CN115146840A - 一种基于数据驱动的轨道交通新线接入客流预测方法 - Google Patents

一种基于数据驱动的轨道交通新线接入客流预测方法 Download PDF

Info

Publication number
CN115146840A
CN115146840A CN202210723906.0A CN202210723906A CN115146840A CN 115146840 A CN115146840 A CN 115146840A CN 202210723906 A CN202210723906 A CN 202210723906A CN 115146840 A CN115146840 A CN 115146840A
Authority
CN
China
Prior art keywords
station
rail transit
data
passenger flow
predicting
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
Application number
CN202210723906.0A
Other languages
English (en)
Inventor
张宁
王占生
朱宁
王庆亮
谭琼亮
郭享
许常宜
乔立国
王道钢
李嘉雯
温龙辉
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.)
Suzhou Rail Transit Group Co ltd
Southeast University
Original Assignee
Suzhou Rail Transit Group Co ltd
Southeast 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 Suzhou Rail Transit Group Co ltd, Southeast University filed Critical Suzhou Rail Transit Group Co ltd
Priority to CN202210723906.0A priority Critical patent/CN115146840A/zh
Publication of CN115146840A publication Critical patent/CN115146840A/zh
Pending legal-status Critical Current

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
    • G06Q10/04—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • 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
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (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数据驱动的轨道交通新线接入客流预测方法，涉及轨道交通技术领域。一种基于数据驱动的轨道交通新线接入客流预测方法，所述预测方法包括如下步骤：S1：统计轨道交通全线网既有站点客流数据；S2：获取轨道交通全线网站点外部数据；S3：根据所述站点客流数据和站点外部数据，建立站点外部数据与站点客流数据之间的匹配关系模型；S4：根据所述匹配关系模型，预测新线接入后的轨道交通全线网站点客流。本发明在基于既有站点的历史数据的基础上，依据轨道交通客流规律的影响因素进行预测，从而具有更强的理论依据和较高的精度，在一定程度上避免了大量模型使用给预测结果带来的不利影响，有助于提高客流预测结果的准确度。

