CN115909729A - 一种基于数字孪生的地铁线网运营中断情况下的仿真预测方法及系统 - Google Patents
一种基于数字孪生的地铁线网运营中断情况下的仿真预测方法及系统 Download PDFInfo
- Publication number
- CN115909729A CN115909729A CN202211368300.6A CN202211368300A CN115909729A CN 115909729 A CN115909729 A CN 115909729A CN 202211368300 A CN202211368300 A CN 202211368300A CN 115909729 A CN115909729 A CN 115909729A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- interruption
- model
- train
- subway
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种基于数字孪生的针对城市地铁线网日常运营以及中断情景下的仿真预测方法及系统。建立本发明系统与城市轨道交通系统数字孪生模型数据接口,获取地铁线网基本信息;根据地铁运营中断情景建立不同应急措施的规则模型,嵌入数字孪生模型中;对数字孪生模型中的线网拓扑模型更新调整,完成运营中断下的有效路径搜索;建立地铁线网运营中断下的客流重分配模型,并嵌入到数字孪生模型中,仿真预测客流分布状态。本发明基于数字孪生方法,结合车流管理与客流预测方法,建立一个客流、车流耦合的整体系统模型并仿真预测,为地铁调度中心的调度人员提供较为全面的、具有参考价值的仿真方案与预测结果,辅助调度人员进行策略优化。
Description
技术领域
本发明属于智慧城市轨道交通技术及数字建模技术领域,涉及一种基于数字孪生的地铁线网运营中断情况下的仿真预测方法及系统。
背景技术
近年来,轨道交通系统由于其高容量、高效率、低污染、低能耗,在城市交通系统中发挥着越来越重要的作用。城市轨道建设不断增长,运营、建设、规划线路规模和投资跨越式增长,城市轨道交通持续保持快速发展趋势。由于容量大、速度快、高准时的优点,越来越多的通勤者选择轨道交通系统作为出行方式。
面对日益增长的交通需求和日趋严重的交通拥堵,城市轨道交通运营压力不断增大。另外,在网络化的轨道交通中,突发事件波及的范围也随着増大,一旦发生风险事故,轻则造成列车晚点,重则造成交通瘫痪中断、人员拥堵,甚至可能引发乘客骚乱,社会影响恶劣,后果极其严重。
城市轨道交通是新世纪城市发展的必需品,对城市轨道交通交通安全管理以及应急管理体系的研究就显得尤为重要。合理地调配使用人、车资源以尽快地恢复城市轨道交通服务,降低不良影响成为应急管理的重要目标之一。
由中断引起的行车调整问题较为复杂,需要考虑诸多不确定性因素,如中断时长,线路配置条件,行车资源等,使得调整的范围和难度大大增加。对行车中断的应急管理方案的评估,就需要对行车中断恢复过程中的人流和车流进行仿真与预测。这个过程中,人流与车流往往是互相影响的,综合考虑人流与车流变化,利用数字孪生技术,建立轨道交通线网模型,对行车中断恢复过程进行精准预测,以支持应急管理方案制定成为轨道交通运营管理中的重要环节。
准确地进行客流预测及车流管控是实现城市轨道交通系统运营以及安全调度优化的基础。在提前掌握客流变化规律的情况下,抓住客流特点,准确地预测行车中断后短期内的线网客流变化,才能科学地进行管理决策,合理调配资源,降低故障影响,提高乘客满意度与运营效率。
发明内容
要解决的技术问题
基于目前针对地铁路网运营中断多以客流预测或行车调度方案为侧重点的研究,而鲜少有研究将客流、车流耦合系统作为一个整体建立模型、仿真预测的情况,难以整合地铁系统的复杂信息,给出全面的、具有参考价值的预测结果。针对以上问题,本发明提供了一种基于数字孪生的地铁线网运营中断情况下的仿真预测方法及系统。
技术方案
为解决上述问题,本发明提供的基于数字孪生的地铁线网运营中断情况下的仿真预测方法包括以下步骤:
步骤S1:建立本发明系统与城市轨道交通系统数字孪生模型数据接口,获取地铁线网基本信息、列车运行速度、位置等列车运行相关信息;根据中断事件信息获取中断事件发生的时间、位置、预计持续时间及其对地铁列车的影响方向和影响程度;
步骤S2:针对不同的地铁运营中断场景,建立响应措施的规则模型,主要包括列车运行调整规则和客流管控规则,并将规则嵌入到城市轨道交通系统数字孪生模型中;
