CN114266310A - 基于时空双维度的客运交通枢纽换乘区域旅客滞留时间特征分析方法及装置 - Google Patents
基于时空双维度的客运交通枢纽换乘区域旅客滞留时间特征分析方法及装置 Download PDFInfo
- Publication number
- CN114266310A CN114266310A CN202111578656.8A CN202111578656A CN114266310A CN 114266310 A CN114266310 A CN 114266310A CN 202111578656 A CN202111578656 A CN 202111578656A CN 114266310 A CN114266310 A CN 114266310A
- Authority
- CN
- China
- Prior art keywords
- time
- residence time
- security inspection
- passenger
- average
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 238000012546 transfer Methods 0.000 title claims description 51
- 230000014759 maintenance of location Effects 0.000 title claims description 24
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000007689 inspection Methods 0.000 claims description 82
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 abstract description 10
- 238000011161 development Methods 0.000 abstract description 3
- 238000012938 design process Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 4
- 238000013479 data entry Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- HPEUEJRPDGMIMY-IFQPEPLCSA-N molybdopterin Chemical compound O([C@H]1N2)[C@H](COP(O)(O)=O)C(S)=C(S)[C@@H]1NC1=C2N=C(N)NC1=O HPEUEJRPDGMIMY-IFQPEPLCSA-N 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Landscapes
- Indicating And Signalling Devices For Elevators (AREA)
- Time Recorders, Dirve Recorders, Access Control (AREA)
Abstract
一种基于时空双维度的客运交通枢纽换乘区域旅客滞留时间特征分析方法及装置，通过采集原始数据，数据准备，计算旅客全时段平均滞留时间、每个时间区段旅客平均滞留时间、高峰小时内每15min旅客平均滞留时间、每个入口旅客平均滞留时间，并且基于时间维度和空间维度对平均滞留时间进行特征分析，通过对滞留时间的规律分析，不仅积累相关参数经验，为后续开展方案设计提供参数支撑，也可以支持设计过程中的精细化设计水平，对提高我国客运交通枢纽内部空间的精细化设计水平具有指导意义。
Description
技术领域
本发明涉及综合交通枢纽技术领域，尤其涉及一种基于时空双维度的客运交通枢纽换乘区域旅客滞留时间特征分析方法及装置。
背景技术
城市交通枢纽是城市客、货流集散和转运的地方，可以分为城市客运交通枢纽、城市货运交通枢纽和设施性交通枢纽。城市客运交通枢纽是城市交通运输体系的重要组成部分，是城市客流集散的中心点，承担着城市日常客流的换乘功能和直通功能，是满足城市客流方向多样性、复杂性需求的换乘中心。
随着城市的发展，关于综合客运交通枢纽的设计与研究受到越来越多的关注。目前国内外关于综合交通枢纽换乘区的研究主要侧重于换乘时间、交通组织模式等方面，关于枢纽换乘区滞留时间的研究较少，没有针对换乘区旅客滞留时间的特定衡量参数。
2012年，扈中伟、邓小勇、郭继孚等人发明了一项基于手机定位数据的居民出行特征参数的获取方法专利，专利主要分析居民在工作地与居住地之间的出行数据，包括出行路径、出行速度等相关参数。
