CN116542404B - 一种客运枢纽场站抵站旅客接续换乘时间的预测方法 - Google Patents

一种客运枢纽场站抵站旅客接续换乘时间的预测方法 Download PDF

Info

Publication number
CN116542404B
CN116542404B CN202310826157.9A CN202310826157A CN116542404B CN 116542404 B CN116542404 B CN 116542404B CN 202310826157 A CN202310826157 A CN 202310826157A CN 116542404 B CN116542404 B CN 116542404B
Authority
CN
China
Prior art keywords
time
passenger
transfer
continuous transfer
station
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
CN202310826157.9A
Other languages
English (en)
Other versions
CN116542404A (zh
Inventor
柴娇龙
高润鸿
陈旭蕊
孙宇星
刘治伸
李歆童
翁剑成
陈肃薇
郭丹
王宇
周博宇
董玉强
王元龙
范嘉伦
邱刚
石佳
陈晓
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.)
Beijing Transportation Development Center
Original Assignee
Beijing Transportation Development Center
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 Beijing Transportation Development Center filed Critical Beijing Transportation Development Center
Priority to CN202310826157.9A priority Critical patent/CN116542404B/zh
Publication of CN116542404A publication Critical patent/CN116542404A/zh
Application granted granted Critical
Publication of CN116542404B publication Critical patent/CN116542404B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • 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)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及换乘时间预测技术领域，尤其涉及一种客运枢纽场站抵站旅客接续换乘时间的预测方法。本发明通过基于枢纽场站接续交通方式的划分，构建各类接续换乘时间解析模型，基于不同模型的解析将各类接续交通方式接续换乘时间的组成变量划分为静态指标与动态指标，并以抵站客流量预测数据以及预测各接续运输方式分担率预测数据作为基础数据支撑，分别构建了静态指标与动态指标计算模型，最终依据模型形成不同时段、不同客流量下各类接续交通方式的接续换乘时间计算方法。本发明有助于旅客获取需求的动态信息数据，可以更加完善枢纽旅客动态信息服务系统，提升旅客出行效率，为枢纽接续运输保障优化提供更好的技术支撑。

