CN111861219A - 一种区域轨道交通全局结构风险瓶颈识别方法及*** - Google Patents

一种区域轨道交通全局结构风险瓶颈识别方法及*** Download PDF

Info

Publication number
CN111861219A
CN111861219A CN202010711200.3A CN202010711200A CN111861219A CN 111861219 A CN111861219 A CN 111861219A CN 202010711200 A CN202010711200 A CN 202010711200A CN 111861219 A CN111861219 A CN 111861219A
Authority
CN
China
Prior art keywords
risk
station
road network
channel
sensitivity
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
Application number
CN202010711200.3A
Other languages
English (en)
Inventor
董炜
孙新亚
吉吟东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202010711200.3A priority Critical patent/CN111861219A/zh
Publication of CN111861219A publication Critical patent/CN111861219A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种区域轨道交通全局结构风险瓶颈识别方法，包括如下步骤：数据获取步骤：获取路网结构风险数据、通道通行能力数据；灵敏度数据处理步骤；风险瓶颈结果输出：输出优化灵敏度和失效灵敏度，即完成风险瓶颈识别。本发明的有益效果在于，提供了一种基于灵敏度分析的区域轨道交通全局结构风险瓶颈识别方法及***。建立路网全局结构风险评估指标后，通过灵敏度分析，评估路网的站内通道/区间失效及优化对路网全局结构风险的影响，从而为路网风险瓶颈的防护和优化提供决策支持。并且以成渝地区区域轨道交通为实例，验证了方法的有效性。

