CN111582750B - 一种轨道交通反向乘客识别及乘车班次确定方法及系统 - Google Patents
一种轨道交通反向乘客识别及乘车班次确定方法及系统 Download PDFInfo
- Publication number
- CN111582750B CN111582750B CN202010418186.8A CN202010418186A CN111582750B CN 111582750 B CN111582750 B CN 111582750B CN 202010418186 A CN202010418186 A CN 202010418186A CN 111582750 B CN111582750 B CN 111582750B
- Authority
- CN
- China
- Prior art keywords
- reverse
- passenger
- waiting time
- passengers
- station
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000009826 distribution Methods 0.000 claims abstract description 158
- 230000006399 behavior Effects 0.000 claims description 65
- 150000001875 compounds Chemical class 0.000 claims description 24
- 238000005315 distribution function Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 3
- 238000013468 resource allocation Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 57
- 238000012546 transfer Methods 0.000 description 16
- 239000004576 sand Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 239000000203 mixture Substances 0.000 description 12
- 238000011217 control strategy Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 229910052956 cinnabar Inorganic materials 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009827 uniform distribution 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61D—BODY DETAILS OR KINDS OF RAILWAY VEHICLES
- B61D41/00—Indicators for reserved seats; Warning or like signs; Devices or arrangements in connection with tickets, e.g. ticket holders; Holders for cargo tickets or the like
- B61D41/04—Indicators for reserved seats
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/10—Operations, e.g. scheduling or time tables
- B61L27/16—Trackside optimisation of vehicle or train operation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种轨道交通反向乘客识别及乘车班次确定方法及系统。该方法包括:根据候车时间建立乘客选择行为模型,识别正向乘客和反向乘客,并确定正向候车时间和反向时间;根据最大列车数和正向乘客候车时间建立正向候车时间分布模型;根据反向车站的最大数量和反向时间建立反向时间分布模型;采用贝叶斯模型对三种模型中参数的联合后验概率进行计算,得到参数联合后验概率,采用NUTS算法对联合后验概率中的参数进行估计,得到参数估计值;根据参数估计值进行反向乘客识别、反向乘客的反向车站和乘车班次识别以及正向乘客的乘车班次识别。采用本发明的方法及系统,能够为高峰限流和运力资源配置提供更精准、合理的依据。
Description
技术领域
本发明涉及轨道交通技术领域,特别是涉及一种轨道交通反向乘客识别及乘车班次确定方法及系统。
背景技术
近年来,随着城市人口的增加,越来越多的城市居民选择乘坐地铁出行,从而造成部分地铁线路严重拥挤。为了解决地铁拥挤的问题,人们开始关注引导乘客远离拥挤线路(即客流控制)的策略。因此,通过进一步完善这些控制策略,了解乘客路径选择行为的本质,可以有效地缓解地铁高峰时段的拥堵压力。
随着乘客需求的增加,大量乘客因高度拥挤无法登上第一列到达的列车,部分乘客选择反向出行,以获得座位或避免拥挤。所谓反向出行,是指先乘坐反方向的地铁列车到达反向车站,再在反向车站乘坐正常方向的列车到达目的地的行为;正向出行则是不采取反向出行策略,直接乘坐驶向目的地列车的行为。然而,目前的轨道交通配流方法只考虑正向出行的乘客,忽略了反向出行的乘客,不能为高峰限流和运力资源配置提供精准、合理的依据。
发明内容
本发明的目的是提供一种轨道交通反向乘客识别及乘车班次确定方法及系统,同时考虑正向乘客和反向乘客,能够为高峰限流和运力资源配置提供更精准、合理的依据。
为实现上述目的,本发明提供了如下方案:
一种轨道交通反向乘客识别及乘车班次确定方法,包括:
获取自动售验票系统的乘车数据,并根据所述乘车数据确定乘客候车时间;所述乘客候车时间包括正向乘客的正向候车时间和反向乘客的反向时间;所述正向候车时间为正向乘客在车站等待直接驶入目的地列车的时间;所述反向时间为反向乘客在反向乘车时车内的时间与在起点站和反向车站候车时间的总和;
根据所述乘客候车时间建立乘客选择行为模型;乘客选择行为包括正向出行和反向出行;
获取乘客所需等候的最大列车数以及反向车站的最大数量;
根据所述最大列车数和所述正向候车时间建立正向乘客乘坐不同列车班次的正向候车时间分布模型;
根据所述反向车站的最大数量和所述反向时间建立反向乘客选择不同反向车站的反向时间分布模型;
采用贝叶斯模型分别对所述乘客选择行为模型、所述正向候车时间分布模型和所述反向时间分布模型中参数的联合后验概率进行计算,分别得到每个模型参数的联合后验概率;
