CN113468243A - 地铁客流分析与预测方法及分析与预测系统 - Google Patents

地铁客流分析与预测方法及分析与预测系统 Download PDF

Info

Publication number
CN113468243A
CN113468243A CN202110755301.5A CN202110755301A CN113468243A CN 113468243 A CN113468243 A CN 113468243A CN 202110755301 A CN202110755301 A CN 202110755301A CN 113468243 A CN113468243 A CN 113468243A
Authority
CN
China
Prior art keywords
passenger flow
subway
station
line
data
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.)
Pending
Application number
CN202110755301.5A
Other languages
English (en)
Inventor
金冰峰
姚娟娟
皮雁南
李海峰
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202110755301.5A priority Critical patent/CN113468243A/zh
Publication of CN113468243A publication Critical patent/CN113468243A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/20—Individual registration on entry or exit involving the use of a pass

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Fuzzy Systems (AREA)
  • Remote Sensing (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于交通运输客流分析技术领域，尤其为一种地铁客流分析与预测方法及分析与预测系统，通过采集地铁线路的实时数据，可获取地铁线路各站点的线路客流量、进站客流量、出站客流量、进出站客流量、断面客流量、站点换乘客流量和线路换乘客流量和拥堵指数，能够较为全面的掌握地铁客流情况，能够用于地铁各站点的消杀、清扫、安保、列车间隔时间安排、站点内安检排班、本站换成列车间隔时间、站点附近公交车的安排调度等配套服务提供参考，使得地铁站内服务，列车安排能够安排合理，从而有利于减少各项配套服务的工作量，节省人力，使得站内外各项工作和服务更加合理、高效，为地铁的运营和管理提供有力支撑。

