CN109272168A - 一种城市轨道交通客流变化趋势预测方法 - Google Patents
一种城市轨道交通客流变化趋势预测方法 Download PDFInfo
- Publication number
- CN109272168A CN109272168A CN201811174692.6A CN201811174692A CN109272168A CN 109272168 A CN109272168 A CN 109272168A CN 201811174692 A CN201811174692 A CN 201811174692A CN 109272168 A CN109272168 A CN 109272168A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- state
- variation tendency
- flow
- track traffic
- 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 19
- 230000007704 transition Effects 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 10
- 230000004044 response Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000013398 bayesian method Methods 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种城市轨道交通客流变化趋势预测方法,首先设定时间间隔,对历史客流量划分区间作为客流状态,再计算客流状态转移概率,再基于状态转移概率构建状态转移矩阵,再基于状态转移矩阵建立短时客流的预测模型,再利用预测模型和初始客流量大小进行短时客流量预测,再对短时客流预测结果进行分析确定下一阶段的客流变化趋势,最后根据客流变化趋势,建立轨道交通行车调度优化模型,通过对实时上传的进站交易数据进行统计并建立马尔科夫预测模型,不仅确保客流预测准确度,也保证了行车调度的可靠度。
Description
所属领域
本发明属于轨道交通运输技术领域,具体涉及一种城市轨道交通客流变化趋势预测方法。
背景技术
目前,我国城市轨道交通发展速度和规模处于世界领先水平,截至2016年12月31日,中国内地有北京、上海、广州、深圳、南京等共29座城市实现城市轨道交通线路的开通运营,运营线路总长三千多千米,其中21座城市拥有两条及以上城市轨道交通线路,逐步形成网络化运营格局,运营线路增多、客流持续增长、***制式多元化、运营线路网络化成为主要的发展趋势。为了提升运营效率和服务水平,我国地铁运营单位都采用了自动售检票(Automatic Fare Collection,AFC)***完成日常运行客流数据的统计和管理。
目前我国的城市轨道交通运营调度过程中,列车运行图对于列车安全稳定高效运行至关重要,全日行车计划是编制列车运行图的基础,全日行车计划依据营业时间、全日分时最大断面客流、列车定员数和线路断面满载率进行编制,全日行车计划的编制过程包括计算全日分时最大断面客流量、计算全日分时开行列车数、计算行车间隔时间以及全日行车计划的确定,其中全日分时最大断面客流量是根据全日客流量与全日客流分布模拟图计算的,是全日行车计划编制过程的重要环节,对全日分时开行列车数、行车间隔时间等的计算有重要影响,但是由于客流存在随机性,在每个运营日的运营过程中,客流会存在一定的波动,采用分时计算的方法得出的结果会不符合实际客流变化情况,因此根据客流变化趋势的状态,对城市轨道交通***运行状态进行调整,优化发车时间间隔,对于提高城市轨道交通运营效率、降低运营成本,提升乘客乘坐体验具有重要意义。
发明内容
本发明正是针对现有技术中的问题,提供了一种城市轨道交通客流变化趋势预测方法,首先设定时间间隔,对历史客流量划分区间作为客流状态,再计算客流状态转移概率,再基于状态转移概率构建状态转移矩阵,再基于状态转移矩阵建立短时客流的预测模型,再利用预测模型和初始客流量大小进行短时客流量预测,再对短时客流预测结果进行分析确定下一阶段的客流变化趋势,最后根据客流变化趋势,建立轨道交通行车调度优化模型,通过对实时上传的进站交易数据进行统计并建立马尔科夫预测模型,不仅确保客流预测准确度,也保证了行车调度的可靠度。
为了实现上述目的,本发明采用的技术方案是:一种城市轨道交通客流变化趋势预测方法,包括如下步骤:
S1,基于轨道交通车辆实际情况设定时间间隔,将历史客流数据进行区间划分;
S2,每一个区间对应一个状态,获得状态序列S={ai,i∈[0,n]},其中,ai表示第i个状态,n表示划分为n个状态,所述i∈[0,n];
S3,对历史客流数据按照步骤S2进行状态统计,计算状态之间的转移概率:
Pij=P{X(t+1)=aj/X(t)=ai}
其中,X(t)是t时刻下的客流量;Pij是当t时刻处于αj状态的条件下,在(t+1)时刻转移到αj状态的概率,
S4,基于状态之间的转移概率建立状态转移矩阵:
其中,n为状态的总数;
S5,通过轨道交通终端设备上传的进出站交易数据,统计得到车站在各时段内的进出站客流量,研究确定当前初始状态S0,在时间长度k内,建立实时预测状态序列Sk+1:
S1=PijS0;S1=PijS1;...,Sk+1=PijSk
根据所获得的状态序列计算出相应的状态阈值;
S6,根据步骤S5中的状态阈值获得未来k时间范围内的客流值状态序列集合S={S0,S1,S2,…,Sk,Sk-1},利用数学工具对序列进行分析,求解客流的增减趋势与强度,对所求解的变化趋势进行分类;
S7,基于由历史交易数据得到的客流预测模型,对线路中所有站点进行客流预测,按照步骤S6分析得到的趋势规律对站点进行分类,采用聚类分析方法,根据不同类型变化趋势特征将站点与运营时段按照“类间区别最大、类内区别最小”的原则进行分类,得到同一变化趋势类型站点编号集合TypeID={1,2,…,Z},Z为变化趋势类型总数,根据变化趋势的类型与幅度确定发车时间调整方案。
作为本发明的一种改进,所述步骤S2中,车辆定员数为Ld,线路断面满载率为μ,则区间长度为len=μ×Ld,划分区间个数n=num/len,其中num表示分割的客流最大值。
作为本发明的另一种改进,所述步骤S23中状态转移概率的计算方法为朴素贝叶斯方法。
作为本发明的又一种改进,所述步骤S6中交通客流变化趋势的分类分为脉冲信号响应型、阶跃信号响应型和其他类型。
与现有技术相比,本发明提出了一种轨道交通客流变化趋势预测方法,客流分布推测结合了历史客流变化规律,符合当地城市的客流模式和发展趋势;通过对实时上传的进站交易数据进行统计并建立时间序列预测矩阵,不仅提高客流预测时间的长度,同时保证了估计结果的可靠度,能够准确有效的对城市轨道交通客流变化分布进行实时估计。
附图说明
图1为本发明的预测方法的步骤流程图。
具体实施方式
以下将结合附图和实施例,对本发明进行较为详细的说明。
实施例1
一种轨道交通客流变化趋势预测方法,如图1所示,包括如下步骤:
Step1:基于轨道交通车辆实际情况设定时间间隔,将历史客流数据进行区间划分。
Step2:设定Xmin为客流序列的最小值,Xmax为断面客流最大值,将此两者之间的间隔分割成n个相等间隔区间,每一个区间对应一个状态,以此将运营日的客流数据转换成不同的状态,设车辆定员数为Ld,线路断面满载率为μ,则区间长度为len=μ×Ld,区间个数n决定了马尔科夫模型的状态个数,n=num/len,其中num表示分割的客流最大值。
Step3:对历史客流数据按照步骤S2进行状态统计,利用统计学方法计算状态之间的转移概率,转移概率计算公式为
Pij=P{X(t+1)=aj/X(t)=ai}
其中,Pij表明当t时刻处于αj状态的条件下,在(t+1)时刻转移到αj状态的概率,转移概率的计算方法采用朴素贝叶斯方法计算的准确性与历史客流数据的健全程度呈正相关性,历史客流数据越健全,计算出的概率也就越精确。
Step4:状态转移矩阵描述了t时刻的客流与(t-1)时刻客流之间的关系,表明t时刻的客流仅仅受到(t-1)时刻客流的影响,与更早的结果无关,基于状态之间的转移概率建立状态转移矩阵:
其中,n为状态的总数;Pij为状态之间的转移概率。
Step5:通过轨道交通终端设备上传的进出站交易数据,统计得到车站在各时段内的进出站客流量,研究确定当前初始状态S0,确定一个合适的时间长度值k,结合步骤S3中所得该类特征最新的状态转移概率分配矩阵Pij和当前初始状态S0,建立实时预测状态序列Sk+1为:
S1=PijS0;S1=PijS1;...,Sk+1=PijSk
根据所获得的状态序列计算出相应的状态阈值。
Step6:由步骤S5中的状态阈值获得未来k时间范围内的客流值状态序列集合S={S0,S1,S2,,Sk,Sk-1},利用数学工具对序列进行分析,求解客流的增减趋势与强度,对所求解的变化趋势进行分类,分为脉冲信号响应型、阶跃信号响应型和其他类型。
Step7:基于由历史交易数据得到的客流预测模型,对线路中所有站点进行客流预测,按照步骤S6分析轨道交通客流变化趋势规律,依照变化趋势特征的类似性对站点进行分类,得到同一变化趋势类型站点编号集合TypeID={1,2,…,Z},Z为变化趋势类型总数,根据变化趋势的类型与幅度确定发车时间调整方案。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实例的限制,上述实例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。
Claims (4)
1.一种城市轨道交通客流变化趋势预测方法,其特征在于,包括如下步骤:
S1,基于轨道交通车辆实际情况设定时间间隔,将历史客流数据进行区间划分;
S2,每一个区间对应一个状态,获得状态序列S={ai,i∈[0,n]},其中,ai表示第i个状态,n表示划分为n个状态,所述i∈[0,n];
S3,对历史客流数据按照步骤S2进行状态统计,计算状态之间的转移概率:
Pij=P{X(t+1)=aj/X(t)=ai}
其中,X(t)是t时刻下的客流量;Pij是当t时刻处于ai状态的条件下,在(t+1)时刻转移到aj状态的概率,
S4,基于状态之间的转移概率建立状态转移矩阵:
其中,n为状态的总数;
S5,通过轨道交通终端设备上传的进出站交易数据,统计得到车站在各时段内的进出站客流量,研究确定当前初始状态S0,在时间长度k内,建立实时预测状态序列Sk+1:
S1=PijS0;S1=PijS1;...,Sk+1=PijSk
根据所获得的状态序列计算出相应的状态阈值;
S6,根据步骤S5中的状态阈值获得未来k时间范围内的客流值序列S={S0,S1,S2,…,Sk,Sk-1},利用数学工具对序列进行分析,求解客流的增减趋势与强度,对所求解的变化趋势进行分类;
S7,基于由历史交易数据得到的客流预测模型,对线路中所有站点进行客流预测,按照步骤S6分析得到的趋势规律对站点进行分类,得到同一变化趋势类型站点编号集合TypeID={1,2,…,Z},Z为变化趋势类型总数,根据变化趋势的类型与幅度确定发车时间调整方案。
2.如权利要求1所述的一种城市轨道交通客流变化趋势预测方法,其特征在于所述步骤S2中,车辆定员数为Ld,线路断面满载率为μ,则区间长度为len=μ×Ld,划分区间个数n=num/len,其中num表示分割的客流最大值。
3.如权利要求1或2所述的一种城市轨道交通客流变化趋势预测方法,其特征在于所述步骤S3中状态转移概率的计算方法为朴素贝叶斯方法。
4.如权利要求3所述的一种城市轨道交通客流变化趋势预测方法,其特征在于所述步骤S6中交通客流变化趋势的分类分为脉冲信号响应型、阶跃信号响应型和其他类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811174692.6A CN109272168A (zh) | 2018-10-09 | 2018-10-09 | 一种城市轨道交通客流变化趋势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811174692.6A CN109272168A (zh) | 2018-10-09 | 2018-10-09 | 一种城市轨道交通客流变化趋势预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109272168A true CN109272168A (zh) | 2019-01-25 |
Family
ID=65195381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811174692.6A Pending CN109272168A (zh) | 2018-10-09 | 2018-10-09 | 一种城市轨道交通客流变化趋势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109272168A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259261A (zh) * | 2020-01-02 | 2020-06-09 | 中国铁道科学研究院集团有限公司通信信号研究所 | 基于状态迁移预测的高铁行车网络协同报警优化方法 |
CN112598177A (zh) * | 2020-12-22 | 2021-04-02 | 北京市地铁运营有限公司 | 一种城市轨道交通突发事件在线客流预测与仿真*** |
CN112766605A (zh) * | 2021-02-02 | 2021-05-07 | 郑州地铁集团有限公司 | 一种基于容器云平台的多源客流预测***及方法 |
CN113255958A (zh) * | 2021-04-06 | 2021-08-13 | 北京城建设计发展集团股份有限公司 | 描述波动特性的城市轨道交通客流量变化区间预测方法 |
CN113449932A (zh) * | 2021-08-30 | 2021-09-28 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于马尔科夫链的旅游交通需求预测方法、装置及*** |
CN115239767A (zh) * | 2022-09-22 | 2022-10-25 | 北京工业大学 | 动态客流行为态势预测方法、***、存储介质及设备 |
CN115620525A (zh) * | 2022-12-16 | 2023-01-17 | 中国民用航空总局第二研究所 | 基于时变动态贝叶斯网络的短时交通客运需求预测方法 |
CN116402323A (zh) * | 2023-06-09 | 2023-07-07 | 华东交通大学 | 一种出租车调度方法 |
-
2018
- 2018-10-09 CN CN201811174692.6A patent/CN109272168A/zh active Pending
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259261B (zh) * | 2020-01-02 | 2023-09-26 | 中国铁道科学研究院集团有限公司通信信号研究所 | 基于状态迁移预测的高铁行车网络协同报警优化方法 |
CN111259261A (zh) * | 2020-01-02 | 2020-06-09 | 中国铁道科学研究院集团有限公司通信信号研究所 | 基于状态迁移预测的高铁行车网络协同报警优化方法 |
CN112598177A (zh) * | 2020-12-22 | 2021-04-02 | 北京市地铁运营有限公司 | 一种城市轨道交通突发事件在线客流预测与仿真*** |
CN112598177B (zh) * | 2020-12-22 | 2023-10-24 | 北京市地铁运营有限公司 | 一种城市轨道交通突发事件在线客流预测与仿真*** |
CN112766605A (zh) * | 2021-02-02 | 2021-05-07 | 郑州地铁集团有限公司 | 一种基于容器云平台的多源客流预测***及方法 |
CN113255958A (zh) * | 2021-04-06 | 2021-08-13 | 北京城建设计发展集团股份有限公司 | 描述波动特性的城市轨道交通客流量变化区间预测方法 |
CN113255958B (zh) * | 2021-04-06 | 2024-03-12 | 北京城建设计发展集团股份有限公司 | 描述波动特性的城市轨道交通客流量变化区间预测方法 |
CN113449932A (zh) * | 2021-08-30 | 2021-09-28 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于马尔科夫链的旅游交通需求预测方法、装置及*** |
CN115239767A (zh) * | 2022-09-22 | 2022-10-25 | 北京工业大学 | 动态客流行为态势预测方法、***、存储介质及设备 |
CN115239767B (zh) * | 2022-09-22 | 2023-03-24 | 北京工业大学 | 动态客流行为态势预测方法、***、存储介质及设备 |
CN115620525A (zh) * | 2022-12-16 | 2023-01-17 | 中国民用航空总局第二研究所 | 基于时变动态贝叶斯网络的短时交通客运需求预测方法 |
CN115620525B (zh) * | 2022-12-16 | 2023-03-10 | 中国民用航空总局第二研究所 | 基于时变动态贝叶斯网络的短时交通客运需求预测方法 |
CN116402323B (zh) * | 2023-06-09 | 2023-09-01 | 华东交通大学 | 一种出租车调度方法 |
CN116402323A (zh) * | 2023-06-09 | 2023-07-07 | 华东交通大学 | 一种出租车调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272168A (zh) | 一种城市轨道交通客流变化趋势预测方法 | |
CN104064028B (zh) | 基于多元信息数据的公交到站时间预测方法及*** | |
CN102324128B (zh) | 基于ic卡记录的公交站间od客流预测方法及装置 | |
CN112820108B (zh) | 一种自学习的路网交通状态分析及预测方法 | |
CN105550789A (zh) | 一种公交出行客流的预测方法 | |
CN109191849B (zh) | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 | |
CN109508751B (zh) | 高速铁路列车晚点时间预测的深度神经网络模型建模方法 | |
CN111191816B (zh) | 城市轨道交通乘客出行时间链辨识*** | |
CN103310651A (zh) | 一种基于实时路况信息的公交到站预测方法 | |
CN109344991B (zh) | 一种公交线路最高断面客流预测方法 | |
CN101964085A (zh) | 一种基于Logit模型和贝叶斯决策的客流分配方法 | |
CN105118294A (zh) | 一种基于状态模式的短时交通流预测方法 | |
CN105469602A (zh) | 一种基于ic卡数据的公交乘客候车时间范围的预测方法 | |
CN107346460A (zh) | 基于智能网联***下前车运行信息的未来工况预测方法 | |
CN106274994B (zh) | 一种列车全线到站时间预测方法和*** | |
CN112507624B (zh) | 一种城际公路出行方式识别模型构建、识别方法及装置 | |
CN106327867B (zh) | 一种基于gps数据的公交准点预测方法 | |
CN112669595B (zh) | 一种基于深度学习的网约车流量预测方法 | |
KR20120068580A (ko) | 교통카드자료를 활용한 대중교통 통행분석 시스템 및 방법 | |
CN116050950B (zh) | 铁路枢纽旅客列车时刻表评价方法、装置、设备及介质 | |
CN113361885B (zh) | 一种基于多源数据的双目标城市公交效益评价方法 | |
CN115713206A (zh) | 一种公交个体出行决策模型 | |
CN105023063B (zh) | 公交线网新能源公交车运行能耗指标体系的建立方法 | |
CN103605905A (zh) | 一种城市轨道交通首班车发车时间计算方法 | |
CN111275482B (zh) | 基于机器学习的轨道交通实时动态清分方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190125 |
|
RJ01 | Rejection of invention patent application after publication |