Description

一种客运枢纽场站抵站旅客接续换乘时间的预测方法
技术领域
本发明涉及换乘时间预测技术领域，尤其涉及一种客运枢纽场站抵站旅客接续换乘时间的预测方法。
背景技术
对外客运枢纽是城市内外交通联系的结合部，承担着城市内外部客流换乘和集散的重要任务，枢纽抵站客流量具有波动性、不确定性等特点；若在短时间内通过铁路、民航等到达城市的客流大量聚集在站场，就需要快速实现乘客的高效率疏散，并与多种交通方式进行快速接驳，若内外衔接不良则会导致城市内外交通联系不畅；为了更好地组织和引导枢纽抵站旅客完成接续换乘，就需要准确、全面地为旅客提供接续换乘相关信息服务；实时获取枢纽接续换乘的动态换乘信息可以更好地实现抵站旅客的快速疏散，并帮助旅客高效决策。
为最大化满足旅客的信息需求，提供更加全面的动态信息服务，枢纽运营者需要完善接续换乘动态信息库，获取各动态指标的实时信息并将其较好地呈现在各适合点位的“动态交通信息引导屏”上，同时也可以把相关信息通过个人移动终端或者出行APP，整合枢纽接续换乘室内导航等模块实现信息发布；通过获取实时接续换乘时间数据，可以使旅客最直观地了解到枢纽场站内各接续运输方式换乘情况，对帮助旅客准确决策，提高接续运输效率具有重要意义。
在对接续换乘时间的计算中，出行中的静态指标是较为容易进行测量与获取的，比如平面通道的步行时间、垂直移动设施，比如楼梯、直梯、滚梯等的乘坐时间、出站时间等，而对于各接续运输方式接驳点的实际排队时间、乘坐电梯时的等待时间、候车时间等动态数据较难测算，各设施点与接续点是否排队以及所需的排队时间与各个位置的实际客流量以及设施的服务能力密切相关，然而枢纽场站内接续换乘过程中各基础设施及接续点的客流难以实时获取，因此对接续换乘时间的准确预测也更加困难。
公开号为CN115018454A的中国发明专利公开了一种基于出行模式识别的乘客出行时间价值计算方法。该专利在计算地铁换乘时间的过程中，直接利用Dijkstra算法求解两地铁站之间的最短路径，通过查阅北京地铁换乘站步行时间，叠加得到最短路径上的总换乘时间。该专利考虑了乘客的换乘心理，以最短路为对象计算换乘时间，但这种方式没有考虑到不同时段、不同客流量情况下设施处可能会产生的排队现象以及接续换乘时间的变化，时间数据的求解不够准确。
未来，通过实时计算得到的接续换乘时间，可在枢纽内设置的交通信息引导屏以及个人移动终端或者出行APP上进行相关信息发布，抵站旅客可根据枢纽场站内各接续交通方式的不同接续换乘时间选择个人接续出行方式。获取旅客需求的动态信息数据，可以更加完善枢纽旅客动态信息服务系统，有效组织旅客接续换乘，提升旅客出行效率，为枢纽接续运输保障优化提供更好的技术支撑。
发明内容
为此，本发明提供一种客运枢纽场站抵站旅客接续换乘时间的预测方法，用以克服现有技术中客运枢纽无法准确预测出各种换乘方式的换乘时间的问题。
为实现上述目的，本发明提供一种客运枢纽场站抵站旅客接续换乘时间的预测方法，包括，
步骤S1，根据待预测客运枢纽构建枢纽接续换乘总时间解析模型，所述枢纽接续换乘总时间解析模型包括，轨道交通接续换乘总时间，出租车接续换乘总时间，公共汽车接续换乘总时间，网约车与私家车接续换乘总时间以及机场大巴与高铁大巴接续换乘总时间；
步骤S2，将所述枢纽接续换乘总时间解析模型的各接续换乘总时间中的变量进行需求指标分解，划分静态换乘耗时指标与动态换乘耗时指标，并绘制枢纽接续换乘图谱；
步骤S3，计算待预测客运枢纽中各设施点实时抵达的客流量；
步骤S4，计算静态换乘耗时指标对应的模型，并根据各设施点实时抵达的客流量计算动态换乘耗时指标对应的模型；
步骤S5，根据枢纽接续换乘图谱中的换乘方式，选择各换乘方式对应的静态换乘耗时指标模型与动态换乘耗时指标模型，形成各换乘方式的接续换乘总时间预测模型。
进一步地，所述轨道交通接续换乘总时间为：
。
其中，为枢纽场站内抵站旅客接续换乘过程中在第n个阶段通过各平面通道的总步行时间；/>为枢纽场站内抵站旅客接续换乘过程中乘坐第n个电梯所花费的时间；为枢纽场站内抵站旅客接续换乘过程中乘坐第n个电梯前在电梯口处的排队时间；为枢纽场站内抵站旅客在轨道交通接续换乘过程中进站所需的时间；/>为枢纽场站内抵站旅客在轨道交通接续换乘过程中到达上车点后等待地铁到站的候车时间；n为正整数；公式中所有变量单位均为秒；
所述出租车接续换乘总时间为：
。
其中，为枢纽场站内抵站旅客在出租车接续换乘过程中到达上车点后乘坐出租车前的候车时间；/>为枢纽场站内抵站旅客在出租车接续换乘过程中乘坐出租车后车辆驶离枢纽站的时间；公式中所有变量单位均为秒；
所述公共汽车接续换乘总时间为：
。
其中，为枢纽场站内抵站旅客在公共汽车接续换乘过程中到达上车点后坐上公交车前的候车时间；公式中所有变量单位均为秒；
所述网约车与私家车接续换乘总时间为：
。
其中，为枢纽场站内抵站旅客在网约车与私家车接续换乘过程中乘坐车辆后车辆驶离枢纽站的时间；公式中所有变量单位均为秒；
所述机场大巴与高铁大巴接续换乘总时间为：
。
其中；为枢纽场站内抵站旅客在机场大巴与高铁大巴接续换乘过程中到达上车点后坐上机场大巴与高铁大巴前的候车时间；公式中所有变量单位均为秒。
进一步地，对所述枢纽接续换乘总时间解析模型中的各接续换乘总时间进行需求指标分解，将各接续换乘总时间中的变量划分静态换乘耗时指标与动态换乘耗时指标，并根据待预测客运枢纽的设施布局及换乘路径绘制枢纽接续换乘图谱；
其中，静态换乘耗时指标包括，；动态换乘耗时指标包括，。
进一步地，对于待预测客运枢纽中任意一设施点i，计算抵达设施点i的实时客流量，
。
其中，为接续方式x的客流预测分担率，/>为待预测客运枢纽内任意一出站口j的抵站预测客流量，M为设施点i处相同换乘设施个数，/>为接续方式x的停车场或站台个数，其中，抵达设施点i的实时客流量/>、接续方式x的客流预测分担率/>、待预测客运枢纽内任意一出站口j的抵站预测客流量/>的计算单位均为，人次/小时。
进一步地，对静态换乘耗时指标直接计算模型，
枢纽场站内抵站旅客接续换乘过程中在第n个阶段通过各平面通道的总步行时间，/>。
其中，为枢纽抵站旅客接续换乘过程中第n阶段经过平面通道的距离，单位为米，V为抵站旅客经过平面通道时的自由流速度单位为米/秒；
枢纽场站内抵站旅客接续换乘过程中乘坐第n个电梯所花费的时间，。
其中，为枢纽抵站旅客接续换乘过程中第n个垂直移动设施的长度单位为米，为垂直移动设施的运行速度或旅客的爬行速度；
