CN114493201A - 一种基于城市轨道交通网络服务韧性测度方法及应用 - Google Patents

一种基于城市轨道交通网络服务韧性测度方法及应用 Download PDF

Info

Publication number
CN114493201A
CN114493201A CN202210031246.XA CN202210031246A CN114493201A CN 114493201 A CN114493201 A CN 114493201A CN 202210031246 A CN202210031246 A CN 202210031246A CN 114493201 A CN114493201 A CN 114493201A
Authority
CN
China
Prior art keywords
toughness
network
rail transit
time
urban rail
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
Application number
CN202210031246.XA
Other languages
English (en)
Other versions
CN114493201B (zh
Inventor
王子甲
丁娟娟
朱亚迪
李�瑞
姚向明
尹浩东
徐田坤
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.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
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 Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202210031246.XA priority Critical patent/CN114493201B/zh
Priority claimed from CN202210031246.XA external-priority patent/CN114493201B/zh
Publication of CN114493201A publication Critical patent/CN114493201A/zh
Application granted granted Critical
Publication of CN114493201B publication Critical patent/CN114493201B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于城市轨道交通网络服务韧性测度方法以及具体的应用，本发明提出了两个计算基本量，分别是面向供给侧的车公里数和面向需求侧的人公里数。并基于这两个基本量分别提出对应的城市轨道交通网络韧性测度指标。计算原理简易、过程方便、结果有效。本发明提出的测度方法对城市轨道交通运营管理部门进行全网韧性水平评估具有重要的借鉴意义，构建的“运营事故识别‑恢复曲线聚类‑事故恢复预测”的应急处理框架，对轨道交通运营管理部门提前部署事故应急处置措施有很好的指导意义，共同保障了突发事故下城市轨道交通系统的正常运营，提前做好预防，降低网络服务损失。

