基于客流规律的地铁车站客流风险分析

地铁车站类型识别和客流风险识别对地铁安全运营管理有着重要的作用。基于深圳地铁AFC(automatic fare collection)系统数据,采用无关值和异常值清理、聚合、均值滤波、标准化、主成分分析等数据清洗步骤,提取不同时段客流比例、不同天数客流比例和换乘客流比例等特征。运用Gauss混合模型(GMM)对工作日和周末客流进行聚类,分析客流出行规律,辨识车站类型及其对应的客流风险时段,提出车站客流风险分析方法,通过大数据分析对车站类型和客流风险进行识别。分析结果对掌握车站大客流风险情况,避免大客流冲击造成的拥挤踩踏等群体性事件的发生,保障乘客安全具有指导意义。     

基于LSTM的轨道交通进站客流短时预测研究

对轨道交通进站客流进行准确的预测有助于城市交通系统更好的管理,及时做出应对措施。使用Kmeans聚类方法对南京地铁113个站点进行聚类,得到5个不同类别的轨道站点,分析不同类型站点进站客流的时序特征以及天气与工作日因素对客流的影响,发现是否为工作日对进站客流影响最为明显。用长短时记忆网络将前35天的数据作为训练集预测后4天的客流量,将预测结果与循环神经网络和支持向量机做比较。结果表明:类别1和类别3站点的进站客流预测精度要优于其他类别,长短时记忆网络模型对居住型轨道站点进站客流的短时预测具有很好的适用性。     

上海郊区轨道站客流与站域出行活力匹配性研究

依据手机信令数据构建站域活力指标对站域人群出行强度与范围进行测度,针对站域活力与站点客流量的匹配差异性,利用象限法将上海郊区77个轨道站分为3类,即高活力高客流、高活力低客流、低活力低客流,分别占比38%、18%、44%。结合站域开发强度、轨道自身性质等多维属性构建多分类Logit模型,结果表明,相对于高活力高客流站点,高活力低客流站点主要分布于未直接穿越城市主城区的线路上,更需要提高轨道竞争力及地面公交与轨道的接驳水平、降低站域人群对小汽车的依赖度来提高客流;低活力低客流站点,主要分布于开发密度低的远郊,加强站域开发水平是提高站域活力与客流的关键。研究结果为超大和特大城市郊区轨道站点客流与站域活力两者协同发展机理提供参考。     

轨道站出入口客流分布系数估计方法

将轨道车站出入口客流分布系数的预测问题转化为对站点周边路网中行人活动分布比例关系的研究,采用空间句法轴线图模型的道路R3集成度建立预测轨道站出入口客流分布系数的方法.为了避免其他因素对轴线模型估算轨道车站出入口客流分布系数产生影响,选取上海8个郊区轨道车站24个出入口进行方法有效性验证分析,同时评价该方法的精度性和局限性.     

基于K-means聚类组合模型的公交线路客流短时预测

预测公交线路短时客流是实现公交动态调度的关键技术.文中通过分析客流特性,构建了基于K-means聚类算法的组合预测模型.首先利用K-means算法将短时客流数据按照时变特征的相似度划分为不同聚类,然后为每类客流数据分别建立最小二乘支持向量机、BP神经网络、自回归滑动平均模型,并考虑天气因素的影响,用遗传算法优化模型参数,对比预测结果,从中选择每个聚类的最佳预测模型构成组合模型.最后以长沙市104路公交客流数据作为实例进行预测分析,结果显示:客流数据时变特征对模型具有选择性,K-means聚类组合模型能够更好地根据不同时段客流数据的时变特征进行分类,因而有利于提高预测绩效;考虑了天气因素的K-means聚类组合模型能进一步提高公交线路的短时预测绩效.     

