CN114240174A - 基于动态客流的城轨线网行车调度辅助决策系统 - Google Patents
基于动态客流的城轨线网行车调度辅助决策系统 Download PDFInfo
- Publication number
- CN114240174A CN114240174A CN202111561861.3A CN202111561861A CN114240174A CN 114240174 A CN114240174 A CN 114240174A CN 202111561861 A CN202111561861 A CN 202111561861A CN 114240174 A CN114240174 A CN 114240174A
- Authority
- CN
- China
- Prior art keywords
- flow
- passenger
- unit
- passenger traffic
- traffic flow
- 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
Links
- 238000009412 basement excavation Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 12
- 238000013480 data collection Methods 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 5
- 238000000034 method Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims 2
- 230000002452 interceptive effect Effects 0.000 claims 1
- 238000005206 flow analysis Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于动态客流的城轨线网行车调度辅助决策系统,通过基础预测单元借助灰色模型对高峰时刻的客运流量进行预测,得到对应站点的客运流量;之后借助数整单元接收到客运流量并将其传输到中控单元;当然数整单元也可以在将客运流量传输到中控单元之前对其根据实际的数据进行一定程度的更新,本申请给出了两种方式;之后利用承载调度单元用于根据过往数据和所有单项运输线的实搜流量进行两种方式的深度挖掘,并根据深度挖掘的结果产生超限信号和增项点;中控单元用于根据超限信号和增项点给管理人员提出相关建议,便于更好的应对高峰时刻的大量人流,避免无序化调配,造成人员滞留或者无法离开的情况出现;本申请简单有效,且易于实用。
Description
技术领域
本发明属于城市轨道交通辅助领域,具体是基于动态客流的城轨线网行车调度辅助决策系统。
背景技术
公开号为CN101266679的专利提供了一种轨道交通辅助决策系统,用以实现以全路网基础数据为主体的多层辅助决策支持平台,完成对票务信息和管理信息进行客流分析、资金流分析、票卡流分析和实时监控;该系统分类、分优先级、分批次地处理实时数据;该辅助决策系统包括依次连接的元数据采集模块、数据传输模块、数据汇集模块、数据处理模块、及决策支持模块。本发明揭示的轨道交通辅助决策系统,将系统技术、流程技术、关联技术相结合,形成流水线的六层控制结构,以实现以全路网基础数据为主体的多层辅助决策支持平台,完成对票务信息和管理信息进行客流分析、资金流分析、票卡流分析和实时监控等功能。
但是其,针对特殊时期,存在高峰的人流量的情况下,缺乏一种有效的分析和预测,根据实际结果对人流量进行一定程度的纠偏预测,根据预测情况对实际结果进行相关建议给出,提前为大量人流做好准备,基于此,提供一种解决方案。
发明内容
本发明的目的在于提供基于动态客流的城轨线网行车调度辅助决策系统。
本发明的目的可以通过以下技术方案实现:
基于动态客流的城轨线网行车调度辅助决策系统,包括基础预测单元、数整单元、中控单元、承载调度单元和展示单元;
其中,所述基础预测单元用于借助灰色模型对高峰时刻的客运流量进行预测,得到对应站点的客运流量,高峰时刻指代为节假日和春运;
基础预测单元用于将客运流量传输到数整单元,数整单元接收到客运流量并将其传输到中控单元;