Description

一种基于城市轨道交通网络服务韧性测度方法及应用
技术领域
本申请涉及计算机技术领域，尤其涉及一种一种基于城市轨道交通网络服务韧性测度方法及应用。
背景技术
国内外学者在运输系统韧性量化指标方面的研究较为广泛。指标大体上分为三类：拓扑指标、基于属性的指标和基于性能的指标。
拓扑度量通常建立在一些拓扑性质上，如介数中心性或最短路径长度。SchintlerL A等人[Schintler L A,Kulkarni R,Gorman S,et al.Using Raster-Based GIS andGraph Theory to Analyze Complex Networks[J].Networks and Spatial Economics,2007,7(4):301-313.]使用“网络直径“和“平均最短路径”来定量衡量运输系统韧性；B.Berche等人[B.Berche,C.von Ferber,T.Holovatch,and Y.Holovatch,“Resilience ofpublic transport networks against attacks,”Eur.Phys.J.B,vol.71,no.1,pp.125–137,Sep.2009.]采用“网络最大簇规模”和“平均最短路径”来测量运输韧性；Osei-AsamoahA等人[Osei-Asamoah A,Lownes N E.Complex network method of evaluatingresilience in surface transportation networks[J].Transportation ResearchRecord,2014,2467(1):120-128.]采用“全局效率”和“巨型组件的相对大小”来度量描述网络的性能以及网络对干扰事件的恢复能力；Hartmann AK[Hartmann A K.Large-deviationproperties of resilience of transportation networks[J].The European PhysicalJournal B,2014,87(5):1-10.]采用“备用容量”来代表一个粗略的、相当安全的估计，即在实际负载值之上选择多少容量，才能使运输网络对某一链路的故障具有韧性；Testa A C等人[Testa A C,Furtado M N,Alipour A.Resilience of coastal transportationnetworks faced with extreme climatic events[J].Transportation ResearchRecord,2015,2532(1):29-36.]采用“平均节点度”、“聚类系数“、“介数中心性(Betweenness centrality)”、“冗余”作为运输系统韧性指标；Newman M E J[Newman M EJ.Assortative mixing in networks[J].Physical review letters,2002,89(20):208701.]开发了“度分类系数”的度量，以了解连接节点的度相关性；Shauhrat S.Chopra等人[Chopra S S,Dillon T,Bilec M M,et al.A network-based framework forassessing infrastructure resilience:a case study of the London metro system[J].Journal of The Royal Society Interface,2016,13(118):20160113.]开发了一个称为the redundancy r的度量，测量网络边缘故障后连接节点对数量的变化；Aydin N Y等人[Aydin N Y,Duzgun H S,Wenzel F,et al.Integration of stress testing withgraph theory to assess the resilience of urban road networks under seismichazards[J].Natural Hazards,2018,91(1):37-68.]采用了“介数中心性”、“网络效率”和“鲁棒性分数”来衡量交通系统网络韧性。
基于属性的指标：鲁棒性、冗余性、智慧性和快速性。基于属性的度量通常关注其中一个或多个属性，并根据特定时期的性能来衡量交通系统的韧性。Murraytuite P M[Murraytuite P M.A Comparison of Transportation Network Resilience underSimulated System Optimum and User Equilibrium Conditions.IEEE,2006.]采用“可变性”、“安全性”、“移动性”、“恢复性”来衡量运输系统网络性能，具体对应为系统的非典型使用、交通事故数量、全网效率、缓解挤塞所需时间；B Donovan等人[Donovan B,Work DB.Empirically quantifying city-scale transportation system resilience toextreme events[J].Transportation Research Part C:Emerging Technologies,2017,79(JUN.):333-346.]利用出租车等探测车辆的GPS数据，通过计算城市不同区域之间的历史速度分布(“标准化旅行时间”)，并测量异常事件期间的速度偏差，来定量测量交通系统韧性。Medda等人[Medda,Francesca,D'Lima,et al.A new measure of resilience:Anapplication to the London Underground[J].Transportation Research Part APolicy&Practice,2015.]提出了一种新方法，使用“均值回归参数”作为韧性的度量；此参数捕获系统在受到随机冲击后的恢复率，从而提供系统韧性的度量。