2013年，周继彪发表了关于综合交通换乘枢纽行人交通特性及安全疏散研究的论文，文中主要涉及的人行交通特性以速度作为主要指标，关于换乘区域内滞留时间的分析与研究较弱。
2013年，周侃发表了高铁客运枢纽换乘行为分析与设施配置方法研究的博士论文，文中涉及了对乘客换乘时间的分析，包括走行时间、等候时间和换乘服务水平等，但是并没有涉及可以衡量或判断换乘时间长短及特征的参数。
2018年，金昱发表了关于上海市轨道交通车站客流高峰特征研究的文章，文章重点从客流预测角度开展分析，对客流高峰小时系数、超高峰小时系数的取值进行了分析。
现有技术中虽然存在一些预测客流和疏散旅客的技术方案，但是所涉及的算法相对简单，针对性不够强，无法满足综合客运交通枢纽的设计需要。
发明内容
本发明从客运交通枢纽换乘区滞留时间角度出发，研究枢纽不同入口进入换乘区滞留时间的差异性与规律性。通过对滞留时间的规律分析，不仅积累相关参数经验，为后续开展方案设计提供参数支撑，也可以支持设计过程中的精细化设计水平，对提高我国客运交通枢纽内部空间的精细化设计水平具有指导意义。
本发明提出了一种基于时空双维度的客运交通枢纽换乘区域旅客滞留时间特征分析方法，包括以下步骤：
1)数据输入
A)原始数据
假设枢纽的入口有p个，安检口有q个，经过清洗且将枢纽入口和安检口匹配成功的有效数据记为数据集N0,p个入口对应的数据集为np，第i个入口与第j个安检口对应的数据集为zij，每一对有效数据记录为xm(ij)。
N0＝{n1，n2，n3，…，ni…，np}；
ni＝{zi1，zi2，zi3，…，zij…，ziq}；
zij＝{x1(ij)，x2(ij)，x3(ij)，…，xm(ij)…，xM(ij)}。
其中i∈(1,2，…，i，…，p)，j∈(1,2，…，i，…，q)
xm(ij)中包含的信息有匹配数据编号(入口编号—安检口编号)、mac地址、入口捕获时间、安检口捕获时间，数据格式如下所示：
"1—4 3c:b6:b7:ef:dd:97 12:28:24 12:40:27"
B)时间段划分
把入口检测时间划分为24个区段，每个区段时长为1小时，即{0:00—1:00，1:00—2:00，3:00—4:00，…，23:00—24:00，}。将所有有效数据按照24个区段划分为24个数据集，分别为W1,W2,W3，…，Wk，…，W24。
假设高峰小时为k：00—k+1:00，将高峰小时分为4个时间区段，时间间隔为15min，即(k：00—k:15，k：15—k:30，k：30—k:45，k：45—k+1:00)。
2)数据准备
A)旅客全时段平均滞留时间计算方法
每一对有效数据xm(ij)对应的时间差的绝对值，认为是该数据在换乘区域的滞留时间，即从入口到安检口的时间，假设入口检测时间为tm(ij)1，安检口检测时间为tm(ij)2，滞留时间为t(xm(ij))＝│tm(ij)2-tm(ij)1│；
枢纽换乘区域p个入口与q个安检口之间的旅客平均滞留时间为Tpq。
其中，p为入口的个数，q为安检口的个数，M(ij)为第i个入口与第j个安检口之间的有效数据个数。
B)每个时间区段旅客平均滞留时间计算方法
假设24个小时中每个小时的旅客平均滞留时间，记为Tpqk。
在第k个时间区间内，p个入口对应的数据集为npk，第i个入口与第j个安检口对应的数据集为ziqk，每一对有效数据记录为xb(ij)k。
Nk＝{n1k，n2k，n3k，…，nik…，npk}；
nik＝{zi1k，zi2k，zi3k，…，zijk…，ziqk}；
zijk＝{x1(ij)k，x2(ij)k，x3(ij)k，…，xb(ij)k…，xB(ij)k}。
其中i∈(1,2，…，i，…，p)，j∈(1,2，…，i，…，q)
分别计算每个数据集中旅客的平均滞留时间Tpqk
其中，t(xb(ij)k)为在第k个时间区段内第i个入口与第j个安检口之间每个旅客的滞留时间，B(ij)k为该时间区段内第i个入口与第j个安检口之间有效数据个数，k∈(1,2,3，…，24)。
C)高峰小时内每15min旅客平均滞留时间计算方法
计算每个15min区段内的旅客平均滞留时间，记为Tpqkλ，其中λ∈(1,2,3,4)
其中，t(xd(ij)kλ)为在高峰小时第λ个时间区间内第i个入口与第j个安检口之间每个旅客的滞留时间，D(ij)kλ为该时间区段内第i个入口与第j个安检口之间有效数据个数，λ∈(1,2,3,4)。
D)每个入口旅客平均滞留时间计算方法
分别计算第i个入口与q个安检口之间的平均滞留时间记为Tiq。
其中，t(xm(ij))为第i个入口与第j个安检口之间每个旅客的滞留时间，M(ij)为第i个入口与第j个安检口之间有效数据个数，q为安检口的个数。
3)基于时间维度的平均滞留时间特征分析
A)平均滞留时间高峰小时系数
滞留时间高峰小时系数用来描述一天内旅客滞留时间的高峰特征。