快慢车行车模式下地铁车站辐射范围研究

地铁车站辐射范围是衡量地铁对站点周边出行者吸引力和地铁交通功能的重要指标.快慢车行车模式下车站服务水平的差异可能导致其吸引力和辐射范围的差异.调研车站客流集散距离分布情况,结合折减系数确定车站辐射范围,分析不同类型车站辐射范围差异,并与全程旅行时间及不同类型车站客流量进行对比,反映快慢车行车模式对车站辐射范围的影响程度,并为改善车站集散交通系统提供理论依据.最后,以上海地铁16号线为例进行实例研究.     

城市建成区轨道站公交换乘设施规划方法

基于城市建成区大量轨道站点客流换乘特征调查数据,对轨道站公交换乘客流比例、客流空间分布、公交客流吸引范围进行分析,依托轨道网络提出轨道站点公交线路优化规划方法,给出轨道站点出入口始发公交线路、途经公交线路的公交换乘设施用地估算方法.     

大客流冲击下北京市轨道交通网络稳定性

为了减少轨道交通站点运营不稳定现象的发生,优化轨道交通网络结构,提升网络运营效率,对大客流冲击下的轨道交通运行稳定性进行研究。以北京市轨道交通网络为例,采用L空间法构建以轨道站点为节点、相邻站点线路为连边的北京市轨道交通网络模型;仿真分析了节点度、平均路径长度、聚类系数、网络直径、网络效率等特征参数值和其分布规律。根据事件类型将站点分为功能减弱站点和功能中断站点,并分别采用客流传播模型和网络效率模型,仿真量化了不同事件类型发生背景下的网络稳定性。研究结果表明:现阶段北京市轨道交通网络具有无标度网络的特征,网络可达性较好,聚类系数较小,网络连通性有待提高;当换乘站因超大客流出现而功能减弱时,若相邻站点数S≤7时,网络中拥挤站点拥挤状态可自行消退,且相邻站点数与拥挤消退所需时间呈负相关;当换乘站出现功能中断时,网络效率值会显著降低,破坏站点的重要度系数在(0.75,1]范围时对网络效率的影响最大,在(0,0.5]范围时对网络效率的影响最小。该研究结果为及时发现轨道网络关键点及其薄弱环节,保障超大客流背景下的城市轨道交通网络安全运营提供依据,也为大客流冲击下的北京市轨道网络应急方案的制定提供决策支持。     

面向拥堵传播阻断的城轨站点分类

针对拥堵客流的传播阻断问题,研究了一种城轨站点分类方法.首先,通过分析影响站点拥堵传播阻断能力的相关因素,选取了站点客流量、站点运输能力和拓扑位置指标构建指标体系;其次,采用SOM神经网络和模糊分类算法对多指标数据进行分类,获取了不同时段下具有不同拥堵阻断能力的站点类别,实现面向拥堵传播阻断的站点分类;最后,采用北京市轨道交通实际运营数据对模型进行验证.研究结果表明:该方法能够在城轨系统不同时段下,随着客流量和运输能力的变化,准确识别不同类型的站点,并为后续研究城轨网络的大客流拥堵传播模型提供站点参数分析依据.     

基于数据挖掘的地铁车站热湿特征抽取

针对城市轨道交通系统车站环控能耗高占比问题,从城轨交通地下站点热湿环境角度探索轨交站点环控运行能效提升策略。本研究通过K-means对地铁公司各车站站内全年日均温湿度数据进行聚类,再对各聚类车站通过时空分布、埋深等物理属性影响进行分析。结果表明：(1)相同线路、相邻车站温湿度变化曲线存在差异较大;(2)温度聚类二类车站表现为冬冷夏热,舒适度最差,11-12月的西南季风造成温度聚类四车站温度较低;(3)利用室内外温湿度差的标准差分析发现,曲线波动与埋深、方位角等物理特征均表现为强相关。因此不同车站因物理特征差异站点环控系统应差异化运行,也应对不同车站分类设定不同环控能耗定额标准,本研究为地铁车站设计、环控设备选型和运行提供依据,并对城轨交通的深绿运行及低碳城市建设有积极意义。     

