CN118134184A - 基于AlphaZero思想的虚拟地铁客流大数据的自动生成方法 - Google Patents
基于AlphaZero思想的虚拟地铁客流大数据的自动生成方法 Download PDFInfo
- Publication number
- CN118134184A CN118134184A CN202410321281.4A CN202410321281A CN118134184A CN 118134184 A CN118134184 A CN 118134184A CN 202410321281 A CN202410321281 A CN 202410321281A CN 118134184 A CN118134184 A CN 118134184A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- station
- passenger
- virtual
- time 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000010586 diagram Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- NRNCYVBFPDDJNE-UHFFFAOYSA-N pemoline Chemical compound O1C(N)=NC(=O)C1C1=CC=CC=C1 NRNCYVBFPDDJNE-UHFFFAOYSA-N 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于AlphaZero思想的虚拟地铁客流大数据的自动生成方法,包括:S1:根据地铁运行线路的情况和专家经验进行初始条件设定;S2:根据初始条件设定生成虚拟地铁客流时间分布规律与空间分布规律数据;S3:根据生成的时间分布规律和空间分布规律生成虚拟地铁客流微观大数据。本发明依据AlphaZero的思想,生成虚拟客流大数据代替难获取且代表性不强的真实数据,以用于地铁列车调度方案的相关问题。
Description
技术领域
本发明涉及铁列车客流数据预测技术领域,具体涉及一种基于AlphaZero思想的虚拟地铁客流大数据的自动生成方法。
背景技术
近年来,地铁作为国内交通运输的重要方式,在众多城市中得到蓬勃发展。智能的列车调度能有效提高地铁运行效率,与地铁客流大数据及其变化规律密切相关。真实的地铁客流数据获取效率低、量级有限、代表性不足,难以研究未来大客流或小客流的列车调度方案。
基于虚拟数据的AlphaZero能战胜基于实际数据的AlphaGo,大量合理的模拟数据胜过少量的真实数据。基于AlphaZero的思想,在只有少量关键客流数据的基础上,结合地铁客流规律的合理假设,从时空分布规律和客流总量的角度出发,本发明提出了地铁客流大数据的自动生成方法。
发明内容
本发明的目的在于提供一种基于AlphaZero思想的虚拟地铁客流大数据的自动生成方法,依据AlphaZero的思想,生成虚拟客流大数据代替难获取且代表性不强的真实数据,以用于地铁列车调度方案的相关问题。
一种基于AlphaZero思想的虚拟地铁客流大数据的自动生成方法,包括:
S1:根据地铁运行线路的情况和专家经验进行初始条件设定;
S2:根据初始条件设定生成虚拟地铁客流时间分布规律与空间分布规律数据;
S3:根据生成的时间分布规律和空间分布规律生成虚拟地铁客流微观大数据。
作为一种可能的实施方式,进一步,步骤S1中所述初始条件包括客流总数、地铁运行首班时间和末班时间、车站总数、中转站站点编号、工作日或节假日选择、商圈附近车站站点编号、CBD附近车站站点编号;
根据地铁运行线路特点及专家经验设定工作日、节假日情况下不同时段以及不同车站点的客流随机比例系数δ。
作为一种可能的实施方式,进一步,步骤S2中时间分布规律数据的生成方法,具体包括:
在客流总数Psum及运行首班时间Tfirst、末班时间Tlast确定的条件下,在步长为一小时的每个时间段平均客流表达式如下:
其中,时间段个数Tsum=Tlast-Tfirst;
根据随机比例系数δ的设定,计算工作日、节假日不同时段的客流量,具体如下:
(1)工作日高峰时间段客流,表达式如下:
其中,δwh表示工作日高峰时间段客流随机比例系数;
(2)工作日普通时间段客流,表达式如下:
其中,δwl表示工作日普通时间段客流随机比例系数;
(3)节假日高峰时间段客流,表达式如下:
其中,δfh表示节假日高峰时间段客流随机比例系数;
(4)节假日普通时间段客流,表达式如下:
其中,δfl表示节假日普通时间段客流随机比例系数;
从而得到第i个时间段客流比例,表达式如下:
其中,Pi time代表i时段客流人数。
作为一种较优的实施方式,优选的,生成的时间分布规律采用Tsum+1行、3列的时间分布矩阵表示。
作为一种可能的实施方式,进一步,步骤S2中空间分布规律数据的生成方法,具体包括:
在S1中初始条件商圈附近车站站点编号、CBD附近车站站点编号、中转站站点编号、车站总数Ssum均设定的条件下;
在空间分布OD矩阵中,第i行j列元素代表从i站到j站的客流比例,则有OD矩阵中每个站到站的平均客流人数为:
