JP5148416B2 - Passenger flow prediction system - Google Patents
Passenger flow prediction system Download PDFInfo
- Publication number
- JP5148416B2 JP5148416B2 JP2008225414A JP2008225414A JP5148416B2 JP 5148416 B2 JP5148416 B2 JP 5148416B2 JP 2008225414 A JP2008225414 A JP 2008225414A JP 2008225414 A JP2008225414 A JP 2008225414A JP 5148416 B2 JP5148416 B2 JP 5148416B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- passenger flow
- time zone
- past
- prediction system
- 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.)
- Expired - Fee Related
Links
- 238000007726 management method Methods 0.000 claims description 17
- 238000013500 data storage Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 3
- 229910003460 diamond Inorganic materials 0.000 claims description 3
- 239000010432 diamond Substances 0.000 claims description 3
- 230000036962 time dependent Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 description 37
- 239000013598 vector Substances 0.000 description 21
- 238000010586 diagram Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Devices For Checking Fares Or Tickets At Control Points (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Traffic Control Systems (AREA)
Description
本発明は、鉄道輸送における乗客流動予測システムに係り、特に、列車ダイヤが乱れたときに、その日の旅客流動を予測することにより、適切な運転整理を行えるようにすることができる乗客流動予測システムに関するものである。 The present invention relates to a passenger flow prediction system for rail transport, and in particular, a passenger flow prediction system capable of performing appropriate driving arrangement by predicting passenger flow of the day when a train schedule is disturbed. It is about.
従来、鉄道輸送において、乗客流動を把握する方法が提案されている。
また、高速道路などにおいても渋滞を予測する方法が提案されており、鉄道輸送においても、利用者個人個人の利用履歴から乗客流動を予測する方法が提案されている。
なお、鉄道輸送における利用者の配分方法（下記非特許文献１）としても提案されている。
In addition, a method for predicting a traffic jam on an expressway or the like has been proposed, and a method for predicting a passenger flow from a user's individual usage history has also been proposed for rail transport.
In addition, it has also been proposed as a user distribution method in rail transport (the following Non-Patent Document 1).
しかしながら、鉄道輸送において、乗客流動を自動改札機で得られる乗車情報に基づいた統計的な手法により予測する乗客流動予測手法については、これまで提案されていない。
本発明は、上記状況に鑑みて、鉄道輸送において、自動改札機で得られる乗車情報に基づいた統計的な手法により、乗客流動を確実に予測することができる乗客流動予測システムを提供することを目的とする。
However, a passenger flow prediction method for predicting passenger flow by a statistical method based on boarding information obtained by an automatic ticket gate in rail transport has not been proposed so far.
In view of the above situation, the present invention provides a passenger flow prediction system capable of reliably predicting passenger flow by a statistical method based on boarding information obtained by an automatic ticket gate in rail transport. Objective.
本発明は、上記目的を達成するために、
〔１〕鉄道輸送における乗客流動予測システムにおいて、鉄道の自動改札機からＯＤデータを得て、この得られたＯＤデータを情報管理所のＯＤデータ記憶装置に積み上げることにより全体の乗客流動データを把握し、この全体の乗客流動データを過去の乗客流動データとして活用することにより、未来の乗客流動を予測する鉄道輸送における乗客流動予測システムであって、事故や列車の乱れがない通常状態では、過去のＯＤデータを用いて前記未来の乗客流動を予測することを特徴とする。
In order to achieve the above object, the present invention provides
[1] In the passenger flow prediction system in railway transportation, from the train automatic ticket gate to obtain OD data, grasping the entire passenger flow data by stacking the resulting OD data to the OD data storage device information management office and, by utilizing this entire passenger flow data as the past passenger flow data to a passenger flow prediction system in railway transportation to predict the future passengers flow, in a normal state where there is no disturbance of accidents or trains past The future passenger flow is predicted using the OD data .
〔２〕上記〔１〕記載の鉄道輸送における乗客流動予測システムにおいて、前記過去のＯＤデータが過去の統計的に有意性のあるデータであることを特徴とする。
〔３〕上記〔１〕記載の鉄道輸送における乗客流動予測システムにおいて、現在の乗客流動の状態と、前記予測した乗客流動の状態が大きく異なる場合、乗客流動に異常が発生していると判断し、管轄の職員に通知し、表示することを特徴とする。
[ 2 ] In the passenger flow prediction system for rail transport described in [ 1 ] above, the past OD data is historically significant data.
[ 3 ] In the passenger flow prediction system for rail transport described in [1] above, if the current passenger flow state and the predicted passenger flow state are significantly different, it is determined that an abnormality has occurred in the passenger flow. , To notify and display to the staff in charge.
〔４〕上記〔３〕記載の鉄道輸送における乗客流動予測システムにおいて、前記管轄の職員は、司令員や駅員であることを特徴とする。
〔５〕上記〔３〕記載の鉄道輸送における乗客流動予測システムにおいて、
前記自動改札機からの情報によって得られた時間帯別ＯＤデータが記憶される情報管理所の過去の時間帯別ＯＤデータ記憶装置と、前記自動改札機からの情報によって得られた当日の時間帯別ＯＤデータが記憶される前記情報管理所の当日の時間帯別ＯＤデータ記憶装置と、前記情報管理所において、前記当日の時間帯別ＯＤデータに類似する過去の時間帯別ＯＤデータを持つ日を前記過去の時間帯別ＯＤデータから検索する手段とを備え、当日の予測すべき未来の時間帯別ＯＤデータを、当日の時間帯別ＯＤデータに最も類似する過去の時間帯別ＯＤデータを持つ日の時間帯別のデータによって予測することを特徴とする。
[ 4 ] In the passenger flow prediction system for rail transport described in [ 3 ] above, the staff in charge is a commander or a station staff.