大型活动散场期间地铁车站短时进站客流预测

大型活动散场期间的地铁车站客流属于可预知的非常规客流,采用常规客流的统计预测方法难以准确预测其客流需求.基于深度学习,将历史客流规律、大型活动数据与实时自动售检票系统数据相结合,提出了一种适用于大型活动散场期间地铁车站的短时客流预测模型.首先对历史客流数据进行了拆分及降噪处理,并分析了活动客流特征.之后,基于深度学习框架构建多层结构的卷积神经网络,拟合活动客流特征与客流时空分布的映射关系,并选取Adam(adaptive moment estimation)算法优化训练过程,以适用于活动散场时客流集中进站的情况.最后,以北京地铁奥林匹克公园站为例,利用实测数据验证了模型的准确性.预测结果表明:建立的Adam-CNN(convolution neural network)模型相对于常用时间序列方法自回归滑动平均和传统神经网络SGD-CNN模型具有更高的精度,能够为大型活动的组织提供更为有力的支持.     

基于时空特征提取的城市轨道交通乘客出行目的地预测

为满足城市轨道交通运营组织进行客流管控和行车调度的实时需求,提出了基于乘客OD时空特征的出行目的地在线预测方法。通过分析定义乘客OD时空特征矩阵,以乘客个体的历史自动售检票系统（AFC）数据为训练样本,提出了基于行程密度聚类的乘客OD时空特征提取方法。分析制定乘客实时进站刷卡信息与其OD时空特征矩阵的匹配规则,基于3种匹配情况分别提出了相应的目的地实时预测方法。以南京市轨道交通AFC数据为实例进行验证,结果表明本文提出的预测方法在高峰时段预测准确率、全天预测稳定性等方面效果良好,可为地铁运营组织提供参考。     

基于AFC数据的大型活动期间城市轨道交通客流预测

准确预测大型活动期间城市轨道交通客流,是城市轨道交通管理与运营部门制定运输组织计划的重要依据,也是实现活动期间交通保障的关键.在分析大型活动期间城市轨道交通历史客流特征的基础上,针对活动期间的客流成分,分别构建活动客流与背景客流预测模型,以实现对未来大型活动期间城市轨道交通客流的预测.基于城市轨道交通自动检票系统(AFC)采集到的客流数据,分析大型活动期间的历史客流数据的变化规律,并依据其客流特征进行成分分解.针对活动客流,构建基于小波分解与重构的GM-ARIMA客流预测模型,针对背景客流则采用ARIMA模型与底特律法进行预测.基于广州地铁在2011—2014年广交会期间的历史AFC客流数据,对提出的方法进行验证.结果表明:该方法能够捕捉大型活动期间的客流特征,并可实现对大型活动期间城市轨道交通客流的预测.     

城市轨道交通车站客流状态采集范围

随着城市化进程的不断推进,迅猛增加的轨道交通客流对客运组织管理提出了更高的要求。目前,虽然多样化的视频采集设备已广泛应用于地铁客流监测中,但是对视频监测范围缺乏统一的标准规范导致监控设备布设随意性大、客流采集无法满足监测需求,鉴于此,课题开展对轨道交通车站客流状态数据采集范围的研究。首先,阐述了客流状态采集范围的概念和影响因素;其次,分析轨道交通车站不同功能区域的数据采集参数类型,以全面性及精度最优为目标,构建了不同功能区域的采集范围模型,并给出模型中参数权重的计算方法和模型求解方法;最后,以北京西直门地铁站为研究对象进行实例分析,给出其不同功能区客流状态数据的最优采集范围。本研究可为交通流数据的获取提供有效的技术支持和保障。     

基于云模型-Markov链的城市轨道交通车站客流状态分析

在大客流条件下,城市轨道交通车站为缓解大客流的冲击,需要全面地分析和准确地预测车站客流状态,进而采取大客流组织措施.本文在明确车站结构设施设备布局的基础上,针对车站不同的设施设备进行了客流状态划分,确定了车站设施设备客流状态等级,基于此,构建了车站客流状态辨识模型,通过状态隶属关系结合马尔科夫状态转移理论分析了客流状态的动态变化情况,系统地实现了设施设备客流状态级别的判断与动态预测.通过实例分析,验证了该方法能够较准确地判别车站客流状态变化情况,为车站安全运营管理、客流控制、应急处置等方面提供决策支持,具有较强的应用价值.     