根据随机比例系数δ的设定,计算工作日及节假日情况下,不同车站客流人数,具体如下:
(1)普通车站客流人数,表达式如下:
其中,δcom表示普通车站客流随机比例系数;
(2)中转车站客流人数,表达式如下:
其中,δtrans表示中转车站客流随机比例系数;
(3)CBD车站客流人数,表达式如下:
其中,δcbd表示CBD车站客流随机比例系数;
(4)商圈车站客流人数,表达式如下:
其中,δmark表示商圈车站客流随机比例系数;
从而得到OD矩阵中i站到j站客流比例,表达式如下:
(当i=j时,/>),
其中,代表i行j列客流人数。
作为一种较优的实施方式,优选的,生成的空间分布数据由空间OD矩阵表示。
作为一种可能的实施方式,进一步,S3具体包括如下步骤:
将空间分布的OD矩阵的客流比例按照时间分布规律的比例下进行统计分布,则有每个时间段的客流,表达式如下:
每个时间段单独统计一个辅助OD矩阵ODmic,将ODmic中的i站到j站客流人数以总OD矩阵中的比例进行计算得到,表达式如下:
根据每个时间段下车站客流信息后,将客流按时间分布规律下以步长为1小时的阶段中进行随机分布,得到虚拟客流微观数据。
作为一种可能的实施方式,进一步,所述虚拟客流微观数据包括每个乘客编号的进站车站编号、出站车站编号、进出站时间。
相比现有技术,本发明具有如下有益效果:
1)本发明通过少量宏观时空分布数据和总客流能快速生成大量微观客流数据,且生成效率高。
2)本发明通过丰富的可调初始条件设定,克服了真实客流大数据的代表性不强等不足,可生成丰富种类的地铁客流大数据。
3)本发明可自动快速生成大量的客流大数据,可用于对未来地铁列车客流预测与铁调度系统的测试。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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为本发明的原理框图;
图2为本发明的简易流程示意图;
图3为时间分布矩阵的示意图;
图4为空间OD矩阵的示意图;
图5为虚拟客流微观数据的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照附图1-2所示,本实施例以福州地铁一号线为例,提供一种基于AlphaZero思想的虚拟地铁客流大数据的自动生成方法,包括:
S1:根据地铁运行线路的情况和专家经验进行初始条件设定;其中,初始条件包括客流总数、地铁运行首班时间和末班时间、车站总数、中转站站点编号、工作日或节假日选择、商圈附近车站站点编号、CBD附近车站站点编号;
根据地铁运行线路特点及专家经验设定工作日、节假日情况下不同时段以及不同车站点的客流随机比例系数δ,δ∈(δmin,δmax)。
S2:根据初始条件设定生成虚拟地铁客流时间分布规律与空间分布规律数据;其中,时间分布规律数据的生成方法,步骤如下:
在客流总数Psum及运行首班时间Tfirst、末班时间Tlast确定的条件下,在步长为一小时的每个时间段平均客流表达式如下:
其中,时间段个数Tsum=Tlast-Tfirst;
随后,根据随机比例系数δ的设定(在步骤S1初始条件中工作日和节假日当中客流高峰时间段不同,也服从不同的δ),计算工作日、节假日不同时段的客流量,则有:
(1)工作日高峰时间段客流,表达式如下:
其中,δwh表示工作日高峰时间段客流随机比例系数;
(2)工作日普通时间段客流,表达式如下:
其中,δwl表示工作日普通时间段客流随机比例系数;
(3)节假日高峰时间段客流,表达式如下:
其中,δfh表示节假日高峰时间段客流随机比例系数;
(4)节假日普通时间段客流,表达式如下:
其中,δfl表示节假日普通时间段客流随机比例系数;
为消除误差,从而得到第i个时间段客流比例,表达式如下:
其中,Pi time代表i时段客流人数。生成的时间分布规律采用Tsum+1行、3列的时间分布矩阵表示(如附图3所示)。
其中,空间分布规律数据的生成方法,步骤如下:
在S1中初始条件商圈附近车站站点编号、CBD附近车站站点编号、中转站站点编号、车站总数Ssum均设定的条件下;在空间分布OD矩阵中,第i行j列元素代表从i站到j站的客流比例(显然当i=j时,该元素为0),则有OD矩阵中每个站到站的平均客流人数为:
在S1初始条件中,普通车站、中转站、商圈车站、CBD车站服从不同的预设定δ,例如在工作日的条件下,CBD车站客流会有明显乘客流量激增,同理节假日时商圈车站客流量明显激增,而在最初的数据生成时,已经将各个情况考虑在内,空间分布数据也会自动分辨工作日或节假日来生成。故,根据随机比例系数δ的设定,计算工作日及节假日情况下,不同车站客流人数,则有:
(1)普通车站客流人数,表达式如下:
其中,δcom表示普通车站客流随机比例系数;
(2)中转车站客流人数,表达式如下:
其中,δtrans表示中转车站客流随机比例系数;
(3)CBD车站客流人数,表达式如下:
其中,δcbd表示CBD车站客流随机比例系数;
(4)商圈车站客流人数,表达式如下:
其中,δmark表示商圈车站客流随机比例系数;
为消除误差,从而得到OD矩阵中i站到j站客流比例,表达式如下:
(当i=j时,/>),
其中,代表i行j列客流人数。生成的空间分布数据由空间OD矩阵表示(如附图4所示)。