承载调度单元用于根据过往数据和所有单项运输线的实搜流量进行两种方式的深度挖掘,并根据深度挖掘的结果产生超限信号和增项点;
承载调度单元用于将超限信号和增项点传输到中控单元,中控单元用于将超限信号和增项点传输到展示单元,展示单元在接收到中控单元传输到超限信号和增项点时自动显示“当前项目无法承载本次运输,建议增加+增项点”。
进一步地,承载调度单元用于搜集过往数据,过往数据为近三年对应站点的人流总量,以及单项运输线对应的人流分量,并对过往数据进行深度挖掘;
过往数据具体包括若干个单项运输线一起组合成的单项运输线组,对应的人流分量构成人流分量组;
单项运输线指代为对应城市包含的若干种交通工具,具体包括地铁、公交、打车和其他。
进一步地,深度挖掘的具体方式为:
步骤一:获取到过往数据,即为人流总量,单项运输线组和对应的人流分量组;
步骤二:从单项运输线组内任选一单项运输线,获取到其连续三年的人流分量,将对应的人流分量除以当年对应的人流总量,得到三个单项人占比;
步骤三:对三个单项人占比进行均值求取,若三个单项人占比均与均值的差值小于X1,X1为用户预设数值,此时将该均值标记为对应单项运输线的确项占比;
否则将上一年的单项人占比标记为对应单项运输线的确项占比;
步骤四:之后对单项运输线组内剩余的单项运输线进行步骤二到步骤三的处理,得到所有单项运输线的确项占比;
步骤五:获取到所有的单项运输线,直接获取到单项运输线在对应高峰时刻的满载人流量;
步骤六:之后根据客运流量和对应的确项占比,将二者相乘,得到所有单项运输线的预实人流量;
步骤七:之后根据公式计算偏差视比,具体偏差视比计算公式为:
偏差视比=(预实人流量-满载人流量)/满载人流量;
步骤八:将所有单项运输线的偏差视比相加,得到测向偏差;
若测向偏差>X2,产生超限信号,并将偏差视比超过X2的单项运输线标记为增项点;否则不做处理,此处X2为管理人员预设数值,具体为1.25。
进一步地,步骤八中的X2的取值根据下述方式具体确定:
从测向偏差取值1.1开始起进行实地模拟,或者实际场景测算情形;
得到对应的客运流量中每一名乘客到达对应该站点之后,离开站点三公里范围外的实际用时;
对实际用时进行均值求取,得到均离时间,当均离时间小于40分钟时,此处对测向偏差进行增加,每次增加0.05,直到均离时间大于等于40分钟,此时将对应的侧向偏差标记为X2。
进一步地,还包括数据搜集单元、对口获取单元;
数据搜集单元用于在高峰时刻到来前15天的时间调取在线数据,根据网络购票端口获取到到达本站点的人流实数;
数据搜集单元用于将人流实数传输到对口获取单元,对口获取单元用于将人流实数传输到数整单元;
数整单元在将客运流量传输到中控单元之前,还用于结合基础预测单元预测的客运流量对人流实数进行综合测算,完成对客运流量这一数值的更新;
数整单元用于将更新后的客运流量传输到中控单元。
进一步地,还包括主动搜集单元;
主动搜集单元用于与乘客的终端通信,获取到用户到达站点之后对目标地和运输线,目的地即为乘客到站后需要前去的目标方向,运输线即为乘客到达目标地所采取的交通工具;主动搜集单元用于将目标地和运输线全部汇总,得到每一个单项运输线的实搜流量;
主动搜集单元用于将所有单项运输线的实搜流量传输到承载调度单元,承载调度单元接收所有单项运输线的实搜流量,并对其进行深度挖掘,深度挖掘的具体步骤为:
S1:获取到所有的单项运输线在对应高峰时刻的满载人流量;
S2:根据公式计算每条单项运输线的偏差视比,具体偏差视比计算公式为:
偏差视比=(实搜流量*X4-满载人流量)/满载人流量;
公式中X4为预设值,具体取值为1.05;
S3:将所有单项运输线的偏差视比相加,得到测向偏差;
若测向偏差>X2,产生超限信号,并将偏差视比超过X2的单项运输线标记为增项点;否则不做处理,此处X2为管理人员预设数值,具体取值可为1.25;
对于增项点和超限信号中控单元控制展示单元进行与实施例一相同的处理;
进一步地,还包括交互单元和分项终端;
主动搜集单元还用在搜集用户到达站点之后的目标地和运输线之后,借助承载调度单元将对应用户的目标地和运输线传输到中控单元,中控单元用于结合站点的地图库自动根据目标地和运输线自动规划出候线点和到达候线点的最短路径,候线点即为用户采用该运输线到达目标地的时候的等待位置;
中控单元用于通过交互单元将候线点和到达候线点的最短路径传输到分项终端,分项终端即为对应用户的智能设备。
