CN115472018B - 一种基于行车分析及客流预测的城轨仿真推演方法 - Google Patents

一种基于行车分析及客流预测的城轨仿真推演方法 Download PDF

Info

Publication number
CN115472018B
CN115472018B CN202211332851.7A CN202211332851A CN115472018B CN 115472018 B CN115472018 B CN 115472018B CN 202211332851 A CN202211332851 A CN 202211332851A CN 115472018 B CN115472018 B CN 115472018B
Authority
CN
China
Prior art keywords
passenger flow
time
departure
data
cycle period
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
Application number
CN202211332851.7A
Other languages
English (en)
Other versions
CN115472018A (zh
Inventor
丁建隆
刘智成
蔡昌俊
朱於军
李化明
陈凯
叶红霞
任大志
杨志强
黄朝晖
罗伟庭
艾义
谢良
吴敏
厉智
张剑
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.)
Tencent Cloud Computing Beijing Co Ltd
Guangzhou Metro Group Co Ltd
Original Assignee
Tencent Cloud Computing Beijing Co Ltd
Guangzhou Metro Group Co Ltd
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 Tencent Cloud Computing Beijing Co Ltd, Guangzhou Metro Group Co Ltd filed Critical Tencent Cloud Computing Beijing Co Ltd
Priority to CN202211332851.7A priority Critical patent/CN115472018B/zh
Publication of CN115472018A publication Critical patent/CN115472018A/zh
Application granted granted Critical
Publication of CN115472018B publication Critical patent/CN115472018B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/01Detecting movement of traffic to be counted or controlled
    • G08G1/0104Measuring and analyzing of parameters relative to traffic conditions
    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/01Detecting movement of traffic to be counted or controlled
    • G08G1/0104Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/01Detecting movement of traffic to be counted or controlled
    • G08G1/0104Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125Traffic data processing
    • G08G1/0129Traffic data processing for creating historical data or processing based on historical data
    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/01Detecting movement of traffic to be counted or controlled
    • G08G1/0104Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及交通管理相关领域,公开了一种基于行车分析及客流预测的城轨仿真推演方法,通过在时间循环周期内轨道路线各站点历史客流数据的分析,从而确定在这一时间循环周期内该轨道路线的轨道车辆发车方案,使得轨道车辆的发车频率和时间分布能够最大程度的对轨道路线各站点的客流进行覆盖,以高效的完成对轨道路线各站点客流的快速转运,提升轨道交通的运输效率。

