CN110782070B - 一种城市轨道交通突发事件客流时空分布预测方法 - Google Patents
一种城市轨道交通突发事件客流时空分布预测方法 Download PDFInfo
- Publication number
- CN110782070B CN110782070B CN201910910731.2A CN201910910731A CN110782070B CN 110782070 B CN110782070 B CN 110782070B CN 201910910731 A CN201910910731 A CN 201910910731A CN 110782070 B CN110782070 B CN 110782070B
- Authority
- CN
- China
- Prior art keywords
- emergency
- passenger flow
- time
- influence
- path
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 121
- 230000008520 organization Effects 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000005065 mining Methods 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims description 40
- 230000006399 behavior Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000009432 framing Methods 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000007418 data mining Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000000593 degrading effect Effects 0.000 claims description 2
- 238000004088 simulation Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 16
- 238000011160 research Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005541 medical transmission Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000010845 search algorithm Methods 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种城市轨道交通突发事件客流时空分布预测方法,其包括:基于历史数据,对历史突发事件行车组织调整措施进行分析,并对历史突发事件的客流时空分布规律、影响范围及乘客选择行为进行挖掘;基于AFC实时刷卡数据,结合对历史数据的挖掘结果,利用时空关联预测模型,对突发事件下的OD分布进行预测;根据对历史突发事件行车组织调整措施的分析结果,对突发事件下的列车时刻表进行实时调整与推演,更新轨道有效路径;结合突发事件下轨道有效路径更新结果和OD分布预测结果,基于多径路概率分配模型,实现不同突发事件场景下轨道交通客流时空分布状态预测。本发明可准确、实时把握突发事件情况下的轨道交通路网客流分布情况。
Description
技术领域
本发明涉及城市轨道交通应急管理技术领域,特别是指一种城市轨道交通突发事件客流时空分布预测方法。
背景技术
在城市轨道交通网络化运营的情况下,网络结构越来越复杂,各条线路相关程度越来越高,突发事件类型逐渐多样化,发生频率增加,波及范围扩大,一旦发生突发事件,将会出现连锁反应,这对于原本满负荷运转的城市轨道交通系统无疑是个严峻的考验,突发事件将影响轨道线路各列车的正常运行,若不及时处理,将造成线网运输能力下降甚至发生瘫痪。
目前,北京市轨道交通实时客流监测系统已能够实时掌握轨道交通网络中的客流状态,但实时客流监测系统无法准确反映突发事件情况下的客流分布状态。突发事件情况下,乘客的出行选择行为发生变化,客流时空分布发生较大变化。常态下客流预测方法如四阶段法、非集计模型、神经网络等,多适合客流波动较小的情况,对于突发事件情况下的适用性较差。准确、实时把握突发事件情况下的轨道交通路网客流分布情况,对降低突发事件的影响、提高实时客流监控能力和乘客出行信息服务水平具有重要意义。
研究突发事件下乘客的出行选择行为变化,建立突发事件下乘客出行时间、出行路径选择模型,掌握突发事件下乘客在路网的出行规律,建立城市轨道交通网络突发事件客流预测方法,实现不同突发事件场景下轨道交通系统客流时空分布状态预测与预警,才能做好城市轨道交通建设和运营安全事件的防范工作,快速有效地处置城市轨道交通突发事件和灾难,尽快恢复城市轨道交通系统的正常运营,这些对减少突发事件造成的人员伤亡和财产损失,改善城市轨道交通安全状况具有重要的意义。
目前,在大客流形成与传播原理研究方面,关于大客流形成与传播原理,主要是疾病传播的SIR、SIRS模型,SIR模型是传染病模型中最经典的模型,其中S表示易感者,I表示感染者,R表示移出者,该模型目前常用于车站层客流预测和可预知大客流传播,但在城市轨道交通网络拥挤传播研究适用性有待进一步验证,同时该模型需以可能受影响车站及客流传播速率为基础,在实际应用中有一定局限性。已有研究分析了城市轨道交通网络形成、客流时间维度和空间维度的变化规律,总结了单条线路或者形成网络的特征,对客流时空特征与客流量关系进行了有价值的定性分析,为寻求初期网络阶段客流变化规律模型提供了基础。
在突发事件乘客行为选择方面,对于突发情况下乘客行为选择方面的研究,方法主要包括仿真、非集计模型和基于大数据的行为分析三种。仿真方法模拟乘客的行为,但不易考虑出行者在异常情况下的心理变化及外在交通行为方式的选择;非集计模型的数据基础来源于问卷调研,问卷调研多为非突发事件下SP调研,SP调查为意向调查,表明喜好,通过设计合理的调查方案,确定人们在假想的条件下对多个方案所表现出来的主观偏好,而RP调查为行为调查,揭示喜好,已完成的选择性行为的调查,其调研困难大,因此问卷数据有一定的偏差;基于海量数据的行为分析依赖于大量的AFC(自动售检票系统)数据,工作繁琐繁杂。
在突发事件客流预测方面,数据预测建模方法常用有:基于归纳学习算法的决策树方法,基于规则的分类方法RIPPER算法,将分类模型表示为凸优化问题利用已知的有效算法发现目标函数的全局最优点的支持向量机(SVM)方法,对数据集中属性集和类别变量概率关系建模的贝叶斯方法。一种模仿动物神经网络行为特征,进行分布式并行处理的神经网络算法,对噪声数据有较强的鲁棒性和容错能力。大多数规划和可行性研究阶段的客流预测应用四阶段法,预测宏观全方式出行需求,及开通初、近、远期特征年的客流量;除此之外还有时间序列、用地吸引和短期客流预测等方法,下面从这四种方法的原理、因素和算法进行简要总结。
四阶段法以居民出行OD(OD:交通出行的起讫点,O指的是出行的出发地点,D指的是出行的目的地)调查为基础,得到现状全方式出行分布,在此基础上预测规划年度的全方式出行分布,然后通过方式划分得到轨道交通的站间OD客流。四阶段法客流预测结果的精度较高,但该客流预测模式对于基础数据的要求较高,操作复杂。
时间序列法是根据历史统计数据,以时间为自变量建立模型,预测因变量未来发展的水平。常用模型有多项式模型、指数曲线、生长曲线等。时间序列法需有多年的交通产生或吸引量的资料,而且对于远景预测其精度一般较差。
用地吸引需确定一个轨道交通车站对客流的吸引范围,车站吸引范围是一个以车站为圆心、合理的到达车站时间或到达车站距离为半径的圆形区域。在分析车站吸引范围内的土地利用性质,以及确定合理步行区域接运交通区的基础上,可以预测通过步行、自行车和常规公交三种方式到站乘车的人次(分别为一次吸引客流、二次吸引客流和三次吸引客流),并在车站客流量的基础上进一步推算线路的断面客流量。
能够对短时客流进行预测的方法较多,主要包括线性预测模型与非线性预测模型,但非线性预测模型的运算速度较慢,难以满足短时客流预测要求。已有的短时预测方法有加权历史平均自回归法、时间序列法、K最邻近法、卡尔曼滤波法、人工神经网络法和小波分析法。前3种方法虽然运算简单,但是预测精度不高;后3种方法具有较高计算精度,但内在算法复杂,计算量较大。
常态下客流预测方法多适合客流波动较小情况,如四阶段法、非集计模型、神经网络等,突发客流波动大,且同种情况同类型事件发生几率小,适用性差;而基于行为分析的非集计模型,数据基础为问卷调研,人工干扰较为严重,因此常用的客流预测方法在突发事件客流预测时一般有一定的限制。
发明内容
本发明要解决的技术问题是提供一种城市轨道交通突发事件客流时空分布预测方法,针对因信号故障和车辆故障等设备故障引发的对乘客出行和列车运营造成影响的突发事件,挖掘历史突发事件的客流时空分布规律、影响范围及乘客选择行为,进而利用AFC实时数据和调查数据预测突发事件下轨道交通OD客流分布,再结合列车时刻表的推演,实现突发事件情况下的客流分配,最终得到突发事件情况下的客流分配指标,如网络中每一个车站的进出站量和换乘量,区间分时断面客流量和区间满载率,以及线路分方向分时线路客运量、换入量、进线量和换出量,最终解决现有客流预测模型在突发事件情况下的较差适用性问题。
为解决上述技术问题,本发明提供一种城市轨道交通突发事件客流时空分布预测方法,该城市轨道交通突发事件客流时空分布预测方法包括:
基于历史数据,对历史突发事件行车组织调整措施进行分析,并对历史突发事件客流时空分布规律、影响范围及乘客选择行为进行挖掘;
基于AFC实时刷卡数据,结合对历史突发事件客流时空分布规律、影响范围及乘客选择行为的挖掘结果,利用时空关联预测模型,对突发事件发生时的OD分布进行预测;
根据对历史突发事件行车组织调整措施的分析结果,对突发事件下的列车时刻表进行实时调整与推演,更新轨道有效路径;
结合突发事件下轨道有效路径更新结果和OD分布预测结果,基于多径路概率分配模型,实现不同突发事件场景下轨道交通客流时空分布状态预测。
进一步地,所述历史数据包括历史突发事件信息、历史突发事件行车组织调整措施和历史突发事件发生日客流数据。
进一步地,利用时空关联预测模型进行OD分布预测之前,该方法还包括:
获取与突发事件对应的历史同期正常日的OD客流数据,构建影响范围识别方法,框定轨道交通突发事件的影响车站范围;
相应地,利用时空关联预测模型进行OD分布预测为利用时空关联预测模型,对框定的轨道交通突发事件的影响车站范围内的车站的OD分布进行预测。
进一步地,获取与突发事件对应的历史同期正常日的OD客流数据,构建影响范围识别方法,框定轨道交通突发事件的影响车站范围,包括:
选取突发事件发生日前后同期正常日OD客流数据,共m天正常历史数据;所述m天正常历史数据服从正态分布;
根据3σ原则,除去m天正常历史数据中的异常进站量数据,经过数据除异后的正常日进站量数据集合为Ω;
基于集合Ω确定时间段j内突发事件日与正常日的OD偏移率,框定轨道交通突发事件的影响车站范围;所述时间段j内突发事件日与正常日的OD偏移率通过下式确定:
进一步地,所述选取突发事件发生日前后同期正常日OD客流数据,包括:对选取的数据选择15分钟的数据粒度进行分析;且在选取突发事件发生日前后同期正常日OD客流数据时,若所选的m天中有突发事件发生或者预设类型的特殊时间时,则选择该日所在周其他正常日的OD客流数据。
进一步地,所述时空关联预测模型构建过程,包括:
从时间的角度,通过数据挖掘,分析突发事件影响范围内客流随时间变化情况,归纳客流变化规律,进而研究客流随时间的变化趋势。用突发事件不同影响时段内受影响的OD量较正常日平均OD量的偏移率来表示时间对OD客流的影响。
从空间的角度,分析不同空间范围内OD客流受突发事件的影响程度,归纳客流随空间位置的变化规律。用突发事件不同空间范围内受影响的OD量较正常日平均OD量的偏移率来表示空间对OD客流的影响,引入OD客流空间影响参数描述空间对OD客流的影响程度,拟合分析客流变化趋势,挖掘突发事件OD客流空间影响模型。
结合权重分析法,构建突发事件下城市轨道交通时空关联预测模型。
进一步地,分析影响范围内客流随时间变化情况,归纳事件发生时间内客流变化规律,进而得到突发事件客流影响时间范围,公式如下:
用突发事件不同影响时段内受影响的OD量较正常日平均OD量的偏移率来表示时间对OD客流的影响,若偏移率等于-1,则表明影响达到极值,在j时段列车处于中断运营状态;若偏移率在区间(-1,0)内,则表明OD对受到突发事件影响,OD间有部分客流转移或者消失;若偏移率在区间(0,k]内,则表明OD对受到突发事件影响,且有部分客流转移到该OD间,k为预设常量;
将同一时段各受影响的OD客流偏移率平均化,得平均OD客流随时间变化的偏移率,平均OD客流偏移率随时间变化规律符合正弦函数形态;
所述引入OD客流空间影响参数可获取突发事件对受影响OD客流随空间位置的影响程度,构建OD客流空间影响模型,包括:
用突发事件不同空间范围内受影响的OD量较正常日平均OD量的偏移率来表示空间对OD客流的影响,引入OD客流空间影响参数获取突发事件中空间对OD客流的影响程度,定义OD客流空间影响参数是以突发事件发生线路作为出发点或者目的点的站点到突发事件发生站的最短路径距离与OD间最短路间距之比,用表示;
通过突发事件客流数据挖掘,分析OD客流空间影响参数与OD客流变化率相关关系,观察OD客流空间分布趋势;在事件发生时段,OD客流偏移率随OD客流空间影响参数变化服从对数分布,而在事件持续影响时段,OD客流偏移率随OD客流空间影响参数变化服从幂函数分布,因此构建OD客流随空间位置的影响模型如下:
其中,A、B、C、D、E为OD客流影响参数;
所述结合权重分析法,构建时空关联预测模型,具体为:
拟合分析客流变化趋势,挖掘突发事件OD客流影响规律,结合权重分析法,构建突发事件下城市轨道交通时空关联预测模型,如下:
进一步地,所述对突发事件发生时的列车时刻表进行实时调整与推演,更新轨道有效路径,具体为:
根据历史突发事件行车组织调整措施分析结果,明确运行调整方式,确定列车交路,基于启发式的自动调整算法,对突发事件列车时刻表进行实时调整与推演,更新轨道有效路径;运行调整方式包括停止运行、降级运行和清人折返。
进一步地,所述基于多径路概率分配模型,实现不同突发事件场景下轨道交通客流时空分布状态预测,具体为:
基于动态路径搜索,构建基于用户均衡的多径路概率分配模型,从而实时计算进站量、出站量、换乘量、断面客流量、区间满载率,进而实现不同突发事件场景下轨道交通客流时空分布状态预测。
进一步地,所述多径路概率分配模型构建过程包括:突发事件下的路径搜索和分配模型构建,其中:
所述突发事件下的路径搜索包括:
动态阻抗模型
考虑路径节点和区间消耗时间、基于拥挤的舒适敏感度费用和列车容量的续乘、留乘概率费用三方面来定义路径广义费用函数:
其中,为路径时间费用,为出行时间费用,为候车延误费用,α1,α2值分别表示不同类型乘客对于出行的效用敏感度;突发事件下,每次进行路径搜索或客流分配之前,会根据列车时刻表的推演情况,动态更新该时段的区间和节点上的阻抗;
动态路径搜索
采用双层网络建模的方法进行路径搜索,根据双层网络建模,分别针对不同网络设计相应的算法,上层网络需要通过搜索获得换乘节点构建的网络的K短路径子集;下层网络利用储存的Dlist与Vlist链表与下层网络各节点的衔接关系,利用设计的遍历匹配算法,将上层网络的K短路径子集转为全网络的K短路径集;
路径决策
当有效路径集的元素唯一时,该有效路径是唯一的绝对最优解,承担该OD对间全部客流;当有效路径集的元素不唯一时,则计算各路径被选择的概率,按比例分配;采用logit模型来表示相应阻抗下路径被选择的概率,如下:
所述分配模型构建包括:
构建多径路概率分配模型,模型综合确定型路径分配模型和随机多路径分配模型特点,构建基于用户均衡的多径路概率分配模型,如下:
其中,θ为描述模型的随机性;
qw表示起讫点w间的客流;
xi表示弧i的流量;
ci(w)表示弧的广义费用;
则对于每条路径的流量为:
其中,qw表示起讫点w间的客流;
θ为描述模型的随机性;
本发明的上述技术方案的有益效果如下:
本发明对历史突发事件信息、历史突发事件行车组织调整措施和历史突发事件发生日客流数据进行挖掘,分析历史突发事件行车组织调整措施,并与乘客路径选择行为进行了结合。利用AFC实时数据和调查数据,预测了突发事件下轨道交通OD客流分布,建立了城市轨道交通网络突发事件客流预测方法。同时,结合列车时刻表的推演,实时更新有效路径,进行突发事件情况下的客流分配,可实现实时计算进站量、出站量、换乘量、断面客流量、区间满载率等客流指标。
本发明通过对突发事件客流时空分布进行预测,可准确、实时把握突发事件情况下的轨道交通路网客流分布情况,这对于政府科学决策、企业精细运营管理、为乘客提供精准出行服务具有重要的意义。当发生突发事件时,政府通过掌握预测的客流时空分布信息对企业的运营状态进行实时监管,统筹全局,各部门密切配合,及时实施应急方案,共同做好运营突发事件的应对工作,减少突发事件造成的人员伤亡和财产损失,更好地保障公众的轨道交通出行安全。企业依据本发明的城市轨道交通网络突发事件客流预测方法,针对可能发生的轨道交通系统运营中断、大规模晚点、清人折返等突发事件情况,做出实时运营调整决策,提升服务水平。乘客通过基于客流分配模型发布的个性化路径诱导信息找寻突发事件情况下的替代路径,做出突发事件情况下的最优出行决策,出行效率可得到大幅提高。
附图说明
图1为本发明的城市轨道交通突发事件客流时空分布预测方法的流程图;
图2为平均客流时间影响系数随时间分布示意图;
图3a为事发时段的OD客流偏移百分比分布;
图3b为持续影响时段的OD客流偏移百分比分布;
图4为故障区间停止运行条件下的列车时刻表推演基本逻辑图;
图5为故障区间(列车)降级运行条件下的列车时刻表推演基本逻辑图;
图6为路径搜索算法示意图;
图7为路网客流实时预测整体流程图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
请参阅图1至图7,本实施例提供一种城市轨道交通突发事件客流时空分布预测方法,该城市轨道交通突发事件客流时空分布预测方法包括:
S101,基于历史数据,对历史突发事件行车组织调整措施进行分析,并对历史突发事件客流时空分布规律、影响范围及乘客选择行为进行挖掘;其中,历史数据包括历史突发事件信息、历史突发事件行车组织调整措施和历史突发事件发生日客流数据;
S102,基于AFC实时刷卡数据,结合对历史突发事件客流时空分布规律、影响范围及乘客选择行为的挖掘结果,利用时空关联预测模型,对突发事件下的OD分布进行预测;
S103,根据对历史突发事件行车组织调整措施的分析结果,对突发事件下的列车时刻表进行实时调整与推演,更新轨道有效路径;
S104,结合突发事件下轨道有效路径更新和OD分布预测结果,基于多径路概率分配模型,实现不同突发事件场景下轨道交通客流时空分布状态预测。
进一步地,利用时空关联预测模型进行OD分布预测之前,本实施例的方法首先需要实现突发事件情况下客流影响范围界定,在对突发事件客流影响范围进行界定时,首先要进行OD客流数据的选取工作。接着构建影响范围识别方法,框定轨道交通突发事件的影响车站范围,在所影响的车站前提情况下,分析乘客客流特征,其具体实现过程如下:
1、数据选取
1)使用突发事件发生日前后同期正常日OD客流量数据,共m天数据,m值选取直接影响后期数据分析,需满足所选数据客流变化特征相近。
2)若所选取的m天中有突发事件或者为特殊时间(如国假、大型活动日等),则选择该日所在周其他相似日的OD客流数据;
3)所研究突发事件是对乘客和行车造成影响的事件,一般情况下,研究轨道客流常用时间粒度为5分钟、15分钟、30分钟、1小时、1天,然而对于突发事件一旦发生需要迅速及时进行应急处理,则时间越快越好,而5分钟粒度下的进站客流数据量相对较小,微小的数据波动,会引起数据分析的误差,因此选择15分钟的数据粒度进行分析。
2、影响范围识别