进一步地,到达本站点指代为本站点为终点站或者换乘站。
进一步地,综合测算具体方式为:
当客运流量小于人流实数时,将人流实数增大百分之二之后,根据得到的数值对客运流量这一值进行更新;
当客运流量大于人流实数时,求取到二者之间的差值,并取差值的一半作为实测增量,将人流实数加上实测增量,根据得到的数值对客运流量这一值进行更新。
本发明的有益效果:
本发明通过基础预测单元借助灰色模型对高峰时刻的客运流量进行预测,得到对应站点的客运流量;之后借助数整单元接收到客运流量并将其传输到中控单元;当然数整单元也可以在将客运流量传输到中控单元之前对其根据实际的数据进行一定程度的更新,本申请给出了两种方式;
之后利用承载调度单元用于根据过往数据和所有单项运输线的实搜流量进行两种方式的深度挖掘,并根据深度挖掘的结果产生超限信号和增项点;中控单元用于根据超限信号和增项点给管理人员提出相关建议,便于更好的应对高峰时刻的大量人流,避免无序化调配,造成人员滞留或者无法离开的情况出现;本申请简单有效,且易于实用。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明。
图1为本发明的系统框图。
具体实施方式
如图1所示,本申请所提供的基于动态客流的城轨线网行车调度辅助决策系统;
作为本发明的实施例一,其包括基础预测单元、数整单元、中控单元、承载调度单元和展示单元;
其中,所述基础预测单元用于借助灰色模型对高峰时刻的客运流量进行预测,得到对应站点的客运流量,高峰时刻指代为节假日和春运;灰色模型具体公开在论文《灰色模型在春运客流量预测应用中的优化》,秦元庆1,陈少鸿2,孙德宝1,郭和伟3(1.华中科技大学控制科学与工程系,湖北武汉430074;2.羊城铁路总公司广州分公司,广东广州510100;3.孝感职业技术学院科技产业总公司,湖北孝感432100)中;具体此处不做具体的赘述;
基础预测单元用于将客运流量传输到数整单元,数整单元接收到客运流量并将其传输到中控单元;
承载调度单元用于搜集过往数据,过往数据为近三年对应站点的人流总量,以及单项运输线对应的人流分量,此处包括若干个单项运输线,一起组合成单项运输线组,对应的人流分量构成人流分量组,单项运输线指代为对应城市包含的若干种交通工具,具体包括地铁、公交、打车和其他,此处的其他指代为骑车、步行或者有人来接等方式;并对过往数据进行深度挖掘,深度挖掘的具体方式为:
步骤一:获取到过往数据,即为人流总量,单项运输线组和对应的人流分量组;
步骤二:从单项运输线组内任选一单项运输线,获取到其连续三年的人流分量,将对应的人流分量除以当年对应的人流总量,得到三个单项人占比;
步骤三:对三个单项人占比进行均值求取,若三个单项人占比均与均值的差值小于X1,X1为用户预设数值,此时将该均值标记为对应单项运输线的确项占比;
否则将上一年的单项人占比标记为对应单项运输线的确项占比;
步骤四:之后对单项运输线组内剩余的单项运输线进行步骤二到步骤三的处理,得到所有单项运输线的确项占比;
步骤五:获取到所有的单项运输线,直接获取到单项运输线在对应高峰时刻的满载人流量;
步骤六:之后根据客运流量和对应的确项占比,将二者相乘,得到所有单项运输线的预实人流量;
步骤七:之后根据公式计算偏差视比,具体偏差视比计算公式为:
偏差视比=(预实人流量-满载人流量)/满载人流量
步骤八:将所有单项运输线的偏差视比相加,得到测向偏差;
若测向偏差>X2,产生超限信号,并将偏差视比超过X2的单项运输线标记为增项点;否则不做处理,此处X2为管理人员预设数值,具体取值可为1.25或者其他合理数值;
当然,此处X2的取值也存在另外一种计算方式,具体计算方式为:
从测向偏差取值1.1开始起进行实地模拟,或者实际场景测算情形;
得到对应的客运流量中每一名乘客到达对应该站点之后,离开站点三公里范围外的实际用时;
对实际用时进行均值求取,得到均离时间,当均离时间小于40分钟时,此处对测向偏差进行增加,每次增加0.05,直到均离时间大于等于40分钟,此时将对应的侧向偏差标记为X2;此处的40分钟也可设定为1小时;
承载调度单元用于将超限信号和增项点传输到中控单元,中控单元用于将超限信号和增项点传输到展示单元,展示单元在接收到中控单元传输到超限信号和增项点时自动显示“当前项目无法承载本次运输,建议增加+增项点”;