基于性能的指标：旨在根据系统在整个受灾害影响期间的性能来衡量系统的恢复能力。Twomasi Boakye和Sobanjo[Twumasi-Boakye R,Sobanjo J O.Resilience ofregional transportation networks subjected to hazard-induced bridge damages[J].Journal of Transportation Engineering,Part A:Systems,2018,144(10):04018062.]采用了弹性三角形法(Bruneau et al.2003)计算单个韧性指数，从单项指标计算综合韧性指数，关注了系统质量随时间的退化；Liao等人[Liao T Y,Hu T Y,Ko Y N.Aresilience optimization model for transportation networks under disasters[J].Natural Hazards,2018.]首次提出了恢复与损失的时间相关比率；Chen和Miller Hooks[Chen L,Miller-Hooks E.Resilience:an indicator of recovery capability inintermodal freight transport[J].Transportation Science,2012,46(1):109-123.]首次提出了使用特定恢复成本的灾后网络满足需求的预期分数。
对于时间序列的分类和聚类，动态时间规整(DTW)技术被认为是一种十分有效的方法，其通过降低一个序列到另一个序列的非线性映射，并最小化两个序列之间的距离来发现两个序列之间的最佳匹配。Rath,TM等人[Rath T M,Manmatha R.Word imagematching using dynamic time warping[J].Proceedings/CVPR,IEEE Computer SocietyConference on Computer Vision and Pattern Recognition.IEEE Computer SocietyConference on Computer Vision and Pattern Recognition,2003.]采用DTW技术提出字与图像的匹配功能；Papandreou,A等人[Papandreou A,Gatos B,Zagoris K.An AdaptiveZoning Technique for Word Spotting Using Dynamic Time Warping[C]//IaprWorkshop on Document Analysis Systems.IEEE,2016.]采用DTW技术提取出分区特征，改进单词识别技术。但是传统的DTW技术存在问题，E.Keogh和M.Pazzani[Keogh,Eamonn J.,and Michael J.Pazzani."Derivative dynamic time warping."Proceedings of the2001SIAM international conference on data mining.Society for Industrial andApplied Mathematics,2001.]改用序列的一阶导数来获得形状信息，提出导数动态时间规整(DDTW)；Young-Seon Jeong等[Jeong,Young-Seon,Myong K.Jeong,and OlufemiA.Omitaomu."Weighted dynamic time warping for time series classification."Pattern recognition 44.9(2011):2231-2240.]提出一种基于惩罚的DTW，考虑了参考点和测试点之间相位差的相对重要性，提高了时间序列分类和聚类问题的准确性。
深度学习算法可以基于现有的大量数据，提取数据内在的复杂特征，较为准确地进行预测，在各个领域都应用广泛。中国城市轨道交通AFC系统已投入使用多年，积累了大量客流数据，适合用深度学习来进行相关客流预测。龙小强等[龙小强,李捷,and陈彦如."基于深度学习的城市轨道交通短时客流量预测."控制与决策34.8(2019):1589-1600.]基于深度学习网络和支持向量回归机，提出城轨交通短时客流深层预测模型；侯晓云等[侯晓云,et al."基于深度学习的城市轨道交通短时客流起讫点预测."城市轨道交通研究1(2020).]提出了一种基于门控循环单元神经网络的城市轨道交通短时客流OD预估模型，对短时客流OD进行快速预测；赵阳阳等[赵阳阳,夏亮,江欣国.基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型[J].交通运输工程学报,2020,20(4):11.]提出了一种基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型。
本发明中作者将“流”添加到韧性度量中，结合轨道交通客流量以及列车运行图，从供给侧和需求侧更加全面、立体地构建大规模城市轨道交通韧性测度指标体系。同时，为了准确预测不同事故下的综合韧性恢复过程，建立起“事故识别-曲线聚类-恢复预测”的应急处理框架，结构完整，思路清晰。
与本发明最相近似的实现方案
现有技术一
杨欣,马智傲,吴建军,魏运,孙会君,尹浩东,屈云超,高自友.一种城市轨道交通网络韧性的评估方法[P].北京市：CN111882241A,2020-11-03.
摘要：提供了一种城市轨道交通网络韧性的评估方法，包括：计算城市轨道交通网络的脆弱性指标；计算城市轨道交通网络的鲁棒性指标；计算城市轨道交通网络的恢复力指标；根据计算得到的城市轨道交通网络的脆弱性指标、城市轨道交通网络的鲁棒性指标和城市轨道交通网络的恢复力指标确定各个指标的得分；根据各个指标在城市轨道交通网络中的权重和对应的得分，计算城市轨道交通网络韧性总指数；根据得到的城市轨道交通网络韧性总指数对城市轨道交通网络韧性进行评估。
现有技术二
任刚,张洁斐,宋建华,曹奇.一种城市轨道交通进站客流韧性评估系统及方法[P].江苏省：CN111144727A,2020-05-12.