城市轨道交通突发事件发生后,一般会直接影响乘客出行和行车组织调整,突发事件不仅影响事发车站或区段,随时间的推移,还会波及到其他车站或区段,研究全网线路、车站的进站量分布情况,工作量繁琐且意义不大,因此需要构建影响范围识别方法,框定轨道交通突发事件的影响车站范围,在所影响的车站前提情况下,分析乘客客流特征。
在AFC刷卡数据中,因检测设备、乘客人为等原因,经常会导致正常数据中有部分数据偏差较大,为保证突发事件识别的准确性,需清洗正常历史进站量数据中的异常数据。历史同期进站量服从正态分布,即则可根据3σ原则,除去m天正常历史数据中的异常进站量数据。分布在(μ-3σ,μ+3σ)区间范围的概率为0.9974,若进站量与均值的偏移大于3倍方差,则可以认为此进站量是异常数据,需要剔除。经过数据除异后的正常日进站量数据集合为Ω,
Xj为时间段j内突发事件日OD量;
Yj为时间段j内突发事件日与正常日的OD偏移量;
Rj为时间段j内突发事件日与正常日的OD偏移率。
进一步地,所述时空关联预测模型构建过程,包括:
1、客流时间影响
分析影响范围内客流随着时间变化情况,归纳事件发生时间内客流变化规律及变化持续时间,进而得到突发事件客流影响时间范围。
其中,T为突发事件发生和影响时间区间;
时间取值;
te为突发事件发生时间间隔,单位为分钟;
ted为突发事件发生和影响时间间隔,单位为分钟。
将同一时段各受影响的OD客流偏移率平均化,得平均OD客流随时间变化的偏移率。
平均OD客流随时间变化的偏移率具有较稳定的趋势且规律明显。突发事件发生对轨道交通的影响形式与波的传播原理相似,可以看作以事发地为中心按照某种规则向外辐射传播,如图2所示。
轨道交通突发事件发生点可以看作波的圆心,事件传播距离类似于波的传播半径,平均OD客流时间影响系数随时间变化规律符合正弦函数形态。
然而,突发事件的传播并不是像波的传播原理一样以同心圆均匀的向外传播,相同时段,不同影响距离的OD客流影响参数不同,突发事件客流传播程度受站点与事发地点的距离影响,而相同间距的客流受影响程度又不同,对于单个OD对间的OD客流量变化不同。
2、客流空间影响
Lk为在事发线路上的出发车站或者目的车站距离事发车站的最短路间距;
Lod为OD间的最短路距离。
通过突发事件客流数据挖掘,分析OD客流空间影响参数与OD客流变化率相关关系,观察OD客流分布趋势,如图3a和图3b所示。
在事件发生时段,OD客流偏移率随OD客流空间影响参数变化服从对数分布,而在事件持续影响时段,变化服从幂函数分布,因此构建OD客流影响模型,如公式(5-7)所示。
式中,A、B、C、D、E为OD客流影响参数。
3、时空关联预测模型
拟合分析客流变化趋势,挖掘突发事件OD客流影响规律,结合权重分析法,构建突发事件下城市轨道交通时空关联预测模型,如公式(5-8)-(5-9)所示。
进一步地,突发事件情况下列车时刻表推演,包括:
针对地面(区间)信号故障、车载信号故障和区间或车站无法通行这三类应急系统中的故障形式,进行列车时刻表推演,获取新的有效路径,实现突发事件客流分配。
系统总体运行计划调整措施包括扣车、降级运行和清人折返,针对上述三类故障,系统将采取不同的具体行车调整措施,选择合适的运行计划调整方法并相应安排好列车交路。
列车时刻表推演采用基于启发式的自动调整算法,如图4和图5所示。
进一步地,基于多径路概率分配模型,实现不同突发事件场景下轨道交通客流时空分布状态预测,具体为:
1、突发事件下的路径搜索
1)动态阻抗模型
城市轨道交通网络路径出行时间是进行路径搜索的主要判断参数。
为实现对于网络中任意节点(车站)间的路径集进行搜索、存储和仿真,需建立以时间费用形式为基础路径广义费用函数。为实现乘客实际出行过程中的路径选择过程描述和评估,考虑路径节点和区间消耗时间、基于拥挤的舒适敏感度费用和列车容量的续乘、留乘概率费用三方面来定义路径广义费用函数。
α1,α2值分别表示不同类型乘客对于出行的效用敏感度。
突发事件下,每次进行路径搜索或客流分配之前,会根据列车时刻表的推演情况,动态更新该时段的区间和节点上的阻抗。
2)动态路径搜索
采用双层网络建模的方法进行路径搜索。根据双层网络建模,分别针对不同网络设计相应的算法。上层网络需要通过搜索获得换乘节点构建的网络的K短路径子集;下层网络利用储存的Dlist与Vlist链表与下层网络各节点的衔接关系,利用设计的遍历匹配算法,将上层网络的K短路径子集L'<L'ij,i≠j>转为全网络的K短路径集L<Lij,i≠j>。
3)路径决策
当有效路径集的元素唯一时,该有效路径是唯一的绝对最优解,承担该OD对间全部客流;当有效路径集的元素不唯一时,则计算各路径被选择的概率,按比例分配。
采用logit模型来表示相应阻抗下路径被选择的概率,如下:
式中,Cm,i为影响乘客路径选择的因素的费用函数;
βm,i为该项因素的权值;
针对仿真时刻内的任一OD对,执行如图7所示的流程,输出有效路径集。
2、分配模型构建
构建多径路概率分配模型,模型综合确定型路径分配模型和随机多路径分配模型特点,构建基于用户均衡的多径路概率分配模型,如下:
式中,θ为描述模型的随机性;
qw表示起讫点w间的客流;
xi表示弧i的流量;
ci(w)表示弧的广义费用;
则对于每条路径的流量为:
式中,qw表示起讫点w间的客流;
θ为描述模型的随机性;
进一步地,本实施例还包括突发事件情况下客流推演仿真,利用上述客流分配模型,对路网客流进行实时预测,如图7所示。
1、预测初始阶段
连接数据库并读入仿真计算必要数据,进行数据准备,主要包括读入在仿真过程中的所有基础设施表、中间客流数据表、参数表。该阶段于每日的开始预测前完成,即5点前完成。
2、预测阶段
包括进站量预测、客流OD预测和客流多路径分配预测。
进站量预测是指在每个预测时间初期,通过连接数据库读入实时进站AFC统计数据,基于历史的客流进站数据表,预测每个预测时间范围内(5min/30min/60min)每个车站(共391个车站)的进站流量。
客流OD预测是指根据历史客流OD矩阵,将进站客流量按照去向进行OD分配,预测每个车站进站客流在每个预测时段将要去往剩余车站的客流量,即预测客流OD流量。
客流多路径分配预测是指依据客流OD流量,以及在初始阶段读入的基础路径集数据,以及上个时段的路网客流分布状态,按照logit模型计算每条路径可能分配的客流比例,将OD流量按照比例分配至各条路径上。
3、仿真阶段
包括仿真多智能体模型构建,客流出行过程推演和仿真计算结果统计。
仿真多智能体模型构建:包括仿真车站智能体、列车智能体、乘客智能体和整体路网场景,创建智能体之间的交互方法、交互机制,初始化对象,形成仿真对象。
客流出行过程推演:根据智能体之间的交互方法和各自的行为规则,依据时间和时间交互机制进行精确仿真,主要是将OD间按照比例分配至路径上的客流在路网空间静态加载,按时间动态推算。