每个时间区段的旅客平均滞留时间，分别为Tpq1，Tpq2，Tpq3，…，Tpqk，…，Tpq24，识别滞留时间最大值记为max(Tpqk)，平均滞留时间高峰小时系数记为δ。
其中，max(Tpqk)为每个时间区段的旅客平均滞留时间最大值，Tpqk为每个时间区段的旅客平均滞留时间。
通过计算枢纽换乘区域平均滞留时间高峰小时系数δ的推荐值可取4％—6％。
B)平均滞留时间超高峰小时系数
由于在平均滞留时间高峰小时内，滞留时间的分布具有一定的不均衡性，需要对高峰小时内的滞留时间进行深化研究，采用超高峰小时系数作为衡量高峰小时内滞留时间的指标；
高峰小时内每15min时间区段的旅客平均滞留时间，分别为Tpqk1，Tpqk2，Tpqk3，Tpqk4，识别滞留时间最大值记为max(Tpqkλ)，超高峰小时系数记为θ。
其中，Tpqkλ为每15min旅客平均滞留时间，max(Tpqkλ)为每15min旅客平均滞留时间的最大值。
通过计算枢纽换乘区域平均滞留时间超高峰小时系数θ的推荐值可取1.1—1.3。
5)基于空间维度的滞留时间特征分析
枢纽入口最大平均滞留时间系数
旅客的滞留时间与枢纽换乘区内出行距离有关，因而不同枢纽入口的旅客平均滞留时间存在差异性，为了衡量不同入口最大平均滞留时间浮动变化特点，最大平均滞留时间与平均滞留时间的比值定义为最大平均滞留时间系数，记为μ。
枢纽每个入口旅客平均滞留时间为Tiq，识别滞留时间最大值记记为Tiq(max)。
其中，Tiq(max)为不同入口的平均滞留时间的最大值，p为枢纽入口的总个数，q为枢纽安检口的总个数。
入口最大平均滞留时间系数μ建议参照取值范围为1.1—1.2。
假设，第r个入口是旅客与安检口之间出行距离最近的，出行距离记为lmin，旅客平均滞留时间的最大值Tiq(max)出现在距离安检口最近的入口r处。
本发明提出了一种基于时空双维度的客运交通枢纽换乘区域旅客滞留时间特征分析装置，包括以下模块：
1)数据输入模块
A)原始数据模块
假设枢纽的入口有p个，安检口有q个，经过清洗且将枢纽入口和安检口匹配成功的有效数据记为数据集N0,p个入口对应的数据集为np，第i个入口与第j个安检口对应的数据集为zij，每一对有效数据记录为xm(ij)。
N0＝{n1，n2，n3，…，ni…，np}；
ni＝{zi1，zi2，zi3，…，zij…，ziq}；
zij＝{x1(ij)，x2(ij)，x3(ij)，…，xm(ij)…，xM(ij)}。
其中i∈(1,2，…，i，…，p)，j∈(1,2，…，i，…，q)
xm(ij)中包含的信息有匹配数据编号(入口编号—安检口编号)、mac地址、入口捕获时间、安检口捕获时间，数据格式如下所示：
"1—4 3c:b6:b7:ef:dd:97 12:28:24 12:40:27"
B)时间段划分模块
把入口检测时间划分为24个区段，每个区段时长为1小时，即{0:00—1:00，1:00—2:00，3:00—4:00，…，23:00—24:00，}。将所有有效数据按照24个区段划分为24个数据集，分别为W1,W2,W3，…，Wk，…，W24。
假设高峰小时为k：00—k+1:00，将高峰小时分为4个时间区段，时间间隔为15min，即(k：00—k:15，k：15—k:30，k：30—k:45，k：45—k+1:00)。
2)数据准备模块
A)旅客全时段平均滞留时间计算模块
每一对有效数据xm(ij)对应的时间差的绝对值，认为是该数据在换乘区域的滞留时间，即从入口到安检口的时间，假设入口检测时间为tm(ij)1，安检口检测时间为tm(ij)2，滞留时间为t(xm(ij))＝│tm(ij)2-tm(ij)1│；
枢纽换乘区域p个入口与q个安检口之间的旅客平均滞留时间为Tpq。
其中，p为入口的个数，q为安检口的个数，M(ij)为第i个入口与第j个安检口之间的有效数据个数。
B)每个时间区段旅客平均滞留时间计算模块
假设24个小时中每个小时的旅客平均滞留时间，记为Tpqk。
在第k个时间区间内，p个入口对应的数据集为npk，第i个入口与第j个安检口对应的数据集为ziqk，每一对有效数据记录为xb(ij)k。
Nk＝{n1k，n2k，n3k，…，nik…，npk}；
nik＝{zi1k，zi2k，zi3k，…，zijk…，ziqk}；
zijk＝{x1(ij)k，x2(ij)k，x3(ij)k，…，xb(ij)k…，xB(ij)k}。
其中i∈(1,2，…，i，…，p)，j∈(1,2，…，i，…，q)
分别计算每个数据集中旅客的平均滞留时间Tpqk
其中，t(xb(ij)k)为在第k个时间区段内第i个入口与第j个安检口之间每个旅客的滞留时间，B(ij)k为该时间区段内第i个入口与第j个安检口之间有效数据个数，k∈(1,2,3，…，24)。
C)高峰小时内每15min旅客平均滞留时间计算模块
计算每个15min区段内的旅客平均滞留时间，记为Tpqkλ，其中λ∈(1,2,3,4)