摘要：本发明公开了一种评估城市轨道交通进站客流韧性的系统及方法。本发明的系统，包括数据收集模块、运营状态统计模块、异常客流预警模块、韧性评估模块。所述数据收集模块用于城市轨道交通各种数据的收集，如进出站刷卡数据、站厅及站台等视频监控数据、各类设备运行状态信息等；运营状态统计模块用于实时计算城市轨道交通各类运营指标，包括各站点进站量、进站排队长度、进站等待时间等；异常客流预警模块用于对异常进站客流进行预警；韧性评估模块用于计算城市轨道交通进站客流的韧性指数，对进站客流的恢复状态进行评估。本发明提高了轨道交通对进站异常客流的监测与预警能力，增强了客流波动状态的评估，为轨道交通安全运营提供有力的数据决策。
现有技术三
任刚,张洁斐,周哲祎.以提升韧性为目标的轨道交通网络修复决策系统及方法[P].江苏省：CN109948856A,2019-06-28.
摘要：本发明公开了一种以提升韧性为目标的轨道交通网络修复决策系统及方法。本发明的系统，包括网络拓扑结构模块、故障监测模块、行动集产生模块、行动决策模块；所述网络拓扑结构模块用于将实际的轨道交通网络结构存储至该模块中，使计算机能够识别、存储与处理；所述故障监测模块用于监测轨道交通网络是否完全连通，并接受来自外部的故障信息，生成故障下的网络邻接矩阵；所述行动集产生模块用于当检测到故障发生后，根据故障的类型、可利用的修复物资，自动生成可选择的修复方案；所述行动决策模块包括网络韧性评估模块和最优方案推荐模块，通过评估不同修复方案下网络韧性的表现，选取韧性最强的方案作为推荐方案。
近年来，城市轨道交通事故灾害时有发生，如2012年9月27日上海地铁10号线追尾事故、2013年1月8日昆明地铁脱轨事故、2015年4月20日深圳地铁踩踏事故以及2021年郑州“7·20”暴雨事件地铁5号线停车场挡水墙被冲毁等，对轨道交通系统的正常运行造成了严重影响。因此，从供给侧和需求侧构建韧性量化指标，定量研究城市轨道交通网络服务韧性测度方法，成为保障自然灾害和突发事故下城市轨道交通系统服务能力的首要工作。既有韧性定量研究未从城市轨道交通系统供给侧和需求侧两个角度，与运营阶段紧密结合，本研究充分考虑城市轨道交通系统面对扰动时消化、吸收和恢复的能力，从车流和客流的角度，建立服务韧性的量化指标，提出一种面向车流-客流的基于运营数据的大规模城市轨道交通韧性测度方法。该方法在韧性指标方面，综合考虑载客运营里程(车·公里)和乘客出行里程(人·公里)，分别提出基于车公里和人公里的网络韧性指标，最终整合为综合韧性测度指标。在此基础上，本发明构建了“运营事故识别-恢复曲线聚类-事故恢复预测”的应急处理框架，基于AFC刷卡数据提取OD旅行时间，依据3σ原则进行异常事故识别；基于韧性恢复曲线时间序列数据，采用加权时间动态规整方法进行曲线聚类；并采用支持向量机对聚类结果进行深度学习模型拟合和不同类别事故的恢复预测。
目前，城市轨道交通韧性测度方法研究已有一定基础，韧性指标由单一指标发展到多指标加权考虑，指标类型也越来越多。但总结起来存在以下问题：(1)指标计算越来越复杂；(2)指标多而不精；(3)未从供给侧和需求侧统筹考虑；(4)对于运营事故下韧性恢复过程没有准确有效的预测方法。
发明内容
基于以上研究缺点，本发明旨在构建一种统筹考虑供给侧和需求侧的基于轨道交通客流量和列车运行图的更加全面、立体、简单的大规模城市轨道交通韧性测度方法，并据此建立一种“运营事故识别-恢复曲线聚类-事故恢复预测”的应急处理框架。
为实现本发明的发明目的，本发明提供的技术方案是：一种基于城市轨道交通网络服务韧性测度方法，城市轨道交通网络的韧性性能采用与正常运营状态相比在突遇干扰后车公里数和人公里数的变化作为测度指标，所述测度指标的建立方法包括以下步骤：
步骤1)，计算全网的列车载客运营里程：
Figure BDA0003466527510000061
其中，S是全网列车的车公里数；n是指轨道交通网络上统计时间内的开行列车数量；j是指开行的某列车；dj指网络上列车j的运行长度；
步骤2)，绘制全网车公里数曲线图；
步骤3)，计算基于车公里数的城市轨道交通网络韧性指标：
Figure BDA0003466527510000071
其中，t0是运营事故发生的时刻，ti是从运营事故发生到恢复正常运营的时间，Si是有运营事故干扰下的网络车公里曲线，根据存在运营事故干扰的实际列车运行图/开行方案绘制；S0是正常情况下从t0到t0+ti的网络车公里数，根据提前编制的网络列车开行计划计算；
步骤4)，计算全网的乘客出行里程：
Figure BDA0003466527510000072
其中，L是全网的乘客人公里数；m指全网的区间数；i指第i个区间；ki是区间i的断面客流量，可由城市轨道交通运营单位统计数据获知；di指区间i的运营段长度。
步骤5)，，绘制全网人公里数曲线图；
第六步，计算基于人公里数的城市轨道交通网络韧性指标：
Figure BDA0003466527510000073
其中，Li是有运营事故干扰下的网络人公里曲线，根据轨道交通实际运营统计数据绘制；L是假设未发生干扰情况下网络人公里曲线，由深度学习方法进行客流预测得到；t0是运营事故发生的时刻，ti是从运营事故发生到恢复正常运营的时间；
步骤7)，综合车公里数和人公里数计算城市轨道交通系统服务韧性综合测度指标：
Figure BDA0003466527510000074
Rnet∈(0，1)，且Rnet越接近1，系统韧性越高。
本发明还提出了基于前述基于城市轨道交通网络服务韧性测度方法建立的测度指标，具体应用方法包括以下步骤：
S1，基于乘客OD旅行时间的运营干扰/中断识别；
S11，基于AFC刷卡数据，利用oracle提取轨网OD旅行时间为ttravel＝tout-tin，进站时间为tin，出站时间为tout；
S12，分别计算高峰时段和平峰时段OD旅行时间的平均值μ和标准差σ；
S13，根据3σ准则，对于ttravel>μ+3σ和ttravel<μ-3σ的点，被识别为该OD的异常值；
S2，基于DTW的韧性恢复曲线聚类；
S21，选择所识别出的异常点，根据公式(5)绘制当日网络服务韧性曲线图；
S22，将异常的曲线图与正常情况下的曲线图进行对比，挑选出由于运营事故发生导致服务韧性下降直至恢复的片段；