Description

地铁客流分析与预测方法及分析与预测系统
技术领域
本发明属于交通运输客流分析技术领域，具体涉及一种地铁客流分析与预测方法及分析与预测系统。
背景技术
近年来，随着城市建设发展，为了满足出行需要，越来越多地铁被建设运营，地铁具有路权专有、高密度、高运量的特点，因此乘坐地铁快捷方便，且地铁运力强，有利于减少城市燃油车、公交车数量，促进城市环境的改善，地铁对于高密度人口的城市具有明显的改善交通和环境的作用。
目前，随着地铁客流的增多，对地铁的运营和管理带来较大压力，地铁站点客流的多少对本站点消杀、清扫、安保、列车间隔时间安排、站点内安检排班、本站换成列车间隔时间，乃至站点附近公交车的安排调度都有影响，如果能够安排合理，则在节省人力、减少各项服务的工作量的同时，使得站内外各项工作和服务都能安排到位，进一步能够提升地铁的乘坐体验，提高地铁的运营效率。
地铁客流预测分析能够为地铁的运营提供依据，比如，现有技术中，公开号为CN107491715A的中国专利文献记载了一种基于视频分析的地铁车厢客流统计方法、装置及系统，其能够统计地铁车厢内客流；公开号为CN108665178A的中国专利文献记载了一种基于AFC的地铁站内楼扶梯客流量预测方法，通过预测扶梯客流，有利于提高车站内楼扶梯的时效性和运营的安全性。但是，这些方法都是对地铁站内局部区域客流进行分析与预测，这些客流的分析和预测结果只能用于作为局部服务的参考，不能全局掌握地铁内客流情况，不利于整体上提升地铁的运行效率和运行质量。
发明内容
本发明旨在提供一种地铁客流分析与预测方法及分析与预测系统，解决现有技术中地铁客流的统计和分析效果不好，不利于整体上提升地铁的运行效率和运行质量的技术问题。
为解决上述技术问题，本发明的第一方面是：
提供一种地铁客流分析与预测方法，包括以下步骤：
(1)数据采集：基于地铁线路的实时数据，采集地铁各站点的刷卡数据，存储每日时间序列的刷卡客流数据，所述刷卡客流数据包括乘客的进站刷卡时间、出站刷卡时间、进站刷卡站点、出站刷卡站点；
(2)建立地铁客流数据库：根据刷卡客流数据以及地铁线路的GIS网络模型，对各站点的客流数据进行实时统计，该地铁线路的GIS网络模型能够以直方图或/和列表形式显示一定时间段内地铁线路的客运数据；
(3)根据所述地铁客流数据库中的数据分析和预测地铁客流情况。
优选的，在所述步骤(2)中，所述客运数据包括线路客流量、进站客流量、出站客流量、进出站客流量、断面客流量、站点换乘客流量和线路换乘客流量，其中，
所述线路客流量为本条地铁线路一定时间段内由本线进且本线出客流、换入至本线客流、由本线换出客流、途经本线路客流四部分之和；
所述进站客流量为一定时间段内某站点进站人数；
所述出站客流量为一定时间段内某站点出站人数；
所述进出站客流量为一定时间段内某站点进站和出站人数之和；
所述站点换乘客流量为在某换乘站点换乘的乘客人数，所述站点换乘客流根据乘客刷卡记录的OD路径推算统计出；
所述线路换乘客流量为某地铁线路的各换乘站点的换乘客流量之和；
所述断面客流量为一定时间段内通过地铁各路段的客流。
优选的，在所述步骤(2)中，所述客运数据还包括线路拥堵指数，该线路拥堵指数根据所述线路客流量对该线路满载量的占比来评价，所述线路拥堵指数的取值范围为0～10，所述线路拥堵指数分为五级，其中0～2，2～4，4～6，6～8，8～10分别对应“畅通”、“基本畅通”、“轻度拥堵”、“中度拥堵”、“严重拥堵”五个级别，数值越高表明拥堵状况越严重。
优选的，在所述步骤(2)中，所述地铁客流数据库能够实时显示当前时刻之前15分钟、30分钟和1个小时内的客运数据。
优选的，在所述步骤(3)中，还根据地铁客流数据库中的客运数据，利用Logit分配模型预测地铁广义费用条件下的分担率：
所述Logit分配模型为：
Figure BDA0003146365090000031
Figure BDA0003146365090000032
式中：P(m)—为选择m交通方式的分担率；
V(m)—为选择m交通方式的效用函数，其中，
Figure BDA0003146365090000033
式中：ωm—为第m种交通方式的权重，ωm取值范围为0-1；
Figure BDA0003146365090000034
—为第m种交通方式的起终点间的广义费用函数，其中，
Figure BDA0003146365090000035
式中：
m为n中具有竞争关系的交通方式；
a＝交通方式路段；
OD＝起-终点；
Figure BDA0003146365090000036
VOTm＝对应于交通方式m的时间价值；
ta＝路段a的时间；
ca＝路段a的最大运输能力；
Figure BDA0003146365090000037