步骤S3:根据获取到的线网数据以及中断信息,更新调整线网拓扑模型,在此基础上进行运营中断下的有效路径搜索;
步骤S4:对中断情形下的城市轨道交通系统进站客流进行预测,建立地铁线网运营中断下的客流重分配模型,并嵌入到城市轨道交通系统数字孪生模型中,仿真推演客流分布状态。
更进一步地,在所述步骤S1中,地铁线网的基本信息包括线网拓扑结构、车站的换乘与折返功能、区段距离信息。
更进一步地,在所述步骤S1中,对列车信息的采集包括列车编组、车辆定员等基本信息,以及列车实时位置、运行速度、负载等运行状态信息。
更进一步地,在所述步骤S1中,对乘客信息的采集包括乘客的身份标识信息、进站名称、进站时间、目的地站点,仿真得出乘客的出站名称、出站时间,以及乘客的间断跟踪定位信息。
更进一步地,在所述步骤S2中,中断后的应急管理方案可以输入,也可以由系统生成,列车交路计划的生成方法如下:
步骤S21,更新路网状态,寻找中断区段所在线路上的,距离中断区段最近的折返站,对受影响的各条线路进行区段划分(划分为非故障区段总和故障区段),并确定中断站点数量及中断站点集合,其中中断站点集合即构成故障区段,确定可通过站点及区间集合,构成新的路网结构。
步骤S22,采集当前的客流数据,计算断面不均衡系数αh,当αh<1.5时,线路断面客流的不均衡情况不明显,可采用大交路方案;当αh≥1.5时,线路断面客流分布不均衡程度较高,为了更好的满足乘客的出行需求应采用大小交路衔接或大小交路嵌套等特殊交路方案。
更进一步地,在所述步骤S2中,发车时间间隔的确定方法为:收集客流需求数据以及车辆运载能力数据计算车辆满载率,以修正过的历史高峰小时车辆满载率为做限定条件,通过递归调用,可以实现对线路中断下列车发车时间间隔的调整优化。
更进一步地,在所述步骤S2中,客流管控措施主要发生车站级别的进站客流控制,《城市轨道交通运营安全管理规范》征求意见稿中规定,当本站达到或超过客流警戒线(承载能力的70%时),应适时采取限流、封站等措施,来确保客运组织安全。
更进一步地,在所述步骤S3中,有效路径搜索的步骤为:
步骤S31:确定有效路径搜索的约束条件,以保证路径不重复,并减少计算冗余,约束条件如下:区段不重复、节点不重复、不存在故障点、符合相对阈值与绝对阈值的限制以及最大换乘次数为3次。
步骤S32:获取线网中断数据和基于中断信息更新调整后的线网拓扑模型;
步骤S33:采用Dijkstra算法计算OD对间的最短路径,计算最小广义费用;
步骤S34:确定所有符合搜索条件的有效路径,形成有效路径集。寻找没有检验的关联边,根据广义费用和换乘次数动态更新函数,每将一条边划入到有效路径集时,对目前路径所需广义费用以及路径换乘次数进行计算及判断;若该费用已超出所限定的相对阀值和绝对阀值以及换乘次数数值,则算法不再对当前节点的相关节点进行遍历,直接返回上一层重新搜索下一条有效路径。
更进一步地,在所述步骤4中地铁线网运营中断下的客流重分配Logit模型的采用分段估计法估计参数,步骤如下:
步骤S41:对Pn(m|t)求极大似然函数,求解待估参数βm、βtm、λm;
步骤S42:将βm、βtm、λm代入公式,求解Vt;
步骤S43:设Vt为Pn(t)的独立变量,并对Pn(t)求极大似然函数,求解参数βt、λt;
步骤S44:依据条件概率公式,求解影响因素下各选择方案的概率。
在仿真中,客流选择具体路径时,同时考虑客流管控措施的限制,如最大进站客流量、客流移动速度等。
更进一步地,基于数字孪生的地铁线网运营中断情况下的仿真预测系统,其特征在于,包括基础信息管理、时间管理、客流管理、车流管理、统计与可视化五个模块:
所述基础信息管理模块管理车站、线路基本状态参数,建立与数据库的接口,管理路网线网的基本通行状态,管理运营中断后线网的底层状态参数,主要是线路与车站的可通性,中断发生后生成新的交路计划。车交路计划根据线路状态以及客流量等信息制定。在仿真中,可以人工输入,也可以根据这些信息以及时刻表的制定方法生成。
所述时间管理模块主要负责列车时间表的管理与仿真时钟的记录,该模块根据列车控制系统实时跟踪监控地铁列车的运行状态,触发并记录列车的进站、停留、出站事件。当列车由于各种情况造成延误时,微小扰动可由列车速度的调整而被吸收,而较大扰动则造成运营中断,此时切换为中断状态响应。中断发生后可生成新的计划时刻表。该模块决定了仿真的开始与结束。