作为本发明的实施例二,在实施例一的基础上,本发明还包括数据搜集单元、对口获取单元、主动搜集单元、交互单元和分项终端;
数据搜集单元用于在高峰时刻到来前15天的时间调取在线数据,根据网络购票端口获取到到达本站点的人流实数,到达本站点指代为本站点为终点站或者换乘站的情况;数据搜集单元用于将人流实数传输到对口获取单元,对口获取单元用于将人流实数传输到数整单元,数整单元用于结合基础预测单元预测的客运流量对人流实数进行综合测算,综合测算具体方式为:
当客运流量小于人流实数时,将人流实数增大百分之二之后,将得到的数值标记为新的客运流量,并将新的客运流量重新代入实施例一中传输到中控单元这一步骤;
当客运流量大于人流实数时,求取到二者之间的差值,并取差值的一半作为实测增量,将人流实数加上实测增量,得到的数值标记为新的客运流量,并将新的客运流量重新代入实施例一中传输到中控单元这一步骤;
中控单元接收数整单元传输到客运流量;
主动搜集单元用于与乘客的终端通信,获取到用户到达站点之后对目标地和运输线,目的地即为乘客到站后需要前去的目标方向,运输线即为乘客到达目标地所采取的交通工具;主动搜集单元用于将目标地和运输线全部汇总,得到每一个单项运输线的实搜流量;
主动搜集单元用于将所有单项运输线的实搜流量传输到承载调度单元,承载调度单元接收所有单项运输线的实搜流量,并对其进行深度挖掘,深度挖掘的具体步骤为:
S1:获取到所有的单项运输线在对应高峰时刻的满载人流量;
S2:根据公式计算每条单项运输线的偏差视比,具体偏差视比计算公式为:
偏差视比=(实搜流量*X4-满载人流量)/满载人流量;
公式中X4为预设值,具体取值为1.05或者其他数值,用于更实际的预测峰值的人流量,所以此处对实搜流量进行一定程度放大;
S3:将所有单项运输线的偏差视比相加,得到测向偏差;
若测向偏差>X2,产生超限信号,并将偏差视比超过X2的单项运输线标记为增项点;否则不做处理,此处X2为管理人员预设数值,具体取值可为1.25或者其他合理数值;
对于增项点和超限信号中控单元控制展示单元进行与实施例一相同的处理;
当然,本实施例中,主动搜集单元还用在搜集用户到达站点之后的目标地和运输线之后,借助承载调度单元将对应用户的目标地和运输线传输到中控单元,中控单元用于结合站点的地图库自动根据目标地和运输线自动规划出候线点和到达候线点的最短路径,候线点即为用户采用该运输线到达目标地的时候的等待位置,比如打车就自动规划到打车点的最短路径,若此处为换乘,则自动规划到换乘等待区域的路径,便于用户快速到达等待点,避免拥堵;中控单元用于通过交互单元将候线点和到达候线点的最短路径传输到分项终端,分项终端即为对应用户的智能设备,具体为手机。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (9)
1.基于动态客流的城轨线网行车调度辅助决策系统,其特征在于,包括基础预测单元、数整单元、中控单元、承载调度单元和展示单元;
其中,所述基础预测单元用于借助灰色模型对高峰时刻的客运流量进行预测,得到对应站点的客运流量,高峰时刻指代为节假日和春运;
基础预测单元用于将客运流量传输到数整单元,数整单元接收到客运流量并将其传输到中控单元;
承载调度单元用于根据过往数据和所有单项运输线的实搜流量进行两种方式的深度挖掘,并根据深度挖掘的结果产生超限信号和增项点;
承载调度单元用于将超限信号和增项点传输到中控单元,中控单元用于将超限信号和增项点传输到展示单元,展示单元在接收到中控单元传输到超限信号和增项点时自动显示“当前项目无法承载本次运输,建议增加+增项点”。
2.根据权利要求1所述的基于动态客流的城轨线网行车调度辅助决策系统,其特征在于,承载调度单元用于搜集过往数据,过往数据为近三年对应站点的人流总量,以及单项运输线对应的人流分量,并对过往数据进行深度挖掘;
过往数据具体包括若干个单项运输线一起组合成的单项运输线组,对应的人流分量构成人流分量组;
单项运输线指代为对应城市包含的若干种交通工具,具体包括地铁、公交、打车和其他。
3.根据权利要求2所述的基于动态客流的城轨线网行车调度辅助决策系统,其特征在于,深度挖掘的具体方式为:
步骤一:获取到过往数据,即为人流总量,单项运输线组和对应的人流分量组;
步骤二:从单项运输线组内任选一单项运输线,获取到其连续三年的人流分量,将对应的人流分量除以当年对应的人流总量,得到三个单项人占比;
步骤三:对三个单项人占比进行均值求取,若三个单项人占比均与均值的差值小于X1,X1为用户预设数值,此时将该均值标记为对应单项运输线的确项占比;
否则将上一年的单项人占比标记为对应单项运输线的确项占比;
步骤四:之后对单项运输线组内剩余的单项运输线进行步骤二到步骤三的处理,得到所有单项运输线的确项占比;
步骤五:获取到所有的单项运输线,直接获取到单项运输线在对应高峰时刻的满载人流量;
步骤六:之后根据客运流量和对应的确项占比,将二者相乘,得到所有单项运输线的预实人流量;
步骤七:之后根据公式计算偏差视比,具体偏差视比计算公式为:
偏差视比=(预实人流量-满载人流量)/满载人流量;
步骤八:将所有单项运输线的偏差视比相加,得到测向偏差;
若测向偏差>X2,产生超限信号,并将偏差视比超过X2的单项运输线标记为增项点;否则不做处理,此处X2为管理人员预设数值。
4.根据权利要求3所述的基于动态客流的城轨线网行车调度辅助决策系统,其特征在于,步骤八中的X2的取值根据下述方式具体确定:
从测向偏差取值1.1开始起进行实地模拟,或者实际场景测算情形;
得到对应的客运流量中每一名乘客到达对应该站点之后,离开站点三公里范围外的实际用时;
对实际用时进行均值求取,得到均离时间,当均离时间小于40分钟时,此处对测向偏差进行增加,每次增加0.05,直到均离时间大于等于40分钟,此时将对应的侧向偏差标记为X2。
5.根据权利要求1所述的基于动态客流的城轨线网行车调度辅助决策系统,其特征在于,还包括数据搜集单元、对口获取单元;
数据搜集单元用于在高峰时刻到来前15天的时间调取在线数据,根据网络购票端口获取到到达本站点的人流实数;
数据搜集单元用于将人流实数传输到对口获取单元,对口获取单元用于将人流实数传输到数整单元;
数整单元在将客运流量传输到中控单元之前,还用于结合基础预测单元预测的客运流量对人流实数进行综合测算,完成对客运流量这一数值的更新;
数整单元用于将更新后的客运流量传输到中控单元。
6.根据权利要求1或5所述的基于动态客流的城轨线网行车调度辅助决策系统,其特征在于,还包括主动搜集单元;
主动搜集单元用于与乘客的终端通信,获取到用户到达站点之后对目标地和运输线,目的地即为乘客到站后需要前去的目标方向,运输线即为乘客到达目标地所采取的交通工具;主动搜集单元用于将目标地和运输线全部汇总,得到每一个单项运输线的实搜流量;
主动搜集单元用于将所有单项运输线的实搜流量传输到承载调度单元,承载调度单元接收所有单项运输线的实搜流量,并对其进行深度挖掘,深度挖掘的具体步骤为:
S1:获取到所有的单项运输线在对应高峰时刻的满载人流量;
S2:根据公式计算每条单项运输线的偏差视比,具体偏差视比计算公式为:
偏差视比=(实搜流量*X4-满载人流量)/满载人流量;
公式中X4为预设值,具体取值为1.05;
S3:将所有单项运输线的偏差视比相加,得到测向偏差;
若测向偏差>X2,产生超限信号,并将偏差视比超过X2的单项运输线标记为增项点;否则不做处理,此处X2为管理人员预设数值。
7.根据权利要求6所述的基于动态客流的城轨线网行车调度辅助决策系统,其特征在于,还包括交互单元和分项终端;
主动搜集单元还用在搜集用户到达站点之后的目标地和运输线之后,借助承载调度单元将对应用户的目标地和运输线传输到中控单元,中控单元用于结合站点的地图库自动根据目标地和运输线自动规划出候线点和到达候线点的最短路径,候线点即为用户采用该运输线到达目标地的时候的等待位置;
中控单元用于通过交互单元将候线点和到达候线点的最短路径传输到分项终端,分项终端即为对应用户的智能设备。
8.根据权利要求1所述的基于动态客流的城轨线网行车调度辅助决策系统,其特征在于,到达本站点指代为本站点为终点站或者换乘站。
9.根据权利要求5所述的基于动态客流的城轨线网行车调度辅助决策系统,其特征在于,综合测算具体方式为:
当客运流量小于人流实数时,将人流实数增大百分之二之后,根据得到的数值对客运流量这一值进行更新;
