CN115018148A - 一种基于数字孪生模型的城市轨道交通线网客流分布预测方法及系统 - Google Patents
一种基于数字孪生模型的城市轨道交通线网客流分布预测方法及系统 Download PDFInfo
- Publication number
- CN115018148A CN115018148A CN202210616759.7A CN202210616759A CN115018148A CN 115018148 A CN115018148 A CN 115018148A CN 202210616759 A CN202210616759 A CN 202210616759A CN 115018148 A CN115018148 A CN 115018148A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- passenger
- data
- digital twin
- rail transit
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005516 engineering process Methods 0.000 claims abstract description 17
- 238000004088 simulation Methods 0.000 claims abstract description 12
- 230000006399 behavior Effects 0.000 claims description 47
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000007726 management method Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 claims description 2
- 238000007418 data mining Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract 1
- 238000013523 data management Methods 0.000 description 11
- 238000010276 construction Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000010187 selection method 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
- G06Q10/04—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
- 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
-
- G06Q50/40—
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于轨道交通技术领域,涉及一种基于数字孪生模型的城市轨道交通线网客流分布预测方法及系统。现有线网客流分布预测技术在为交通运营管理提供全方位支持上仍存在限制,尤其针对基于当前时间未进站客流分布状况的预测。本发明提供了一种基于数字孪生模型的城市轨道交通线网客流分布预测方法,分析单个乘客在城轨交通系统中的时空特征规律;实时监测线网客流分布状态,以数字孪生技术为指引,实现线网客流分布仿真。本发明提供的基于数字孪生模型的城市轨道交通线网客流分布预测方法及系统通过获取的客流相关数据及数字孪生模型将预测后的分布状态直观显示,便于运维人员清晰掌握交通系统中客流分布状况,为行车调度和城客流管控提供参考。
Description
技术领域
本发明涉及城市轨道交通领域,尤其涉及一种基于数字孪生模型的城市轨道交通线网客流分布预测方法及系统。
背景技术
随着国民经济和城镇化进程的快速发展,我国城市轨道交通线路总里程逐年增长,城市轨道交通客运总量逐年增长。面对越来越复杂的网线,越来越频繁的发车频次,越来越大的客流量,准确预测车站的客流需求及线网客流分布对城市地铁系统的运营管理至关重要。由于城市轨道交通在城市公共交通系统中的地位越来越重要,其运营管理手段的效率和质量也亟需提高,以便于为居民出行提供更好的服务。