Description

一种基于数据驱动的轨道交通新线接入客流预测方法
技术领域
本发明涉及轨道交通技术领域，具体为一种基于数据驱动的轨道交通新线接入客流预测方法。
背景技术
城市轨道交通建设费用高、时间跨度大，难以一次性完成线网的建设，其发展过程通常伴随着新线的不断接入。而轨道交通新线接入客流预测是轨道交通项目规划、建设、可行性研究、招商运营等阶段评估的重要依据，帮助轨道交通项目在实施过程中体现必要性、可行性、经济性和最优性。准确的客流预测结果能够从宏观的角度反映客流成长规律，体现城市社会经济对居民出行的影响和作用，如何更好地进行城市轨道交通客流预测一直是相关部门关注的重点；同时，城市轨道交通客流预测工作有一定难度。城市轨道交通客流预测工作涉及范围广、客流影响因素多、不确定性大，使得客流规律和客流特征难以把握。
现阶段轨道交通客流预测“四阶段法”成为目前主流客流预测方法。由于四阶段法各阶段大多运用模型去研究出行规律，每阶段预测模型构建的简化性、主观性与客流规律的复杂性、客观性相矛盾。同时，模型参数的选取带有较大主观性，导致预测模型因使用者的意志而改变。从严格意义上说，传统四阶段法并不是完全针对于轨道交通客流预测的方法，其忽略了城市轨道交通客流预测自身特点，同时预测精度不理想。
发明内容
本发明的目的在于提供一种基于数据驱动的轨道交通新线接入客流预测方法，以解决上述背景技术中提出的在一定程度上避免大量模型使用给预测结果带来不利影响的问题。
为实现上述目的，本发明提供如下技术方案：一种基于数据驱动的轨道交通新线接入客流预测方法，所述预测方法包括如下步骤：
S1：统计轨道交通全线网既有站点客流数据；
S2：获取轨道交通全线网站点外部数据；
S3：根据所述站点客流数据和站点外部数据，建立站点外部数据与站点客流数据之间的匹配关系模型；
S4：根据所述匹配关系模型，预测新线接入后的轨道交通全线网站点客流。
更进一步地讲，在所述步骤S2中，获取所述轨道交通全线网站点外部数据，具体如下：
S2.1：确定轨道交通站点客流吸引范围；
S2.2：根据所述站点客流吸引范围，确定轨道交通站点的外部数据。
更进一步地讲，轨道交通站点客流吸引范围通过时间阈值和GIS技术进行确定，具体如下：
S2.1.1：确定轨道交通站点处步行及公交接驳时间的阈值；
S2.1.2：通过所述GIS技术模拟实际出行场景，并根据所述步行及公交接驳时间的阈值，获取轨道交通站点的客流直接吸引范围；
S2.1.3：通过所述GIS技术设计公交到达等时圈的获取方法，并根据所述步行及公交接驳时间的阈值，获取轨道交通站点的客流间接吸引范围。
更进一步地讲，所述轨道交通站点的外部数据包括有区域社会经济指标数据、土地利用情况数据、轨道交通线网建设水平数据和轨道交通站点接驳水平数据。
更进一步地讲，所述区域社会经济指标数据包括有人口规模数据、经济发展水平数据、就业就学数量数据，具体为：
所述人口规模数据为站点客流吸引范围内的居民数量；
所述经济发展水平数据为站点所在行政区划的人均可支配收入；
所述就业就学数量数据为站点客流吸引范围内就业岗位数量和就学数量。
更进一步地讲，所述土地利用情况数据中的土地利用类型包括有居住用地、商业金融业用地、教育科研设计用地、文化娱乐用地、工业用地、对外交通用地和市政公用设施用地。
更进一步地讲，所述轨道交通线网建设水平数据包括有站间可达性指标和站域可达性指标。
更进一步地讲，所述站间可达性指标用于衡量轨道交通全线网中各轨道交通站点之间乘客出行的便利性，所述站间可达性指标包括有集成度和选择度，具体为：
所述集成度的计算公式为：
Figure BDA0003710432700000031
其中：Ii为第i个站点对应的集成度，n为线网中轨道交通站点的个数，j为第j个站点对应的序号，i为第i个站点对应的序号，dij为第i个站点到第j个站点的最短步数；
所述选择度的计算公式为：
Figure BDA0003710432700000032
Figure BDA0003710432700000033
其中：Ci为第i个站点对应的选择度，n为线网中轨道交通站点的个数，Ox为作为起点的轨道交通站点对应的序号，Dy为作为终点的轨道交通站点对应的序号，L[Ox,Dy]为轨道交通线网中以起点为Ox、终点为Dy的最短路径上的轨道交通站点集合，Pi为第i个站点的选择度中间量，i为第i个站点对应的序号。
