CN116307441B - 考虑突发场景的城市轨道交通枢纽换乘设施优化配置方法 - Google Patents
考虑突发场景的城市轨道交通枢纽换乘设施优化配置方法 Download PDFInfo
- Publication number
- CN116307441B CN116307441B CN202211500716.9A CN202211500716A CN116307441B CN 116307441 B CN116307441 B CN 116307441B CN 202211500716 A CN202211500716 A CN 202211500716A CN 116307441 B CN116307441 B CN 116307441B
- Authority
- CN
- China
- Prior art keywords
- transfer
- passengers
- rail transit
- station
- urban rail
- 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
- 238000012546 transfer Methods 0.000 title claims abstract description 236
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000009826 distribution Methods 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000002068 genetic effect Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 230000008447 perception Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000010206 sensitivity analysis Methods 0.000 claims description 4
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 208000027744 congestion Diseases 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 230000010485 coping Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种考虑突发场景的城市轨道交通枢纽换乘设施优化配置方法。该方法包括:获取城市轨道交通网络相关属性并构建城市轨道交通网络G(N,L),建立城市轨道交通枢纽换乘设施的服务效率计算模型,假设乘客根据行程时间选择出行路径,考虑突发事件场景的随机性,以最小化突发事件场景下乘客实际平均出行成本及与换乘设施周边乘客拥挤度相关惩罚值的加权和的期望为目标,建立换乘设施配置双层随机规划模型,对城市轨道交通网络换乘设施的配置进行优化。本发明考虑扶梯和楼梯的服务特性不同及乘客对换乘设施的选择偏好,利用排队论模型分别建模城市轨道交通网络不同种类的换乘设施对乘客的服务过程,可以在城市轨道交通网络上进行客流换乘延误分析。
Description
技术领域
本发明涉及城市轨道交通管理技术领域,尤其涉及一种考虑突发场景的城市轨道交通枢纽换乘设施优化配置方法。
背景技术
城市轨道交通网络作为城市公共交通系统的重要组成部分,是支撑大都市居民通勤及日常出行活动的重要交通方式,具有运量大、速度快和准时便捷等特点。
城市轨道交通网络的运行受多种自然及人为风险因素影响,导致部分线路、区间或站点突发故障或服务中断的现象时有发生,进而引起网络内客流转移。此外,大型文体、集会等活动也会导致部分站点短时吸引大量客流。上述两类情况均会导致城市轨道交通换乘站点客流增大,引发关键换乘服务设施(楼梯、扶梯等)的配置不能满足突发事件下乘客换乘需求的问题。在此类事件影响下,乘客选择替代路径出行或部分站点突发大客流会导致部分线路和站点客流量激增,一些换乘枢纽站点设置的换乘设施服务能力不能与事件下增大的乘客换乘需求相匹配,从而可能会在关键换乘设施如扶梯、楼梯处发生拥堵。该现象不仅会增大出行时间延误,还有可能在关键换乘设施周边堆积大量乘客时引发踩踏等危险事件。
因此,考虑突发事件下乘客的换乘需求,科学优化换乘枢纽站点的换乘设施配置,在有限的资源约束下合理配置、增强关键换乘设施服务能力,减少突发事件下乘客换乘过程中的延误、减少关键换乘设施周边乘客拥挤度,对提高乘客出行效率、避免危险事故的发生、进而提高系统应对突发事件的韧性十分重要。
现有技术中的一种城市轨道交通枢纽换乘设施优化配置方法包括:针对乘客在轨道交通站点楼梯及扶梯处的排队机理,有学者利用排队论中的D/D/n模型计算乘客的排队延时,即将乘客排队系统建模为乘客按照确定的时间间隔到达,服务用时为确定时间间隔的多服务台模型。还有学者根据实测数据拟合了乘客在楼梯上的流量-密度曲线。还有学者分析上行和下行楼梯的行人流交通特性,利用VISSIM软件仿真楼梯上行、下行方向的行人通行能力。还有学者基于M/G/c/c排队模型构建地铁车站楼梯与通道乘客疏散能力瓶颈分析模型,识别乘客到达率发生变化时的楼梯、通道疏散瓶颈点。还有学者按照轨道交通枢纽内楼梯位置不同,研究枢纽出入口楼梯、站台连接处楼梯、以及换乘楼梯的客流特征,考虑乘客个体特性建立流量-密度模型,利用基于社会力模型的Anylogic软件对楼梯通行能力进行仿真分析。