客流是城市轨道交通建设与运营的基础,管理者需要通过把握客流的特征及其变化趋势,对列车时刻表和站内客流导向做出合理的安排。准确的客流预测可以帮助管理者制定合理的运营计划,进行合理的车辆调度有效的提高地铁运营效率,同时还可以为未来地铁建设提供参考信息。
轨道交通线网客流分布预测是预测乘客进站后前往各目的地及进站客流数量的预测。对乘客进行目的地预测是准确获取在一定时间后的乘客分布状态的重要手段。主要是基于乘客的AFC数据集分析乘客前往不同站点的规律,并依据数字孪生技术对乘客个体行为进行建模,分析乘客在站内的动向分布,为线网客流分布状态预测提供精准的预测结果。
目前的客流预测模型单一,并且现有的所有预测模型都是基于AFC刷卡数据来获取乘客的相关特征来得到线网客流分布状态。以往对客流的研究,大多从数学模型及经验的角度去分析。在进行客流时空分布研究以及进行客流预测时,也大多集中在对整体客流的分析。然而,出行目的地预测是微观个体层面的预测,与个体出行习惯有关,这对于个体行为研究提出了要求。
在城市轨道交通运营管理中,如果发生突发事件,按照以往的逐层上报机制,由于消息上传的延迟性,可能影响运营人员采取合理的措施处理突发状况。另外,城市轨道交通还缺少对突发事件下的路网客流分布状态的变化情况的预测,由于没有突发事件下客流分布特征,运营人员难以有效地根据客流情况做出尽可能满足乘客出行需求的列车运行调整方案,这为突发状况下的轨道交通运营管理带来了困难。
目前对于线网客流分布预测只停留在基于AFC数据的预测,这需要乘客通过闸机获取其ID的情况下才能做出处理。针对于一段时间后,尤其是基于当前时间没有进站的客流,目前的所有预测模型均未涉及此类乘客的线网分布状态预测。另外,目前的预测方法只是将基于AFC数据对乘客出行规律进行总结,从而获取其线网分布状态,并没有结合数字孪生技术的优势,利用先进的数字孪生技术对乘客的站内状态做出相关的仿真来获取客流的线网分布状态。
乘客在站内的活动轨迹对于线网客流的分布有着至关重要的作用,如何利用数字孪生的技术对个体行为建模、模拟仿真乘客个体在站内活动轨迹,从而获取线网客流的分布在状态,是研究线网客流分布状态的重要支撑。
发明内容
1.要解决的技术问题
基于目前相关的客流分布预测技术只针对已获取乘客进站信息的预测,当乘客的进站信息缺失的情况下,无法获取一定时间后的客流分布状态,即目前的客流分布研究不涉及基于当前时间未进站的乘客如何获取相关数据特征来预测特定时间后的线网客流分布预测,同时对于乘客个体在站内的活动没有清晰的研究,这对于客流线网分布分析存在一定的限制。针对以上未解决的问题,本发明提供了一种基于数字孪生模型的城市轨道交通线网客流分布预测方法及系统。
2.技术方案
为了解决以上所提到的问题,达到未进站乘客线网客流分布预测及站内个体行为仿真的目的,本发明提供了一种基于数字孪生模型的城市轨道交通线网客流分布状态预测方法及系统。所述方法包括如下步骤:步骤S1:建立城市轨道交通系统与本发明系统的数据传输接口,获取实时、历史客流AFC相关数据;步骤S2:分析乘客个体在城市轨道交通系统中的出行特征规律;步骤S3:获取城市轨道交通系统中的乘客历史AFC数据,统计分析历史客流数据,对进站短时客流预测,对已进站和未进站乘客判断;步骤S31:对已进站乘客的目的地预测;步骤S32:对未进站乘客的目的地预测;步骤S4:获取城市轨道交通系统数字孪生模型;步骤S5:以客流数据、站点线路数字孪生模型及个体行为模型为基础,仿真站内及线路客流分布状态,集成不同模型中的数据,并直观反映于城市轨道交通数字孪生系统。
本发明提供的另一种实施方式为:所述出行特征规律是基于物理城市轨道交通系统中AFC数据获得。
本发明提供的另一种实施方式为:所述步骤S2乘客个体特征行为分析包括对乘客历史AFC数据处理,分析乘客个体出行地ID、出行时间、目的地ID、到达时间、出行频率等参数,统计乘客个体出行规律,并实现特征数据的聚类处理。
本发明提供的另一种实施方式为:所述步骤S3包括利用确定车站的AFC数据,对客流状况进行分析,采用随机森林算法预测该站点的进站客流数据。
本发明提供的另一种实施方式为:述所步骤S31包括利用出行特征数据匹配乘客目的地,确定乘客本次出行的目的地;基于乘客进入该站点的时间获取乘客的出行特征规律矩阵,在特征唯一、不唯一、无匹配情况下,选择不同目的地地预测算法获取乘客个体本次出行目的地。
本发明提供的另一种实施方式为:述所步骤S32包括基于短时客流预测数据,获取乘客进站时间间隔分布函数即负指数分布函数,预测乘客个体进站具体时间;基于乘客个体进站时间,结合出行特征数据集,刻画乘客个体行为特征。