更进一步地讲，所述站域可达性指标用于衡量站点周围道路和站点之间的连接水平，所述站域可达性指标的计算公式为：
Figure BDA0003710432700000034
Figure BDA0003710432700000035
Figure BDA0003710432700000036
Figure BDA0003710432700000037
其中：ImAr为站点吸引范围内站域局部集成度平均值，RAmAr为相对不对称值，RRAmAr为实际相对不对称值，N为吸引范围内道路网络中的节点个数，MDmAr为第m个节点的平均深度，dmn为第m个节点到第n个节点的最短步数，m为第m个节点对应的序号，n为第n个节点对应的序号。
更进一步地讲，所述轨道交通站点接驳水平数据包括有常规交通接驳指标数据和共享单车或公共自行车接驳指标数据。
与现有技术相比，本发明的有益效果是：
本发明的轨道交通新线接入客流预测方法通过对轨道交通站点特性数据进行量化处理，获得轨道交通站点外部数据，并统计轨道交通站点客流数据，同时基于RBF神经网络构建新线接入客流预测模型，进行模型算法设计，在基于既有站点的历史数据的基础上，依据轨道交通客流规律的影响因素进行预测，从而具有更强的理论依据和较高的精度，在一定程度上避免了大量模型使用给预测结果带来的不利影响，有助于提高客流预测结果的准确度。
附图说明
图1为本发明站点直接吸引范围示意图；
图2为本发明城市轨道交通线网拓扑示意图；
图3为本发明轨道交通新线接入客流预测方法的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。其中，所描述的实施例是本发明一部分实施例，而不是全部的实施例。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。
需要说明的是，在本发明的描述中，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，并不是指示或暗示所指的装置或元件所必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，应当理解，为了便于描述，附图中所示出的各个部件的尺寸并不按照实际的比例关系绘制，例如某些层的厚度或宽度可以相对于其他层有所夸大。
实施例1
参考图1、图2和图3，本实施例提供了一种基于数据驱动的轨道交通新线接入客流预测方法，该轨道交通新线接入客流预测方法包括如下步骤：
步骤S1：基于城市轨道交通自动售检票系统中的乘客交易记录统计轨道交通全线网既有站点客流数据，其中包括站点日进站客流量和日出站客流量。
步骤S2：获取轨道交通全线网站点外部数据，具体如下：
步骤S2.1：在本实施例中轨道交通站点客流吸引范围是轨道交通站点的客流产生区域，该范围由不同的交通方式的接驳范围组合而成。值得注意的是，与轨道交通接驳的主要交通方式包括步行、自行车及常规公交。其中，步行属于直接接驳方式，自行车和常规公交属于间接接驳方式，在本实施例中默认自行车接驳范围小于常规公交接驳范围，因此站点间接吸引范围由常规公交接驳确定。故将站点客流吸引范围分为步行接驳的直接吸引范围和常规公交接驳的间接吸引范围，由于新线站点缺少接驳数据，因此采用基于时间阈值的方法，结合GIS技术，确定轨道交通站点客流吸引范围，具体如下：
步骤S2.1.1：确定轨道交通站点处步行及公交接驳时间的阈值。
步骤S2.1.2：针对站点直接吸引范围，通过互联网地图接口模拟实际出行场景，并结合步行及公交接驳时间的阈值，从而还原轨道交通站点的步行接驳范围，并得到站点客流直接吸引范围。
步骤S2.1.3：针对站点间接吸引范围，通过互联网地图接口设计公交到达等时圈的获取方法，结合步行及公交接驳时间的阈值确定预设阈值时间内乘坐常规公交所能到达的范围，从而得到站点客流间接吸引范围。
步骤S2.2：根据步骤S2.1.2获取得到的站点客流直接吸引范围和步骤S2.1.3获取得到的站点客流间接吸引范围，确定轨道交通站点的外部数据。值得注意的是，在本实施例中，轨道交通站点的外部数据包括有区域社会经济指标数据、土地利用情况数据、轨道交通线网建设水平数据和轨道交通站点接驳水平数据。