Description

一种基于行车分析及客流预测的城轨仿真推演方法
技术领域
本发明涉及交通管理相关领域,具体是一种基于行车分析及客流预测的城轨仿真推演方法。
背景技术
公共交通是保证一座城市正常运行的重要枢纽,通过错综的公共交通路线,达到了城市各区域间的人员流动的稳定效果,进而使得相关人员能够及时就位以进行正常的生产和工作。
现有技术中的城市交通多采用人工确定时间表的方式进行规律性的运行,不具备适应客流量变化情况下的智能性,容易产生客流量较大时的转运不及时以及客流量较小时的公共资源浪费。
发明内容
本发明的目的在于提供一种基于行车分析及客流预测的城轨仿真推演方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于行车分析及客流预测的城轨仿真推演方法,包含以下步骤:
通过轨道交通收费系统获取轨道线路上多个站点的历史客流数据,所述历史客流数据包括入站客流数据与出站客流数据,所述历史客流数据由数个连续时间段的客流量组成,所述历史客流数据用于表征所述站点历史客流流动情况;
基于所述轨道路线以及与所述轨道路线相对应的历史客流数据建立孪生客流模型,所述孪生客流模型用于表征所述轨道路线在某一时间循环周期内多个站点在不同时间段的平均客流量情况,所述平均客流量为多个时间循环周期中同一站点在相同时间段内多个历史的客流量数值平均值;
将轨道车辆模型导入所述孪生客流模型中,基于所述车辆模型对所述孪生客流模型进行分析,根据所述平均客流量在所述时间循环周期内不同时间段的数值分布情况,分析生成所述时间循环周期内轨道车辆的发车方案,所述车辆模型用于表征所述车辆的人员承载量以及多个所述站点间的行车时长;
获取所述发车方案,基于所述时间循环周期内的不同时间段依次输出所述发车方案中相对应的轨道车辆发车控制信号,所述发车方案用于表征所述时间循环周期内该所述轨道线路上所述轨道车辆的发车时间节点,所述发车时间节点与所述时间段相对应。
作为本发明的进一步方案:所述根据所述平均客流量在所述时间循环周期内不同时间段的数值分布情况,分析生成所述时间循环周期内轨道车辆的发车方案的步骤具体包括:
根据所述车辆模型中的所述行车时长获取所述轨道车辆的行车时间轴,所述行车时间轴用于表征所述轨道车辆在行驶中依次经过每个所述站点的时间差;
根据预的判断百分比对所述人员承载量计算获取判断承载值,并基于所述行车时间轴以及所述孪生客流模型计算获取在所述行车时间轴上,多个所述站点的平均客流量总和等于所述判断承载值的所述时间段的时长,并设为发车间隔时长。
作为本发明的再进一步方案:还包括预设发车时间间隔,所述预设发车时间间隔包括最短发车时间间隔与最长发车时间间隔,所述最短发车时间间隔用于表征相邻班次的所述轨道车辆在行驶中的应急安全时间,所述最长发车时间间隔用于表征相邻班次的所述轨道车辆在经过同一所述站点时所允许的最长时间间隔,所述发车间隔时长不小于所述最短发车时间间隔且不大于所述最长发车时长。
作为本发明的再进一步方案:所述历史客流数据还包括与所述入站客流数据以及所述出站客流数据一一对应的客流流向数据,所述客流流向数据用于表征个体在所述站点间的搭乘情况,当某一所述时间段中包括大于预设数量的具有相同出站站点的所述入站客流数据时,生成特别发车方案,所述特别发车方案用于控制所述轨道车辆在指定的多个所述站点停靠。
作为本发明的再进一步方案:还包括中转汇入程序,所述中转汇入程序包括步骤:
通过预设的中转站采集模块获取中转站点的客流汇入数据与客流转出数据,所述客流汇入数据与共用该站点的所述轨道线路在该站点的客流转出数据相对应,所述客流汇入数据与所述客流转出数据用于修正所述入站客流数据与所述出站客流数据。
作为本发明的再进一步方案:所述时间循环周期包括子循环周期、母循环周期以及特殊周期;
所述子循环周期用于表征最小循环时间段,所述母循环周期用于区别多个不同的子循环周期,所述母循环周期包括一定数量个的所述子循环周期,所述特殊周期与所述子循环周期相对应。
本发明实施例旨在提供一种基于行车分析及客流预测的城轨仿真推演系统,包含:
站点采集模块,用于通过轨道交通收费系统获取轨道线路上多个站点的历史客流数据,所述历史客流数据包括入站客流数据与出站客流数据,所述历史客流数据由数个连续时间段的客流量组成,所述历史客流数据用于表征所述站点历史客流流动情况。
客流分析模块,用于基于所述轨道路线以及与所述轨道路线相对应的历史客流数据建立孪生客流模型,所述孪生客流模型用于表征所述轨道路线在某一时间循环周期内多个站点在不同时间段的平均客流量情况,所述平均客流量为多个时间循环周期中同一站点在相同时间段内多个历史的客流量数值平均值。
仿真模拟模块,用于将轨道车辆模型导入所述孪生客流模型中,基于所述车辆模型对所述孪生客流模型进行分析,根据所述平均客流量在所述时间循环周期内不同时间段的数值分布情况,分析生成所述时间循环周期内轨道车辆的发车方案,所述车辆模型用于表征所述车辆的人员承载量以及多个所述站点间的行车时长。
控制输出模块,获取所述发车方案,基于所述时间循环周期内的不同时间段依次输出所述发车方案中相对应的轨道车辆发车控制信号,所述发车方案用于表征所述时间循环周期内该所述轨道线路上所述轨道车辆的发车时间节点,所述发车时间节点与所述时间段相对应。
作为本发明的进一步方案:所述仿真模拟模块包括:
时间线建立单元,用于根据所述车辆模型中的所述行车时长获取所述轨道车辆的行车时间轴,所述行车时间轴用于表征所述轨道车辆在行驶中依次经过每个所述站点的时间差;
间隔时长确立单元,用于根据预的判断百分比对所述人员承载量计算获取判断承载值,并基于所述行车时间轴以及所述孪生客流模型计算获取在所述行车时间轴上,多个所述站点的平均客流量总和等于所述判断承载值的所述时间段的时长,并设为发车间隔时长。
作为本发明的再进一步方案:还包括预设发车时间间隔,所述预设发车时间间隔包括最短发车时间间隔与最长发车时间间隔,所述最短发车时间间隔用于表征相邻班次的所述轨道车辆在行驶中的应急安全时间,所述最长发车时间间隔用于表征相邻班次的所述轨道车辆在经过同一所述站点时所允许的最长时间间隔,所述发车间隔时长不小于所述最短发车时间间隔且不大于所述最长发车时长。
与现有技术相比,本发明的有益效果是:通过在时间循环周期内轨道路线各站点历史客流数据的分析,从而确定在这一时间循环周期内该轨道路线的轨道车辆发车方案,使得轨道车辆的发车频率和时间分布能够最大程度的对轨道路线各站点的客流进行覆盖,以高效的完成对轨道路线各站点客流的快速转运,提升轨道交通的运输效率。
附图说明
图1为一种基于行车分析及客流预测的城轨仿真推演方法的流程框图。
图2为一种基于行车分析及客流预测的城轨仿真推演方法中生成发车方案步骤的流程框图。
图3为一种基于行车分析及客流预测的城轨仿真推演系统的组成框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合具体实施例对本发明的具体实现方式进行详细描述。
如图1所述,为本发明一个实施例提供的一种基于行车分析及客流预测的城轨仿真推演方法,包括以下步骤:
S200,通过轨道交通收费系统获取轨道线路上多个站点的历史客流数据,所述历史客流数据包括入站客流数据与出站客流数据,所述历史客流数据由数个连续时间段的客流量组成,所述历史客流数据用于表征所述站点历史客流流动情况。
S400,基于所述轨道路线以及与所述轨道路线相对应的历史客流数据建立孪生客流模型,所述孪生客流模型用于表征所述轨道路线在某一时间循环周期内多个站点在不同时间段的平均客流量情况,所述平均客流量为多个时间循环周期中同一站点在相同时间段内多个历史的客流量数值平均值。
S600,将轨道车辆模型导入所述孪生客流模型中,基于所述车辆模型对所述孪生客流模型进行分析,根据所述平均客流量在所述时间循环周期内不同时间段的数值分布情况,分析生成所述时间循环周期内轨道车辆的发车方案,所述车辆模型用于表征所述车辆的人员承载量以及多个所述站点间的行车时长。
S800,获取所述发车方案,基于所述时间循环周期内的不同时间段依次输出所述发车方案中相对应的轨道车辆发车控制信号,所述发车方案用于表征所述时间循环周期内该所述轨道线路上所述轨道车辆的发车时间节点,所述发车时间节点与所述时间段相对应。
本实施例中,给出了一种基于行车分析及客流预测的城轨仿真推演方法,其作用在于根据在时间循环周期内轨道路线各站点历史客流数据的分析,从而确定在这一时间循环周期内该轨道路线的轨道车辆发车方案,使得轨道车辆的发车频率和时间分布能够最大程度的对轨道路线各站点的客流进行覆盖,以高效的完成对轨道路线各站点客流的快速转运,提升轨道交通的运输效率,在使用时,相关程序与轨道交通的收费系统相连接的,通过轨道交通的收费系统可以方便的获取在各个时段的准确的客流数据,以及不同搭乘人员的入站时间,入站站点以及出站站点等,可以方便的对后续的方案建立提供精准的数据基础,在获取这些数据后,我们便可以建立一个在时间循环周期内 基于时间轴的轨道路线各个站点的孪生客流模型(当然是基于历史数据模拟的,并非当下的真实数据),基于该模型,我们可以知道各个站点在何时会出现大量的客流,通过车辆模型和孪生客流模型,我们可以判断出轨道车辆在运行后,承载多长时间段内的客流可以达到预设的承载量,也就是我们所需要设置的发车时间间隔,从而智能的控制轨道车辆的发车与运行,实现时间循环周期内对轨道车辆合理的安排,提高轨道交通的转运效率。
如图2所示,作为本发明另一个优选的实施例,所述根据所述平均客流量在所述时间循环周期内不同时间段的数值分布情况,分析生成所述时间循环周期内轨道车辆的发车方案的步骤具体包括:
S601,根据所述车辆模型中的所述行车时长获取所述轨道车辆的行车时间轴,所述行车时间轴用于表征所述轨道车辆在行驶中依次经过每个所述站点的时间差。
S602,根据预的判断百分比对所述人员承载量计算获取判断承载值,并基于所述行车时间轴以及所述孪生客流模型计算获取在所述行车时间轴上,多个所述站点的平均客流量总和等于所述判断承载值的所述时间段的时长,并设为发车间隔时长。
进一步的,还包括预设发车时间间隔,所述预设发车时间间隔包括最短发车时间间隔与最长发车时间间隔,所述最短发车时间间隔用于表征相邻班次的所述轨道车辆在行驶中的应急安全时间,所述最长发车时间间隔用于表征相邻班次的所述轨道车辆在经过同一所述站点时所允许的最长时间间隔,所述发车间隔时长不小于所述最短发车时间间隔且不大于所述最长发车时长。
本实施例中,对生成发车方案的步骤进行了进一步的说明,其中,这里采用的是以预设的判断百分比对人员承载量进行二次取值,这样可以保证轨道车辆一定的承载余量,从而应对历史数据提供的模型与实际情况的偏差值,当然,为了保证轨道车辆的安全与轨道交通的持续性,还设有最短发车时间间隔和最长发车时间间隔以限制发车间隔时长,最短发车时间用于保证相邻轨道车辆间的安全时间和距离,用于应急安全的应对反应时间,在此时,前面设置的承载余量可以起到保证避免客流堆积的情况发生,最长发车时间间隔则是为了避免非高峰时间段时需要过长达到等待时间的情况发生。
作为本发明另一个优选的实施例,所述历史客流数据还包括与所述入站客流数据以及所述出站客流数据一一对应的客流流向数据,所述客流流向数据用于表征个体在所述站点间的搭乘情况,当某一所述时间段中包括大于预设数量的具有相同出站站点的所述入站客流数据时,生成特别发车方案,所述特别发车方案用于控制所述轨道车辆在指定的多个所述站点停靠。
本实施例中,通过客流流向数据可以获得站点之间的客流转移情况,例如轨道车辆的行车时间轴上,在某时间段k内(假设k小于最长发车时间间隔,大于最短发车时间间隔),A站点有100人,其中50人在B站点下车,在B站点后方的C站点有50人,在这种情况下,假设车辆的判断承载值为100人,如果不考虑到客流转移情况,此时发车间隔时长必须是小于k的某一值,因AB客流之和大于100了,但考虑到客流转移情况,则AB客流之和为100,此时发车间隔时长则可以为k,且当某两个站点间的客流转移十分巨大时,例如动车站与汽车站或是机场间,则可以在该时间段设置专程停靠站点的轨道车辆以环境客流,方便其它轨道车辆的安排。
作为本发明另一个优选的实施例,还包括中转汇入程序,所述中转汇入程序包括步骤:
通过预设的中转站采集模块获取中转站点的客流汇入数据与客流转出数据,所述客流汇入数据与共用该站点的所述轨道线路在该站点的客流转出数据相对应,所述客流汇入数据与所述客流转出数据用于修正所述入站客流数据与所述出站客流数据。
本实施例中,通过中转汇入程序的设置,可以解决在某一轨道线路上,其它线路汇入的客流无法通过轨道交通收费系统直接获取信息的问题,进一步提升入站客流数据与出站客流数据在孪生客流模型建立中的可靠性。
作为本发明另一个优选的实施例,所述时间循环周期包括子循环周期、母循环周期以及特殊周期;
所述子循环周期用于表征最小循环时间段,所述母循环周期用于区别多个不同的子循环周期,所述母循环周期包括一定数量个的所述子循环周期,所述特殊周期与所述子循环周期相对应。
本实施例中,这里的子循环周期可以为一天,而母循环周期则可以为一周或是一个月等(如果是一个月,一般则为整数个的星期),这里周期的设置是基于人群的流动规律周期设置的,可以理解为一天为人群流动规律的最小单位,一周则为一个更大的流动规律周期单位,特殊周期则是指子循环周期中的特殊时间,例如节日等。
如图3所示,本发明还提供了一种基于行车分析及客流预测的城轨仿真推演系统,其包含:
站点采集模块100,用于通过轨道交通收费系统获取轨道线路上多个站点的历史客流数据,所述历史客流数据包括入站客流数据与出站客流数据,所述历史客流数据由数个连续时间段的客流量组成,所述历史客流数据用于表征所述站点历史客流流动情况。
客流分析模块300,用于基于所述轨道路线以及与所述轨道路线相对应的历史客流数据建立孪生客流模型,所述孪生客流模型用于表征所述轨道路线在某一时间循环周期内多个站点在不同时间段的平均客流量情况,所述平均客流量为多个时间循环周期中同一站点在相同时间段内多个历史的客流量数值平均值。
仿真模拟模块500,用于将轨道车辆模型导入所述孪生客流模型中,基于所述车辆模型对所述孪生客流模型进行分析,根据所述平均客流量在所述时间循环周期内不同时间段的数值分布情况,分析生成所述时间循环周期内轨道车辆的发车方案,所述车辆模型用于表征所述车辆的人员承载量以及多个所述站点间的行车时长。
控制输出模块700,获取所述发车方案,基于所述时间循环周期内的不同时间段依次输出所述发车方案中相对应的轨道车辆发车控制信号,所述发车方案用于表征所述时间循环周期内该所述轨道线路上所述轨道车辆的发车时间节点,所述发车时间节点与所述时间段相对应。
作为本发明另一个优选的实施例,所述仿真模拟模块包括:
时间线建立单元,用于根据所述车辆模型中的所述行车时长获取所述轨道车辆的行车时间轴,所述行车时间轴用于表征所述轨道车辆在行驶中依次经过每个所述站点的时间差。
间隔时长确立单元,用于根据预的判断百分比对所述人员承载量计算获取判断承载值,并基于所述行车时间轴以及所述孪生客流模型计算获取在所述行车时间轴上,多个所述站点的平均客流量总和等于所述判断承载值的所述时间段的时长,并设为发车间隔时长。
作为本发明另一个优选的实施例,还包括预设发车时间间隔,所述预设发车时间间隔包括最短发车时间间隔与最长发车时间间隔,所述最短发车时间间隔用于表征相邻班次的所述轨道车辆在行驶中的应急安全时间,所述最长发车时间间隔用于表征相邻班次的所述轨道车辆在经过同一所述站点时所允许的最长时间间隔,所述发车间隔时长不小于所述最短发车时间间隔且不大于所述最长发车时长。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本领域技术人员在考虑说明书及实施例处的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (5)

1.一种基于行车分析及客流预测的城轨仿真推演方法,其特征在于,包含以下步骤:
通过轨道交通收费系统获取轨道路线上多个站点的历史客流数据,所述历史客流数据包括入站客流数据与出站客流数据,所述历史客流数据由数个连续时间段的客流量组成,所述历史客流数据用于表征所述站点历史客流流动情况;
基于所述轨道路线以及与所述轨道路线相对应的历史客流数据建立孪生客流模型,所述孪生客流模型用于表征所述轨道路线在某一时间循环周期内多个站点在不同时间段的平均客流量情况,所述平均客流量为多个时间循环周期中同一站点在相同时间段内多个历史的客流量数值平均值;
将轨道车辆模型导入所述孪生客流模型中,基于所述车辆模型对所述孪生客流模型进行分析,根据所述平均客流量在所述时间循环周期内不同时间段的数值分布情况,分析生成所述时间循环周期内轨道车辆的发车方案,所述车辆模型用于表征所述车辆的人员承载量以及多个所述站点间的行车时长;
获取所述发车方案,基于所述时间循环周期内的不同时间段依次输出所述发车方案中相对应的轨道车辆发车控制信号,所述发车方案用于表征所述时间循环周期内该所述轨道路线上所述轨道车辆的发车时间节点,所述发车时间节点与所述时间段相对应;
所述根据所述平均客流量在所述时间循环周期内不同时间段的数值分布情况,分析生成所述时间循环周期内轨道车辆的发车方案的步骤具体包括:根据所述车辆模型中的所述行车时长获取所述轨道车辆的行车时间轴,所述行车时间轴用于表征所述轨道车辆在行驶中依次经过每个所述站点的时间差;根据预设判断百分比对所述人员承载量计算获取判断承载值,并基于所述行车时间轴以及所述孪生客流模型,计算获取在所述行车时间轴上多个所述站点的平均客流量总和等于所述判断承载值时的时间段的时长,并将所述时间段的时长设为发车间隔时长。
2.根据权利要求1所述的基于行车分析及客流预测的城轨仿真推演方法,其特征在于,还包括预设发车时间间隔,所述预设发车时间间隔包括最短发车时间间隔与最长发车时间间隔,所述最短发车时间间隔用于表征相邻班次的所述轨道车辆在行驶中的应急安全时间,所述最长发车时间间隔用于表征相邻班次的所述轨道车辆在经过同一所述站点时所允许的最长时间间隔,所述发车间隔时长不小于所述最短发车时间间隔且不大于所述最长发车时间间隔。
3.根据权利要求1所述的基于行车分析及客流预测的城轨仿真推演方法,其特征在于,所述历史客流数据还包括与所述入站客流数据以及所述出站客流数据一一对应的客流流向数据,所述客流流向数据用于表征个体在所述站点间的搭乘情况,当某一所述时间段中包括大于预设数量的具有相同出站站点的所述入站客流数据时,生成特别发车方案,所述特别发车方案用于控制所述轨道车辆在指定的多个所述站点停靠。
4.根据权利要求3所述的基于行车分析及客流预测的城轨仿真推演方法,其特征在于,还包括中转汇入程序,所述中转汇入程序包括步骤:
通过预设的中转站采集模块获取中转站点的客流汇入数据与客流转出数据,所述客流汇入数据与共用该站点的所述轨道路线在该站点的客流转出数据相对应,所述客流汇入数据与所述客流转出数据用于修正所述入站客流数据与所述出站客流数据。
5.根据权利要求1所述的基于行车分析及客流预测的城轨仿真推演方法,其特征在于,所述时间循环周期包括子循环周期、母循环周期以及特殊周期;
所述子循环周期用于表征最小循环时间段,所述母循环周期用于区别多个不同的子循环周期,所述母循环周期包括一定数量个的所述子循环周期,所述特殊周期与所述子循环周期相对应。
CN202211332851.7A 2022-10-28 2022-10-28 一种基于行车分析及客流预测的城轨仿真推演方法 Active CN115472018B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211332851.7A CN115472018B (zh) 2022-10-28 2022-10-28 一种基于行车分析及客流预测的城轨仿真推演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211332851.7A CN115472018B (zh) 2022-10-28 2022-10-28 一种基于行车分析及客流预测的城轨仿真推演方法

Publications (2)

Publication Number Publication Date
CN115472018A CN115472018A (zh) 2022-12-13
CN115472018B true CN115472018B (zh) 2023-12-29

Family

ID=84337132

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211332851.7A Active CN115472018B (zh) 2022-10-28 2022-10-28 一种基于行车分析及客流预测的城轨仿真推演方法

Country Status (1)

Country Link
CN (1) CN115472018B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106485359A (zh) * 2016-10-13 2017-03-08 东南大学 一种基于列车运行时刻表的城市轨道交通断面客流推测方法
WO2017169068A1 (ja) * 2016-03-30 2017-10-05 株式会社日立製作所 列車降車人数予測システム、混雑可視化・評価システム、および乗車可能人数算出システム
CN112801338A (zh) * 2020-12-07 2021-05-14 通控研究院(安徽)有限公司 一种城市轨道交通线网运营突发情况下的辅助决策方法及系统
CN114141020A (zh) * 2022-02-08 2022-03-04 北京城建设计发展集团股份有限公司 一种基于轨道交通的行人仿真方法、系统及电子设备
WO2022099849A1 (zh) * 2020-11-10 2022-05-19 交控科技股份有限公司 轨道交通平行推演系统及方法
CN114529032A (zh) * 2021-12-27 2022-05-24 浙江浙大网新众合轨道交通工程有限公司 一种基于lstm网络的地铁断面客流预测方法
CN115018148A (zh) * 2022-06-01 2022-09-06 北京交通大学 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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI619036B (zh) * 2016-02-22 2018-03-21 財團法人資訊工業策進會 交通時間預測系統、交通時間預測方法以及交通模型建立方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017169068A1 (ja) * 2016-03-30 2017-10-05 株式会社日立製作所 列車降車人数予測システム、混雑可視化・評価システム、および乗車可能人数算出システム
CN106485359A (zh) * 2016-10-13 2017-03-08 东南大学 一种基于列车运行时刻表的城市轨道交通断面客流推测方法
WO2022099849A1 (zh) * 2020-11-10 2022-05-19 交控科技股份有限公司 轨道交通平行推演系统及方法
CN112801338A (zh) * 2020-12-07 2021-05-14 通控研究院(安徽)有限公司 一种城市轨道交通线网运营突发情况下的辅助决策方法及系统
CN114529032A (zh) * 2021-12-27 2022-05-24 浙江浙大网新众合轨道交通工程有限公司 一种基于lstm网络的地铁断面客流预测方法
CN114141020A (zh) * 2022-02-08 2022-03-04 北京城建设计发展集团股份有限公司 一种基于轨道交通的行人仿真方法、系统及电子设备
CN115018148A (zh) * 2022-06-01 2022-09-06 北京交通大学 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
城市轨道交通突发事件下联动运输仿真评价方法;滕靖;何传勇;刘向龙;;交通信息与安全(02);全文 *
基于历史数据和时间系数的城市轨道站点客流预测;陈满达;李晓龙;;佳木斯大学学报(自然科学版)(02);全文 *

Also Published As

Publication number Publication date
CN115472018A (zh) 2022-12-13

Similar Documents

Publication Publication Date Title
CN109544908B (zh) 一种实时预测公交到站时间的方法、电子设备及存储介质
CN108082224B (zh) 基于afc时变客流的城市轨道交通列车运行图编制方法
CN110163501B (zh) 一种自动编制城市轨道交通司机交路表的系统及方法
CN112069636B (zh) 一种路网仿真输入模型构建方法、装置及存储介质
Li et al. Train dwell time distributions at short stop stations
Lee et al. Study of bus service reliability in Singapore using fare card data
CN113919650A (zh) 一种列车运行方案优化编制方法及系统
CN105489056A (zh) 一种基于od矩阵的停车需求预测方法
Bie et al. Bus scheduling of overlapping routes with multi-vehicle types based on passenger OD data
CN105513356A (zh) 一种基于轨迹追踪的od矩阵估计方法与系统
CN114037158A (zh) 一种基于od路径的客流预测方法及应用方法
RU2653334C1 (ru) Система для адаптивного управления пригородным железнодорожным направлением
CN115472018B (zh) 一种基于行车分析及客流预测的城轨仿真推演方法
Zhang et al. A data-driven analysis for operational vehicle performance of public transport network
DE102022117028A1 (de) Verfahren zur Ladesteuerung eines Elektrofahrzeuges
CN106530679B (zh) 微公交运行管理系统及方法
Wang et al. Real-time dispatching of operating buses during unplanned disruptions to urban rail transit system
Janoš et al. Smart urban transport
KR20120057737A (ko) 수요 감응형 열차운행계획 설정 시스템 및 방법
Mátrai et al. Route planning based on urban mobility management
Caropreso et al. A long-term analysis of passenger flows on a regional rail line
Ricci et al. Baseline model to increase railway infrastructure capacity on a single-track section: a case study
Michailidis et al. Autonomous self-regulating intersections in large-scale urban traffic networks: a Chania City case study
Czerepicki et al. Analysis of Trams’ Consumption Depending on the Type of Traffic Light Used
Guo et al. Traffic congestion evaluation and management optimization based on queueing model and vissim simulation

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