[ 5 ] In the passenger flow prediction system for rail transport described in [ 3 ] above,
And past time zone OD data SL憶device information management plant time zone OD data obtained are stored by the information from the automatic ticket gate, on the day obtained by the information from the automatic ticket gate The OD data storage device for the time zone of the day of the information management office where the OD data for the time zone is stored, and the OD data for the past time zone similar to the OD data for the time zone of the day at the information management office. Means for retrieving the day of possession from the past time zone OD data, and the future time zone OD data to be predicted for the current day is the most similar to the time zone OD data of the past. The prediction is based on the data for each time zone of the day with data.
〔６〕上記〔５〕記載の乗客流動予測システムにおいて、前記時間帯別ＯＤデータをダイヤデータと組み合わせて用いることによって乗客流動を予測することを特徴とする。 [ 6 ] The passenger flow prediction system according to [ 5 ], wherein passenger flow is predicted by using the time-dependent OD data in combination with diamond data.
本発明によれば、鉄道輸送の自動改札機から得られる時間帯別ＯＤデータを用いることで、乗客流動を予測して、鉄道輸送の運転整理を行う際に列車の運行区間や本数を適切に設定することができる。 According to the present invention, by using time-dependent OD data obtained from an automatic ticket gate for railway transportation, it is possible to predict the passenger flow and appropriately set the operation section and number of trains when organizing the railway transportation operation. Can be set.
本発明の乗客流動予測システムは、鉄道の自動改札機からＯＤデータを得て、この得られたＯＤデータを情報管理所のＯＤデータ記憶装置に積み上げることにより全体の乗客流動データを把握し、この全体の乗客流動データを過去の乗客流動データとして活用することにより、未来の乗客流動を予測する鉄道輸送における乗客流動予測システムであって、事故や列車の乱れがない通常状態では、過去のＯＤデータを用いて前記未来の乗客流動を予測する。 Passenger flow prediction system of the present invention, from the train of the automatic ticket gate to obtain OD data, to grasp the entire passenger flow data by stacking the resulting OD data to the OD data storage device information management office, this It is a passenger flow prediction system for rail transport that predicts future passenger flow by using the entire passenger flow data as past passenger flow data. In normal conditions without accidents and train disturbances, past OD data Is used to predict the future passenger flow .
以下、本発明の実施の形態について詳細に説明する。
詳細な説明を行う前に用語の解説を行う。
（１）時間帯別通過データ
自動改札機を通過した利用者の人数を時間帯別に集計したデータである。通常は、通勤定期、通学定期、普通乗車券といった利用者の乗車券類の種類ごとに集計される。この時間帯別通過データの例を表１に示す。
Hereinafter, embodiments of the present invention will be described in detail.
Glossary of terms before explaining in detail.
(1) Passing data by time zone This data is the total number of users who have passed through the automatic ticket gates by time zone. Usually, it is tabulated for each type of user's ticket such as commuting period, commuting period, and ordinary ticket. An example of the passage data by time zone is shown in Table 1.
表１中の種別は、各データの示す人数が改札を入場した利用者の人数を表すのか、出場した利用者の人数なのかを表す。また、総通過より右の列に記載された数値は、それぞれの時間帯における、各乗車券種ごとの人数を表す。
（２）時間帯別ＯＤデータ
利用者の出発駅（Ｏ）と到着駅（Ｄ）の組み合わせごとに人数を集計したデータをＯＤデータと言い、一日を複数の時間帯に分割し、それぞれの時間帯において集計したＯＤデータを時間帯別ＯＤデータという。時間帯別ＯＤデータは、通常、通勤定期、通学定期、普通乗車券といった利用者の乗車券類の種類ごとに集計されている。時間帯別ＯＤデータの例を表２に示す。
The type in Table 1 indicates whether the number of users indicated by each data represents the number of users who entered the ticket gate or the number of users who entered. Moreover, the numerical value described in the right column from the total passage represents the number of people for each type of ticket in each time zone.
(2) OD data by time zone The data that totals the number of users for each combination of departure station (O) and arrival station (D) is called OD data, and the day is divided into multiple time zones. The OD data aggregated in the time zone is called OD data by time zone. The OD data by time zone is usually tabulated for each type of user's ticket such as a commuting period, a commuting period, and an ordinary ticket. Table 2 shows an example of OD data by time zone.
図１は本発明にかかる推定対象の鉄道ネットワーク例を示す図である。
この図には、関西の鉄道ネットワークが示されており、路線数が２０路線、駅数が３２１駅、列車本数が４７８５本（一日）、利用人数２６０万人／日（９５１百万人）となっている。これらは利用者は乗車駅で乗車券を投入して自動改札機を通過して列車に乗車し、終着駅で乗車券を投入して自動改札機を通過して目的地へと向かう。
FIG. 1 is a diagram showing an example of a railway network to be estimated according to the present invention.
