CN110276553B - 城市轨道交通车站拥堵指数检测方法 - Google Patents
城市轨道交通车站拥堵指数检测方法 Download PDFInfo
- Publication number
- CN110276553B CN110276553B CN201910549886.8A CN201910549886A CN110276553B CN 110276553 B CN110276553 B CN 110276553B CN 201910549886 A CN201910549886 A CN 201910549886A CN 110276553 B CN110276553 B CN 110276553B
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- station
- network
- flow distribution
- distribution network
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- 238000012546 transfer Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 9
- 108010046685 Rho Factor Proteins 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G06Q50/40—
Abstract
本发明公开了一种基于客流集散网络的城市轨道交通车站拥堵指数检测方法,属于轨道交通领域。基于客流集散网络的城市轨道交通车站拥堵指数检测方法包括:根据城市轨道交通拓扑网络计算客流集散网络中拓扑网络邻接矩阵元素;计算拓扑网络邻接矩阵元素的实际客流需求和供给能力;根据拓扑网络邻接矩阵元素、实际客流需求和供给能力构建客流集散网络;根据客流集散网络计算客流集散网络中车站的汇集平均剩余能力和消散平均剩余能力;根据汇集平均剩余能力和消散平均剩余能力计算车站的拥堵指数。
Description
技术领域
本发明涉及轨道交通领域,具体涉及一种城市轨道交通车站拥堵指数检测方法。
背景技术
交通是制约城市发展的因素。城市轨道交通作为一种城市公共基础设施,是现代城市的心血管系统,担负着城市流通、分配和交换等重要环节的运转任务,为城市发展提供了必不可少的条件,在城市经济社会生活中体现着特殊的地位和作用。
城市轨道交通的拥堵指数成为研究城市轨道交通疏解控制方案的重要基础性工作。因此需要一种能够量化城市轨道交的拥挤指数的方法。
发明内容
针对现有技术中的上述不足,本发明旨在提供一种能够量化城市轨道交通的拥挤指数的基于客流集散网络的城市轨道交通车站拥堵指数检测方法。
为了达到上述发明创造的目的,本发明采用的技术方案为:
提供一种基于客流集散网络的城市轨道交通车站拥堵指数检测方法,其包括:
获取城市轨道交通拓扑网络,并根据城市轨道交通拓扑网络计算客流集散网络中拓扑网络邻接矩阵元素;
计算拓扑网络邻接矩阵元素的实际客流需求和供给能力;
根据拓扑网络邻接矩阵元素、实际客流需求和供给能力构建客流集散网络,客流集散网络的数学表达式为:
其中,G1为客流集散网络,vi为客流集散网络中车站i,vj为客流集散网络中车站j,N为客流集散网络中车站总数;SV为客流集散网络中车站客流集散权集合;为拓扑网络邻接矩阵元素;为实际客流需求,若车站i与车站j相邻,则拓扑网络邻接矩阵元素反之为0;为供给能力;
根据客流集散网络计算客流集散网络中车站的汇集平均剩余能力和消散平均剩余能力;
根据汇集平均剩余能力和消散平均剩余能力计算车站的拥堵指数。
进一步地,实际客流需求取相邻两站线路区间的断面客流量。
进一步地,断面客流量通过以下方法得到:
根据Wardrop用户平衡原理,构建城市轨道交通拓扑网络客流分配模型;
求解客流分配模型得到断面客流量。
进一步地,客流分配模型的数学表达式为:
其中,为列车从车站i到相邻车站j的区间运行时分,γij(xij)为区间(i,j)的拥挤系数函数,xij为线路区间(i,j)断面客流量,ω为换乘惩罚因子,ρ为换乘次数,T1 i,a,b为乘客在车站i从线路a换下时起至到达线路b车站时止的换乘步行时间,为乘客在车站i从线路a换下并到达线路b车站时起至换上时止的等待时间,为列车在车站i的停站时分,为出发站r至目的地s之间第k条路径上的客流量,为区间路径相关变量,若区间(i,j)属于从出发站r至目的地s第k条路径,则区间路径相关变量为1,否则为0,qrs为出发站r至目的地s的客流量。
进一步地,拥挤系数函数的计算公式为:
其中,γij(xij)为拥挤系数函数,hij为列车的座位数,zij为列车最大容纳乘客数,α和β为拥挤校正参数,xij为区间(i,j)断面客流量。
进一步地,汇集平均剩余能力的计算公式为:
进一步地,消散平均剩余能力的计算公式为:
进一步地,拥堵指数的计算公式为:
其中,ξm为车站m的拥堵指数,Jm和Cm分别为车站m的的进站客流量和出站客流量;Ti,m和Tm,t分别为经由车站m的进站换乘客流量和出站换乘客流量,为车站m的汇集平均剩余能力,为车站m的消散平均剩余能力,为拓扑网络邻接矩阵元素。
本发明的有益效果为:综合考虑城市轨道交通系统内部运转和系统与外界产生交换两个方面的影响,以车站为研究对象,将客流分为汇集和消散两部分,将多因素定性的分析转化为定量的计算,从而量化了城市轨道交通车站的拥堵指数,进而量化了城市轨道交通车站的拥挤程度。以便于以此为基础制定城市轨道交通的疏解控制方案,用于缓解城市交通压力,引导城市空间结构优化调整。
附图说明
图1为城市轨道交通车站拥堵指数检测方法的流程图;
图2为典型客流集散网络的示意图。
其中,①-⑥表车站。
具体实施方式
下面结合附图,对本发明的具体实施方式做详细说明,以便于本技术领域的技术人员理解本发明。但应该清楚,下文所描述的实施例仅仅是本发明的一部分实施例,而不是全部实施例。在不脱离所附的权利要求限定和确定的本发明的精神和范围内,本领域普通技术人员在没有做出任何创造性劳动所获得的所有其他实施例,都属于本发明的保护范围。
如图1所示,该基于客流集散网络的城市轨道交通车站拥堵指数检测方法包括:
获取城市轨道交通拓扑网络,并根据城市轨道交通拓扑网络计算客流集散网络中拓扑网络邻接矩阵元素;
计算拓扑网络邻接矩阵元素的实际客流需求和供给能力;
根据拓扑网络邻接矩阵元素、实际客流需求和供给能力构建客流集散网络,客流集散网络的数学表达式为:
其中,G1为客流集散网络,vi为客流集散网络中车站i,vj为客流集散网络中车站j,N为客流集散网络中车站总数;SV为客流集散网络中车站客流集散权集合;为拓扑网络邻接矩阵元素(人/时);为实际客流需求,若车站i与车站j相邻,则拓扑网络邻接矩阵元素反之为0;为供给能力;
根据客流集散网络计算客流集散网络中车站的汇集平均剩余能力和消散平均剩余能力;
根据汇集平均剩余能力和消散平均剩余能力计算车站的拥堵指数。
其中,典型的客流集散网络示意图如图2所示。
实施时,本方案优选实际客流需求取相邻两站线路区间的断面客流量。从而充分考虑线路上各区间的实时客流需求,将车站和区间视为整体统一考虑,保证了检测方法的系统性。
其中,断面客流量通过以下方法得到:根据Wardrop用户平衡原理,构建城市轨道交通拓扑网络客流分配模型;然后求解客流分配模型得到断面客流量。该城市轨道交通拓扑网络客流分配模型具有可操作性和科学性,也能满足检测方法对实施性的要求。
客流分配模型的数学表达式为:
其中,为列车从车站i到相邻车站j的区间运行时分,γij(xij)为区间(i,j)的拥挤系数函数,xij为线路区间(i,j)断面客流量,ω为换乘惩罚因子,ρ为换乘次数,T1 i,a,b为乘客在车站i从线路a换下时起至到达线路b车站时止的换乘步行时间,为乘客在车站i从线路a换下并到达线路b车站时起至换上时止的等待时间,为列车在车站i的停站时分,为出发站r至目的地s之间第k条路径上的客流量,为区间路径相关变量,若区间(i,j)属于从出发站r至目的地s第k条路径,则区间路径相关变量为1,否则为0,qrs为出发站r至目的地s的客流量。从而以最优的广义最短路径为基础,充分考虑乘客换乘的费用,路径选择结果贴近实际乘客决策,客流的分配结果贴近网络实际状态。
拥挤系数函数的计算公式为:
其中,γij(xij)为拥挤系数函数,hij为列车的座位数,zij为列车最大容纳乘客数,α和β为拥挤校正参数,xij为区间(i,j)断面客流量。采用分段的拥挤系数函数结构单独考虑了各类情景下的网络状态,保证拥堵系数函数计算的精确性,同时该拥挤系数函数充分考虑了列车的座位数和列车总容纳乘客的数量,既能在低客流状态下反映乘客出行的舒适度,也能在高客流状态下反映其公共交通工具特性。
汇集平均剩余能力的计算公式为:
其中,为车站m的消散平均剩余能力,和为拓扑网络邻接矩阵元素、为实际客流需求,为供给能力,V为车站集合{vi}。结合拓扑网络邻接矩阵元素计算的汇集平均剩余能力充分考虑到了车站的客流汇集是由车站相邻区间客流综合作用的结果,该计算方法充分体现了客流在城市轨道交通拓扑网络中的运行状态,直观简洁,可操作性强。
消散平均剩余能力的计算公式为:
其中,为车站m的消散平均剩余能力,为拓扑网络邻接矩阵元素、为实际客流需求,为供给能力,V为车站集合{vi}。消散平均剩余能力计算以客流集散网络结构为基础,既考虑了网络特性,也考虑了线路上各区间的实际客流与能力的差值。
车站m的汇集平均剩余能力和消散平均剩余能力取决于与之相连区间剩余能力,和的计算公式中分母表示车站m的结构度,分子表示区间剩余能力(表征了客流集散网络中各站点区间的某一方向上供给能力与实际客流需求的差值),当分子大于0时,系统才能实现站内客流的集散,从而保证站内客流有条不紊地组织与运送,同理,该分子越大越利于区间邻接站点的集散。
拥堵指数的计算公式为:
Claims (6)
1.基于客流集散网络的城市轨道交通车站拥堵指数检测方法,其特征在于,包括:
获取城市轨道交通拓扑网络,并根据城市轨道交通拓扑网络计算客流集散网络中拓扑网络邻接矩阵元素;
计算拓扑网络邻接矩阵元素的实际客流需求和供给能力;