针对轨道交通网络楼梯和扶梯的优化配置,有学者结合车站客流量对轨道交通车站乘客楼梯、电梯的使用需求量作出预测,确定楼梯、电梯的设计宽度及扶梯和楼梯的宽度比例。还有学者考虑乘客体验、乘客安全及美观程度对地铁楼梯和扶梯的相对位置进行设计优化。还有学者提出了一种轨道交通车站中大提升段的楼梯、自动扶梯并行布置结构,解决现有轨道交通车站大提升段楼梯、自动扶梯并行布置位置差距过大的问题。还有学者基于自动扶梯的PH/PH/C1/C混联排队模型和通道楼梯设施的PH/PH(n)/C/C状态相关混联排队模型,考虑高效性、舒适性、安全性和稳定性确定站点的扶梯、楼梯配置数量。
上述现有技术中的一种城市轨道交通枢纽换乘设施优化配置方法的缺点包括:利用排队论对乘客在轨道交通换乘扶梯、楼梯处的排队行为进行建模和分析时,较少区分扶梯和楼梯的服务特性不同而分别进行建模。采用仿真工具从微观角度对乘客在换乘设施处的通行行为进行仿真分析计算成本高,不适用于大规模网络、多个站点换乘设施联合优化问题的高效求解。
对于轨道交通站点楼梯、扶梯的优化布设,现有方案一般解决单个站点的换乘设施的布设方式、布设位置、结构设计等问题,较少从网络整体角度考虑客流需求与换乘设施服务能力的匹配,缺少在网络层面实现多站点换乘设施布设数量联合优化配置的方法。并且,对于换乘设施的设置,现有工作较少考虑突发事件影响下网络客流重新分布或突发大客流对站点换乘设施布设从韧性提升角度所提出的新要求。
发明内容
本发明的实施例提供了一种考虑突发场景的城市轨道交通枢纽换乘设施优化配置方法,以提高城市轨道交通网络在突发事件下的运输效率、安全性等服务水平指标。
为了实现上述目的,本发明采取了如下技术方案。
一种考虑突发场景的城市轨道交通枢纽换乘设施优化配置方法,包括:
获取城市轨道交通网络相关属性并构建城市轨道交通网络,建立城市轨道交通枢纽换乘设施的服务效率计算模型,利用所述服务效率计算模型计算乘客在换乘设施的平均延误时间以及排队乘客数量;
根据城市轨道交通系统的历史运营数据,采样突发事件场景;
假设乘客根据行程时间选择出行路径,考虑突发事件场景的随机性,以最小化突发事件场景下乘客实际平均出行成本及与换乘设施周边乘客拥挤度相关惩罚值的加权和的期望为目标,建立换乘设施配置双层随机规划模型,基于所述换乘设施配置双层随机规划模型对城市轨道交通网络换乘设施的配置进行优化。
优选地,所述的获取城市轨道交通网络相关属性并构建城市轨道交通网络,包括:
获取城市轨道交通网络相关属性,所述网络相关属性包括:线路各区间列车行驶时间、枢纽站点换乘设施种类及个数和各换乘站换乘步行时间,根据轨道交通网络刷卡数据获取区分工作日与休息日的在全天不同时段的乘客出行需求矩阵数据,所述换乘设施包括扶梯和楼梯;
构建城市轨道交通网络G(N,L),将城市轨道交通网络表示为由节点(N)和连边(L)组成的有向网络G(N,L),节点表示站点;连边表示线路区间,具有列车在区间的行驶时间属性,同一换乘枢纽站点在不同线路上由不同的节点表示,两个节点之间增加虚拟连边表示乘客在换乘枢纽站点从一条线路到达另一条线路需要经过换乘,虚拟连边的属性为乘客换乘所需的时间。
优选地,所述的建立城市轨道交通枢纽换乘设施的服务效率计算模型,利用所述服务效率计算模型计算乘客在换乘设施的平均延误时间以及排队乘客数量,包括:
建立城市轨道交通枢纽换乘设施的服务效率计算模型,利用排队论建模乘客在换乘设施处的服务情况,对不同种类的换乘设施分别建模,根据乘客到达率服从泊松分布、服务时间为常数、单服务台的排队模型,计算乘客在扶梯处的平均延误时间及排队长度;根据乘客到达率服从泊松分布、服务时间服从任意分布、单服务台的排队模型,计算乘客在楼梯处的平均延误时间及排队长度;假设每个设施的乘客到达率服从相同分布;
对于城市轨道交通网络,一些线路的出站乘客在出站时需要和换乘乘客共用换乘设施,将这部分出站乘客的数量加入换乘乘客总数中,乘客在一个换乘枢纽站点i换乘设施处的平均等待时间wqi表示为:
Qi为站点i的换乘乘客数量;αei为站点i选择扶梯换乘的乘客比例,αei∈[0,1];αsi为站点i选择楼梯换乘的乘客比例,αsi∈[0,1];αei+αsi=1,当换乘站只有扶梯换乘时,αei=1,当换乘站只有楼梯换乘时,αsi=1;μei为站点i一台扶梯每小时能够输送的乘客数量,μsi为站点i一个楼梯每小时能够输送的乘客数量,nei为站点i设置的换乘扶梯的数量,nsi为站点i设置的换乘楼梯的数量,σ2(vsi)为站点i楼梯服务时间的方差;
在一个换乘枢纽站点i换乘设施处发生排队的乘客总数Lqi表示为:
优选地,所述的根据城市轨道交通系统的历史运营数据,采样突发事件场景,包括:
根据轨道交通历史运营数据,统计各线路、区间和站点发生故障的概率以及各站点突发大客流的概率,参考统计的突发事件发生概率利用蒙特卡洛模拟对突发事件场景进行采样,所述突发事件场景包括失效场景及大客流场景,失效场景为将连边或节点根据故障概率从网络中随机删除,以表示其失去功能,网络中未删除的连边和节点正常运行,大客流场景为相应站点进站客流量快速增大。