Figure BDA0003146365090000038
Figure BDA0003146365090000039
VDF＝运输延误函数；
xa＝路段a的总运输量；
其中：
Figure BDA0003146365090000041
式中：
α＝根据地铁交通方式运载能力取值的常数，取值范围为0-1；
β＝根据地铁运行速度取值的常数，取值范围为0-100。
本发明的第二方面是：
设计一种地铁客流分析与预测系统，包括：
数据采集模块：该数据采集模块包括若干子数据采集单元，该子数据采集单元用于设置在每条地铁线路的各站点，所述子数据采集单元与地铁站点的刷卡闸机管理系统信号连接，以采集对应站点的刷卡客流数据；
地铁客流数据库建立模块：该地铁客流数据库建立模块包括总数据采集单元、数据统计分析单元和电子地图单元，其中，所述总数据采集单元与各所述子数据采集单元信号连接，以采集并存储每条地铁各站点的刷卡客流数据；所述数据统计分析单元用于对所述总数据采集单元收集的数据进行统计分析，以直方图或/和列表形式显示地铁系统的进出站客流、每条地铁的线路客流量、进站客流量、出站客流量、进出站客流量、断面客流量、站点换乘客流量、线路换乘客流量和拥堵指数；所述电子地图单元存储有地铁线路的GIS网络模型，该电子地图单元信号连接到所述数据统计分析单元，在该地铁线路的GIS网络模型建立链接，使得该地铁线路的GIS网络模型链接到所述数据统计分析单元中直方图或/和列表数据；
客流预测模块，该客流预测模块能够显示所述地铁客流数据库建立模块中的地铁客流数据库，以根据所述地铁客流数据库中的数据分析和预测地铁客流情况，且所述客流预测模块能够利用本发明第一方面中所述的Logit分配模型预测地铁的分担率。
优选的，还包括设备注册模块和客户端模块，所述客户端模块包括若干客户端单元，所述客户端单元通过在所述设备注册模块注册后，所述设备注册模块给予所述客户端单元相应的权限，所述客户端单元根据其权限能够访问所述电子地图单元和客流预测模块。
与现有技术相比，本发明的有益效果是：该地铁客流分析与预测方法及分析与预测系统通过采集地铁线路的实时数据，可获取地铁线路各站点的线路客流量、进站客流量、出站客流量、进出站客流量、断面客流量、站点换乘客流量和线路换乘客流量和拥堵指数，能够较为全面的掌握地铁客流情况，能够用于地铁各站点的消杀、清扫、安保、列车间隔时间安排、站点内安检排班、本站换成列车间隔时间、站点附近公交车的安排调度等配套服务提供参考，使得地铁站内服务，列车安排能够安排合理，从而有利于减少各项配套服务的工作量，节省人力，使得站内外各项工作和服务更加合理、高效，为地铁的运营和管理提供有力支撑。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明地铁客流分析与预测方法一实施例的流程图。
图2为本发明地铁客流分析与预测方法一实施例中地铁客流数据库的界面图之一。
图3为本发明地铁客流分析与预测方法一实施例中地铁客流数据库的界面图之二。
图4为本发明地铁客流分析与预测方法一实施例中地铁客流数据库的界面图之三。
图5为本发明地铁客流分析与预测方法一实施例中地铁客流数据库的界面图之四。
图6为本发明地铁客流分析与预测方法一实施例中地铁客流数据库的界面图之五。
图7为本发明地铁客流分析与预测系统一实施例的系统框图。
图8为本发明地铁客流分析与预测系统一实施例的工作原理图。
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。
实施例1：
一种地铁客流分析与预测方法，请参阅图1至图6。
如图1所示，该地铁客流分析与预测方法包括以下步骤：
步骤S100、数据采集：基于地铁线路的实时数据，采集地铁各站点的刷卡数据，存储每日时间序列的刷卡客流数据，刷卡客流数据包括乘客的进站刷卡时间、出站刷卡时间、进站刷卡站点、出站刷卡站点。
本步骤中，可在每一条地铁线路的各站点设置子数据采集单元，并在后台设置总数据采集单元，子数据采集单元与地铁站点的刷卡闸机管理系统信号连接，如此来采集本站刷卡客流数据。后台的总数据采集单元与各地铁站点的子数据采集单元信号连接，采集地铁各站点的刷卡客流数据进行汇总并存储。这里的子数据采集单元可采用电脑，总数据采集单元可采用电脑、服务器或云服务器。
步骤S200、建立地铁客流数据库：根据刷卡客流数据以及地铁线路的GIS网络模型，对各站点的客流数据进行实时统计，该地铁线路的GIS网络模型能够以直方图或/和列表形式显示一定时间段内地铁线路的客运数据。
本步骤中地铁线路的GIS网络模型为测绘的地图模型，该地铁线路的GIS网络模型包含有该地铁所在城市全部地铁线路图，包括地铁线路走向、站点信息等数据，可采用当前城市已有的地铁线路的GIS网络模型。