This figure shows the Kansai railway network, with 20 routes, 321 stations, 4785 trains (daily), 2.6 million passengers / day (951 million) It has become. The user inserts a ticket at the boarding station, passes through the automatic ticket gate, gets on the train, enters the ticket at the terminal station, passes through the automatic ticket gate, and heads for the destination.
このように、鉄道の自動改札機から乗客のＯＤデータを得て、このＯＤデータを積み上げることにより全体の乗客流動データを把握し、この全体の乗客流動データを過去のデータとして活用することにより、未来の乗客流動を予測することが可能になる。
例えば、事故や列車の乱れなどがない通常状態では、１週間前のデータを用いて未来の乗客の流動を予測する。また、正月やお盆といった季節要因に大きく影響される日には、１年前のＯＤデータを用いるようにして、過去の統計的に有意性のあるＯＤデータを用いて流動予測を行う。
In this way, by obtaining passenger OD data from railway automatic ticket gates, accumulating this OD data to grasp overall passenger flow data, and utilizing this overall passenger flow data as past data, Future passenger flow can be predicted.
For example, in a normal state where there are no accidents or train disturbances, the flow of passengers in the future is predicted using data one week ago. In addition, on days that are greatly affected by seasonal factors such as the New Year and the Bon Festival, OD data from one year ago is used, and flow prediction is performed using past statistically significant OD data.
一方、現在の乗客流動と予測した乗客流動の状態が大きく異なる場合、乗客流動に異常が発生していると判断し、管轄の職員（指令員や駅員など）に通知すると共に、予測当日の現時点までの実測値を過去のデータと比較して、最も類似するデータの日を検索し、その日の時間帯別ＯＤデータを用いて乗客流動を予測する。
図２は本発明の第１実施例を示す鉄道輸送における乗客流動予測方法の説明図であり、その予測すべき当日の自動改札機通過データを表している。図３は、図２における自動改札機通過データに類似する過去の自動改札機通過データを示す図である。
On the other hand, if the current passenger flow is significantly different from the predicted passenger flow, it is judged that an abnormality has occurred in the passenger flow, and notification is given to the competent staff (commander, station staff, etc.) The actual measured value up to is compared with past data, the date of the most similar data is searched, and passenger flow is predicted using the OD data according to the time zone of that day.
FIG. 2 is an explanatory diagram of the passenger flow prediction method in rail transport showing the first embodiment of the present invention, and represents the automatic ticket checker passage data of the day to be predicted. FIG. 3 is a diagram showing past automatic ticket gate passage data similar to the automatic ticket gate passage data in FIG.
この実施例では、類似する過去の日付を検索する際の情報として自動改札機通過データを用いる。ここでは、過去の各駅における自動改札機通過データを蓄積しておき、その蓄積された自動改札機通過データから予測当日と統計的に近い過去の日のデータを検索し、検索された日の時間帯別ＯＤデータを微調整して当日の時間帯別ＯＤデータの予測値として用いる。 In this embodiment, automatic ticket checker passage data is used as information when searching for similar past dates. Here, the automatic ticket gate passage data at each station in the past is accumulated, the data of the past day that is statistically close to the predicted day is searched from the accumulated automatic ticket gate passage data, and the time of the retrieved day Fine adjustment of the OD data by band is used as a predicted value of the OD data by time of the day.
例えば、図２に示すように、予測当日に実測値として自動改札機通過データａが得られている場合、過去の蓄積された自動改札機通過データから、データａと最も類似する、同じ時間帯の過去の自動改札機通過データｃを検索し、図３のようなデータを抽出する。
抽出された過去の自動改札機通過データから、図２における未来の自動改札機通過データは、図３のようになると予測することができる。つまり、図３における過去の自動改札機通過データｄを図２における点線で表される予測当日の未来の予測値ｂとして得ることができる。すなわち、図２における未来の自動改札機通過データｂは、実線で得られた現在までの自動改札機通過データａと最も類似する自動改札機通過データｃをもつ過去の日付の自動改札機通過データｄに一致する傾向があると予測する。その最も類似する過去日付の時間帯別ＯＤデータを、微調整して、予測当日の時間帯別ＯＤデータの未来の予測値として乗客流動を予測する。
For example, as shown in FIG. 2, when automatic ticket checker passage data a is obtained as an actual measurement value on the prediction day, the same time zone that is most similar to data a from the past automatic ticket checker passage data is accumulated. The past automatic ticket checker passage data c is retrieved, and data as shown in FIG. 3 is extracted.
From the extracted past automatic ticket gate passage data, it can be predicted that the future automatic ticket gate passage data in FIG. 2 will be as shown in FIG. That is, the past automatic ticket checker passage data d in FIG. 3 can be obtained as the future predicted value b on the prediction day represented by the dotted line in FIG. That is, the future automatic ticket gate passage data b in FIG. 2 is the past date automatic ticket gate passage data having the automatic ticket gate passage data c most similar to the automatic ticket gate passage data a obtained up to the present. Predict that there is a tendency to match d. The OD data by time zone of the most similar past date is finely adjusted, and passenger flow is predicted as a future predicted value of the OD data by time zone of the prediction day.