S23，将挑选出的韧性恢复过程片段的数据做为一个新的时间序列；
S24，构建一个m×n的路径矩阵，矩阵中i、j间的距离就是ai与bj间的欧式距离，通过矩阵邻接距离对最小距离路径进行积累，对时间序列间的距离进行比较；
S25，ai与bj间的距离公式为
dw(ai,bj)＝||w|i-j|(ai-bj)||p (6)
式中，w|i-j|是ai和bj两点之间合适的权重值，由|i-j|的相位差决定。
S26，分配权重作为两个点之间的相位差函数，采用改进logistic权重函数(MLWF)，权值w(i)定义为：
Figure BDA0003466527510000081
其中，i＝1,…,m,m是序列的长度，mc是序列中点，wmax是权重参数所需的上界，g是控制函数曲率(斜率)的经验常数，控制对相位差较大的分数的惩罚级别；
S27，将两个序列之间的最佳距离定义为所有可能路径上的最小路径，计算距离的最小路径：
Figure BDA0003466527510000082
S28，定义累积距离γ*(i,j)从时间序列的第一个点开始，每到一个点就进行累加，直至时间序列的最后一个点，得到的累积距离为两时间序列的相似距离：
γ*(i,j)＝|w|i-j|(ai-bj)|p+min{γ*(i-1,j-1),γ*(i-1,j),γ*(i-1,j)} (8)
以动态转移方程递归的时间序列距离进行累加计算，最终得到最优距离。
S29，对数据采用基于WDTW的聚类分析法，得到数据聚类中心点。然后，将所有的韧性恢复曲线数据采用MATLAB计算其到聚类中心的WDTW距离，同时将每个序列进行最近划分，并以此为原则对所有数据进行排序与分类。最后，得到基于所有韧性恢复曲线数据的聚类分析结果。
S3，基于深度学习的韧性恢复曲线拟合及预测
S31，读取韧性恢复过程的数据序列：
S32，时间序列处理，将日期按指定格式组合；
S33，划分数据集为训练集和测试集；
S34，引入支持向量机建模；
S35，采用r2指标评估模型；
S36，对测试集进行预测；
S37，使用r2决定系数评价模型，结果越接近1表示模型越好；
S4，对每一类的恢复过程曲线进行建模拟合；
S5，根据据分类结果，城市轨道交通运营管理部门可以在事故发生时根据事故类型预估恢复过程，进而对车公里和人公里损失量进行预估，提前编制加开列车计划。
本发明的有益效果是：本发明提出的测度方法对城市轨道交通运营管理部门进行全网韧性水平评估具有重要的借鉴意义，构建的“运营事故识别-恢复曲线聚类-事故恢复预测”的应急处理框架，对轨道交通运营管理部门提前部署事故应急处置措施有很好的指导意义，共同保障了突发事故下城市轨道交通系统的正常运营，提前做好预防，降低网络服务损失。
本发明提出了两个计算基本量，分别是面向供给侧的车公里数和面向需求侧的人公里数。并基于这两个基本量分别提出对应的城市轨道交通网络韧性测度指标。计算原理简易、过程方便、结果有效。
现有技术一整合了城市轨道交通网络脆弱性、鲁棒性和恢复力三个方面的指标，所述的城市轨道交通网络的脆弱性指标包括最大脆弱率、特征路径长度和平均节点度，鲁棒性指标包括：圈数率变动率和连通度变动率，恢复力指标包括平均恢复系数，计算过程复杂。现有技术二只考虑从需求侧出发着眼于进站客流，通过进站客流数据来计算进站客流韧性指数。以上技术或复杂或不全面。本技术解决了这个问题，从供给和需求两侧考虑，结合车公里和人公里，使得韧性评估更加具体全面又简单便于计算。此外，本发明构造了“运营事故识别-恢复曲线聚类-事故恢复预测”的应急处理框架，实现了运营事故下网络服务韧性恢复过程预测，有助于帮助轨道交通运营管理部门进行事故下的运营计划调整和系统优化。
附图说明
图1为本发明的总体流程示意图；
图2为异常的曲线图与正常情况下的曲线图进行对比的示意图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述。
本发明提供了一种城市轨道交通网络服务韧性的测度方法，已解决现有技术中的缺陷。本发明实例中轨道交通网络的韧性定义为轨道交通运营系统在受到内部或外部因素干扰后，能够抵抗和适应外部干扰，然后迅速恢复到正常服务水平以满足原始出行需求的能力。当轨道交通网络受到突发事故或自然灾害等干扰时，其车公里和人公里的损失一定程度上反映了该网络的韧性水平。具体描述如下：
如图1所示，本发明提出的基于城市轨道交通网络服务韧性测度方法，建立城市轨道交通网络服务韧性指标，具体步骤如下：
城市轨道交通网络的韧性性能可以采用与正常运营状态相比在突遇干扰后车公里数和人公里数的变化作为测度指标。
步骤1)，计算全网的列车载客运营里程(车公里数)，统计时间为5分钟：
Figure BDA0003466527510000111
其中，S是每5分钟全网列车的车公里数；n是指轨道交通网络上统计时间内(5分钟)的开行列车数量；j是指开行的某列车；dj指5分钟内网络上列车j的运行长度。该公式依据列车运行图或列车开行计划计算，相关数据由城市轨道交通运营单位获知。
步骤2)，绘制全网车公里数曲线图，横坐标为时间，x＝6：00，6：05，6：10，…，22：55，23：00，纵坐标为每5分钟全网载客运营里程(车公里数)。
步骤3)，计算基于车公里数的城市轨道交通网络韧性指标：
Figure BDA0003466527510000112
其中，t0是运营事故发生的时刻，ti是从运营事故发生到恢复正常运营的时间，Si是有运营事故干扰下的网络车公里曲线，根据存在运营事故干扰的实际列车运行图/开行方案绘制；S0是正常情况下从t0到t0+ti的网络车公里数，根据提前编制的网络列车开行计划计算。
步骤4)，计算全网的乘客出行里程(人公里数)，统计时间为5分钟：
Figure BDA0003466527510000113
其中，L是每5分钟全网的乘客人公里数；m指全网的区间数；i指第i个区间；ki是区间i的5分钟断面客流量，可由城市轨道交通运营单位统计数据获知；di指区间i的运营段长度。
步骤5)，绘制全网人公里数曲线图，横坐标为时间，以5分钟为人公里统计粒度，x＝6：00，6：05，6：10，…，22：55，23：00，纵坐标为每5分钟全网乘客运行里程(人公里数)。
步骤6)，计算基于人公里数的城市轨道交通网络韧性指标：
Figure BDA0003466527510000121