进一步的，本步骤中，在地铁客流数据库中的客运数据包括线路客流量、进站客流量、出站客流量、进出站客流量、断面客流量、站点换乘客流量和线路换乘客流量。并且本实施例中，客运数据还包括线路拥堵指数，该线路拥堵指数根据线路客流量对该线路满载量的占比来评价，线路拥堵指数的取值范围为0～10，线路拥堵指数分为五级，其中0～2，2～4，4～6，6～8，8～10分别对应“畅通”、“基本畅通”、“轻度拥堵”、“中度拥堵”、“严重拥堵”五个级别，数值越高表明拥堵状况越严重。
在本实施例中，地铁客流数据库中能够实时显示当前时刻之前15分钟、30分钟和1个小时内的客运数据。
结合图2-图6所示，下面以对北京地铁采集的数据建立的地铁客流数据库为例进行说明。其中：对于图2-图6的界面图，各图中部显示的为北京地铁线路的GIS网络模型的首页内容，其中，点击左上角“首页”这一虚拟按钮，再点击右上角“实时”和左上角“1小时”这两个虚拟按钮，可显示图2中的内容；点击左上角“线路”这一虚拟按钮，再点击右上角“实时”和“晚高峰”这两个虚拟按钮，可显示图3中的内容；点击左上角“1小时”、“进出站”这两个虚拟按钮，以及点击右上角“实时”这个虚拟按钮，可显示图4中的内容；点击右上角“实时”这一虚拟按钮，再点击左上角“1小时”这个虚拟按钮，可显示图5中的内容；点击右上角“实时”和“全日”这两个虚拟按钮，再点击左上角“断面”这一虚拟按钮，可显示图6中的内容。
本实施例中，线路客流量为本条地铁线路一定时间段内由本线进且本线出客流、换入至本线客流、由本线换出客流、途经本线路客流四部分之和。这里，由本线进且本线出客流是指从本条地铁线路中的站点刷卡上车并由本条地铁线路中的站点出站的乘客；换入至本线客流是指其他地铁线路从换乘站点换乘到本条地铁线路的乘客；由本线换出客流是指本条地铁线路在换乘站点换乘到其他地铁线路的乘客；途经本线路客流是指其他地铁线路从换乘站点换乘到本条地铁线路，并且又在换乘站点从本条地铁线路换乘到其他地铁线路的乘客。
如图2所示，图2中右上侧显示的直方图为北京各条地铁当前时刻之前1个小时内的线路客流量；图3中右上侧显示的直方图为北京各条地铁当日晚高峰的线路客流量。可以理解的是，当天全日、早高峰以及历史记录的总线路客流量都能够以直方图显示，并且当前时刻之前15分钟和30分钟内的线路客流量也能够以直方图显示，在此不再一一展示。
另外，图2中的地铁线路的GIS网络模型中，各地铁线路的线条粗细代表客流多少，线条越粗则该区段当前线路客流量越大。
本实施例中，进站客流量为一定时间段内某站点进站人数，结合图2所示，图2中右下侧显示的直方图为北京各地铁站点当前时刻之前1个小时内前20名的进站客流量排行，图4中左下侧显示的直方图为北京各地铁站点另一时刻之前1个小时内前20名的进站客流量排行。
本实施例中，出站客流量为一定时间段内某站点出站人数，结合图4所示，图4中右下侧显示的直方图为北京各地铁站点当前时刻之前1个小时内前20名的出站客流量排行。需要说明的是，图2-图4中的客运量均代表客流量。
本实施例中，进出站客流量为一定时间段内某站点进站和出站人数之和，结合图4所示，图4中右上侧显示的直方图为北京各地铁站点当前时刻之前1个小时内前20名的进出站客流量排行。
本实施例中，站点换乘客流量为在某换乘站点换乘的乘客人数，站点换乘客流根据乘客刷卡记录的OD路径推算统计出，结合图5所示，图5中右上侧显示的直方图为北京各地铁站点当前时刻之前1个小时内前20名的站点换乘客流量排行。
本实施例中，线路换乘客流量为某地铁线路的各换乘站点的换乘客流量之和，结合图5所示，图5中右下侧显示的直方图为北京各地铁线路当前时刻之前1个小时内各自的线路换乘客流量。
本实施例中，断面客流量为一定时间段内通过地铁各路段的客流，结合图6所示，图6中右上侧显示的直方图为北京各地铁路段当日前20名的断面客流量排行。
本实施例中，线路拥堵指数包括整个地铁系统的拥堵情况指数、各条地铁的拥堵指数和地铁系统各路段的拥堵指数。其中，如图2-图6所示，图2-图6中左上位置的码盘显示的线路拥堵指数代表北京整个地铁系统各自时刻的拥堵情况，图2和图5中左下位置显示北京整个地铁系统的满载率，拥堵情况和满载率相关，在图2和图5中，满载率为26.5，而左上位置的码盘显示的拥堵指数为2.26，表示当前时刻，全体地铁线路整体上运行基本畅通。另外，如图3所示，当点击左上角“线路”这一虚拟按钮，在左下侧显示各条地铁线路的线路拥堵指数。如图6所示，当点击左上角“断面”这一虚拟按钮，在左下侧显示各地铁路段当日前20名的断面客流量拥堵排行。
步骤S300、根据地铁客流数据库中的数据分析和预测地铁客流情况。