城轨站行人流线网络客流分配算法与软件实现

为实现符合城市轨道交通车站行人流线网络特点的行人设施客流分配,首先将分方向实结点时间阻抗与结点客流方向引入最短路径识别,将其嵌入连续平均法,建立了适用于城市轨道交通车站行人流线网络的客流分配算法.然后,利用C#和Matlab语言在AutoCAD环境下开发了相应的客流分配软件,并在此过程中提出了结点客流方向获取方法.算例表明,该算法能够实现考虑分方向实结点时间阻抗的城轨站行人设施客流分配;与TransCAD、VISUM相比,软件符合行人流线网络特点,操作简便.     

高速公路出行距离特征分析与应用

为分析高速公路出行距离特征与快速准确地计算高速公路起讫点(origin-destination,OD)矩阵,通过统计收费数据探寻不同车型的出行距离特征,并结合收费站点区域的联系强度构建OD估算模型。根据车型分类标准对收费数据进行分车型整合处理,利用频数分析和曲线拟合建立出行特征函数,并利用空模型法模拟客车和货车距离衰减规律;根据收费站不同行车区间内出行概率与节点间的联系强度,建立基于驾驶员出行特征的OD估算模型并进行实例分析。结果显示:河北省客、货车出行距离区间分别集中在50～150 km与100～300 km;距离衰减系数分别为1.08和1.205,不同于默认值2,随距离的增加有显著的衰减趋势;客车和货车最佳拟合函数分别为对数正态分布和正态分布,OD估算结果误差小于5%。     

老龄化背景下城轨换乘站客流组织仿真分析

针对人口老龄化背景下的城轨换乘站客流组织问题,从影响因素分析出发,量化老年乘客生理特征对乘客行动力影响的外在表现,并运用社会力模型描述换乘站内行人运动。借助AnyLogic仿真软件,以重庆市某换乘站为实验对象构建地铁换乘站仿真模型。通过设计多场景仿真实验,结果发现老年乘客比例对站内客流速度、进站时间、换乘时间都有明显影响,尤其是在站内客流瓶颈处和高差变化处的影响更为明显。最后,对适老背景下城轨车站设计和运营提出针对性建议。     

考虑路径尺度的城市轨道交通客流分配

城市轨道交通客流分配是进行轨道交通线网规划、评估和运营管理的关键技术之一。考虑有效路径之间重叠对路径选择概率的影响,在效用函数中加入路径尺度调整效用值,提出基于路径尺度的Logit客流分配方法。以北京地铁线网为例,构建乘客出行广义费用函数,搜索有效路径,清洗自动售检票系统(automatic fare collection, AFC)刷卡数据,通过MATLAB软件进行客流分配计算。结果表明:与既有模型相比,路径尺度Logit模型路径选择概率误差降低了24.32%,提高了客流分配精度。提出的路径尺度Logit模型具有较好的适用性、有效性,对于提升城市轨道交通线网科学规划水平、降低运营安全风险具有重要意义。     

考虑乘客选择行为的地铁车站承载能力瓶颈识别方法

乘客选择行为引起地铁车站客流量分布动态变化,并导致拥堵的传播,是承载能力瓶颈产生的关键因素之一.通过分析乘客在站服务事件链,构建地铁车站系统中设施设备关联网络.在分析乘客选择行为作用下的关联网络特性的基础上,建立了节点约束下的车站客流分配模型,并引入动态惩罚函数求解该模型,结合求解结果,提出通过节点受影响程度指标来识别能力瓶颈.以上海地铁陆家浜路站为例分析,与StaPass软件的仿真结果进行对比,验证了该方法的可行性和准确性,有助于快速分析不同客流条件下车站客流分布,并确定能力瓶颈.