具体地讲，区域社会经济指标数据包括有人口规模数据、经济发展水平数据、就业就学数量数据，其中人口规模数据为站点客流吸引范围内的居民数量，经济发展水平数据为站点所在行政区划的人均可支配收入，就业就学数量数据为站点客流吸引范围内就业岗位数量和就学数量。
土地利用情况数据从土地利用类型出发，基于主要的客流产生源点，选择七类的用地性质及规模(面积)表征土地利用情况，分别为：居住用地、商业金融业用地、教育科研设计用地、文化娱乐用地、工业用地、对外交通用地和市政公用设施用地。
轨道交通线网建设水平数据包括有站间可达性指标和站域可达性指标。其中站间可达性指标用于衡量轨道交通全线网中各轨道交通站点之间乘客出行的便利性，其通过获取轨道交通线网图，用点代表轨道交通站点，用线段代表轨道交通区间，将轨道交通线网图转化为以目标轨道站点为核心的站点拓扑图，在此基础上计算站间可达性指标。且站间可达性指标包括集成度和选择度，具体如下：
在本实施例中，集成度I表示目标站点与其他站点在可达性方面的联系紧密程度，具体为：
Figure BDA0003710432700000061
其中：Ii为第i个站点对应的集成度，n为线网中轨道交通站点的个数，j为第j个站点对应的序号，i为第i个站点对应的序号，dij为第i个站点到第j个站点的最短步数。
选择度为乘客在面临起点不同的多个可选路径的情况下，某个轨道交通站点被选择的概率水平。在轨道交通线网中排除目标轨道站点的前提下，依次选取剩余的各轨道交通站点作为起点，记为Ox，依次将剩余的各轨道交通站点中除了起点Ox的其他站点作为起点Ox的终点，记为Dy，其中x＝1、2、…、n-1,y＝1、2、…、n-1,x≠y，确定出从起点Ox到达终点Dy的最短路径，计算目标轨道站点i存在于最短路径中的次数。计算公式如下：
Figure BDA0003710432700000062
Figure BDA0003710432700000063
其中：Ci为第i个站点对应的选择度，n为线网中轨道交通站点的个数，Ox为作为起点的轨道交通站点对应的序号，Dy为作为终点的轨道交通站点对应的序号，L[Ox,Dy]为轨道交通线网中以起点为Ox、终点为Dy的最短路径上的轨道交通站点集合，Pi为第i个站点的选择度中间量，i为第i个站点对应的序号。
在本实施例中，站域可达性指标用于衡量站点周围道路和站点之间的连接水平，选取轨道交通站点吸引范围内道路的集成度平均值表征。其中对轨道交通车站吸引范围内的道路进行轴线分割，用最少且最长的轴线覆盖整个道路网络，将街道网络抽象为由这些轴线构成的空间系统，且每条轴线相当于一个节点。其计算公式如下：
Figure BDA0003710432700000071
Figure BDA0003710432700000072
Figure BDA0003710432700000073
Figure BDA0003710432700000074
其中：ImAr为站点吸引范围内站域局部集成度平均值，RAmAr为相对不对称值，RRAmAr为实际相对不对称值，N为吸引范围内道路网络中的节点个数，MDmAr为第m个节点的平均深度，dmn为第m个节点到第n个节点的最短步数，m为第m个节点对应的序号，n为第n个节点对应的序号。
值得注意的是，其中DN来自于钻石模型图，其用于标准化集成度。
轨道交通站点接驳水平数据包括有常规交通接驳指标数据和共享单车或公共自行车接驳指标数据。因为主要与轨道交通进行接驳的交通方式包括自行车(包括共享单车和公共自行车)和常规公交，故针对这两种接驳方式选取如下指标表征站点接驳水平。具体为：
常规公交接驳指标为站点吸引范围内的常规公交站点数量。
共享单车或公共自行车接驳指标如下所示：
Figure BDA0003710432700000075
其中：Tbi为共享单车或公共自行车接驳指标。
步骤S3：根据站点客流数据和站点外部数据，建立站点外部数据与站点客流数据之间的匹配关系模型。即以既有站点外部数据作为模型输入、站点客流数据作为模型输出，构建基于RBF神经网络的轨道交通新线接入站点客流预测模型。
步骤S4：根据步骤S3中得到的匹配关系模型，在模型中输入预测时间站点外部数据，即可实现新线接入后的轨道交通全线网站点进站和出站客流量的预测，也就是说，预测新线接入后的轨道交通全线网站点客流。
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (10)