自動改札機通過データから予測当日と近い過去のデータを持つ日を検索する方法としては、以下のような方法がある。
（１）駅ごとの自動改札機通過データから検索する方法
表１の時間帯別通過データでは１行に１つの時間帯の通過データを表記しているが、このようなデータを行列で表すと以下のようになる。
As a method of searching for a date having past data close to the predicted day from the automatic ticket checker passage data, there are the following methods.
(1) Method of searching from automatic ticket gate passing data for each station In the passing data by time zone of Table 1, passing data of one time zone is described in one row. When such data is represented by a matrix, It becomes as follows.
この行列の行ごとのデータを順に一つの行に並べると、以下のような次元の極めて大きな（数十〜数百次元の）ベクトルとみなすことができる。
（ｘ11，ｘ12，ｘ13，ｘ14，…，ｘ21，ｘ22，ｘ23，ｘ24，…，ｘ31，ｘ32，ｘ33，ｘ34，…，ｘ41，ｘ42，ｘ43，ｘ44，…，…）
予測を行う日と最も類似する日を検索するには、予測を行う時点までのある一定個数の時間帯別通過データの実測値を取り出して、上記のようなベクトルを作る。同時に、蓄積された過去の時間帯別通過データでも、条件が同じ時間帯のデータから同様にベクトルを作り、両者を比較して最も類似するデータを持つ日を、予測当日と類似する日とみなす。
If the data for each row of this matrix is arranged in one row in order, it can be regarded as a vector having a very large dimension (several tens to several hundreds of dimensions) as follows.
(X 11, x 12, x 13, x 14, ..., x 21, x 22, x 23, x 24, ..., x 31, x 32, x 33, x 34, ..., x 41, x 42, x 43 , x 44 , ..., ...)
In order to search for the day most similar to the day on which the prediction is performed, a certain number of actually measured values of the passage data by time period until the time of the prediction are taken out and a vector as described above is created. At the same time, in the accumulated past passage data by time zone, a vector is similarly created from data in the same time zone, and the day with the most similar data is compared and the day with the most similar data is regarded as the day similar to the forecast day. .
例えば、午前８時に予測を行うとして、２４時間分のデータを比較に用いる場合を考える。この場合、前日の午前８時から当日の午前８時までの時間帯別通過データの実測値を収集し、収集されたデータから上記のようなベクトルを生成する。同様に、蓄積された過去の時間帯別通過データで全ての日において午前８時までの２４時間分のベクトルを生成する。このようにして、生成された当日のベクトルに最も近い過去のベクトルを持つ日を検索する。例として、比較・検索に用いるデータを２４時間としたが、これは４８時間でも、当日の最初のデータから予測を行う時刻までのデータでも、前日の最初のデータから予測を行う時刻までのデータでもかまわない。また、入場データのみでも出場データのみでも、入場と出場の両方のデータを用いてかまわない。 For example, suppose that prediction is performed at 8:00 am and data for 24 hours is used for comparison. In this case, the measured values of the passage data by time period from 8:00 am on the previous day to 8:00 am on the current day are collected, and the vector as described above is generated from the collected data. Similarly, vectors for 24 hours up to 8 am on all days are generated from the accumulated past passage data by time zone. In this way, a day having a past vector closest to the generated current day vector is searched. As an example, the data used for comparison / search is 24 hours, but this is 48 hours, even the data from the first data of the day to the time of prediction, the data from the first data of the previous day to the time of prediction. But it doesn't matter. In addition, it is possible to use both the entrance data and the entrance data alone, or the entrance data alone.
当日のデータのベクトルと過去のデータのベクトルの比較方法として、相関係数を用いる方法と、ベクトル間の距離を用いる方法、ベクトルのなす角を用いる方法がある。
相関係数を用いる方法では、当日のデータとピアソンの積率相関係数が最も大きな値を示す過去のデータを検索する。
As a method for comparing the vector of the current day and the vector of past data, there are a method using a correlation coefficient, a method using a distance between vectors, and a method using an angle formed by vectors.
In the method using the correlation coefficient, past data in which the data of the day and the Pearson product-moment correlation coefficient have the largest value is searched.
あるいは、券種ごとに比ｒを計算し、時間帯別ＯＤデータの同じ券種に券種ごとの比ｒを乗じることで行う。
（２）全駅の自動改札機通過データから検索する方法
駅ごとの自動改札機通過データから検索する方法では、駅ごとに比較用のベクトルを生成していたが、この方法では，全ての駅の通過データから１つの比較用のベクトルを生成して、類似するベクトルを過去のデータの蓄積から検索する。
Alternatively, the ratio r is calculated for each ticket type, and the same ticket type in the OD data for each time zone is multiplied by the ratio r for each ticket type.
(2) Method of searching from automatic ticket gate passage data of all stations In the method of searching from automatic ticket gate passage data of each station, a comparison vector was generated for each station. A comparison vector is generated from the passage data of the first and a similar vector is searched from the past data accumulation.