本发明提供的另一种实施方式为:所述步骤S4包括利用客流预测站点参数匹配不同站点、线路数字孪生模型,并利用不同站点的客流行为习惯规则参数,建立或修正不同站点数字孪生模型中的客流个体行为模型;
本发明提供的另一种实施方式为:所述步骤S5包括利用站点客流预测参数、个体行为模型、站点数字孪生模型,模拟仿真不同站点及线路所对应的个体客流分布状态;
本发明提供的另一种实施方式为:所述步骤S5包括利用行为模型、站点数字孪生模型,获取不同站台、站点车厢人流密度等数据,能够实时为车辆调度和客流引导提供有效支持;
本发明提供的另一种实施方式为:所述步骤S5包括集成不同站点、线路数字孪生模型中的客流个体分布状态于城市轨道交通数字孪生系统,用于直观全局显示给城市轨道交通管理人员。
3.有益效果
与现有技术相比,本发明技术方案的有益效果是:
本发明根据目前所有客流分布状态的预测方法无法获取基于当前时间未进站的乘客分布状态预测,通过连接城市轨道交通系统数字孪生模型,构建或修正数字孪生模型中的客流行为模型,通过分析个体行为对客流分布状态的影响,获取客流个体出行特征规律;基于站点及线路数字孪生模型和乘客个体行为分析,刻画乘客个体在站内的分布动向,以准确获取站台、车内客流密度数据,为列车调度及突发情况下的客流引导提供数据支持,同时准确模拟乘客在站内分布情况,为未进站客流分布预测提供一定的技术支持;通过将本发明实现的客流分布预测系统信息反馈给城市轨道交通管理人员便于其准确了解一定时间后站内客流分布状况,为城市轨道交通系统中列车的运行规划和客流的引导提供参考。在这种情况下如果预测到行车中断状况发生后的客流分布状况,能够及时为管理人员提供行车调度及客流疏散建议。
附图说明
图1为本发明的预测方法流程示意图;
图2为本发明的基于数字孪生模型的客流分布预测系统框架图;
图3为本发明的数字孪生模型获取及服务图。
具体实施方式
在下文中,将参考附图对本发明的具体实施方式进行详细地描述,依照这些详细的描述,使所属领域技术人员能够清楚地理解本发明,并能够实施本发明。
请结合参阅图1、图2和图3理解本发明,其中,图1为本发明的预测方法流程示意图;图2为本发明的基于数字孪生模型的客流分布预测系统框架图;
图3为本发明的数字孪生模型获取及服务图。本发明基于数字孪生模型的客流分布状态预测方法及系统的具体实施步骤如下:
步骤S1:乘客出行特征规律分析
首先基于大数据计算存储技术及编码技术,建立本系统与城市轨道交通系统数据传输接口,从而收集车站AFC数据等数据,对所获取的数据预处理,去除重复、缺失、同站进出等噪声数据,并保存处理后的客流数据,同时利用数据处理技术对非结构化数据处理为可用于建模的结构化数据,并对此数据保存在本发明所构建系统的数据管理模块中;接着通过预处理数据,获取乘客个体出行时间、出行站点、出行目的地、出行频次等所对应的出行规律时空特征数据矩阵,将此样本数据保存在本发明构建系统的数据存储模块中。
步骤S2:短时客流预测
依据图1所示的本发明提出的客流分布预测方法实施流程图,在对进站客流的预测上:首先,从系统数据存储模块中获取预处理数据进行数据分析,将所获取的站点样本数据分为预测集和训练集,选择随机森林预测算法作为训练模型,获得短时客流预测模型;其次,在此基础上,采用随机森林预测模型预测短时进站客流,并将此数据保存在系统数据管理模块中;最后,依据获取得到的短时进站客流预测数据,计算乘客进站时间服从分布函数。
步骤S3:客流目的地预测
依据图1理解,在对线网客流进行分布状态预测时,乘客的目的地预测研究对客流分布状态至关重要,而对乘客的目的地预测分为基于当前时间是否已经进站。
对于已进站乘客的目的地预测依赖于所获取的乘客出行规律时空特征矩阵数据,首先,获取存储在数据管理模块中的客流个体时空特征矩阵及步骤S1所获取的乘客个体实时进站数据的站点ID、乘客ID、乘客进站时间数据;其次,利用实时数据从数据管理模块中提取乘客ID在站点ID中的历史时空规律特征矩阵;最后根据所提取的此规律特征数据匹配乘客ID的本次出行目的地。
对基于当前时间未进站的乘客,本发明基于短时客流预测及所获取的数字孪生模型仿真客流在线网的分布状态;首先在已经获取的短时客流数据和个体进站时间预测及该站点历史客流行为特征数据集的基础上,将这些数据发送至站点数字孪生模型中;其次,依据站点数字孪生模型中的客流个体行为模型仿真站内及与该站关联的线路客流去向分布,获取乘客个体前往不同目的地的站点ID集合。
