CN116910588B - 一种用于城市轨交列车乘降时间的估计方法 - Google Patents
一种用于城市轨交列车乘降时间的估计方法 Download PDFInfo
- Publication number
- CN116910588B CN116910588B CN202310721998.3A CN202310721998A CN116910588B CN 116910588 B CN116910588 B CN 116910588B CN 202310721998 A CN202310721998 A CN 202310721998A CN 116910588 B CN116910588 B CN 116910588B
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- time
- train
- getting
- passenger
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000007621 cluster analysis Methods 0.000 claims abstract description 7
- 238000011161 development Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开一种用于城市轨交列车乘降时间的估计方法,获取某特征日某车站每列停站列车的上车客流量bi、下车客流量ai以及上下车的总客流量pi;对全日各个列车的总客流量pi进行聚类分析,将所述特征日划分为m个运营时段,并计算获得各个运营时段j内上车客流量、下车客流量对应的参考值b(j)、a(j);建立车门最大上车客流量估计模型f1(x)、车门最大下车客流量估计模型f2(x)以及乘客平均上车时间估计模型g1(x)、乘客平均下车时间估计模型g2(x),再结合上车客流量参考值b(j)、下车客流量参考值a(j),计算各个运营时段j乘客所需的上下车总时间即乘降时间t(j)。摒弃仅能依靠历史或者专家经验来设定乘降时间的传统方法,建立更加科学、精准供需匹配的列车运行时刻表。
Description
技术领域
本发明涉及城市轨道交通运输管理的技术领域,尤其涉及一种用于城市轨交列车乘降时间的估计方法。
背景技术
随着地铁线网的不断扩张,各线路的运营里程和列车周转时间不断增加,同时承担的居民出行总量和出行比例也在不断增长。另一方面,随着社会经济的发展,大城市居民出行距离日益变长、出行需求更加多样化,从而对地铁系统的运行效率和服务水平提出了越来越高的要求。
列车乘降时间是停站时间的组成部分,也是列车运行图的重要组成要素,是影响地铁线路旅行速度和运营安全的关键环节之一。然而,在实践中,由于缺乏科学方法的指导,各大城市地铁运营管理部门多根据历史或专家经验较粗略地确定各线路列车运行图中的计划乘降时间,往往与乘客实际所需乘降时间不匹配,导致列车乘降时间浪费(计划乘降时间超过列车车门最大乘降客流量所需乘降时间)或不足(计划乘降时间少于列车车门最大乘降客流量所需乘降时间))甚至导致夹人夹物安全事故等问题,从而降低地铁线路运行效率、增大其运营安全风险。
发明内容
本发明提供了一种用于城市轨交列车乘降时间的估计方法,解决了现有列车停站时间多采用经验估计,与实际情况存在较大差异等技术问题。
本发明可通过以下技术方案实现:
一种用于城市轨交列车乘降时间的估计方法,包括以下步骤:
步骤一、获取某特征日某车站每列停站列车的上车客流量bi、下车客流量ai以及上下车的总客流量pi,其中,pi=ai+bi,i=1,2,...,n,表示所述特征日下运行至所述车站的第i列车,全日共n列车停靠该车站;
步骤二、对全日各个列车的总客流量pi进行聚类分析,将所述特征日划分为m个运营时段,并计算获得各个运营时段j内上车客流量、下车客流量对应的参考值b(j)、a(j);
步骤三、建立车门最大上车客流量估计模型f1(x)、车门最大下车客流量估计模型f2(x)以及乘客平均上车时间估计模型g1(x)、乘客平均下车时间估计模型g2(x),再结合上车客流量参考值b(j)、下车客流量参考值a(j),计算各个运营时段j乘客所需的上下车总时间即乘降时间t(j)。
进一步,采用回归拟合方法得到车门最大上车客流量估计模型f1(x)、车门最大下车客流量估计模型f2(x)如下所示