由于步骤S200中建立的地铁客流数据库中的客运数据包括线路客流量、进站客流量、出站客流量、进出站客流量、断面客流量、站点换乘客流量、线路换乘客流量和线路拥堵指数这些指标，因此，可根据这些指标所的数据分析和预测地铁后期不同时间段的客流情况。
进一步的，在本步骤中，还根据地铁客流数据库中的客运数据，利用Logit分配模型预测地铁广义费用条件下的分担率：
Logit分配模型为：
Figure BDA0003146365090000091
Figure BDA0003146365090000092
式中：P(m)—为选择m交通方式的分担率；
m为n中具有竞争关系的交通方式；
V(m)—为选择m交通方式的效用函数，其中，
Figure BDA0003146365090000093
式中：ωm—为第m种交通方式的权重，ωm取值范围为0-1；
Figure BDA0003146365090000094
—为第m种交通方式的起终点间的广义费用函数，其中，
Figure BDA0003146365090000095
式中：
a＝交通方式路段；
OD＝起-终点；
Figure BDA0003146365090000096
VOTm＝对应于交通方式m的时间价值；
ta＝路段a的时间；
ca＝路段a的最大运输能力；
Figure BDA0003146365090000097
Figure BDA0003146365090000098
Figure BDA0003146365090000099
VDF＝运输延误函数；
xa＝路段a的总运输量；
其中：
Figure BDA0003146365090000101
式中：
α＝根据地铁交通方式运载能力取值的常数，取值范围为0-1；
β＝根据地铁运行速度取值的常数，取值范围为0-100。
Logit分配模型中，在预测地铁出行占整个城市出行的分担率时，由于城市出行方式之间会有竞争关系，因此，本实施例中，交通方式m考虑了地铁、公交、步行、自行车这4种城市常见且人们普遍能用的出行方式，也就是n取值4。
这里，所建立的
Figure BDA0003146365090000102
这一第m种交通方式的起终点间的广义费用函数为将出行过程中各个影响因素和影响指标归一化综合考虑所建立的一套标准的费用评价数学模型，用于计算各种交通方式的广义费用。
这里的影响因素和影响指标包括出行时间、票价、交通拥堵、等待时间、时间价值，其中：出行时间是指，不同地铁线路、公交线路、步行线路运行时间不同，运行速度越快，行程时间越短，运输需求选择该方式所在路径的概率越大，分配运输量越多，反之亦然；票价是指，票价越高所需要的成本越高，选择该方式的概率会越小；交通拥堵是指，运输量超过了运输能力所造成的交通方式的时间延误，拥堵时间越长，选择该路径的概率越小；等待时间是指，等待时间代表出行过程中的等待时间，比如站内等待时间，换乘等待时间等，等待时间越长，对于该路径的选择概率越小；时间价值是指，不同使用者对于运输时间的敏感性不同，有的出行路径对于时间敏感，时间价值较高，则选择运输时间较短的方式和路径，有些使用者对于时间不敏感，时间价值较低，则选择运输时间较长的交通方式和路径。
对于某需要预测地铁分担率的OD路径，先利用
Figure BDA0003146365090000103
这一广义费用函数将采用地铁、公交、步行、自行车这几种出行方式的广义费用都计算出来，比如，对于北京地铁1号线的始发站和终点站这一OD路径：通过
Figure BDA0003146365090000104
函数计算地铁出行方式的广义费用时，考虑1号线各路段的票价即可，而
Figure BDA0003146365090000111
取0，避免重复计算；根据地铁客流数据库获知xa、ca和ta的数据，并通过VDF函数计算运输延误折算成时间的价值，最终获取通过地铁方式出行的广义费用；通过
Figure BDA0003146365090000112
函数计算公交出行方式的广义费用时，结合公交客流数据获知xa、ca和ta的取值，剩余计算方式与通过地铁方式出行的广义费用的计算方式相同；通过步行和自行车的出行方式计算广义费用，不存在票价，则
Figure BDA0003146365090000113
取0，考虑
Figure BDA0003146365090000114
即可，避免重复计算，并根据步行和自行车的客流数据获知xa、ca和ta，最终计算获取步行和自行车各自出行方式的广义费用。
这里，ωm为第m种交通方式的权重，不同交通方式的权重，根据不同地铁路线的OD路径估算地铁、公交、步行、自行车这几种出行方式的权重，总的权重之和为1。
因此，根据地铁客流数据库中的客运数据，通过Logit分配模型最终能够预测各条地铁线路对交通出行的分担率。
实施例2：
一种地铁客流分析与预测系统，请参阅图7和图8。
结合如图7所示，该地铁客流分析与预测系统包括数据采集模块、地铁客流数据库建立模块、客流预测模块、注册模块和客户端模块，其中：数据采集模块处于图8中的硬件层，地铁客流数据库建立模块处于图8中的数据层，客流预测模块处于图8中的支撑层，注册模块处于图8中的应用层，客户端模块处于图8中的服务层。
该数据采集模块包括若干子数据采集单元，该子数据采集单元用于设置在每条地铁线路的各站点，子数据采集单元与地铁站点的刷卡闸机管理系统信号连接，以采集对应站点的刷卡客流数据；这里的子数据采集单元可以采用电脑，采集的刷卡客流数据包括乘客的进站刷卡时间、出站刷卡时间、进站刷卡站点、出站刷卡站点。
该地铁客流数据库建立模块包括总数据采集单元、数据统计分析单元和电子地图单元，总数据采集单元与各子数据采集单元信号连接，以采集并存储每条地铁各站点的刷卡客流数据，总数据采集单元用于数据汇总和存储，总数据采集单元可采用电脑、服务器、云服务器或存储器。
数据统计分析单元用于对总数据采集单元收集的数据进行统计分析，数据统计分析单元可采用电脑、服务器或云服务器，数据统计分析单元处理的结果包括：以直方图或/和列表形式显示显示地铁系统的进出站客流、每条地铁的线路客流量、进站客流量、出站客流量、进出站客流量、断面客流量、站点换乘客流量、线路换乘客流量和拥堵指数。
电子地图单元可采用电脑、服务器或云服务器，电子地图单元存储有地铁线路的GIS网络模型，该电子地图单元信号连接到数据统计分析单元，在该地铁线路的GIS网络模型建立链接，使得该地铁线路的GIS网络模型链接到数据统计分析单元中直方图或/和列表数据，从而能够从该地铁线路的GIS网络模型上显示地铁系统的进出站客流、每条地铁的线路客流量、进站客流量、出站客流量、进出站客流量、断面客流量、站点换乘客流量、线路换乘客流量和拥堵指数。
客流预测模块能够显示地铁客流数据库建立模块中的地铁客流数据库，客流预测模块可采用带有电视墙的服务器，以根据地铁客流数据库中的数据分析和预测地铁客流情况，通过客流预测单元能够观测此前统计的地铁客流信息，通过所统计的地铁客流信息来预测后期地铁客流信息。且客流预测模块能够利用实施例1中的Logit分配模型预测地铁的分担率，Logit分配模型以程序方式存储在客流预测模块中。
客户端模块包括若干客户端单元，客户端单元通过在设备注册模块注册后，设备注册模块给予客户端单元相应的权限，客户端单元根据其权限能够访问电子地图单元和客流预测模块。各客户端单元可设置在地铁站调度室、站点消杀、清扫、安保服务公司或者公交公司，各客户端单元为台式电脑、平板电脑或手机，各客户端单元信号连接到设备注册模块，设备注册模块为电脑或服务器，客户端单元在设备注册模块注册后，设备注册模块给予客户端单元相应的权限，并且设备注册模块在电子地图单元进行标记，客户端单元根据其权限能够访问电子地图单元。各客户端单元能够通过电子地图单元观测其权限内某站点的客流情况。
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、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解，在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种地铁客流分析与预测方法，其特征在于，包括以下步骤：
(1)数据采集：基于地铁线路的实时数据，采集地铁各站点的刷卡数据，存储每日时间序列的刷卡客流数据，所述刷卡客流数据包括乘客的进站刷卡时间、出站刷卡时间、进站刷卡站点、出站刷卡站点；
(2)建立地铁客流数据库：根据刷卡客流数据以及地铁线路的GIS网络模型，对各站点的客流数据进行实时统计，该地铁线路的GIS网络模型能够以直方图或/和列表形式显示一定时间段内地铁线路的客运数据；
(3)根据所述地铁客流数据库中的数据分析和预测地铁客流情况。
2.根据权利要求1所述的地铁客流分析与预测方法，其特征在于：在所述步骤(2)中，所述客运数据包括线路客流量、进站客流量、出站客流量、进出站客流量、断面客流量、站点换乘客流量和线路换乘客流量，其中，
所述线路客流量为本条地铁线路一定时间段内由本线进且本线出客流、换入至本线客流、由本线换出客流、途经本线路客流四部分之和；
所述进站客流量为一定时间段内某站点进站人数；
所述出站客流量为一定时间段内某站点出站人数；
所述进出站客流量为一定时间段内某站点进站和出站人数之和；
所述站点换乘客流量为在某换乘站点换乘的乘客人数，所述站点换乘客流根据乘客刷卡记录的OD路径推算统计出；
所述线路换乘客流量为某地铁线路的各换乘站点的换乘客流量之和；
所述断面客流量为一定时间段内通过地铁各路段的客流。
3.根据权利要求2所述的地铁客流分析与预测方法，其特征在于：在所述步骤(2)中，所述客运数据还包括线路拥堵指数，该线路拥堵指数根据所述线路客流量对该线路满载量的占比来评价，所述线路拥堵指数的取值范围为0～10，所述线路拥堵指数分为五级，其中0～2，2～4，4～6，6～8，8～10分别对应“畅通”、“基本畅通”、“轻度拥堵”、“中度拥堵”、“严重拥堵”五个级别，数值越高表明拥堵状况越严重。
4.根据权利要求1所述的地铁客流分析与预测方法，其特征在于：在所述步骤(2)中，所述地铁客流数据库能够实时显示当前时刻之前15分钟、30分钟和1个小时内的客运数据。
5.根据权利要求1所述的地铁客流分析与预测方法，其特征在于：在所述步骤(3)中，还根据地铁客流数据库中的客运数据，利用Logit分配模型预测地铁广义费用条件下的分担率：
所述Logit分配模型为：
Figure FDA0003146365080000021
Figure FDA0003146365080000022
式中：P(m)—为选择m交通方式的分担率；
m为n中具有竞争关系的交通方式；
V(m)—为选择m交通方式的效用函数，其中，
Figure FDA0003146365080000023
式中：ωm—为第m种交通方式的权重，ωm取值范围为0-1；
Figure FDA0003146365080000024
—为第m种交通方式的起终点间的广义费用函数，其中，
Figure FDA0003146365080000025
式中：
a＝交通方式路段；
OD＝起-终点；
Figure FDA0003146365080000026
VOTm＝对应于交通方式m的时间价值；
ta＝路段a的时间；
ca＝路段a的最大运输能力；
Figure FDA0003146365080000027
Figure FDA0003146365080000028
Figure FDA0003146365080000031
VDF＝运输延误函数；
xa＝路段a的总运输量；
其中：
Figure FDA0003146365080000032
式中：
α＝根据地铁交通方式运载能力取值的常数，取值范围为0-1；
β＝根据地铁运行速度取值的常数，取值范围为0-100。
6.一种地铁客流分析与预测系统，其特征在于，包括：
数据采集模块：该数据采集模块包括若干子数据采集单元，该子数据采集单元用于设置在每条地铁线路的各站点，所述子数据采集单元与地铁站点的刷卡闸机管理系统信号连接，以采集对应站点的刷卡客流数据；
地铁客流数据库建立模块：该地铁客流数据库建立模块包括总数据采集单元、数据统计分析单元和电子地图单元，其中，所述总数据采集单元与各所述子数据采集单元信号连接，以采集并存储每条地铁各站点的刷卡客流数据；所述数据统计分析单元用于对所述总数据采集单元收集的数据进行统计分析，以直方图或/和列表形式显示地铁系统的进出站客流、每条地铁的线路客流量、进站客流量、出站客流量、进出站客流量、断面客流量、站点换乘客流量、线路换乘客流量和拥堵指数；所述电子地图单元存储有地铁线路的GIS网络模型，该电子地图单元信号连接到所述数据统计分析单元，在该地铁线路的GIS网络模型建立链接，使得该地铁线路的GIS网络模型链接到所述数据统计分析单元中直方图或/和列表数据；
客流预测模块，该客流预测模块能够显示所述地铁客流数据库建立模块中的地铁客流数据库，以根据所述地铁客流数据库中的数据分析和预测地铁客流情况，且所述客流预测模块能够利用权利要求5中所述的Logit分配模型预测地铁的分担率。
7.根据权利要求6所述的地铁客流分析与预测系统，其特征在于：还包括设备注册模块和客户端模块，所述客户端模块包括若干客户端单元，所述客户端单元通过在所述设备注册模块注册后，所述设备注册模块给予所述客户端单元相应的权限，所述客户端单元根据其权限能够访问所述电子地图单元和客流预测模块。
CN202110755301.5A 2021-07-02 2021-07-02 地铁客流分析与预测方法及分析与预测系统 Pending CN113468243A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110755301.5A CN113468243A (zh) 2021-07-02 2021-07-02 地铁客流分析与预测方法及分析与预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110755301.5A CN113468243A (zh) 2021-07-02 2021-07-02 地铁客流分析与预测方法及分析与预测系统