采用NUTS算法对所述联合后验概率的参数进行估计,得到参数估计值;
根据所述参数估计值进行反向乘客识别、反向乘客的反向车站和乘车班次识别以及正向乘客的乘车班次识别,得到识别结果。
可选的,所述根据所述乘客候车时间建立乘客选择行为模型,具体包括:
根据如下公式建立乘客选择行为模型:
式中,表示乘客z属于正向乘客的概率,表示乘客z属于反向乘客的概率,NP表示所有正向乘客集合,TBP表示所有反向乘客集合,表示选择路径r的乘客z在起点站o的候车时间, 分别表示选择路径r的正向乘客在起点站o的正向候车时间的平均值、标准差和权重;分别表示选择路径r的反向乘客在起点站o的反向时间的平均值、标准差和权重。
可选的,所述根据所述最大列车数和所述正向候车时间建立正向乘客乘坐不同列车班次的正向候车时间分布模型,具体包括:
根据如下公式建立所述正向候车时间分布模型:
式中,表示选择路径r的乘客z在起点站o所需等候的最大列车数,表示所有正向候车时间分布的概率密度函数,表示正向乘客等待第i辆地铁的候车时间的权重向量;和分别表示正向乘客等待第i辆地铁的正向候车时间的平均值和标准差;
所述根据所述反向车站的最大数量和所述反向时间建立反向乘客选择不同反向车站的反向时间分布模型,具体包括:
根据如下公式建立反向时间分布模型:
式中,表示所有反向时间分布的概率密度函数,表示反向车站的最大数量,表示反向乘客在起点站o和包含路径r上的反向车站之间的平均反向时间;表示反向乘客在选择第j个反向车站反向时间的权重向量;和分别代表反向乘客在选择第j个反向车站反向时间的平均值和标准差。
可选的,所述采用贝叶斯模型分别对所述乘客选择行为模型、所述正向候车时间分布模型和所述反向时间分布模型中参数的联合后验概率进行计算,分别得到每个模型参数的联合后验概率,具体包括:
将所述正向候车时间作为观测数据,将正向乘客乘坐不同班次列车正向候车时间的概率分布函数作为似然函数,根据贝叶斯公式得到正向候车时间分布模型参数的联合后验概率初始表达式;
根据正向乘客等待第i辆地铁的正向候车时间的平均值、标准差和权重向量确定参数的联合先验概率函数;
根据选择路径r的正向乘客在起点站o的候车时间的平均值、标准差和权重计算乘客正向候车时间的概率;
根据所述观测数据确定所述观测数据的似然函数;
根据所述联合后验概率初始表达式、所述联合先验概率函数、所述乘客正向候车时间的概率和所述观测数据的似然函数确定实际的参数联合后验概率。
可选的,在所述根据所述参数估计值进行反向乘客识别、反向乘客的反向车站和乘车班次识别以及正向乘客的乘车班次识别,得到识别结果,之后还包括:
根据所述识别结果计算各车站排队时间和各乘车区间的满载率。
本发明还提供一种轨道交通反向乘客识别及乘车班次确定系统,包括:
乘车数据获取模块,用于获取自动售验票系统的乘车数据,并根据所述乘车数据确定乘客候车时间;所述乘客候车时间包括正向乘客的正向候车时间和反向乘客的反向时间;所述正向候车时间为正向乘客在车站等待直接驶入目的地列车的时间;所述反向时间为反向乘客在反向乘车时车内的时间与在起点站和反向车站候车时间的总和;
乘客选择行为模型建立模块,用于根据所述乘客候车时间建立乘客选择行为模型;乘客选择行为包括正向出行和反向出行;
列车和车站数据获取模块,用于获取乘客所需等候的最大列车数以及反向车站的最大数量;
正向候车时间分布模型建立模块,用于根据所述最大列车数和所述正向候车时间建立正向乘客乘坐不同列车班次的正向候车时间分布模型;
反向时间分布模型建立模块,用于根据所述反向车站的最大数量和所述反向时间建立反向乘客选择不同反向车站的反向时间分布模型;
联合后验概率计算模块,用于采用贝叶斯模型分别对所述乘客选择行为模型、所述正向候车时间分布模型和所述反向时间分布模型中参数的联合后验概率进行计算,分别得到每个模型参数的联合后验概率;
参数估计模块,用于采用NUTS算法对所述联合后验概率的参数进行估计,得到参数估计值;
识别模块,用于根据所述参数估计值进行反向乘客识别、反向乘客的反向车站和乘车班次识别以及正向乘客的乘车班次识别,得到识别结果。
可选的,所述乘客选择行为模型建立模块,具体包括:
乘客选择行为模型建立单元,用于根据如下公式建立乘客选择行为模型:
式中,表示乘客z属于正向乘客的概率,表示乘客z属于反向乘客的概率,NP表示所有正向乘客集合,TBP表示所有反向乘客集合,表示选择路径r的乘客z在起点站o的候车时间, 分别表示选择路径r的正向乘客在起点站o的正向候车时间的平均值、标准差和权重;分别表示选择路径r的反向乘客在起点站o的反向时间的平均值、标准差和权重。
可选的,
所述正向候车时间分布模型建立模块,具体包括:
正向候车时间分布模型建立单元,用于根据如下公式建立所述正向候车时间分布模型:
式中,表示选择路径r的乘客z在起点站o所需等候的最大列车数,表示所有正向候车时间分布的概率密度函数,表示正向乘客等待第i辆地铁的候车时间的权重向量;和分别表示正向乘客等待第i辆地铁的正向候车时间的平均值和标准差;
反向时间分布模型建立模块,具体包括:
反向时间分布模型建立单元,用于根据如下公式建立反向时间分布模型:
式中,表示所有反向时间分布的概率密度函数,表示反向车站的最大数量,表示反向乘客在起点站o和包含路径r上的反向车站之间的平均反向时间;表示反向乘客在选择第j个反向车站反向时间的权重向量;和分别代表反向乘客在选择第j个反向车站反向时间的平均值和标准差。
可选的,所述联合后验概率计算模块,具体包括:
联合后验概率初始表达式生成单元,用于将所述正向候车时间作为观测数据,将正向乘客乘坐不同班次列车正向候车时间的概率分布函数作为似然函数,根据贝叶斯公式得到正向候车时间分布模型参数的联合后验概率初始表达式;
联合先验概率函数确定单元,用于根据正向乘客等待第i辆地铁的正向候车时间的平均值、标准差和权重向量确定参数的联合先验概率函数;
乘客正向候车时间概率计算单元,用于根据选择路径r的正向乘客在起点站o的候车时间的平均值、标准差和权重计算乘客正向候车时间的概率;
观测数据的似然函数确定单元,用于根据所述观测数据确定所述观测数据的似然函数;
参数联合后验概率生成单元,用于根据所述联合后验概率初始表达式、所述联合先验概率函数、所述乘客正向候车时间的概率和所述观测数据的似然函数确定实际的参数联合后验概率。
可选的,所述系统,还包括:
排队时间和满载率计算模块,用于根据所述识别结果计算各车站排队时间和各乘车区间的满载率。
与现有技术相比,本发明的有益效果是:
本发明提出了一种轨道交通反向乘客识别及乘车班次确定方法及系统,获取自动售验票系统AFC的乘车数据,确定乘客候车时间;根据乘客候车时间建立乘客选择行为模型,考虑了正向出行和反向出行两种情况;根据最大列车数和正向乘客候车时间建立正向候车时间分布模型;根据反向车站的最大数量和反向时间建立反向时间分布模型;采用贝叶斯模型对三种模型中参数的联合后验概率进行计算,得到每个模型参数的联合后验概率,采用NUTS算法分别对每个参数联合后验概率中的参数进行估计,得到参数估计值;根据参数估计值进行反向乘客识别、反向乘客的反向车站和乘车班次识别以及正向乘客的乘车班次识别,本发明同时考虑了正向乘客和反向乘客,能够为高峰限流和运力资源配置提供更精准、合理的依据,同时,基于贝叶斯模型并结合NUTS算法对模型中的参数进行估计,具有能够提高计算速度,减小计算误差的优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中轨道交通反向乘客识别及乘车班次确定方法流程图;
图2为本发明实施例中目标站信息图;
图3为本发明实施例中地铁网络乘客时空过程图解示意图;
图4为本发明实施例中单个乘客两阶段选择行为图;
图5为本发明实施例中2018年9月早高峰时段以沙河为始发站模型结果图;
图6为本发明实施例中2018年9月早高峰时段以沙河高教园为始发站的模型结果图;
图7为本发明实施例中昌平线上各个车站在2018年9月的平均进站人数图;
图8为本发明实施例中早高峰各个车站的乘客的平均候车时间图;
图9为本发明实施例中早高峰期间昌平线留乘乘客数量图;
图10为本发明实施例中方法流程示意图;
图11为本发明实施例中轨道交通反向乘客识别及乘车班次确定系统结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种轨道交通反向乘客识别及乘车班次确定方法及系统,同时考虑正向乘客和反向乘客,能够为高峰限流和运力资源配置提供更精准、合理的依据。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例
图1为本发明实施例中轨道交通反向乘客识别及乘车班次确定方法流程图,如图1所示,一种轨道交通反向乘客识别及乘车班次确定方法,包括:
步骤101:获取自动售验票系统的乘车数据,并根据乘车数据确定乘客候车时间。乘客候车时间包括正向乘客的正向候车时间和反向乘客的反向时间;正向候车时间为正向乘客在车站等待直接驶入目的地列车的时间;反向时间为反向乘客在反向乘车时车内的时间与在起点站和反向车站候车时间的总和。正向乘客为在起点站直接等候列车前往目的地的乘客;反向乘客为乘坐与目的地相反方向的列车,并在反向车站换向前往目的地的乘客。
首先需要根据路网OD路径集中有效路径的数量及路径的换乘次数,将路网中所有的OD划分为单一路径无换乘OD、单一路径单一换乘OD和多路径多换乘OD;运用单一路径无换乘OD的乘客的AFC数据,获取指定车站指定线路运行方向的乘客候车时间。
步骤102:根据乘客候车时间建立乘客选择行为模型;乘客选择行为包括正向出行和反向出行。
乘客出行行为是一个两阶段选择行为。进一步而言,第一阶段选择是确定乘客是否采用反向出行策略(即在站台上等待直接驶向目的地的列车,还是乘坐一趟与目的地相反方向的列车后再在反向车站转换方向)。第二阶段选择:对于正向乘客,是选择哪一个班次的列车;对于反向乘客,是选择哪一站作为反向车站。本发明用一个混合高斯模型描述第一阶段选择行为,用两个混合高斯模型分别描述正向乘客和反向乘客的第二阶段选择行为。
用包含两个高斯分布的高斯混合模型(GMM)来描述乘客“候车时间”分布,高斯混合模型表达式如下,其中一个高斯分布表示正向乘客的候车时间的分布,另一个高斯分布表示反向乘客的反向时间的分布。
公式中,p(|)是所有“候车时间”(同时包含正向乘客的候车时间和反向乘客的反向时间)的概率密度函数;表示选择路径r的乘客z在起点站o的“候车时间”;分别表示正向乘客在起点站o的候车时间的平均值、标准差和权重;分别表示反向乘客的反向时间的平均值、标准差和权重。当部分正向乘客的等车时间不短于反向乘客的反向时间时,两个高斯分布会出现交叉部分。
步骤102,具体包括:
根据如下公式建立乘客选择行为模型:
式中,表示乘客z属于正向乘客的概率,表示乘客z属于反向乘客的概率,NP表示所有正向乘客集合,TBP表示所有反向乘客集合,表示选择路径r的乘客z在起点站o的候车时间, 分别表示选择路径r的正向乘客在起点站o的正向候车时间的平均值、标准差和权重;分别表示选择路径r的反向乘客在起点站o的反向时间的平均值、标准差和权重。
步骤103:获取乘客所需等候的最大列车数以及反向车站的最大数量。
步骤104:根据最大列车数和正向候车时间建立正向乘客乘坐不同列车班次的正向候车时间分布模型。
正向乘客z从起点站o到目标站d,需要等待的列车数可以表示为:
根据如下公式建立正向候车时间分布模型:
式中,表示选择路径r的乘客z在起点站o所需等候的最大列车数,表示所有正向候车时间分布的概率密度函数,表示正向乘客等待第i辆地铁的候车时间的权重向量;和分别表示正向乘客等待第i辆地铁的正向候车时间的平均值和标准差。
步骤105:根据反向车站的最大数量和反向时间建立反向乘客选择不同反向车站的反向时间分布模型。
反向乘客z′从o到d所选择的反向车站可以表示如下:
根据如下公式建立反向时间分布模型:
式中,表示所有反向时间分布的概率密度函数,表示反向车站的最大数量,表示反向乘客在起点站o和包含路径r上的反向车站之间的平均反向时间;表示反向乘客在选择第j个反向车站反向时间的权重向量;和分别代表反向乘客在选择第j个反向车站反向时间的平均值和标准差。
步骤106:采用贝叶斯模型分别对乘客选择行为模型、正向候车时间分布模型和反向时间分布模型中参数的联合后验概率进行计算,分别得到每个模型参数的联合后验概率。
即采用贝叶斯模型对乘客选择行为模型中参数的联合后验概率进行计算,得到乘客选择行为模型参数的参数联合后验概率;采用贝叶斯模型对正向候车时间分布模型中参数的联合后验概率进行计算,得到正向候车时间分布模型参数的联合后验概率;采用贝叶斯模型对反向时间分布模型中参数的联合后验概率进行计算,得到反向时间分布模型参数的联合后验概率。
步骤106中的贝叶斯模型是一种数据驱动模型。进一步而言,该模型是利用贝叶斯模型计算高斯混合分布模型中参数的联合后验概率。也就是说,利用贝叶斯模型分别对第一阶段的选择行为以及第二阶段中正向乘客和反向乘客的选择行为的高斯混合分布模型中参数的联合后验概率进行计算。进一步而言,对于第一阶段的选择行为模型,在已知乘客z候车时间的情况下,计算参数的联合后验概率;对于第二阶段正向乘客的选择行为模型,在已知乘客z候车时间的情况下,计算参数 的联合后验概率;对于第二阶段反向乘客的选择行为模型,在已知乘客z’的候车时间的情况下,计算参数的联合后验概率。
采用贝叶斯模型对正向候车时间分布模型中参数的联合后验概率进行计算,得到正向候车时间分布模型参数的联合后验概率,具体包括:
将正向候车时间作为观测数据,将正向乘客乘坐不同班次列车正向候车时间的概率分布函数作为似然函数,根据贝叶斯公式得到正向候车时间分布模型参数的联合后验概率初始表达式。