Description

一种区域轨道交通全局结构风险瓶颈识别方法及***
技术领域
本发明属于基于特定计算模型的计算机***领域，特别涉一种区域轨 道交通全局结构风险瓶颈识别方法及***。
背景技术
区域轨道交通是指面向区域经济一体化需求形成的包含高速铁路、 城际列车、单轨、地铁等多种轨道交通制式的综合轨道交通***。随 着区域经济的快速发展与城市圈的形成，区域轨道交通正面临更安全、 更高效、更舒适的发展要求，体现出异构性、整体性、互动性和协同 性的发展特点。
区域轨道交通多制式并存的特点，既适应了区域经济一体化发展 的需求，提升了居民出行的便利，但也带来了更多风险，同时多制式 之间的互动性和路网的整体性使风险影响面增加、风险后果增大，因 而，风险瓶颈识别对于区域轨道交通***实现有针对性的关键风险点 防护和优化、有效降低全局风险具有重要意义。然而，现有轨道交通 路网全局风险评估的相关研究很多采用指标融合的方法，虽然能够对 风险因素进行评估和排序，但因含有较多主观因素影响，无法从运能 角度体现路网全局结构风险，亦无法有效识别路网全局风险瓶颈。路 网内各节点/区间对路网全局风险有着不同的影响，有些节点/区间失效后会大大增加路网风险，而有些部分优化后会大大降低路网风险。
现有对轨道交通全局风险评估的研究受主观因素影响较大，目前 少有对轨道交通路网全局结构风险的评估，且少有评估路网结构优化 对全局风险影响的文献；在风险瓶颈识别方面，目前没有将灵敏度分 析与轨道交通风险瓶颈识别相结合的报道。
发明内容
本发明在评估路网全局结构风险的基础上，使用灵敏度分析法评 估路网各个站内通道/区间失效以及优化对路网全局结构风险的影响， 从而为路网风险瓶颈的防护和优化提供决策支持。
本发明一方面提供了区域轨道交通全局结构风险瓶颈识别方法， 包括如下步骤：
数据获取步骤：获取路网结构风险数据、通道通行能力数据；
灵敏度数据处理步骤：按照式1计算优化灵敏度，以及按照式2 计算失效灵敏度，
Figure BDA0002596592180000021
其中S*为路网结构风险，
Figure BDA0002596592180000022
表示通道
Figure BDA0002596592180000023
的优化灵敏度，
Figure BDA0002596592180000024
表示通 道
Figure BDA0002596592180000025
的通行能力；
Figure BDA0002596592180000026
其中
Figure BDA0002596592180000027
为通道
Figure BDA0002596592180000028
的失效灵敏度，S*'为通道通行能力变化后路网结 构风险；
风险瓶颈结果输出：输出优化灵敏度和失效灵敏度，即完成风险 瓶颈识别。
本发明的另外一方面还提供了区域轨道交通全局结构风险瓶颈识 别***，所述***包括至少一个处理器；以及存储器，其存储有指令， 当通过至少一个处理器来执行该指令时，实施本发明所提供的方法。 本发明的有益效果在于，提供了一种基于灵敏度分析的区域轨道交通 全局结构风险瓶颈识别方法及***。建立路网全局结构风险评估指标后，通过灵敏度分析，评估路网的站内通道/区间失效及优化对路网全 局结构风险的影响，从而为路网风险瓶颈的防护和优化提供决策支持。 并且以成渝地区区域轨道交通为实例，验证了方法的有效性。
附图说明
图1区域轨道交通路网全局运能风险决定因素；
图2.重庆区域轨道交通线路拓扑图；
图3.计算流程示意图；
具体实施方式
本发明的一些实施例的区域轨道交通全局结构风险瓶颈识别方法，包 括如下步骤：
数据获取步骤：获取路网结构风险数据、通道通行能力数据；
灵敏度数据处理步骤：按照式1计算优化灵敏度，以及按照式2 计算失效灵敏度，
Figure BDA0002596592180000031
其中S*为路网结构风险，
Figure BDA0002596592180000032
表示通道
Figure BDA0002596592180000033
的优化灵敏度，
Figure BDA0002596592180000034
表示通 道
Figure BDA0002596592180000035
的通行能力；
Figure BDA0002596592180000036
其中
Figure BDA0002596592180000037
为通道
Figure BDA0002596592180000038
的失效灵敏度，S*'为通道通行能力变化后路网结 构风险；
风险瓶颈结果输出：输出优化灵敏度和失效灵敏度，即完成风险 瓶颈识别。
本发明的优化灵敏度表示随某一通道容量的增加，路网全局结构 风险的变化程度(负值表示风险降低)，其值越小(即绝对值越大)表 示相应通道的优化对降低全局结构风险的贡献越大。
本发明的失效灵敏度表示随某一通道容量的失效，路网全局结构 风险的变化程度(大于一的值表示风险增加)，其值越大表示相应通道 的失效对全局结构风险升高的贡献越大。
在这些具体的实施例中，按照式2计算优化灵敏度，
Figure BDA0002596592180000041
其中，
Figure BDA0002596592180000042
为
Figure BDA0002596592180000043
的微小变化量，优选的
Figure BDA0002596592180000044
为
Figure BDA0002596592180000045
的十分之一。
在这些具体的实施例中，生成所述路网结构风险数据的步骤包括：
用优化算法优化以路网全局运能风险最低为优化目标的目标函数， 所述目标函数如式4所示：
Figure BDA0002596592180000046
其中，xi(t)代表t时刻的车站(或区间)i的客流需求量(单位为： 人/小时)，ci(t)代表t时刻的车站(或区间)i的客流容量(单位为： 人/小时)，xi(t)/ci(t)表示t时刻的车站(或区间)i的客流需求负荷； f(x)为运能风险概率函数，用于将客流需求负荷映射为运能风险发生的 可能性，wi(t)表示t时刻编号为i的车站或区间的运能风险后果。
在这些具体的实施例中，所述风险后果wi(t)如式5所示：
wi(t)＝min(xi(t),ci(t)) 式5。
在这些具体的实施例中，所述运能风险概率函数如式6所示：
Figure BDA0002596592180000051
在一些具体的实施例中，所述目标函数如式7所示：
Figure BDA0002596592180000052
在另外一些具体的实施例中，所述目标函数如式8所示：
Figure BDA0002596592180000053
其中，i＝1,...S为车站编号，k＝1,…T为区间编号；a为车站入口，b 为车站出口；c，d为各轨道交通制式的上下车地点；f(x)表示运能风 险概率函数；
Figure BDA0002596592180000054
表示通道
Figure BDA0002596592180000055
的OD需求，
Figure BDA0002596592180000056
表示通道
Figure BDA0002596592180000057
的通行能力，
Figure BDA0002596592180000058
表示通道
Figure BDA0002596592180000059
的运能风险的风险后果；
Figure BDA00025965921800000510
表示通道
Figure BDA00025965921800000511
的OD需求，
Figure BDA00025965921800000512
表 示通道
Figure BDA00025965921800000513
的通行能力，
Figure BDA00025965921800000514
表示通道
Figure BDA00025965921800000515
的运能风险的风险后果；
Figure BDA00025965921800000516
表 示通道
Figure BDA00025965921800000517
的OD需求，
Figure BDA00025965921800000518
表示通道
Figure BDA00025965921800000519
的通行能力，
Figure BDA00025965921800000520
表示通道
Figure BDA00025965921800000521
的 运能风险的风险后果；qk表示区间ek的OD需求，Lk表示区间ek的通行 能力，Wk表示区间k的运能风险的风险后果。
在一些具体的实施例中，所述目标函数的约束条件包括用来计算 车站进站客流的式9；用来计算车站出站客流的式10，用来计算车站 换乘客流的式11，用来计算区间客流的式12，表示客流分配约束的式 13、式14：
Figure BDA00025965921800000522
其中，
Figure BDA00025965921800000523
为决策变量，表示分配到路径pij m的OD需求，
Figure BDA00025965921800000524
表示站 vi内从a点到c点的通道，pij m表示从站i到站j的第m条简单路径，g(a,p)表示a是路网内的某个通道或区间，p是一条简单路径，如果a 在路径p上，则g(a,p)＝1，否则(a,p)＝0；需要指出的是，这里g(a,p) 只是并不是具体的函数，只是判断路网内的某个通道或区间a是不是 在路径p上。
判断结果是根据路网的实际情况给出的。
Figure BDA0002596592180000061
其中，xji m为决策变量，表示分配到路径pji m的OD需求；
Figure BDA0002596592180000062
其中，xnj m表示决策变量，表示分配到路径pnj m的OD需求；
Figure BDA0002596592180000063
其中，
Figure BDA0002596592180000064
为决策变量，表示分配到路径pij m的OD需求，ek表示第k 个区间，pij m表示从站i到站j的第m条简单路径；
Figure BDA0002596592180000065
Figure BDA0002596592180000066
其中，qij表示站i到站j的OD需求。
在一些具体的实施例中，所述目标函数的最小化全局运能风险的 模型为：以无向图G(V,E)表示区域轨道交通路网，其中V为路网中所有 车站组成的集合，E为路网中所有区间组成的集合；路网中一共存在S 个车站和T个区间，vi表示第i个车站，ek为第k个区间，其中i＝1,...S为 车站编号，k＝1,…T为区间编号。
本发明的另外一些实施例中，提供了一种区域轨道交通全局结构 风险瓶颈识别***，所述***包括至少一个处理器；以及存储器，其 存储有指令，当通过至少一个处理器来执行该指令时，实施本发明的 方法。
下面进一步对本发明具体实施例进行说明。
1.区域轨道交通全局运能风险评估方法(此处“全局运能风险” 并非“全局结构风险”，“全局运能风险”是评估“全局结构风险”的 基础)。
区域轨道交通全局风险分为两个方面：运能风险和人员设备损失 风险。运能风险取决于多种因素，本实施例将会详细说明。车站和区 间的人/物/环/管因素会造成单点风险，最终在路网内形成人员设备损 失风险。运能风险和单点风险之间存在联系：单点风险通过降低车站 和区间的运能从而影响运能风险，而较高的运能风险(这表示存在较 高的客流需求负荷，将在本实施例进行详细说明)可能会引发新的单 点风险。由于单点风险与全局结构之间关系并不紧密，因此实施例将 聚焦于运能风险，从而评估全局结构风险。
当路网车站/区间的运能不能满足旅客的出行需求时，势必会造成 该站点/区间的拥堵，从而带来风险。这里将客流需求与路网客流容量 之比称为客流需求负荷指标，作为计算运能风险的核心要素。随着客 流需求负荷指标的增大，运能风险也相应增加。各车站和区间的运能 风险通过加和能够得到路网全局运能风险。路网的全局运能风险主要 与OD需求、路网各部分客流容量(其中包含了单点风险的影响)、客 流分配策略等因素有关：OD需求在路网客流容量约束下，经过客流分 配形成车站及区间的客流(需求)负荷分布，进而决定整个路网的运能 风险。
基于以上描述，本发明一些实施例中路网全局(运能)风险计算 如式4所示。
Figure BDA0002596592180000081
其中，xi(t)代表t时刻的车站(或区间)i的客流需求量(单位为： 人/小时)，ci(t)代表t时刻的车站(或区间)i的客流容量(单位为： 人/小时)，xi(t)/ci(t)表示t时刻的车站(或区间)i的客流需求负荷。 f(x)为运能风险概率函数，用于将客流需求负荷映射为运能风险发生的 可能性，wi(t)表示t时刻编号为i的车站或区间的运能风险后果。
运能风险概率函数以客流需求负荷作为输入，并考虑随着客流需 求负荷的增长，风险概率应首先保持较低水平并缓慢增加，然后进入 快速增长的阶段，之后风险概率达到很高的水平并迅速趋近于1。在一 些实施例中，进行参数标定后，选择
Figure RE-GDA0002642241740000082
作为风险概率函数。车 站和区间发生风险后，其风险后果与其客流量及其容量有关，在此取 值为车站/区间的容量与其客流需求的较小值，即wi(t)＝min(xi(t),ci(t))。
2.区域轨道交通全局结构风险评估方法
区域轨道交通路网全局运能风险由三个方面的因素决定(如图1 所示)：①OD需求、②路网(车站/区间)客流容量、③客流分配策略， 其中①是外部条件，②是路网固有的结构因素，而③是非结构因素(动 态调度策略)，要实现路网全局结构风险评估，为了使评估结果真正体 现路网固有结构因素的影响，需要去除其中的非结构因素。基于这一 思路，本实施例中将因素③作为优化变量，通过最优配流方案，使路 网全局运能风险达到最小值，从而去除客流分配策略这一非结构因素 的影响。本实施例将这一路网全局运能风险最小值定义为区域轨道交 通全局结构风险，如式7所示。
Figure BDA0002596592180000091
本发明的一些实施例中，最小化全局运能风险的模型如下所示。 以无向图G(V,E)表示区域轨道交通路网，其中V为路网中所有车站组成 的集合，E为路网中所有区间组成的集合。路网中一共存在S个车站和 T个区间，vi表示第i个车站，ek为第k个区间，其中i＝1,...S为车站编 号，k＝1,...T为区间编号。
在一些具体实施例中将车站通道划分为进站通道、换乘通道、出 站通道三部分：
Figure BDA0002596592180000092
其中vi表示路网中第i个车站，a 为车站入口，b为车站出口，将车站等效为只有一个入口和一个出口； c，d为各轨道交通制式的上下车地点，即站台，
Figure BDA0002596592180000093
表示站i内从a入 口到站台c的进站通道，
Figure BDA0002596592180000094
表示站i内从站台c到出口b的出站通道，
Figure BDA0002596592180000095
表示站i内从站台c换乘到站台d的换乘通道，为简化处理，认为 站内每对端点之间只存在两个通道，这两个通道方向相反，且站内各 个通路之间均相互独立。模型符号如表1所示。
表1全局运能风险优化模型相关符号
Figure BDA0002596592180000096
Figure BDA0002596592180000101
由于在区域轨道交通路网内部存在诸多环路，因此一个OD对可能 对应着众多的可行路径，在一些具体实施例中只考虑前K条最短简单 路径，本算例中取K＝5。这K条最短路径通过python中的图形工具求 出。以最小化全局运能风险为目标函数：
Figure BDA0002596592180000102
约束条件为:
Figure BDA0002596592180000103
Figure BDA0002596592180000104
Figure BDA0002596592180000105
Figure BDA0002596592180000106
Figure BDA0002596592180000107
Figure BDA0002596592180000108