枢纽场站内抵站旅客在出租车接续换乘过程中乘坐出租车后车辆驶离枢纽站的时间与枢纽场站内抵站旅客在网约车与私家车接续换乘过程中乘坐车辆后车辆驶离枢纽站的时间/>直接进行取值计算。
进一步地，对动态换乘耗时指标进行模型计算，
。
其中，为第n个垂直移动设施的平均到达率，单位为，人/分钟，通过抵达设施点i的实时客流量/>计算第n个垂直移动设施的实时客流量/>，/>；/>为第n个垂直移动设施的服务能力单位为，人/分钟；/>。
其中，为旅客通过安检的时间，/>为闸机处的服务时间，/>，/>为闸机的平均检票效率，单位为，人/分钟，/>为闸机处时所需的排队时间，/>，/>为检票旅客超高峰小时系数，取1.1；/>为旅客的平均到达率，通过抵达设施点i的实时客流量/>计算，单位为，人/分钟；/>为/>个闸机的服务能力之和，单位为，人/分钟；
。
其中，T为轨道交通、公共汽车、机场大巴与高铁大巴各接续运输方式的发车间隔，t为距离上班次的轨道交通、公共汽车、机场大巴或高铁大巴等各接续运输方式班次发车后，间隔t分钟后抵站旅客到达接续点处等待候车；
对于枢纽场站内抵站旅客在出租车接续换乘过程中到达上车点后乘坐出租车前的候车时间，将根据出租车排队特征与出租车的供给进行计算。
进一步地，根据出租车排队特征与出租车的供给，确定出租车供给是否充足，
当出租车供给充足时，将当前时段（i-1）到达的乘客以的损失率转移到下一个时间段，且/>，即上一时间区间内累积转移的乘客数目为零，则下一时段修正的乘客到达率/>等于初始乘客到达率加上由上一时段转移的乘客量，同时得到下一时段服务台的利用率/>；
根据出租车或服务台的利用率和乘客的转移量估算队长，表示第i个时间区间内累积转移的乘客数目，/>表示第i个时间区间内出租车或服务台的服务能力，两者之差表示第i个时间区间结束时的队长，则/>可用来估算出租车整体服务强度大于/>时的队长，/>为排队中的平均等待时间；
。
对于整体服务强度小于1时乘客的平均排队长度与排队中的平均等待时间表示为：
其中，/>为整体服务强度小于1时乘客平均排队长，/>为整体服务强度小于1的乘客平均等待时间，/>为某一时间范围内出租车能够提供服务的车辆数，即服务台个数，/>为每个出租车服务台的服务强度，/> 为出租车单位时间服务率，/>为乘客到达率；
。
当出租车供给不足时，
其中，为出租车不足时出租车服务效率，/>为出租车充足时服务效率，/>为乘客的服务时间，/>为出租车的到达间隔，即乘客等待出租车的时间；
根据计算/>，得到，/>。
进一步地，轨道交通接续换乘总时间预测模型为，
。
出租车接续换乘总时间预测模型在出租车供给充足时为，
。
出租车接续换乘总时间预测模型在出租车供给不足时为，
。
公共汽车接续换乘总时间预测模型和机场大巴与高铁大巴接续换乘总时间预测模型为，
。
网约车与私家车接续换乘总时间预测模型为，
。
进一步地，在进行计算抵达设施点i的实时客流量时，使用的参数待预测客运枢纽内任意一出站口j的抵站预测客流量/>，通过获取当前客运枢纽场的出站口j的历史出站占比Ra，并获取当前客运枢纽场内的全部乘客数目B，计算客运枢纽场出站口j的抵站预测客流量/>，/>。
进一步地，在获取当前客运枢纽场的出站口j的历史出站占比Ra时，对当日的时间信息进行判定，若当日为非节假日，则获取非节假日历史数据中的出站口j的历史出站占比的平均值作为Ra；若当日为节假日，则获取节假日历史数据中的出站口j的历史出站占比的平均值作为Ra，并获取当日内上一时刻的出站口j的实际出站占比Rs对Ra进行修正，修正后的Ra为修正前Ra与当日内上一时刻的出站口j的实际出站占比Rs的平均值，获取的当日内上一时刻取计算抵达设施点i的实时客流量时的前一小时内。
进一步地，枢纽接续换乘时间解析模型为：首先确定枢纽场站类型，然后进行枢纽场站接续交通方式划分与各类接续换乘时间模型的组成变量解析，绘制各类接续交通方式接续换乘时间示意图，并构建出每一类接续交通方式包含的所有需求指标。
进一步地，枢纽接续换乘时间需求指标分解中，基于不同模型的解析得到接续换乘时间由静态换乘耗时与动态换乘耗时组成，将各类接续运输方式换乘时间的变量全部划分为静态指标与动态指标，并定义静态指标不随时间与客流量等因素变化，具体数值需实际测算；动态指标受时间与客流量等因素影响数值不固定，需根据特定时段与特定客流量的输入进行实时计算。进一步地，换乘流线关键节点或设施点的实时客流量规模计算方法中，分析枢纽抵站旅客接续换乘过程中各种不同类型的流线；基于枢纽抵站客流流线与枢纽接续换乘图谱绘制，分析得到各设施、各接续交通方式接续点等重要节点的客流组成与客流比例；基于抵站客流量预测数据以及各接续交通方式分担率预测数据，构建实时客流量计算方法模型；考虑枢纽场站的实际接续交通方式运营，提出不同时段下的抵站客流预测数据、分方式分担率及客流流线不同，需针对不同情形分别讨论。
进一步地，在静态指标计算模型时，是基于实地测算枢纽空间行人步行距离、垂直移动设施长度等参数，结合行人交通流特性与设施运行速度进行计算。
进一步地，在动态指标计算模型时，是基于不同类型设施、不同接续交通方式分别进行计算模型的构建，主要包括：
垂直移动设施排队时间：以旅客到达率与设施服务能力的比值划分排队时间的计算方法；
轨道交通的进站时间：综合考虑旅客通过安检的时间、闸机处的服务时间以及抵达闸机处时所需的排队时间构建模型，以旅客到达率与设施服务能力的比值划分排队时间的计算方法；
出租车排队时间：采用SBC方法，基于M/M/C排队模型，根据出租车排队特征以及出租车的供给情况，划分出租车供给充足和出租车供给不足两种情况分别构建模型；
轨道交通、公共汽车以及机场大巴/高铁大巴排队时间：设其到达时间，即距上一辆车辆出发的时间，服从均匀分布构建模型。
进一步地，在基于换乘全过程图谱的枢纽接续换乘总时间计算方法，是指针对各部分时间单元的计算模型构建，进行各接续运输方式的各类动静态指标的组合，最终形成各种接续换乘时间的完整计算逻辑。
与现有技术相比，本发明的有益效果在于，通过构建了各类交通运输方式接续换乘总时间模型，全面考虑枢纽抵站旅客整个接续换乘过程中的完整出行链，将接续换乘时间模型构成指标划分为静态指标与动态指标两大类，更加准确地剖析出旅客接续换乘流线；其中，静态指标包括枢纽站内步行时间、电梯乘坐时间、出站时间等；动态指标包括电梯等待时间、接续换乘排队时间、候车时间等。基于枢纽接续换乘旅客的流线解析，构建了一种实时生成各设施间与各类交通方式接续点客流量的计算方法，通过客流量的实时预测与输入，计算出各项动态指标的数值，从而最终依据不同枢纽场站的各接续运输方式的实际动静态指标组成类型，形成不同时段、不同客流规模下各类接续换乘总时间的实时精准计算。