所述客流管理模块包含客流管控措施管理与客流预测预测两部分,客流管控措施对地铁站闭站、限流、控流、导流等措施对限制进站客流,并记录其在地铁系统内的行为及位置,包括进出站、上下车、站内行走与换乘行为的时间。客流预测部分包括乘客OD对预测与客流重分配,OD对预测在客流管理措施影响的基础上按照一定的时间间隔生成进站乘客对象,客流预测分为OD对预测与客流分配。中断发生后,根据线网中断情况可将所有客流分为未受影响客流、损失客流以及疏导客流,根据不同的客流类型进行行车中断状态下的客流预测。中断情况下乘客路径的对比多种交通方式的路径方案(包括地铁系统外),并对各个方案评分,概率分配。
所述车流管理模块采集列控系统中的列车运行信息,管理仿真过程中的车辆信息,包括位置、可用性、车上人数等等,根据相关活动实时更新。车辆主要活动包括进出站、折返、越站、故障、扣车等,其中上下车、越站、折返、为基本活动,在正常情况与中断情况下都适用,故障、扣车则是中断情景下的活动。
所述统计与可视化模块将复杂的路网线网、车流、客流信息可视化,通过列车运行图、热力图、统计图表等多种方式实时显示重要指标。统计与可视化指标模块实时显示线网状态,由车流数据与客流数据组成。车流数据利用列车运行图表示,客流由线网热力图表示,站点乘客数量由点的颜色或大小表示,区间乘客数量跟随列车变化,直观显示出实时仿真情况。统计部分以列车总晚点时间、运行调整的范围、乘客出行的延误时间、受影响的乘客数量四个重要指标为核心。
本发明的有益效果:
本发明基于数字孪生方法,结合车流管理方案与客流预测方法,将客流、车流耦合系统作为一个整体建立模型、仿真预测的情况,为地铁调度中心的调度人员提供较为全面的、具有参考价值的仿真方案与预测结果,辅助调度人员进行策略优化。
附图说明
图1为本发明的实施用例的原理示意图;
图2为本发明的为列车时刻表生成以及发车时间间隔确定方法流程图;
图3为本发明的数字孪生模型获取及服务图;
图4为本发明的路径搜索算法流程图;
图5为本发明的预测方法示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
下面结合附图对本发明的技术方案做进一步的说明。
步骤S1:建立本发明系统与城市轨道交通系统数字孪生模型数据接口,获取地铁线网基本信息、列车运行速度、位置等列车运行相关信息;根据中断事件信息获取中断事件发生的时间、位置、预计持续时间及其对地铁列车的影响方向和影响程度;
步骤S2:针对不同的地铁运营中断场景,建立响应措施的规则模型,主要包括列车运行调整规则和客流管控规则,并将规则嵌入到城市轨道交通系统数字孪生模型中;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所示。
步骤S21,更新路网状态,寻找中断区段所在线路上的,距离中断区段最近的折返站,对受影响的各条线路进行区段划分(划分为非故障区段总和故障区段),并确定中断站点数量及中断站点集合,其中中断站点集合即构成故障区段,确定可通过站点及区间集合,构成新的路网结构。
步骤S22,采集当前的客流数据,计算断面不均衡系数αh,计算方式为:
其中单向最大断面客流量用Amax表示,Ai为单向断面各站客流量(人/小时), n为沿线车站数量。αh越接近于1,则表示线路单向最大断面客流分布就越均衡。当αh>1.5时,表明线路断面客流不均衡情况较为严重。
依据图2所示的本发明的为发车时间间隔生成方法流程图,计算αh
当αh<1.5时,线路断面客流的不均衡情况不明显,可采用大交路方案。该方案主要适用于全线客流较为平均,基本无差异的情况下,且大交路方案行车组织简单、可有效减少换乘次数、无需设置折返车站。
当αh≥1.5时,线路断面客流分布不均衡程度较高,为了更好的满足乘客的出行需求应采用大小交路衔接或大小交路嵌套等特殊交路方案。通过采用不同编组、不同开行对数的车辆实行分段运营,可以根据断面客流分布情况合理安排运力,提高线路中断下客流需求适应性。
当采用大小交路嵌套的交路模式时,为了保证列车服务水平,各区段内列车开行时间均衡,通常大交路列车的发车间隔与小交路列车发车间隔的成整数倍关系,若大、小交路列车的发车间隔不能满足该条件,则会降低列车的运行的经济效益,导致车底数增加。因此,需要合理的制定线路中断下车辆的运用计划,以有限的车辆资源满足最大化的乘客出行、疏散需求。
在所述步骤S2中,发车时间间隔的确定方法为:收集客流需求数据以及车辆运载能力数据计算车辆满载率,以修正过的历史高峰小时车辆满载率为做限定条件。车辆满载率是指线路最大横断面客流量与统一断面运输能力的比较,用于衡量车辆利用率。其公式表达为:
结合城市轨道交通的统计数据,可以得到城市轨道交通高峰时段候车人数、最大断面客流量、车辆满载率等。依据图2所示的本发明的列车时刻表生成流程图,以修正过的历史高峰小时车辆满载率为做限定条件,通过递归调用,可以实现对线路中断下列车发车时间间隔的调整优化。
步骤S3:根据获取到的线网数据以及中断信息,更新调整线网拓扑模型,在此基础上进行运营中断下的有效路径搜索;
所述步骤S3中,线网建模方法为:
城市轨道交通网络建模采取邻接矩阵表示,将线路图中顶点的信息存储于一维数组中,图中各顶点之间的邻接关系用矩阵表示为G=(V,E),E表示网络中的线路,E=(e1,e2,....,eM),M为网络中线路数量,Vi表示网络中的各站点, V=(v1,v2,....,vN),N表示车站的个数,相邻站点间的区段用Si表示, S=(s1,s2,...,sQ),Q表示网络中区段的个数,线路用Li表示,L=(l1,l2,...,lM)。
各顶点间的相邻关系可表示为
当两节点间存在一条弧时,相应元素为1,否则为0。
设区段Si∈SLi,区段Sj∈SLj,若SLi=SLj则区段Si和Sj属于同一条线路,用0-1变量βij表示网络中Q个区段所属线路的关系:
SiSj={βij}
引入变量βij可有效的判断路径是否存在换乘问题。由于一个节点可同时属于多条线路,仅通过节点判断是否有换乘行为其结果并不全面,容易发生错误。因此,有必要引入0-1变量βij通过对各区段所屈线路的关系的分析,从而判断是否有换乘行为的发生。
两条线路相交可描述为线路Li与Lj,存在节点Vi∈Li且Vj∈Lj,即
换乘节点即为两条或多条线路在网络中的相交节点,乘客可通过换乘节点完成轨道线路间的换乘到达目的地。因此,城市轨道交通网络中换乘节点的数量是衡量网络可达性、复杂度的重要指标。网络中换乘节点数量可用M×M矩阵表示:
NM×M={Nij}
其中nij表示线路Li与Lj间换乘节点的数量。
所述步骤S3中,有效路径搜索算法为:
假设区间由于不可抗力原因导致区段中断,上下行区间均不可行车。确定中断区段两侧具备折返条件的车站,所有行驶至该区段的列车需在这两个车站利用折返渡线进行折返,在中断区域两侧开行小交路。
当城市轨道交通发生列车运行中断事故时,首先更新当前的线网状态,若区段存在故障点,且该区段不发生换乘行为,可直接将区段在轨道网路中删除,在路径搜索时将不会遍历到该段,进而满足将区段设为故障点的约束条件。
若故障点出现在节点,在轨道网络中将该节点以及所有与其相关联的区段全部删除,以实现为故障点的条件约束。
将线路中断下城市轨道交通网络有效路径定义为:设从起点O到终点D之间的第k条有效路径为则为有效路径各节点的集合,组成该路径路段的集合为 表示k路径的广义费用,其中JOD表示OD间所有有效路径的集合,xk表示k路径所需的换乘次数。则路径k需要满足以下条件:
(5)最大换乘次数为3次,xk≤Nmax,Nmax={2,3}。换乘次数作为乘客进行出行选择的主要因素,所以在搜索有效路径时应引入换乘次数这一限制条件。
依据图4所示的本发明的路径搜索算法流程图,有效路径搜索算法流程如下所示:
(1)导入故障点,在图网中删除相应的节点和边,确定中断线路,更新线网数据;
初始化:v=1,k=1,l=0,c=0;
寻找没有检验的关联边,计算该边广义费用cvw,若与顶点相关联的边都被检验过,则结束算法;
若w是未被访问过的点,节点类型判断:①若w为终点D,结束算法;②若w为普通节点,转到下一步;③若w为换乘节点,l=l+1,l≤3时重新开始检索关联边;
在计算OD对间最短路径时采用Dijkstra算法,该算法步骤如下:
(1)设顶点v1的标号为P,d(v1)=0;顶点vj标T标号d(vj)=l1j;
(2)在所有T标号中取最小值,如d(vj0)=l1j0,则把vj0的T标号改为P 标号,并重新计算具有T标号的其他各点的T标号,选顶点vj的T标号d(vj)与 d(vj0)+lj0j中较小的vj的新T标号;
(3)重复第二步,直到vn∈P,此时d(vn)即为顶点v1到vn的最短路长。
步骤S4:对中断情形下的城市轨道交通系统进站客流进行预测,建立地铁线网运营中断下的客流重分配Logit模型,并嵌入到城市轨道交通系统数字孪生模型中,仿真推演客流分布状态。
所述步骤S4中,Logit模型可分为三部分:确定影响因素,建立效用函数;参数标定;参数检验,评价模型的可靠性。
对于受到中断影响的客流,出行者n选择方案i的效用函数为
Uin=Vin+εin;
出行者n选择方案i的概率