Publications (1)

Publication Number Publication Date
CN113468243A true CN113468243A (zh) 2021-10-01

Family

ID=77878113

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110755301.5A Pending CN113468243A (zh) 2021-07-02 2021-07-02 地铁客流分析与预测方法及分析与预测系统

Country Status (1)

Country Link
CN (1) CN113468243A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114443792A (zh) * 2021-12-30 2022-05-06 江苏慧眼数据科技股份有限公司 地图模式下客流量分析系统及方法
CN114613128A (zh) * 2022-02-11 2022-06-10 河南中医药大学 一种基于数据分析的地铁防疫监控管理系统
CN117035696A (zh) * 2023-10-09 2023-11-10 天津致新轨道交通运营有限公司 一种用于地铁客运服务的智慧客运管理方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103065205A (zh) * 2012-12-26 2013-04-24 深圳先进技术研究院 三维智能交通枢纽客流时空分析与预测系统
CN109308543A (zh) * 2018-08-20 2019-02-05 华南理工大学 基于ls-svm和实时大数据的地铁短期客流预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103065205A (zh) * 2012-12-26 2013-04-24 深圳先进技术研究院 三维智能交通枢纽客流时空分析与预测系统
CN109308543A (zh) * 2018-08-20 2019-02-05 华南理工大学 基于ls-svm和实时大数据的地铁短期客流预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
俞秋田;严凌;刘魏巍;王锦阳;: "低碳模式下的轨道交通客流分配方法", 森林工程, no. 05 *
张清泉: "轨道交通客流预警系统研究", 信息科技辑, pages 13 - 31 *
马超群;陈宽民;王玉萍;: "城市轨道交通客流预测方法", 长安大学学报(自然科学版), no. 05 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114443792A (zh) * 2021-12-30 2022-05-06 江苏慧眼数据科技股份有限公司 地图模式下客流量分析系统及方法
CN114613128A (zh) * 2022-02-11 2022-06-10 河南中医药大学 一种基于数据分析的地铁防疫监控管理系统
CN117035696A (zh) * 2023-10-09 2023-11-10 天津致新轨道交通运营有限公司 一种用于地铁客运服务的智慧客运管理方法
CN117035696B (zh) * 2023-10-09 2024-02-06 天津致新轨道交通运营有限公司 一种用于地铁客运服务的智慧客运管理方法

Similar Documents

Publication Publication Date Title
CN109035770B (zh) 一种大数据环境下公交载客量实时分析预测方法
CN109034566B (zh) 一种基于公交站点上下客流的智能调度方法及装置
CN107545320B (zh) 一种基于图论的城市轨道交通乘客路径规划方法及系统
CN113468243A (zh) 地铁客流分析与预测方法及分析与预测系统
Sánchez-Martínez Inference of public transportation trip destinations by using fare transaction and vehicle location data: Dynamic programming approach
Xu et al. Finding the K shortest paths in a schedule-based transit network
CN108242149A (zh) 一种基于交通数据的大数据分析方法
Hess et al. Airport, airline and access mode choice in the San Francisco Bay area
CN106779408A (zh) 公交系统服务质量的评估方法和装置
CN113194138B (zh) 基于ai深度学习的出行管理方法和系统
CN108922178B (zh) 基于公交多源数据的公交车辆实时满载率计算方法
CN109903553B (zh) 多源数据挖掘的公交车上下车站点识别和检验方法
CN114358808A (zh) 基于多源数据融合的公交od估计及分配方法
CN104464280B (zh) 车辆行进开销的预测方法及系统
Ma et al. Public transportation big data mining and analysis
Li et al. Using smart card data trimmed by train schedule to analyze metro passenger route choice with synchronous clustering
CN110657817A (zh) 行程路线的推荐方法及装置
Song et al. Public transportation service evaluations utilizing seoul transportation card data
CN116090785B (zh) 针对大型活动散场场景两阶段的定制公交规划方法
Zhou et al. Time prediction model of subway transfer
Sun et al. Subway passenger flow analysis and management optimization model based on AFC data
JP5658593B2 (ja) 車両混雑率予測装置及び方法
CN110555996A (zh) 一种公交运营分析系统
Lee et al. Incorporating e-technology to advantage in a greener taxi industry and its impact on driving performance and safety
CN111339159B (zh) 一种一票制公交数据的分析挖掘方法

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