CN111367900A - 基于afc数据的城市轨道交通网络常态限流强度的计算方法 - Google Patents
基于afc数据的城市轨道交通网络常态限流强度的计算方法 Download PDFInfo
- Publication number
- CN111367900A CN111367900A CN202010119502.1A CN202010119502A CN111367900A CN 111367900 A CN111367900 A CN 111367900A CN 202010119502 A CN202010119502 A CN 202010119502A CN 111367900 A CN111367900 A CN 111367900A
- Authority
- CN
- China
- Prior art keywords
- station
- passengers
- rail transit
- urban rail
- passenger
- 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.)
- Granted
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 20
- 238000012546 transfer Methods 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000004088 simulation Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007726 management method Methods 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000000224 chemical solution deposition Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002420 orchard Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 241000490229 Eucephalus Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提供了一种基于AFC数据的城市轨道交通网络常态限流强度的计算方法。该方法包括:收集城市轨道交通AFC数据,获得每个车站每个时段的进站乘客数量和出站乘客数量;根据城市轨道交通AFC数据、列车运行时刻表信息和城市轨道交通网络拓扑结构,仿真计算得到了每个换乘车站在每个时段的换乘乘客数量;根据每个车站每个时段的进站乘客数量、出站乘客数量和换乘乘客数量,计算出每个车站在每个时段的最小乘客数量、最大乘客数量和总乘客数量指标,计算出每个车站每个时段的限流强度和限流率。本发明可以用来协同优化城市轨道交通列车时刻表和限流措施,合理设置客流管理措施和时刻表开行方案,提高城市轨道交通***内部的运营安全性和乘客安全性。
Description
技术领域
本发明涉及城市轨道交通限流优化技术领域,尤其涉及一种基于AFC数据的城市轨道交通网络常态限流强度的计算方法。
背景技术
随着城市规模的不断扩大、交通需求的不断增多,多个城市形成了以交通拥堵为核心的“大城市病”。而有“绿色交通”之称的城市轨道交通,以其容量大、快速正点、低能耗等特点,逐渐成为人们、特别是通勤出行的上班族的主要交通方式。城市轨道交通逐渐成为城市公共交通的骨干,城市轨道交通网络化运营进一步扩大。然而,由于超大需求与有限客运能力之间存在的不均衡性及出行需求时空分布的不规律性,城市轨道交通的发展正面临着巨大的客运压力,特别是早晚高峰时期。事实上,城市轨道交通过饱和的客流需求必然会给出行乘客和列车运营带来严重影响。一方面,乘客占有率过大的列车难以满足站台上所有等待乘客的上车需求,导致大量乘客滞留在站台长时间等待,站台累积等待乘客增加。而据统计发现,站台上的过度拥挤将对乘客安全和列车运营带来极大安全威胁。另一方面,超大上车需求需要更多的上下车时间,将直接导致列车停站时间增加,造成列车延误。而且,在出行压力较为严峻的情况下,部分等待列车的延误不仅难以消除,而且会不断延伸以至于影响后续列车的正常运营。为了减小大客流对线路和车站的压力,迫切需要更安全、有效的客流组织管理方法。
目前,我国广泛采用、且行之有效的舒缓城市轨道交通大客流压力的方法是进行客流控制,也称“限流”,主要包括降低乘客进站速率、站外设围挡、分流和截流等控制措施。随着城市轨道交通路网客流的增加,在早晚高峰时段,限流控制措施已成为常态,特别是在如北京、上海等特大城市中。限流措施包括三个要素:限流车站、限流时间和限流强度。然而,在实际客流组织中,管理者通常是根据主观经验来决定限流强度,缺乏有力的理论及数据支撑。目前,尽管已有部分学者对大客流情况下的限流策略进行了研究,但是他们通常以一条线路、一个或几个车站为研究对象,缺乏考虑换乘行为、针对多条线路、多个车站协同限流的客流组织方法。而且,缺乏基于大量乘客出行数据挖掘城市轨道交通网络的限流方法。
现有技术中的一种城市轨道交通限流方案为:以网络客流需求和分布特征为基础,从线网层面建立了客流需求与输送能力匹配度最大化和延误客流量最小化的多目标数学规划模型,并以北京城市轨道交通网络为对象进行了实证分析。该方案的缺点为:输入的各线路需求客流量并不是通过实际数据采集而来。
现有技术中的另一种城市轨道交通限流方案为:利用均等时间间隔的定义,针对城市轨道交通通勤线路,考虑车站进站闸机即列车容量的限制,提出了基于一条线路的城市轨道轨道交通客流控制优化模型。通过构建城市轨道交通路网和车站的状态评价指标(满载率分布熵、高满载率区间比例、车站站台拥挤度和到达列车平均满载率)来识别关键限流车站和限流时段,在此基础上建立路网协同限流模型以确定具体限流车站和限流强度。该方案的缺点为:得到限流强度的计算过程繁琐复杂。
发明内容
本发明的实施例提供了一种基于AFC数据的城市轨道交通网络常态限流强度的计算方法,以克服现有技术的问题。
一种基于AFC数据的城市轨道交通网络常态限流强度的计算方法,优选地,包括:
收集城市轨道交通AFC数据,并对AFC数据进行处理和统计,获得每个车站每个时段的进站乘客数量和出站乘客数量;
根据城市轨道交通AFC数据、列车运行时刻表信息和城市轨道交通网络拓扑结构,仿真计算得到了每个换乘车站在每个时段的换乘乘客数量;
根据所述每个车站每个时段的进站乘客数量和出站乘客数量,以及每个换乘车站在每个时段的换乘乘客数量,计算出每个车站在每个时段的最小乘客数量、最大乘客数量和总乘客数量指标,进而计算出每个车站每个时段的限流强度和限流率。
优选地,所述的收集城市轨道交通AFC数据,并对AFC数据进行处理和统计,获得每个车站每个时段的进站乘客数量和出站乘客数量,包括:
城市轨道交通***在每个车站的出入口设置有智能卡收费设备,乘客通过该智能卡收费设备时,该智能卡收费设备记录乘客的AFC数据,该AFC数据包括乘客ID号、乘客进入车站、乘客进站时间、乘客出站车站和乘客出站时间等信息,将每个车站的所有乘客的AFC数据进行汇总,获得每个车站每个时段的进站乘客数量和出站乘客数量。
优选地,所述的根据城市轨道交通AFC数据、列车运行时刻表信息和城市轨道交通网络拓扑结构,仿真计算得到了每个换乘车站在每个时段的换乘乘客数量,包括:
根据所有乘客的AFC数据得到在每个车站每个时段的进站乘客数量和出站乘客数量,根据每个车站每个时段的进站乘客数量和出站乘客数量、乘客出行OD数据、列车运行时刻表信息和城市轨道交通网络拓扑结构,仿真计算得到了每个换乘车站在每个时段的换乘乘客数量。
优选地,所述的根据所述每个车站每个时段的进站乘客数量和出站乘客数量,以及每个换乘车站在每个时段的换乘乘客数量,计算出每个车站在每个时段的最小乘客数量、最大乘客数量和总乘客数量指标,并进而计算出每个车站每个时段的限流强度和限流率,包括:
利用最小-最大值方程计算出每个车站在每个时段的最小乘客数量、最大乘客数量和总乘客数量指标,并对最小乘客数量、最大乘客数量和总乘客数量指标进行归一化处理,具体的参数和符号定义如下:
·xlst表示在t时段进入线路l上车站s的乘客数量;
·xt,sum表示在t时段进入城市轨道交通车站的总乘客数量;
·ylst表示在t时段离开线路l上车站s的乘客数量;
·Yt min表示在t时段离开城市轨道交通某个车站的最小乘客数量;
·Yt max表示在t时段离开城市轨道交通某个车站的最大乘客数量;
·yt,sum表示在t时段离开城市轨道交通车站的总乘客数量;
·zlst表示在t时段线路l上车站s的换乘乘客数量;
·zt,sum表示在t时段城市轨道交通车站的总换乘乘客数量;
·θst表示车站s在t时段的限流强度值;
·δ为预先设定的限流强度阈值,表示城市轨道交通实施限流措施时最小的限流强度值,取值0.02;
·ρst表示车站s在t时段的限流率。
使用最小-最大值方程计算出每个车站的时段权重指标:
使用最小-最大值方程对进站乘客数量、出站乘客数量和换乘乘客数量三项指标进行归一化处理:
其中,w1,w2,w3是三项指标的加权系数;
根据限流强度计算每个车站每个时段的限流率:
δ为预先设定的限流强度阈值。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例通过对AFC数据进行清洗、预处理和统计后,确定限流强度的影响因素,并从中选取合适的指标来表征限流措施,最后设计相应的限流强度和限流率计算方法。该方法能够用于城市轨道交通网络日常客流管理和控制中。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于AFC数据的城市轨道交通网络常态限流强度的计算方法的实现原理示意图。
具体实施方式
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
实施例一
基于以上背景技术,本发明实施例通过AFC(Automatic Fare Collection)***收集的乘客乘坐城市轨道交通出行的进出站数据,公开发明了一种基于AFC数据的城市轨道交通网络常态限流强度计算方法,从进站乘客数量、换乘乘客数量和出站乘客数量等层面提出城市轨道交通网络常态限流措施。其中,换乘乘客数量借鉴Yang et al(2019)所采用的基于多智能体仿真方法计算得出。该方法为城市轨道交通管理部门应对大客流、得到常态限流措施提供技术支持和决策依据。
本发明实施例提供的一种基于AFC数据的城市轨道交通网络常态限流强度的计算方法的实现原理示意图如图1所示,包括如下的处理步骤:
步骤1,收集城市轨道交通AFC(Automatic Fare Collection System,指城市轨道交通自动售检票***)数据,并对数据进行处理和统计,获得每个车站每个时段的进站乘客数量和出站乘客数量。
城市轨道交通***在每个车站的出入口设置有智能卡收费设备,乘客通过该设备时即可记录乘客的AFC数据,该AFC数据包括乘客ID号、乘客进入车站、乘客进站时间、乘客出站车站和乘客出站时间等信息,将每个车站的所有乘客的AFC数据进行汇总,获得每个车站每个时段的进站乘客数量和出站乘客数量。
步骤2,根据城市轨道交通AFC数据、列车运行时刻表信息和城市轨道交通网络拓扑结构,仿真计算得到了每个换乘车站在每个时段的换乘乘客数量。
因为智能卡数据中只包含了乘客上下车车站的位置和时间信息,所以,在每个车站、每个时段的进站乘客数量和出站乘客数量可以简单得出。然而,考虑到乘客换乘过程的不确定性,难以从数据中直接得到每个换乘车站的换乘乘客数量。在此,本发明借鉴基于多智能体的仿真过程,结合乘客出行OD(Origin to Destination,起点到终点)数据、列车运行时刻表信息和城市轨道交通网络拓扑结构,仿真计算得到了每个换乘车站在每个时段的换乘乘客数量。
因为城市轨道交通网络中各条线路具有方向性,因此定义N来表示一组有限的站点,(O,D)来表示一个从O站点到D站点的OD对,其中O,D∈N。进一步,用p定义一个乘客。因此可知,乘客具有七种不同的状态:刚刚进入城市轨道交通网络、从进站口走向站台等待区域、到达站台等待区域、乘坐上列车、在换乘站下车准备换乘、在目的地站点的站台下车和检票出站。但是乘客在城市轨道交通网络中可能没有换乘,或者发生过不止一次换乘,因此并非所有乘客都包含这七种状态。利用仿真时钟T,将乘客的状态离散为仿真步长Δt,tb和te分别表示仿真开始和结束的时间,K表示仿真周期数,Tc表示每个仿真周期时间长短,其中K=(te-tb)/Tc。通过收集的AFC数据,基于乘客的OD数据匹配乘客在城市轨道交通内部的运动状态,得到所有乘客的路径,并统计出每个仿真周期内站点的进站量、出站量和换乘量。
此仿真计算可以近似模拟乘客在城市轨道交通网络中的选择行为,并通过实际测量数据和大量历史数据对所提出的仿真参数进行验证。
步骤3,对每个车站在每个时段的三项指标进行归一化处理,确定合理、有效的限流强度计算方法。
时段的划分可以为高峰期、非高峰期,或者为固定的一个时间段,比如,1-2个小时等。上述三项指标包括最小乘客数量、最大乘客数量和总乘客数量,因为这三项指标的影响程度有所不同,因此,借鉴最小-最大值方程对每个车站在每个时段的三项指标进行归一化处理,具体的参数和符号定义如下:
·xlst表示在t时段进入线路l上车站s的乘客数量;
·xt,sum表示在t时段进入城市轨道交通车站的总乘客数量;
·ylst表示在t时段离开线路l上车站s的乘客数量;
·Yt min表示在t时段离开城市轨道交通某个车站的最小乘客数量;
·Yt max表示在t时段离开城市轨道交通某个车站的最大乘客数量;
·yt,sum表示在t时段离开城市轨道交通车站的总乘客数量;
·zlst表示在t时段线路l上车站s的换乘乘客数量;
·zt,sum表示在t时段城市轨道交通车站的总换乘乘客数量;
·θst表示车站s在t时段的限流强度值;
·δ表示城市轨道交通实施限流措施时最小的限流强度值,取值0.02;
·ρst表示车站s在t时段的限流率。
使用最小-最大值方程计算出每个车站的时段权重指标:
使用最小-最大值方程对进站乘客数量、出站乘客数量和换乘乘客数量三项指标进行归一化处理:
步骤4,计算每个车站每个时段的限流强度。
其中,w1,w2,w3是三项指标的加权系数。
步骤5,计算每个车站每个时段的限流率。
城市轨道交通限流强度指的是实施限流措施的力度。基于AFC数据计算得到的城市轨道交通网络各个车站的限流强度,根据限流强度值θst,可以直观地发现在s车站t时段是否需要采取限流措施:当θst≤δ时,不需要采取限流措施,限流率为0;当θst>δ时,需要采取限流措施,限流率为θst-δ。δ为预先设定的限流强度阈值。
实施例二
下面基于北京城市轨道交通网络AFC***所收集到的智能卡数据,分析计算北京城市轨道交通网络中238个车站在工作日的限流情况。本发明所使用的北京城市轨道交通网络拓扑结构和客运数据是2014年2月20日(周四)的。通过本发明所提出的计算方法,计算每个车站每个时段(小时)的限流强度来描述本发明,但不限于此。
步骤1,对收集到的乘客的AFC数据进行清洗、预处理,得到每个车站、每个时段的进站乘客数量和出站乘客数量;
以小时为时间步长对时间维度进行划分,可以得到每个车站每小时的进站乘客数量和出站乘客数量。下表1列举了北京市城市轨道交通5个车站的进站乘客数量和出站乘客数量。
表1进站乘客数量和出站乘客数量举例
步骤2,得到每个车站、每小时的换乘乘客数量;
通过基于多智能体仿真过程,计算得到每个车站每小时的换乘乘客数量,下表2列举了北京市城市轨道交通10个车站的换乘乘客数量。
表2每个车站每小时的换乘客流量
步骤3,对每个车站在每个时段的最小乘客数量、最大乘客数量和总乘客数量三项指标进行归一化处理,确定合理、有效的限流强度计算方法;
步骤4,计算每个车站每个时段的限流强度。
其中,w1,w2,w3是三项指标的加权系数,设置为w1=0.7,w2=0.1,w3=0.2。
步骤5,计算每个车站每个时段的限流率。
表3早高峰时期,北京市20个车站的限流强度、限流率和排名
表4晚高峰时期,北京市20个车站的限流强度、限流率和排名
计算结果表明,早高峰与晚高峰时期的车站限流强度分布有所不同,7:00-9:00、17:00-19:00之间的限流强度最大。
在早高峰时期,7:00-8:00之间有61个车站需要实施限流措施,8:00-9:00之前有57个车站需要实施限流措施,且限流强度大的车站主要集中在郊区(如天通苑、天通苑北、苹果园等)。而且,随着时间的推移,限流强度大的车站逐渐往市中心转移。通过观察发现,最先开始实施限流的车站是天通苑北站和天通苑站,它们也是最晚结束限流的。7:00-8:00期间限流强度大的车站比8:00-9:00多。
在晚高峰时期,17:00-18:00之间有59个车站需要实施限流措施,18:00-19:00之前有33个车站需要实施限流措施,且限流强度大的车站主要集中在CBD(如国贸、建国门等)、连接市中心和郊区大型住宅的咽喉区域(西二旗、大望路等)。并且,随着时间的推移,限流强度大的车站从市中心逐渐向郊区转移。值得注意的是,早晚高峰时期,西二旗车站的限流强度值都比较大,因为该站不仅是一个换乘站(位于城乡结合部),并且该站临近中关村软件园,通勤者甚多。
整体而言,早高峰时期轨道交通***的限流强度大于晚高峰时期,这与通勤者早上为刚需通勤(通常9:00上班)密切相关。
使用本发明所提出的基于AFC数据的计算方法,对北京市轨道交通网络进行实例验证,来计算和分析城市轨道交通网络限流强度。结果表明,限流强度大小和分布规律符合城市通勤者的潮汐出行规律。早高峰时期,限流强度大的车站主要集中在郊区(如天通苑、天通苑北、苹果园等);晚高峰时期,限流强度大的车站主要集中在CBD(如国贸)和连接市中心和郊区大型住宅的咽喉区域(如西二旗、大望路等)。以上结论与实际情况相符,这意味着所提出的方法是可行和合理的。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解:实施例中的设备中的模块可以按照实施例描述分布于实施例的设备中,也可以进行相应变化位于不同于本实施例的一个或多个设备中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
综上所述,本发明实施例通过对AFC数据进行清洗、预处理和统计后,确定限流强度的影响因素,并从中选取合适的指标来表征限流措施,最后设计相应的限流强度计算方法。该方法能够用于城市轨道交通网络日常客流管理和控制中。
应用本发明实施例的方法,可以用来协同优化城市轨道交通列车时刻表和限流措施,合理设置客流管理措施和时刻表开行方案,提高城市轨道交通***内部的运营安全性和乘客安全性,降低部分车站乘客的长时间滞留,提高各个车站的公平性。
应用本发明实施例的方法,可以得到合理有效的高峰限流措施,能够提高乘客轨道交通内部(重点在站台和列车上)的安全性,减少因客流过饱和状态所引起的潜在风险;能够同时考虑列车时刻表和限流措施,可提高列车运营和客流管理的协调性。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (4)
1.一种基于AFC数据的城市轨道交通网络常态限流强度的计算方法,其特征在于,包括:
收集城市轨道交通AFC数据,并对AFC数据进行处理和统计,获得每个车站每个时段的进站乘客数量和出站乘客数量;
根据城市轨道交通AFC数据、列车运行时刻表信息和城市轨道交通网络拓扑结构,仿真计算得到了每个换乘车站在每个时段的换乘乘客数量;
根据所述每个车站每个时段的进站乘客数量和出站乘客数量,以及每个换乘车站在每个时段的换乘乘客数量,计算出每个车站在每个时段的最小乘客数量、最大乘客数量和总乘客数量指标,进而计算出每个车站每个时段的限流强度和限流率。
2.根据权利要求1所述的方法,其特征在于,所述的收集城市轨道交通AFC数据,并对AFC数据进行处理和统计,获得每个车站每个时段的进站乘客数量和出站乘客数量,包括:
城市轨道交通***在每个车站的出入口设置有智能卡收费设备,乘客通过该智能卡收费设备时,该智能卡收费设备记录乘客的AFC数据,该AFC数据包括乘客ID号、乘客进入车站、乘客进站时间、乘客出站车站和乘客出站时间等信息,将每个车站的所有乘客的AFC数据进行汇总,获得每个车站每个时段的进站乘客数量和出站乘客数量。
3.根据权利要求1所述的方法,其特征在于,所述的根据城市轨道交通AFC数据、列车运行时刻表信息和城市轨道交通网络拓扑结构,仿真计算得到了每个换乘车站在每个时段的换乘乘客数量,包括:
根据所有乘客的AFC数据得到在每个车站每个时段的进站乘客数量和出站乘客数量,根据每个车站每个时段的进站乘客数量和出站乘客数量、乘客出行OD数据、列车运行时刻表信息和城市轨道交通网络拓扑结构,仿真计算得到了每个换乘车站在每个时段的换乘乘客数量。
4.根据权利要求1或者2或者3所述的方法,其特征在于,所述的根据所述每个车站每个时段的进站乘客数量和出站乘客数量,以及每个换乘车站在每个时段的换乘乘客数量,计算出每个车站在每个时段的最小乘客数量、最大乘客数量和总乘客数量指标,并进而计算出每个车站每个时段的限流强度和限流率,包括:
利用最小-最大值方程计算出每个车站在每个时段的最小乘客数量、最大乘客数量和总乘客数量指标,并对最小乘客数量、最大乘客数量和总乘客数量指标进行归一化处理,具体的参数和符号定义如下:
·xlst表示在t时段进入线路l上车站s的乘客数量;
·xt,sum表示在t时段进入城市轨道交通车站的总乘客数量;
·ylst表示在t时段离开线路l上车站s的乘客数量;
·Yt min表示在t时段离开城市轨道交通某个车站的最小乘客数量;
·Yt max表示在t时段离开城市轨道交通某个车站的最大乘客数量;
·yt,sum表示在t时段离开城市轨道交通车站的总乘客数量;
·zlst表示在t时段线路l上车站s的换乘乘客数量;
·zt,sum表示在t时段城市轨道交通车站的总换乘乘客数量;
·θst表示车站s在t时段的限流强度值;
·δ为预先设定的限流强度阈值,表示城市轨道交通实施限流措施时最小的限流强度值,
取值0.02;
·ρst表示车站s在t时段的限流率。
使用最小-最大值方程计算出每个车站的时段权重指标:
使用最小-最大值方程对进站乘客数量、出站乘客数量和换乘乘客数量三项指标进行归一化处理:
其中,w1,w2,w3是三项指标的加权系数;
根据限流强度计算每个车站每个时段的限流率:
δ为预先设定的限流强度阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010119502.1A CN111367900B (zh) | 2020-02-26 | 2020-02-26 | 基于afc数据的城市轨道交通网络常态限流强度的计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010119502.1A CN111367900B (zh) | 2020-02-26 | 2020-02-26 | 基于afc数据的城市轨道交通网络常态限流强度的计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111367900A true CN111367900A (zh) | 2020-07-03 |
CN111367900B CN111367900B (zh) | 2023-08-08 |
Family
ID=71206564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010119502.1A Active CN111367900B (zh) | 2020-02-26 | 2020-02-26 | 基于afc数据的城市轨道交通网络常态限流强度的计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111367900B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113192330A (zh) * | 2021-04-26 | 2021-07-30 | 上海德衡数据科技有限公司 | 基于多智能体的车辆管理方法、管理***、设备及介质 |
CN116341921A (zh) * | 2022-12-06 | 2023-06-27 | 北京交通大学 | 一种数据驱动的城市轨道交通换乘衔接能力评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4560953A (en) * | 1984-08-20 | 1985-12-24 | American Standard Inc. | Fail-safe square-wave oscillator |
CN108550098A (zh) * | 2018-04-24 | 2018-09-18 | 西南交通大学 | 一种城市轨道交通网络客流限流方法 |
CN108876064A (zh) * | 2018-08-23 | 2018-11-23 | 北京交通大学 | 基于客流量的城市轨道交通网络关键车站识别方法 |
-
2020
- 2020-02-26 CN CN202010119502.1A patent/CN111367900B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4560953A (en) * | 1984-08-20 | 1985-12-24 | American Standard Inc. | Fail-safe square-wave oscillator |
CN108550098A (zh) * | 2018-04-24 | 2018-09-18 | 西南交通大学 | 一种城市轨道交通网络客流限流方法 |