Pin=Prob(Vin+εin>Vjn+εjn;i≠j,j∈An)。
概率项εin服从具有统一参数的、独立的二重指数分布时,多项Logit模型为:
乘客路径选择是一个双层选择树结构,上层选择集合水平2有T个择方案,下层选择集合水平1有个M选择方案,其中T=(t1,t2,...,ti),M=(m1,m2,...,mj),则方案选择集A可表示为
A=T×M={(t1×m1),...,(t1×mj),...,(t2×m1),...,(t2×mj),(ti×m1),...,(ti×mj)}
根据随机效用理论,在建立出行者效用函数时要满足以下假设:出行者是进行出行选择的生体,出行者可以独立的完成出行方式选择而不受到其他外界因素的干扰;出行者会依据效用最大化理论选择最能满足其出行需求的出行方案。
方案A的总效用为
Uin=Vt+Vm+Vtm+εt+εm+εtm,
设概率项服从具有同—参数的、独立的二重指数分布,则出行者n选择方案 t的边际概率为
基于数字孪生的地铁线网运营中断情况下的仿真预测系统,其特征在于,包括基础信息管理、时间管理、客流管理、车流管理、统计与可视化五个模块。
依据图5所示本发明的预测方法流程示意图,接受包括中断时间、地点、原因等信息的中断通报后,更新线网信息,生成列车运行调整规则,时间管理模块在此基础上生成新的计划列车时刻表,并基于计算机技术生成可视化的列车运行图;车流管理模块根据计划时间表与客流状态仿真车流的活动过程;客流管理模块包含客流预测及分配算法,生成进站客流,追踪并记录客流路线;统计与可视化模块在仿真中可显示部分实时信息,模块仿真结束后,该模块记录保存来自各个模块的重要指标数据,并生成数据报告。
Claims (7)
1.一种基于数字孪生的地铁线网运营中断情况下的仿真预测方法及系统,所述方法包括以下步骤:
步骤S1:建立本发明系统与城市轨道交通系统数字孪生模型数据接口,获取地铁线网基本信息、列车运行速度、位置等列车运行相关信息;根据中断事件信息获取中断事件发生的时间、位置、预计持续时间及其对地铁列车的影响方向和影响程度;
步骤S2:针对不同的地铁运营中断场景,建立响应措施的规则模型,主要包括列车运行调整规则和客流管控规则,并将规则嵌入到城市轨道交通系统数字孪生模型中;
步骤S3:根据获取到的线网数据以及中断信息,更新调整线网拓扑模型,在此基础上进行运营中断下的有效路径搜索;
步骤S4:对中断情形下的城市轨道交通系统进站客流进行预测,建立地铁线网运营中断下的客流重分配模型,并嵌入到城市轨道交通系统数字孪生模型中,仿真推演客流分布状态。
2.根据权利要求1所述的方法,其特征在于,所述步骤S2地铁运营中断情景下应急管理措施的规则模型,其特征在于将状态-措施-影响的规则嵌入数字孪生模型中;不同的管理措施及其影响可根据不同参数状态通过计算确定,也可直接输入。
3.根据权利要求1所述的方法,其特征在于,所述步骤S3中更新调整线网模型的方法为:从城市轨道交通系统数字孪生模型中获取线网拓扑模型,并采用邻接矩阵表示,将线路图中顶点的信息存储于一维数组中;基于已确定的中断信息、导入故障点,更新调整线网拓扑模型。
4.根据权利要求1所述的方法,其特征在于,所述步骤S3中有效路径搜索的步骤为:
步骤S31:确定有效路径搜索的约束条件,以保证路径不重复,并减少计算冗余,约束条件如下:区段不重复、节点不重复、不存在故障点、符合相对阈值与绝对阈值的限制以及最大换乘次数为3次;
步骤S32:获取线网中断数据和基于中断信息更新调整后的线网拓扑模型;
步骤S33:计算OD对间的最短路径,计算最小广义费用;
步骤S34:确定所有符合搜索条件的有效路径,形成有效路径集。
5.根据权利要求1所述的方法,其特征在于,所述步骤S4中对不受中断事件影响的站点及线路采用基础的客流预测方法,对受中断事件影响的站点及线路采用中断客流预测方法,并结合权利要求4所述的有效路径集进行客流的重分配。
6.一种基于数字孪生的地铁线网运营中断情况下的仿真预测系统,其特征在于,包括基础信息管理、时间管理、客流管理、车流管理、统计与可视化五个模块:
所述基础信息管理模块管理车站、线路基本状态参数,建立与数据库的接口,管理线网的基本通行状态,管理运营中断后线网的底层状态参数,主要包括线路与车站的可通性,基础的列车运行规则等;
所述时间管理模块主要负责列车时间表的管理与仿真时钟的记录,该模块根据列车控制系统实时跟踪监控地铁列车的运行状态,触发并记录列车的进站、停留、出站事件,中断发生后可生成新的计划时刻表,该模块决定了仿真的开始与结束;