仿真计算结果统计:将仿真时钟设置为实际时钟的0.1倍(或更小),则能以0.1倍(或更小)的时间完成真实时间的推进过程。完成推演后利用仿真容器的设置,依据需求统计预测时间范围内的仿真计算结果。
4、指标计算及结果入库阶段
仿真计算完毕后根据数据表将元数据快速写入数据库,并根据监控指标计算方法进行实时在线计算,生成报表。该阶段于仿真计算结束后进行,时间约与仿真计算时间一致。
5、预测结束数据更新阶段
在每日运营结束阶段至次日运营开始前为数据更新阶段,主要为更新下周同期的修正AFC数据、OD输入数据。
仿真方法采用基于多主体的仿真方法,进行主体建模。
下面对本实施例方案的核心内容和关键点进行概括如下:
1、历史数据挖掘
轨道交通正常运营条件下,客流变化趋势一般趋于稳定状态,规律较为明显,而突发事件下,客流规律较为复杂。突发事件类型不同,对列车影响不同,则乘客的选择行为不同,进而会形成轨道交通网络中不同情况的客流分布。
本发明基于历史突发信息、历史突发事件行车组织调整措施和历史突发事件发生日客流数据,对历史突发事件行车组织调整措施进行分析,对历史突发事件客流时空分布规律、影响范围及乘客选择行为进行挖掘,根据突发事件发生线路特征,将城市轨道交通线路划分为五类,分析车站、线路、路网的客流变化情况,研究突发事件下的客流特征,挖掘出了客流时空分布规律。
2、OD分布预测
本发明首先分析了客流时空影响规律,在客流时间影响方面,本发明分析了影响范围内客流随着时间变化情况,归纳了事件发生时间内客流变化规律,进而得到了突发事件客流影响时间范围;在客流空间影响方面,本发明引入了OD客流影响参数描述突发事件对受影响OD客流的影响程度,并构建了OD客流影响模型;最后,本发明拟合分析客流变化趋势,挖掘了突发事件OD客流影响规律,结合权重分析法,构建了突发事件下城市轨道交通时空关联预测模型。
3、列车时刻表推演
本发明考虑了行车组织方面的因素,在进行客流分配时,除了考虑了客流OD分布,还结合了列车时刻表的推演。列车时刻表的推演过程是根据对历史突发事件行车组织调整措施进行分析,明确三种运行调整方法,确定列车交路,基于启发式的自动调整算法,对突发事件列车时刻表进行实时调整与推演,更新轨道有效路径,最后应用于客流分配。
4、客流分配
本发明结合突发事件下的列车运行调整措施、历史客流特征挖掘和乘客出行选择行为分析,研究突发事件下城市轨道交通客流时空分布预测方法,基于动态路径搜索,构建了基于用户均衡的多径路概率分配模型,进而实时计算进站量、出站量、换乘量、断面客流量、区间满载率等客流指标,实现不同突发事件场景下轨道交通客流时空分布状态预测。
此外,需要说明的是,本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
还需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种城市轨道交通突发事件客流时空分布预测方法,其特征在于,包括:
基于历史数据,对历史突发事件行车组织调整措施进行分析,并对历史突发事件的客流时空分布规律、影响范围及乘客选择行为进行挖掘;
基于AFC实时刷卡数据,结合对历史突发事件客流时空分布规律、影响范围及乘客选择行为的挖掘结果,利用时空关联预测模型,对突发事件下的OD分布进行预测;
根据对历史突发事件行车组织调整措施的分析结果,对突发事件发生时的列车时刻表进行实时调整与推演,更新轨道有效路径;
结合突发事件下轨道有效路径更新结果和OD分布预测结果,基于多径路概率分配模型,实现不同突发事件场景下轨道交通客流时空分布状态预测;
利用时空关联预测模型进行OD分布预测之前,所述方法还包括:
获取与突发事件对应的历史同期正常日的OD客流数据,构建影响范围识别方法,框定轨道交通突发事件的影响车站范围;
相应地,利用时空关联预测模型进行OD分布预测为利用时空关联预测模型,对框定的轨道交通突发事件的影响车站范围内的车站的OD分布进行预测;
获取与突发事件对应的历史同期正常日的OD客流数据,构建影响范围识别方法,框定轨道交通突发事件的影响车站范围,包括:
选取突发事件发生日前后同期正常日OD客流数据,共m天正常历史数据;所述m天正常历史数据服从正态分布;
根据3σ原则,除去m天正常历史数据中的异常进站量数据,经过数据除异后的正常日进站量数据集合为Ω;
基于集合Ω确定时间段j内突发事件日与正常日的OD偏移率,框定轨道交通突发事件的影响车站范围;所述时间段j内突发事件日与正常日的OD偏移率通过下式确定:
所述选取突发事件发生日前后同期正常日OD客流数据,包括:
对选取的数据选择15分钟的数据粒度进行分析;且在选取突发事件发生日前后同期正常日OD客流数据时,若所选取的m天中有突发事件发生或者预设类型的特殊时间时,则选择该日所在周其他正常日的OD客流数据;
所述时空关联预测模型构建过程,包括:
分析影响范围内客流随时间变化情况,归纳事件发生时间内客流变化规律,进而得到突发事件客流影响时间范围;
引入OD客流空间影响参数描述突发事件对受影响OD客流随空间位置的影响程度,构建OD客流空间影响模型;拟合分析客流变化趋势,挖掘突发事件OD客流影响规律;
结合权重分析法,构建突发事件下城市轨道交通时空关联预测模型;
所述分析影响范围内客流随时间变化情况,归纳事件发生时间内客流变化规律,进而得到突发事件客流影响时间范围,公式如下:
用突发事件不同影响时段内受影响的OD量较正常日平均OD量的偏移率来表示时间对OD客流的影响,若偏移率等于-1,则表明影响达到极值,在j时段列车处于中断运营状态;若偏移率在区间(-1,0)内,则表明OD对受到突发事件影响,OD间有部分客流转移或者消失;若偏移率在区间(0,k]内,则表明OD对受到突发事件影响,且有部分客流转移到该OD间,k为预设常量;
将同一时段各受影响的OD客流偏移率平均化,得平均OD客流随时间变化的偏移率,平均OD客流偏移率随时间变化规律符合正弦函数形态;
所述引入OD客流空间影响参数描述突发事件对受影响OD客流随空间位置的影响程度,构建OD客流空间影响模型,包括:
用突发事件不同空间范围内受影响的OD量较正常日平均OD量的偏移率来表示空间对OD客流的影响,引入OD客流空间影响参数获取突发事件中空间对OD客流的影响程度,定义OD客流空间影响参数是以突发事件发生线路作为出发点或者目的点的站点到突发事件发生站的最短路径距离与OD间最短路间距之比,用表示;
通过突发事件客流数据挖掘,分析OD客流空间影响参数与OD客流变化率相关关系,观察OD客流空间分布趋势;在事件发生时段,OD客流偏移率随OD空间客流影响参数变化服从对数分布,而在事件持续影响时段,OD客流偏移率随OD客流空间影响参数变化服从幂函数分布,因此构建OD客流随空间位置的影响模型如下:
其中,A、B、C、D、E为OD客流影响参数;
所述结合权重分析法,构建时空关联预测模型,具体为:
拟合分析客流变化趋势,挖掘突发事件OD客流影响规律,结合权重分析法,构建突发事件下城市轨道交通时空关联预测模型,如下:
其中,A、B、C、D、E、F、G、H、I、J、K为参数;
2.如权利要求1所述的城市轨道交通突发事件客流时空分布预测方法,其特征在于,所述历史数据包括历史突发事件信息、历史突发事件行车组织调整措施和历史突发事件发生日客流数据。
3.如权利要求1所述的城市轨道交通突发事件客流时空分布预测方法,其特征在于,所述对突发事件发生时的列车时刻表进行实时调整与推演,更新轨道有效路径,具体为:
根据历史突发事件行车组织调整措施分析结果,明确运行调整方式,确定列车交路,基于启发式的自动调整算法,对突发事件列车时刻表进行实时调整与推演,更新轨道有效路径;运行调整方式包括停止运行、降级运行和清人折返。
4.如权利要求3所述的城市轨道交通突发事件客流时空分布预测方法,其特征在于,所述基于多径路概率分配模型,实现不同突发事件场景下轨道交通客流时空分布状态预测,具体为:
基于动态路径搜索,构建基于用户均衡的多径路概率分配模型,从而实时计算进站量、出站量、换乘量、断面客流量及区间满载率,进而实现不同突发事件场景下轨道交通客流时空分布状态预测。
5.如权利要求4所述的城市轨道交通突发事件客流时空分布预测方法,其特征在于,所述多径路概率分配模型构建过程包括:突发事件下的路径搜索和分配模型构建,其中:
所述突发事件下的路径搜索包括:
动态阻抗模型
考虑路径节点和区间消耗时间、基于拥挤的舒适敏感度费用和考虑列车容量的续乘、留乘概率费用三方面来定义路径广义费用函数:
其中,为路径时间费用,为出行时间费用,为候车延误费用,α1,α2值分别表示不同类型乘客对于出行的效用敏感度;突发事件下,每次进行路径搜索或客流分配之前,会根据列车时刻表的推演情况,动态更新该时段的区间和节点上的阻抗;
动态路径搜索
采用双层网络建模的方法进行路径搜索,根据双层网络建模,分别针对不同网络设计相应的算法,上层网络需要通过搜索获得换乘节点构建的网络的K短路径子集;下层网络利用储存的Dlist与Vlist链表与下层网络各节点的衔接关系,利用设计的遍历匹配算法,将上层网络的K短路径子集转为全网络的K短路径集;
路径决策
当有效路径集的元素唯一时,该有效路径是唯一的绝对最优解,承担该OD对间全部客流;当有效路径集的元素不唯一时,则计算各路径被选择的概率,按比例分配;采用logit模型来表示相应阻抗下路径被选择的概率,如下:
所述分配模型构建包括:
构建多径路概率分配模型,模型综合确定型路径分配模型和随机多路径分配模型特点,构建基于用户均衡的多径路概率分配模型,如下:
其中,θ为描述模型的随机性;
qw表示起讫点w间的客流;
xi表示弧i的流量;
ci(w)表示弧的广义费用;
则对于每条路径的流量为:
其中,qw表示起讫点w间的客流;
θ为描述模型的随机性;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910910731.2A CN110782070B (zh) | 2019-09-25 | 2019-09-25 | 一种城市轨道交通突发事件客流时空分布预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910910731.2A CN110782070B (zh) | 2019-09-25 | 2019-09-25 | 一种城市轨道交通突发事件客流时空分布预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110782070A CN110782070A (zh) | 2020-02-11 |
CN110782070B true CN110782070B (zh) | 2022-04-22 |
Family
ID=69384494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910910731.2A Active CN110782070B (zh) | 2019-09-25 | 2019-09-25 | 一种城市轨道交通突发事件客流时空分布预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110782070B (zh) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353637B (zh) * | 2020-02-24 | 2023-11-07 | 北京工业大学 | 一种基于时空序列的大型活动突发事件预测分层架构和方法 |
CN111242394B (zh) * | 2020-04-26 | 2021-03-23 | 北京全路通信信号研究设计院集团有限公司 | 空间关联特征的提取方法及系统 |
CN111626497B (zh) * | 2020-05-25 | 2023-06-30 | 日立楼宇技术(广州)有限公司 | 人流量预测方法、装置、设备和存储介质 |
CN111724076A (zh) * | 2020-06-24 | 2020-09-29 | 西南交通大学 | 运营中断条件下区域多式轨道交通客流动态分配方法 |
CN111931978A (zh) * | 2020-06-29 | 2020-11-13 | 南京熊猫电子股份有限公司 | 一种基于时空特性的城市轨道交通客流状态预测方法 |
CN112070372B (zh) * | 2020-08-25 | 2022-11-18 | 长沙理工大学 | 基于区间不确定性的公交客流分配方法、系统、存储介质 |
CN112101677B (zh) * | 2020-09-23 | 2022-03-22 | 佳都科技集团股份有限公司 | 一种公共交通出行路径规划方法、装置、设备及存储介质 |
CN112232415B (zh) * | 2020-10-16 | 2021-07-20 | 中南大学 | 一种高铁全网络站点延误传播的识别方法、设备及介质 |
CN112288272B (zh) * | 2020-10-29 | 2021-05-07 | 北京交通大学 | 基于需求演化与流量传播的地铁客流调控计划编制方法 |
CN112036670A (zh) * | 2020-11-03 | 2020-12-04 | 成都智元汇信息技术股份有限公司 | 一种客流综合预测系统及预测方法 |
CN112308332A (zh) * | 2020-11-10 | 2021-02-02 | 交控科技股份有限公司 | 轨道交通平行推演系统及方法 |
CN112508247B (zh) * | 2020-11-26 | 2024-05-21 | 交控科技股份有限公司 | 一种交通异常信息的处理方法、装置及电子设备 |