将乘客候车时间WTr,o,d和正向乘客乘坐不同列次列车候车时间的概率分布函数分别作为观测数据和似然函数,根据贝叶斯理论公式,参数的联合后验概率初始表达式如下:
根据正向乘客等待第i辆地铁的正向候车时间的平均值、标准差和权重向量确定参数的联合先验概率函数。
根据选择路径r的正向乘客在起点站o的正向候车时间的平均值、标准差和权重计算乘客候车时间的概率。
根据观测数据确定观测数据的似然函数。
乘客候车时间WTr,o,d由独立元素组成,即每个乘客之间的出行时间是相互独立的。因此,WTr,o,d的概率能被表示成所有候车时间观测数据的联合概率,即WTr,o,d的似然函数能被表示成每个元素的概率乘积,表示如下:
根据正向候车时间分布模型参数的联合后验概率初始表达式、联合先验概率函数、乘客正向候车时间的概率和观测数据的似然函数确定实际的参数联合后验概率。
采用贝叶斯模型对乘客选择行为模型中参数的联合后验概率进行计算,得到乘客选择行为模型参数的联合后验概率,具体包括:
将乘客候车时间(包括正向候车时间和反向时间)作为观测数据,乘客乘坐不同班次列车的候车时间的概率分布函数作为似然函数,根据贝叶斯公式得到乘客选择行为模型参数的联合后验概率初始表达式;
根据乘客等待第i辆地铁的候车时间的平均值、标准差和权重向量确定参数的联合先验概率函数;
根据选择路径r的乘客在起点站o的候车时间的平均值、标准差和权重计算乘客候车时间的概率;
根据观测数据确定观测数据的似然函数;
根据联合后验概率初始表达式、联合先验概率函数、乘客候车时间的概率和观测数据的似然函数确定实际的乘客选择行为模型中参数的联合后验概率。
采用贝叶斯模型对反向时间分布模型中参数的联合后验概率进行计算,得到反向时间分布模型参数的联合后验概率,具体包括:
将反向时间作为观测数据,将反向乘客在不同反向站反向时间的概率分布函数作为似然函数,根据贝叶斯公式得到正向候车时间分布模型参数的联合后验概率初始表达式;
根据反向乘客在第j个反向站的反向时间的平均值、标准差和权重向量确定参数的联合先验概率分布函数;
根据选择路径r的反向乘客在起点站o的反向时间的平均值、标准差和权重计算乘客反向时间的概率;
根据观测数据确定观测数据的似然函数;
根据联合后验概率初始表达式、联合先验概率函数、反向时间的概率和观测数据的似然函数确定实际的参数联合后验概率。
步骤107:采用NUTS算法对联合后验概率的参数进行估计,得到参数估计值。
即:采用NUTS算法分别对乘客选择行为模型参数的联合后验概率、正向候车时间分布模型参数的联合后验概率和反向时间分布模型参数的参数联合后验概率中的参数进行估计,得到第一参数估计值、第二参数估计值和第三参数估计值。
1)在给定的情况下,采用K-means聚类方法初始化参数的先验分布,即确定超参数的值。在聚类中,将输入参数K设置为将聚类结果中第个聚类中数据的平均值、偏差和比例计算为超参数的值。设置t=1,则初始参数可以被定义为代表三个GMM模型对应的均值、标准差和权重系数。
2)给定样本r(t)N(0,I),其中I是单位矩阵,N(α,∑)代表着用均值α和协方差矩阵∑表示的多元高斯分布,r,x,I有相同的维度。这个初始样本代表了待标定参数的误差值,不具有现实的物理意义。
3)应用现有算法NUTS算法,该步骤又可分为以下子步骤:
构造汉密尔顿函数Η(x,r)=U(x(t))+K(r(t)),其中U(x(t)),K(r(t))分别代表着势能和动能函数。其中π(x(t))是先验分布,L(x(t)|D)是给定数据D的似然函数,M是对称的、正定对角矩阵。该汉密尔顿函数是用来标定参数的推断框架。
通过递归过程构建由Q阶子树组成的节点树,其中第q个子树由2q个节点构建。如果节点的轨迹开始后退,则构建节点树的过程将终止。
给定样本uU(0,1),其中U(a,b)表示具有下界a和上界b的均匀分布。计算选择第q子树中的节点作为下一次迭代状态的概率:
其中如果括号中的表达式为真,则(·)为1;如果为假,则为0。计算选择第q个子树中第k个节点的概率:
选择概率最大的节点x*作为下一次迭代的状态,即设置x(t)=x*。
4)确定当前迭代数t是否等于最大迭代次数C。如果是,继续执行步骤5.5;否则,设置t=t+1并返回步骤5.2
5)记录所有参数的值。每个参数的最终值为:
步骤108:根据参数估计值进行反向乘客识别、反向乘客的反向车站和乘车班次识别以及正向乘客的乘车班次识别,得到识别结果。
步骤109:根据识别结果计算各车站排队时间和各乘车区间的满载率。
本发明以北京地铁某郊区线路为例,选择该区域的沙河站和沙河高教园作为反向出行站进行研究。采集这两个车站2018年9月工作日早高峰时间(7:00-9:00)的所有AFC和列车时刻表数据。基于采集数据,计算出乘客的出行时间,从而提取出有效数据(即不考虑出行时间过长或过短的数据)。计算公式如下:
进一步说明,选取起点站为o的所有OD对的乘客出行数据,根据出行发生量对OD对进行排序,选择前100个出行量最多的OD对进行研究。
进一步说明,根据有效路径集中的有效路径数量和换乘次数对该100个OD对进行分类:
(1)单路径无换乘OD对(SRNT ODs),只有一条可行路径,没有换乘过程;
(2)单路径多换乘OD对(SRMT ODs),只有一条可行路径和一次换乘过程;
(3)多路径多换乘OD对(MRMT ODs),存在多条可行路径和多次换乘过程。
进一步说明,本发明选择单路线无换乘的OD对进行分析,即目的站分别是图2所示的朱辛庄、生命科学园和西二旗的OD对。目的站位于同一条地铁线路上,方向为“郊区-中心城区”,其信息如图2所示。
对于正向乘客而言,以最短候车时间为基准(即候车时间为零),则正向乘客的“候车时间”即为真实的站台等车时间。对于反向乘客而言,其“候车时间”为反向时间,包括车内时间以及在反向出行站和反向车站的等车时间,地铁网络乘客时空过程的图解如图3所示,图3中的普通乘客即为正向乘客。
进一步说明,反向乘客反向时间计算如下:
式中,表示在起点站o和距离起点站o第j近的反向车站之间的平均反向时间;表示乘客z在起点站为o且目标站为d的线路r上的车内时间;表示以dir方向行驶在线路l上列车的平均发车间隔;Ar,o,d表示在起点站为o且目标站为d的线路r上依次经过的路段集合;a-,a+分别表示路段a首站和尾站;F(X)表示在集合X中的第一个元素。
进一步说明,车内时间计算方法如下:
式中,表示以dir方向行驶在线路l上的列车在车站s的平均停留时间;分别表示以dir方向行驶在线路l上的列车h在车站s的离开时间和到达时间;Ha表示在路段a运行的列车集合;L表示所有路线的集合;Sr,o,d表示以o为起点站且d为目标站的路径r上依次经过的车站集合;A表示所有运行区间的集合;是列车h在区间a的运行时间。
进一步说明,平均发车间隔计算如下:
基于乘客的候车时间数据,分别用高斯混合模型来描述乘客两阶段选择行为(乘客的两阶段选择行为如图4所示)。进一步而言,用双高斯混合分布模型模拟乘客第一阶段的选择行为(即正向乘客和反向乘客的候车时间联合分布);用多高斯混合分布模型模拟第二阶段正向乘客候车时间分布(即正向乘客选择不同班次列车的候车时间联合分布);用多高斯混合分布模型模拟第二阶反向乘客的反向时间分布(即反向乘客选择不同反向车站的反向时间的联合分布)。则可得到三个不同的高斯混合分布。
通过引入贝叶斯模型,对三个高斯混合分布中的参数(即平均值、标准差和权重)进行标定。进一步而言,贝叶斯模型通过结合参数的先验概率函数和观测数据(即候车时间)求出参数后验概率分布函数,对参数进行初步的标定。
基于贝叶斯模型所求出的参数后验概率分布函数,利用NUTS算法对参数进行最终标定(即求出参数值)。进一步而言,先采用K-means聚类方法初始化参数的先验分布,然后构造汉密尔顿函数,并通过递归过程构建节点数进行迭代,设置最大迭代数为15000,老化迭代次数为9000(即前9000代的抽样结果被认为是不稳定的而被舍弃,用后6000代的稳定抽样值来估计参数的后验分布函数),达到最大迭代次数后,即可得到每个参数的最终值。
如图5所示,图5中左列图(第一阶段选择)中①表示正向乘客候车时间分布,②表示反向乘客反向时间分布,虚线表示联合概率分布;中间列图(第二阶段选择,正向出行)中③表示等候第一班车时间分布,④表示等候第二班车时间分布,⑤表示等候第三班车时间分布,⑥表示等候第四班车时间分布,虚线表示联合概率分布;右列图(第二阶段选择,反向出行)中⑦表示在第一个反向站反向时间分布,⑧表示在第二个反向站反向时间分布,⑨表示在第三个反向站反向时间分布,虚线表示联合概率分布。图5中左列图和中间列图的横坐标表示候车时间(s),右列图横坐标表示反向时间(s),图5中各个图的纵坐标均表示频数,是正向候车时间或反向时间为多长时间出现的次数。
如图6所示,图6中左列图(第一阶段选择)中①表示正向乘客候车时间分布,②表示反向乘客反向时间分布,虚线表示联合概率分布;中间列图(第二阶段选择,正向出行)中③表示等候第一班车时间分布,④表示等候第二班车时间分布,⑤表示等候第三班车时间分布,虚线表示联合概率分布;右列图(第二阶段选择,反向出行)中⑥表示在第一个反向站反向时间分布,⑦表示在第二个反向站反向时间分布,⑧表示在第三个反向站反向时间分布,虚线表示联合概率分布。图6中左列图和中间列图的横坐标表示候车时间(s),右列图横坐标表示反向时间(s),图6中各个图的纵坐标均表示频率。
从图5和图6参数的标定结果可以看出:
(1)以西二旗目的站进行说明:第一阶段乘客选择模型的参数标定结果如图5左图所示,μ=(690.1286,1356.2367)和ω=(0.6912,0.3088),即车站内的正向乘客平均候车时间(占69.12%)约为690秒;而反向乘客平均反向时间(占30.88%)约为1356秒。第二阶段正向乘客和反向乘客的模型参数标定结果如图5中间部分和右侧部分所示,结果表明,正向乘客最多需要等待4趟列车,其中71.80%(即0.3071+0.4108)的乘客上第二趟列车或第三趟列车;对于反向乘客,75.12%的在第一个反向车站改变方向。
(2)对于去往其它两个目的站(生命科学园区和朱辛庄)的反向出行现象进行了类似的分析,结果如图5中间部分和下半部分所示。此外,对于图2所示的目的地站不在昌平线上的OD对,考虑相应的换乘站(朱辛庄或西二旗)的反向出行特性。例如,沙河至五道口(图2中13号线的一个车站)的乘客经常在西二旗换乘站从昌平线换乘到13号线,因此,沙河至五道口的反向出行特性可以用沙河至西二旗的反向出行特性来描述,即:30.88%的乘客采用反向策略,75.12%的反向乘客在第一个反向车站换乘。对于起始点为沙河的前100个OD对,通过上述方法可以得到每个OD对对应的反向出行特性。最后,通过总结各OD对的反向特征,得到沙河站反向出行分析结果。
(3)同样,对沙河高教园站反向出行现象进行了分析。对于目的站位于昌平线“郊区-中心城区”方向的OD对,计算结果如图6所示。以沙河高教园至西二旗OD对为例,该OD对的权重向量为:ω=(0.8712,0.1288),即沙河高教园至西二旗的反向乘客比例(12.88%)小于OD对沙河至西二旗的反向乘客比例(30.88%)。这表明,出行距离越远,反向出行的行为意向就越强。从图5和图6的右小段可以看出,反向乘客选择的反向车站是距离起点站最近的前三个车站之一,大多数反向乘客在第一个反向车站改变了他们的出行方向,这样的出行策略在避免拥挤的同时也没有增加太长的旅行时间。
反向出行现象会导致客流分布发生变化,本发明所提出的反向出行模型可对客流分布进行校正。为了验证该模型的有效性,将其与基于MLE方法的需求分配模型进行了比较。进一步而言,基于MLE方法的需求分配模型只考虑了乘客的留乘现象(即大量乘客因高度拥挤而无法登上第一列到达的列车),没有考虑乘客的反向出行现象。根据这两种分配模型,得到了昌平线“郊区-中心城区”方向所有列车早高峰时期的装载率。进一步说明,按照基于MLE方法的需求分配模型计算,沙河至巩华城和巩华城至朱辛庄路段的大多数列车载重量超过130%,这意味着列车上每平方米有7人以上站立着,显然不符合实际。而根据本发明中的反向出行模型来计算,大多数列车在拥挤路段的装载率介于80%~120%之间。因此,本发明提出的反向出行模型有助于准确估计列车的实际装载率(或线路上的客流分布),并比现有的基于MLE方法的需求分配模型更好地描述乘客的出行过程。
以昌平线为例,如图7所示,昌平线不同车站的进站乘客数量严重失衡,选取客流最大的沙河站作为限流车站,给出四种客流控制方案,如下所示:
(1)无客流控制策略;
(2)控制沙河站20%的进站乘客;
(3)仅控制沙河站的正向乘客,控制量与(2)中相同;
(4)同时控制沙河站的正向乘客和反向车站(沙河高教园站和南邵站)的反向乘客,控制总量与(2)中相同。
进一步说明,基于现有的客流控制模型(许等人),计算站台乘客的候车时间以及留乘乘客的数量,用以评估四种控制方案的有效性。
进一步说明,如图8所示,显示了不同车站乘客的候车时间结果,四种客流控制方案在不同程度上缩短了乘客的平均等待时间。以沙河站为例,四种方案的平均等待时间分别为429.82s、251.91s、199.06s和180.68s。因此,采取客流控制策略可有效减少乘客在站台上浪费的时间。此外,对比方案2和方案3的结果,可以发现,在相同的控制量下,控制正向乘客比无差别地控制所有进站乘客具有更好的效果。进一步说明,在方案3和方案4中,南邵站、沙河高教园站和沙河站的乘客平均候车时间分别为117.55s/114.71s、127.95s/125.14s和199.06s/180.68s。上述结果表明,同时控制目标车站(沙河站)及其反向车站(南邵站和沙河高教园站)的乘客,比仅控制目标车站乘客的效果要好。