其中，Li是有运营事故干扰下的网络人公里曲线，根据轨道交通实际运营统计数据绘制；L是假设未发生干扰情况下网络人公里曲线，由深度学习方法进行客流预测得到；t0是运营事故发生的时刻，ti是从运营事故发生到恢复正常运营的时间。
步骤7)，综合车公里数和人公里数计算城市轨道交通系统服务韧性综合测度指标：
Figure BDA0003466527510000122
Rnet∈(0，1)，且Rnet越接近1，系统韧性越高。
本发明还提出了基于前述建立的韧性指标的具体应用方法，建立“运营事故识别-恢复曲线聚类-事故恢复预测”的应急处理框架，结合图1具体描述如下：
S1，基于乘客OD旅行时间的运营干扰/中断识别
S11，基于AFC刷卡数据，利用oracle提取轨网OD周一至周五高峰时段7：30～9：30和平峰时段14：00～16：00的进出站时间，设进站时间为tin，出站时间为tout，则OD旅行时间为ttravel＝tout-tin；
S12，分别计算高峰时段和平峰时段OD旅行时间的平均值μ和标准差σ；
S13，对于同一个OD工作日相同时段的旅行时间一般较为稳定，呈正态分布，根据3σ准则，对于ttravel>μ+3σ和ttravel<μ-3σ的点，被识别为该OD的异常值。
S2，基于DTW的韧性恢复曲线聚类
为了找到时间序列之间的相似性，必须“扭曲“一个或两个序列的时间轴，以实现更好的对齐，动态时间规整(dynamic time warping，DTW)是一种有效地实现这种翘曲的技术，通过对非线性时间序列距离值的计算，从而找出序列间的最短距离。为了考虑到参考点和测试点之间的相位差的相对重要性，采用改进的logistic加权函数(MLWF)，将权重系统地分配为参考点和测试点之间相位差的函数。本发明基于WDTW对曲线的韧性恢复过程片段进行聚类。
S21，选择所识别出的异常点，根据公式(5)绘制当日网络服务韧性曲线图，每个点的统计粒度为5分钟，横坐标为时间，纵坐标为Rnet；
S22，将异常的曲线图与正常情况下的曲线图进行对比，挑选出由于运营事故发生导致服务韧性下降直至恢复的片段，即对应图2中AB段；
S23，将挑选出的韧性恢复过程片段的数据做为一个新的时间序列，以某两条恢复过程曲线为例，假设两个时间序列分别为A＝a1,a2,…,an、B＝b1,b2,…,bn；
S24，构建一个m×n的路径矩阵，矩阵中i、j间的距离就是ai与bj间的欧式距离，通过矩阵邻接距离对最小距离路径进行积累，对时间序列间的距离进行比较；
S25，ai与bj间的距离公式为
dw(ai,bj)＝||w|i-j|(ai-bj)||p (6)
式中，w|i-j|是ai和bj两点之间合适的权重值，由|i-j|的相位差决定。
S26，为了系统地分配权重作为两个点之间的相位差函数，采用改进logistic权重函数(MLWF)，权值w(i)定义为：
Figure BDA0003466527510000131
其中，i＝1,…,m,m是序列的长度，mc是序列中点，wmax是权重参数所需的上界，g是控制函数曲率(斜率)的经验常数，控制对相位差较大的分数的惩罚级别。
S27，将两个序列之间的最佳距离定义为所有可能路径上的最小路径，计算距离的最小路径：
Figure BDA0003466527510000132
S28，定义累积距离γ*(i,j)从时间序列的第一个点开始，每到一个点就进行累加，直至时间序列的最后一个点，得到的累积距离为两时间序列的相似距离：
γ*(i,j)＝|w|i-j|(ai-bj)|p+min{γ*(i-1,j-1),γ*(i-1,j),γ*(i-1,j)} (8)
以动态转移方程递归的时间序列距离进行累加计算，最终得到最优距离。
S29，对数据采用基于WDTW的聚类分析法，得到数据聚类中心点。然后，将所有的韧性恢复曲线数据采用MATLAB计算其到聚类中心的WDTW距离，同时将每个序列进行最近划分，并以此为原则对所有数据进行排序与分类。最后，得到基于所有韧性恢复曲线数据的聚类分析结果。
S3，基于深度学习的韧性恢复曲线拟合及预测
本发明采用深度学习方法对韧性恢复过程曲线进行拟合，根据聚类结果选取某一类韧性恢复曲线数据，利用支持向量机对其进行建模。
S31，读取韧性恢复过程的数据序列：
import pandas as pd
df_resilience＝pd.read_csv(“../data/res.csv”)
S32，时间序列处理，将日期按指定格式组合：
df_resilience[“Datetime”]＝pd.to_datetime(df_resilience[“DATE”]+“”+df_resilience[“TIME”],formate＝“％Y-％m-％d％H:％M:％S”)
S33，划分数据集为训练集和测试集：
from sklearn.model_selection import train_test_split
X_train,X_test,Y_train,Y_test＝train_test_split(df_resilience_features,df_subway_target,test_size＝0.20,random_state＝0)
S34，引入支持向量机建模：
from sklearn.svm import SVR
svr_lin＝SVR(kernel＝‘linear’)
svr_lin.fit(X_train,Y_train)
S35，采用r2指标评估模型
from sklearn.metrics import r2_score
S36，对测试集进行预测
Y_predict＝svr_lin.predict(X_test)
S37，使用r2决定系数评价模型，结果越接近1表示模型越好
score＝r2_score(Y_test,Y_predict,sample_weight＝None,multioutput＝None)
print(“当前模型r2值为：\n\r％s”％score)
S4，同理，对每一类的恢复过程曲线进行建模拟合。
S5，根据分类结果，城市轨道交通运营管理部门可以在事故发生时根据事故类型预估恢复过程，进而对车公里和人公里损失量进行预估，提前编制加开列车计划，提高系统应对运营事故的韧性水平。
所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