CN112598177B (zh) * | 2020-12-22 | 2023-10-24 | 北京市地铁运营有限公司 | 一种城市轨道交通突发事件在线客流预测与仿真系统 |
CN112685895B (zh) * | 2020-12-29 | 2024-05-03 | 北京交通大学 | 针对突发事件场景的城轨列车运行仿真方法 |
CN113077625B (zh) * | 2021-03-24 | 2022-03-15 | 合肥工业大学 | 一种道路交通事故形态预测方法 |
CN113033921B (zh) * | 2021-04-28 | 2021-12-28 | 北京市交通信息中心 | 一种基于多元逐步回归分析的公交线路客流预测方法 |
CN113723659B (zh) * | 2021-06-22 | 2023-11-21 | 北京交通大学 | 一种城市轨道交通全场景客流预测方法及系统 |
CN113761020B (zh) * | 2021-07-30 | 2023-06-13 | 北京交通大学 | 一种城市轨道交通异常大客流实时预测方法 |
CN114358808A (zh) * | 2021-11-15 | 2022-04-15 | 南京理工大学 | 基于多源数据融合的公交od估计及分配方法 |
CN113987103B (zh) * | 2021-12-27 | 2022-02-25 | 广州市交通规划研究院 | 一种面向城市综合交通网的组合出行路径搜索方法及系统 |
CN114331234B (zh) * | 2022-03-16 | 2022-07-12 | 北京交通大学 | 基于乘客出行信息的轨道交通客流预测方法和系统 |
CN114912233B (zh) * | 2022-04-19 | 2023-04-18 | 华北科技学院(中国煤矿安全技术培训中心) | 路网运力下降的影响范围确定和协同管控的方法及系统 |
CN115564151A (zh) * | 2022-12-06 | 2023-01-03 | 成都智元汇信息技术股份有限公司 | 一种基于形态识别的突发大客流形态识别方法及系统 |
CN115660384B (zh) * | 2022-12-12 | 2023-04-18 | 天津市政工程设计研究总院有限公司 | 一种公共交通工具空间分配方法及系统 |
CN116128122B (zh) * | 2023-01-03 | 2023-09-12 | 北京交通大学 | 一种考虑突发因素的城市轨道交通短时客流预测方法 |
CN116453696B (zh) * | 2023-06-14 | 2023-08-15 | 天津大学 | 基于人员时空分布模型的呼吸道疾病感染风险预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279950A (zh) * | 2011-08-02 | 2011-12-14 | 中国铁道科学研究院电子计算技术研究所 | 基于数据挖掘和神经网络的轨道交通清分方法 |
CN103208034A (zh) * | 2013-03-22 | 2013-07-17 | 北京交通大学 | 一种轨道交通客流分布预测模型建立及预测方法 |
CN103955744A (zh) * | 2014-04-23 | 2014-07-30 | 同济大学 | 轨道交通客流分配模型参数自动标定方法及装置 |
CN105224999A (zh) * | 2015-09-10 | 2016-01-06 | 北京市交通信息中心 | 基于afc数据的城市轨道交通实时客流预测方法及系统 |
CN108846514A (zh) * | 2018-06-07 | 2018-11-20 | 同济大学 | 一种突发事件下轨道交通客流疏散需求预测方法 |
CN108960684A (zh) * | 2018-08-17 | 2018-12-07 | 华南理工大学 | 一种基于不完全轨迹片段的公交乘客闭合出行链挖掘方法 |
CN110019569A (zh) * | 2017-07-21 | 2019-07-16 | 北京交通大学 | 一种获取城市轨道交通运营状态信息的方法 |
-
2019
- 2019-09-25 CN CN201910910731.2A patent/CN110782070B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279950A (zh) * | 2011-08-02 | 2011-12-14 | 中国铁道科学研究院电子计算技术研究所 | 基于数据挖掘和神经网络的轨道交通清分方法 |
CN103208034A (zh) * | 2013-03-22 | 2013-07-17 | 北京交通大学 | 一种轨道交通客流分布预测模型建立及预测方法 |
CN103955744A (zh) * | 2014-04-23 | 2014-07-30 | 同济大学 | 轨道交通客流分配模型参数自动标定方法及装置 |
CN105224999A (zh) * | 2015-09-10 | 2016-01-06 | 北京市交通信息中心 | 基于afc数据的城市轨道交通实时客流预测方法及系统 |
CN110019569A (zh) * | 2017-07-21 | 2019-07-16 | 北京交通大学 | 一种获取城市轨道交通运营状态信息的方法 |
CN108846514A (zh) * | 2018-06-07 | 2018-11-20 | 同济大学 | 一种突发事件下轨道交通客流疏散需求预测方法 |
CN108960684A (zh) * | 2018-08-17 | 2018-12-07 | 华南理工大学 | 一种基于不完全轨迹片段的公交乘客闭合出行链挖掘方法 |
Non-Patent Citations (8)
Title |
---|
Research on Passenger Flow Prediction of Beijing Subway Based on Spatiotemporal Correlation Analysis;Zhuo Wang 等;《2019 IEEE 4th International Conference on Cloud Computing and Big Data Analysis (ICCCBDA)》;20190530;第297-283页 * |
Train Scheduling for Minimizing the Total Travel Time With a Skip-Stop Operation in Urban Rail Transit;ANAN YANG 等;《IEEE Access》;20190614;第7卷;第81956-81968页 * |
