基于自动售检票数据的轨道车站客流识别模型

为探究城市轨道交通车站客流模式,采用轨道自动售检票(automatic fare collection,AFC)数据,构建客流指标,提出了一种基于K-means聚类算法的站点客流识别模型。以重庆轨道3号线连续1个月的AFC数据为例,探讨工作日、周末、节假日时期不同客流指标和综合多变量指标的聚类结果。结果表明:不同时期客流指标能够促进车站客流识别;将站点客流模式分为7类时,聚类效能最佳;通过连续1周和连续1个月聚类结果对比,验证了分类结果具有良好的稳定性。结合结果数据特征和站点实际情况对车站客流特点进行归纳总结。

城市道路拥堵情况下的智能公交动态调度模式

为解决传统公交在城市道路拥堵情况下公交服务水平大幅下降的问题,文章提出了以变更公交行驶路径为核心的智能公交调度模式。该模式以车内乘客乘车时间、变更路段站点乘客候车时间以及后面站点乘客候车时间为决策指标,确定是否变更行驶路径。实例表明,变更行驶路径在发车间隔越密集、原路径越拥堵、被越过站点乘客到达数少、后面乘客到达数多以及后面站点数多时,效果最佳。

基于AFC数据的轨道站点分类研究

为探究城市轨道交通各站点乘客出行特征,提出一种基于数据挖掘的站点分类研究方法.使用城市轨道进出站刷卡数据,讨论不同输入变量下的聚类结果,建立一种基于K-means聚类算法的不同类型站点识别方法,并运用于重庆市主城区轨道站点分类研究.结果表明,进出站客流数据能较好反映不同类型轨道站点的时空特性.最后分析了不同类型站点乘客出行特征,针对不同类型站点的识别研究为今后精细化研究轨道站点客流奠定基础,为轨道站点的规划设计提供参考.

基于“互联网+”常规公交动态调度系统

为解决目前大城市广泛存在的城市公交吸引力不足的问题,本文将互联网技术运用到公交调度之中,研究基于实时数据采集的公交调度模式,以图像识别为主的数据获取方法采集乘客到达站点时刻、道路拥挤状况等信息,建立了确定时段车次数调度决策模型。时段车次数模型从平衡公交运营成本、乘客等车时间以及乘车舒适性出发,确定最优的时段车次数。该公交调度模式以数据为导向,具有成本低廉、调度科学以及地区适应性强的优点,能有效提高公交的运营调度水平,具有较高的应用前景。

基于“互联网+”无车承运人模式的研究

为克服传统物流模式存在的成本高、效率低等问题,考虑人车货三方关系,建立了新型无车承运人模式,可有效提高车辆利用率,降低成本。同时,依靠互联网通信技术,为无车承运人赋予新的功能,使其能以租赁的形式拥有车辆或"共享车辆",并提出了"一车多人"运输模式。

基于支持向量机的轨道车站客流高峰期持续时间预测

为了准确地对轨道车站客流高峰期持续时间进行预测,提高轨道车站高峰时期的管理和运营能力,文章采用支持向量机对轨道车站客流高峰期的持续时间进行分类预测和回归预测。研究结果显示:回归预测整体预测结果的RMSE=13、MAE=7,整体拟合度较高,对于极端情况的拟合效果极优;分类预测结果的整体精度达到90.59%,对于极端时段的预测精度达到100%,其他时段预测精度高于85%。该结果表明此方法可以用于轨道车站前期管理时间表的制定和后期具体实施的时间参考,适用于轨道车站客流高峰期持续时间预测,能够提高轨道车站的管理和运营水平。