所述客流管理模块包含客流管控措施与客流预测两部分,客流管控措施对地铁站闭站、限流、控流、导流等措施对限制进站客流,并记录其在地铁系统内的行为及位置,包括进出站、上下车、站内行走与换乘行为的时间,客流预测部分包括乘客OD对预测与客流重分配,OD对预测在客流管理措施影响的基础上按照一定的时间间隔生成进站乘客对象,客流重分配如权利要求5所述;
所述车流管理模块采集列控系统中的列车运行信息,管理仿真过程中的车辆信息,包括位置、可用性、车上人数等等,根据相关活动实时更新,车辆主要活动包括进出站、折返、越站、故障、扣车等;
所述统计与可视化模块将复杂的线网、车流、客流信息可视化,通过列车运行图、热力图、统计图表等多种方式实时显示重要指标。
7.根据权利要求6所述基于城市轨道交通系统数字孪生模型的地铁线网运营中断情况下的仿真预测系统中各模块的关系以及交互方式,其特征在于接受包括中断时间、地点、原因等信息的中断通报后,更新线网信息,生成列车运行调整规则,时间管理模块在此基础上生成新的计划列车时刻表,并基于计算机技术生成可视化的列车运行图;车流管理模块根据计划时间表与客流状态仿真车流的活动过程;客流管理模块包含客流预测及分配算法,生成进站客流,追踪并记录客流路线;统计与可视化模块在仿真中可显示部分实时信息,模块仿真结束后,该模块记录保存来自各个模块的重要指标数据,并生成数据报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211368300.6A CN115909729A (zh) | 2022-11-03 | 2022-11-03 | 一种基于数字孪生的地铁线网运营中断情况下的仿真预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211368300.6A CN115909729A (zh) | 2022-11-03 | 2022-11-03 | 一种基于数字孪生的地铁线网运营中断情况下的仿真预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115909729A true CN115909729A (zh) | 2023-04-04 |
Family
ID=86492622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211368300.6A Pending CN115909729A (zh) | 2022-11-03 | 2022-11-03 | 一种基于数字孪生的地铁线网运营中断情况下的仿真预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115909729A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117002570A (zh) * | 2023-08-04 | 2023-11-07 | 交控科技股份有限公司 | 列车行车调度方法及装置 |
CN117649034A (zh) * | 2023-12-08 | 2024-03-05 | 北京城建设计发展集团股份有限公司 | 一种运营中断事件下多阶段路网乘客出行仿真方法及系统 |
-
2022
- 2022-11-03 CN CN202211368300.6A patent/CN115909729A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117002570A (zh) * | 2023-08-04 | 2023-11-07 | 交控科技股份有限公司 | 列车行车调度方法及装置 |
CN117002570B (zh) * | 2023-08-04 | 2024-03-26 | 交控科技股份有限公司 | 列车行车调度方法及装置 |
CN117649034A (zh) * | 2023-12-08 | 2024-03-05 | 北京城建设计发展集团股份有限公司 | 一种运营中断事件下多阶段路网乘客出行仿真方法及系统 |
CN117649034B (zh) * | 2023-12-08 | 2024-04-30 | 北京城建设计发展集团股份有限公司 | 一种运营中断事件下多阶段路网乘客出行仿真方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110782070B (zh) | 一种城市轨道交通突发事件客流时空分布预测方法 | |
Ghaemi et al. | Impact of railway disruption predictions and rescheduling on passenger delays | |
CN115909729A (zh) | 一种基于数字孪生的地铁线网运营中断情况下的仿真预测方法及系统 | |
Corman et al. | A review of online dynamic models and algorithms for railway traffic management | |
Li et al. | A comprehensive method for the robustness assessment of high-speed rail network with operation data: A case in China | |
CN103247177B (zh) | 大规模路网交通流实时动态预测系统 | |
CN110162931B (zh) | 城市轨道交通大规模路网快速仿真系统 | |
CN112489426B (zh) | 一种基于图卷积神经网络的城市交通流量时空预测方案 | |
CN106485359A (zh) | 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 | |
CN109686091B (zh) | 一种基于多源数据融合的交通流量填补算法 | |
CN106448132A (zh) | 一种常规公交服务指数实时评价系统及评价方法 | |
CN107067129A (zh) | 基于网格的铁路工务设备风险事件可能性获取方法及系统 | |
Wilson et al. | The potential impact of automated data collection systems on urban public transport planning. | |
CN115527369B (zh) | 一种空港枢纽大面积延误条件下的大客流预警与疏散方法 | |
CN115384586B (zh) | 一种铁路平行调度系统、方法及其应用 | |
Wang et al. | A novel method to assess urban multimodal transportation system resilience considering passenger demand and infrastructure supply | |
JP2019046021A (ja) | 交通路線計画策定支援装置及び交通路線計画策定の支援方法 | |
CN112861383A (zh) | 铁路车站抗震韧性评估方法及系统 | |
Zhang et al. | Analysis of Spatial‐Temporal Characteristics of Operations in Public Transport Networks Based on Multisource Data | |
Yap et al. | Quantification and control of disruption propagation in multi-level public transport networks | |
Yokoyama et al. | A framework for large-scale train trip record analysis and its application to passengers’ flow prediction after train accidents | |
Cheng et al. | Bus arrival time prediction model based on APC data | |
CN110803203B (zh) | 一种高速铁路行车轨迹的演进预测方法及系统 | |
Kunimatsu et al. | The prediction of passenger flow under transport disturbance using accumulated passenger data | |
CN114021291A (zh) | 一种城市轨道交通线网限流方案仿真评价建模方法 |
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 |