駅ごとの自動改札機通過データから検索する場合と同様、比較に用いるデータは、予測を行う当日までの２４時間分のデータでも、４８時間分のデータでもかまわない。また、比較方法も、同様にベクトル間の相関係数を用いる方法、ベクトル間の距離を用いる方法、ベクトルのなす角を用いる方法がある。
ベクトルが最も類似する過去のデータを検索したら、その日の時間帯別ＯＤデータを微調整することで，当日の時間帯別ＯＤデータの予測値として利用することも駅ごとの通過データを用いる場合と同様である。
As in the case of searching from the automatic ticket gate passing data for each station, the data used for the comparison may be data for 24 hours or data for 48 hours until the day of prediction. Similarly, the comparison method includes a method using a correlation coefficient between vectors, a method using a distance between vectors, and a method using an angle formed by vectors.
If you search for past data with the most similar vectors, you can fine-tune the OD data by time of the day to use it as a predicted value for OD data by time of the day, It is the same.
次に、第２実施例について説明する。
第２実施例では、類似する過去の日付を検索する際のデータとして、時間帯別ＯＤデータを用いる。
過去の時間帯別ＯＤデータを蓄積しておき、その蓄積された時間帯別ＯＤデータから予測当日と統計的に近い過去の日のデータを検索し、検索された日の時間帯別ＯＤデータを微調整して当日の時間帯別ＯＤデータの予測値として用いる手法である。時間帯別ＯＤデータから予測当日と近い過去のデータを持つ日を検索する方法としては、以下に挙げるような方法がある。
Next, a second embodiment will be described.
In the second embodiment, time-based OD data is used as data for searching for similar past dates.
Past OD data by time zone is accumulated, data of the past day that is statistically close to the predicted day is searched from the accumulated OD data by time zone, and OD data by time zone of the searched day is obtained. This is a technique that is used as a predicted value of OD data by time zone of the day after fine adjustment. As a method for searching a day having past data close to the predicted day from the OD data by time zone, there are methods as described below.
（１）ＯＤの組み合わせごとに検索する方法
表２に示す時間帯別ＯＤデータでは、１番目のＯＤ組み合わせについて１日の最初の時間帯から最後の時間帯までのデータが１行ずつ記録され、次に２番目のＯＤ組み合わせについて同様に記録され、残りのＯＤ組み合わせについても同様に記録される。このデータから、１つのＯＤ組み合わせのデータのみ取り出せば、表１の時間帯別通過データから入場／出場の種別を省いたデータと同等の形式になる。
(1) Method of searching for each OD combination In the OD data by time zone shown in Table 2, data from the first time zone to the last time zone of the first day is recorded line by line for the first OD combination. Next, the second OD combination is similarly recorded, and the remaining OD combinations are similarly recorded. If only one OD combination data is extracted from this data, the format is equivalent to the data obtained by omitting the type of entry / exit from the time-based passing data in Table 1.
したがって、ＯＤ組み合わせごとに検索する方法は、駅ごとの通過データから検索する方法と全く同様な手法により予測当日とＯＤデータが類似する過去の日付を検索することができる。
検索された日付の時間帯別ＯＤデータは微調整して予測データとして用いることも、駅ごとの通過データから予測する場合と同様である。
Therefore, the search method for each OD combination can search for past dates in which the predicted day and the OD data are similar by the same method as the search method from the passage data for each station.
The OD data by time zone of the retrieved date is finely adjusted and used as prediction data, as in the case of prediction from passing data for each station.
（２）全てのＯＤ組み合わせから検索する方法
上記したＯＤ組み合わせごとに検索する方法では、一つのＯＤ組み合わせごとに比較用のベクトルを生成して類似する過去の日付を検索するが、この方法では、ＯＤの組み合わせごとに生成されるベクトルを全て組み合わせて、極めて大きな次元（数千次元以上）のベクトルを生成し、過去の日付を検索する。過去の日付を検索した後は、ＯＤ組み合わせごとに検索する方法と同様である。
(2) Method of searching from all OD combinations In the method of searching for each OD combination described above, a comparison vector is generated for each OD combination to search for similar past dates. In this method, All vectors generated for each combination of ODs are combined to generate a vector having an extremely large dimension (several thousand dimensions or more), and a past date is searched. After searching for past dates, it is the same as the method of searching for each OD combination.
次に、第３実施例について説明する。
第３実施例では、類似する過去の日付を検索する際、蓄積された時間帯別ＯＤデータを一種の信号波形とみなし、信号処理の手法を適用することで将来の時間帯別ＯＤデータを予測するものである。具体的には、ＯＤの組み合わせごとに、予測を実施するまでの時間帯別ＯＤデータをフーリエ変換や線形予測法などの周波数分析手法を用いて周波数分析を行い、分析結果を逆フーリエ変換することで今後の時間帯別ＯＤデータの波形を予測する。予測には各ＯＤの総通過を使う方法と、券種ごとの時間帯別ＯＤデータを使う方法がある。券種ごとの時間帯別ＯＤデータを用いる方法では、券種ごとに周波数分析を行って予測波形を生成する。
Next, a third embodiment will be described.
In the third embodiment, when searching for similar past dates, the accumulated time-based OD data is regarded as a kind of signal waveform, and a signal processing technique is applied to predict future time-based OD data. To do. Specifically, for each OD combination, frequency analysis is performed on the OD data for each time period until the prediction is performed using a frequency analysis method such as Fourier transform or linear prediction method, and the analysis result is subjected to inverse Fourier transform. To predict the waveform of OD data by time zone in the future. For prediction, there are a method of using the total passage of each OD and a method of using OD data by time zone for each ticket type. In the method using OD data classified by time zone for each ticket type, a predicted waveform is generated by performing frequency analysis for each ticket type.
図４は本発明の実施例を示す鉄道輸送における乗客流動予測システムの構成図、図５はその乗客流動予測システムの情報管理所のブロック図である。
これらの図において、１〜１０はある路線の駅、１１〜２０はその駅１〜１０に設置される自動改札機、２１は自動改札機１１〜２０からの乗客の乗降情報を受信する情報管理所であり、この情報管理所２１では時間帯別ＯＤデータが編集される。この情報管理所２１は、入力インターフェース２１Ａ，２１Ｂと、ＣＰＵ（中央処理装置）２１Ｃと、過去の時間帯別ＯＤデータ記憶装置２１Ｅと、当日の時間帯別ＯＤデータ記憶装置２１Ｄと、情報管理所２１とその路線を運行中の鉄道車両３１との通信をとるための無線送信装置２１Ｆ、この無線送信装置２１Ｆに接続される送信アンテナ２２を備えている。また、鉄道車両３１は情報管理所２１に設置されている送信アンテナ２２からの情報を受信する受信アンテナ３２を備えており、この受信アンテナ３２より得られた情報は、運転席の表示装置（図示なし）に表示することができる。
FIG. 4 is a block diagram of a passenger flow prediction system in rail transport showing an embodiment of the present invention, and FIG. 5 is a block diagram of an information management office of the passenger flow prediction system.
In these figures, 1 to 10 are stations on a certain route, 11 to 20 are automatic ticket gates installed at the stations 1 to 10, and 21 is information management for receiving passenger boarding / exiting information from the automatic ticket gates 11 to 20. This information management center 21 edits OD data for each time zone. The information management office 21 includes an input interface 21A, and 21B, a CPU (central processing unit) 21C, and the past time zone OD data SL憶device 21E, and the time zone OD data storage device 21D of the day, information A radio transmission device 21F for communicating with the management office 21 and a railway vehicle 31 operating on the route is provided, and a transmission antenna 22 connected to the radio transmission device 21F. Further, the railway vehicle 31 includes a receiving antenna 32 that receives information from the transmitting antenna 22 installed in the information management office 21, and information obtained from the receiving antenna 32 is displayed on a driver seat display device (illustrated). None).
図６は本発明の実施例を示す鉄道輸送における乗客流動予測システムの模式図である。
この図において、４１は運行管理システム、４２はその運行管理システム４１から得られるダイヤデータ、４３は各駅（例えば，Ａ駅、Ｂ駅、Ｃ駅）に配置される自動改札機、４４〜４６は各駅（例えば，Ａ駅、Ｂ駅、Ｃ駅）ごとの時間帯別ＯＤデータであり、ダイヤデータ４２と時間帯別ＯＤデータ４４〜４６を利用することにより、あるダイヤにおける各駅（例えば，Ａ駅、Ｂ駅、Ｃ駅）ごとの乗客流動を予測する。
FIG. 6 is a schematic diagram of a passenger flow prediction system in rail transport showing an embodiment of the present invention.
In this figure, 41 is an operation management system, 42 is a diagram data obtained from the operation management system 41, 43 is an automatic ticket gate arranged at each station (for example, A station, B station, C station), 44 to 46 are It is OD data classified by time zone for each station (for example, A station, B station, C station). By using the diagram data 42 and the OD data 44 to 46 by time zone, each station (for example, A station) , B station, C station).
なお、本発明は上記実施例に限定されるものではなく、本発明の趣旨に基づき種々の変形が可能であり、これらを本発明の範囲から排除するものではない。 In addition, this invention is not limited to the said Example, Based on the meaning of this invention, a various deformation | transformation is possible and these are not excluded from the scope of the present invention.
本発明の乗客流動予測システムは、鉄道輸送の自動改札機で得られる時間帯別ＯＤデータを用いることで乗客流動を予測し、鉄道輸送の運転整理を行う際に列車の運行区間や本数を適切に設定することができるシステムとして利用可能である。 The passenger flow prediction system of the present invention predicts passenger flow by using OD data by time zone obtained by automatic ticket gates for railway transport, and appropriately manages train operation sections and numbers when organizing railway transport operations. It can be used as a system that can be set to
１〜１０ ある路線の駅
１１〜２０ 自動改札機
２１ 情報管理所
２１Ａ，２１Ｂ 入力インターフェース
２１Ｃ ＣＰＵ（中央処理装置）
２１Ｄ 当日の時間帯別ＯＤデータ記憶装置
２１Ｅ 過去の時間帯別ＯＤデータ記憶装置
２１Ｆ 無線送信装置
２２ 送信アンテナ
３１ 鉄道車両
３２ 受信アンテナ
４１ 運行管理システム
４２ ダイヤデータ
４３ 各駅（例えば，Ａ駅、Ｂ駅、Ｃ駅）に配置される自動改札機
４４〜４６ 各駅（例えば，Ａ駅、Ｂ駅、Ｃ駅）ごとの時間帯別ＯＤデータ
1-10 Station on a certain route 11-20 Automatic ticket gate 21 Information management office 21A, 21B Input interface 21C CPU (Central Processing Unit)
21D day of hourly OD data storage device 21E past time zone OD data SL憶device 21F wireless transmission device 22 transmitting antenna 31 railcar 32 receive antenna 41 operation control system 42 diamond data 43 stations (e.g., A Station, Automatic ticket gates 44-46 located at B station and C station) OD data by time zone for each station (for example, A station, B station, C station)
Claims (6)
（ａ）前記自動改札機からの情報によって得られた時間帯別ＯＤデータが記憶される情報管理所の過去の時間帯別ＯＤデータ記憶装置と、
（ｂ）前記自動改札機からの情報によって得られた当日の時間帯別ＯＤデータが記憶される前記情報管理所の当日の時間帯別ＯＤデータ記憶装置と、
（ｃ）前記情報管理所において、前記当日の時間帯別ＯＤデータに類似する過去の時間帯別ＯＤデータを持つ日を前記過去の時間帯別ＯＤデータから検索する手段とを備え、
（ｄ）当日の予測すべき未来の時間帯別ＯＤデータを、当日の時間帯別ＯＤデータに最も類似する過去の時間帯別ＯＤデータを持つ日の時間帯別のデータによって予測することを特徴とする乗客流動予測システム。 In the passenger flow prediction system for rail transport according to claim 3 ,
(A) and past time zone OD data SL憶apparatus of the information management plant time zone OD data obtained by the information from the automatic ticket gate is stored,
(B) the OD data storage device for the time zone of the day of the information management office in which the OD data for the time zone of the day obtained by the information from the automatic ticket gate is stored;
(C) The information management center includes means for searching the past time zone OD data for days having past time zone OD data similar to the time zone OD data of the day,
(D) The future time zone OD data to be predicted on the current day is predicted by the time zone data having the past time zone OD data most similar to the day time zone OD data. Passenger flow prediction system.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2008225414A JP5148416B2 (en) | 2008-09-03 | 2008-09-03 | Passenger flow prediction system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2008225414A JP5148416B2 (en) | 2008-09-03 | 2008-09-03 | Passenger flow prediction system |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2010061321A JP2010061321A (en) | 2010-03-18 |
| JP5148416B2 true JP5148416B2 (en) | 2013-02-20 |
Family
ID=42188064
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2008225414A Expired - Fee Related JP5148416B2 (en) | 2008-09-03 | 2008-09-03 | Passenger flow prediction system |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP5148416B2 (en) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105512772A (en) * | 2015-12-22 | 2016-04-20 | 重庆邮电大学 | Dynamic people flow early warning method based on mobile network signaling data |
| CN108491958A (en) * | 2018-02-11 | 2018-09-04 | 浙江工业大学 | Short-time bus passenger flow chord invariant prediction method |
| CN108710321A (en) * | 2018-05-16 | 2018-10-26 | 上海应用技术大学 | Rail transit cars congestion state monitors system |
| TWI815708B (en) * | 2021-10-22 | 2023-09-11 | 韓商韓領有限公司 | Electronic apparatus for processing information for item delivery service and method thereof |
Families Citing this family (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5800537B2 (en) * | 2011-03-18 | 2015-10-28 | 株式会社日立製作所 | Passenger flow prediction device |
| JP5856456B2 (en) * | 2011-12-02 | 2016-02-09 | 株式会社日立製作所 | Human flow prediction apparatus and method |
| JP5712120B2 (en) * | 2011-12-13 | 2015-05-07 | 株式会社日立製作所 | Information provision system |
| JP5952711B2 (en) * | 2012-10-24 | 2016-07-13 | Kddi株式会社 | Prediction server, program and method for predicting future number of comments in prediction target content |
| JP6060635B2 (en) * | 2012-11-13 | 2017-01-18 | 富士通株式会社 | Residence information calculation method, residence information calculation device, and program |
| JP5959419B2 (en) | 2012-11-26 | 2016-08-02 | 株式会社日立製作所 | Train operation management system and control method of train operation management system |
| JP6170772B2 (en) * | 2013-07-24 | 2017-07-26 | 株式会社ナビタイムジャパン | Information processing system, information processing apparatus, information processing method, and information processing program |
| JP6224123B2 (en) * | 2013-10-28 | 2017-11-01 | 株式会社日立製作所 | Train diagram creation support system and train diagram creation support method |
| JP6116512B2 (en) * | 2014-03-25 | 2017-04-19 | 株式会社日立製作所 | Automatic train operation system, train operation support system and train operation management system |
| JP6527710B2 (en) * | 2015-02-18 | 2019-06-05 | 株式会社日立製作所 | Railway information providing system and railway information providing method |
| CN105095993A (en) * | 2015-07-22 | 2015-11-25 | 济南市市政工程设计研究院（集团）有限责任公司 | System and method for predicting passenger flow volume of railway stations |
| CN106297288B (en) * | 2016-08-23 | 2019-06-11 | 同济大学 | A kind of acquisition of bus passenger passenger flow data and analysis method |
| JP6872331B2 (en) * | 2016-09-09 | 2021-05-19 | 株式会社日立製作所 | Evaluation system and evaluation method |
| CN109035770B (en) * | 2018-07-31 | 2022-01-04 | 上海世脉信息科技有限公司 | Real-time analysis and prediction method for bus passenger capacity in big data environment |
| JP7163105B2 (en) * | 2018-08-27 | 2022-10-31 | 株式会社日立製作所 | Demand forecasting system and method |
| CN111091196B (en) * | 2019-11-15 | 2022-08-02 | 佳都科技集团股份有限公司 | Passenger flow data determination method and device, computer equipment and storage medium |
| CN112288122B (en) * | 2019-11-28 | 2024-02-27 | 南京行者易智能交通科技有限公司 | Bus rapid commuting line design method based on passenger flow OD big data |
| CN111667121A (en) * | 2020-06-15 | 2020-09-15 | 常州市规划设计院 | Method for predicting initial passenger flow of rail transit line based on mobile phone signaling data |
| CN112071067A (en) * | 2020-09-17 | 2020-12-11 | 成都登辉科技有限公司 | Platform door passenger flow analysis module, platform door passenger flow analysis method, platform door passenger flow analysis system and platform door passenger flow analysis method |
| CN112508303B (en) * | 2020-12-22 | 2022-09-27 | 西南交通大学 | OD passenger flow prediction method, device, equipment and readable storage medium |
| KR102678725B1 (en) * | 2021-10-29 | 2024-06-26 | 서울시립대학교 산학협력단 | Apparatus and method for predicting congestion by subway car using deep learning |
| CN116128160B (en) * | 2023-04-04 | 2023-07-28 | 北京经纬信息技术有限公司 | Method, system, equipment and medium for predicting peak passenger flow of railway station |
| CN116187585B (en) * | 2023-04-19 | 2023-07-14 | 杭州数知梦科技有限公司 | Method, device and application for predicting BRT bus route of passenger |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3520189B2 (en) * | 1997-12-01 | 2004-04-19 | 株式会社日立製作所 | Passenger flow estimation system |
-
2008
- 2008-09-03 JP JP2008225414A patent/JP5148416B2/en not_active Expired - Fee Related
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105512772A (en) * | 2015-12-22 | 2016-04-20 | 重庆邮电大学 | Dynamic people flow early warning method based on mobile network signaling data |
| CN105512772B (en) * | 2015-12-22 | 2020-09-15 | 重庆邮电大学 | Dynamic pedestrian flow early warning method based on mobile network signaling data |
| CN108491958A (en) * | 2018-02-11 | 2018-09-04 | 浙江工业大学 | Short-time bus passenger flow chord invariant prediction method |
| CN108491958B (en) * | 2018-02-11 | 2021-05-07 | 浙江工业大学 | Short-time bus passenger flow chord invariant prediction method |
| CN108710321A (en) * | 2018-05-16 | 2018-10-26 | 上海应用技术大学 | Rail transit cars congestion state monitors system |
| TWI815708B (en) * | 2021-10-22 | 2023-09-11 | 韓商韓領有限公司 | Electronic apparatus for processing information for item delivery service and method thereof |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2010061321A (en) | 2010-03-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5148416B2 (en) | Passenger flow prediction system | |
| JP5959419B2 (en) | Train operation management system and control method of train operation management system | |
| CN103282258B (en) | Travel process prediction system, device and method | |
| JP6178226B2 (en) | Human flow guidance system and human flow guidance method | |
| WO2014061111A1 (en) | Transportation analysis system | |
| Rama et al. | A reliability analysis of railway switches | |
| Lin et al. | Quantitative causal analysis of mainline passenger train accidents in the United States | |
| Iliopoulou et al. | Identifying spatio-temporal patterns of bus bunching in urban networks | |
| Barabino et al. | Regularity diagnosis by automatic vehicle location raw data | |
| Ma et al. | Estimation of denied boarding in urban rail systems: alternative formulations and comparative analysis | |
| KR101071902B1 (en) | system for estimating public transportation system with operator's views | |
| Nazem et al. | Analysis of travel pattern changes due to a medium-term disruption on public transit networks using smart card data | |
| Itani et al. | Managing unplanned rail disruptions: policy implications and guidelines towards an effective bus bridging strategy | |
| Xu et al. | Research on passenger flow and energy consumption in a subway system with fuzzy passenger arrival rates | |
| JP4627303B2 (en) | Driving arrangement support system | |
| Eom et al. | Analysis of public transit service performance using transit smart card data in Seoul | |
| Arslan Asim et al. | Transit Users’ Mode Choice Behavior During Light Rail Transit Short-Term Planned Service Disruption | |
| Tsai | A self-learning advanced booking model for railway arrival forecasting | |
| US10402755B2 (en) | Transportation service information providing apparatus, and transportation service information providing method | |
| Graves et al. | Customer journey time metrics for New York city bus service using big data | |
| Halvorsen et al. | Passenger-Centric Performance Metrics for the New York City Subway | |
| Carrel et al. | A framework for evaluating operations control on a metro line: integrating multiple perspectives and automatically collected train and passenger movement data | |
| Schil | Measuring journey time reliability in London using automated data collection systems | |
| Durand et al. | Assessing and improving operational strategies for the benefit of passengers in rail-bound urban transport systems | |
| JP7295723B2 (en) | MAINTENANCE WORK PLANNING SUPPORT DEVICE AND MAINTENANCE WORK PLANNING SUPPORT METHOD |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20101115 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20120307 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20120327 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20120413 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20121127 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20121128 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 5148416 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20151207 Year of fee payment: 3 |
|
| LAPS | Cancellation because of no payment of annual fees |