其中，t(xd(ij)kλ)为在高峰小时第λ个时间区间内第i个入口与第j个安检口之间每个旅客的滞留时间，D(ij)kλ为该时间区段内第i个入口与第j个安检口之间有效数据个数，λ∈(1,2,3,4)。
D)每个入口旅客平均滞留时间计算模块
分别计算第i个入口与q个安检口之间的平均滞留时间记为Tiq。
其中，t(xm(ij))为第i个入口与第j个安检口之间每个旅客的滞留时间，M(ij)为第i个入口与第j个安检口之间有效数据个数，q为安检口的个数。
3)基于时间维度的平均滞留时间特征分析模块
A)平均滞留时间高峰小时系数计算模块
滞留时间高峰小时系数用来描述一天内旅客滞留时间的高峰特征。
每个时间区段的旅客平均滞留时间，分别为Tpq1，Tpq2，Tpq3，…，Tpqk，…，Tpq24，识别滞留时间最大值记为max(Tpqk)，平均滞留时间高峰小时系数记为δ。
其中，max(Tpqk)为每个时间区段的旅客平均滞留时间最大值，Tpqk为每个时间区段的旅客平均滞留时间。
通过计算枢纽换乘区域平均滞留时间高峰小时系数δ的推荐值可取4％—6％。
B)平均滞留时间超高峰小时系数计算模块
由于在平均滞留时间高峰小时内，滞留时间的分布具有一定的不均衡性，需要对高峰小时内的滞留时间进行深化研究，采用超高峰小时系数作为衡量高峰小时内滞留时间的指标；
高峰小时内每15min时间区段的旅客平均滞留时间，分别为Tpqk1，Tpqk2，Tpqk3，Tpqk4，识别滞留时间最大值记为max(Tpqkλ)，超高峰小时系数记为θ。
其中，Tpqkλ为每15min旅客平均滞留时间，max(Tpqkλ)为每15min旅客平均滞留时间的最大值。
通过计算枢纽换乘区域平均滞留时间超高峰小时系数θ的推荐值可取1.1—1.3。
4)基于空间维度的滞留时间特征分析模块
枢纽入口最大平均滞留时间系数计算模块
旅客的滞留时间与枢纽换乘区内出行距离有关，因而不同枢纽入口的旅客平均滞留时间存在差异性，为了衡量不同入口最大平均滞留时间浮动变化特点，最大平均滞留时间与平均滞留时间的比值定义为最大平均滞留时间系数，记为μ。
枢纽每个入口旅客平均滞留时间为Tiq，识别滞留时间最大值记记为Tiq(max)。
其中，Tiq(max)为不同入口的平均滞留时间的最大值，p为枢纽入口的总个数，q为枢纽安检口的总个数。
入口最大平均滞留时间系数μ建议参照取值范围为1.1—1.2。
假设，第r个入口是旅客与安检口之间出行距离最近的，出行距离记为lmin，旅客平均滞留时间的最大值Tiq(max)出现在距离安检口最近的入口r处。
本发明可以对旅客在枢纽换乘区域平均滞留时间的规律特点进行定量的分析，更加准确的获取旅客在换乘区内的出行特征，补充在该领域的空白，为后续的枢纽设计优化和换乘区内设施的设计提供参数支撑。
附图说明
结合附图，并通过参考下面的详细描述，将会更容易地对本发明有更完整的理解并且更容易地理解其伴随的优点和特征，其中：
图1是本发明的基于时空双维度的客运交通枢纽换乘区域旅客滞留时间特征分析方法的方框图；
图2是本发明的具体实施例中的每位旅客在枢纽换乘区域的滞留时间图表；
图3是本发明的具体实施例中的每个时间段内所有旅客的平均滞留时间图表；
图4是本发明的具体实施例中的各个时间段内旅客的平均滞留时间图表；
图5是本发明的具体实施例中的T1枢纽换乘区数据分析模块放置点位图。
具体实施方式
以北京首都国际机场T1航站楼为例。
A.航站楼换乘区域入口数量p＝2，安检口数量q＝4，在入口和安检口放置数据分析模块，捕获放置点位的数据并进行匹配，根据入口和安检口匹配成功的数据，计算每对数据的滞留时间，即每位旅客在航站楼换乘区域的滞留时间，其中tm(ij)1＝tp，为数据出现在入口处的时间；tm(ij)2＝tq，为该数据出现在安检口的时间；每对数据的滞留时间t(xm(ij))＝│tm(ij)2-tm(ij)1│＝dtpp＝tq-tp。如图2所示。
B.按照进入枢纽换乘区域内时间(入口检测时间)的不同，将每位旅客的滞留时间数据划分为24个区间，每小时作为一个区间，即{0:00—1:00，1:00—2:00，3:00—4:00，…，23:00—24:00}。并计算每个时间段内所有旅客的平均滞留时间，T24k＝{T241，T242，T243，…，T24k，…，T2424}＝{12，13,17，…，14}。如图3所示。
C.通过计算确定滞留时间的高峰小时，高峰小时时间段为14:00-15:00，即k＝15，max(T24k)＝T2415。并计算平均滞留时间高峰小时系数δ，
符合高峰小时系数δ的推荐值4％—6％。
D.将高峰小时时段分为四个区间分别为：14:00-14:15，14:15-14:30，14:30-15:45，14:45-15:00，分别计算各个时间段内旅客的平均滞留时间，T2415λ＝{T24151，T24152，T24153，T24154}＝{32，44，47，41}。如图4所示。