步骤S4:城市轨道交通系统数字孪生模型获取
城市轨道交通系统数字孪生模型的获取及服务流程依据图3,首先从系统数据管理模块中获取对应不同客流状况的不同站点信息;其次,通过获取得到的站点参数,通过接口匹配不同站点对应的数字孪生模型;进一步,查找该站点所对应的数字孪生模型中相应的客流行为模型是否存在;进一步,将判断后的不同站点以0不存在客流行为模型或1存在客流行为的形式标记;最后,将此数据保存在系统的数据管理模块中。
步骤S5:客流给行为模型构建或修正
首先从系统数据管理模块中获取客流行为数据及站点被标记矩阵;其次,将不同站点ID所对应的客流数据及标记数据匹配;进一步,利用个体行为规则资源建立或修正该站点内客流个体行为模型;最后,对此模型运行过程中产生的相关数据保存在数据管理模块中,便于对客流预测、目的地预测等系统基础功能进行数据修正。
步骤S6:城市轨道交通线网客流分布仿真预测
依据系统在数字孪生模型获取接口获取的不同站点及其线路数字孪生模型,基于孪生模型中的个体行为模型、客流规则模型对输入的短时客流数、客流规则数据、客流目的地数据、路径分配数据等对线网客流分布状态进行仿真,实现多源数据条件下的客流出行需求估计,展示客流在线网级别的分布状态。
步骤S7:城市轨道交通实时客流状态监测
首先,利用S1所收集及处理的分析数据,精准把握乘客出行规律,将乘客出行特征加入到客流预测模型中,并在实时获取的AFC、视频数据的处理基础上,对预测模型不断更新迭代,以获取更加准确的预测数据;其次在孪生数据、仿真数据及实时数据的加持下,对已进站和未进站乘客的线网分布状态更新,实现在不同状态下的客流实际状况的准确反馈。
在所述步骤S3中,针对当前时间已进入地铁站的乘客个体目的地预测中,依据实时获取的AFC数据中的乘客ID、站点ID、进站时间获取在该站点该乘客所对应的在该时间段内的所有历史时空规律特征矩阵;在获得该乘客的相应时空规律特征矩阵后,判断该矩阵是否存在;
若该时空特征矩阵存在,则判断该矩阵中的规律特征是否唯一,若此矩阵中的规律特征唯一,则可认为该乘客的本次出行遵循唯一特征要求,即可获得该乘客本次出行目的地;如该矩阵中出行规律特征不唯一,则通过蒙特卡洛方法获取与本次出行特征规则最为相似的特征要求,获取得到乘客本次出行目的地;
若该时空出行规律特征矩阵不存在,基于所得到的乘客进去该站点的其他特征下历史特征数据集获取其出行目的地集合,结合机器学习算法,如朴素贝叶斯算法,获取最符合乘客个体本次出行的目的地。
在所述步骤S5中,所构建或修正的客流行为模型包括客流行为模型及客流规则模型的构建。根据系统数据管理模块中的乘客个体出行行为规律、步骤S3中计算出的目的地及有效路径选择方法,建立或修正个体行为模型;如果被标记的站点为0,则建立客流行为分配模型,并利用S1实时采集的数据及时更新、修正该模型,确保模型的准确性;如果被标记的站点为1,则将提取的该站点客流行为数据输入站点孪生模型,修正客流行为模型;客流规则模型的构建依据于客流所受外部因素,如正常天气、极端天气、节假日、重大活动、突发事件等因素下的客流的出行规则;
在所述步骤S5中,在模型的运行过程中会产生客流仿真数据、模型运行规则数据及物理实体的孪生数据等,将这些数据存储到系统数据管理模块中,并对客流预测模型、目的地预测模型、客流分布状态预测等模块模型进行修正,以期获得更加准确的预测模型。
综上,如图1所示方法实施的技术以AFC实时数据、AFC历史数据、站内视频分析数据、线网ID数据、站点环境数据等数据为输入,利用出行行为分析、数字孪生模型、机器学习算法等技术,实现基于数字孪生的线网客流分布状态预测,其中包含短时客流预测、目的地预测、站内客流仿真、个体行为分析、数字孪生模型连接等功能。
参照图2所示基于数字孪生模型的城市轨道交通线网客流分布预测方法及系统架构图,在系统构建过程中基础上设施包含大量客流数据处理、存储的Hadoop、Spark、Hive等基础大数据处理资源,同时包含数字孪生模型构建的Unity3D、SketchUp等建模资源;数据采集的过程中包括大量的客流数据、线路数据、站内参数等大量结构化及非结构数据,这里通过大数据处理技术对这些繁杂数据做分类处理及归集整理存储;存储的数据库中,包括孪生模型仿真的客流数据、经处理后的实际物理系统数据、模型运行过程中所产生的附加数据等;在本发明方法的实施过程中涉及的技术包括数字孪生建模技术,实现数据处理、短时客流预测、目的地选择等的机器学习算法;以上技术及数据处理资源服务于本发明系统中线网客流仿真、客流分布预测、数据管理、客流监测等功能,实现基于当前时间已进站及未进站客流的线网分布状态预测。