根据拓扑网络邻接矩阵元素、实际客流需求和供给能力构建所述客流集散网络,所述客流集散网络的数学表达式为:
其中,G1为所述客流集散网络,vi为客流集散网络中车站i,vj为客流集散网络中车站j,i≠j,N为客流集散网络中车站总数;SV为客流集散网络中车站客流集散权集合;为所述拓扑网络邻接矩阵元素;为实际客流需求,若车站i与车站j相邻,则拓扑网络邻接矩阵元素反之为0;为所述供给能力;
根据所述客流集散网络计算所述客流集散网络中车站的汇集平均剩余能力和消散平均剩余能力;
根据所述汇集平均剩余能力和消散平均剩余能力计算所述车站的拥堵指数;
所述汇集平均剩余能力的计算公式为:
所述消散平均剩余能力的计算公式为:
2.根据权利要求1所述的检测方法,其特性在于,所述实际客流需求取相邻两站线路区间的断面客流量。
3.根据权利要求2所述的检测方法,其特性在于,所述断面客流量通过以下方法得到:
根据Wardrop用户平衡原理,构建城市轨道交通拓扑网络客流分配模型;
求解所述客流分配模型得到所述断面客流量。
4.根据权利要求3所述的检测方法,其特性在于,所述客流分配模型的数学表达式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910549886.8A CN110276553B (zh) | 2019-06-24 | 2019-06-24 | 城市轨道交通车站拥堵指数检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910549886.8A CN110276553B (zh) | 2019-06-24 | 2019-06-24 | 城市轨道交通车站拥堵指数检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110276553A CN110276553A (zh) | 2019-09-24 |
CN110276553B true CN110276553B (zh) | 2021-08-17 |
Family
ID=67962288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910549886.8A Active CN110276553B (zh) | 2019-06-24 | 2019-06-24 | 城市轨道交通车站拥堵指数检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110276553B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111859718B (zh) * | 2020-09-22 | 2021-01-22 | 北京全路通信信号研究设计院集团有限公司 | 一种区域多制式轨道交通车站拥挤系数计算方法及系统 |
CN111931386B (zh) * | 2020-09-22 | 2021-01-22 | 北京全路通信信号研究设计院集团有限公司 | 一种区域多制式轨道交通区间拥挤系数计算方法及系统 |
Citations (7)
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 |
CN104408082A (zh) * | 2014-11-11 | 2015-03-11 | 大连海天兴业科技有限公司 | 一种基于实时信息的地铁乘客服务系统 |
CN106971262A (zh) * | 2017-03-14 | 2017-07-21 | 北京交通大学 | 基于元胞自动机的城市轨道交通拥堵状态传播的仿真方法 |
JP2018005264A (ja) * | 2016-06-27 | 2018-01-11 | 日本電気株式会社 | 情報処理装置、制御方法、及びプログラム |
CN108062860A (zh) * | 2018-01-16 | 2018-05-22 | 毛国强 | 基于拥塞传播分析的道路瓶颈识别方法及其系统 |
CN108647802A (zh) * | 2018-03-26 | 2018-10-12 | 华东师范大学 | 基于双层交通网络模型抗拥塞方法 |
CN109636049A (zh) * | 2018-12-19 | 2019-04-16 | 浙江工业大学 | 一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法 |
-
2019
- 2019-06-24 CN CN201910549886.8A patent/CN110276553B/zh active Active
Patent Citations (7)
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 |
CN104408082A (zh) * | 2014-11-11 | 2015-03-11 | 大连海天兴业科技有限公司 | 一种基于实时信息的地铁乘客服务系统 |