E.计算超高峰小时系数。通过对高峰小时内每15min旅客平均滞留时间的计算得到，max(T2415λ)＝T24153，超高峰小时时段为14:30-14:45，并计算平均滞留时间超高峰小时系数θ，
介于1.1-1.3之间，在推荐值可取的范围内。
F.计算枢纽入口最大平均滞留时间系数。根据T1枢纽换乘区的入口不同共放置2个数据分析模块，分别为wifi-1和wifi-2，不同安检口共放置4个数据分析模块，分别为wifi-3、wifi-4、wifi-5、wifi-6，位置如图5所示。
分别计算wifi-1和wifi-2对应的入口旅客平均滞留时间，Tpq＝T24＝38，Tiq(max)＝Twifi-24＝42，并计算入口最大平均滞留时间系数μ，
介于1.1与1.3之间，符合推荐值的要求。
最大平均滞留时间出现在对应于wifi-2的入口，wifi-2入口是距离安检口最近的入口，因而佐证了旅客平均滞留时间的最大值Tiq(max)出现在距离安检口最近的入口处。
Claims (2)
1.一种基于时空双维度的客运交通枢纽换乘区域旅客滞留时间特征分析方法，包括以下步骤：
1)数据输入，具体包括以下步骤：
A)原始数据
假设枢纽的入口有p个，安检口有q个，经过清洗且将枢纽入口和安检口匹配成功的有效数据记为数据集N0,p个入口对应的数据集为np，第i个入口与第j个安检口对应的数据集为zij，每一对有效数据记录为xm(ij)；
N0＝{n1，n2，n3，…，ni…，np}；
ni＝{zi1，zi2，zi3，…，zij…，ziq}；
zij＝{x1(ij)，x2(ij)，x3(ij)，…，xm(ij)…，xM(ij)}；
其中i∈(1,2，…，i，…，p)，j∈(1,2，…，i，…，q)
xm(ij)中包含的信息有匹配数据编号(入口编号—安检口编号)、mac地址、入口捕获时间、安检口捕获时间，数据格式如下所示：
"1—4 3c:b6:b7:ef:dd:97 12:28:24 12:40:27"
B)时间段划分
把入口检测时间划分为24个区段，每个区段时长为1小时，即{0:00—1:00，1:00—2:00，3:00—4:00，…，23:00—24:00，}；将所有有效数据按照24个区段划分为24个数据集，分别为W1,W2,W3，…，Wk，…，W24；
假设高峰小时为k：00—k+1:00，将高峰小时分为4个时间区段，时间间隔为15min，即(k：00—k:15，k：15—k:30，k：30—k:45，k：45—k+1:00)；
2)数据准备，具体包括以下步骤：
A)旅客全时段平均滞留时间计算方法
每一对有效数据xm(ij)对应的时间差的绝对值，认为是该数据在换乘区域的滞留时间，即从入口到安检口的时间，假设入口检测时间为tm(ij)1，安检口检测时间为tm(ij)2，滞留时间为t(xm(ij))＝│tm(ij)2-tm(ij)1│；
枢纽换乘区域p个入口与q个安检口之间的旅客平均滞留时间为Tpq；
其中，p为入口的个数，q为安检口的个数，M(ij)为第i个入口与第j个安检口之间的有效数据个数；
B)每个时间区段旅客平均滞留时间计算方法
假设24个小时中每个小时的旅客平均滞留时间，记为Tpqk；
在第k个时间区间内，p个入口对应的数据集为npk，第i个入口与第j个安检口对应的数据集为ziqk，每一对有效数据记录为xb(ij)k；
Nk＝{n1k，n2k，n3k，…，nik…，npk}；
nik＝{zi1k，zi2k，zi3k，…，zijk…，ziqk}；
zijk＝{x1(ij)k，x2(ij)k，x3(ij)k，…，xb(ij)k…，xB(ij)k}；
其中i∈(1,2，…，i，…，p)，j∈(1,2，…，i，…，q)
分别计算每个数据集中旅客的平均滞留时间Tpqk
其中，t(xb(ij)k)为在第k个时间区段内第i个入口与第j个安检口之间每个旅客的滞留时间，B(ij)k为该时间区段内第i个入口与第j个安检口之间有效数据个数，k∈(1,2,3，…，24)；
C)高峰小时内每15min旅客平均滞留时间计算方法
计算每个15min区段内的旅客平均滞留时间，记为Tpqkλ，其中λ∈(1,2,3,4)
其中，t(xd(ij)kλ)为在高峰小时第λ个时间区间内第i个入口与第j个安检口之间每个旅客的滞留时间，D(ij)kλ为该时间区段内第i个入口与第j个安检口之间有效数据个数，λ∈(1,2,3,4)；
D)每个入口旅客平均滞留时间计算方法
分别计算第i个入口与q个安检口之间的平均滞留时间记为Tiq；
其中，t(xm(ij))为第i个入口与第j个安检口之间每个旅客的滞留时间，M(ij)为第i个入口与第j个安检口之间有效数据个数，q为安检口的个数；
3)基于时间维度的平均滞留时间特征分析，具体包括以下步骤：
A)平均滞留时间高峰小时系数
滞留时间高峰小时系数用来描述一天内旅客滞留时间的高峰特征；