Claims (5)

1.一种基于城市轨道交通网络服务韧性测度方法，其特征在于，
城市轨道交通网络的韧性性能采用与正常运营状态相比在突遇干扰后车公里数和人公里数的变化作为测度指标，所述测度指标的建立方法包括以下步骤：
步骤1)，计算全网的列车载客运营里程：
Figure FDA0003466527500000011
其中，S是全网列车的车公里数；n是指轨道交通网络上统计时间内的开行列车数量；j是指开行的某列车；dj指网络上列车j的运行长度；
步骤2)，绘制全网车公里数曲线图；
步骤3)，计算基于车公里数的城市轨道交通网络韧性指标：
Figure FDA0003466527500000012
其中，t0是运营事故发生的时刻，ti是从运营事故发生到恢复正常运营的时间，Si是有运营事故干扰下的网络车公里曲线，根据存在运营事故干扰的实际列车运行图/开行方案绘制；S0是正常情况下从t0到t0+ti的网络车公里数，根据提前编制的网络列车开行计划计算；
步骤4)，计算全网的乘客出行里程：
Figure FDA0003466527500000013
其中，L是全网的乘客人公里数；m指全网的区间数；i指第i个区间；ki是区间i的断面客流量，可由城市轨道交通运营单位统计数据获知；di指区间i的运营段长度；
步骤5)，绘制全网人公里数曲线图；
第六步，计算基于人公里数的城市轨道交通网络韧性指标：
Figure FDA0003466527500000014
其中，Li是有运营事故干扰下的网络人公里曲线，根据轨道交通实际运营统计数据绘制；L是假设未发生干扰情况下网络人公里曲线，由深度学习方法进行客流预测得到；t0是运营事故发生的时刻，ti是从运营事故发生到恢复正常运营的时间；
步骤7)，综合车公里数和人公里数计算城市轨道交通系统服务韧性综合测度指标：
Figure FDA0003466527500000021
Rnet∈(0，1)，且Rnet越接近1，系统韧性越高。
2.一种基于城市轨道交通网络服务韧性测度方法的应用，其特征在于，基于权利要求1所述的基于城市轨道交通网络服务韧性测度方法建立的测度指标，具体应用方法包括以下步骤：
S1，基于乘客OD旅行时间的运营干扰/中断识别；
S2，基于DTW的韧性恢复曲线聚类；
S3，基于深度学习的韧性恢复曲线拟合及预测；
S4，对每一类的恢复过程曲线进行建模拟合；
S5，根据据分类结果，城市轨道交通运营管理部门可以在事故发生时根据事故类型预估恢复过程，进而对车公里和人公里损失量进行预估，提前编制加开列车计划。
3.根据权利要求2所述的一种基于城市轨道交通网络服务韧性测度方法的应用，其特征在于，所述的步骤S1，基于乘客OD旅行时间的运营干扰/中断识别的具体步骤为：
S11，基于AFC刷卡数据，利用oracle提取轨网OD旅行时间为ttravel＝tout-tin，进站时间为tin，出站时间为tout；
S12，分别计算高峰时段和平峰时段OD旅行时间的平均值μ和标准差σ；
S13，根据3σ准则，对于ttravel>μ+3σ和ttravel<μ-3σ的点，被识别为该OD的异常值。
4.根据权利要求2所述的一种基于城市轨道交通网络服务韧性测度方法的应用，其特征在于，
所述的步骤S2，基于DTW的韧性恢复曲线聚类的具体步骤为：
S21，选择所识别出的异常点，根据公式(5)绘制当日网络服务韧性曲线图；
S22，将异常的曲线图与正常情况下的曲线图进行对比，挑选出由于运营事故发生导致服务韧性下降直至恢复的片段；
S23，将挑选出的韧性恢复过程片段的数据做为一个新的时间序列；
S24，构建一个m×n的路径矩阵，矩阵中i、j间的距离就是ai与bj间的欧式距离，通过矩阵邻接距离对最小距离路径进行积累，对时间序列间的距离进行比较；
S25，ai与bj间的距离公式为
dw(ai,bj)＝||w|i-j|(ai-bj)||p (6)
式中，w|i-j|是ai和bj两点之间合适的权重值，由|i-j|的相位差决定；
S26，分配权重作为两个点之间的相位差函数，采用改进logistic权重函数(MLWF)，权值w(i)定义为：
Figure FDA0003466527500000031
其中，i＝1,…,m,m是序列的长度，mc是序列中点，wmax是权重参数所需的上界，g是控制函数曲率(斜率)的经验常数，控制对相位差较大的分数的惩罚级别；
S27，将两个序列之间的最佳距离定义为所有可能路径上的最小路径，计算距离的最小路径：
Figure FDA0003466527500000032
S28，定义累积距离γ*(i,j)从时间序列的第一个点开始，每到一个点就进行累加，直至时间序列的最后一个点，得到的累积距离为两时间序列的相似距离：
γ*(i,j)＝|w|i-j|(ai-bj)|p+min{γ*(i-1,j-1),γ*(i-1,j),γ*(i-1,j)} (8)
以动态转移方程递归的时间序列距离进行累加计算，最终得到最优距离；
S29，对数据采用基于WDTW的聚类分析法，得到数据聚类中心点；将所有的韧性恢复曲线数据采用MATLAB计算其到聚类中心的WDTW距离，同时将每个序列进行最近划分，并以此为原则对所有数据进行排序与分类，得到基于所有韧性恢复曲线数据的聚类分析结果。
5.根据权利要求2所述的一种基于城市轨道交通网络服务韧性测度方法的应用，其特征在于，所述的S3，基于深度学习的韧性恢复曲线拟合及预测的具体步骤为：
S31，读取韧性恢复过程的数据序列：
S32，时间序列处理，将日期按指定格式组合；
S33，划分数据集为训练集和测试集；
S34，引入支持向量机建模；
S35，采用r2指标评估模型；
S36，对测试集进行预测；
S37，使用r2决定系数评价模型，结果越接近1表示模型越好。
CN202210031246.XA 2022-01-12 一种基于城市轨道交通网络服务韧性测度方法 Active CN114493201B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210031246.XA CN114493201B (zh) 2022-01-12 一种基于城市轨道交通网络服务韧性测度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210031246.XA CN114493201B (zh) 2022-01-12 一种基于城市轨道交通网络服务韧性测度方法