bmax=f1(x1,x2,x3)=0.803x1-0.429x2+0.07x3+7.867
amax=f2(x1,x2,x4)=-1.019x1-1.009x2+0.061x4+12.682
其中,各个参数的定义如下表所示
采用回归拟合方法得到乘客平均上车时间估计模型g1(x)、乘客平均下车时间估计模型g2(x)如下所示
tup=g1(x5,x7)=0.003x5-0.034x7+0.098
tdown=g2(x6,x8)=0.546x6-0.012x8+0.282
其中,各个参数的定义如下表所示
参数 | 定义 | 变量类型 | 取值范围 |
tup | 乘客平均上车时间 | 连续型变量 | tup≥0 |
tdown | 乘客平均下车时间 | 连续型变量 | tdown≥0 |
x5 | 车站下游断面列车满载率 | 分类变量 | x5≥0 |
x6 | 车门宽度 | 离散型变量 | x6=1.2,1.3,1.4 |
x7 | 车门上车客流量 | 连续型变量 | x7≥0 |
x8 | 车门下车客流量 | 连续型变量 | x8≥0 |
进一步,各个运行时段j内乘客所需的乘降时间t(j)估计模型如下
t(j)=bmax·tup+amax·tdown
其中,车门最大上车客流量估计模型bmax、车门最大下车客流量估计模型amax中的一列车的上车客流量x3、一列车的下车客流量x4分别用于上车客流量参考值b(j)、下车客流量参考值a(j)代替。
进一步,采用连锁聚类法对全日各个列车的总客流量pi进行聚类分析包括以下步骤:
步骤2.1、以各个列车的总客流量pi和对应的到站时间从早到晚构造时间样本序列,将某车站第一列车的总客流量初始化为第一类,并确定为聚类中心,此时
步骤2.2、如果其中,/>则从第i+1列车开始划分,前一类的聚类中心不变化,将pi+1确定为新的聚类中心,此时生成两个聚类中心即
步骤2.3、如果则第i+1列车仍划为前一类,此时
步骤2.4、重复步骤2.2-2.3直到i=n,该车站所有经停列车总客流量pi都比较完成,获取各个类别所包含列车及其对应的到站时间组成的时间段,从而将所述特征日划分为m个运营时段。
进一步,采用百分数法计算获得各个运营时段j内上车客流量、下车客流量的第85分位数,作为确定各个运行时段上车客流量、下车客流量对应的参考值
进一步,调整各个运行时段的乘客乘降时间t(j)大于等于轨交企业综合考虑安全和最低服务水平所规定的最小列车乘降时间tmin。
本发明有益的技术效果在于:
(1)本发明采用连锁聚类法,对车站各列车的总乘降客流量进行运营时段聚类,并基于百分位数法计算确定各个运营时段上车客流量、下车客流量的参考值,据此确定各时段列车合理的乘降时间,为确定全日列车运行图不同类别的停站时间提供更加精细化的依据。
(2)本发明划分两阶段建立列车乘降时间估计模型:第一阶段,考虑车站站台楼扶梯布局模式、列车编组数、列车乘降客流量等列车车门最大乘降客流量的影响因素,基于实测数据,建立车门最大乘降客流量估计模型,其本质是反应了乘客在车门间的不均衡乘降分布规律;第二阶段,考虑列车满载率、车门乘降客流量、车门宽度等影响因素,建立车门平均乘降时间估计模型,该估计模型是基于地铁企业现有客流数据及设施数据构建,具有模型应用成本低、应用精度高等优点,因此具有较高的实践应用价值。
(3)本发明考虑轨道交通乘客乘降“先下后上”的管理规则,将乘客乘降时间划分为上车和下车两个独立的过程,基于各种影响因素与列车车门最大上(下)车客流量、乘客平均上(下)车时间的相关性分析,分别选取不同的影响因素建立列车车门最大上(下)车客流量估计模型和乘客平均上(下)车时间估计模型,提高了模型的精细化程度和估计精度,为推动智慧地铁的发展提供了有力支撑。
附图说明
图1为本发明的总体流程示意图;
图2为本发明的实施例延安西路某特征日各个列车总客流量的变化曲线示意图。
具体实施方式
下面结合附图及较佳实施例详细说明本发明的具体实施方式。
随着我国各大城市智慧地铁的发展,列车称重、视频识别、WiFi定位等智能客流感知装备及相关技术的应用,为轨道交通列车满载率和乘降客流量等相关客流数据的采集提供了日趋完备的技术条件,为开展城市轨道交通列车计划乘降时间精准估计研究提供了有力的数据支撑。
为此,如图1所示,本发明提供了一种用于城市轨交列车乘降时间的估计方法,获取某特征日某车站每列停站列车的上车客流量bi、下车客流量ai以及上下车的总客流量pi;对全日各个列车的总客流量pi进行聚类分析,将所述特征日划分为m个运营时段,并计算获得各个运营时段j内上车客流量、下车客流量对应的参考值b(j)、a(j);建立车门最大上车客流量估计模型f1(x)、车门最大下车客流量估计模型f2(x)以及乘客平均上车时间估计模型g1(x)、乘客平均下车时间估计模型g2(x),再结合上车客流量参考值b(j)、下车客流量参考值a(j),计算各个运营时段j乘客所需的上下车总时间即乘降时间t(j)。摒弃仅能依靠历史数据或者专家经验来设定乘降时间的传统方法,依据每个车站客流量及其对应的各个列车的实际要素包括实际客流量、站台楼扶梯布局模式等等,采用聚类分析方法划分运营时段,采用回归拟合方法计算乘降时间,只需将各个运营时段j乘客所需的乘降时间t(j)与轨交通行规定的最小列车乘降时间tmin相比较,筛选出不合理的乘降时间,以调整列车在各个运营时段的乘降时间,建立更加科学的列车运行时刻表,减少列车停站时间浪费或不足,降低由于停站时间不合理导致夹人夹物事故发生的几率,从而提高地铁线路运行效率,加强其运营安全风险等级。
具体如下:
步骤1、获取某特征日某车站每列停站列车的上车客流量bi、下车客流量ai以及上下车的总客流量pi,其中,pi=ai+bi,i=1,2,...,n,表示该特征日下运行至该车站的第i列车,全日共n列车停靠该车站;
步骤2、采用连锁聚类法对全日各个列车的总客流量pi进行聚类分析,将特征日划分为m个运营时段,具体如下:
步骤2.1、以各个列车的总客流量pi和对应的到站时间构造时间样本序列,按照运行时间从早到晚依次排列,将该车站第一列车的总客流量初始化为第一类,并确定为聚类中心,此时
步骤2.2、如果其中,/>则从第i+1列车开始划分,前一类的聚类中心不变化,将pi+1确定为新的聚类中心,此时生成两个聚类中心即
步骤2.3、如果则第i+1列车仍划为前一类,此时
步骤2.4、重复步骤2.2-2.3直到i=n,该车站所有经停列车总客流量pi都比较完成,获取各个类别所包含列车及其对应的到站时间组成的时间段即为一个运行时段,从而将所述特征日划分为m个运营时段。
步骤3、采用百分数法计算获得各个运营时段j内上车客流量、下车客流量的第85分位数,作为确定各个运行时段上车客流量、下车客流量对应的参考值b(j)、a(j),具体如下:
可采取85分位数法,将某车站各个时段j的上车客流量bi、下车客流量ai,分别进行分组并绘制直方图,在直方图上绘制累积频率分布曲线,并确定85%处对应的频率;
根据85%处的频率,可以确定85分位数所在区间的位置,即位于第k个区间和第k+1个区间之间,其中第k个区间累积频率低于85%,第k+1个区间累积频率高于85%,采用线性插值公式计算出85分位数,作为确定时段j的上车客流量参考值b(j)、下车客流量参考值a(j),具体计算公式如下:
式中,b(j)为时段j上车统计客流量;a(j)为时段j上车统计客流量;L(j)为时段j第k个区间的下界值;为时段j第k个区间的累计频率;/>为时段j第k+1个区间的的累计频率;H(j)为时段j的组距。
步骤4、考虑站台乘客不均衡分布影响因素包括列车上(下)车客流量、站台楼扶梯布局模式和列车编组数等等,构建车门最大上车客流量估计模型f1(x)、车门最大下车客流量估计模型f2(x),具体如下:
(1)变量描述:车门最大上(下)车客流量及其影响因素变量描述如下表所示。
(2)拟合回归模型:实地调研上海地铁18条线路的站台楼扶梯布局方式、开行列车编组方案和列车上下车客流量,共110组样本数据,使用SPSS27.0.1统计软件分析站台楼扶梯布局模式x1、列车编组数x2、整列车上(下)车客流量x3(x4)与车门最大上(下)车客流量bmax(amax)的相关性,各影响因素显著性水平小于0.05,进一步拟合得到车门最大乘降客流量回归模型如下所示:
bmax=f1(x1,x2,x3)=0.803x1-0.429x2+0.07x3+7.867
amax=f2(x1,x2,x4)=-1.019x1-1.009x2+0.061x4+12.682
步骤5、考虑影响因素包括车门上(下)车客流量、列车满载率和车门宽度等等,以构建乘客平均上车时间估计模型g1(x)、乘客平均下车时间估计模型g2(x),具体如下:
(1)变量描述:乘客平均上(下)车时间及其影响因素变量描述如下表所示。
参数 | 定义 | 变量类型 | 取值范围 |
tup | 乘客平均上车时间 | 连续型变量 | tup≥0 |
tdown | 乘客平均下车时间 | 连续型变量 | tdown≥0 |
x5 | 车站下游断面列车满载率 | 连续型变量 | x5≥0 |
x6 | 车门宽度 | 离散型变量 | x6=1.2,1.3,1.4 |
x7 | 车门上车客流量 | 连续型变量 | x7≥0且为整数 |
x8 | 车门下车客流量 | 连续型变量 | x8≥0且为整数 |
(2)拟合回归模型:实地调研上海地铁18条线路的车门前乘客上下车时间、上(下)车客流量、列车下游断面满载率和车门宽度,共146组样本数据,使用SPSS27.0.1统计软件分析列车下游断面满载率x5、列车车门宽度x6、车门前乘客总乘上(下)车客流量x7(x8)与乘客平均上(下)车时间tup(tdown)的相关性,各影响因素显著性水平小于0.05,进一步拟合得到乘客平均乘降时间回归模型如下所示:
tup=g1(x5,x7)=0.003x5-0.034x7+0.098
tdown=g2(x6,x8)=0.546x6-0.012x8+0.282
步骤6、根据f1(x)和g1(x)以及/>f2(x)和g2(x),计算车站各个运行时段乘客所需的乘降时间t(j),具体如下:
t(j)=bmax·tup+amax·tdown
其中,
tup=g1(x5,x7)=0.003x5-0.034x7+0.098
tdown=g2(x6,x8)=0.546x6-0.012x8+0.282
步骤7、考虑路网列车停站服务水平和乘客乘降安全需求,轨交通行规定会预先设定最小列车乘降时间tmin,以此调整步骤6计算得到的各个运行时段的乘客乘降时间t(j)大于等于轨交企业行规定的最小列车乘降时间tmin。
为了验证本发明的优化方法的可行性,以2022年9月21日上海地铁3号线延安西路的经由列车为例进行详细说明。
首先、获取2022年9月21日上海地铁3号线延安西路每列停站列车的上车客流量bi、下车客流量ai,全日共222列车停靠该车站,在本实施例中,各个列车上车客流量bi、下车客流量ai基于列车时刻表及地铁乘客刷卡数据推估得到。
其次、在本实施例中,车站全日停站列车的总乘降客流量pi见附图2所示,采用连锁聚类方法将特征日划分为5个运营时段,运营时段划分结果如下表所示。
列车编号 | 时段编号 | 运营时段 |
1-27 | 1 | 05:15~07:30 |
28-60 | 2 | 07:30~10:15 |
61-139 | 3 | 10:15~16:50 |
140-177 | 4 | 16:50~20:00 |
178-222 | 5 | 20:00~23:40 |
再次、采用百分位数法,计算得到车站各个运行时段列车上(下)车客流量的85%分位数,作为确定各时段上(下)车时间的统计客流量b(j)(a(j)),并依据车门最大上(下)车客流量估计模型f1(x)(f2(x)),乘客平均上(下)车时间估计模型g1(x)(g2(x)),计算车站各个运行时段乘客所需的乘降时间t(j),具体如下表所示。
最后、考虑路网列车停站服务水平和乘客乘降安全需求,设置每列车所需最短上下车时间tmin,并据此对车站计算得到的各时段上下车时间进行调整。
在本实施例中,上海申通地铁集团规定每列车最小乘降时间tmin为5s,由上表可知t(j)均大于5s,故无需调整。
为评估本发明列车乘降时间估计值与实际客流匹配度的提升效果,根据上述方法计算上海轨道交通线路部分车站(包括1号线、3号线、5号线)总乘降时间优化对比表,如下表1所示,进一步分析各个运行时段乘降客流与计划乘降时间、优化后的乘降时间之间的相关性,结果如下表2所示。
表1各车站总乘降时间对比表
表2车站乘降时间与列车乘降客流量的相关性分析
由上表可以看出:现状计划乘降时间与车门最大乘降客流量的皮尔逊相关系数为0.117<0.3,显著性水平大于0.5,证明两者之间没有相关性;而应用本发明提出的方法计算得到的估计乘降时间与车门最大乘降客流量之间皮尔逊相关系数为0.985,显著性水平远远小于0.5,呈极强相关性,表明本发明提出的方法能够显著提高列车乘降时间与乘降客流量的匹配度,可为建立更加科学合理的列车运行时刻表提供依据。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些仅是举例说明,在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,因此,本发明的保护范围由所附权利要求书限定。