S3:根据生成的时间分布规律和空间分布规律生成虚拟地铁客流微观大数据;具体包括如下步骤:
根据S2描述可知,时间分布规律是统计一天当中的不同时段的客流情况,空间分布规律是统计每个车站的进出站客流情况,因此,为了进一步缩小微观客流大数据的误差。
首先,将空间分布的OD矩阵的客流比例按照时间分布规律的比例下进行统计分布,则有每个时间段的客流,表达式如下:
每个时间段单独统计一个辅助OD矩阵ODmic,将ODmic中的i站到j站客流人数以总OD矩阵中的比例进行计算得到,表达式如下:
因此,有了每个时间段下车站客流信息后,将客流按时间分布规律下以步长为1小时的阶段中进行随机分布,得到虚拟客流微观数据;其中,虚拟客流微观数据包含每个ID(乘客编号)的进站车站编号、出站车站编号、进出站时间(几时几分几秒),如附图5所示。
在S3的数据生成过程中,通过对时间分布规律与空间分布规律的结合下,将每个不同情况下的客流高峰时段巧妙地展现出来,如:工作日下的高峰时段为早7点至9点,晚5点至7点,由于指数爆炸的原理则在一天的客流分布当中,此时间段上的高峰车站客流更加集中,也更加贴近真实数据。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于AlphaZero思想的虚拟地铁客流大数据的自动生成方法,其特征在于,包括:
S1:根据地铁运行线路的情况和专家经验进行初始条件设定;
S2:根据初始条件设定生成虚拟地铁客流时间分布规律与空间分布规律数据;
S3:根据生成的时间分布规律和空间分布规律生成虚拟地铁客流微观大数据。
2.根据权利要求1所述的一种基于AlphaZero思想的虚拟地铁客流大数据的自动生成方法,其特征在于,步骤S1中所述初始条件包括客流总数、地铁运行首班时间和末班时间、车站总数、中转站站点编号、工作日或节假日选择、商圈附近车站站点编号、CBD附近车站站点编号;
根据地铁运行线路特点及专家经验设定工作日、节假日情况下不同时段以及不同车站点的客流随机比例系数δ。
3.根据权利要求1所述的一种基于AlphaZero思想的虚拟地铁客流大数据的自动生成方法,其特征在于,步骤S2中时间分布规律数据的生成方法,具体包括:
在客流总数Psum及运行首班时间Tfirst、末班时间Tlast确定的条件下,在步长为一小时的每个时间段平均客流表达式如下:
其中,时间段个数Tsum=Tlast-Tfirst;
根据随机比例系数δ的设定,计算工作日、节假日不同时段的客流量,具体如下:
(1)工作日高峰时间段客流,表达式如下:
其中,δwh表示工作日高峰时间段客流随机比例系数;
(2)工作日普通时间段客流,表达式如下:
其中,δwl表示工作日普通时间段客流随机比例系数;
(3)节假日高峰时间段客流,表达式如下:
其中,δfh表示节假日高峰时间段客流随机比例系数;
(4)节假日普通时间段客流,表达式如下:
其中,δfl表示节假日普通时间段客流随机比例系数;
从而得到第i个时间段客流比例,表达式如下:
其中,代表i时段客流人数。
4.根据权利要求3所述的一种基于AlphaZero思想的虚拟地铁客流大数据的自动生成方法,其特征在于,生成的时间分布规律采用Tsum+1行、3列的时间分布矩阵表示。
5.根据权利要求1所述的一种基于AlphaZero思想的虚拟地铁客流大数据的自动生成方法,其特征在于,步骤S2中空间分布规律数据的生成方法,具体包括:
在S1中初始条件商圈附近车站站点编号、CBD附近车站站点编号、中转站站点编号、车站总数Ssum均设定的条件下;
在空间分布OD矩阵中,第i行j列元素代表从i站到j站的客流比例,则有OD矩阵中每个站到站的平均客流人数为:
根据随机比例系数δ的设定,计算工作日及节假日情况下,不同车站客流人数,具体如下:
(1)普通车站客流人数,表达式如下:
其中,δcom表示普通车站客流随机比例系数;
(2)中转车站客流人数,表达式如下:
其中,δtrans表示中转车站客流随机比例系数;
(3)CBD车站客流人数,表达式如下:
其中,δcbd表示CBD车站客流随机比例系数;
(4)商圈车站客流人数,表达式如下:
其中,δmark表示商圈车站客流随机比例系数;
从而得到OD矩阵中i站到j站客流比例,表达式如下:
其中,代表i行j列客流人数。
6.根据权利要求5所述的一种基于AlphaZero思想的虚拟地铁客流大数据的自动生成方法,其特征在于,生成的空间分布数据由空间OD矩阵表示。
7.根据权利要求1所述的一种基于AlphaZero思想的虚拟地铁客流大数据的自动生成方法,其特征在于,S3具体包括如下步骤:
将空间分布的OD矩阵的客流比例按照时间分布规律的比例下进行统计分布,则有每个时间段的客流,表达式如下:
每个时间段单独统计一个辅助OD矩阵ODmic,将ODmic中的i站到j站客流人数以总OD矩阵中的比例进行计算得到,表达式如下:
根据每个时间段下车站客流信息后,将客流按时间分布规律下以步长为1小时的阶段中进行随机分布,得到虚拟客流微观数据。