尽管在上文中参考特定的实施例对本发明进行了描述,但是所属领域技术人员应当理解,在本发明公开的原理和范围内,可以针对本发明公开的配置和细节做出许多修改。本发明的保护范围由所附的权利要求来确定,并且权利要求意在涵盖权利要求中技术特征的等同物文字意义或范围所包含的全部修改。
Claims (10)
1.一种基于数字孪生模型的城市轨道交通线网客流分布预测方法及系统其特征在于,所述如下步骤:
步骤S1:建立物理城市轨道交通系统与本发明系统的数据传输接口,获取实时、历史AFC数据、线网参数、站点参数相关数据;
步骤S2:依据所获取的AFC数据,分析乘客个体出行地ID、出行时间、目的地ID、到达时间、出行频率等参数,分析得到乘客个体在城市轨道交通系统中的出行特征规律;
步骤S3:利用城市轨道交通系统中的乘客历史AFC数据,统计分析历史客流量数据,对进站短时客流预测,对已进站和未进站乘客判断,并对已进站和未进站乘客预测目的地;
步骤S4:设计本发明系统与城市轨道交通系统数字孪生模型参数接口以实现本系统与城市轨道交通系统数字孪生模型参数传递;
步骤S5:依据乘客个体行为分析特征,构建或修正客流个体行为模型,并将此模型连接到城市轨道交通数字孪生模型中;
步骤S6:以客流数据与客流个体行为模型为基础,在城市轨道交通系统数字孪生模型中仿真客流分布状态。
2.如权利要求1所述的方法,其特征在于:所述步骤S2乘客个体特征行为分析包括对乘客历史数据处理,统计乘客个体出行规律,实现个体出行的时间、空间特征信息提取,并对提取的特征信息聚类处理,获取得到乘客个体历史是时空特征数据集。
3.如权利要求1所述的方法,其特征在于:所述步骤S3包括利用确定车站的AFC数据,对客流状况进行分析,采用随机森林算法预测该站点的短时进站客流数据。
4.如权利要求3所述的方法,其特征在于:所述步骤S3包括利用出行特征数据匹配乘客目的地,确定乘客本次出行的目的地;基于乘客进入该站点的时间获取乘客的出行特征规律矩阵,在特征唯一、不唯一、无匹配情况下,选择不同目的地的预测算法获取乘客个体出行目的地。
5.如权利要求3所述的方法,其特征在于:所述步骤S3包括基于短时客流预测数据,获取乘客进站时间分布函数,预测乘客个体进站具体时间;基于乘客个体进站时间,刻画乘客个体站内行为特征。
6.如权利要求1所述的方法,其特征在于:所述步骤S4包括连接城市轨道交通系统数字孪生模型,依据客流预测站点参数匹配不同站点、线路数字孪生模型。
7.如权利要求1所述的方法,其特征在于:所述步骤S5包括利用乘客个体行为习惯规则,在所获取的数字孪生模型中实现乘客个体行为建模,实现对不同站点、线路等数字孪生模型中,客流规则模型、行为模型等的建立或修正。
8.如权利要求1所述的方法,其特征在于:所述步骤S6包括利用AFC数据挖掘所得的乘客个体行为特征数据及网络传输技术,输送给轨道交通数字孪生模型系统不同站点、线路乘客行为模型构建所需要的数据;基于所构建的个体行为模型,在不同站点、线路中模拟仿真客流个体的分布状态;集成不同站点、线路数字孪生模型中的客流个体分布状态于城市轨道交通数字孪生系统,用于直观全局显示给交通管理人员。
9.一种基于数字孪生模型的城市轨道交通线网客流分布预测系统,其特征在于:包括多源数据采集管理模块、短时客流预测模块、线网客流仿真模块、城市轨道交通系统数字孪生模型接口模块,
所述多源数据采集管理模块,用于为分析个体行为、短时客流预测、目的地预测、孪生模型建立、线网分布状态预测提供数据源;
所述短时客流预测模块,用于实现不同时间段内进站客流预测及客流进站时间分布预测;
所述目的地预测模块,用于实现乘客个体前往不同目的地的预测,基于个体行为分析数据提取出行路径可行解,实现不同特征条件下的个体目的地选择;
所述线网客流仿真模块,用于实现已进站及未进站乘客在站内的流向,并收集仿真数据;
所述城市轨道交通系统数字孪生模型接口模块,用于实现不同车站的车站ID、线路信息匹配,连接不同站点及线路的数字孪生模型、用于实现单个数字孪生模型运行;实现实时建立、修正模型中不同站点客流行为模型,为有效实现客流仿真、分布状态预测提供模型支持;
所述线网客流分布状态预测模块,用于实现客流在不同站点的分布状态及全局展现客流在线网的来向、去向及当前所处的位置。
10.如权利要求1所述的基于数字孪生模型的城市轨道交通线网客流分布预测系统,其特征在于:所述多源数据采集管理模块接入城市轨道交通系统中的实时进站AFC数据、历史进站AFC数据、线网基础数据、不同站点ID数据、列车调度策略数据等并对数据进行清洗、标准化处理、存入系统数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210616759.7A CN115018148A (zh) | 2022-06-01 | 2022-06-01 | 一种基于数字孪生模型的城市轨道交通线网客流分布预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210616759.7A CN115018148A (zh) | 2022-06-01 | 2022-06-01 | 一种基于数字孪生模型的城市轨道交通线网客流分布预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115018148A true CN115018148A (zh) | 2022-09-06 |
Family
ID=83071727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210616759.7A Pending CN115018148A (zh) | 2022-06-01 | 2022-06-01 | 一种基于数字孪生模型的城市轨道交通线网客流分布预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115018148A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115472018A (zh) * | 2022-10-28 | 2022-12-13 | 广州地铁集团有限公司 | 一种基于行车分析及客流预测的城轨仿真推演方法 |
CN115545360A (zh) * | 2022-12-01 | 2022-12-30 | 北京交研智慧科技有限公司 | 基于孪生场景的客流出行预测的处理方法和系统 |
CN115810271A (zh) * | 2023-02-07 | 2023-03-17 | 安徽交欣科技股份有限公司 | 一种基于刷卡数据判断客流走廊位置的方法 |
CN116702520A (zh) * | 2023-08-07 | 2023-09-05 | 北京交通发展研究院 | 一种乘客的轨道交通出行情况仿真方法及装置 |
CN116778739A (zh) * | 2023-06-20 | 2023-09-19 | 深圳市中车智联科技有限公司 | 一种基于需求响应的公共交通调度方法和系统 |
-
2022
- 2022-06-01 CN CN202210616759.7A patent/CN115018148A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115472018A (zh) * | 2022-10-28 | 2022-12-13 | 广州地铁集团有限公司 | 一种基于行车分析及客流预测的城轨仿真推演方法 |
CN115472018B (zh) * | 2022-10-28 | 2023-12-29 | 广州地铁集团有限公司 | 一种基于行车分析及客流预测的城轨仿真推演方法 |
CN115545360A (zh) * | 2022-12-01 | 2022-12-30 | 北京交研智慧科技有限公司 | 基于孪生场景的客流出行预测的处理方法和系统 |
CN115810271A (zh) * | 2023-02-07 | 2023-03-17 | 安徽交欣科技股份有限公司 | 一种基于刷卡数据判断客流走廊位置的方法 |
CN116778739A (zh) * | 2023-06-20 | 2023-09-19 | 深圳市中车智联科技有限公司 | 一种基于需求响应的公共交通调度方法和系统 |
CN116702520A (zh) * | 2023-08-07 | 2023-09-05 | 北京交通发展研究院 | 一种乘客的轨道交通出行情况仿真方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115018148A (zh) | 一种基于数字孪生模型的城市轨道交通线网客流分布预测方法及系统 | |
Rudskoy et al. | Digital twins in the intelligent transport systems | |
CN108242149B (zh) | 一种基于交通数据的大数据分析方法 | |
Toqué et al. | Forecasting dynamic public transport origin-destination matrices with long-short term memory recurrent neural networks | |
Wilson et al. | Schedule-based dynamic transit modeling: theory and applications | |
CN102521965B (zh) | 基于车牌识别数据的交通需求管理措施效果评价方法 | |
Li et al. | Near-term train delay prediction in the Dutch railways network | |
Botte et al. | Dispatching and rescheduling tasks and their interactions with travel demand and the energy domain: Models and algorithms | |
Barabino et al. | An offline framework for the diagnosis of time reliability by automatic vehicle location data | |
CN109272175A (zh) | 一种基于城市流动网络的数据采集系统及方法 | |
CN113177377A (zh) | 一种基于数字孪生的智慧城市轨道交通线网管理系统 | |
CN105404934B (zh) | 一种基于条件随机场的城市人口移动数据模型分析方法 | |
Yang et al. | Statistical delay distribution analysis on high-speed railway trains | |
CN110555551B (zh) | 一种智慧城市的空气质量大数据管理方法及系统 | |
Othman et al. | Machine learning aided simulation of public transport utilization | |
CN115860594A (zh) | 一种应用于智能公交排班调度的仿真系统及方法 | |
Li et al. | Using smart card data trimmed by train schedule to analyze metro passenger route choice with synchronous clustering | |
CN109118412B (zh) | 城市轨道交通网络客流在线控制系统 | |
CN109409563B (zh) | 一种公交运营车辆实时人数的分析方法、系统和存储介质 | |
Liu et al. | Understanding urban bus travel time: Statistical analysis and a deep learning prediction | |
CN114298493A (zh) | 一种公路运行监测系统、方法、终端及存储介质 | |
CN116128160B (zh) | 一种铁路车站高峰客流预测方法、系统及设备和介质 | |
Mou et al. | Predictive model of train delays in a railway system | |
Ghasedi et al. | Robust optimization of bus stop placement based on dynamic demand using meta heuristic approaches: a case study in a developing country | |
Grandhi et al. | An estimation framework to quantify railway disruption parameters |
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 |