Claims (4)
1.一种用于城市轨交列车乘降时间的估计方法,其特征在于包括以下步骤:
步骤一、获取某特征日某车站每列停站列车的上车客流量bi、下车客流量ai以及上下车的总客流量pi,其中,pi=ai+bi,i=1,2,...,n,表示所述特征日下运行至所述车站的第i列车,全日共n列车停靠该车站;
步骤二、对全日各个列车的总客流量pi进行聚类分析,将所述特征日划分为m个运营时段,并计算获得各个运营时段j内上车客流量、下车客流量对应的参考值b(j)、a(j);
步骤三、建立车门最大上车客流量估计模型f1(x)、车门最大下车客流量估计模型f2(x)以及乘客平均上车时间估计模型g1(x)、乘客平均下车时间估计模型g2(x),再结合上车客流量参考值b(j)、下车客流量参考值a(j),计算各个运营时段j乘客所需的上下车总时间即乘降时间t(j);
采用回归拟合方法得到车门最大上车客流量估计模型f1(x)、车门最大下车客流量估计模型f2(x)如下所示
bmax=f1(x1,x2,x3)=0.803x1-0.429x2+0.07x3+7.867
amax=f2(x1,x2,x4)=-1.019x1-1.009x2+0.061x4+12.682
其中,各个参数的定义如下表所示
采用回归拟合方法得到乘客平均上车时间估计模型g1(x)、乘客平均下车时间估计模型g2(x)如下所示
tup=g1(x5,x7)=0.003x5-0.034x7+0.098
tdown=g2(x6,x8)=0.546x6-0.012x8+0.282
其中,各个参数的定义如下表所示;
各个运行时段j内乘客所需的乘降时间t(j)的估计模型如下
t(j)=bmax·tup+amax·tdown
其中,车门最大上车客流量估计模型bmax、车门最大下车客流量估计模型amax中的一列车的上车客流量x3、一列车的下车客流量x4取上车客流量参考值b(j)、下车客流量参考值a(j)。
2.根据权利要求1所述的用于城市轨交列车乘降时间的估计方法,其特征在于采用连锁聚类法对全日各个列车的总客流量pi进行聚类分析,包括以下步骤:
步骤2.1、以各个列车的总客流量pi和对应的到站时间从早到晚构造时间样本序列,将某特征日某车站第一列车的总客流量初始化为第一类,并确定为聚类中心,此时
步骤2.2、如果其中,/>则从第i+1列车开始划分,前一类的聚类中心不变化,将pi+1确定为新的聚类中心,此时生成两个聚类中心即
步骤2.3、如果则第i+1列车仍划为前一类,此时/>
步骤2.4、重复步骤2.2-2.3直到i=n,该车站所有经停列车总客流量pi都比较完成,获取各个类别所包含列车及其对应的到站时间组成的时间段,从而将所述特征日划分为m个运营时段。
3.根据权利要求1所述的用于城市轨交列车乘降时间的估计方法,其特征在于:采用百分位数法计算获得各个运营时段j内上车客流量、下车客流量的第85分位数,作为确定各个运行时段乘降时间对应的上车客流量、下车客流量的参考值
4.根据权利要求1所述的用于城市轨交列车乘降时间的估计方法,其特征在于:调整各个运行时段的乘客乘降时间t(j)大于等于轨交企业综合考虑安全和最低服务水平所规定的最小列车乘降时间tmin。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310721998.3A CN116910588B (zh) | 2023-06-16 | 2023-06-16 | 一种用于城市轨交列车乘降时间的估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310721998.3A CN116910588B (zh) | 2023-06-16 | 2023-06-16 | 一种用于城市轨交列车乘降时间的估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116910588A CN116910588A (zh) | 2023-10-20 |
CN116910588B true CN116910588B (zh) | 2024-04-05 |
Family
ID=88363821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310721998.3A Active CN116910588B (zh) | 2023-06-16 | 2023-06-16 | 一种用于城市轨交列车乘降时间的估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116910588B (zh) |
Citations (9)
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 |
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 |
CN110084397A (zh) * | 2019-03-11 | 2019-08-02 | 昆明理工大学 | 一种地铁直达线路规划方法 |
CN110428096A (zh) * | 2019-07-26 | 2019-11-08 | 西南交通大学 | 基于票务信息的城市轨道交通多交路运输组织优化方法 |
CN111353639A (zh) * | 2020-02-26 | 2020-06-30 | 北京交通大学 | 协调列车时刻表的城市轨道交通高峰期限流优化方法 |
CN113919650A (zh) * | 2021-09-14 | 2022-01-11 | 北京交通大学 | 一种列车运行方案优化编制方法及系统 |
CN115293743A (zh) * | 2022-08-19 | 2022-11-04 | 南京理工大学 | 一种轨道交通运营时段划分方法、设备及存储介质 |
WO2023056696A1 (zh) * | 2021-10-08 | 2023-04-13 | 南威软件股份有限公司 | 基于循环神经网络的城市轨道交通短时客流预测方法 |
WO2023065595A1 (zh) * | 2021-10-21 | 2023-04-27 | 北京城建设计发展集团股份有限公司 | 城市轨道交通线网与车站协同仿真计算方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582750B (zh) * | 2020-05-18 | 2021-01-01 | 北京交通大学 | 一种轨道交通反向乘客识别及乘车班次确定方法及系统 |
CN112598182B (zh) * | 2020-12-25 | 2022-11-29 | 卡斯柯信号有限公司 | 一种轨道交通智能调度方法及系统 |
-
2023
- 2023-06-16 CN CN202310721998.3A patent/CN116910588B/zh active Active
Patent Citations (9)
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 |
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 |
CN110084397A (zh) * | 2019-03-11 | 2019-08-02 | 昆明理工大学 | 一种地铁直达线路规划方法 |
CN110428096A (zh) * | 2019-07-26 | 2019-11-08 | 西南交通大学 | 基于票务信息的城市轨道交通多交路运输组织优化方法 |
CN111353639A (zh) * | 2020-02-26 | 2020-06-30 | 北京交通大学 | 协调列车时刻表的城市轨道交通高峰期限流优化方法 |
CN113919650A (zh) * | 2021-09-14 | 2022-01-11 | 北京交通大学 | 一种列车运行方案优化编制方法及系统 |
WO2023056696A1 (zh) * | 2021-10-08 | 2023-04-13 | 南威软件股份有限公司 | 基于循环神经网络的城市轨道交通短时客流预测方法 |
WO2023065595A1 (zh) * | 2021-10-21 | 2023-04-27 | 北京城建设计发展集团股份有限公司 | 城市轨道交通线网与车站协同仿真计算方法 |