1.一种基于数据驱动的轨道交通新线接入客流预测方法，其特征在于，所述预测方法包括如下步骤：
S1：统计轨道交通全线网既有站点客流数据；
S2：获取轨道交通全线网站点外部数据；
S3：根据所述站点客流数据和站点外部数据，建立站点外部数据与站点客流数据之间的匹配关系模型；
S4：根据所述匹配关系模型，预测新线接入后的轨道交通全线网站点客流。
2.根据权利要求1所述的一种基于数据驱动的轨道交通新线接入客流预测方法，其特征在于，在所述步骤S2中，获取所述轨道交通全线网站点外部数据，具体如下：
S2.1：确定轨道交通站点客流吸引范围；
S2.2：根据所述站点客流吸引范围，确定轨道交通站点的外部数据。
3.根据权利要求2所述的一种基于数据驱动的轨道交通新线接入客流预测方法，其特征在于，轨道交通站点客流吸引范围通过时间阈值和GIS技术进行确定，具体如下：
S2.1.1：确定轨道交通站点处步行及公交接驳时间的阈值；
S2.1.2：通过所述GIS技术模拟实际出行场景，并根据所述步行及公交接驳时间的阈值，获取轨道交通站点的客流直接吸引范围；
S2.1.3：通过所述GIS技术设计公交到达等时圈的获取方法，并根据所述步行及公交接驳时间的阈值，获取轨道交通站点的客流间接吸引范围。
4.根据权利要求2所述的一种基于数据驱动的轨道交通新线接入客流预测方法，其特征在于，所述轨道交通站点的外部数据包括有区域社会经济指标数据、土地利用情况数据、轨道交通线网建设水平数据和轨道交通站点接驳水平数据。
5.根据权利要求4所述的一种基于数据驱动的轨道交通新线接入客流预测方法，其特征在于，所述区域社会经济指标数据包括有人口规模数据、经济发展水平数据、就业就学数量数据，具体为：
所述人口规模数据为站点客流吸引范围内的居民数量；
所述经济发展水平数据为站点所在行政区划的人均可支配收入；
所述就业就学数量数据为站点客流吸引范围内就业岗位数量和就学数量。
6.根据权利要求4或5所述的一种基于数据驱动的轨道交通新线接入客流预测方法，其特征在于，所述土地利用情况数据中的土地利用类型包括有居住用地、商业金融业用地、教育科研设计用地、文化娱乐用地、工业用地、对外交通用地和市政公用设施用地。
7.根据权利要求6所述的一种基于数据驱动的轨道交通新线接入客流预测方法，其特征在于，所述轨道交通线网建设水平数据包括有站间可达性指标和站域可达性指标。
8.根据权利要求7所述的一种基于数据驱动的轨道交通新线接入客流预测方法，其特征在于，所述站间可达性指标用于衡量轨道交通全线网中各轨道交通站点之间乘客出行的便利性，所述站间可达性指标包括有集成度和选择度，具体为：
所述集成度的计算公式为：
Figure FDA0003710432690000021
其中：Ii为第i个站点对应的集成度，n为线网中轨道交通站点的个数，j为第j个站点对应的序号，i为第i个站点对应的序号，dij为第i个站点到第j个站点的最短步数；
所述选择度的计算公式为：
Figure FDA0003710432690000022
Figure FDA0003710432690000023
其中：Ci为第i个站点对应的选择度，n为线网中轨道交通站点的个数，Ox为作为起点的轨道交通站点对应的序号，Dy为作为终点的轨道交通站点对应的序号，L[Ox,Dy]为轨道交通线网中以起点为Ox、终点为Dy的最短路径上的轨道交通站点集合，Pi为第i个站点的选择度中间量，i为第i个站点对应的序号。
9.根据权利要求7所述的一种基于数据驱动的轨道交通新线接入客流预测方法，其特征在于，所述站域可达性指标用于衡量站点周围道路和站点之间的连接水平，所述站域可达性指标的计算公式为：
Figure FDA0003710432690000031
Figure FDA0003710432690000032
Figure FDA0003710432690000033
Figure FDA0003710432690000034
其中：ImAr为站点吸引范围内站域局部集成度平均值，RAmAr为相对不对称值，RRAmAr为实际相对不对称值，N为吸引范围内道路网络中的节点个数，MDmAr为第m个节点的平均深度，dmn为第m个节点到第n个节点的最短步数，m为第m个节点对应的序号，n为第n个节点对应的序号。
10.根据权利要求7所述的一种基于数据驱动的轨道交通新线接入客流预测方法，其特征在于，所述轨道交通站点接驳水平数据包括有常规交通接驳指标数据和共享单车或公共自行车接驳指标数据。
CN202210723906.0A 2022-06-23 2022-06-23 一种基于数据驱动的轨道交通新线接入客流预测方法 Pending CN115146840A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210723906.0A CN115146840A (zh) 2022-06-23 2022-06-23 一种基于数据驱动的轨道交通新线接入客流预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210723906.0A CN115146840A (zh) 2022-06-23 2022-06-23 一种基于数据驱动的轨道交通新线接入客流预测方法

