CN117132083B - 一种基于bim的城市轨道交通枢纽运维管理*** - Google Patents
一种基于bim的城市轨道交通枢纽运维管理*** Download PDFInfo
- Publication number
- CN117132083B CN117132083B CN202311364379.XA CN202311364379A CN117132083B CN 117132083 B CN117132083 B CN 117132083B CN 202311364379 A CN202311364379 A CN 202311364379A CN 117132083 B CN117132083 B CN 117132083B
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- station
- period
- peak
- fluctuation
- 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.)
- Active
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 230000005856 abnormality Effects 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 25
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 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
- G06Q10/06—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
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- G06Q10/06314—Calendaring for a resource
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Geometry (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Civil Engineering (AREA)
- Biodiversity & Conservation Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Architecture (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明涉及客流预测技术领域,具体涉及一种基于BIM的城市轨道交通枢纽运维管理***。包括:采集城市轨道交通的站点在每个时间段的上客量和下客量;根据上客量和下客量获取实载客流量,进而获得客流波动指数;根据实载客流量获取高峰小时系数,进而获得站点在周期内的高峰时间段;根据所有高峰时间段对应的高峰小时系数获取高峰集中特征值,结合客流波动指数获取客流波动异常程度;根据时间段的总个数及客流波动异常程度获取自适应参数值;根据自适应参数值,使用时间序列预测模型获得预计客流高峰站点,进而对通过预计客流高峰站点的列车的运营班次进行调整。本发明解决了城市轨道交通枢纽的运维管理效率较低的问题。
Description
技术领域
本发明涉及客流预测技术领域,具体涉及一种基于BIM的城市轨道交通枢纽运维管理***。
背景技术
随着中国城市化进程的快速推进,城市人口密集、交通出行不便的问题日益严峻,城市轨道交通的建设与运营成为当下缓解民众出行困难的良方。城市轨道交通枢纽不仅是轨道线路之间的换乘节点和整个线网的锚固节点,也对城市空间拓展、用地结构升级起到积极的促进作用,合理设置城市轨道交通线路的班次可以减少拥堵和延误现象。如果班次过少或间隔时间过长,容易导致列车过载和乘客拥堵,影响轨道交通的正常运行。适度增加班次可以减少人员密集度,有效缓解拥堵和延误情况,提高城市轨道交通的稳定运行。
通过准确预测客流量可以避免过多或过少的班次设置,合理分配轨道交通***的资源。避免过度投入而造成资源浪费,同时也能保证乘客出行需求得到满足。自回归差分移动平均模型ARIMA可以对城市轨道交通线路上的客流量进行预测,但是,由于客流量波动程度影响因素较多导致对客流量预测准确性不高,使城市轨道交通枢纽的运维管理效率较低。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于BIM的城市轨道交通枢纽运维管理***,以解决城市轨道交通枢纽的运维管理效率较低的问题,所采用的技术方案具体如下:
本发明提出了一种基于BIM的城市轨道交通枢纽运维管理***,所述***包括:
模型构建模块,根据城市轨道交通设计图纸构建城市轨道交通线路的建筑信息模型;
数据采集模块,采集城市轨道交通的站点在每个时间段的上客量和下客量;
数据分析模块,根据站点在每个时间段的上客量和下客量获取实载客流量;根据站点在所有时间段的实载客流量获取站点在每个周期内的客流波动指数;根据站点在周期内包含的所有时间段的实载客流量获取站点在每个时间段的高峰小时系数,进而获得站点在周期内的高峰时间段;根据站点在周期内的高峰时间段的数量及高峰时间段对应的高峰小时系数获取高峰集中特征值;根据站点在所有周期内的客流波动指数以及高峰集中特征值获取客流通勤相关系数;根据客流波动指数、高峰集中特征值以及客流通勤相关系数获取城市轨道交通的客流波动异常程度;根据时间段的总个数及客流波动异常程度获取自适应参数值;
运维管理模块,根据自适应参数值,使用时间序列预测模型对每个站点的实载客流量进行预测,获得预计客流高峰站点,根据城市轨道交通的建筑信息模型获取预计客流高峰站点的具体方位,进而对通过预计客流高峰站点的列车的运营班次进行调整。
进一步,所述时间段获取的具体方法为:
将预设时间长度作为一个周期,共获取第一预设数量个周期;
将每个周期平均划分为第二预设数量个时间段。
进一步,所述根据站点在每个时间段的上客量和下客量获取实载客流量,包括的具体方法为:
分别将每个时间段记为待分析时段;
将站点在待分析时段的上客量与下客量之间差值的绝对值记为站点在待分析时段的实载客流量。
进一步,所述根据站点在所有时间段的实载客流量获取站点在每个周期内的客流波动指数,包括的具体方法为:
将站点在周期内的包含的所有时间段的实载客流量的标准差记为站点在周期内的客流离散度;
将站点在周期内的包含的所有时间段的实载客流量的最大值记为站点在周期内的最大客流量;
将站点在周期内的包含的所有时间段的实载客流量的最小值记为站点在周期内的最小客流量;
将站点在周期内的最大客流量与最小客流量的差值与客流离散度的乘积记为站点在周期内的客流波动程度;
将客流波动程度的归一化值记为站点在周期内的客流波动指数。
进一步,所述根据站点在周期内包含的所有时间段的实载客流量获取站点在每个时间段的高峰小时系数,进而获得站点在周期内的高峰时间段,包括的具体方法为:
将待分析时段所在的周期记为待分析时段的对应周期;
将站点在对应周期内的包含的所有时间段的实载客流量之和记为站点在对应周期内的实载客流总量;
将站点在待分析时段的实载客流量与实载客流总量的比值记为站点在待分析时段的高峰小时系数;
将高峰小时系数大于高峰阈值的时间段记为站点在对应周期内的高峰时间段。
进一步,所述根据站点在周期内的高峰时间段的数量及高峰时间段对应的高峰小时系数获取高峰集中特征值,包括的具体方法为:
将站点在对应周期内的所有高峰时间段的高峰小时系数之和记为站点在对应周期内的高峰密度;
将站点在对应周期内连续出现的高峰时间段的数量的最大值记为站点在对应周期内的最大高峰时段数量;
将站点在对应周期内的高峰密度与最大高峰时段数量的乘积记为站点在对应周期内的高峰集中特征值。
进一步,所述根据站点在所有周期内的客流波动指数以及高峰集中特征值获取客流通勤相关系数,包括的具体方法为:
将站点在所有周期内的客流波动指数按照周期的时间顺序排列获取站点的客流波动序列;
将站点在所有周期内的高峰集中特征值按照周期的时间顺序排列获取站点的高峰集中序列;
将站点的客流波动序列与高峰集中序列之间的相关系数记为站点的客流通勤相关系数。
进一步,所述根据客流波动指数、高峰集中特征值以及客流通勤相关系数获取城市轨道交通的客流波动异常程度,包括的具体方法为:
将站点在所有周期的客流波动指数的均值记为站点的客流波动均值;
将站点在所有周期的高峰集中特征值的均值记为站点的通勤枢纽连接指数;
将站点的通勤枢纽连接指数的归一化值与客流波动均值的乘积记为站点的客流集中程度;
将站点的客流集中程度与客流通勤相关系数的比值记为站点的通勤密集置信度;
将所有站点的通勤密集置信度的均值记为城市轨道交通的客流波动异常程度。
进一步,所述根据时间段的总个数及客流波动异常程度获取自适应参数值,包括的具体方法为:
将所述第一预设数量与第二预设数量的乘积作为初始参数值;
将城市轨道交通的客流波动异常程度的归一化值与初始参数值的乘积的向下取整值作为自适应参数值。
进一步,所述根据自适应参数值,使用时间序列预测模型对每个站点的实载客流量进行预测,获得预计客流高峰站点,根据城市轨道交通的建筑信息模型获取预计客流高峰站点的具体方位,进而对通过预计客流高峰站点的列车的运营班次进行调整,包括的具体方法为:
将站点在所有时间段的实载客流量的均值记为站点的历史客流量;
将所有时间段的后一个时间段记为未来时段;
将自适应参数值作为自回归差分移动平均模型的自回归项数,使用自回归差分移动平均模型对站点在未来时段的实载客流量进行预测,获得站点在未来时段的实载客流量;
将站点在未来时段的实载客流量与历史客流量的比值记为预计客流增长率;
将预计客流增长率大于增长阈值的站点记为预计客流高峰站点;
使用网络传输通信技术建立预测的实载客流量与城市轨道交通的建筑信息模型之间的联系,获得预计客流高峰站点的具体方位;
根据预计客流高峰站点的具体方位,增加通过预计客流高峰站点的列车的运营班次。
本发明的有益效果是:本发明通过分析不同时期客流量的变化情况,根据实载客流量获取客流波动指数,客流波动指数反映了站点在每个时间段内实载客流量的波动幅度;通过分析站点的客流量出现波动的原因,根据客流波动指数获取高峰集中特征值,构建高峰集中序列,高峰集中序列进一步反映了站点的客流量在时间上的分布情况;结合客流波动指数和高峰集中特征值获取客流波动异常程度,客流波动异常程度决定了根据站点的以往客流量对客流量进行预测的可靠性;最终,根据客流波动异常程度自适应确定ARIMA自回归差分移动平均模型的自回归项数,使用ARIMA自回归差分移动平均模型预测城市轨道交通线路下一时间段的客流量,并根据预测的客流量对城市轨道交通线路的运营班次进行调整,解决了客流量波动程度影响因素较多导致对客流量预测准确性不高的问题,根据客流量预测结果调整列车的运营班次,提高了城市轨道交通枢纽的运维管理效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于BIM的城市轨道交通枢纽运维管理***框图;
图2为客流量时间分布示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本发明一个实施例提供的一种基于BIM的城市轨道交通枢纽运维管理***框图,该***包括:模型构建模块101、数据采集模块102、数据分析模块103、运维管理模块104。
模型构建模块101用于获取城市轨道交通枢纽的BIM模型。
根据城市轨道交通枢纽的设计图纸以及设备参数和管线分布等相关信息,使用BIM软件构建城市轨道交通线路的BIM建筑信息模型。
数据采集模块102用于获取城市轨道交通线路上每个站点的上客量和下客量。
以小时为一个周期,将每个周期平均划分为个时间段,获取每个站点在个周
期的所有时间段内的上客量和下客量,的经验取值为24,的经验取值为96,经验取值
为30,则每个时间段的长度分钟。
自此,获得站点在每个时间段的上客量和下客量。
数据分析模块103用于根据站点在每个周期所有时间段内实载客流量的波动情况,计算城市轨道交通线路的客流波动异常程度。
先根据站点在每个周期所有时间段内实载客流量的波动情况,获取站点在每个周期的客流波动指数,构建站点的客流波动序列;根据客流波动序列计算站点在所有周期的高峰集中特征值,构建站点的高峰集中序列;根据站点的客流波动序列和高峰集中序列获取客流通勤相关系数,计算城市轨道交通线路的客流波动异常程度,具体包括:
1.根据站点在每个周期所有时间段内实载客流量的波动情况,获取站点的客流波动序列。
由于城市地区通勤客流的出行时间相对固定,且有一定的相似性,因此,城市轨道交通会在相对集中的时间段内迎来通勤大客流,导致城市轨道交通客流在全天各时段的分布不均衡,在对城市轨道交通枢纽的运营班次进行调整时需要充分考虑通勤时间段的客流特征。
第个站点在第个周期的第个时间段内的上客量为,第个站点在第
个周期的第个时间段内的下客量为,第个站点在第个周期的第个时间段内
的实载客流量表示为第个站点在第个周期的第个时间段内的上客量与下客
量的差值的绝对值。
根据站点在每个周期所有时间段内实载客流量的波动情况,获取站点在每个周期
的客流波动指数。将第个站点在第个周期的客流波动指数表示如下:
其中,为第个站点在第个周期所有时间段内实载客流量的最大值;为第个站点在第个周期所有时间段内实载客流量的最小值;为第个站点
在第个周期所有时间段内实载客流量的标准差。
当站点在每个周期所有时间段内实载客流量的最大值与最小值相差越大时,说明站点在每个周期所有时间段内实载客流量的波动幅度越大,客流波动指数值越大;当站点在每个周期所有时间段内实载客流量的标准差越大时,说明站点在每个周期所有时间段内实载客流量的离散程度越大,客流波动指数值越大。
按照上述方法获取每个站点在所有周期的客流波动指数,将每个站点在所有周期
的客流波动指数按照时间的先后顺序排列,构建每个站点的客流波动序列,反映了
站点的整体客流波动特征。
2.根据客流波动序列计算站点在所有周期的高峰集中特征值,构建高峰集中序列。
当站点的客流量出现波动时可能是由于正常的通勤、假期等造成的,也可能是由于偶然因素如新店开业、组织活动、演出等造成的,对于由偶然因素造成的客流量波动,对后续客流量的参考价值较小,应该保持原有的车次排班不受扰动。
基于上述分析,本发明构建高峰小时系数反映客流的集中程度,一般将高峰小时系数定义为高峰时间段客流量与全天客流量的比值,通勤客流特征越明显的线路高峰小时系数越高。先根据站点在每个周期内不同时间段的实载客流量获取高峰时间段。
如图2所示,轨道交通客流在全天的时间分布上呈波动特征,高峰小时系数为高峰
时间段客流量与全天客流量的比值。根据客流量的取值不同,高峰小时系数含义也分别不
同。将第个站点在第个周期的所有时间段内的实载客流量之和记为第个站点在第个周
期的实载客流总量。
将第个站点在第个周期的第个时间段的高峰小时系数表示为第个站点在第
个周期的第个时间段内的实载客流量与第个站点在第个周期的实载客流总量的比值,
当第个站点在第个周期的第个时间段内的实载客流量与第个站点在第个周期的实载
客流总量的比值越大时,说明第个站点在第个周期的实载客流量越集中于第个时间段
内,第个时间段越可能是高峰时间段,将高峰小时系数大于高峰阈值的时间段记为第
个站点在第个周期内的高峰时间段,高峰阈值经验取值为。
统计站点在每个周期内高峰时间段连续出现的个数,根据第个站点在第个周期
内的高峰时间段连续出现的最大个数以及高峰时间段的高峰小时系数,将第个站点在第
个周期的高峰集中特征值表示如下:
其中,为第个站点在第个周期内的第个高峰时间段的高峰小时系
数;为第个站点在第个周期内的高峰时间段的总个数;为第个站点在第
个周期内的高峰时间段连续出现的最大个数。
当站点在每个周期内的高峰时间段连续出现的个数越多时,高峰时间段越集中,高峰集中特征值越大;当站点在每个周期内的高峰时间段个数越多且高峰小时系数越大时,高峰集中特征值越大。
按照上述方法获取每个站点在所有周期的高峰集中特征值,将每个站点在所有周
期的高峰集中特征值按照周期的时间顺序排列,构建每个站点的高峰集中序列,反映
了站点的整体高峰分布特征。
若客流量的波动是由集中性的通勤造成的,则客流量的波动是正常的,此时客流波动序列和高峰集中序列之间的相关系数较大,根据站点的以往客流量对客流量进行预测的可靠性较高,应该设置较大的权重。
3.根据客流波动序列和高峰集中序列获取客流波动异常程度。
获取站点的客流波动序列和高峰集中序列之间的皮尔逊相关系数,记
为站点的客流通勤相关系数。
将第个站点在所有周期的客流波动指数的均值记为站点的客流波动均值,将第个站点在所有周期的高峰集中特征值的均值记为站点的通勤枢纽连接指
数,根据城市轨道交通线路上所有站点的客流波动均值和站点的通勤枢纽连接指
数,将城市轨道交通线路的客流波动异常程度表示如下:
其中,为城市轨道交通线路的客流波动异常程度;为城市轨道交通线路
上站点的总个数;为第个站点的客流波动均值;为线性归一化函数;为第个站点的通勤枢纽连接指数;为第个站点的客流通勤相关系数。
城市轨道交通线路上各站点的客流波动均值越大时,客流波动异常程度值越大;当城市轨道交通线路上某一站点的通勤枢纽连接指数越大时,说明该站点的客流量越大,且客流量集中,越可能是通勤的重要枢纽,其波动程度越具有参考意义,应该设置较大的权重;当城市轨道交通线路上某一站点的客流通勤相关系数越大时,说明该站点的客流波动越可能是由正常的集中性通勤造成的,城市轨道交通线路的客流波动异常程度值越小。
自此,获取城市轨道交通线路的客流波动异常程度。
运维管理模块104用于根据客流波动异常程度自适应确定ARIMA自回归差分移动平均模型的自回归项数,预测城市轨道交通各个站点的客流量,并对列车的运营班次进行调整。
使用ARIMA自回归差分移动平均模型对客流量进行预测时,自回归项数表示参与预测的历史客流量数据的个数,自回归项数的值越大,则根据越多的历史客流量数据进行预测,可靠性越高,自回归项数的值越小,则根据越少的历史客流量数据进行预测,预测效率越高。
根据城市轨道交通线路的客流波动异常程度,获取自适应参数:
其中,为自适应参数;为向下取整函数;为以自然常数为底的指
数函数;为城市轨道交通线路的客流波动异常程度;为ARIMA模型的自回归项数
初始值,经验取值为。
将自适应参数作为ARIMA自回归差分移动平均模型的自回归项数,当城市轨道交
通线路的客流波动异常程度值越大时,应该根据越多的历史客流量数据对城市轨道交通线
路的客流量进行预测,避免因个别客流量数据异常,导致对客流量预测不准确的问题。
差分阶数经验取值为2,移动平均项数经验取值为3,使用自回归差分移动平均
模型根据站点的实载客流量数据预测所有站点在所有时间段的下一时间段的实载客流量。
将站点在所有时间段的实载客流量的均值记为历史客流量,若预测得到的实载客流量与历
史客流量的比值大于增长阈值,则判断该站点为预计客流高峰站点,的经验取值为1.5。
使用网络传输通信技术将预测的客流量与城市轨道交通的BIM模型建立联系,帮助交通管理人员直观地获取每个站点的客流量和预计客流高峰站点的位置,增加通过预计客流高峰站点的列车的运营班次。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于BIM的城市轨道交通枢纽运维管理***,其特征在于,所述***包括:
模型构建模块,根据城市轨道交通设计图纸构建城市轨道交通线路的建筑信息模型;
数据采集模块,采集城市轨道交通的站点在每个时间段的上客量和下客量;
数据分析模块,根据站点在每个时间段的上客量和下客量获取实载客流量;根据站点在所有时间段的实载客流量获取站点在每个周期内的客流波动指数;根据站点在周期内包含的所有时间段的实载客流量获取站点在每个时间段的高峰小时系数,进而获得站点在周期内的高峰时间段;根据站点在周期内的高峰时间段的数量及高峰时间段对应的高峰小时系数获取高峰集中特征值;根据站点在所有周期内的客流波动指数以及高峰集中特征值获取客流通勤相关系数;根据客流波动指数、高峰集中特征值以及客流通勤相关系数获取城市轨道交通的客流波动异常程度;根据时间段的总个数及客流波动异常程度获取自适应参数值;
运维管理模块,根据自适应参数值,使用时间序列预测模型对每个站点的实载客流量进行预测,获得预计客流高峰站点,根据城市轨道交通的建筑信息模型获取预计客流高峰站点的具体方位,进而对通过预计客流高峰站点的列车的运营班次进行调整;
所述时间段获取的具体方法为:
将预设时间长度作为一个周期,共获取第一预设数量个周期;
将每个周期平均划分为第二预设数量个时间段;
所述根据站点在每个时间段的上客量和下客量获取实载客流量,包括的具体方法为:
分别将每个时间段记为待分析时段;
将站点在待分析时段的上客量与下客量之间差值的绝对值记为站点在待分析时段的实载客流量;
所述根据站点在所有时间段的实载客流量获取站点在每个周期内的客流波动指数,包括的具体方法为:
将站点在周期内的包含的所有时间段的实载客流量的标准差记为站点在周期内的客流离散度;
将站点在周期内的包含的所有时间段的实载客流量的最大值记为站点在周期内的最大客流量;
将站点在周期内的包含的所有时间段的实载客流量的最小值记为站点在周期内的最小客流量;
将站点在周期内的最大客流量与最小客流量的差值与客流离散度的乘积记为站点在周期内的客流波动程度;
将客流波动程度的归一化值记为站点在周期内的客流波动指数;
所述根据站点在周期内包含的所有时间段的实载客流量获取站点在每个时间段的高峰小时系数,进而获得站点在周期内的高峰时间段,包括的具体方法为:
将待分析时段所在的周期记为待分析时段的对应周期;
将站点在对应周期内的包含的所有时间段的实载客流量之和记为站点在对应周期内的实载客流总量;
将站点在待分析时段的实载客流量与实载客流总量的比值记为站点在待分析时段的高峰小时系数;
将高峰小时系数大于高峰阈值的时间段记为站点在对应周期内的高峰时间段;
所述根据站点在周期内的高峰时间段的数量及高峰时间段对应的高峰小时系数获取高峰集中特征值,包括的具体方法为:
将站点在对应周期内的所有高峰时间段的高峰小时系数之和记为站点在对应周期内的高峰密度;
将站点在对应周期内连续出现的高峰时间段的数量的最大值记为站点在对应周期内的最大高峰时段数量;
将站点在对应周期内的高峰密度与最大高峰时段数量的乘积记为站点在对应周期内的高峰集中特征值;
所述根据站点在所有周期内的客流波动指数以及高峰集中特征值获取客流通勤相关系数,包括的具体方法为:
将站点在所有周期内的客流波动指数按照周期的时间顺序排列获取站点的客流波动序列;
将站点在所有周期内的高峰集中特征值按照周期的时间顺序排列获取站点的高峰集中序列;
将站点的客流波动序列与高峰集中序列之间的相关系数记为站点的客流通勤相关系数;
所述根据客流波动指数、高峰集中特征值以及客流通勤相关系数获取城市轨道交通的客流波动异常程度,包括的具体方法为:
将站点在所有周期的客流波动指数的均值记为站点的客流波动均值;
将站点在所有周期的高峰集中特征值的均值记为站点的通勤枢纽连接指数;
将站点的通勤枢纽连接指数的归一化值与客流波动均值的乘积记为站点的客流集中程度;
将站点的客流集中程度与客流通勤相关系数的比值记为站点的通勤密集置信度;
将所有站点的通勤密集置信度的均值记为城市轨道交通的客流波动异常程度;
所述根据时间段的总个数及客流波动异常程度获取自适应参数值,包括的具体方法为:
将所述第一预设数量与第二预设数量的乘积作为初始参数值;
将城市轨道交通的客流波动异常程度的归一化值与初始参数值的乘积的向下取整值作为自适应参数值。
2.根据权利要求1所述的一种基于BIM的城市轨道交通枢纽运维管理***,其特征在于,所述根据自适应参数值,使用时间序列预测模型对每个站点的实载客流量进行预测,获得预计客流高峰站点,根据城市轨道交通的建筑信息模型获取预计客流高峰站点的具体方位,进而对通过预计客流高峰站点的列车的运营班次进行调整,包括的具体方法为:将站点在所有时间段的实载客流量的均值记为站点的历史客流量;
将所有时间段的后一个时间段记为未来时段;
将自适应参数值作为自回归差分移动平均模型的自回归项数,使用自回归差分移动平均模型对站点在未来时段的实载客流量进行预测,获得站点在未来时段的实载客流量;
将站点在未来时段的实载客流量与历史客流量的比值记为预计客流增长率;
将预计客流增长率大于增长阈值的站点记为预计客流高峰站点;
使用网络传输通信技术建立预测的实载客流量与城市轨道交通的建筑信息模型之间的联系,获得预计客流高峰站点的具体方位;
根据预计客流高峰站点的具体方位,增加通过预计客流高峰站点的列车的运营班次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311364379.XA CN117132083B (zh) | 2023-10-20 | 2023-10-20 | 一种基于bim的城市轨道交通枢纽运维管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311364379.XA CN117132083B (zh) | 2023-10-20 | 2023-10-20 | 一种基于bim的城市轨道交通枢纽运维管理*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117132083A CN117132083A (zh) | 2023-11-28 |
CN117132083B true CN117132083B (zh) | 2024-01-30 |
Family
ID=88853070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311364379.XA Active CN117132083B (zh) | 2023-10-20 | 2023-10-20 | 一种基于bim的城市轨道交通枢纽运维管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117132083B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575684B (zh) * | 2024-01-15 | 2024-04-05 | 杭州路过网络有限公司 | 一种客流量预测方法及*** |
CN117590740B (zh) * | 2024-01-19 | 2024-03-22 | 艾信智慧医疗科技发展(苏州)有限公司 | 医用轨道小车智能调控*** |
CN118095660B (zh) * | 2024-04-24 | 2024-07-19 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于bim的地铁站拥堵分析方法、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573849A (zh) * | 2014-12-12 | 2015-04-29 | 安徽富煌和利时科技股份有限公司 | 基于arima模型预测客流的公交调度优化方法 |
CN109409578A (zh) * | 2018-09-29 | 2019-03-01 | 北京市地铁运营有限公司 | 一种城市轨道交通路网限流组织方案优化方法 |
CN112541206A (zh) * | 2020-12-17 | 2021-03-23 | 中铁第四勘察设计院集团有限公司 | 一种用于车站客流分析的仿真方法、***、计算机设备及可读介质 |
CN112905659A (zh) * | 2021-02-05 | 2021-06-04 | 希盟泰克(重庆)实业发展有限公司 | 一种基于bim与人工智能的城市轨道交通数据分析方法 |
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 |
CN113902011A (zh) * | 2021-10-08 | 2022-01-07 | 南威软件股份有限公司 | 基于循环神经网络的城市轨道交通短时客流预测方法 |
-
2023
- 2023-10-20 CN CN202311364379.XA patent/CN117132083B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573849A (zh) * | 2014-12-12 | 2015-04-29 | 安徽富煌和利时科技股份有限公司 | 基于arima模型预测客流的公交调度优化方法 |
CN109409578A (zh) * | 2018-09-29 | 2019-03-01 | 北京市地铁运营有限公司 | 一种城市轨道交通路网限流组织方案优化方法 |
CN112541206A (zh) * | 2020-12-17 | 2021-03-23 | 中铁第四勘察设计院集团有限公司 | 一种用于车站客流分析的仿真方法、***、计算机设备及可读介质 |
CN112905659A (zh) * | 2021-02-05 | 2021-06-04 | 希盟泰克(重庆)实业发展有限公司 | 一种基于bim与人工智能的城市轨道交通数据分析方法 |
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 |
CN113902011A (zh) * | 2021-10-08 | 2022-01-07 | 南威软件股份有限公司 | 基于循环神经网络的城市轨道交通短时客流预测方法 |
WO2023056696A1 (zh) * | 2021-10-08 | 2023-04-13 | 南威软件股份有限公司 | 基于循环神经网络的城市轨道交通短时客流预测方法 |
Non-Patent Citations (1)
Title |
---|
"北京市轨道交通车站客流时空分布特征";王静;《城市交通》;第11卷(第06期);第18-27页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117132083A (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117132083B (zh) | 一种基于bim的城市轨道交通枢纽运维管理*** | |
US20220092418A1 (en) | Training method for air quality prediction model, prediction method and apparatus, device, program, and medium | |
US11708098B2 (en) | Method and device for optimizing target operation speed curve in ATO of train | |
WO2020125716A1 (zh) | 一种实现网络优化的方法及相关设备 | |
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*** | |
CN110751453B (zh) | 一种用于铁路通道能力瓶颈识别与消解的方法和*** | |
CN113723659B (zh) | 一种城市轨道交通全场景客流预测方法及*** | |
CN112874589A (zh) | 一种列车计划运行图自动调整***及方法 | |
CN103984993A (zh) | 一种轨道交通客流od分布实时推测方法 | |
CN116663854B (zh) | 一种基于智慧园区的资源调度管理方法、***及存储介质 | |
CN112036670A (zh) | 一种客流综合预测***及预测方法 | |
CN113487860A (zh) | 一种智能交通信号控制方法 | |
CN114464017B (zh) | 一种基于排队论的机场群航班延误估算方法 | |
CN116911568A (zh) | 一种公共交通智慧运营管理方法及*** | |
CN113553350B (zh) | 一种相似演化模式聚类及动态时区划分的交通流分区模型 | |
CN109087219B (zh) | 一种旅游云计算***及方法、终端 | |
Su et al. | Data‐Driven Method for Passenger Path Choice Inference in Congested Subway Network | |
CN114867031B (zh) | 一种卫星通信智能组网装置及方法 | |
CN116863723A (zh) | 一种数字孪生基座的使用方法 | |
CN116384807A (zh) | 基于模糊综合评价模型的航路网络拥挤态势评估方法 | |
CN111611332B (zh) | 航线中转的优化方法及*** | |
CN115796442A (zh) | 城市轨道交通区间客流量确定方法及*** | |
CN114463978A (zh) | 一种基于轨道交通信息处理终端的数据监测方法 | |
Yao et al. | Subway short-term passenger flow prediction based on improved LSTM | |
CN105117504A (zh) | 一种用于信号***的改进型旋转门数据采集方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A BIM based urban rail transit hub operation and maintenance management system Granted publication date: 20240130 Pledgee: China Co. truction Bank Corp Huizhou branch Pledgor: Huizhou jinxiongcheng Construction Technology Co.,Ltd. Registration number: Y2024980007940 |