尤其，基于枢纽空间行人步行距离测算数据、客流预测数据、接续运输方式分担率数据等为基础，首先基于实地调研，探究枢纽接续换乘路线，并依据旅客寻路行为，以最短换乘路径作为各接续换乘方式的调查路线，通过现场基础数据采集，结合旅客步行自由流速度，获取静态指标相关数据；对于动态指标而言，通过构建各种设施及接续运输方式的排队时间的计算方法，探究枢纽接续换乘空间内旅客客流组成流线聚集和交织的情况，分析各设施处客流组成类型，引入各枢纽接续换乘节点的客流量计算规则，以各设施点与接续点的预测客流量为输入，实时获取相关动态数据，最终实现各时段的换乘时间计算方法，为旅客提供更加精准的参考。
附图说明
图1为本发明实施例客运枢纽场站抵站旅客接续换乘时间的预测方法的流程图；
图2为本发明实施例轨道交通接续换乘时间组成示意图；
图3为本发明实施例出租车接续换乘时间组成示意图；
图4为本发明实施例公共汽车接续换乘时间组成示意图；
图5为本发明实施例网约车与私家车接续换乘时间组成示意图；
图6为本发明实施例机场大巴与高铁大巴接续换乘时间组成示意图；
图7为本发明实施例枢纽抵站旅客接续换乘各活动点图标示例图；
图8为本发明实施例北京西站接续换乘基础信息图谱；
图9为本发明实施例出站口3抵站旅客接续换乘轨道交通轨迹示意图；
图10为本发明实施例出站口3抵站旅客接续换乘出租车轨迹示意图；
图11为本发明实施例出站口3抵站旅客接续换乘公共汽车与机场大巴轨迹示意图；
图12为本发明实施例出站口3抵站旅客接续换乘网约车与私家车轨迹示意图。
具体实施方式
为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。
需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件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，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1所示，其为本发明实施例客运枢纽场站抵站旅客接续换乘时间的预测方法的流程图，本实施例公开一种客运枢纽场站抵站旅客接续换乘时间的预测方法，包括，
步骤S1，根据待预测客运枢纽构建枢纽接续换乘总时间解析模型，所述枢纽接续换乘总时间解析模型包括，轨道交通接续换乘总时间，出租车接续换乘总时间，公共汽车接续换乘总时间，网约车与私家车接续换乘总时间以及机场大巴与高铁大巴接续换乘总时间；
步骤S2，将所述枢纽接续换乘总时间解析模型的各接续换乘总时间中的变量进行需求指标分解，划分静态换乘耗时指标与动态换乘耗时指标，并绘制枢纽接续换乘图谱；
步骤S3，计算待预测客运枢纽中各设施点实时抵达的客流量；
步骤S4，计算静态换乘耗时指标对应的模型，并根据各设施点实时抵达的客流量计算动态换乘耗时指标对应的模型；
步骤S5，根据枢纽接续换乘图谱中的换乘方式，选择各换乘方式对应的静态换乘耗时指标模型与动态换乘耗时指标模型，形成各换乘方式的接续换乘总时间预测模型。
请继续参阅图2所示，其为本发明实施例轨道交通接续换乘时间组成示意图；
具体而言，所述轨道交通接续换乘总时间为：
。
其中，为枢纽场站内抵站旅客接续换乘过程中在第n个阶段通过各平面通道的总步行时间；/>为枢纽场站内抵站旅客接续换乘过程中乘坐第n个电梯所花费的时间；为枢纽场站内抵站旅客接续换乘过程中乘坐第n个电梯前在电梯口处的排队时间；为枢纽场站内抵站旅客在轨道交通接续换乘过程中进站所需的时间；/>为枢纽场站内抵站旅客在轨道交通接续换乘过程中到达上车点后等待地铁到站的候车时间；n为正整数；公式中所有变量单位均为秒；
请继续参阅图3所示，其为本发明实施例出租车接续换乘时间组成示意图；所述出租车接续换乘总时间为：
。
其中，为枢纽场站内抵站旅客在出租车接续换乘过程中到达上车点后乘坐出租车前的候车时间；/>为枢纽场站内抵站旅客在出租车接续换乘过程中乘坐出租车后车辆驶离枢纽站的时间；公式中所有变量单位均为秒；请继续参阅图4所示，其为本发明实施例公共汽车接续换乘时间组成示意图；
所述公共汽车接续换乘总时间为：
。
其中，为枢纽场站内抵站旅客在公共汽车接续换乘过程中到达上车点后坐上公交车前的候车时间；公式中所有变量单位均为秒；
请继续参阅图5所示，其为本发明实施例网约车与私家车接续换乘时间组成示意图；所述网约车与私家车接续换乘总时间为：
。
其中，为枢纽场站内抵站旅客在网约车与私家车接续换乘过程中乘坐车辆后车辆驶离枢纽站的时间；公式中所有变量单位均为秒；
请继续参阅图6所示，其为本发明实施例机场大巴与高铁大巴接续换乘时间组成示意图；
所述机场大巴与高铁大巴接续换乘总时间为：
。
其中；为枢纽场站内抵站旅客在机场大巴与高铁大巴接续换乘过程中到达上车点后坐上机场大巴与高铁大巴前的候车时间；公式中所有变量单位均为秒。
请参阅表1所示，对所述枢纽接续换乘总时间解析模型中的各接续换乘总时间进行需求指标分解，将各接续换乘总时间中的变量划分静态换乘耗时指标与动态换乘耗时指标，并根据待预测客运枢纽的设施布局及换乘路径绘制枢纽接续换乘图谱；
其中，静态换乘耗时指标包括，；动态换乘耗时指标包括，，
具体而言，对于待预测客运枢纽中任意一设施点i，计算抵达设施点i的实时客流量，
。
其中，为接续方式x的客流预测分担率，/>为待预测客运枢纽内任意一出站口j的抵站预测客流量，M为设施点i处相同换乘设施个数，/>为接续方式x的停车场或站台个数，其中，抵达设施点i的实时客流量/>、接续方式x的客流预测分担率/>、待预测客运枢纽内任意一出站口j的抵站预测客流量/>的计算单位均为，人次/小时。
具体而言，对静态换乘耗时指标直接计算模型，
枢纽场站内抵站旅客接续换乘过程中在第n个阶段通过各平面通道的总步行时间，/>。
其中，为枢纽抵站旅客接续换乘过程中第n阶段经过平面通道的距离，单位为米，V为抵站旅客经过平面通道时的自由流速度单位为 米/秒；/>
枢纽场站内抵站旅客接续换乘过程中乘坐第n个电梯所花费的时间，。
其中，为枢纽抵站旅客接续换乘过程中第n个垂直移动设施的长度单位为米，为垂直移动设施的运行速度或旅客的爬行速度；
枢纽场站内抵站旅客在出租车接续换乘过程中乘坐出租车后车辆驶离枢纽站的时间与枢纽场站内抵站旅客在网约车与私家车接续换乘过程中乘坐车辆后车辆驶离枢纽站的时间/>直接进行取值计算。
具体而言，对动态换乘耗时指标进行模型计算，。
其中，为第n个垂直移动设施的平均到达率，单位为，人/分钟，通过抵达设施点i的实时客流量/>计算第n个垂直移动设施的实时客流量/>，/>；/>为第n个垂直移动设施的服务能力单位为，人/分钟；
。
其中，为旅客通过安检的时间，/>为闸机处的服务时间，/>，/>为闸机的平均检票效率，单位为，人/分钟，/>为闸机处时所需的排队时间，/>，/>为检票旅客超高峰小时系数，取1.1；/>为旅客的平均到达率，通过抵达设施点i的实时客流量/>计算，单位为，人/分钟；/>为/>个闸机的服务能力之和，单位为，人/分钟；
。
其中，T为轨道交通、公共汽车、机场大巴与高铁大巴各接续运输方式的发车间隔；
对于枢纽场站内抵站旅客在出租车接续换乘过程中到达上车点后乘坐出租车前的候车时间，将根据出租车排队特征与出租车的供给进行计算。
具体而言，根据出租车排队特征与出租车的供给，确定出租车供给是否充足，
当出租车供给充足时，将当前时段（i-1）到达的乘客以的损失率转移到下一个时间段，且/>，即上一时间区间内累积转移的乘客数目为零，则下一时段修正的乘客到达率/>等于初始乘客到达率加上由上一时段转移的乘客量，同时得到下一时段服务台的利用率/>；
根据出租车或服务台的利用率和乘客的转移量估算队长，表示第i个时间区间内累积转移的乘客数目，/>表示第i个时间区间内出租车或服务台的服务能力，两者之差表示第i个时间区间结束时的队长，则/>可用来估算出租车整体服务强度大于/>时的队长，/>为排队中的平均等待时间；
。
对于整体服务强度小于1时乘客的平均排队长度与排队中的平均等待时间表示为：
。
其中，为整体服务强度小于1时乘客平均排队长，/>为整体服务强度小于1的乘客平均等待时间，/>为某一时间范围内出租车能够提供服务的车辆数，即服务台个数，为每个出租车服务台的服务强度，/> 为出租车单位时间服务率，/>为乘客到达率；/>
。
当出租车供给不足时，。
其中，为出租车不足时出租车服务效率，/>为出租车充足时服务效率，/>为乘客的服务时间，/>为出租车的到达间隔，即乘客等待出租车的时间；
根据计算/>，得到，
。
具体而言，轨道交通接续换乘总时间预测模型为，
。
出租车接续换乘总时间预测模型在出租车供给充足时为，
。
出租车接续换乘总时间预测模型在出租车供给不足时为，
。
公共汽车接续换乘总时间预测模型和机场大巴与高铁大巴接续换乘总时间预测模型为，
。
网约车与私家车接续换乘总时间预测模型为，
。
请继续参阅图7所示，其为本发明实施例枢纽抵站旅客接续换乘各活动点图标示例图；
具体而言，枢纽接续换乘时间解析模型为：首先确定枢纽场站类型，然后进行枢纽场站接续交通方式划分与各类接续换乘时间模型的组成变量解析，绘制各类接续交通方式接续换乘时间示意图，并构建出每一类接续交通方式包含的所有需求指标。
具体而言，枢纽接续换乘时间需求指标分解中，基于不同模型的解析得到接续换乘时间由静态换乘耗时与动态换乘耗时组成，将各类接续运输方式换乘时间的变量全部划分为静态指标与动态指标，并定义静态指标不随时间与客流量等因素变化，具体数值需实际测算；动态指标受时间与客流量等因素影响数值不固定，需根据特定时段与特定客流量的输入进行实时计算。
具体而言，换乘流线关键节点或设施点的实时客流量规模计算方法中，分析枢纽抵站旅客接续换乘过程中各种不同类型的流线；基于枢纽抵站客流流线与枢纽接续换乘图谱绘制，分析得到各设施、各接续交通方式接续点等重要节点的客流组成与客流比例；基于抵站客流量预测数据以及各接续交通方式分担率预测数据，构建实时客流量计算方法模型；考虑枢纽场站的实际接续交通方式运营，提出不同时段下的抵站客流预测数据、分方式分担率及客流流线不同，需针对不同情形分别讨论。
具体而言，在静态指标计算模型时，是基于实地测算枢纽空间行人步行距离、垂直移动设施长度等参数，结合行人交通流特性与设施运行速度进行计算。
具体而言，在动态指标计算模型时，是基于不同类型设施、不同接续交通方式分别进行计算模型的构建，主要包括：
垂直移动设施排队时间：以旅客到达率与设施服务能力的比值划分排队时间的计算方法；
轨道交通的进站时间：综合考虑旅客通过安检的时间、闸机处的服务时间以及抵达闸机处时所需的排队时间构建模型，以旅客到达率与设施服务能力的比值划分排队时间的计算方法；
出租车排队时间：采用SBC方法，基于M/M/C排队模型，根据出租车排队特征以及出租车的供给情况，划分出租车供给充足和出租车供给不足两种情况分别构建模型；
轨道交通、公共汽车以及机场大巴/高铁大巴排队时间：设其到达时间，即距上一辆车辆出发的时间，服从均匀分布构建模型。
具体而言，在基于换乘全过程图谱的枢纽接续换乘总时间计算方法，是指针对各部分时间单元的计算模型构建，进行各接续运输方式的各类动静态指标的组合，最终形成各种接续换乘时间的完整计算逻辑。
实施方案分析案例：北京西站地下负二层抵站客流接续换乘总时间计算
步骤1，枢纽接续换乘总时间解析模型构建
本实施案例以北京市北京西站地下负二层（接续换乘层）抵站客流为研究对象，主要分析出站口3的抵站旅客选择各接续运输方式的接续换乘总时间。研究时段选取2021年4月2日17:00-17:59（客流高峰时段）与23:00-23:59（地铁停运；公交线路大部分停运，几乎没有乘坐公交的客流）两个典型时段，使用北京西站枢纽空间行人步行距离测算数据、抵站客流及接续运输方式分担率预测相关数据等作为原始数据进行处理分析。首先是对于北京西站接续换乘时间模型的构建，北京西站设计为上进下出模式，即地面以上为旅客进站、候车系统，地下部分为旅客出站系统，地下负二层设有4个出站口，场站内接续换乘方式主要包括公交、地铁、出租车、网约车、私家车。其中，公交站台共计6个，地铁线路分别为7号线和9号线，共两个站台，一个站台旅客可在此等候7号线与开往郭公庄方向的9号线；另一个站台乘客可在此等候通往国家图书馆方向的9号线；出租车蓄车场共计3个，网约车/私家车停车场共计4个，机场大巴站台1个，故本实施例共基于5个接续换乘时间模型，开展案例分析，其中因在实际调查中发现出站口4处于关闭状态，停车场P5位置过于偏远，几乎没有客流，故不考虑该出站口与该停车场。
步骤2，枢纽接续换乘时间需求指标分解与换乘图谱绘制
步骤2.1，枢纽接续换乘时间需求指标分解
基于实地考察，北京西站接续换乘时间需求指标主要包括：
（1）静态指标：
（2）动态指标：
步骤2.2，枢纽接续换乘图谱绘制
北京西站出站口众多，接续换乘方式多样，接续换乘流线十分复杂，依据基础调研，绘制了北京西站接续换乘基础信息图谱，如图8所示。
步骤3，换乘流线关键节点的实时客流量规模计算方法
基于实际客流测算，2021年4月22日17:00-17:59抵站客流总量Q为10155人次，则出站口3抵站客流为3385人次，各接续运输方式分担率分别为；23:00-23:59抵站客流总量Q为1770人次，则出站口3抵站客流为590人次，各接续运输方式分担率分别为
依据计算抵达设施点i的实时客流量，/>，结合北京西站抵站旅客接续换乘流线分析，计算出站口3抵站旅客选择各接续运输方式的最短路径中，各基础设施与接续点的客流量，且在旅客流线分析中发现，出站口1与出站口2的抵站客流与出站口3抵站客流运动轨迹方向基本相反，因此一般不会出现客流聚合的情况。
（1）白天时段
1）轨道交通换乘（以9号线站台为例）
出站口3的旅客选择轨道交通9号线的接续换乘的最短路径为：出站口3→电梯20→闸机→电梯18→9号线上车点，旅客通过闸机后去向通往国家图书馆方向的9号线站台，接续换乘轨迹如图9所示。
对于电梯20而言，电梯19与其为同类型、同客流分布设施，故设分担客流相同，M=2；其客流主要为出站口3抵站旅客通往地铁、通往北广场各接续方式等客流，故：
对于电梯18而言，其客流为接续换乘轨道交通客流，闸机客流与其相同，因轨道交通进站口共有4个电梯，南北方向各两个，故：
2）出租车接续换乘
出站口3的旅客选择出租车的接续换乘的最短路径为：出站口3→电梯21→出租车上车点3，如图10所示。
对于电梯21而言，其客流主要为接续换乘出租车客流，故：
（3）公共汽车、机场大巴接续换乘（公交车接续换乘以公交站台6为例）
出站口3的旅客选择公交站台6/机场大巴的接续换乘的最短路径为：出站口3→电梯22→公交车上车点6/机场大巴上车点，如图11所示。
对于电梯22而言，其客流主要为接续换乘公交车与机场大巴的客流，北京西站共有6个公交车停靠站，1个机场大巴停靠站，故：
（4）网约车/私家车接续换乘（以停车场P15为例）
出站口3的旅客选择网约车/私家车的接续换乘的最短路径为：出站口3→电梯23→网约车/私家车上车点，如图12所示。
对于电梯23而言，其客流主要为接续换乘网约车/私家车客流，北京西站共有3个主要的接客网约车/私家车停车场，故：
（2）夜间时段（23:00-24:00）
对于电梯17、18而言，夜间时段轨道交通停运，故：
对于电梯20而言，夜间时段轨道交通停运，其客流主要为通往北广场各接续方式等客流，故：
对于电梯21而言，与白天时段客流组成相同。
对于电梯22而言，其客流主要为接续换乘公交车客流，机场大巴无班次，故：
对于电梯23而言，与白天时段客流组成相同。
步骤4，接续换乘时间的差异化单元计算模型
步骤4.1，静态指标计算模型
基于实地调研，静态指标计算结果如表2所示，
步骤4.2，动态指标计算模型
基于北京西站设施基础数据采集及客流量指标预测，2021年4月2日白天时段与夜间时段各动态指标计算结果如表3、4所示，
步骤5，枢纽接续换乘时间计算方法
基于北京西站抵站旅客接续换乘动静态指标计算，最终得到各接续运输方式白天时段与夜间时段的接续换乘时间如表5、6所示（为数据结果更加直观清晰，这里直接将单位转换为分钟计算），
枢纽接续换乘总时间是抵站旅客在选择接续运输方式时十分重要的动态信息需求之一，分析不同类型的旅客换乘各接续方式的流线，可以更好地剖析接续换乘总时间组成类型。此外，通过构建各节点动态客流量计算规则，基于抵站客流预测与接续运输方式分担率预测数据等计算各设施间与接续点的实时客流量，根据不同场站的实际设施布局情况，实现动态预测各类枢纽场站内不同时段及不同客流规模下的各种接续运输方式的接续换乘时间，从而有效提高抵站旅客接续换乘效率，提升枢纽运营保障能力。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。 凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种客运枢纽场站抵站旅客接续换乘时间的预测方法，其特征在于，包括，
步骤S1，根据待预测客运枢纽构建枢纽接续换乘总时间解析模型，所述枢纽接续换乘总时间解析模型包括，轨道交通接续换乘总时间，出租车接续换乘总时间，公共汽车接续换乘总时间，网约车与私家车接续换乘总时间以及机场大巴与高铁大巴接续换乘总时间；
步骤S2，将所述枢纽接续换乘总时间解析模型的各接续换乘总时间中的变量进行需求指标分解，划分静态换乘耗时指标与动态换乘耗时指标，并绘制枢纽接续换乘图谱；
步骤S3，计算待预测客运枢纽中各设施点实时抵达的客流量；
步骤S4，计算静态换乘耗时指标对应的模型，并根据各设施点实时抵达的客流量计算动态换乘耗时指标对应的模型；
步骤S5，根据枢纽接续换乘图谱中的换乘方式，选择各换乘方式对应的静态换乘耗时指标模型与动态换乘耗时指标模型，形成各换乘方式的接续换乘总时间预测模型；
所述轨道交通接续换乘总时间为：
，
其中，为枢纽场站内抵站旅客接续换乘过程中在第n个阶段通过各平面通道的总步行时间；/>为枢纽场站内抵站旅客接续换乘过程中乘坐第n个电梯所花费的时间；/>为枢纽场站内抵站旅客接续换乘过程中乘坐第n个电梯前在电梯口处的排队时间；/>为枢纽场站内抵站旅客在轨道交通接续换乘过程中进站所需的时间；/>为枢纽场站内抵站旅客在轨道交通接续换乘过程中到达上车点后等待地铁到站的候车时间；n为正整数；公式中所有变量单位均为秒；
所述出租车接续换乘总时间为：
，
其中，为枢纽场站内抵站旅客在出租车接续换乘过程中到达上车点后乘坐出租车前的候车时间；/>为枢纽场站内抵站旅客在出租车接续换乘过程中乘坐出租车后车辆驶离枢纽站的时间；公式中所有变量单位均为秒；
所述公共汽车接续换乘总时间为：
，
其中，为枢纽场站内抵站旅客在公共汽车接续换乘过程中到达上车点后坐上公交车前的候车时间；公式中所有变量单位均为秒；
所述网约车与私家车接续换乘总时间为：
，
其中，为枢纽场站内抵站旅客在网约车与私家车接续换乘过程中乘坐车辆后车辆驶离枢纽站的时间；公式中所有变量单位均为秒；
所述机场大巴与高铁大巴接续换乘总时间为：
，
其中，为枢纽场站内抵站旅客在机场大巴与高铁大巴接续换乘过程中到达上车点后坐上机场大巴与高铁大巴前的候车时间；公式中所有变量单位均为秒；
对所述枢纽接续换乘总时间解析模型中的各接续换乘总时间进行需求指标分解，将各接续换乘总时间中的变量划分静态换乘耗时指标与动态换乘耗时指标，并根据待预测客运枢纽的设施布局及换乘路径绘制枢纽接续换乘图谱；
其中，静态换乘耗时指标包括，；动态换乘耗时指标包括，；
对于待预测客运枢纽中任意一设施点i，计算抵达设施点i的实时客流量，
，
其中，为接续方式x的客流预测分担率，/>为待预测客运枢纽内任意一出站口j的抵站预测客流量，M为设施点i处相同换乘设施个数，/>为接续方式x的停车场或站台个数，其中，抵达设施点i的实时客流量/>、接续方式x的客流预测分担率/>、待预测客运枢纽内任意一出站口j的抵站预测客流量/>的计算单位均为，人次/小时。
2.根据权利要求1所述的客运枢纽场站抵站旅客接续换乘时间的预测方法，其特征在于，对静态换乘耗时指标直接计算模型，枢纽场站内抵站旅客接续换乘过程中在第n个阶段通过各平面通道的总步行时间/>，/>，
其中，为枢纽抵站旅客接续换乘过程中第n阶段经过平面通道的距离，单位为米，V为抵站旅客经过平面通道时的自由流速度单位为米/秒；
枢纽场站内抵站旅客接续换乘过程中乘坐第n个电梯所花费的时间，/>，
其中，为枢纽抵站旅客接续换乘过程中第n个垂直移动设施的长度单位为米，/>为垂直移动设施的运行速度或旅客的爬行速度；
枢纽场站内抵站旅客在出租车接续换乘过程中乘坐出租车后车辆驶离枢纽站的时间与枢纽场站内抵站旅客在网约车与私家车接续换乘过程中乘坐车辆后车辆驶离枢纽站的时间/>直接进行取值计算。
3.根据权利要求2所述的客运枢纽场站抵站旅客接续换乘时间的预测方法，其特征在于，对动态换乘耗时指标进行模型计算，
，
其中，为第n个垂直移动设施的平均到达率，单位为，人/分钟，通过抵达设施点i的实时客流量/>计算第n个垂直移动设施的实时客流量/>，/>；/>为第n个垂直移动设施的服务能力单位为，人/分钟；
，
其中，为旅客通过安检的时间，/>为闸机处的服务时间，/>，/>为闸机的平均检票效率，单位为，人/分钟，/>为闸机处时所需的排队时间，/>，/>为检票旅客超高峰小时系数，取1.1；/>为旅客的平均到达率，通过抵达设施点i的实时客流量/>计算，单位为，人⁄分钟；/>为/>个闸机的服务能力之和，单位为，人⁄分钟，/>为闸机处的服务时间的平方；
，
其中，T为轨道交通、公共汽车、机场大巴与高铁大巴各接续运输方式的发车间隔，t为距离上班次的轨道交通、公共汽车、机场大巴或高铁大巴各接续运输方式班次发车后，间隔t分钟后抵站旅客到达接续点处等待候车；
对于枢纽场站内抵站旅客在出租车接续换乘过程中到达上车点后乘坐出租车前的候车时间，将根据出租车排队特征与出租车的供给进行计算。
4.根据权利要求3所述的客运枢纽场站抵站旅客接续换乘时间的预测方法，其特征在于，根据出租车排队特征与出租车的供给，确定出租车供给是否充足，
当出租车供给充足时，将当前时段（i-1）到达的乘客以的损失率转移到下一个时间段，且/>，即上一时间区间内累积转移的乘客数目为零，则下一时段修正的乘客到达率/>等于初始乘客到达率加上由上一时段转移的乘客量，同时得到下一时段服务台的利用率/>；
根据出租车或服务台的利用率和乘客的转移量估算队长，表示第i个时间区间内累积转移的乘客数目，/>表示第i个时间区间内出租车或服务台的服务能力，两者之差表示第i个时间区间结束时的队长，则/>可用来估算出租车整体服务强度大于时的队长，/>为排队中的平均等待时间；
，
其中，（i-1）时段内转移的乘客量，/>为（i-1）时段内修正的到达率，/>为（i-1）时段到达乘客的损失率，/>为（i-1）时段内出租车的服务率，/>为（i-1）时段内出租车能够提供服务的车辆数，即服务台个数，/>为第/>个时间段内每个预警时间段被划分成T个小区间/>，其中/>，k为常数，取k=0, 1,…, />，
，
其中，为第i个时段内出租车的服务能力，单位：人，/>为第i个时段修正的乘客到达率，单位：人/分钟；
，
对于整体服务强度小于1时乘客的平均排队长度与排队中的平均等待时间表示为：
，
其中，为整体服务强度小于1时乘客平均排队长，/>为整体服务强度小于1的乘客平均等待时间，/>为某一时间范围内出租车能够提供服务的车辆数，即服务台个数，/>为每个出租车服务台的服务强度，/> 为出租车单位时间服务率，/>为乘客到达率，n为常数，取n=0, 1,…, />；
，
当出租车供给不足时，，
其中，为出租车不足时出租车服务效率，/>为出租车充足时服务效率，/>为乘客的服务时间，/>为出租车的到达间隔，即乘客等待出租车的时间；
根据计算/>，得到，/>，其中，/>为出租车供给不足时的平均排队长度，单位：人。
5.根据权利要求4所述的客运枢纽场站抵站旅客接续换乘时间的预测方法，其特征在于，
轨道交通接续换乘总时间预测模型为，
，
出租车接续换乘总时间预测模型在出租车供给充足时为，
，
出租车接续换乘总时间预测模型在出租车供给不足时为，
，
公共汽车接续换乘总时间预测模型和机场大巴与高铁大巴接续换乘总时间预测模型为，
，
网约车与私家车接续换乘总时间预测模型为，
。
6.根据权利要求1所述的客运枢纽场站抵站旅客接续换乘时间的预测方法，其特征在于，在进行计算抵达设施点i的实时客流量时，使用的参数待预测客运枢纽内任意一出站口j的抵站预测客流量/>，通过获取当前客运枢纽场的出站口j的历史出站占比Ra，并获取当前客运枢纽场内的全部乘客数目B，计算客运枢纽场出站口j的抵站预测客流量/>，/>。
7.根据权利要求6所述的客运枢纽场站抵站旅客接续换乘时间的预测方法，其特征在于，在获取当前客运枢纽场的出站口j的历史出站占比Ra时，对当日的时间信息进行判定，若当日为非节假日，则获取非节假日历史数据中的出站口j的历史出站占比的平均值作为Ra；若当日为节假日，则获取节假日历史数据中的出站口j的历史出站占比的平均值作为Ra，并获取当日内上一时刻的出站口j的实际出站占比Rs对Ra进行修正，修正后的Ra为修正前Ra与当日内上一时刻的出站口j的实际出站占比Rs的平均值，获取的当日内上一时刻取计算抵达设施点i的实时客流量时的前一小时内。
CN202310826157.9A 2023-07-07 2023-07-07 一种客运枢纽场站抵站旅客接续换乘时间的预测方法 Active CN116542404B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310826157.9A CN116542404B (zh) 2023-07-07 2023-07-07 一种客运枢纽场站抵站旅客接续换乘时间的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310826157.9A CN116542404B (zh) 2023-07-07 2023-07-07 一种客运枢纽场站抵站旅客接续换乘时间的预测方法

Publications (2)

Publication Number Publication Date
CN116542404A CN116542404A (zh) 2023-08-04
CN116542404B true CN116542404B (zh) 2023-09-15

Family

ID=87458270

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310826157.9A Active CN116542404B (zh) 2023-07-07 2023-07-07 一种客运枢纽场站抵站旅客接续换乘时间的预测方法

Country Status (1)

Country Link
CN (1) CN116542404B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117745187B (zh) * 2024-02-07 2024-05-14 吉林大学 基于agv的药物自动配送系统及其方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103136933A (zh) * 2013-01-14 2013-06-05 东南大学 一种常规公交与地铁站的换乘协调控制方法
CN103500499A (zh) * 2013-09-25 2014-01-08 青岛海信网络科技股份有限公司 一种综合客运枢纽旅客交通方式选择的诱导方法及系统
JP2020193974A (ja) * 2019-05-29 2020-12-03 ネイバー コーポレーションＮＡＶＥＲ Ｃｏｒｐｏｒａｔｉｏｎ マルチモーダル交通ネットワーク内で旅程を計算するために実現可能な乗り換えのセットを処理する方法
CN114707709A (zh) * 2022-03-21 2022-07-05 重庆城市综合交通枢纽（集团）有限公司 铁路综合客运枢纽安全预警方法及系统
CN114912659A (zh) * 2022-04-18 2022-08-16 中国铁道科学研究院集团有限公司电子计算技术研究所 铁路客运中转换乘方案计算方法及系统、设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103136933A (zh) * 2013-01-14 2013-06-05 东南大学 一种常规公交与地铁站的换乘协调控制方法
CN103500499A (zh) * 2013-09-25 2014-01-08 青岛海信网络科技股份有限公司 一种综合客运枢纽旅客交通方式选择的诱导方法及系统
JP2020193974A (ja) * 2019-05-29 2020-12-03 ネイバー コーポレーションＮＡＶＥＲ Ｃｏｒｐｏｒａｔｉｏｎ マルチモーダル交通ネットワーク内で旅程を計算するために実現可能な乗り換えのセットを処理する方法
CN114707709A (zh) * 2022-03-21 2022-07-05 重庆城市综合交通枢纽（集团）有限公司 铁路综合客运枢纽安全预警方法及系统
CN114912659A (zh) * 2022-04-18 2022-08-16 中国铁道科学研究院集团有限公司电子计算技术研究所 铁路客运中转换乘方案计算方法及系统、设备和存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Predicting Travel Time of Bus Journeys with Alternative Bus Services;Peilan He 等;《2019 International Conference on Data Mining Workshops (ICDMW)》;第114-123页 *
基于实时路况公交换乘算法的研究与实现;刘文龙;《中国优秀硕士学位论文全文数据库（电子期刊）》;全文 *
基于支持向量机方法的轨道交通乘客旅行时间短时预测方法研究;孙宇星;关伟;葛昱;张广厚;杨雪;系统工程理论与实践;第34卷(第006期);全文 *

Also Published As

Publication number Publication date
CN116542404A (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
CN104408908B (zh) 公交车辆越站调度方法及系统
CN108830399B (zh) 一种轨道交通站点接驳设施供需平衡的优化调整方法
CN112184281B (zh) 一种基于出行空间分类的铁路枢纽客运需求预测方法
CN112819316B (zh) 一种综合客运枢纽轨道交通系统的枢纽运能识别方法
Hänseler et al. A passenger-pedestrian model to assess platform and train usage from automated data
CN115186516B (zh) 交通枢纽的行人仿真模型构建方法、电子设备及存储介质
CN116542404B (zh) 一种客运枢纽场站抵站旅客接续换乘时间的预测方法
CN110751366A (zh) 一种干线铁路与城市轨道交通运能匹配度计算方法
CN110084397A (zh) 一种地铁直达线路规划方法
CN111882098A (zh) 一种基于整体协同的铁路站点客流及接驳方式预测方法
Guo et al. Modeling effects of transit system transfers on travel behavior: case of commuter rail and subway in Downtown Boston, Massachusetts
CN107220423B (zh) 一种综合客运枢纽站前广场联运设施规模计算方法
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
CN107403235A (zh) 轨道交通站台乘客候车位置诱导系统及方法
Numonjonovich et al. Investigation of the Throughput of Railway and Road Transport of Angren-pop Through the Kamchik Pass and Ways of Its Further Improvement
CN109523064B (zh) 一种基于多网融合的智能微枢纽
CN114707709A (zh) 铁路综合客运枢纽安全预警方法及系统
Qu et al. Estimating wait time and passenger load in a saturated metro network: A data-driven approach
CN109308539A (zh) 实时估算轨道交通线网中换乘站的乘客滞留状态的方法
Davidson et al. Impact of capacity, crowding, and vehicle arrival adherence on public transport ridership: Los Angeles and Sydney experience and forecasting approach
CN114819633B (zh) 一种应用于国土空间规划的交通设施布局评价方法
Li et al. Real-time scheduling on a transit bus route
CN114723240A (zh) 铁路客运综合交通枢纽接驳方式协同调度方法及系统
CN109034482A (zh) 公共交通出行诱导系统及其诱导方法
CN108492570B (zh) 城市公共交通网络客流拥塞状态表征方法

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
GR01 Patent grant
GR01 Patent grant