Publications (1)

Publication Number Publication Date
CN115146840A true CN115146840A (zh) 2022-10-04

Family

ID=83408010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210723906.0A Pending CN115146840A (zh) 2022-06-23 2022-06-23 一种基于数据驱动的轨道交通新线接入客流预测方法

Country Status (1)

Country Link
CN (1) CN115146840A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116703011A (zh) * 2023-08-09 2023-09-05 民航机场规划设计研究总院有限公司 航空旅客流量分布预测方法、装置、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103208034A (zh) * 2013-03-22 2013-07-17 北京交通大学 一种轨道交通客流分布预测模型建立及预测方法
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103208034A (zh) * 2013-03-22 2013-07-17 北京交通大学 一种轨道交通客流分布预测模型建立及预测方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李嘉雯: "数据驱动的城市轨道交通新线接入客流预测研究", 《中国优秀硕士学位论文全文数据库（电子期刊）》, 15 June 2022 (2022-06-15) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116703011A (zh) * 2023-08-09 2023-09-05 民航机场规划设计研究总院有限公司 航空旅客流量分布预测方法、装置、电子设备及存储介质
CN116703011B (zh) * 2023-08-09 2023-10-20 民航机场规划设计研究总院有限公司 航空旅客流量分布预测方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
Biba et al. A new method for determining the population with walking access to transit
CN109978224B (zh) 一种分析获取不同性质建筑的交通出行率的方法
CN109686091B (zh) 一种基于多源数据融合的交通流量填补算法
Wang et al. Analyzing urban traffic demand distribution and the correlation between traffic flow and the built environment based on detector data and POIs
CN112990648B (zh) 一种轨道交通网络运营稳定性评估方法
CN112819659B (zh) 旅游景点开发与评价方法
CN109840272B (zh) 一种共享电动汽车站点用户需求预测方法
CN111401743A (zh) 一种城市道路施工期的动态交通影响评价方法
CN108345987B (zh) 一种道路基础设施建设项目影响评价决策支持系统及方法
CN116611586B (zh) 一种基于双层异构网络的新建路网流量预测方法及系统
CN111612223B (zh) 基于土地和交通多源数据的人口就业分布预测方法及装置
CN116796904A (zh) 一种轨道交通新线客流预测方法、系统、电子设备及介质
CN115146840A (zh) 一种基于数据驱动的轨道交通新线接入客流预测方法
CN108564810B (zh) 一种车位共享系统及其方法
Qiu et al. RPSBPT: A route planning scheme with best profit for taxi
CN108876075A (zh) 城市轨道交通站点地区宜步行性评价方法
CN111008730B (zh) 基于城市空间结构的人群聚集度预测模型构建方法及装置
CN110674990B (zh) 设置滑动窗口更新机制的即时配送路径选择方法及系统
CN115759329A (zh) 基于卷积神经网络的景区游客人数预测方法
CN114462898A (zh) 基于地理信息的公路规划管理方法及系统
CN114595962A (zh) 一种基于云物元模型的大学校园出入口对城市道路交通影响的评价方法
CN113077079A (zh) 一种基于数据驱动的轨道交通新线接入客流预测方法
CN111639805A (zh) 一种基于gis的垃圾填埋场的选址方法
CN110189029A (zh) 一种基于大规模手机位置数据的自行车骑车与停车需求评估方法
Sun et al. A Novel Model for Accessibility of Bus Station and Its Application to Bottlenecks Identification: A Case Study in Harbin

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