优选地,所述的假设乘客根据行程时间选择出行路径,包括:
设乘客倾向于选择感知到的行程时间最短的路径作为出行路径或根据出行偏好选择出行路径,乘客对于路径行程时间的感知存在误差,乘客感知的轨道交通路径的行程时间T包括乘车时间Tr、换乘时间Tt,则行程时间T表示为:
T=Tr+Tt+ε
其中,ε表示乘客感知路径行程时间的误差,为随机项;Tl为线路区间l的列车行驶时间;δl为二进制变量,当出行路径包含区间l,δl取值为1,反之为0;Tfi为乘客在i站换乘的步行时间;Wqi为乘客在站点i换乘设施处的平均等待时间;δi为二进制变量,当乘客在站点i换乘时,δi取值为1,反之取值为0;E为换乘枢纽站点集合;
假设乘客感知路径行程时间的随机项相互独立且服从Gumbel分布,则乘客选择路径的概率可以利用logit模型表示为:
其中,PR为乘客选择路径R的概率,PR∈[0,1];TR为路径R的行程时间,根据行程时间T的公式计算;θ是度量乘客总体对城市轨道交通网络熟悉程度的指标,Re为有效路径集。
优选地,所述的利用遗传算法对所述换乘设施配置双层随机规划模型进行求解,包括:
设置遗传算法迭代次数I、迭代终止阈值e及下层模型的突发事件场景采样数J,在第i次迭代过程中,由遗传算法给出一个解,根据该解所表示的决策含义,在城市轨道交通网络相应站点增设换乘设施;
采样J个突发事件场景,在每个突发事件场景下基于logit随机用户平衡进行客流分配,计算该场景下的目标函数值S,即乘客实际平均出行成本及与关键换乘设施周边乘客拥挤度相关惩罚值的加权和,并将J个采样场景的目标函数值求和,获得Si;
将当前迭代所得Si与上次迭代的Si-1进行对比,当两次迭代的结果之差小于迭代终止阈值,判定遗传算法收敛,输出当前解作为最优决策;或当迭代次数达到初始设置次数,迭代结束,输出当前解作为最优决策;否则,遗传算法根据当前迭代结果优化调整解,进行下次迭代,直至达到迭代终止条件。
优选地,所述的考虑突发事件场景的随机性,以最小化突发事件场景下乘客实际平均出行成本及与换乘设施周边乘客拥挤度相关惩罚值的加权和的期望为目标,建立换乘设施配置双层随机规划模型,基于所述换乘设施配置双层随机规划模型对城市轨道交通网络换乘设施的配置进行优化,包括:
以最小化突发事件场景下乘客实际平均出行成本及与关键换乘设施周边乘客拥挤度相关惩罚值的加权和的期望为目标,建立换乘设施配置双层随机规划模型,决策是否在换乘枢纽站点增设扶梯或楼梯,所述换乘设施配置双层随机规划模型如下:
上层模型:
下层模型:
其中,ξ为随机变量, Ξ为突发事件场景集合;Mu为突发事件场景下选择城市轨道交通网络出行的乘客集合;nu为选择城市轨道交通方式出行的乘客数量;Tu(y)为在优化决策y下乘客u的行程时间;E为换乘枢纽站点集合;Lqi为换乘枢纽站点i换乘设施处发生排队的乘客总数;ci为换乘枢纽站点i的容量;γ为惩罚系数;yi为二进制决策变量,yi取值为1时,表示在站点i增设一台电梯或一个楼梯,反之不增设;Zi为在站点i增设一台电梯或一个楼梯的成本;B为总预算金额;θ为度量乘客总体对城市轨道交通网络熟悉程度的指标;是起点为r,终点为s的OD对的有效路径集合;/>为OD对r,s选择路径R的客流量;L为网络连边集合,包括线路区间和换乘站点的虚拟连边;fl′为连边l′上的客流量;Tl′为连边l′上的行程时间;qr,s为OD对r,s之间的总客流量;/>为二进制变量,当OD对r,s之间的客流选择的路径R经过连边l′时,/>取值为1,反之取值为0;
利用遗传算法对所述换乘设施配置双层随机规划模型进行求解,将在所有采样得到的事件场景集合下使目标函数值最小的优化结果作为换乘设施优化配置的决策方案,该决策方案的内容包括在哪个站点增设哪种换乘设施。
优选地,所述的方法还包括:对优化后的换乘设施配置双层随机规划模型进行参数灵敏度分析,改变模型中设置的参数,分析不同参数对于客流分布、网络运行状态的影响,量化分析模型中关键参数的选取对优化结果的影响。
由上述本发明的实施例提供的技术方案可以看出,本发明考虑突发事件对乘客出行及网络客流分布的影响,在有限资源约束下,从网络层面决策各换乘站点配置关键换乘设施的数量,提升网络关键换乘瓶颈的服务能力以缓解乘客的拥堵及延误,从而提高突发事件下网络的运输效率、安全性等服务水平指标,从而提升网络应对突发事件的韧性。
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为本发明实施例提供的一种考虑突发场景的城市轨道交通枢纽换乘设施配置优化方法的实现原理图;
图2为本发明实施例提供的一种考虑突发场景的城市轨道交通枢纽换乘设施配置优化方法流程图;
图3为本发明实施例提供的一种换乘设施配置双层随机规划模型求解流程图。
具体实施方式
下面详细描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。下面通过参考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、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
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。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