每个时间区段的旅客平均滞留时间，分别为Tpq1，Tpq2，Tpq3，…，Tpqk，…，Tpq24，识别滞留时间最大值记为max(Tpqk)，平均滞留时间高峰小时系数记为δ；
其中，max(Tpqk)为每个时间区段的旅客平均滞留时间最大值，Tpqk为每个时间区段的旅客平均滞留时间；
通过计算枢纽换乘区域平均滞留时间高峰小时系数δ的推荐值可取4％—6％；
B)平均滞留时间超高峰小时系数
由于在平均滞留时间高峰小时内，滞留时间的分布具有一定的不均衡性，需要对高峰小时内的滞留时间进行深化研究，采用超高峰小时系数作为衡量高峰小时内滞留时间的指标；
高峰小时内每15min时间区段的旅客平均滞留时间，分别为Tpqk1，Tpqk2，Tpqk3，Tpqk4，识别滞留时间最大值记为max(Tpqkλ)，超高峰小时系数记为θ；
其中，Tpqkλ为每15min旅客平均滞留时间，max(Tpqkλ)为每15min旅客平均滞留时间的最大值；
通过计算枢纽换乘区域平均滞留时间超高峰小时系数θ的推荐值可取1.1—1.3；
4)基于空间维度的滞留时间特征分析，具体包括以下步骤：
枢纽入口最大平均滞留时间系数
旅客的滞留时间与枢纽换乘区内出行距离有关，因而不同枢纽入口的旅客平均滞留时间存在差异性，为了衡量不同入口最大平均滞留时间浮动变化特点，最大平均滞留时间与平均滞留时间的比值定义为最大平均滞留时间系数，记为μ；
枢纽每个入口旅客平均滞留时间为Tiq，识别滞留时间最大值记记为Tiq(max)；
其中，Tiq(max)为不同入口的平均滞留时间的最大值，p为枢纽入口的总个数，q为枢纽安检口的总个数；
入口最大平均滞留时间系数μ建议参照取值范围为1.1—1.2；
假设，第r个入口是旅客与安检口之间出行距离最近的，出行距离记为lmin，旅客平均滞留时间的最大值Tiq(max)出现在距离安检口最近的入口r处。
2.一种基于时空双维度的客运交通枢纽换乘区域旅客滞留时间特征分析装置，包括以下模块：
1)数据输入模块，具体包括以下模块：
A)原始数据模块
假设枢纽的入口有p个，安检口有q个，经过清洗且将枢纽入口和安检口匹配成功的有效数据记为数据集N0，p个入口对应的数据集为np，第i个入口与第j个安检口对应的数据集为zij，每一对有效数据记录为xm(ij)；
N0＝{n1，n2，n3，…，ni…，np}；
ni＝{zi1，zi2，zi3，…，zij…，ziq}；
zij＝{x1(ij)，x2(ij)，x3(ij)，…，xm(ij)…，xM(ij)}；
其中i∈(1,2，…，i，…，p)，j∈(1,2，…，i，…，q)
xm(ij)中包含的信息有匹配数据编号(入口编号—安检口编号)、mac地址、入口捕获时间、安检口捕获时间，数据格式如下所示：
"1—4 3c:b6:b7:ef:dd:97 12:28:24 12:40:27"
B)时间段划分模块
把入口检测时间划分为24个区段，每个区段时长为1小时，即{0:00—1:00，1:00—2:00，3:00—4:00，…，23:00—24:00，}；将所有有效数据按照24个区段划分为24个数据集，分别为W1,W2,W3，…，Wk，…，W24；
假设高峰小时为k：00—k+1:00，将高峰小时分为4个时间区段，时间间隔为15min，即(k：00—k:15，k：15—k:30，k：30—k:45，k：45—k+1:00)；
2)数据准备模块，具体包括以下模块：
A)旅客全时段平均滞留时间计算模块
每一对有效数据xm(ij)对应的时间差的绝对值，认为是该数据在换乘区域的滞留时间，即从入口到安检口的时间，假设入口检测时间为tm(ij)1，安检口检测时间为tm(ij)2，滞留时间为t(xm(ij))＝│tm(ij)2-tm(ij)1│；
枢纽换乘区域p个入口与q个安检口之间的旅客平均滞留时间为Tpq；
其中，p为入口的个数，q为安检口的个数，M(ij)为第i个入口与第j个安检口之间的有效数据个数；
B)每个时间区段旅客平均滞留时间计算模块
假设24个小时中每个小时的旅客平均滞留时间，记为Tpqk；
在第k个时间区间内，p个入口对应的数据集为npk，第i个入口与第j个安检口对应的数据集为ziqk，每一对有效数据记录为xb(ij)k；
Nk＝{n1k，n2k，n3k，…，nik…，npk}；
nik＝{zi1k，zi2k，zi3k，…，zijk…，ziqk}；
zijk＝{x1(ij)k，x2(ij)k，x3(ij)k，…，xb(ij)k…，xB(ij)k}；
其中i∈(1,2，…，i，…，p)，j∈(1,2，…，i，…，q)
分别计算每个数据集中旅客的平均滞留时间Tpqk
其中，t(xb(ij)k)为在第k个时间区段内第i个入口与第j个安检口之间每个旅客的滞留时间，B(ij)k为该时间区段内第i个入口与第j个安检口之间有效数据个数，k∈(1,2,3，…，24)；
C)高峰小时内每15min旅客平均滞留时间计算模块