进一步说明,如图9所示,显示了昌平线早高峰时期留乘乘客的数量。可以看出,方案4最大限度地减少了留乘乘客的数量。以最拥挤的时间段7:46-8:00为例,四种方案的留乘乘客数量分别为3998、1892、1330、1086,方案2、方案3和方案4分别减少了52.68%、66.73%、72.84%的留乘乘客。
本发明提出的方法可以用来分析拥挤地铁中反向乘客及其路径选择问题。此外,考虑反向出行现象可以得到准确的客流分布,反向出行行为是状态估计、客流控制和时刻表优化的基础。在实际应用中,本发明提出的方法可以从网络的角度为地铁管理者提供精确有效的控制拥挤车站(即拥挤车站和反向车站)客流的策略。在未来的地铁系统中,可以将移动手机数据融合在一起,准确地获取乘客的出行轨迹,方便地确定乘客的候车时间和反向时间。为进一步研究反向出出行行为的动机和影响因素提供了有力的工具。
图10为本发明方法流程图,本发明获取轨道交通路网中指定车站及运营方向的乘客候车时间;基于乘客候车时间识别单一无换乘路径OD的正向乘客和反向乘客;进一步识别一般乘客所选择的乘车班次、反向乘客所选择的反向车站和乘车班次;最后获取全网所有OD的反向乘客、乘车班次及反向路径;本发明的方法及系统对拥挤条件下轨道交通乘客的类型细分,准确估算各车站拥挤排队时间、各区间的满载率,实施高峰限流和运力资源配置提供更精准、合理的依据。
图11为本发明实施例中轨道交通反向乘客识别及乘车班次确定系统结构图。如图11所示,一种轨道交通反向乘客识别及乘车班次确定系统,包括:
乘车数据获取模块201,用于获取自动售验票系统的乘车数据,并根据乘车数据确定乘客候车时间;乘客候车时间包括正向乘客的正向候车时间和反向乘客的反向时间;正向候车时间为正向乘客在车站等待直接驶入目的地列车的时间;反向时间为反向乘客在反向乘车时车内的时间与在起点站和反向车站候车时间的总和。
乘客选择行为模型建立模块202,用于根据乘客候车时间建立乘客选择行为模型;乘客选择行为包括正向出行和反向出行。
乘客选择行为模型建立模块202,具体包括:
乘客选择行为模型建立单元,用于根据如下公式建立乘客选择行为模型:
式中,表示乘客z属于正向乘客的概率,表示乘客z属于反向乘客的概率,NP表示所有正向乘客集合,TBP表示所有反向乘客集合,表示选择路径r的乘客z在起点站o的候车时间, 分别表示选择路径r的正向乘客在起点站o的正向候车时间的平均值、标准差和权重;分别表示选择路径r的反向乘客在起点站o的反向时间的平均值、标准差和权重。
列车和车站数据获取模块203,用于获取乘客所需等候的最大列车数以及反向车站的最大数量。
正向候车时间分布模型建立模块204,用于根据最大列车数和正向候车时间建立正向乘客乘坐不同列车班次的正向候车时间分布模型。
正向候车时间分布模型建立模块204,具体包括:
正向候车时间分布模型建立单元,用于根据如下公式建立正向候车时间分布模型:
式中,表示选择路径r的乘客z在起点站o所需等候的最大列车数,表示所有正向候车时间分布的概率密度函数,表示正向乘客等待第i辆地铁的候车时间的权重向量;和分别表示正向乘客等待第i辆地铁的正向候车时间的平均值和标准差。
反向时间分布模型建立模块205,用于根据反向车站的最大数量和反向时间建立反向乘客选择不同反向车站的反向时间分布模型。
反向时间分布模型建立模块205,具体包括:
反向时间分布模型建立单元,用于根据如下公式建立反向时间分布模型:
式中,表示所有反向时间分布的概率密度函数,表示反向车站的最大数量,表示反向乘客在起点站o和包含路径r上的反向车站之间的平均反向时间;表示反向乘客在选择第j个反向车站反向时间的权重向量;和分别代表反向乘客在选择第j个反向车站反向时间的平均值和标准差。
联合后验概率计算模块206,用于采用贝叶斯模型分别对乘客选择行为模型、正向候车时间分布模型和反向时间分布模型中参数的联合后验概率进行计算,分别得到每个模型参数的联合后验概率。
联合后验概率计算模块206,具体包括:
联合后验概率初始表达式生成单元,用于将正向候车时间作为观测数据,将正向乘客乘坐不同班次列车正向候车时间的概率分布函数作为似然函数,根据贝叶斯公式得到正向候车时间分布模型参数的联合后验概率初始表达式;
参数的联合先验概率函数确定单元,用于根据正向乘客等待第i辆地铁的候车时间的平均值、标准差和权重向量确定参数的联合先验概率函数;
乘客正向候车时间概率计算单元,用于根据选择路径r的正向乘客在起点站o的候车时间的平均值、标准差和权重计算乘客正向候车时间的概率;
观测数据的似然函数确定单元,用于根据观测数据确定观测数据的似然函数;
参数联合后验概率生成单元,用于根据参数联合后验概率初始表达式、联合先验概率函数、乘客正向候车时间的概率和观测数据的似然函数确定实际的参数联合后验概率。
参数估计模块207,用于采用NUTS算法对联合后验概率的参数进行估计,得到参数估计值。
识别模块208,用于根据参数估计值进行反向乘客识别、反向乘客的反向车站和乘车班次识别以及正向乘客的乘车班次识别,得到识别结果。
排队时间和满载率计算模块209,用于根据识别结果计算各车站排队时间和各乘车区间的满载率。
对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种轨道交通反向乘客识别及乘车班次确定方法,其特征在于,包括:
获取自动售验票系统的乘车数据,并根据所述乘车数据确定乘客候车时间;所述乘客候车时间包括正向乘客的正向候车时间和反向乘客的反向时间;所述正向候车时间为正向乘客在车站等待直接驶入目的地列车的时间;所述反向时间为反向乘客在反向乘车时车内的时间与在起点站和反向车站候车时间的总和;所述正向乘客为在起点站直接等候列车前往目的地的乘客;所述反向乘客为乘坐与目的地相反方向的列车,并在反向车站换向前往目的地的乘客;
根据所述乘客候车时间建立乘客选择行为模型;乘客选择行为包括正向出行和反向出行;
获取乘客所需等候的最大列车数以及反向车站的最大数量;
根据所述最大列车数和所述正向候车时间建立正向乘客乘坐不同列车班次的正向候车时间分布模型;
根据所述反向车站的最大数量和所述反向时间建立反向乘客选择不同反向车站的反向时间分布模型;
采用贝叶斯模型分别对所述乘客选择行为模型、所述正向候车时间分布模型和所述反向时间分布模型中参数的联合后验概率进行计算,分别得到每个模型参数的联合后验概率;
采用NUTS算法对所述联合后验概率的参数进行估计,得到参数估计值;
根据所述参数估计值进行反向乘客识别、反向乘客的反向车站和乘车班次识别以及正向乘客的乘车班次识别,得到识别结果。
3.根据权利要求2所述的轨道交通反向乘客识别及乘车班次确定方法,其特征在于,所述根据所述最大列车数和所述正向候车时间建立正向乘客乘坐不同列车班次的正向候车时间分布模型,具体包括:
根据如下公式建立所述正向候车时间分布模型:
式中,表示选择路径r的乘客z在起点站o所需等候的最大列车数,表示所有正向候车时间分布的概率密度函数,表示正向乘客等待第i辆地铁的候车时间的权重向量;和分别表示正向乘客等待第i辆地铁的正向候车时间的平均值和标准差;