本发明实施例考虑了楼梯和扶梯的服务特性、服务能力以及在各换乘站点的设置数量不同,利用排队论模型对乘客在换乘楼梯和扶梯处的排队行为分别进行建模,同时考虑了乘客选择楼梯和扶梯换乘的偏好,量化计算乘客在换乘楼梯、扶梯处的平均延误时间及排队长度。
考虑到突发事件场景的随机性,本发明实施例根据历史运营数据统计城市轨道交通网络线路、区间及站点的故障概率及站点突发大客流的概率,并据此对突发事件场景进行采样。进一步地,通过构建双层随机规划模型,本发明实施例提供了一种在有限资源约束下,对城市轨道交通网络换乘设施配置进行优化的方法,合理配置、增强关键换乘设施服务能力以减少突发事件下乘客换乘过程中的延误、减少关键换乘设施周边乘客拥挤度,提高城市轨道交通网络应对突发事件的韧性。
本发明实施例提供的一种考虑突发场景的城市轨道交通枢纽换乘设施优化配置方法的实现原理图如图1所示,处理流程如图2所示,包括如下的处理步骤:
步骤A,获取城市轨道交通网络相关属性,所述网络相关属性包括:线路各区间列车行驶时间、枢纽站点换乘设施种类(扶梯、楼梯)及个数,各换乘站换乘步行时间,构建城市轨道交通网络G(N,L)。同时根据轨道交通网络刷卡数据获取在全天不同时段(区分工作日与休息日)的乘客出行需求矩阵(OD矩阵)数据。
步骤B,建立城市轨道交通枢纽换乘设施的服务效率计算模型,利用服务效率计算模型计算乘客在楼梯、扶梯等换乘设施的平均延误时间以及排队乘客数量。
步骤C,根据城市轨道交通系统的历史运营数据,采样突发事件场景。
步骤D,假设乘客根据行程时间选择出行路径,考虑突发事件场景的随机性,以最小化突发事件场景下乘客实际平均出行成本及与关键换乘设施周边乘客拥挤度相关惩罚值的加权和的期望为目标,建立换乘设施配置双层随机规划模型。基于换乘设施配置双层随机规划模型对城市轨道交通网络换乘设施的配置进行优化。假设资源有限,在部分换乘枢纽站点增设扶梯或楼梯以改善换乘设施的服务能力,提高乘客的通行效率。
步骤E,对优化后的换乘设施配置双层随机规划模型进行参数灵敏度分析,量化分析模型中关键参数的选取对优化结果的影响。
其中,在步骤A中所述的“构建城市轨道交通网络”,其具体做法为:将城市轨道交通网络表示为由节点(N)和连边(L)组成的有向网络G(N,L),节点表示站点;连边表示线路区间,具有列车在区间的行驶时间这一属性。其中,同一换乘枢纽站点在不同线路上由不同的节点表示,两个节点之间增加虚拟连边表示乘客在换乘枢纽站点从一条线路到达另一条线路需要经过换乘,虚拟连边的属性为乘客换乘所需的时间。
其中,对步骤B中所述的“建立城市轨道交通枢纽换乘设施的服务效率计算模型,该模型包括平均等待时间和排队乘客总数计算公式。利用排队论建模乘客在换乘设施处的服务情况,当一个换乘枢纽站点同时存在换乘楼梯、换乘扶梯时,需要对不同种类的换乘设施分别建模。M/D/1模型是一种排队模型,指乘客到达率服从泊松分布、服务时间T是确定常数、单服务台的排队模型。根据M/D/1模型,计算乘客在扶梯处的平均延误时间及排队长度;根据M/G/1模型,即乘客到达率服从泊松分布、服务时间服从任意分布(服务时间的分布为任意形式,但服务时间的期望和方差存在,可以通过实地调查获得期望和方差)、单服务台的排队模型,计算乘客在楼梯处的平均延误时间及排队长度。对于不同的换乘枢纽站点,换乘楼梯、扶梯的数量和规格不同,可以通过实地调查确定设施设置情况。当同一类型设施数量超过一个时,将其处理为多个单服务台系统,每个设施的乘客到达率服从相同分布。
对于城市轨道交通网络,一些线路的出站乘客在出站时可能需要和换乘乘客共用换乘设施,此时需要将这部分出站乘客的数量加入换乘乘客总数中。则乘客在一个换乘枢纽站点i换乘设施处的平均等待时间wqi可以表示为:
其中:Qi为站点i的换乘乘客数量;αei为站点i选择扶梯换乘的乘客比例,αei∈[0,1];αsi为站点i选择楼梯换乘的乘客比例,αsi∈[0,1];αei+αsi=1,当换乘站只有扶梯可以换乘时,αei=1,当换乘站只有楼梯可以换乘时,αsi=1;μei为站点i一台扶梯每小时可以输送的乘客数量,参考GB 50157-2013《地铁设计规范》和GB 16899-2011《自动扶梯和自动人行道的制造与安装安全规范》;μsi为站点i一个楼梯每小时可以输送的乘客数量,参考GB50157-2013《地铁设计规范》;nei为站点i设置的换乘扶梯的数量;nsi为站点i设置的换乘楼梯的数量;σ2(vsi)为站点i楼梯服务时间的方差。
在一个换乘枢纽站点i换乘设施处发生排队的乘客总数Lqi可以表示为:
其中,在步骤C中所述的“根据城市轨道交通系统的历史运营数据,采样突发事件场景”,其含义为:城市轨道交通网络运营过程中的一些突发事件如接触轨电源故障、通讯设备故障、站点临时关闭等导致部分线路、区间或站点暂停服务功能,造成网络部分失效,一些受影响的乘客出行起终点之间不再存在可通行路径,默认选择其他出行方式,另一些受影响的乘客选择替代路径,转移的客流量加重了部分换乘枢纽站点的负载。另外,部分站点突发大客流也会造成换乘枢纽站点乘客量激增。突发事件下在这些站点的换乘设施处产生的延误比常态下更为严重。考虑到失效场景的随机性,需要对突发事件场景进行采样,进而挖掘潜在的换乘瓶颈,从而为换乘设施优化配置的决策提供支撑。采样方法为根据轨道交通历史运营数据,统计各线路、区间、站点发生故障的概率以及各站点突发大客流的概率,参考统计的事件发生概率利用蒙特卡洛模拟对突发事件场景进行采样,包括失效场景及大客流场景。其中失效场景为将连边或节点根据故障概率从网络中随机删除,以表示其失去功能,网络中未删除的连边和节点正常运行。大客流场景为相应站点进站客流量快速增大。本发明支持对事件场景数量进行设置,一般来说场景越多,采样结果越具有代表性,但计算成本也会相应增加。
其中,在步骤D中所述的“假设乘客根据行程时间选择出行路径”,其含义为:乘客一般会倾向于选择感知到的行程时间最短的路径作为出行路径或根据出行偏好选择出行路径,同时乘客对于路径行程时间的感知存在误差。乘客感知的一条轨道交通路径的行程时间T包括乘车时间Tr、换乘时间Tt,则行程时间T表示为:
T=Tr+Tt+ε
其中,ε表示乘客感知路径行程时间的误差,为随机项;Tl为线路区间l的列车行驶时间;δi为二进制变量,当出行路径包含区间l,δl取值为1,反之为0;Tfi为乘客在i站换乘的步行时间;Wqi为乘客在站点i换乘设施处的平均等待时间;δi为二进制变量,当乘客在站点i换乘时,δi取值为1,反之取值为0;E为换乘枢纽站点集合。
假设乘客感知路径行程时间的随机项相互独立且服从Gumbel分布,则乘客选择路径的概率可以利用logit模型表示为:
其中,PR为乘客选择路径R的概率,PR∈[0,1];TR为路径R的行程时间,根据行程时间T的公式计算;θ是度量乘客总体对轨道交通网络熟悉程度的指标,当θ很大时,人们对路径行程时间的感知误差很小,当θ很小时,人们对路径行程时间的感知误差很大;Re为有效路径集,有效路径集根据路径行程时间筛选,对于某一起终点对,存在行程时间最短路径Rsh,当一条路径R的行程时间TR<(1+β)Tsh时,将路径R纳入有效路径集,β>0,可以根据需求和实际情况进行设置。
其中,在步骤D中所述的“对城市轨道交通网络换乘设施的配置进行优化”,其具体做法为:本发明实施例提供的一种换乘设施配置双层随机规划模型求解流程图如图3所示。以最小化突发事件场景下乘客实际平均出行成本及与关键换乘设施周边乘客拥挤度相关惩罚值的加权和的期望为目标,建立双层随机规划模型,决策是否在换乘枢纽站点增设扶梯或楼梯,建模如下:
上层模型:
下层模型:
其中,ξ为随机变量, Ξ为突发事件场景集合;Mu为突发事件场景下选择城市轨道交通网络出行的乘客集合;nu为选择城市轨道交通方式出行的乘客数量;Tu(y)为在优化决策y下乘客u的行程时间;E为换乘枢纽站点集合;Lqi为换乘枢纽站点i换乘设施处发生排队的乘客总数;ci为换乘枢纽站点i的容量;γ为惩罚系数,决策者可以根据需求和目标设置惩罚系数;yi为二进制决策变量,yi取值为1时,表示在站点i增设一台电梯或一个楼梯,反之不增设;Zi为在站点i增设一台电梯或一个楼梯的成本;B为总预算金额;θ为度量乘客总体对轨道交通网络熟悉程度的指标;/>是起点为r,终点为s的OD对的有效路径集合;为OD对r,s选择路径R的客流量;L为网络连边集合,包括线路区间和换乘站点的虚拟连边;fl′为连边l′上的客流量;Tl′为连边l′上的行程时间;qr,s为OD对r,s之间的总客流量;为二进制变量,当OD对r,s之间的客流选择的路径R经过连边l′时,/>取值为1,反之取值为0。
利用遗传算法对换乘设施配置双层随机规划模型进行求解,首先设置遗传算法迭代次数I、迭代终止阈值e及下层模型的突发事件场景采样数J。在第i次迭代过程中,首先由遗传算法给出一个解,根据该解所表示的决策含义,在城市轨道交通网络相应站点增设换乘设施。采样J个突发事件场景,在每个突发事件场景下基于logit随机用户平衡进行客流分配,计算该场景下的目标函数值S,即乘客实际平均出行成本及与关键换乘设施周边乘客拥挤度相关惩罚值的加权和,并将J个采样场景的目标函数值求和,获得Si。将当前迭代所得Si与上次迭代的Si-1进行对比,当两次迭代的结果之差小于迭代终止阈值,判定遗传算法收敛,输出当前解作为最优决策;或当迭代次数达到初始设置次数,迭代结束,输出当前解作为最优决策;否则,遗传算法根据当前迭代结果优化调整解,进行下次迭代,直至达到迭代终止条件。
最终获得在所有采样得到的事件场景集合下使目标函数值最小的优化结果作为换乘设施优化配置的决策方案,该决策方案的内容包括在哪个站点增设哪种换乘设施。
其中,在步骤E中所述的“对该优化模型进行参数灵敏度分析,量化分析模型中关键参数的选取对优化结果的影响”,其具体做法为:改变乘客对于轨道交通网络熟悉程度的指标θ、惩罚系数γ等参数,分析不同参数对于客流分布、网络运行状态及优化结果的影响。
综上所述,本发明实施例考虑扶梯和楼梯的服务特性不同及乘客对换乘设施的选择偏好,利用排队论模型分别建模城市轨道交通网络不同种类的换乘设施对乘客的服务过程。进而,基于该排队论模型量化乘客在换乘设施处的平均延误时间及排队人数并提供一种计算公式,适用于在大规模城市轨道交通网络上进行客流换乘延误分析。
考虑突发事件对乘客出行及网络客流分布的影响,在有限资源约束下,从网络层面决策各换乘站点配置关键换乘设施的数量,提升网络关键换乘瓶颈的服务能力以缓解乘客的拥堵及延误,从而提高突发事件下网络的运输效率、安全性等服务水平指标,从而提升网络应对突发事件的韧性。在本技术方案所提出的模型中,优化目标综合考虑了网络运行效率及关键换乘设施周边拥堵带来的安全隐患,有利于避免突发事件下危险事故造成的不良后果。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (5)
1.一种考虑突发场景的城市轨道交通枢纽换乘设施优化配置方法,其特征在于,包括:
获取城市轨道交通网络相关属性并构建城市轨道交通网络,建立城市轨道交通枢纽换乘设施的服务效率计算模型,利用所述服务效率计算模型计算乘客在换乘设施的平均延误时间以及排队乘客数量;
根据城市轨道交通系统的历史运营数据,采样突发事件场景;
假设乘客根据行程时间选择出行路径,考虑突发事件场景的随机性,以最小化突发事件场景下乘客实际平均出行成本及与换乘设施周边乘客拥挤度相关惩罚值的加权和的期望为目标,建立换乘设施配置双层随机规划模型,基于所述换乘设施配置双层随机规划模型对城市轨道交通网络换乘设施的配置进行优化;
所述的获取城市轨道交通网络相关属性并构建城市轨道交通网络,包括:
获取城市轨道交通网络相关属性,所述网络相关属性包括:线路各区间列车行驶时间、枢纽站点换乘设施种类及个数和各换乘站换乘步行时间,根据轨道交通网络刷卡数据获取区分工作日与休息日的在全天不同时段的乘客出行需求矩阵数据,所述换乘设施包括扶梯和楼梯;
构建城市轨道交通网络G(N,L),将城市轨道交通网络表示为由节点(N)和连边(L)组成的有向网络G(N,L),节点表示站点;连边表示线路区间,具有列车在区间的行驶时间属性,同一换乘枢纽站点在不同线路上由不同的节点表示,两个节点之间增加虚拟连边表示乘客在换乘枢纽站点从一条线路到达另一条线路需要经过换乘,虚拟连边的属性为乘客换乘所需的时间;
所述的建立城市轨道交通枢纽换乘设施的服务效率计算模型,利用所述服务效率计算模型计算乘客在换乘设施的平均延误时间以及排队乘客数量,包括:
建立城市轨道交通枢纽换乘设施的服务效率计算模型,利用排队论建模乘客在换乘设施处的服务情况,对不同种类的换乘设施分别建模,根据乘客到达率服从泊松分布、服务时间为常数、单服务台的排队模型,计算乘客在扶梯处的平均延误时间及排队长度;根据乘客到达率服从泊松分布、服务时间服从任意分布、单服务台的排队模型,计算乘客在楼梯处的平均延误时间及排队长度;假设每个设施的乘客到达率服从相同分布;
对于城市轨道交通网络,一些线路的出站乘客在出站时需要和换乘乘客共用换乘设施,将这部分出站乘客的数量加入换乘乘客总数中,乘客在一个换乘枢纽站点i换乘设施处的平均等待时间wqi表示为:
Qi为站点i的换乘乘客数量;αei为站点i选择扶梯换乘的乘客比例,αei∈[0,1];αsi为站点i选择楼梯换乘的乘客比例,αsi∈[0,1];αei+αsi=1,当换乘站只有扶梯换乘时,αei=1,当换乘站只有楼梯换乘时,αsi=1;μei为站点i一台扶梯每小时能够输送的乘客数量,μsi为站点i一个楼梯每小时能够输送的乘客数量,nei为站点i设置的换乘扶梯的数量,nsi为站点i设置的换乘楼梯的数量,σ2(vsi)为站点i楼梯服务时间的方差;
在一个换乘枢纽站点i换乘设施处发生排队的乘客总数Lqi表示为:
所述的考虑突发事件场景的随机性,以最小化突发事件场景下乘客实际平均出行成本及与换乘设施周边乘客拥挤度相关惩罚值的加权和的期望为目标,建立换乘设施配置双层随机规划模型,基于所述换乘设施配置双层随机规划模型对城市轨道交通网络换乘设施的配置进行优化,包括:
以最小化突发事件场景下乘客实际平均出行成本及与关键换乘设施周边乘客拥挤度相关惩罚值的加权和的期望为目标,建立换乘设施配置双层随机规划模型,决策是否在换乘枢纽站点增设扶梯或楼梯,所述换乘设施配置双层随机规划模型如下:
上层模型:
下层模型:
其中,ξ为随机变量, Ξ为突发事件场景集合;Mu为突发事件场景下选择城市轨道交通网络出行的乘客集合;nu为选择城市轨道交通方式出行的乘客数量;Tu(y)为在优化决策y下乘客u的行程时间;E为换乘枢纽站点集合;Lqi为换乘枢纽站点i换乘设施处发生排队的乘客总数;ci为换乘枢纽站点i的容量;γ为惩罚系数;yi为二进制决策变量,yi取值为1时,表示在站点i增设一台电梯或一个楼梯,反之不增设;Zi为在站点i增设一台电梯或一个楼梯的成本;B为总预算金额;θ为度量乘客总体对城市轨道交通网络熟悉程度的指标;是起点为r,终点为s的OD对的有效路径集合;/>为OD对r,s选择路径R的客流量;L为网络连边集合,包括线路区间和换乘站点的虚拟连边;fl′为连边l′上的客流量;Tl′为连边l′上的行程时间;qr,s为OD对r,s之间的总客流量;/>为二进制变量,当OD对r,s之间的客流选择的路径R经过连边l′时,/>取值为1,反之取值为0;
利用遗传算法对所述换乘设施配置双层随机规划模型进行求解,将在所有采样得到的事件场景集合下使目标函数值最小的优化结果作为换乘设施优化配置的决策方案,该决策方案的内容包括在哪个站点增设哪种换乘设施。
2.根据权利要求1所述的方法,其特征在于,所述的根据城市轨道交通系统的历史运营数据,采样突发事件场景,包括:
根据轨道交通历史运营数据,统计各线路、区间和站点发生故障的概率以及各站点突发大客流的概率,参考统计的突发事件发生概率利用蒙特卡洛模拟对突发事件场景进行采样,所述突发事件场景包括失效场景及大客流场景,失效场景为将连边或节点根据故障概率从网络中随机删除,以表示其失去功能,网络中未删除的连边和节点正常运行,大客流场景为相应站点进站客流量快速增大。
3.根据权利要求2所述的方法,其特征在于,所述的假设乘客根据行程时间选择出行路径,包括:
设乘客倾向于选择感知到的行程时间最短的路径作为出行路径或根据出行偏好选择出行路径,乘客对于路径行程时间的感知存在误差,乘客感知的轨道交通路径的行程时间T包括乘车时间Tr、换乘时间Tt,则行程时间T表示为:
T=Tr+Tt+ε
其中,ε表示乘客感知路径行程时间的误差,为随机项;Tl为线路区间l的列车行驶时间;δl为二进制变量,当出行路径包含区间l,δl取值为1,反之为0;Tfi为乘客在i站换乘的步行时间;Wqi为乘客在站点i换乘设施处的平均等待时间;δi为二进制变量,当乘客在站点i换乘时,δi取值为1,反之取值为0;E为换乘枢纽站点集合;
假设乘客感知路径行程时间的随机项相互独立且服从Gumbel分布,则乘客选择路径的概率可以利用logit模型表示为:
其中,PR为乘客选择路径R的概率,PR∈[0,1];TR为路径R的行程时间,根据行程时间T的公式计算;θ是度量乘客总体对城市轨道交通网络熟悉程度的指标,Re为有效路径集。
4.根据权利要求1所述的方法,其特征在于,所述的利用遗传算法对所述换乘设施配置双层随机规划模型进行求解,包括:
设置遗传算法迭代次数I、迭代终止阈值e及下层模型的突发事件场景采样数J,在第i次迭代过程中,由遗传算法给出一个解,根据该解所表示的决策含义,在城市轨道交通网络相应站点增设换乘设施;
采样J个突发事件场景,在每个突发事件场景下基于logit随机用户平衡进行客流分配,计算该场景下的目标函数值S,即乘客实际平均出行成本及与关键换乘设施周边乘客拥挤度相关惩罚值的加权和,并将J个采样场景的目标函数值求和,获得Si;
将当前迭代所得值与上次迭代所得值进行对比,当两次迭代的结果之差小于迭代终止阈值,判定遗传算法收敛,输出当前解作为最优决策;或当迭代次数达到初始设置次数,迭代结束,输出当前解作为最优决策;否则,遗传算法根据当前迭代结果优化调整解,进行下次迭代,直至达到迭代终止条件。
5.根据权利要求1所述的方法,其特征在于,所述的方法还包括:对优化后的换乘设施配置双层随机规划模型进行参数灵敏度分析,改变模型中设置的参数,分析不同参数对于客流分布、网络运行状态的影响,量化分析模型中关键参数的选取对优化结果的影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211500716.9A CN116307441B (zh) | 2022-11-28 | 2022-11-28 | 考虑突发场景的城市轨道交通枢纽换乘设施优化配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211500716.9A CN116307441B (zh) | 2022-11-28 | 2022-11-28 | 考虑突发场景的城市轨道交通枢纽换乘设施优化配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116307441A CN116307441A (zh) | 2023-06-23 |
CN116307441B true CN116307441B (zh) | 2023-11-03 |
Family
ID=86832976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211500716.9A Active CN116307441B (zh) | 2022-11-28 | 2022-11-28 | 考虑突发场景的城市轨道交通枢纽换乘设施优化配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307441B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016045195A1 (zh) * | 2014-09-22 | 2016-03-31 | 北京交通大学 | 一种城轨路网客流估算方法 |
CN106779190A (zh) * | 2016-12-02 | 2017-05-31 | 东南大学 | 一种城市轨道交通乘客出行路径建议方法及系统 |
CN107194497A (zh) * | 2017-04-27 | 2017-09-22 | 北京交通大学 | 一种突发事件下城市轨道交通乘客出行路径规划方法 |
CN112149889A (zh) * | 2020-09-15 | 2020-12-29 | 北京交通大学 | 考虑客流分配的轨道交通开行线路及频率协同优化方法 |
CN112819316A (zh) * | 2021-01-29 | 2021-05-18 | 西南交通大学 | 一种综合客运枢纽轨道交通系统的枢纽运能识别方法 |
-
2022
- 2022-11-28 CN CN202211500716.9A patent/CN116307441B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016045195A1 (zh) * | 2014-09-22 | 2016-03-31 | 北京交通大学 | 一种城轨路网客流估算方法 |
CN106779190A (zh) * | 2016-12-02 | 2017-05-31 | 东南大学 | 一种城市轨道交通乘客出行路径建议方法及系统 |
CN107194497A (zh) * | 2017-04-27 | 2017-09-22 | 北京交通大学 | 一种突发事件下城市轨道交通乘客出行路径规划方法 |
CN112149889A (zh) * | 2020-09-15 | 2020-12-29 | 北京交通大学 | 考虑客流分配的轨道交通开行线路及频率协同优化方法 |
CN112819316A (zh) * | 2021-01-29 | 2021-05-18 | 西南交通大学 | 一种综合客运枢纽轨道交通系统的枢纽运能识别方法 |
Non-Patent Citations (2)
Title |
---|
刘剑锋 ; 四兵锋 ; 刘新华 ; 马毅林 ; .基于乘客类别的城市轨道交通流量分配模型研究.物流技术.2011,(第23期),全文. * |
基于乘客类别的城市轨道交通流量分配模型研究;刘剑锋;四兵锋;刘新华;马毅林;;物流技术(第23期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116307441A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115809729B (zh) | 考虑新增线路的城市轨道交通枢纽换乘设施优化配置方法 | |
Yalçınkaya et al. | Modelling and optimization of average travel time for a metro line by simulation and response surface methodology | |
Zhu et al. | A bi-level model for single-line rail timetable design with consideration of demand and capacity | |
CN110390421B (zh) | 基于时空网络的拥堵地铁线路客流协调控制方法 | |
CN109409560B (zh) | 基于多智能体仿真的城市轨道交通客流诱导方法 | |
CN111401614B (zh) | 一种城市轨道交通动态客流分配方法及系统 | |
CN108364127B (zh) | 一种路网客流协同控制优化系统 | |
CN105488751A (zh) | 一种地铁站客流微观统计与调度方法 | |
CN110084397B (zh) | 一种地铁直达线路规划方法 | |
CN112381260A (zh) | 基于进站比例的城市轨道交通客流管控优化方法 | |
CN112990648A (zh) | 一种轨道交通网络运营稳定性评估方法 | |
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 | |
CN112906179B (zh) | 一种基于流体排队网络的城市轨道交通客流控制优化方法 | |
CN108364093B (zh) | 基于能力瓶颈疏解策略的路网客流协同控制优化方法 | |
CN116307441B (zh) | 考虑突发场景的城市轨道交通枢纽换乘设施优化配置方法 | |
CN108197724B (zh) | 公交复杂网络中效率权重计算与公交方案性能评估方法 | |
CN107689917B (zh) | 一种基于非一致性业务均衡的电力通信网路由分配方法 | |
Zhen et al. | Train rescheduling model with train delay and passenger impatience time in urban subway network | |
CN108515988B (zh) | 一种提高乘客时效的列车运行图优化方法 | |
CN114021796B (zh) | 城市轨道交通控流方法、装置及非易失性存储介质 | |
Ceder et al. | Detecting and improving public-transit connectivity with case studies of two world sport events | |
Jiten et al. | Effect of stairway width on pedestrian flow characteristics at railway stations | |
Jiten et al. | Impact of train schedule on pedestrian movement on stairway at suburban rail transit station in Mumbai, India | |
Zhang et al. | A general metro timetable rescheduling approach for the minimisation of the capacity loss after random line disruption | |
CN113379157A (zh) | 以排队公平为导向的城市安全屏障优化设计软件 |
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 |