8.根据权利要求7所述的一种基于AlphaZero思想的虚拟地铁客流大数据的自动生成方法,其特征在于,所述虚拟客流微观数据包括每个乘客编号的进站车站编号、出站车站编号、进出站时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410321281.4A CN118134184A (zh) | 2024-03-20 | 2024-03-20 | 基于AlphaZero思想的虚拟地铁客流大数据的自动生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410321281.4A CN118134184A (zh) | 2024-03-20 | 2024-03-20 | 基于AlphaZero思想的虚拟地铁客流大数据的自动生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118134184A true CN118134184A (zh) | 2024-06-04 |
Family
ID=91229838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410321281.4A Pending CN118134184A (zh) | 2024-03-20 | 2024-03-20 | 基于AlphaZero思想的虚拟地铁客流大数据的自动生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118134184A (zh) |
-
2024
- 2024-03-20 CN CN202410321281.4A patent/CN118134184A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104636828B (zh) | 基于马尔科夫链的公共自行车站点供需预测方法 | |
CN104504229B (zh) | 一种基于混合启发式算法的智能公交调度方法 | |
CN101789175B (zh) | 公共交通多线路静态协调调度方法 | |
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 | |
CN111476382A (zh) | 动车组检修的处理方法及装置 | |
CN110033177A (zh) | 基于gps大数据的出租车高效益智能集体调度算法 | |
Zhang et al. | The impact of China's Central Rise Policy on carbon emissions at the stage of operation in road sector | |
CN115759639A (zh) | 基于小样本增量学习的非租还高发期共享单车调度方法 | |
Zhang et al. | Optimized Skip‐Stop Metro Line Operation Using Smart Card Data | |
CN113743644B (zh) | 高速铁路通过能力通用计算方法 | |
CN118134184A (zh) | 基于AlphaZero思想的虚拟地铁客流大数据的自动生成方法 | |
CN113592419B (zh) | 考虑客流和节能的轨道交通快慢车时刻表优化方法 | |
Lu et al. | Demand-responsive transport for students in rural areas: A case study in vulkaneifel, germany | |
CN112258029A (zh) | 地铁站周边共享单车的需求预测方法 | |
CN116957130A (zh) | 短时客流预测方法 | |
CN110458405A (zh) | 一种基于电力-微气象特征数据的电力系统安全预警方法 | |
CN112465396B (zh) | 一种基于沿线站点事件的公交调度方法及系统 | |
CN113409571B (zh) | 一种设置公交车道的判定方法、装置、存储介质及终端 | |
Parker | Appropriate telecommunications for economic development | |
CN114021291A (zh) | 一种城市轨道交通线网限流方案仿真评价建模方法 | |
Zhu et al. | Research on dynamic timetables of bus scheduling based on dynamic programming | |
CN112800565A (zh) | 高速铁路网络列车延误传播的预测方法 | |
CN111680849A (zh) | 非正常事件下车站通过能力的计算方法及存储介质、终端 | |
CN112182838A (zh) | 一种基于afc数据的短时客流预测动态模型 | |
Shi et al. | Short-time Passenger Flow Prediction Model based on Combined Model for Large Events in and Out of Rail Stations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |