CN109272168A - 一种城市轨道交通客流变化趋势预测方法 - Google Patents

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

一种城市轨道交通客流变化趋势预测方法

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＝{a_i,i∈[0,n]}，其中，a_i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：

P_ij＝P{X(t+1)＝a_j/X(t)＝a_i}

其中，X(t)是t时刻下的客流量；P_ij是当t时刻处于α_j状态的条件下，在(t+1)时刻转移到α_j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S_k+1：

S₁＝P_ijS₀；S₁＝P_ijS₁；...,S_k+1＝P_ijS_k

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,…,S_k,S_k-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L_d，线路断面满载率为μ，则区间长度为len＝μ×L_d，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X_min为客流序列的最小值，X_max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L_d，线路断面满载率为μ，则区间长度为len＝μ×L_d，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

P_ij＝P{X(t+1)＝a_j/X(t)＝a_i}

其中，P_ij表明当t时刻处于α_j状态的条件下，在(t+1)时刻转移到α_j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；P_ij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P_ij和当前初始状态S₀，建立实时预测状态序列S_k+1为：

S₁＝P_ijS₀；S₁＝P_ijS₁；...,S_k+1＝P_ijS_k

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,,S_k,S_k-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＝{a_i,i∈[0,n]}，其中，a_i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：

P_ij＝P{X(t+1)＝a_j/X(t)＝a_i}

其中，X(t)是t时刻下的客流量；P_ij是当t时刻处于a_i状态的条件下，在(t+1)时刻转移到a_j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S_k+1：

S₁＝P_ijS₀；S₁＝P_ijS₁；...,S_k+1＝P_ijS_k

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,…,S_k,S_k-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L_d，线路断面满载率为μ，则区间长度为len＝μ×L_d，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。