当客运流量大于人流实数时,求取到二者之间的差值,并取差值的一半作为实测增量,将人流实数加上实测增量,根据得到的数值对客运流量这一值进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111561861.3A CN114240174A (zh) | 2021-12-16 | 2021-12-16 | 基于动态客流的城轨线网行车调度辅助决策系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111561861.3A CN114240174A (zh) | 2021-12-16 | 2021-12-16 | 基于动态客流的城轨线网行车调度辅助决策系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114240174A true CN114240174A (zh) | 2022-03-25 |
Family
ID=80759165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111561861.3A Pending CN114240174A (zh) | 2021-12-16 | 2021-12-16 | 基于动态客流的城轨线网行车调度辅助决策系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114240174A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843090A (zh) * | 2023-07-21 | 2023-10-03 | 交控科技股份有限公司 | 对多条影响线路提供行车调整策略的方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473620A (zh) * | 2013-09-26 | 2013-12-25 | 青岛海信网络科技股份有限公司 | 综合客运枢纽多交通方式预测方法及系统 |
CN106504518A (zh) * | 2016-11-24 | 2017-03-15 | 浙江交通职业技术学院 | 一种城市公交与长途客运协同的调度方法 |
CN107194491A (zh) * | 2017-04-06 | 2017-09-22 | 广东工业大学 | 一种基于公交客流和站间行程时间预测的动态调度方法 |
CN107545320A (zh) * | 2017-07-03 | 2018-01-05 | 北京交通大学 | 一种基于图论的城市轨道交通乘客路径规划方法及系统 |
CN108622142A (zh) * | 2018-03-30 | 2018-10-09 | 卡斯柯信号有限公司 | 一种基于实时客流的列车智能运行调整系统及方法 |
CN112001539A (zh) * | 2020-08-21 | 2020-11-27 | 北京交通大学 | 一种高精度的客运预测方法及客运预测系统 |
CN112598182A (zh) * | 2020-12-25 | 2021-04-02 | 卡斯柯信号有限公司 | 一种轨道交通智能调度方法及系统 |
CN113159393A (zh) * | 2021-03-30 | 2021-07-23 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 客运站大客流感知预警方法、装置、电子设备和存储介质 |
CN113159364A (zh) * | 2020-12-30 | 2021-07-23 | 中国移动通信集团广东有限公司珠海分公司 | 一种大型交通场站的客流预测方法及系统 |
-
2021
- 2021-12-16 CN CN202111561861.3A patent/CN114240174A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473620A (zh) * | 2013-09-26 | 2013-12-25 | 青岛海信网络科技股份有限公司 | 综合客运枢纽多交通方式预测方法及系统 |
CN106504518A (zh) * | 2016-11-24 | 2017-03-15 | 浙江交通职业技术学院 | 一种城市公交与长途客运协同的调度方法 |
CN107194491A (zh) * | 2017-04-06 | 2017-09-22 | 广东工业大学 | 一种基于公交客流和站间行程时间预测的动态调度方法 |
CN107545320A (zh) * | 2017-07-03 | 2018-01-05 | 北京交通大学 | 一种基于图论的城市轨道交通乘客路径规划方法及系统 |
CN108622142A (zh) * | 2018-03-30 | 2018-10-09 | 卡斯柯信号有限公司 | 一种基于实时客流的列车智能运行调整系统及方法 |
CN112001539A (zh) * | 2020-08-21 | 2020-11-27 | 北京交通大学 | 一种高精度的客运预测方法及客运预测系统 |
CN112598182A (zh) * | 2020-12-25 | 2021-04-02 | 卡斯柯信号有限公司 | 一种轨道交通智能调度方法及系统 |
CN113159364A (zh) * | 2020-12-30 | 2021-07-23 | 中国移动通信集团广东有限公司珠海分公司 | 一种大型交通场站的客流预测方法及系统 |
CN113159393A (zh) * | 2021-03-30 | 2021-07-23 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 客运站大客流感知预警方法、装置、电子设备和存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843090A (zh) * | 2023-07-21 | 2023-10-03 | 交控科技股份有限公司 | 对多条影响线路提供行车调整策略的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105070037B (zh) | 一种综合管理播报的公共交通信息平台及运行控制方法 | |
CN108039053B (zh) | 一种智能网联交通系统 | |
CN100463407C (zh) | 一种实时动态交通信息采集处理发布的方法和系统 | |
CN105740556B (zh) | 基于客流需求的列车运行图自动编制方法 | |
CN103364002B (zh) | 结合实时路况及公共交通运营信息的路线规划系统和方法 | |
CN107067707B (zh) | 一种公交运营及乘客出行优化系统 | |
CN109033718B (zh) | 一种城市轨道交通线路失效的动态应急疏散方法 | |
CN108151756A (zh) | 一种城市公共交通系统的行程时间计算方法和装置 | |
CN105279955B (zh) | 一种拼车方法及设备 | |
CN105930920A (zh) | 物流配送管理方法和物流配送管理装置 | |
CN103985247A (zh) | 基于城市叫车需求分布密度的出租车运力调度系统 | |
CN104424812B (zh) | 一种公交到站时间预测系统和方法 | |
CN109598372A (zh) | 基于绿色共享交通的出行方案规划方法和共享交通系统 | |
CN105095994B (zh) | 一种基于线性规划的城轨线路客流峰值预测方法 | |
CN103177561A (zh) | 公交实时路况的生成方法及系统 | |
CN109272175A (zh) | 一种基于城市流动网络的数据采集系统及方法 | |
CN105913653A (zh) | 一种云平台环境下公共交通智能行车计划排班系统及方法 | |
CN111144618A (zh) | 一种基于两阶段优化模型的需求响应型定制公交网络规划方法 | |
CN103900592A (zh) | 一种驾车出行的提醒方法及系统 | |
CN102394011A (zh) | 公交车自动化动态调度系统及方法 | |
JP2013210870A (ja) | 動線情報計測システムおよび方法、並びに情報処理装置 | |
CN111798165B (zh) | 一种基于大数据的机场出租车调度系统 | |
CN111161531A (zh) | 一种基于公交车载终端判断线路正返程和进出站的方法 | |
CN114240174A (zh) | 基于动态客流的城轨线网行车调度辅助决策系统 | |
CN109544967A (zh) | 一种基于低频avl数据的公交线网运行状态监控方法 |
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 |