所述根据所述反向车站的最大数量和所述反向时间建立反向乘客选择不同反向车站的反向时间分布模型,具体包括:
根据如下公式建立反向时间分布模型:
4.根据权利要求3所述的轨道交通反向乘客识别及乘车班次确定方法,其特征在于,所述采用贝叶斯模型分别对所述乘客选择行为模型、所述正向候车时间分布模型和所述反向时间分布模型中参数的联合后验概率进行计算,分别得到每个模型参数的联合后验概率,具体包括:
将所述正向候车时间作为观测数据,将正向乘客乘坐不同班次列车正向候车时间的概率分布函数作为似然函数,根据贝叶斯公式得到正向候车时间分布模型参数的联合后验概率初始表达式;
根据正向乘客等待第i辆地铁的正向候车时间的平均值、标准差和权重向量确定参数的联合先验概率函数;
根据选择路径r的正向乘客在起点站o的正向候车时间的平均值、标准差和权重计算乘客正向候车时间的概率;
根据所述观测数据确定所述观测数据的似然函数;
根据所述联合后验概率初始表达式、所述联合先验概率函数、所述乘客正向候车时间的概率和所述观测数据的似然函数确定实际的参数联合后验概率。
5.根据权利要求4所述的轨道交通反向乘客识别及乘车班次确定方法,其特征在于,在所述根据所述参数估计值进行反向乘客识别、反向乘客的反向车站和乘车班次识别以及正向乘客的乘车班次识别,得到识别结果,之后还包括:
根据所述识别结果计算各车站排队时间和各乘车区间的满载率。
6.一种轨道交通反向乘客识别及乘车班次确定系统,其特征在于,包括:
乘车数据获取模块,用于获取自动售验票系统的乘车数据,并根据所述乘车数据确定乘客候车时间;所述乘客候车时间包括正向乘客的正向候车时间和反向乘客的反向时间;所述正向候车时间为正向乘客在车站等待直接驶入目的地列车的时间;所述反向时间为反向乘客在反向乘车时车内的时间与在起点站和反向车站候车时间的总和;所述正向乘客为在起点站直接等候列车前往目的地的乘客;所述反向乘客为乘坐与目的地相反方向的列车,并在反向车站换向前往目的地的乘客;
乘客选择行为模型建立模块,用于根据所述乘客候车时间建立乘客选择行为模型;乘客选择行为包括正向出行和反向出行;
列车和车站数据获取模块,用于获取乘客所需等候的最大列车数以及反向车站的最大数量;
正向候车时间分布模型建立模块,用于根据所述最大列车数和所述正向候车时间建立正向乘客乘坐不同列车班次的正向候车时间分布模型;
反向时间分布模型建立模块,用于根据所述反向车站的最大数量和所述反向时间建立反向乘客选择不同反向车站的反向时间分布模型;
联合后验概率计算模块,用于采用贝叶斯模型分别对所述乘客选择行为模型、所述正向候车时间分布模型和所述反向时间分布模型中参数的联合后验概率进行计算,分别得到每个模型参数的联合后验概率;
参数估计模块,用于采用NUTS算法对所述联合后验概率的参数进行估计,得到参数估计值;
识别模块,用于根据所述参数估计值进行反向乘客识别、反向乘客的反向车站和乘车班次识别以及正向乘客的乘车班次识别,得到识别结果。
8.根据权利要求7所述的轨道交通反向乘客识别及乘车班次确定系统,其特征在于,
所述正向候车时间分布模型建立模块,具体包括:
正向候车时间分布模型建立单元,用于根据如下公式建立所述正向候车时间分布模型:
式中,表示选择路径r的乘客z在起点站o所需等候的最大列车数,表示所有正向候车时间分布的概率密度函数,表示正向乘客等待第i辆地铁的候车时间的权重向量;和分别表示正向乘客等待第i辆地铁的正向候车时间的平均值和标准差;
反向时间分布模型建立模块,具体包括:
反向时间分布模型建立单元,用于根据如下公式建立反向时间分布模型:
9.根据权利要求8所述的轨道交通反向乘客识别及乘车班次确定系统,其特征在于,所述联合后验概率计算模块,具体包括:
联合后验概率初始表达式生成单元,用于将所述正向候车时间作为观测数据,将正向乘客乘坐不同班次列车正向候车时间的概率分布函数作为似然函数,根据贝叶斯公式得到正向候车时间分布模型参数的联合后验概率初始表达式;
联合先验概率函数确定单元,用于根据正向乘客等待第i辆地铁的正向候车时间的平均值、标准差和权重向量确定参数的联合先验概率函数;
乘客正向候车时间概率计算单元,用于根据选择路径r的正向乘客在起点站o的候车时间的平均值、标准差和权重计算乘客正向候车时间的概率;
观测数据的似然函数确定单元,用于根据所述观测数据确定所述观测数据的似然函数;
参数联合后验概率生成单元,用于根据所述联合后验概率初始表达式、所述联合先验概率函数、所述乘客正向候车时间的概率和所述观测数据的似然函数确定实际的参数联合后验概率。
10.根据权利要求9所述的轨道交通反向乘客识别及乘车班次确定系统,其特征在于,所述系统,还包括:
排队时间和满载率计算模块,用于根据所述识别结果计算各车站排队时间和各乘车区间的满载率。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010418186.8A CN111582750B (zh) | 2020-05-18 | 2020-05-18 | 一种轨道交通反向乘客识别及乘车班次确定方法及系统 |
US17/138,493 US20210354731A1 (en) | 2020-05-18 | 2020-12-30 | Method and system for identifying traveling backward passengers and boarding trains in rail transit |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010418186.8A CN111582750B (zh) | 2020-05-18 | 2020-05-18 | 一种轨道交通反向乘客识别及乘车班次确定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111582750A CN111582750A (zh) | 2020-08-25 |
CN111582750B true CN111582750B (zh) | 2021-01-01 |
Family
ID=72113670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010418186.8A Active CN111582750B (zh) | 2020-05-18 | 2020-05-18 | 一种轨道交通反向乘客识别及乘车班次确定方法及系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20210354731A1 (zh) |
CN (1) | CN111582750B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095986B (zh) * | 2021-04-09 | 2022-09-09 | 上海大学 | 公共交通满载率计算方法、系统及计算机可读存储介质 |