JP2018005264A (ja) * | 2016-06-27 | 2018-01-11 | 日本電気株式会社 | 情報処理装置、制御方法、及びプログラム |
CN106971262A (zh) * | 2017-03-14 | 2017-07-21 | 北京交通大学 | 基于元胞自动机的城市轨道交通拥堵状态传播的仿真方法 |
CN108062860A (zh) * | 2018-01-16 | 2018-05-22 | 毛国强 | 基于拥塞传播分析的道路瓶颈识别方法及其系统 |
CN108647802A (zh) * | 2018-03-26 | 2018-10-12 | 华东师范大学 | 基于双层交通网络模型抗拥塞方法 |
CN109636049A (zh) * | 2018-12-19 | 2019-04-16 | 浙江工业大学 | 一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法 |
Non-Patent Citations (3)
Title |
---|
The Topological Structure of Chengdu Metro Network Based on Complex Network Theory;F. XUE, C.L.HE;《VTCA 2018: Advances in Smart Vehicular Technology, Transportation, Communication and Applications》;20181201;第37-47页 * |
城市轨道交通车站集散能力瓶颈识别方法研究;单征 等;《交通信息与安全》;20140131;第117-121页 * |
成网条件下城市轨道交通瓶颈识别方法研究;王莹,王豹;《综合运输》;20181231;第65-71页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110276553A (zh) | 2019-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858670B (zh) | 一种轨道交通车站大客流实时预警方法 | |
CN110276553B (zh) | 城市轨道交通车站拥堵指数检测方法 | |
CN104410582B (zh) | 一种基于流量预测的电力通信网流量均衡方法 | |
CN102710489B (zh) | 动态分流调度系统和方法 | |
CN106485359A (zh) | 一种基于列车运行时刻表的城市轨道交通断面客流推测方法 | |
CN108898872B (zh) | 基于车载智能终端设备和历史客流大数据的班次调整方法 | |
CN108537408B (zh) | 一种融合进站和换乘控制的路网协同限流建模及评估方法 | |
CN109612488B (zh) | 基于大数据微服务的混合出行方式路径规划系统及方法 | |
CN103366224B (zh) | 一种基于公交网络的乘客需求预测系统和方法 | |
CN109300326B (zh) | 一种基于实时gps的公交短时动态调度方法 | |
CN105427594A (zh) | 一种基于双向上车客流的公交断面客流量获取方法及系统 | |
CN105046962A (zh) | 基于公交移动wifi热点的车辆满载率实时计算方法 | |
CN111667114A (zh) | 一种基于时空大数据融合的智能路线规划推荐方法 | |
CN104966135A (zh) | 基于可达性和可达强度的公交线路网络优化方法 | |
CN116051052A (zh) | 一种数字可视化汽车道路救援智能管理平台 | |
CN103607717B (zh) | 蜂窝分层无线网络中基站密度和功率的配置方法和设备 | |
CN108197724B (zh) | 公交复杂网络中效率权重计算与公交方案性能评估方法 | |
CN112580962A (zh) | 一种基于智慧城市的交通优化调度系统及方法 | |
CN113987944A (zh) | 基于Prophet模型的地铁进站客流预测方法及装置 | |
CN113408189A (zh) | 基于可变元胞的城市多点循环式紧急疏散与仿真推演方法 | |
CN110298486B (zh) | 一种基于卷积神经网络的轨道交通客流量预测方法 | |
CN110119884B (zh) | 一种基于近邻传播聚类的高速铁路客流时段划分方法 | |
CN116882552A (zh) | 计及电力与交通耦合网络的移动应急资源调度优化方法 | |
CN109272204B (zh) | 一种城市地铁网络储备容量的评估方法 | |
CN115879658A (zh) | 定制公交路径优化方法、系统、存储介质及设备 |
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 |