CN108876064A (zh) * | 2018-08-23 | 2018-11-23 | 北京交通大学 | 基于客流量的城市轨道交通网络关键车站识别方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113192330A (zh) * | 2021-04-26 | 2021-07-30 | 上海德衡数据科技有限公司 | 基于多智能体的车辆管理方法、管理***、设备及介质 |
CN116341921A (zh) * | 2022-12-06 | 2023-06-27 | 北京交通大学 | 一种数据驱动的城市轨道交通换乘衔接能力评估方法 |
CN116341921B (zh) * | 2022-12-06 | 2023-09-26 | 北京交通大学 | 一种数据驱动的城市轨道交通换乘衔接能力评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111367900B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353639B (zh) | 协调列车时刻表的城市轨道交通高峰期限流优化方法 | |
CN107273999B (zh) | 一种突发事件下城市轨道交通客流预测方法 | |
CN108846514B (zh) | 一种突发事件下轨道交通客流疏散需求预测方法 | |
CN110866649A (zh) | 一种短期地铁客流预测方法、***及电子设备 | |
CN105427594B (zh) | 一种基于双向上车客流的公交断面客流量获取方法及*** | |
CN105488751A (zh) | 一种地铁站客流微观统计与调度方法 | |
CN102842219B (zh) | 预测方法和*** | |
CN103198565A (zh) | 一种公交ic卡收费与客流信息采集方法 | |
CN112949078B (zh) | 一种城市轨道交通客流-车流的匹配度计算方法 | |
CN101419750A (zh) | 控制路***通状态检测和评价***及其实现方法与应用 | |
CN104517040A (zh) | 一种基于ic卡数据公交车辆车内拥挤程度计算方法 | |
CN109671169A (zh) | 一种提高自由流交易成功率的*** | |
CN111367900A (zh) | 基于afc数据的城市轨道交通网络常态限流强度的计算方法 | |
CN110956328A (zh) | 一种大客流影响的轨道交通站点公交接驳规模预测方法 | |
CN112381260A (zh) | 基于进站比例的城市轨道交通客流管控优化方法 | |
Hu et al. | Use of automated vehicle location data for route-and segment-level analyses of bus route reliability and speed | |
CN108876064B (zh) | 基于客流量的城市轨道交通网络关键车站识别方法 | |
Zhang et al. | Coupling analysis of passenger and train flows for a large-scale urban rail transit system | |
CN106846214A (zh) | 分析交通枢纽可达性对区域公共运输方式竞争影响的方法 | |
CN112686417B (zh) | 一种地铁大客流预测方法、***及电子设备 | |
CN201262784Y (zh) | 基于数据特征的城市信号控制路***通状态检测和评价*** | |
CN116109081A (zh) | 一种基于物联网的动态公交调度优化方法和装置 | |
CN113935595B (zh) | 一种城市轨道交通路网高峰大客流疏导*** | |
CN108197078B (zh) | 一种基于公交ic卡数据计算公交断面客流量的方法 | |
Tiong et al. | Analyzing factors contributing to real-time train arrival delays using seemingly unrelated regression models |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |