferring passenger responses to urban rail disruptions using smart card data: A probabilistic framework
CN105447592A (zh) 一种乘客路径选择的分析方法及装置
Zhu Passenger-to-train assignment model based on automated data
Liu et al. Unplanned disruption analysis in urban railway systems using smart card data
Liu et al. Understanding the route choice behaviour of metro-bikeshare users
Tympakianaki et al. Impact analysis of transport network disruptions using multimodal data: A case study for tunnel closures in Stockholm
Jang et al. Pedestrian mode identification, classification and characterization by tracking mobile data
Zhang et al. Understanding the roles of rail stations: Insights from network approaches in the London metropolitan area
Gidebo et al. Reliability assessment of the transport system, Addis Ababa case study
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
Sun et al. Characterizing multimodal transfer time using smart card data: The effect of time, passenger age, crowdedness and collective pressure
Lwin et al. Identification of various transport modes and rail transit behaviors from mobile CDR data: A case of Yangon City
Derrmann et al. Towards privacy-neutral travel time estimation from mobile phone signalling data
CN112766950A (zh) 一种动态路径费用确定方法、装置、设备及介质
Xu Understanding the Intra-urban Residents’ Trip Characteristics Based on GPS
Huang et al. Crowd-sensing commuting patterns using multi-source wireless data: a case of Helsinki commuter trains
Tica et al. Analytics Use Cases for Landside Traffic Optimization in the Catchment Area of the Airport: Case Study of Zagreb Airport
CN113298061B (zh) 一种精确计算换乘人次的方法

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