CN115293743A (zh) * | 2022-08-19 | 2022-11-04 | 南京理工大学 | 一种轨道交通运营时段划分方法、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
城市轨道交通常规线路非计划性"跳停"方案评估与分析;郭婧;朱琳;刘志钢;王纯婕;;都市快轨交通(04);全文 * |
城市轨道交通时刻表编制研究――以南京地铁1号线为例;秦雯菁;;科技经济导刊;20170105(01);全文 * |
考虑客流时变需求的大小交路列车时刻表优化模型;许得杰;巩亮;曾俊伟;;交通运输系统工程与信息(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116910588A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119835B (zh) | 一种基于区间计算的公交动态发车调度优化方法 | |
CN104200286B (zh) | 一种城市轨道交通时刻表优化技术应用框架 | |
CN108090668B (zh) | 时变客流驱动的城市轨道交通客流匹配与时刻表调整方法 | |
Tirachini et al. | Bus congestion, optimal infrastructure investment and the choice of a fare collection system in dedicated bus corridors | |
CN109255972B (zh) | 一种基于大数据的地面公交固定线路时刻表的优化方法 | |
CN113920769B (zh) | 一种基于公交多源数据分析的智能排班表生成方法 | |
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 | |
CN109887267B (zh) | 一种轨道交通共线段常规公交调整方法 | |
CN107194491A (zh) | 一种基于公交客流和站间行程时间预测的动态调度方法 | |
CN110084397B (zh) | 一种地铁直达线路规划方法 | |
CN112580866B (zh) | 基于全程车与区间车组合调度的公交线路串车优化方法 | |
CN109272168A (zh) | 一种城市轨道交通客流变化趋势预测方法 | |
CN108665178B (zh) | 一种基于afc的地铁站内楼扶梯客流量预测方法 | |
CN112562377A (zh) | 一种基于随机机会约束的客运车辆实时调度方法 | |
CN106379379B (zh) | 一种城市轨道交通乘客上下车时间的预测方法 | |
CN111341138A (zh) | 优化公交运行效率的方法 | |
CN112906179A (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 | |
CN107808235B (zh) | 基于afc大数据的城市轨道大客流模型构建方法 | |
CN114818349A (zh) | 基于时空网络客流状态估计的节能运行图优化分析方法 | |
CN115860594A (zh) | 一种应用于智能公交排班调度的仿真系统及方法 | |
CN113592419B (zh) | 考虑客流和节能的轨道交通快慢车时刻表优化方法 | |
Zhou et al. | Metro scheduling to minimize travel time and operating cost considering spatial and temporal constraints on passenger boarding | |
CN113888387A (zh) | 一种基于客流需求的多目标运行优化方法 | |
CN116910588B (zh) | 一种用于城市轨交列车乘降时间的估计方法 | |
CN111160722B (zh) | 一种基于客流量竞争关系的公交路线调整方法 |
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 |