城市轨道交通AFC实时客流有效数据筛选;汪波 等;《都市快轨交通》;20150618;第28卷(第3期);第24-28页 * |
城市轨道交通客流时空分布特性及线路运能与客流匹配方法研究;李茜;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》;20180115(第1期);第C033-239页 * |
城市轨道交通新线接入客流预测及网络客流分布研究;郑清杰;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》;20170115(第1期);第C033-419页 * |
基于多源数据的北京轨道交通客流特征分析;李臣 等;《都市快轨交通》;20171018;第30卷(第5期);第7-16页 * |
基于轨道交通虚拟网络的突发事件下进站乘客出行方式比例研究;鲍枫 等;《公路交通科技(应用技术版)》;20161015;第12卷(第10期);第239-242页 * |
由路段交通量推算OD出行量方法研究——基于多路径概率分配模型的迭代反推法;李景 等;《交通运输工程学报》;20010630;第1卷(第2期);第78-82页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110782070A (zh) | 2020-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110782070B (zh) | 一种城市轨道交通突发事件客流时空分布预测方法 | |
CN104157139B (zh) | 一种交通拥堵预测方法及可视化方法 | |
CN109686091B (zh) | 一种基于多源数据融合的交通流量填补算法 | |
CN110400015B (zh) | 一种时间估计方法及其装置、设备 | |
CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN103366224B (zh) | 一种基于公交网络的乘客需求预测系统和方法 | |
CN103680127A (zh) | 一种利用低采样率浮动车数据计算信号灯控制道路交叉口延误的方法 | |
Chan et al. | Traffic flow forecasting neural networks based on exponential smoothing method | |
Poulton et al. | Modeling metropolitan-area ambulance mobility under blue light conditions | |
Ayman et al. | Data-driven prediction and optimization of energy use for transit fleets of electric and ICE vehicles | |
Kong et al. | The method and application of big data mining for mobile trajectory of taxi based on MapReduce | |
Hörl | Dynamic Demand Simulation for Automated Mobility on Demand | |
CN113553350B (zh) | 一种相似演化模式聚类及动态时区划分的交通流分区模型 | |
Yang et al. | Dynamic origin-destination matrix estimation based on urban Rail transit AFC data: deep optimization framework with forward passing and backpropagation techniques | |
CN111723871B (zh) | 一种公交车实时车厢满载率的估算方法 | |
Rusca et al. | Algorithm for traffic allocation when are developed park and ride facilities | |
Xu et al. | A real‐time traffic index model for expressways | |
Liu et al. | A hybrid model based on kalman filter and neutral network for traffic prediction | |
Jin et al. | Route planning of rescue vehicles in the process of dynamic change of traffic volume under emergency conditions | |
Ye et al. | Hybrid calibration of agent-based travel model using traffic counts and AVI data | |
Niu et al. | Highway Temporal‐Spatial Traffic Flow Performance Estimation by Using Gantry Toll Collection Samples: A Deep Learning Method | |
Verma et al. | Urban Transit Technology Selection for Many-to-Many Travel Demand Using Social Welfare Optimization Approach | |
Fathy et al. | A method to predict travel time in large-scale urban areas using Vehicular Networks | |
Chen et al. | Estimating travel times of mid-volume buses considering right-of-way variation | |
Zhao | Parking Availability Prediction based on Machine Learning Approaches: A Case Study in the Short North Area |
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 |