Publications (2)

Publication Number Publication Date
CN114493201A true CN114493201A (zh) 2022-05-13
CN114493201B CN114493201B (zh) 2024-07-02

Family

ID=

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115115352A (zh) * 2022-08-29 2022-09-27 山东中鲁实业有限公司 基于数字化城市运行管理服务的公共设备运行控制系统
CN115660282A (zh) * 2022-10-28 2023-01-31 北京交通大学 面向乘客出行服务的轨道交通路网韧性评估方法及系统
CN115759486A (zh) * 2023-01-06 2023-03-07 中交路桥检测养护有限公司 城市桥梁灾变预测与韧性评估方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108920892A (zh) * 2018-09-30 2018-11-30 南京地铁集团有限公司 一种城市轨道交通站点脆弱性测量方法
CN112185116A (zh) * 2020-09-29 2021-01-05 重庆文理学院 一种城市道路交通网络抗灾韧性能力评估方法
CN112593613A (zh) * 2019-12-30 2021-04-02 西安金路交通工程科技发展有限责任公司 城市内涝灾害下交通网络韧性承载力评估方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108920892A (zh) * 2018-09-30 2018-11-30 南京地铁集团有限公司 一种城市轨道交通站点脆弱性测量方法
CN112593613A (zh) * 2019-12-30 2021-04-02 西安金路交通工程科技发展有限责任公司 城市内涝灾害下交通网络韧性承载力评估方法
CN112185116A (zh) * 2020-09-29 2021-01-05 重庆文理学院 一种城市道路交通网络抗灾韧性能力评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张洁斐;任刚;马景峰;高瑾瑶;朱形;: "基于韧性评估的地铁网络修复时序决策方法", 交通运输系统工程与信息, no. 04, 15 August 2020 (2020-08-15), pages 149 - 163 *
彭;林樱子;顾朝林;: "长江中游城市网络结构韧性评估及其优化策略", 地理研究, no. 06, 21 June 2018 (2018-06-21), pages 18 - 24 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115115352A (zh) * 2022-08-29 2022-09-27 山东中鲁实业有限公司 基于数字化城市运行管理服务的公共设备运行控制系统
CN115115352B (zh) * 2022-08-29 2022-11-08 山东中鲁实业有限公司 基于数字化城市运行管理服务的公共设备运行控制系统
CN115660282A (zh) * 2022-10-28 2023-01-31 北京交通大学 面向乘客出行服务的轨道交通路网韧性评估方法及系统
CN115759486A (zh) * 2023-01-06 2023-03-07 中交路桥检测养护有限公司 城市桥梁灾变预测与韧性评估方法和系统

Similar Documents

Publication Publication Date Title
Li et al. Traffic prediction in a bike-sharing system
Sohn et al. Factors generating boardings at Metro stations in the Seoul metropolitan area
WO2018122803A1 (zh) 一种智能化道路交通异常检测方法
CN108846514B (zh) 一种突发事件下轨道交通客流疏散需求预测方法
CN104298881B (zh) 一种基于贝叶斯网络模型的公交环境动态变化预报方法
Zhang et al. Curb-gan: Conditional urban traffic estimation through spatio-temporal generative adversarial networks
CN110299011A (zh) 一种基于收费数据的高速公路任意断面的交通流预测方法
CN113326974B (zh) 一种基于多任务超图卷积网络的多源交通流预测方法
Li Predicting short-term traffic flow in urban based on multivariate linear regression model
Chen et al. A Deep Learning Model with Conv‐LSTM Networks for Subway Passenger Congestion Delay Prediction
Wilbur et al. A decentralized approach for real time anomaly detection in transportation networks
CN115222265A (zh) 一种铁路全线路轨道状态确定方法及装置
Wu et al. A data-driven approach to detect passenger flow anomaly under station closure
CN115311858A (zh) 基于交通流韧性的城市路段分级管制方法
CN113159408B (zh) 轨道交通站点客流预测方法及装置
CN114493201A (zh) 一种基于城市轨道交通网络服务韧性测度方法及应用
CN117251722A (zh) 一种基于大数据的智慧交通管理系统
CN116863723A (zh) 一种数字孪生基座的使用方法
CN112232553A (zh) 一种基于贝叶斯网络的高铁列车晚点影响因素诊断方法
Namiot et al. On mobility patterns in Smart City
CN114493201B (zh) 一种基于城市轨道交通网络服务韧性测度方法
CN111723991A (zh) 大型活动散场客流对地铁车站冲击影响的预测评估方法
CN116434361A (zh) 一种基于etc交易数据的高速公路拥堵识别方法
CN113536493A (zh) 基于聚类反推的有效路径生成方法及断面客流估算方法
CN114882693B (zh) 一种基于刷卡数据深度挖掘的公交乘客下车站点预测方法

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