CN113935595B - 一种城市轨道交通路网高峰大客流疏导系统 - Google Patents
一种城市轨道交通路网高峰大客流疏导系统 Download PDFInfo
- Publication number
- CN113935595B CN113935595B CN202111143735.6A CN202111143735A CN113935595B CN 113935595 B CN113935595 B CN 113935595B CN 202111143735 A CN202111143735 A CN 202111143735A CN 113935595 B CN113935595 B CN 113935595B
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- congestion
- station
- unit
- train
- 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
- 238000004364 calculation method Methods 0.000 claims abstract description 43
- 238000013523 data management Methods 0.000 claims abstract description 24
- 238000012546 transfer Methods 0.000 claims abstract description 24
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 22
- 230000002787 reinforcement Effects 0.000 claims abstract description 18
- 230000003370 grooming effect Effects 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 8
- 238000007726 management method Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000002441 reversible effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 claims description 2
- 230000014759 maintenance of location Effects 0.000 claims 1
- 239000006185 dispersion Substances 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提供了一种城市轨道交通路网高峰大客流疏导系统。包括数据管理服务器,用于进行路网、客流和疏导相关的数据存储和维护;客流拥堵辨识服务器,用于以线网结构和列车运行计划为基本约束,根据客流随机发生和路网转移的蒙特卡洛仿真,计算大客流时空拥堵瓶颈和拥堵类别;疏导范围计算服务器,用于根据大客流时空拥堵瓶颈和拥堵类别,计算满足出行可达性的客流控制备选集合和跳站备选集合;客流疏导服务器,用于根据满足出行可达性的客流控制备选集合和跳站备选集合,以及客流疏导的设置信息通过强化学习进行客流疏导方案的计算。本发明为城市轨道交通路网的拥堵辨识和协同疏导提供技术支持,提高路网运营服务水平和乘客安全提供支撑。
Description
技术领域
本发明涉及轨道交通运营管理技术领域,尤其涉及一种城市轨道交通路网高峰大客流疏导系统。
背景技术
城市轨道交通是重要的城市公共交通出行方式,承担了大量的城市交通出行。因客流量巨大,在日常高峰时段,路网大规模客流拥挤普遍。因为不同线路列车带来客流在换乘车站的转移,对大客流的疏导需要线网协同。如何对线网大客流进行疏导降低客流拥挤,对提高城市轨道交通运营服务水平与乘客出行安全,具有重要的实际意义。
现有的主要客流疏导方式包括客流控制、加开列车、加大编组、快慢车等方式,在现有的高峰期,因列车的发车已经非常密集,因站台限制加大编组也不易实现;因此客流控制与快慢车相结合的方式更为可行。
现有客流控制与快慢车(即跳站)的研究主要从线路角度展开,缺乏从网络角度进行客流控制与跳站的联合客流疏导的方法。对于大规模路网,如何从几百个车站中选择必要的车站与时段进行客流控制与跳站,是一大难题,并且提高路网的整体安全和效率的同时,如何降低网络疏导对局部个体乘客的出行可达性的影响,也是必要的考虑因素。
发明内容
本发明的实施例提供了一种城市轨道交通路网高峰大客流疏导系统,以实现对城市轨道交通高峰期大客流的有效疏导。
为了实现上述目的,本发明采取了如下技术方案。
一种城市轨道交通路网高峰大客流疏导系统,包括:互相连接的客流疏导服务器、疏导范围计算服务器、客流拥堵辨识服务器和数据管理服务器;
所述数据管理服务器,用于进行路网、客流和疏导相关的数据存储和维护,为其他服务器提供数据源结果的管理;
所述客流拥堵辨识服务器,用于以数据管理服务器中存储的线网结构和列车运行计划为基本约束,根据客流随机发生和路网转移的蒙特卡洛仿真,计算大客流时空拥堵瓶颈和拥堵类别;
所述疏导范围计算服务器,用于根据客流拥堵辨识服务器得到的大客流时空拥堵瓶颈和拥堵类别,计算满足出行可达性的客流控制备选集合和跳站备选集合;
所述客流疏导服务器,用于接收用户对客流疏导的设置,根据疏导范围计算服务器得到的满足出行可达性的客流控制备选集合和跳站备选集合,以及客流疏导的设置信息通过强化学习进行客流疏导方案的计算,将客流疏导方案进行展示。
优选地,所述客流拥堵辨识服务器包括:客流随机发生单元、蒙特卡洛仿真单元、客流统计单元、拥堵时空计算单元和客流拥堵分类单元;
所述客流随机发生单元,用于根据日常同期历史客流分布,随机发生仿真时段内的客流OD、路径选择和走行速度;
所述蒙特卡洛仿真单元,用于根据客流随机发生单元产生的客流发生结果进行蒙特卡洛仿真计算,完成乘客进站、候车、上车、下车、换乘和出站的过程,过程中的上车选择受到容量和个体选择概率双重约束;
所述客流统计单元,用于根据蒙特卡洛仿真计算结果进行客流统计,统计多次仿真的车站内外候车和列车满载率;
所述拥堵时空计算单元,用于根据客流统计结果,以车站站内外候车人数作为拥堵计算参考,当人数超过阈值时判断为拥堵,计算路网拥堵时空分布结果的并集,并取多次仿真在同时空下的最拥堵数值作为大客流时空拥堵瓶颈;
所述客流拥堵分类单元,用于判断拥堵形成的原因,如果为到达列车高满载引起的拥堵,则判断为列车拥堵;如果因进站客流过大引起的拥堵,则判断为本站拥堵;如果因换乘客流量过大引起的拥堵,则判断为换乘拥堵。
优选地,容量约束表示上车人数加车上人数小于列车能承载的最大客流容量,个体选择概率约束指当列车有剩余容量时也会有乘客认为当前车辆拥挤时会等候下一趟列车,乘客是否选择上车根据调查获得概率数值,依据概率随机产生是否上车的结果。
优选地,所述疏导范围计算服务器包括:拥堵源计算单元、客流控制备选集合计算单元、跳站备选集合计算单元和可达性校验单元;
所述拥堵源计算单元,用于根据拥堵瓶颈和乘客出行的路径、从起始车站到达拥堵瓶颈的时间,反向计算客流源头;
所述客流控制备选集合计算单元,用于根据客流源头计算出客流源头对拥堵的贡献率,当贡献率超过阈值,则将源头所在的车站与时段作为客流控制备选集合;
所述跳站备选集合计算单元,用于根据拥堵形成的原因,如果为到达列车高满载引起的拥堵,则计算拥挤列车集合,倒序当拥挤列车在到达瓶颈前的车站直到第一个换乘车站,将在拥挤瓶颈与换乘车站之间的车站作为跳站备选集合;
所述可达性校验单元,用于将客流控制备选集合和跳站备选集合合并成为疏导备选范围,对跳站和客流控制备选集合中的站点各时段乘客进行采样计算可达性,当被采样站点某时段的乘客平均可达性减去平峰可达的差异超过阈值,则认为该站点该时段的可达性过低,则将该站点该时段至高峰期结束从疏导备选范围中去除。
优选地,所述客流疏导服务器包括:疏导优化强化学习单元、疏导方案生成单元和疏导可视化管理单元;
所述疏导优化强化学习单元,用于包括强化学习环境、状态和动作,强化学习使用的深度神经网络以状态为输入,以动作为输出,得到初步的客流疏导方案;
所述疏导方案生成单元,用于将客流控制和列车跳站结果转换成可操作的疏导方案,根据所述初步的客流疏导方案结合车站的实际情况设定在车站的进站口或站厅设置分批放行或放慢通行,生成车站客流控制措施,根据列车跳站方案生成优化后的列车运行时刻表,将车站客流控制措施和优化后的列车时刻表共同作为最终的客流疏导方案。
由上述本发明的实施例提供的技术方案可以看出,本发明可以为高峰期客运组织提供客流控制和跳站协同疏导方案,保障客运组织的安全效率和乘客出行可达性。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种高峰大客流疏导系统的结构图;
图2为本发明实施例提供的一种高峰客流疏导可视化示意图;
图3为本发明实施例提供的一种客流拥堵识别流程图;
图4为本发明实施例提供的一种拥堵时空范围示例图
图5为本发明实施例提供的一种疏导范围计算流程图;
图6为本发明实施例提供的一种客流疏导范围示意图;
图7为本发明实施例提供的一种客流疏导强化学习流程图;
图8为本发明实施例提供的一种客流疏导方案示例图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
本发明实施例提出了一种路网高峰大客流疏导系统,明确大规模路网下需要控制和跳站的时空范围,求解获得疏导优化方案,保障路网整体安全效率和乘客出行可达性。本发明实施例针对城市轨道交通路网高峰大客流疏导,搭建包含数据管理、客流疏导辨识、疏导范围计算、疏导方案生成的系统。
本发明实施例提供的一种城市轨道交通路网高峰大客流疏导系统的结构图如图1所示,包括:互相连接的客流疏导服务器、疏导范围计算服务器、客流拥堵辨识服务器和数据管理服务器。
所述数据管理服务器,用于进行路网、客流和疏导相关的数据存储和维护,为其他服务器提供数据源结果的管理。
所述客流拥堵辨识服务器,用于以数据管理服务器中存储的线网结构和列车运行计划为基本约束,根据客流随机发生和路网转移的蒙特卡洛仿真,计算大客流时空拥堵瓶颈和拥堵类别;
所述疏导范围计算服务器,用于根据客流拥堵辨识服务器得到的大客流时空拥堵瓶颈和拥堵类别,计算满足出行可达性的客流控制备选集合和跳站备选集合;
所述客流疏导服务器,用于接收用户对客流疏导的设置,根据疏导范围计算服务器得到的满足出行可达性的客流控制备选集合和跳站备选集合,以及客流疏导的设置信息通过强化学习进行客流疏导方案的计算,将客流疏导方案进行展示;
优选地,所述客流拥堵辨识服务器包括:客流随机发生单元、蒙特卡洛仿真单元、客流统计单元、拥堵时空计算单元和客流拥堵分类单元;
其中,客流随机发生单元,用于根据日常同期历史客流分布,随机发生仿真时段内的客流OD(Origin to Destination,起点到终点,)、路径选择和走行速度;
其中,蒙特卡洛仿真单元,用于根据客流随机发生单元产生的客流发生结果进行蒙特卡洛仿真计算,完成乘客进站、候车、上车、下车、换乘和出站的过程,过程中的上车选择受到容量和个体选择概率双重约束,容量约束表示上车人数加车上人数小于列车能承载的最大客流容量,个体选择概率约束指当列车有剩余容量时也会有乘客认为当前车辆拥挤时会等候下一趟列车,乘客是否选择上车根据调查获得概率数值,依据概率随机产生是否上车的结果。
其中,客流统计单元,用于根据蒙特卡洛仿真计算结果进行客流统计,统计多次仿真的车站内外候车和列车满载率指标;
其中,拥堵时空计算单元,用于根据客流统计结果,以车站内外候车人数作为拥堵计算参考,当人数超过阈值时判断为拥堵,计算路网拥堵时空分布结果的并集,并取多次仿真在同时空下的最拥堵数值作为大客流时空拥堵瓶颈;
其中,客流拥堵分类单元,用于判断拥堵形成的原因,如果为到达列车高满载引起的拥堵,则判断为列车拥堵;如果因进站客流过大引起的拥堵,则判断为本站拥堵;如果因换乘客流量过大引起的拥堵,则判断为换乘拥堵,也可为多种类的联合。
优选地,所述疏导范围计算服务器包括:拥堵源计算单元、客流控制备选集合计算单元、跳站备选集合计算单元和可达性校验单元;
其中,拥堵源计算单元,用于根据拥堵瓶颈和乘客出行的路径、从起始车站到达拥堵瓶颈的时间,反向计算客流源头;
其中,所述客流控制备选集合计算单元,用于根据客流源头计算出客流源头对拥堵的贡献率,当贡献率超过阈值,则将源头所在的车站与时段作为客流控制备选集合,客流源头及其贡献率计算举例如下:假设S车站在7:30候车人数一共1000人,根据OD的路径分配比例和乘客行程时间反推,可以得到候车人来自不同车站不同时段的进站客流,其中S车站7:20-7:30进站500人,S1车站7:00-7:10进站300人,S2车站6:30-6:40进站150人,S3车站6:40-6:50进站50人,则几个车站的贡献率分别为0.5,0.3,0.15,0.05,当阈值为0.2时,则S车站7:20-7:30,和S1车站7:00-7:10作为客流控制备选集合。
其中,跳站备选集合计算单元,用于根据拥堵形成的原因,如果为到达列车高满载引起的拥堵,则计算拥挤列车集合,倒序当拥挤列车在到达瓶颈前的车站直到第一个换乘车站,将在拥挤瓶颈与换乘车站之间的车站作为跳站备选集合;
其中,可达性校验单元,用于将客流控制备选集合和跳站备选集合合并成为疏导备选范围,对跳站和客流控制备选集合中的站点各时段乘客进行采样计算可达性,当被采样站点某时段的乘客平均可达性与平峰可达的差异超过阈值,则认为该站点该时段的可达性过低,则将该站点该时段至高峰期结束从疏导备选范围中去除;对乘客进行采样计算可达性进一步说明如下:根据参数,如0.1,当总人数为1000人时则随机均匀采用100人,对这100名乘客,计算时空可达性A1,可达性可以使用广义费用成本的倒数,计算公式如其中w为等候时间,r为列车运行时间,t为换乘时间,α、β、γ为参数;并计算相同OD和相同出行路径下平峰出行,即没有因拥挤带来的额外滞留等待下的时空可达性A2,A2计算公式与A1相同,因高峰拥挤带来的额外等待时间A1数值一般小于A2,当A2-A1>ΔA,则认为该站点该时段的可达性过低。
优选地,所述客流疏导服务器包括:疏导优化强化学习单元、疏导方案生成单元和疏导可视化管理单元;
其中,所述疏导优化强化学习单元,用于包括强化学习环境、状态和动作,强化学习使用的深度神经网络以状态为输入,以动作为输出,得到初步的客流疏导方案;
其中,所述疏导方案生成单元,用于将客流控制和列车跳站结果转换成可操作的疏导方案,根据疏导初步方案中的客流控制方案,结合车站的实际情况设定在车站的进站口或站厅设置分批放行或放慢通行,生成车站的客流控制措施,根据列车跳站方案生成优化后的列车运行时刻表,将车站客流控制措施和优化后的列车时刻表共同作为最终的客流疏导方案。
图2为本发明实施例提供的一种高峰客流疏导可视化示意图,包括四个处理过程,分别为客流参数设置、疏导结果查看、疏导历史查询和疏导结果图形展示。各个处理过程显示的内容及具有的功能见下表。
表1疏导可视化单元模块功能
序号 | 模块内容 | 响应服务 | 相关模块 |
11 | 客流参数设置 | 客流拥堵辨识服务器 | 客流发生单元 |
2 | 疏导结果查看 | 数据管理服务器 | 疏导数据管理单元 |
31 | 疏导历史查询 | 数据管理服务器 | 疏导数据管理单元 |
21 | 路网疏导对比图 | 数据管理服务器 | 疏导数据管理单元 |
22 | 疏导指标曲线对比图 | 数据管理服务器 | 疏导数据管理单元 |
23 | 疏导关键指标统计图 | 数据管理服务器 | 疏导数据管理单元 |
本发明实施例提供的一种客流拥堵识别流程如图3所示,具体处理过程包括:首先根据客流参数设置作为同期客流分布函数参数,由客流随机发生单元随机发生仿真时段内的客流OD、路径选择和走行速度;再由蒙特卡洛仿真单元根据客流发生结果进行蒙特卡洛仿真计算,完成乘客进站、候车、上车、下车、换乘和出站的过程;根据多次蒙特卡洛仿真结果,统计仿真的车站站内外候车和列车人数;由拥堵时空计算单元,根据客流统计结果,以车站站内外候车人数作为拥堵计算参考,当人数超过阈值时为拥堵,计算路网拥堵时空分布结果的并集,并取多次仿真在同时空下的最拥堵数值作为拥堵结果;最后,由客流拥堵分类单元,根据拥堵形成的原因对拥堵结果进行分类,如果为到达列车高满载引起的拥堵为列车拥堵,因进站客流过大引起为本站拥堵,因换乘客流量过大引起为换乘拥堵,也可为多种类的联合。
本发明实施例提供的一种拥堵时空范围示例如图4所示,拥堵的空间为朱辛庄站,西二旗站,霍营站。朱辛庄站拥堵的时间范围为7:00-8:30,西二旗站拥堵的时间范围为7:30-8:30,霍营站的拥堵范围为7:30-8:30。
本发明实施例提供的一种疏导范围计算流程如图5所示,具体处理过程包括:拥堵源计算单元根据拥堵瓶颈和乘客出行的路径、从起始车站到达拥堵瓶颈的时间,反向计算客流源头,途径拥堵瓶颈的OD,将计算结果作为备选客流源。客流控制备选集合计算单元将相同O点且出发时间同一时段T的行程进行合并为OD’,当OD’量超过阈值,则将源头所在的车站O与时段T作为客流控制备选集合;跳站备选集合计算单元根据拥堵形成的原因,如果为到达列车高满载引起的拥堵,则计算拥挤列车集合,倒序当拥挤列车在到达瓶颈前的途经车站直到第一个换乘车站,在拥挤瓶颈与换乘车站之间的车站作为跳站备选集合;将客流控制备选集合和跳站备选集合合并成为疏导备选范围。对跳站和客流控制备选集合中的站点各时段乘客进行采样计算可达性,当被采样站点某时段的乘客平均可达性与平峰可达的差异超过阈值,则认为该站点该时段的可达性过低,则将该站点该时段至高峰期结束从疏导备选范围中去除。
本发明实施例提供的一种客流疏导范围示意图如图6所示,其中需要疏导朱辛庄,生命科学院,龙泽,回龙观车站,其中朱辛庄,生命科学园为客流控制备选车站,龙泽,回龙观为跳站备选车站。朱辛庄,生命科学园,西二旗客流控制的时间范围分别为7:00-8:30,龙泽,回龙观跳站的时间范围为7:00-8:30。
本发明实施例提供的一种客流疏导强化学习流程如图7所示,具体处理过程包括:疏导单元进行Q值的初始与更新,包括客流控制单元与列车跳站单元。客流控制单元选择动作客流控制率,列车跳站单元选择动作列车跳站策略,将动作输入包含客流需求、列车容量、站台容量,列车时刻表的环境,与环境进行交互,得出乘客滞留在站台的奖励值与各车站的滞留人数状态,循环更新Q值至最大,得到初步客流疏导方案,根据客流控制方案与列车跳站方案得到相应的客流控制措施与优化后的列车运行时刻表,得到最终客流疏导方案。
本发明实施例提供的一种客流疏导如图8所示,其客流控制与跳站方案如下表所示
表2各时段各车站客流控制率
表3各时段列车是否跳站
综上所述,本发明实施例的有益效果主要体现在:
能够考虑乘客出行随机不确定性,计算得到路网时空拥堵瓶颈,以及客流控制与跳站的备选时空范围,一方面提高优化求解范围提高优化求解速速,另一方面降低不必要的控制与跳站车站与时段,有利于实施。
以保障路网整体安全效率与乘客个体出行可达性为目标,进行大客流疏导模型构建,使得客流疏导兼顾运营整体服务与局部个体出行质量。
考虑路网客流疏导方案优化的复杂性,乘客出行不确定性,搭建强化学习平台,实现路网大客流疏导方案优化,实现复杂不确定条件下路网客流疏导方案优化求解。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (3)
1.一种城市轨道交通路网高峰大客流疏导系统,其特征在于,包括:互相连接的客流疏导服务器、疏导范围计算服务器、客流拥堵辨识服务器和数据管理服务器;
所述数据管理服务器,用于进行路网、客流和疏导相关的数据存储和维护,为其他服务器提供数据源结果的管理;
所述客流拥堵辨识服务器,用于以数据管理服务器中存储的线网结构和列车运行计划为基本约束,根据客流随机发生和路网转移的蒙特卡洛仿真,计算大客流时空拥堵瓶颈和拥堵类别;
所述疏导范围计算服务器,用于根据客流拥堵辨识服务器得到的大客流时空拥堵瓶颈和拥堵类别,计算满足出行可达性的客流控制备选集合和跳站备选集合;
所述客流疏导服务器,用于接收用户对客流疏导的设置,根据疏导范围计算服务器得到的满足出行可达性的客流控制备选集合和跳站备选集合,以及客流疏导的设置信息通过强化学习进行客流疏导方案的计算,将客流疏导方案进行展示;
所述客流拥堵辨识服务器包括:客流随机发生单元、蒙特卡洛仿真单元、客流统计单元、拥堵时空计算单元和客流拥堵分类单元;
所述客流随机发生单元,用于根据日常同期历史客流分布,随机发生仿真时段内的客流OD、路径选择和走行速度;
所述蒙特卡洛仿真单元,用于根据客流随机发生单元产生的客流发生结果进行蒙特卡洛仿真计算,完成乘客进站、候车、上车、下车、换乘和出站的过程,过程中的上车选择受到容量和个体选择概率双重约束;
所述客流统计单元,用于根据蒙特卡洛仿真计算结果进行客流统计,统计多次仿真的车站内外候车和列车满载率;
所述拥堵时空计算单元,用于根据客流统计结果,以车站站内外候车人数作为拥堵计算参考,当人数超过阈值时判断为拥堵,计算路网拥堵时空分布结果的并集,并取多次仿真在同时空下的最拥堵数值作为大客流时空拥堵瓶颈;
所述客流拥堵分类单元,用于根据客流参数设置作为同期客流分布函数参数,由客流随机发生单元随机发生仿真时段内的客流OD、路径选择和走行速度;再由蒙特卡洛仿真单元根据客流发生结果进行蒙特卡洛仿真计算,完成乘客进站、候车、上车、下车、换乘和出站的过程;根据多次蒙特卡洛仿真结果,统计仿真的车站站内外候车和列车人数;由拥堵时空计算单元,根据客流统计结果,以车站站内外候车人数作为拥堵计算参考,当人数超过阈值时为拥堵,计算路网拥堵时空分布结果的并集,并取多次仿真在同时空下的最拥堵数值作为拥堵结果;由客流拥堵分类单元根据拥堵形成的原因对拥堵结果进行分类,如果为到达列车高满载引起的拥堵为列车拥堵,因进站客流过大引起为本站拥堵,因换乘客流量过大引起为换乘拥堵或者为多种类的拥堵联合;
所述疏导范围计算服务器包括:拥堵源计算单元、客流控制备选集合计算单元、跳站备选集合计算单元和可达性校验单元;
所述拥堵源计算单元,用于根据拥堵瓶颈和乘客出行的路径、从起始车站到达拥堵瓶颈的时间,反向计算客流源头;
所述客流控制备选集合计算单元,用于根据客流源头计算出客流源头对拥堵的贡献率,当贡献率超过阈值,则将源头所在的车站与时段作为客流控制备选集合;
所述跳站备选集合计算单元,用于根据拥堵形成的原因,如果为到达列车高满载引起的拥堵,则计算拥挤列车集合,倒序当拥挤列车在到达瓶颈前的车站直到第一个换乘车站,将在拥挤瓶颈与换乘车站之间的车站作为跳站备选集合;
所述可达性校验单元,用于将客流控制备选集合和跳站备选集合合并成为疏导备选范围,对跳站和客流控制备选集合中的站点各时段乘客进行采样计算可达性,当被采样站点某时段的乘客平均可达性与平峰可达的差异超过阈值,则认为该站点该时段的可达性过低,则将该站点该时段至高峰期结束从疏导备选范围中去除;对乘客进行采样,计算时空可达性A1:
w为等候时间,r为列车运行时间,t为换乘时间,α、β、γ为参数;计算相同OD和相同出行路径下平峰出行,即没有因拥挤带来的额外滞留等待下的时空可达性A2,A2计算公式与A1相同,当A2-A1>ΔA,则认为该站点该时段的可达性过低。
2.根据权利要求1所述的系统,其特征在于,容量约束表示上车人数加车上人数小于列车能承载的最大客流容量,个体选择概率约束指当列车有剩余容量时也会有乘客认为当前车辆拥挤时会等候下一趟列车,乘客是否选择上车根据调查获得概率数值,依据概率随机产生是否上车的结果。
3.根据权利要求1所述的系统,其特征在于,所述客流疏导服务器包括:疏导优化强化学习单元、疏导方案生成单元和疏导可视化管理单元;
所述疏导优化强化学习单元,用于包括强化学习环境、状态和动作,强化学习使用的深度神经网络以状态为输入,以动作为输出,得到初步的客流疏导方案;
所述疏导方案生成单元,用于将客流控制和列车跳站结果转换成可操作的疏导方案,根据所述初步的客流疏导方案结合车站的实际情况设定在车站的进站口或站厅设置分批放行或放慢通行,生成车站客流控制措施,根据列车跳站方案生成优化后的列车运行时刻表,将车站客流控制措施和优化后的列车时刻表共同作为最终的客流疏导方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111143735.6A CN113935595B (zh) | 2021-09-28 | 2021-09-28 | 一种城市轨道交通路网高峰大客流疏导系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111143735.6A CN113935595B (zh) | 2021-09-28 | 2021-09-28 | 一种城市轨道交通路网高峰大客流疏导系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113935595A CN113935595A (zh) | 2022-01-14 |
CN113935595B true CN113935595B (zh) | 2023-07-28 |
Family
ID=79277266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111143735.6A Active CN113935595B (zh) | 2021-09-28 | 2021-09-28 | 一种城市轨道交通路网高峰大客流疏导系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113935595B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114841415A (zh) * | 2022-04-12 | 2022-08-02 | 西南交通大学 | 大型活动期间城市轨道交通客流预测及多级运输组织方法 |
CN117649034B (zh) * | 2023-12-08 | 2024-04-30 | 北京城建设计发展集团股份有限公司 | 一种运营中断事件下多阶段路网乘客出行仿真方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169512A (zh) * | 2010-02-26 | 2011-08-31 | 同济大学 | 基于时间窗约束的城市轨道交通网络动态可达性计算方法 |
WO2016045195A1 (zh) * | 2014-09-22 | 2016-03-31 | 北京交通大学 | 一种城轨路网客流估算方法 |
CN110222924A (zh) * | 2019-04-25 | 2019-09-10 | 北京交通大学 | 多方式的城市轨道交通车站客流控制系统及控制方法 |
CN110245806A (zh) * | 2019-06-24 | 2019-09-17 | 北京交通大学 | 一种城市轨道交通客流管控方法与系统 |
CN110428117A (zh) * | 2019-08-15 | 2019-11-08 | 北京交通大学 | 城市轨道交通多场景下客流精准诱导方法及系统 |
CN111767789A (zh) * | 2020-05-13 | 2020-10-13 | 北京交通大学 | 一种基于多载体智能引导的人群疏散方法及系统 |
CN112070275A (zh) * | 2020-08-14 | 2020-12-11 | 青岛海信网络科技股份有限公司 | 一种轨道交通路网协同限流的方法和装置及设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105882695B (zh) * | 2016-03-17 | 2017-11-28 | 北京交通大学 | 针对城市轨道交通路网客流拥堵的前瞻性关联控制方法 |
US20200024103A1 (en) * | 2018-07-18 | 2020-01-23 | Otis Elevator Company | Notification of objects in elevator system |
CN110162931B (zh) * | 2019-06-21 | 2021-06-22 | 北京交通大学 | 城市轨道交通大规模路网快速仿真系统 |
CN111353639B (zh) * | 2020-02-26 | 2022-04-12 | 北京交通大学 | 协调列车时刻表的城市轨道交通高峰期限流优化方法 |
CN112541265B (zh) * | 2020-12-08 | 2024-01-19 | 北京交通大学 | 考虑停站调整的周期与非周期结合高铁运行图建模方法 |
-
2021
- 2021-09-28 CN CN202111143735.6A patent/CN113935595B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169512A (zh) * | 2010-02-26 | 2011-08-31 | 同济大学 | 基于时间窗约束的城市轨道交通网络动态可达性计算方法 |
WO2016045195A1 (zh) * | 2014-09-22 | 2016-03-31 | 北京交通大学 | 一种城轨路网客流估算方法 |
CN110222924A (zh) * | 2019-04-25 | 2019-09-10 | 北京交通大学 | 多方式的城市轨道交通车站客流控制系统及控制方法 |
CN110245806A (zh) * | 2019-06-24 | 2019-09-17 | 北京交通大学 | 一种城市轨道交通客流管控方法与系统 |
CN110428117A (zh) * | 2019-08-15 | 2019-11-08 | 北京交通大学 | 城市轨道交通多场景下客流精准诱导方法及系统 |
CN111767789A (zh) * | 2020-05-13 | 2020-10-13 | 北京交通大学 | 一种基于多载体智能引导的人群疏散方法及系统 |
CN112070275A (zh) * | 2020-08-14 | 2020-12-11 | 青岛海信网络科技股份有限公司 | 一种轨道交通路网协同限流的方法和装置及设备 |
Non-Patent Citations (4)
Title |
---|
Zhibin Jiang,etc.Reinforcement learning approach for coordinated passenger inflow control of urban rail transit in peak hours.《Transportation Research Part C: Emerging Technologies》.2018,第88卷第1-16页. * |
城市轨道交通车站站台客流集散模型与仿真;高龙 等;《城市轨道交通研究》(第12期);第105-109、113页 * |
基于网络瓶颈控制的轨道交通车站客流疏导研究;王琨 等;《都市快轨交通》;第32卷(第3期);第84-90、101页 * |
运行延误下地铁换乘站多线协同客流处置方法;李伟 等;《同济大学学报(自然科学版)》;第43卷(第2期);第239-244页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113935595A (zh) | 2022-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113935595B (zh) | 一种城市轨道交通路网高峰大客流疏导系统 | |
CN107358319A (zh) | 城市轨道交通客流预测方法、装置、存储介质和计算机设备 | |
CN104809344B (zh) | 一种基于ic卡数据的公交站点区间客流估计方法 | |
CN111401614B (zh) | 一种城市轨道交通动态客流分配方法及系统 | |
CN110866649A (zh) | 一种短期地铁客流预测方法、系统及电子设备 | |
CN105070044A (zh) | 一种基于乘客预约的定制公交合乘车辆动态调度方法 | |
CN106485912A (zh) | 一种基于公交站点信息化的普通公交动态调度方法 | |
CN109002625B (zh) | 一种基于鲁棒优化的接驳公交网络设计方法 | |
Wang et al. | Optimization of bus bridging service under unexpected metro disruptions with dynamic passenger flows | |
CN110570656B (zh) | 定制公共交通线路方法及装置 | |
CN111161560B (zh) | 一种公交廊道营运秩序管理方法及装置 | |
CN107392357A (zh) | 一种基于大数据平台的公共交通精准出行服务系统及方法 | |
CN117974129B (zh) | 一种基于乘车行为智能补登的对账方法及系统 | |
Zhang et al. | Optimized Skip‐Stop Metro Line Operation Using Smart Card Data | |
CN104916124A (zh) | 基于马尔可夫模型的公共自行车系统调控方法 | |
CN115860594A (zh) | 一种应用于智能公交排班调度的仿真系统及方法 | |
CN114971136A (zh) | 一种公交及巡游小巴调度方法 | |
Nafi et al. | Traffic flow model for vehicular network | |
CN105528890A (zh) | 一种适用于大型交通枢纽处的出租车拼车方法 | |
CN111367900A (zh) | 基于afc数据的城市轨道交通网络常态限流强度的计算方法 | |
CN110674967A (zh) | 一种不确定行车时间下快递车辆路径鲁棒优化方法 | |
CN113269339B (zh) | 一种网约车任务自动创建和分发的方法及系统 | |
CN112509357B (zh) | 一种基于遗传算法的公交发车时间间隔优化方法 | |
Zhou et al. | Computationally efficient dynamic assignment for on-demand ridesharing in congested networks | |
Van Son et al. | Prediction-based optimization for online People and Parcels share a ride taxis |
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 |