CN113269475B (zh) * | 2021-06-28 | 2022-01-18 | 浩鲸云计算科技股份有限公司 | 一种基于遗传算法的公交排班调度方法及系统 |
CN114611996B (zh) * | 2022-03-30 | 2024-08-27 | 长安大学 | 应对城际铁路中断的多模式走廊构建方法、装置及设备 |
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 |
CN114493385B (zh) * | 2022-04-19 | 2022-07-29 | 华北科技学院(中国煤矿安全技术培训中心) | 轨道交通运营中断下滞留乘客公交摆渡疏散方法及系统 |
CN114723163B (zh) * | 2022-04-26 | 2023-04-07 | 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 |
CN114724375B (zh) * | 2022-05-05 | 2023-03-14 | 厦门理工学院 | 一种基于物联网的反向乘客识别系统 |
CN116910588B (zh) * | 2023-06-16 | 2024-04-05 | 上海工程技术大学 | 一种用于城市轨交列车乘降时间的估计方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050187812A1 (en) * | 2004-02-25 | 2005-08-25 | International Business Machines Corporation | Method, system, and storage medium for predicting passenger flow at a transportation facility |
CN105046350A (zh) * | 2015-06-30 | 2015-11-11 | 东南大学 | 基于afc数据的公交客流od实时估计方法 |
CN105235717B (zh) * | 2015-10-28 | 2017-01-25 | 黄玉秀 | 一种地铁运行调度管理系统及其调度管理方法 |
-
2020
- 2020-05-18 CN CN202010418186.8A patent/CN111582750B/zh active Active
- 2020-12-30 US US17/138,493 patent/US20210354731A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
US20210354731A1 (en) | 2021-11-18 |
CN111582750A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582750B (zh) | 一种轨道交通反向乘客识别及乘车班次确定方法及系统 | |
CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
CN108009972B (zh) | 一种基于多源数据校核的多方式出行o-d需求估计方法 | |
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 | |
CN110929925A (zh) | 基于环境温度与用户行为的电动汽车充电站规划方法 | |
Mahut et al. | Calibration and application of a simulation-based dynamic traffic assignment model | |
CN105427001A (zh) | 地区中小学校校车最优路线与配置方法 | |
CN114021795B (zh) | 一种考虑电动汽车充电需求的充电站规划方法及系统 | |
CN108876064B (zh) | 基于客流量的城市轨道交通网络关键车站识别方法 | |
CN113435777B (zh) | 一种电动运营车辆充电站规划方法及系统 | |
Pineda et al. | Integrated traffic-transit stochastic equilibrium model with park-and-ride facilities | |
Yu et al. | Data-driven approach for solving the route choice problem with traveling backward behavior in congested metro systems | |
CN111695225A (zh) | 一种公交复合复杂网络模型及其公交调度优化方法 | |
CN113537626B (zh) | 一种聚合信息差异的神经网络结合时间序列预测的方法 | |
CN114580751B (zh) | 空港到港旅客疏散时间预测方法、系统、存储介质及终端 | |
Kaddoura et al. | Optimal road pricing: Towards an agent-based marginal social cost approach | |
CN111008736A (zh) | 用于新航线的开通决策方法及系统 | |
CN111126878B (zh) | 一种基于生态指数的城市交通运行评价方法 | |
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 | |
CN109447352B (zh) | 一种公交出行od矩阵反推的组合方法 | |
Akbar et al. | Methodology for simulating heterogeneous traffic flow at intercity roads in developing countries: a case study of university road in peshawar | |
CN106204404A (zh) | 一种公交运力的调整方法和系统 | |
CN114092297A (zh) | 一种轨道交通数据处理方法、装置、设备及存储介质 | |
Mudigonda et al. | Microscopic modeling of lane selection and lane changing at toll plazas | |
CN111275970A (zh) | 一种考虑实时公交信息的最优线路规划方法 |
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 |