(式9)用来计算车站进站客流，(式10)用来计算车站出站客流， (式11)用来计算车站换乘客流，(式12)用来计算区间客流，(式13) (式14)表示客流分配约束。模型通过遗传算法求解。
3.基于灵敏度分析的结构风险瓶颈识别方法
风险评估的目的一方面是为了了解***整体风险水平，另一方面， 更重要的目的是为了识别***风险瓶颈所在，以便防护或优化风险瓶 颈点。对于不同的目的，风险识别应该采用不同的方法。第一类方法 针对风险瓶颈点优化的需求，需要找到在同样优化水平下使***全局 风险降低最多的区间或车站换乘通道即为路网的安全优化瓶颈点，需 要重点优化；第一类方法针对风险瓶颈点防护的需求，需要找到在瓶 颈点失效的条件下使***全局风险升高最多的区间或车站换乘通道即 为路网的安全防护瓶颈点，需要重点防护。
第一类灵敏度分析：优化灵敏度
对路网结构采取优化措施提升其通行能力后，路网结构风险会发 生改变；并且不同的路网结构得到同样的优化后，路网结构风险的降 低程度会有区别。将路网结构风险对各通道的通行能力求偏导，得出 各通道优化灵敏度：
Figure BDA0002596592180000111
其中S*为路网结构风险，
Figure BDA0002596592180000112
表示通道
Figure BDA0002596592180000113
的优化灵敏度，
Figure BDA0002596592180000114
表示通 道
Figure BDA0002596592180000115
的通行能力。通道优化灵敏度能够直观地表现出此通道的通行能 力得到提升后，路网全局结构风险的降低效果。
本实施例在计算中通过差分法近似求解此偏导数，即：
Figure BDA0002596592180000116
其中
Figure BDA0002596592180000117
为
Figure BDA0002596592180000118
的微小变化量，本实施例取为
Figure BDA0002596592180000119
的十分之一。
第二类灵敏度分析：失效灵敏度
当路网内各通道失效后，路网将重新进行客流分配，此时计算路 网全局结构风险，得到通道能力变化前后路网全局结构风险的比值， 以此衡量通道失效对路网全局结构风险的影响。由于某些通道的失效 将导致某些地点不可达，考虑到非轨道交通还有一定的通行能力，本 实施例将这些通道的通行能力调至较小值(而不是设为0)，从而避免 计算中出现无穷大的情况。
Figure BDA0002596592180000121
其中
Figure BDA0002596592180000122
为通道
Figure BDA0002596592180000123
的失效风险灵敏度，S*'为通道通行能力变化后路 网全局结构风险，S*为通道通行能力变化之前路网全局结构风险。
实例分析
本实施例的实例中的数据来源为：重庆轨道交通集团官网线路信 息(https://www.cqmetro.cn/search-way.html)，由重庆市规划局牵头、市交通规 划研究院承担编制的《2018重庆市主城区交通发展年度报告》 (http://ghzrzyj.cq.gov.cn/zwxx_186/bmdt/201912/t20191225_2992986.html)。
算例场景
本实施例以成渝地区为例进行实例研究。图2为重庆区域轨道交 通线路拓扑图。在重庆区域轨道交通线路拓扑图中只保留了区域轨道 交通各线路的始发站、终点站以及换乘站，总共包含了10条线路，42 个站，55个区间，63个进站通道，63个出站通道，56个换乘通道， 涵盖了高速铁路、城际铁路、单轨、地铁四种轨道交通制式。
数据集
本实施例主要给出用于计算路网客流容量的数据及OD需求数据。
1)车站客流容量的计算依据
本实施例将站点分为大型站、中等站和小型站三种。划分依据为： 通过查询重庆轨道交通各站点线路规划，站内包含三条及以上线路的 为大型站，包含两条线路的为中型站，其余为小型站。三种站的内部 通道的通行能力如表2所示：
表2站内通道通行能力
站 大型站 中型站 小型站
进站通道通行能力(人/小时) 12800 9600 6400
出站通道通行能力(人/小时) 12800 9600 6400
换乘通道通行能力(人/小时) 9600 6400 无
2)区间客流容量的计算依据
路网内各线路的运输能力通过各线路的车厢型号、车厢最大编 组数、最小发车间隔求出。重庆轨道交通交通线路信息如表3所示。 成渝客专列车车型为CRH380D，定员数目为1328人，发车间隔为 20min，渝万铁路列车车型为CRH2A，定员人数为623人，发车间隔 为50min。
表3线路资料
Figure BDA0002596592180000131
3)OD需求数据
本实施例选取的成渝地区区域轨道交通典型OD需求如表4所示。
表4成渝地区区域轨道交通典型OD需求
Figure BDA0002596592180000141
计算流程
基于路网容量和OD需求，本实施例采用最优客流分配方法去除 客流分配对路网全局运能风险计算的影响，从而得到路网的全局结 构风险计算结果。全局结构风险的值是在最优客流分配条件下路网 内所有进站通道、出站通道、换乘通道以及区间的风险之和。在求 解失效灵敏度时，将失效后的通道通行能力取为原通行能力的十分 之一。在每一次改变通道通行能力后，路网都将重新进行最优客流 分配，并通过遗传算法求解。本实施例遗传算法的设置参数为：迭 代次数1500，种群规模2000。计算流程图如图3所示。计算过程中用到的参数如表5所示。
表5参数表
Figure BDA0002596592180000151
结果分析
对路网内的换乘通道进行两类灵敏度分析，得出各换乘通道优 化灵敏度以及失效风险灵敏度，其中影响较大的前十个换乘通道如 表6及表7所示。
表6路网换乘通道优化灵敏度
通道所在站点 通道首尾线路 优化灵敏度
重庆北南 3号线-环线 -12.295
红旗河沟 3号线-6号线 -8.014
重庆北北 城际-4号线 -6.711
重庆北南 3号线-10号线 -6.112
五里店 环线-6号线 -5.368
上新街 6号线-环线 -3.267
大坪 2号线-1号线 -3.243
重庆北北 城际-10号线 -1.923
民安大道 环线-4号线 -1.87
重庆北南 10号线-3号线 -1.277
表7路网换乘通道失效灵敏度
通道所在站点 通道首尾线路 失效灵敏度
重庆北南 3号线-10号线 1.353
民安大道 环线-4号线 1.178
重庆北北 10号线-高铁 1.158
小什字 1号线-6号线 1.155
上新街 环线-6号线 1.135
重庆北北 城际-10号线 1.134
红旗河沟 6号线-3号线 1.125
重庆北北 高铁-10号线 1.122
上新街 6号线-环线 1.121
重庆北北 10号线-城际 1.116
由结果可见，重庆北站南广场由3号线换乘至环号线的通道需要 重点优化，重庆北站南广场由3号线换乘至10号线的通道需要进行重 点防护。并且重庆北站北广场、重庆北站南广场、上新街、红旗河沟 等站均有多个换乘通道优化灵敏度/失效风险较大，需要针对采取优化 或防护措施。
本说明书中描述的主题的实施方式和功能性操作可以在以下中实 施：数字电子电路，有形实施的计算机软件或者固件，计算机硬件，包 括本说明书中公开的结构及其结构等同体，或者上述中的一者以上的组 合。本说明书中描述的主题的实施方式可以被实施为一个或多个计算机 程序，即，一个或多个有形非暂时性程序载体上编码的计算机程序指令 的一个或多个模块，用以被数据处理设备执行或者控制数据处理设备的 操作。
作为替代或者附加，程序指令可以被编码在人工生成的传播信号上， 例如，机器生成的电信号、光信号或者电磁信号，上述信号被生成为编 码信息以传递到用数据处理设备执行的适当的接收器设备。计算机存储 介质可以是机器可读存储装置、机器可读的存储基片、随机或者串行存 取存储器装置或者上述装置中的一种或多种的组合。
术语“数据处理设备”包含所有种类的用于处理数据的设备、装 置以及机器，作为实例，包括可编程处理器、计算机或者多重处理器或 者多重计算机。设备可以包括专用逻辑电路，例如，FPGA(现场可编程 门阵列)或者ASIC(专用集成电路)。设备除了包括硬件之外，还可以包 括创建相关计算机程序的执行环境的代码，例如构成处理器固件、协议 栈、数据库管理***、操作***或者它们中的一种或多种的组合代码。
计算机程序(还可以被称为或者描述为程序、软件、软件应用、模 块、软件模块、脚本或者代码)可以以任意形式的编程语言而被写出， 包括编译语言或者解释语言或者声明性语言或过程式语言，并且计算机 程序可以以任意形式展开，包括作为独立程序或者作为模块、组件、子 程序或者适于在计算环境中使用的其他单元。计算机程序可以但不必须 对应于文件***中的文件。程序可以被存储在保存其他程序或者数据的 文件的一部分中，例如，存储在如下中的一个或多个脚本：在标记语言 文档中；在专用于相关程序的单个文件中；或者在多个协同文件中，例 如，存储一个或多个模块、子程序或者代码部分的文件。计算机程序可 以被展开为执行在一个计算机或者多个计算机上，所述计算机位于一处， 或者分布至多个场所并且通过通信网络而互相连接。
在本说明书中描述的处理和逻辑流程可以由一个或多个可编程计 算机执行，该计算机通过运算输入数据并且生成输出而执行一个或多个 的计算机程序，以运行函数。处理和逻辑流程还可以由专用逻辑电路， 例如，FPGA(可现场编程门阵列)或者ASIC(专用集成电路)执行，并且设 备也可以被实施为专用逻辑电路。
适于实行计算机程序的计算机包括并且示例性地可以基于通用微 处理器或者专用微处理器或者上述处理器两者，或者任意其他种类的中 央处理单元。通常地，中央处理单元将接收来自只读存储器或者随机存 取存储器或者这两者的指令和数据。计算机的主要元件是用于运行或者 执行指令的中央处理单元以及用于存储指令和数据的一个或多个存储 器装置。通常地，计算机还将包括或者是可操作性地耦合，以从用于存 储数据的一个或多个大容量存储装置接收数据或者传递数据到大容量 存储装置，或者接收和传递两者，该大容量存储器例如为磁盘、磁光盘 或者光盘。然而，计算机不必须具有这样的装置。此外，计算机可以被 嵌入到另一装置中，例如，移动电话、个人数字助理(PDA)、移动音频 或者视频播放器、游戏主控台、全球定位***(GPS)接收器或者可移动 存储设备，例如，通用串行总线(USB)闪存盘等。
适于存储计算机程序指令和数据的计算机可读介质包括所有形式 的非易失存储器、介质和存储器装置，作为实例，包括：半导体存储器 装置，例如，EPROM、EEPROM和闪速存储器装置；磁盘，例如，内置硬 盘或者可移动磁盘；磁光盘；CD-ROM和DVD-ROM盘。处理器和存储器可 以补充以或者并入至专用逻辑电路。

Claims (10)

1.一种区域轨道交通全局结构风险瓶颈识别方法，其特征在于，包括如下步骤：
数据获取步骤：获取路网结构风险数据、通道通行能力数据；
灵敏度数据处理步骤：按照式1计算优化灵敏度，以及按照式2计算失效灵敏度，
Figure FDA0002596592170000011
其中S*为路网结构风险，
Figure FDA0002596592170000012
表示通道
Figure FDA0002596592170000013
的优化灵敏度，
Figure FDA0002596592170000014
表示通道
Figure FDA0002596592170000015
的通行能力；
Figure FDA0002596592170000016
其中
Figure FDA0002596592170000017
为通道
Figure FDA0002596592170000018
的失效灵敏度，S*'为通道通行能力变化后路网结构风险；
风险瓶颈结果输出：输出优化灵敏度和失效灵敏度，即完成风险瓶颈识别。
2.如权利要求1所述的方法，其特征在于，按照式2计算优化灵敏度，
Figure FDA0002596592170000019
其中，
Figure FDA00025965921700000110
为
Figure FDA00025965921700000111
的微小变化量，优选的
Figure FDA00025965921700000112
为
Figure FDA00025965921700000113
的十分之一。
3.如权利要求2所述的方法，其特征在于，生成所述路网结构风险数据的步骤包括：
用优化算法优化以路网全局运能风险最低为优化目标的目标函数，所述目标函数如式4所示：
Figure FDA0002596592170000021
其中，xi(t)代表t时刻的车站(或区间)i的客流需求量(单位为：人/小时)，ci(t)代表t时刻的车站(或区间)i的客流容量(单位为：人/小时)，xi(t)/ci(t)表示t时刻的车站(或区间)i的客流需求负荷；f(x)为运能风险概率函数，用于将客流需求负荷映射为运能风险发生的可能性，wi(t)表示t时刻编号为i的车站或区间的运能风险后果。
4.如权利要求3所述的方法，其特征在于，所述风险后果wi(t)如式5所示：
wi(t)＝min(xi(t),ci(t)) 式5。
5.如权利要求4所述的方法，其特征在于，所述运能风险概率函数如式6所示：
Figure FDA0002596592170000023
6.如权利要求3所述的方法，其特征在于，所述目标函数如式7所示：
Figure FDA0002596592170000024
7.如权利要求3所述的方法，其特征在于，所述目标函数如式8所示：
Figure FDA0002596592170000025
其中，i＝1,…S为车站编号，k＝1,…T为区间编号；a为车站入口，b为车站出口；c，d为各轨道交通制式的上下车地点；f(x)表示运能风险概率函数；
Figure FDA0002596592170000031
表示通道
Figure FDA0002596592170000032
的OD需求，
Figure FDA0002596592170000033
表示通道
Figure FDA0002596592170000034
的通行能力，
Figure FDA0002596592170000035
表示通道
Figure FDA0002596592170000036
的运能风险的风险后果；
Figure FDA0002596592170000037
表示通道
Figure FDA0002596592170000038
的OD需求，
Figure FDA0002596592170000039
表示通道
Figure FDA00025965921700000310
的通行能力，
Figure FDA00025965921700000311
表示通道
Figure FDA00025965921700000312
的运能风险的风险后果；
Figure FDA00025965921700000313
表示通道
Figure FDA00025965921700000314
的OD需求，
Figure FDA00025965921700000315
表示通道
Figure FDA00025965921700000316
的通行能力，
Figure FDA00025965921700000317
表示通道
Figure FDA00025965921700000318
的运能风险的风险后果；qk表示区间ek的OD需求，Lk表示区间ek的通行能力，Wk表示区间k的运能风险的风险后果。
8.如权利要求7所述的方法，其特征在于，所述目标函数的约束条件包括用来计算车站进站客流的式9；用来计算车站出站客流的式10，用来计算车站换乘客流的式11，用来计算区间客流的式12，表示客流分配约束的式13、式14：
Figure FDA00025965921700000319
其中，
Figure FDA00025965921700000320
为决策变量，表示分配到路径pij m的OD需求，
Figure FDA00025965921700000321
表示站vi内从a点到c点的通道，pij m表示从站i到站j的第m条简单路径，g(a,p)表示a是路网内的某个通道或区间，p是一条简单路径，如果a在路径p上，则g(a,p)＝1，否则(a,p)＝0；
Figure FDA00025965921700000322
其中，xji m为决策变量，表示分配到路径pji m的OD需求；
Figure FDA00025965921700000323
其中，xnj m表示决策变量，表示分配到路径pnj m的OD需求；
Figure FDA0002596592170000041
其中，
Figure FDA0002596592170000042
为决策变量，表示分配到路径pij m的OD需求，ek表示第k个区间，pij m表示从站i到站j的第m条简单路径；
Figure FDA0002596592170000043
Figure FDA0002596592170000044
其中，qij表示站i到站j的OD需求。
9.如权利要求1所述的方法，其特征在于，所述目标函数的最小化全局运能风险的模型为：以无向图G(V,E)表示区域轨道交通路网，其中V为路网中所有车站组成的集合，E为路网中所有区间组成的集合；路网中一共存在S个车站和T个区间，vi表示第i个车站，ek为第k个区间，其中i＝1,...S为车站编号，k＝1,...T为区间编号。
10.一种区域轨道交通全局结构风险瓶颈识别***，其特征在于，所述***包括至少一个处理器；以及
存储器，其存储有指令，当通过至少一个处理器来执行该指令时，实施按照权利要求1-8任一项所述的方法。
CN202010711200.3A 2020-07-22 2020-07-22 一种区域轨道交通全局结构风险瓶颈识别方法及*** Pending CN111861219A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010711200.3A CN111861219A (zh) 2020-07-22 2020-07-22 一种区域轨道交通全局结构风险瓶颈识别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010711200.3A CN111861219A (zh) 2020-07-22 2020-07-22 一种区域轨道交通全局结构风险瓶颈识别方法及***

Publications (1)

Publication Number Publication Date
CN111861219A true CN111861219A (zh) 2020-10-30

Family

ID=72949204

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010711200.3A Pending CN111861219A (zh) 2020-07-22 2020-07-22 一种区域轨道交通全局结构风险瓶颈识别方法及***

Country Status (1)

Country Link
CN (1) CN111861219A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488568A (zh) * 2020-12-14 2021-03-12 上海工程技术大学 一种地铁车站大客流运营风险评价方法及其应用

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140019194A1 (en) * 2012-07-12 2014-01-16 Bank Of America Predictive Key Risk Indicator Identification Process Using Quantitative Methods
CN108345983A (zh) * 2018-01-04 2018-07-31 北京轨道交通路网管理有限公司 路网运营安全状况及风险的评估方法、装置及处理器
CN109872008A (zh) * 2019-03-13 2019-06-11 清华大学 基于客流分配的城市轨道交通路网安全性评估与增强方法
CN110879575A (zh) * 2018-08-29 2020-03-13 西门子科技与服务私人有限公司 灵敏度分析的计算机实现方法及灵敏度分析***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140019194A1 (en) * 2012-07-12 2014-01-16 Bank Of America Predictive Key Risk Indicator Identification Process Using Quantitative Methods
CN108345983A (zh) * 2018-01-04 2018-07-31 北京轨道交通路网管理有限公司 路网运营安全状况及风险的评估方法、装置及处理器
CN110879575A (zh) * 2018-08-29 2020-03-13 西门子科技与服务私人有限公司 灵敏度分析的计算机实现方法及灵敏度分析***
CN109872008A (zh) * 2019-03-13 2019-06-11 清华大学 基于客流分配的城市轨道交通路网安全性评估与增强方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
俞礼军;杨灿杰;: "随机路网中风险爱好出行者的路径选择分析", 华南理工大学学报(自然科学版), no. 12, 15 December 2015 (2015-12-15), pages 133 - 138 *
孙家臣;王海燕;任瑶;杨家其;: "西非铝矾土进口海运供应链风险评估", 上海船舶运输科学研究所学报, no. 01, 30 March 2020 (2020-03-30), pages 74 - 80 *
陈洪波;王宁;王建西;: "基于三角模糊云贝叶斯网络的盾构下穿段施工风险评估", 国防交通工程与技术, no. 03, 19 May 2020 (2020-05-19), pages 17 - 22 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488568A (zh) * 2020-12-14 2021-03-12 上海工程技术大学 一种地铁车站大客流运营风险评价方法及其应用

Similar Documents

Publication Publication Date Title
CN111260221B (zh) 一种面向城市全局基于动态模型的交通设施承载力评估方法
CN109543934B (zh) 城市公交线网的综合指标的评价方法
CN107766969B (zh) 一种基于地铁服务能力瓶颈区段识别的大站快线布设方法
CN111401614B (zh) 一种城市轨道交通动态客流分配方法及***
CN109360420B (zh) 一种公共交通大数据处理***与方法
Hong et al. Spatiotemporal vulnerability analysis of railway systems with heterogeneous train flows
CN113345259A (zh) 一种基于数据驱动的地面公交线路调整的方法
CN111861219A (zh) 一种区域轨道交通全局结构风险瓶颈识别方法及***
Jin et al. Exploring the robustness of public transportation system on augmented network: A case from Nanjing China
CN111723991A (zh) 大型活动散场客流对地铁车站冲击影响的预测评估方法
Novikov et al. Methodology of passenger public transport organization within the context of long-term territorial development of a city
CN111754071A (zh) 一种区域轨道交通全局安全性增强方法
Aftabuzzaman et al. Modeling the spatial impacts of public transport on traffic congestion relief in Melbourne, Australia
Sañudo et al. Optimal stopping location of a high speed train using GIS and multicriteria decision‐making
CN113850436A (zh) 一种城市轨道交通客流随机概率分配模型优化方法
Xiaoliang et al. Discussion on Optimization of Public Transportation Network Setting considering Three‐State Reliability
Liu et al. A Short‐Turn Dispatching Strategy to Improve the Reliability of Bus Operation
Izadi et al. Evaluation of the performance of bus special lines according to indicators of quality and transport and its performance improvement using ultra-innovative intelligent models (Case study: Rasht city)
Wang et al. A signal optimization model of adjacent closely spaced intersections which optimizes pedestrian crossing
Kitagawa et al. Multiagent-based sustainable bus route optimization in disaster
Li et al. Method for identifying global structural risk bottleneck of regional rail transit based on sensitivity analysis
Issaoui et al. A contribution to the resolution of stochastic dynamic dial a ride problem with nsgaii
Nagai et al. Activeness Changes the City
Zili São Paulo Cycling Network Development Design: A Minimum Spanning Tree Approach
Yang et al. Discovering high demanding bus routes using farecard data

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