CN115130719B - 用于城轨路网的新线开通路网客流预测方法及系统 - Google Patents
用于城轨路网的新线开通路网客流预测方法及系统 Download PDFInfo
- Publication number
- CN115130719B CN115130719B CN202210409231.2A CN202210409231A CN115130719B CN 115130719 B CN115130719 B CN 115130719B CN 202210409231 A CN202210409231 A CN 202210409231A CN 115130719 B CN115130719 B CN 115130719B
- Authority
- CN
- China
- Prior art keywords
- similarity
- passenger flow
- opening
- new line
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 95
- 238000012546 transfer Methods 0.000 claims abstract description 24
- 238000013523 data management Methods 0.000 claims abstract description 22
- 230000002093 peripheral effect Effects 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012800 visualization Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 238000013439 planning Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 4
- 230000000630 rising effect Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000007726 management method Methods 0.000 abstract description 2
- 230000008520 organization Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 17
- 238000011835 investigation Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000005484 gravity Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000000547 structure data Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012706 support-vector machine 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
- G06Q10/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种用于城轨路网的新线开通路网客流预测方法及系统，属于城市轨道交通运营管理技术领域，包括新线开通客流预测服务器、出行发生吸引计算服务器、空间相似度计算服务器、数据管理服务器。空间相似度计算服务器，调用数据管理服务器的路网结构、POI数据、交通状况、土地进行车站、区间和OD相似度计算；出行发生吸引计算服务器计算开通影响的空间、趋势以及出行的发生吸引；新线开通客流预测服务器，根据既有运力和开通新线不同运力等级，对出行的发生和吸引在路网上进行客流虚拟分配，统计获得新线开通初期的进站、出站、断面量以及换乘量预测结果。本发明能够为城市轨道交通路网的新线开通的客流预测与客运组织提供技术支持。
Description
技术领域
本发明涉及城市轨道交通运营管理技术领域，具体涉及一种适用于大规模城轨路网的新线开通路网客流预测方法及系统。
背景技术
城市轨道交通是重要的城市公共交通出行方式，因城市建设发展和居民出行需求，城市轨道交通路网不断建设扩大，新线开通在各大城市轨道交通运营城市经常发生。新线开通前对客流进行预测，是新线运力配置和既有线运力调整的重要依据。
因为缺少开通线路的历史客流，准确的新线开通初期客流预测相对成长期的客流预测具有更大难度。在已有的研究中一般采用大量的客流调查、客流分析，常采用基于土地利用性质的车站聚类、重力模型，进一步根据出行选择模型进行客流分配方法，进行新线开通客流预测。
但对于大规模路网，几百个车站的客流调查工作量不但工作量巨大，缺少可行性；聚类数据来源单一，重力模型拟合不具有泛化能力，客流分配对出行选择模型的要求高，因此容易因为调查缺失或调查误差对新线开通客流预测产生大的误差。
发明内容
本发明的目的在于提供一种适用于大规模城轨路网的新线开通路网客流预测方法及系统，以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的，本发明采取了如下技术方案：
一方面，本发明提供一种用于城轨路网的新线开通路网客流预测方法，包括：
调用数据管理服务器的路网结构、周边交通、周边POI和客流数据进行车站、区间、OD对和开通线路相似度计算；
根据相似度结果计算线路开通影响的空间、趋势以及出行的发生吸引量；
根据出行的发生吸引量，在新路网上进行客流虚拟分配获得出站客流量、断面以及换乘预测结果。
第二方面，本发明提供一种用于城轨路网的新线开通路网客流预测系统，包括：
空间相似度计算服务器，用于调用数据管理服务器的路网结构、周边交通、周边POI和客流数据进行车站、区间、OD对和开通线路相似度计算；
出行发生吸引计算服务器，用于根据相似度结果计算线路开通影响的空间、趋势以及出行的发生吸引量；
新线开通客流预测服务器，用于根据出行的发生吸引量，在新路网上进行客流虚拟分配获得出站客流量、断面以及换乘预测结果。
优选的，还包括：数据管理服务器，用于进行路网的既有和未来结构、周边交通、周边POI、历史客流以及预测客流数据的管理。
优选的，所述路网空间相似度计算服务器包括：
车站相似度计算单元，用于根据周边小区、公交密度、日常高峰路况、所在区域位置、在线路中位置、周边地铁站数量以及土地规划类别，进行相似度计算，其中，对于新线车站不考虑进出站客流量；
区间相似度计算单元，用于根据关联车站类别的隶属度、区间长度、区间在线路的位置进行相似度计算；
OD相似度计算单元，用于根据车站和区间相似度计算的各维度信息，以及OD的最短路径的行程特点，如距离、换乘次数，进行OD相似度计算；
开通线路相似度计算单元，用于根据开通车站和区间的相似度计算的各维度信息，以及开通线路类型，进行线路的局部相似度计算。
优选的，所述出行发生吸引计算服务器包括：
开通影响空间计算单元，用于根据开通前后相似度计算结果，将开通前后相似度结果变化超过阈值的既有线车站、区间、OD作为受影响空间；
开通影响趋势计算单元，用于根据开通线路的相似度结果，统计与未来开通线路相似的线路历史上在开通初期的客流上升或下降趋势；
出行发生吸引计算单元，用于根据开通影响空间、开通季节、影响趋势计算，以及OD相似度计算结果，对既有线路受影响车站以及新开通线路车站作为OD对，进行客流发生和吸引进行更新，获得OD量的预测。
优选的，所述新线开通客流预测服务器包括：
客流虚拟分配单元，用于对涉及既有线和新线的OD构建出行选择混合模型，并根据出行发生吸引计算的OD预测结果，在虚拟的开通后路网上，在运力约束下，进行客流重新分配；
综合预测单元，用于根据出行的发生和吸引结果，统计获得新线开通初期的进站客流量，结合可供给的不同等级的运力，进行客流虚拟分配结果，获得出站、断面以及换乘预测结果；
预测可视化单元，用于根据用户的基本设置，将预测的结果进行可视化展示。
第三方面，本发明提供一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如上所述的用于城轨路网的新线开通路网客流预测方法。
第四方面，本发明提供一种电子设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如上所述的用于城轨路网的新线开通路网客流预测方法。
第五方面，本发明提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的用于城轨路网的新线开通路网客流预测方法。
本发明有益效果：利用POI和交通路况、政策规划相结合的方式替代土地利用性质的调查，利用车站相似度、区间相似度、OD相似度、线路相似度计算为基础，利用机器学习的方法替代重力模型进行OD估计，基于既有线和新线的混合出行选择模型，进行客流虚拟分配，预测开通后的进出站、断面和换乘量，为城市轨道交通路网的新线开通的客流预测与客运组织提供了技术支持。
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为本发明实施例所述的新线开通路网客流预测系统的结构图。
图2为本发明实施例所述的新线开通路网客流预测可视化示意图。
图3为本发明实施例所述的车站相似度计算示例图。
图4为本发明实施例所述的区间相似度计算示例图。
图5为本发明实施例所述的OD相似度计算示例图。
图6为本发明实施例所述的开通线路相似度计算示例图；
图7为本发明实施例所述的开通影响空间流程示例图
图8为本发明实施例所述的OD估计方法示意图。
图9为本发明实施例所述的客流虚拟分配流程图。
具体实施方式
下面详细叙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。
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、元件和/或它们的组。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
实施例 1
本实施例1中，提供一种用于城轨路网的新线开通路网客流预测系统，该系统包括：
空间相似度计算服务器，用于调用数据管理服务器的路网结构、周边交通、周边POI和客流数据进行车站、区间、OD对和开通线路相似度计算；
出行发生吸引计算服务器，用于根据相似度结果计算线路开通影响的空间、趋势以及出行的发生吸引量；
新线开通客流预测服务器，用于根据出行的发生吸引量，在新路网上进行客流虚拟分配获得出站客流量、断面以及换乘预测结果。
所述系统，还包括：数据管理服务器，用于进行路网的既有和未来结构、周边交通、周边POI、历史客流以及预测客流数据的管理。
其中，所述路网空间相似度计算服务器包括：
车站相似度计算单元，用于根据周边小区、公交密度、日常高峰路况、所在区域位置、在线路中位置、周边地铁站数量以及土地规划类别，进行相似度计算，其中，对于新线车站不考虑进出站客流量；
区间相似度计算单元，用于根据关联车站类别的隶属度、区间长度、区间在线路的位置进行相似度计算；
OD相似度计算单元，用于根据车站和区间相似度计算的各维度信息，以及OD的最短路径的行程特点，如距离、换乘次数，进行OD相似度计算；
开通线路相似度计算单元，用于根据开通车站和区间的相似度计算的各维度信息，以及开通线路类型，进行线路的局部相似度计算。
所述出行发生吸引计算服务器包括：
开通影响空间计算单元，用于根据开通前后相似度计算结果，将开通前后相似度结果变化超过阈值的既有线车站、区间、OD作为受影响空间；
开通影响趋势计算单元，用于根据开通线路的相似度结果，统计与未来开通线路相似的线路历史上在开通初期的客流上升或下降趋势；
出行发生吸引计算单元，用于根据开通影响空间、开通季节、影响趋势计算，以及OD相似度计算结果，对既有线路受影响车站以及新开通线路车站作为OD对，进行客流发生和吸引进行更新，获得OD量的预测。
所述新线开通客流预测服务器包括：
客流虚拟分配单元，用于对涉及既有线和新线的OD构建出行选择混合模型，并根据出行发生吸引计算的OD预测结果，在虚拟的开通后路网上，在运力约束下，进行客流重新分配；
综合预测单元，用于根据出行的发生和吸引结果，统计获得新线开通初期的进站客流量，结合可供给的不同等级的运力，进行客流虚拟分配结果，获得出站、断面以及换乘预测结果；
预测可视化单元，用于根据用户的基本设置，将预测的结果进行可视化展示。
本实施例1中，利用上述的系统实现了适用于大规模城轨路网的新线开通路网客流预测方法，该方法利用POI和交通路况、政策规划相结合的方式替代土地利用性质的调查，利用车站相似度、区间相似度、OD相似度、线路相似度计算为基础，利用机器学习的方法替代重力模型进行OD估计，基于既有线和新线的混合出行选择模型，进行客流虚拟分配，预测开通后的进出站、断面和换乘量。
具体的，实现用于城轨路网的新线开通路网客流预测方法，包括：
调用数据管理服务器的路网结构、周边交通、周边POI和客流数据进行车站、区间、OD对和开通线路相似度计算；根据相似度结果计算线路开通影响的空间、趋势以及出行的发生吸引量；根据出行的发生吸引量，在新路网上进行客流虚拟分配获得出站客流量、断面以及换乘预测结果。
实施例 2
本发明实施例2提供的城市轨道交通新线开通路网客流预测系统，系统的结构图如图1所示，包括：空间相似度计算服务器、出行发生吸引计算服务器、新线开通客流预测服务器、数据管理服务器；
所述空间相似度计算服务器，调用数据管理服务器的路网结构、周边交通、周边POI和客流数据进行车站、区间和线路相似度计算；
所述出行发生吸引计算服务器，根据相似度结果计算开通影响的空间、趋势以及出行的发生吸引；
所述新线开通客流预测服务器，根据出行的发生，统计获得新线开通初期的进站，在新路网上进行客流重、虚拟分配获得出站客流量、断面以及换乘基本预测结果；
所述的数据管理服务器，进行路网的既有和未来结构、周边交通、周边POI和历史以及预测客流数据的管理。
优选地所述路网空间相似度计算服务器包括：车站相似度计算单元、区间相似度计算单元、OD相似度计算单元、开通线路相似度计算单元；
其中，所述车站相似度计算单元，根据周边小区、公交密度、日常高峰路况、所在区域位置、在线路中位置、周边地铁站数量以及进出站客流量进行相似度计算；区间相似度计算单元，根据关联车站类别的隶属度、区间距离进行相似度计算；OD相似度计算单元，根据车站和区间相似度计算的各维度信息，以及OD的行程特点，如距离、换乘次数，进行OD相似度计算；开通线路相似度计算单元，根据开通车站和区间的相似度计算的各维度信息，进行线路的局部相似度计算。
出行发生吸引计算服务器包括：开通影响空间计算单元 开通影响趋势计算单元出行发生吸引计算单元；
其中，开通影响空间计算单元，根据开通前后相似度计算结果，对开通前后相似度结果变化超过阈值的既有线车站、区间、OD作为受影响空间；开通影响趋势计算单元，根据开通线路的相似度结果，统计与未来开通线路相似的线路历史上在开通初期的客流上升或下降趋势；出行发生吸引计算单元，根据开通影响空间、开通季节、影响趋势计算，以及OD相似度计算结果，对既有线受影响车站的以及新开通线路车站作为OD的，进行客流发生和吸引进行更新，利用机器学习如支持向量机或神经网络，获得OD量的预测。
新线开通客流预测服务器包括：客流虚拟分配单元 综合预测单元 预测可视化单元；
其中，客流虚拟分配单元，对涉及既有线和新线的OD构建出行选择混合模型，并根据出行发生吸引计算的OD预测结果，在虚拟的开通后路网上，在虚拟约束下，进行客流重新分配；综合预测单元，根据出行的发生和吸引结果，统计获得新线开通初期的进站客流量，结合可供给的不同等级的运力，进行客流虚拟分配结果，获得出站、断面以及换乘预测结果；预测可视化单元，根据用户的基本设置，将预测的结果进行可视化展示。
数据管理服务器，存储路网结构数据、周边交通数据、周边POI数据、历史客流数据、预测客流数据，并对这些数据进行管理。
本实施例2中，新线开通路网客流预测可视化单元的结构如图2所示，包括四个模块，分别为新线路介绍模块、新修线路指标曲线统计图模块、影响线路指标柱形统计图模块和城市轨道交通路网图模块。各个模块显示的内容及具有的功能见下表1。
表1新线开通路网客流预测可视化单元模块功能
| 序号 | 模块内容 | 响应服务 | 相关模块 |
| 1 | 新线路基本信息 | 数据管理服务器 | 路网结构数据单元 |
| 2 | 新修线路指标曲线统计图 | 数据管理服务器 | 预测客流数据单元 |
| 3 | 影响线路指标柱形统计图 | 数据管理服务器 | 预测客流数据单元 |
| 4 | 城市轨道交通路网图 | 数据管理服务器 | 路网结构数据单元 |
本实施例2中，车站相似度计算示例如图3所示，其中，车站相似度计算的维度包括：车站周边一公里内的住宅小区、公司企业、医疗服务设施、科研教育场所、风景名胜、公交站点、周边地铁站数量及站点周边路况、所在线路中的位置、所在区域、周边土地规划类别。相似度计算的公式如下：
本实施例2中，区间相似度计算示例如图4所示，其中，区间相似度计算的维度包括：区间长度与区间所在线路位置、区间关联O站和D站对各类别的隶属程度，区间相似度计算形式同车站相似度。
本实施例2中，OD相似度计算示例如图5所示，其中，OD相似度计算的维度包括：O点车站与D点车站的各维度信息，途径最短路径的距离、换乘次数，OD相似度计算形式同车站相似度。
本实施例2中，开通线路相似度计算示例如图6所示，其中，开通线路相似度计算的维度包括：开通线路类型（新开、延长、贯通）、开通线路车站与区间的各维度信息，开通线路相似度计算形式同车站相似度，对于开通线路车站数量比较多的情况下，对线路进行划分，进行局部相似度计算。
本实施例2中，开通影响空间计算流程如图7所示，车站和区间分别计算开通前后的相似度，提取相似度在阈值范围内的车站与区间集合，开通前后的车站集合分别为和，开通前后的区间集合分别为/>和/>，计算集合元素差异比例/>和/>，如果差异比例超过阈值/>，则加入到受开通影响空间集合X中。
本实施例2中，OD估计方法如图8所示，根据开通影响空间和新线车站，确定受影响OD集合；根据季节、OD相似度的各维度以及相似度排前m个的OD流量作为输入，以OD参考预测量作为输出，使用历史OD作为训练数据进行神经网络训练；并以历史OD参考预测和历史开通趋势作为输入，以实际开通后的OD作为输出，训练SVR；以新线开通的季节、OD相似度及相似流量作为神经网络输入，获得开通OD参考预测量，以开通OD参考预测和新线开通OD参考预测作为输入，使用SVR获得OD量的预测。
本实施例2中，客流虚拟分配流程如图9所示，根据历史数据，构建网络各OD的路径集合；将客流分为OD在既有线不途经新线、OD在既有线途经新线、从新线出发、到达新线四类乘客，分别拟合logit出行选择模型参数；根据预测的OD数量及其类别，在虚拟的开通后路网上，及运力约束下，进行客流重新分配。
综上所述，本实施例所述的城市轨道交通新线开通路网客流预测系统，利用POI和交通路况、政策规划相结合的方式替代土地利用性质的调查，利用车站相似度、区间相似度、OD相似度、线路相似度计算为基础，利用机器学习的方法替代重力模型进行OD估计，基于既有线和新线的混合出行选择模型，进行客流虚拟分配，预测开通后的进出站、断面和换乘量。
实施例 3
本发明实施例3提供一种电子设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行用于城轨路网的新线开通路网客流预测方法，该方法包括如下流程步骤：
调用数据管理服务器的路网结构、周边交通、周边POI和客流数据进行车站、区间、OD对和开通线路相似度计算；
根据相似度结果计算线路开通影响的空间、趋势以及出行的发生吸引量；
根据出行的发生吸引量，在新路网上进行客流虚拟分配获得出站客流量、断面以及换乘预测结果。
实施例 4
本发明实施例4提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现用于城轨路网的新线开通路网客流预测方法，该方法包括如下流程步骤：
调用数据管理服务器的路网结构、周边交通、周边POI和客流数据进行车站、区间、OD对和开通线路相似度计算；
根据相似度结果计算线路开通影响的空间、趋势以及出行的发生吸引量；
根据出行的发生吸引量，在新路网上进行客流虚拟分配获得出站客流量、断面以及换乘预测结果。
实施例 5
本发明实施例5提供一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行用于城轨路网的新线开通路网客流预测方法，该方法包括如下步骤：
调用数据管理服务器的路网结构、周边交通、周边POI和客流数据进行车站、区间、OD对和开通线路相似度计算；
根据相似度结果计算线路开通影响的空间、趋势以及出行的发生吸引量；
根据出行的发生吸引量，在新路网上进行客流虚拟分配获得出站客流量、断面以及换乘预测结果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种用于城轨路网的新线开通路网客流预测系统，其特征在于，包括：
空间相似度计算服务器，用于调用数据管理服务器的路网结构、周边交通、周边POI和客流数据进行车站、区间、OD对和开通线路相似度计算；
出行发生吸引计算服务器，用于根据相似度结果计算线路开通影响的空间、趋势以及出行的发生吸引量；
新线开通客流预测服务器，用于根据出行的发生吸引量，在新路网上进行客流虚拟分配获得出站客流量、断面以及换乘预测结果；
其中，空间相似度计算服务器包括：OD 相似度计算单元，用于根据车站相似度和区间相似度计算的各维度信息以及 OD 的最短路径的行程特点，进行 OD 相似度计算；开通线路相似度计算单元，用于根据开通车站相似度和区间的相似度计算的各维度信息以及开通线路类型，进行线路的局部相似度计算；
还包括：数据管理服务器，用于进行路网的既有和未来结构、周边交通、周边POI、历史客流以及预测客流数据的管理；
所述空间相似度计算服务器包括：
车站相似度计算单元，用于根据周边小区、公交密度、日常高峰路况、所在区域位置、在线路中位置、周边地铁站数量以及土地规划类别，进行相似度计算，其中，对于新线车站不考虑进出站客流量；
区间相似度计算单元，用于根据关联车站类别的隶属度、区间长度、区间在线路的位置进行相似度计算；
OD相似度计算单元，用于根据车站和区间相似度计算的各维度信息，以及OD的最短路径的行程特点，OD的最短路径的行程特点包括距离、换乘次数，进行OD相似度计算；
开通线路相似度计算单元，用于根据开通车站和区间的相似度计算的各维度信息，以及开通线路类型，进行线路的局部相似度计算；
所述出行发生吸引计算服务器包括：
开通影响空间计算单元，用于根据开通前后相似度计算结果，将开通前后相似度结果变化超过阈值的既有线车站、区间、OD作为受影响空间；
开通影响趋势计算单元，用于根据开通线路的相似度结果，统计与新开通线路相似的线路历史上在开通初期的客流上升或下降趋势；
出行发生吸引计算单元，用于根据开通影响空间、开通季节、影响趋势计算，以及OD相似度计算结果，对既有线路受影响车站以及新开通线路车站作为OD对，进行出行的发生吸引量更新，获得OD量的预测；
所述新线开通客流预测服务器包括：
客流虚拟分配单元，用于对涉及既有线和新线的OD构建出行选择混合模型，并根据出行发生吸引计算单元计算的OD量的预测结果，在虚拟的开通后路网上，在运力约束下，进行客流重新分配；
综合预测单元，用于根据出行的发生和吸引结果，统计获得新线开通初期的进站客流量，结合可供给的不同等级的运力，进行客流虚拟分配结果，获得出站、断面以及换乘预测结果；
预测可视化单元，用于根据用户的基本设置，将预测的结果进行可视化展示。
2.一种基于如权利要求1所述的用于城轨路网的新线开通路网客流预测系统的用于城轨路网的新线开通路网客流预测方法，其特征在于，包括：
调用数据管理服务器的路网结构、周边交通、周边POI和客流数据进行车站、区间、OD对和开通线路相似度计算；
根据相似度结果计算线路开通影响的空间、趋势以及出行的发生吸引量；
根据出行的发生吸引量，在新路网上进行客流虚拟分配获得出站客流量、断面以及换乘预测结果；
其中，分别进行车站相似度、区间相似度、OD 相似度、开通线路相似度计算；根据车站相似度和区间相似度计算的各维度信息以及 OD 的最短路径的行程特点，进行 OD 相似度计算；根据开通车站相似度和区间相似度计算的各维度信息以及开通线路类型，进行线路的局部相似度计算；计算开通影响空间、开通影响趋势、出行发生吸引量，获得 OD 量的预测，对涉及既有线和新线的 OD 构建出行选择混合模型，并根据计算的 OD 量的预测结果，在虚拟的开通后路网上，在运力约束下，进行客流重新分配，根据出行的发生和吸引结果，统计获得新线开通初期的进站客流量，结合可供给的不同等级的运力，进行客流虚拟分配结果，获得出站、断面以及换乘预测结果。
3.一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如权利要求2所述的用于城轨路网的新线开通路网客流预测方法。
4.一种电子设备，其特征在于，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如权利要求2所述的用于城轨路网的新线开通路网客流预测方法。
5.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求2所述的用于城轨路网的新线开通路网客流预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210409231.2A CN115130719B (zh) | 2022-04-19 | 2022-04-19 | 用于城轨路网的新线开通路网客流预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210409231.2A CN115130719B (zh) | 2022-04-19 | 2022-04-19 | 用于城轨路网的新线开通路网客流预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115130719A CN115130719A (zh) | 2022-09-30 |
| CN115130719B true CN115130719B (zh) | 2023-09-22 |
Family
ID=83376159
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210409231.2A Active CN115130719B (zh) | 2022-04-19 | 2022-04-19 | 用于城轨路网的新线开通路网客流预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115130719B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103208033A (zh) * | 2013-03-22 | 2013-07-17 | 北京交通大学 | 一种成网条件下城市轨道交通新线接入客流预测方法 |
| CN104217250A (zh) * | 2014-08-07 | 2014-12-17 | 北京市交通信息中心 | 一种基于历史数据的城市轨道交通新线开通客流预测方法 |
| CN108564790A (zh) * | 2018-06-12 | 2018-09-21 | 国交空间信息技术（北京）有限公司 | 一种基于交通流时空相似性的城市短时交通流预测方法 |
| CN109767622A (zh) * | 2019-02-14 | 2019-05-17 | 重庆邮电大学 | 面向卡口相似性划分和循环神经网络的交通流量预测方法 |
| CN113160602A (zh) * | 2021-04-27 | 2021-07-23 | 华录智达科技股份有限公司 | 一种智能公交调度模拟系统 |
| CN113537596A (zh) * | 2021-07-16 | 2021-10-22 | 南京理工大学 | 一种城市轨道交通新线站点短时客流预测方法 |
| CN113723659A (zh) * | 2021-06-22 | 2021-11-30 | 北京交通大学 | 一种城市轨道交通全场景客流预测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214584B (zh) * | 2018-09-21 | 2022-02-08 | 北京百度网讯科技有限公司 | 用于预测客流量的方法和装置 |
-
2022
- 2022-04-19 CN CN202210409231.2A patent/CN115130719B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103208033A (zh) * | 2013-03-22 | 2013-07-17 | 北京交通大学 | 一种成网条件下城市轨道交通新线接入客流预测方法 |
| CN104217250A (zh) * | 2014-08-07 | 2014-12-17 | 北京市交通信息中心 | 一种基于历史数据的城市轨道交通新线开通客流预测方法 |
| CN108564790A (zh) * | 2018-06-12 | 2018-09-21 | 国交空间信息技术（北京）有限公司 | 一种基于交通流时空相似性的城市短时交通流预测方法 |
| CN109767622A (zh) * | 2019-02-14 | 2019-05-17 | 重庆邮电大学 | 面向卡口相似性划分和循环神经网络的交通流量预测方法 |
| CN113160602A (zh) * | 2021-04-27 | 2021-07-23 | 华录智达科技股份有限公司 | 一种智能公交调度模拟系统 |
| CN113723659A (zh) * | 2021-06-22 | 2021-11-30 | 北京交通大学 | 一种城市轨道交通全场景客流预测方法及系统 |
| CN113537596A (zh) * | 2021-07-16 | 2021-10-22 | 南京理工大学 | 一种城市轨道交通新线站点短时客流预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115130719A (zh) | 2022-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107766969B (zh) | 一种基于地铁服务能力瓶颈区段识别的大站快线布设方法 | |
| CN103310287A (zh) | 基于svm预测乘客出行概率的轨道交通客流预测方法 | |
| Khoo et al. | A bi-objective optimization approach for exclusive bus lane selection and scheduling design | |
| CN104484514B (zh) | 一种规避拥堵路段的弹性公交线路设计方法 | |
| CN104616076A (zh) | 一种城市轨道交通多线协同运营方案的优化方法及系统 | |
| Ding et al. | Short turning pattern for relieving metro congestion during peak hours: the substance coherence of Shanghai, China | |
| CN103279669A (zh) | 一种城市轨道交通路网运输能力仿真计算方法和系统 | |
| CN105513356B (zh) | 一种基于轨迹追踪的od矩阵估计方法与系统 | |
| CN113327424B (zh) | 交通需求的预测方法、预测装置及电子设备 | |
| Yang et al. | Application of data science technologies in intelligent prediction of traffic congestion | |
| CN107527137A (zh) | 城市轨道交通网络成熟度确定方法 | |
| CN109325614B (zh) | 一种基于gis的汽车站选址方法 | |
| CN112884208A (zh) | 一种城市街区智能划分方法 | |
| CN114943484A (zh) | 一种轨道客流运能匹配方法及其电子设备及其存储介质 | |
| Liang et al. | Optimal holding time calculation algorithm to improve the reliability of high frequency bus route considering the bus capacity constraint | |
| Zou et al. | Research on assessment methods for urban public transport development in China | |
| Özgür-Cevher et al. | Evaluating the relation between station area design parameters and transit usage for urban rail systems in Ankara, Turkey | |
| CN112002127B (zh) | 轨道交通中站点重要性评估方法及装置 | |
| Ghasedi et al. | Robust optimization of bus stop placement based on dynamic demand using meta heuristic approaches: a case study in a developing country | |
| CN115130719B (zh) | 用于城轨路网的新线开通路网客流预测方法及系统 | |
| Tan et al. | Statistical analysis and prediction of regional bus passenger flows | |
| Musolino et al. | Freight Distribution in Urban Area: Estimating the Impact of Commercial Vehicles on Traffic Congestion | |
| Zhu et al. | Analyzing the impact of a planned transit-oriented development on mode share and traffic conditions | |
| Lin | Multi‐objective optimization of cordon sanitaire with vehicle waiting time constraint | |
| Yang et al. | The application of venue-side location-based social networking (VS-LBSN) data in dynamic origin-destination estimation |
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 |