城市轨道交通网络突发事件影响客流量的计算

城市轨道交通网络发生突发事件而造成临时性中断后,因列车运行延误具有传递性和扩散性,此时各相关车站会形成延误客流、绕行客流及损失客流.引入图论的方法建立城市轨道交通网络局部中断评价模型;再结合轨道网络单位时段内各站点间的起讫点出行分布历史或预测矩阵,得到了在各个受影响站点的各种受影响客流的评价模型.根据这些模型可以得到网络节点破坏后各相关站点随着时间的推移而不断变化的受影响客流量、绕行客流量、拥堵客流量、延误客流量、损失客流量、损失时间等参数.通过对上海轨道交通的局部网络的分析计算,证明了该应急处置参考模型的有效性.     

基于SSA-LSTM组合模型的城市轨道交通短时客流预测

随着我国经济的快速增长及城市化水平的不断提高，轨道交通在居民出行中发挥着越来越重要的作用。作为影响城市轨道交通运营效益和服务水平的关键因素，客流精准预测受到运营管理者和研究者的日益重视。为提高城市轨道交通客流预测精度，提出了基于麻雀搜索算法(SSA)和长短期记忆网络(LSTM)的SSA-LSTM组合模型。本文以杭州地铁一号线客流量数据为例，在选取轨道交通客流相关影响因素的基础上，利用建立的SSA-LSTM模型对相关站点进行短时客流预测，并与LSTM模型、遗传算法(GA)优化的LSTM模型(GA-LSTM)以及粒子群算法(PSO)优化的LSTM模型(PSO-LSTM)预测结果进行对比分析。结果表明，相比于前述参照模型，SSA-LSTM模型的预测精度分别提升了19.1%、9.7%和2.4%,并在均方根误差指标方面有更优异的表现。SSA-LSTM组合模型在城市轨道交通客流预测中具有一定的应用价值，具有协助运营管理者提高城市轨道交通运营管理效益和提高服务水平的潜力。     

ARIMA-RBF模型在城市轨道交通客流预测中的应用

客流量预测是城市轨道交通规划设计和运营管理的基本依据,已成为城市轨道交通建设过程中的重要环节。本文通过分析平常日客流变化的周规律、非平稳性等时序特征以及ARIMA模型和RBF模型的作用机理,将适合进行线性时间序列预测的ARIMA模型和适合处理非线性问题的RBF神经网络组合,建立了ARIMA RBF预测模型,并用该模型对北京市城市轨道交通平常日客流量进行预测,该模型充分考虑到城市轨道交通客流变化的线性及非线性特征,取得了较好的预测效果。     

基于ARMA模型的城市轨道交通客流量预测

客流量预测是城市轨道交通规划设计和运营管理的基本依据,是城市轨道交通建设过程的重要组成部分.在对天津地铁一号线日客流量变化的规律进行分析的基础上,采用自回归滑动平均时间序列(ARMA)模型对客流量进行预测.结果表明,与实际数据相比,模型具有较小的预测相对误差,取得了较好的预测效果.     

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.     

基于向量自回归和动态模式分解的城市轨道交通短时OD预测

针对城市轨道交通OD客流量短时预测问题,提出基于向量自回归（Vector Auto Regression, VAR）和动态模式分解（Dynamic Mode Decomposition, DMD）的VAR-DMD组合预测模型.首先,以北京市范围内的地铁站点为例,基于自动售检票系统数据（Auto Fare Collection, AFC）,对地铁OD客流进行时空特征分析;其次,构建高阶加权向量自回归模型捕获OD客流数据的时空关联性,利用动态模式分解算法估算模型的参数,提取OD客流数据动态特征,实现数据的降维和降噪,利用实时更新算法更新模型的参数,实现长期连续预测;最后,以北京地铁AFC数据为算例,对模型进行验证.研究结果表明：相较于基准模型,VAR-DMD模型的运行时间减少96.67%,预测误差减少2.6%,具有较高的预测速度和预测精度,为城市轨道交通运营管理部门提供了可靠又及时的决策依据.     

基于解释结构模型的城轨客流量影响因素分析

随着国民经济的不断增长、城市化水平的不断提高、城市道路拥堵的不断加剧,各城市开始兴建城市轨道交通以缓解城市地面道路压力。合理预测规划线路的客流量对设置交通配套设施、分配运力、管理运营等工作的顺利开展起着举足轻重的作用。本文参考、综合、比较了多种客流量的影响因素,并以系统工程中的解释结构模型为理论分析方法,运用德尔菲法分析出各影响因素间的相互影响情况,最终得出各因素与城市轨道交通客流量的影响关系。希望此结论能为城市轨道交通的客流预测、政府投资决策、运营方的运营管理提供理论参考。     

城市轨道交通客运量影响因素与预测精度研究

城市规模不断扩大,我国城市轨道交通趋于高速发展,客流量是城市轨道交通建设规模的重要考量因素.为探究轨道交通客运量影响因素,以北京市为例,通过分析轨道交通客流的影响因素,探讨各影响因素与客流相关性;结合轨道交通发展规模,运用Matlab软件对客流量进行灰色预测,影响因子灰色关联度排序为:运营车辆数>运营线路数>运营公里数...     

基于充分可观控实验方法的城市轨道交通客流随机分配模型优化

城市轨道交通起讫点间路径客流分配直接影响各条线路断面客流量的大小,进行科学精准的网络客流分配是实施客流统计分析、客流预测、运输计划编制、客运组织等工作的重要基础。基于城市轨道交通客流在轨道交通线网内的时空分布是充分可观控的理论,辨析影响客流随机概率分配的主要因素,建立网络模型架构,基于随机效用理论优化乘客出行的微观路径选择行为和决策过程,将客流随机分配模型中的有效路径效益值函数优化为分段函数。通过对结果进行路径分配比例验证及分线断面客流量验证,说明优化方法达到预期目标,为实现规范化、科学化、系统化的城市轨道交通清分奠定了坚实的基础。     

基于客流转移的轨道交通换乘站客流分析

换乘站客流研究是城市轨道交通重要的研究方向,本文针对轨道交通换乘站客流分析预测存在的不足,提出了一种基于客流转移的换乘站客流分析方法。文章主要对比轨道交通信息运营前后两个阶段,获得换乘站准确的客流变化情况,为下一步进行客流预测建模提供坚实的理论与数据支撑。     

基于消错决策法的地铁车站安全态势分级

在城市轨道交通研究中,因不同车站所处区位及交通特征差异巨大,有必要针对不同等级、类别的车站进行相应的监测预警和配套设施部署,对提高地铁系统的风险防控和应急救援水平具有重要意义。利用一种消错决策方法,研究并建立了涵盖城市轨道交通运行过程中产生的动态数据的车站分级指标体系,并以南京地铁3号线为案例对29个车站进行了站点分级。结果表明,以选取的"高峰小时客流量""高峰时间不均匀系数""线网节点介数"等5个车站分级指标,将案例中全部车站动态地分为三个等级。该研究结果论证了地铁车站安全态势分级方法的有效性和可行性,可为运营单位更加科学合理地对地铁线网进行针对性监管部署提供理论及方法依据,使之具有实际操作性。     

地铁车站客流疏导优化

为解决日常轨道交通站点拥堵问题,提高地铁车站客运效率,利用AnyLogic仿真软件对地铁站进行模拟仿真,得到地铁站行人密度图,分析地铁站拥堵瓶颈点,从行人流线和站内设施设备布局两个角度提出针对性优化措施。结果表明：地铁站站厅层安检区和站台层扶梯组通常为地铁站拥堵瓶颈区,改善安检区域与扶梯出口区域的拥堵是提升地铁站客运效率的关键。在安检口增设独立安检系统,适时安排工作人员引导拥堵区人流是既经济又高效的措施。采取措施后,拥堵区行人密度有所下降,验证了优化措施的有效性。该方法可为地铁站客流组织管理提供参考。     

城市轨道交通换乘站点失效下网络脆弱性分析

城市轨道交通换乘站点失效会导致网络性能下降,使得系统表现出较高的脆弱性,换乘站点失效下网络脆弱性分析对于保障系统运营安全具有重要意义.考虑城市轨道交通网络和外部公共交通网络的耦合关系,分析换乘站点失效后的乘客广义出行费用,对乘客出行选择行为进行建模;从运营服务网络性能下降的视角,提出了网络脆弱性定量评估指标;对路网拓扑...     

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。     

融合长短期记忆网络和图卷积网络的轨道交通短时客流起讫点预测

轨道交通客流起讫点(origin-destination,OD)矩阵存在时间相关性和空间相关性。根据客流OD的时空特征,提出长短期记忆(long short-term memory,LSTM)网络和图卷积网络(graph convolutional networks,GCN)的短时组合预测方法。预测方法主要利用LSTM网络来获取客流的时间相关性,利用GCN来获取客流的空间相关性,基于出站口建立客流OD矩阵,对整个路网的客流OD进行训练预测。实验表明:融合LSTM神经网络和GCN神经网络的短时预测模型能有效预测轨道交通客流OD。相较于单独的LSTM神经网络,组合模型在预测误差方面有所改善,更适用于短时客流OD的预测。     

共享单车发展下的轨道交通廊道影响范围研究

基于共享单车在各大城市普及程度的提高,共享单车换乘轨道交通的出行方式越来越普遍。本文建立以广义出行成本表达可达性的轨道交通廊道影响范围测算模型,计算轨道交通站点的合理影响范围,比较骑行和步行换乘轨道交通时各站点的影响范围。以成都市为例,各环线内骑共享单车的影响范围比步行的影响范围平均增加了675.2～4590.06 m;范围扩大了2.36～2.64倍。基于泰森多边形原理,解决各站点间合理影响范围的重合问题,并确定站点潜在影响范围的界限。该研究成果确定了一个更为精准地划分轨道交通廊道影响范围的方法,为轨道交通廊道影响范围的研究提供了新的理论方法。     

基于旅行时间分析的城轨乘客路径集验证方法

城市轨道交通乘客出行路径集是否正确,是乘客路径选择估计以及网络客流分布计算的前提和基础.从现有客流分布模型中有效路径选择集问题及OD实际旅行时间聚类特征出发,引入Rodriguez-Laio快速聚类算法,提出基于旅行时间聚类分析的城市轨道交通乘客路径集验证方法.以北京地铁网络为例进行算例分析,结果表明,该方法可以在全网络范围内对路径选择集问题OD作出快速识别及滚动验证,并为以原因分析为导向的现场客流调查与模型修正工作提供重要参考.     

配合城市轨道交通的常规公交起讫点的确定

为了配合城市快速轨道交通，应用交通分配的方法对城市公交客流O-D矩阵加以调整，除去快速轨道交通直达运送的客流，对换乘快速轨道交通的客流作O-D的变换，从而得到常规公交客流O-D矩阵，在此基础上，根据客流量大小原则确定常规公交起讫点。这种方法既考虑了直达客流，又考虑了换乘客流，所确定的常规公交起讫点更加符合实际，也更能体现常规公交与城市快速轨道交通的配合与衔接。     

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。