计算每个15min区段内的旅客平均滞留时间，记为Tpqkλ，其中λ∈(1,2,3,4)
其中，t(xd(ij)kλ)为在高峰小时第λ个时间区间内第i个入口与第j个安检口之间每个旅客的滞留时间，D(ij)kλ为该时间区段内第i个入口与第j个安检口之间有效数据个数，λ∈(1,2,3,4)；
D)每个入口旅客平均滞留时间计算模块
分别计算第i个入口与q个安检口之间的平均滞留时间记为Tiq；
其中，t(xm(ij))为第i个入口与第j个安检口之间每个旅客的滞留时间，M(ij)为第i个入口与第j个安检口之间有效数据个数，q为安检口的个数；
3)基于时间维度的平均滞留时间特征分析模块，具体包括以下模块：
A)平均滞留时间高峰小时系数计算模块
滞留时间高峰小时系数用来描述一天内旅客滞留时间的高峰特征；
每个时间区段的旅客平均滞留时间，分别为Tpq1，Tpq2，Tpq3，…，Tpqk，…，Tpq24，识别滞留时间最大值记为max(Tpqk)，平均滞留时间高峰小时系数记为δ；
其中，max(Tpqk)为每个时间区段的旅客平均滞留时间最大值，Tpqk为每个时间区段的旅客平均滞留时间；
通过计算枢纽换乘区域平均滞留时间高峰小时系数δ的推荐值可取4％—6％；
B)平均滞留时间超高峰小时系数计算模块
由于在平均滞留时间高峰小时内，滞留时间的分布具有一定的不均衡性，需要对高峰小时内的滞留时间进行深化研究，采用超高峰小时系数作为衡量高峰小时内滞留时间的指标；
高峰小时内每15min时间区段的旅客平均滞留时间，分别为Tpqk1，Tpqk2，Tpqk3，Tpqk4，识别滞留时间最大值记为max(Tpqkλ)，超高峰小时系数记为θ；
其中，Tpqkλ为每15min旅客平均滞留时间，max(Tpqkλ)为每15min旅客平均滞留时间的最大值；
通过计算枢纽换乘区域平均滞留时间超高峰小时系数θ的推荐值可取1.1—1.3；
4)基于空间维度的滞留时间特征分析模块，具体包括以下模块：
枢纽入口最大平均滞留时间系数计算模块
旅客的滞留时间与枢纽换乘区内出行距离有关，因而不同枢纽入口的旅客平均滞留时间存在差异性，为了衡量不同入口最大平均滞留时间浮动变化特点，最大平均滞留时间与平均滞留时间的比值定义为最大平均滞留时间系数，记为μ；
枢纽每个入口旅客平均滞留时间为Tiq，识别滞留时间最大值记记为Tiq(max)；
其中，Tiq(max)为不同入口的平均滞留时间的最大值，p为枢纽入口的总个数，q为枢纽安检口的总个数；
入口最大平均滞留时间系数μ建议参照取值范围为1.1—1.2；
假设，第r个入口是旅客与安检口之间出行距离最近的，出行距离记为lmin，旅客平均滞留时间的最大值Tiq(max)出现在距离安检口最近的入口r处。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111578656.8A CN114266310B (zh) | 2021-12-22 | 基于时空双维度的客运交通枢纽换乘区域旅客滞留时间特征分析方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111578656.8A CN114266310B (zh) | 2021-12-22 | 基于时空双维度的客运交通枢纽换乘区域旅客滞留时间特征分析方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114266310A true CN114266310A (zh) | 2022-04-01 |
| CN114266310B CN114266310B (zh) | 2024-05-10 |
Family
ID=
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103136933A (zh) * | 2013-01-14 | 2013-06-05 | 东南大学 | 一种常规公交与地铁站的换乘协调控制方法 |
| 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 |
| WO2018032808A1 (zh) * | 2016-08-19 | 2018-02-22 | 大连理工大学 | 基于大数据的公交线路时刻表协同优化方法 |
| CN110135055A (zh) * | 2019-05-13 | 2019-08-16 | 南京林业大学 | 一种城市多模式公交网络客流分配方法 |
| CN112672379A (zh) * | 2020-12-18 | 2021-04-16 | 北京市市政工程设计研究总院有限公司 | 基于wifi探测技术的枢纽换乘区域旅客走行路径识别方法及设备 |
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103136933A (zh) * | 2013-01-14 | 2013-06-05 | 东南大学 | 一种常规公交与地铁站的换乘协调控制方法 |
| 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 |
| WO2018032808A1 (zh) * | 2016-08-19 | 2018-02-22 | 大连理工大学 | 基于大数据的公交线路时刻表协同优化方法 |
| CN110135055A (zh) * | 2019-05-13 | 2019-08-16 | 南京林业大学 | 一种城市多模式公交网络客流分配方法 |
| CN112672379A (zh) * | 2020-12-18 | 2021-04-16 | 北京市市政工程设计研究总院有限公司 | 基于wifi探测技术的枢纽换乘区域旅客走行路径识别方法及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 宫薇薇;鲍晶晶;王言;: "城市综合客运枢纽旅客换乘行为研究", 时代汽车, no. 09, 5 May 2020 (2020-05-05) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021159865A1 (zh) | 一种基于数据校准的公交路线预测方法及系统 | |
| CN103700174B (zh) | 一种基于wifi身份识别的公交客流数据采集及od分析方法 | |
| WO2017140175A1 (zh) | 基于路径识别系统的收费公路网交通信息采集与诱导系统 | |
| CN109644320B (zh) | 一种使用wi-fi探针检测公共场所人流量的方法 | |
| CN108665191B (zh) | 基于聚集效应的地铁站外关联区域计算方法 | |
| CN112819316B (zh) | 一种综合客运枢纽轨道交通系统的枢纽运能识别方法 | |
| CN107240289A (zh) | 一种公交车线路优化管理方法及系统 | |
| Kostakos et al. | Wireless detection of end-to-end passenger trips on public transport buses | |
| CN107330989A (zh) | 一种基于移动支付的高速公路收费系统 | |
| CN115409295B (zh) | 一种基于瓶颈分析的公交调度方法、电子设备及存储介质 | |
| Chen et al. | Parking survey made efficient in intelligent parking systems | |
| CN106846214A (zh) | 分析交通枢纽可达性对区域公共运输方式竞争影响的方法 | |
| CN111046937A (zh) | 一种融合公交数据和poi数据的两段式乘客人群出行目的分析方法 | |
| CN111027888A (zh) | 一种基于轨道站点的接驳特征分析方法 | |
| CN106803348A (zh) | 一种基于卡口的高架道路车辆行程时间短时预测方法 | |
| Patlins et al. | The new approach for passenger counting in public transport system | |
| CN112601187B (zh) | 基于手机信令的公交常乘客预测方法与系统 | |
| CN114266310A (zh) | 基于时空双维度的客运交通枢纽换乘区域旅客滞留时间特征分析方法及装置 | |
| CN114266310B (zh) | 基于时空双维度的客运交通枢纽换乘区域旅客滞留时间特征分析方法及装置 | |
| CN112087743A (zh) | 一种面向智慧交通的高铁虚拟卡口到发旅客分析方法 | |
| CN104715606A (zh) | 一种基于手机终端的城市综合交通枢纽换乘客流量检测系统 | |
| CN110491157A (zh) | 一种基于停车场数据和卡口数据的车辆关联方法 | |
| Yao et al. | Study on travel behavior characteristics of air passengers in an airport hinterland | |
| CN114360243B (zh) | 一种基于舒适性的车辆优化方法及系统 | |
| Dong et al. | Bus passenger flow and running status analyzation system based on MAC address |
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 |