基于乘客OD间路径旅行时间的城市轨道交通客流分布计算模型的适用性研究

[目的]针对目前城市轨道交通(以下简称“城轨”)线网客流分布计算模型的客流计算结果与实际客流存在偏差的现象,需基于OD间路径的实际旅行时间,对基于多路径概率分配的客流分布计算模型的适用性展开研究。[方法]基于乘客OD间路径的实际旅行时间,分析揭示了现有城轨客流分布计算模型存在的主要问题;融合AFC(自动售检票)系统和ATS(列车自动监控)系统两类数据,构建并标定了基于乘客OD间路径旅行时间的城轨客流分布计算模型;对目前国内城轨系统广泛采用的基于多路径概率分配的城轨客流分布计算模型的适用性进行了分析与评价。[结果及结论]现有城轨客流分布计算模型在路径选择集和路径选择比例上存在主要问题。通过基于多路径概率分配的城轨客流分布计算模型获取的路径分配比例,得到的旅行时间分布模拟结果均为单峰,无法重现从AFC票卡提取的实际旅行时间分布的多峰情况。当城轨线网较为简单时,基于多路径概率分配的城轨客流分布计算模型基本适用;当线网规模不断增加,线网结构进一步复杂,列车运行方式的多样性、乘客出行行为的差异性等不断加大的条件下,该模型对于路径阻抗差异小的OD可能适用,而对于路径阻抗差异大的OD不适用。

基于异构数据特征的城市轨道交通OD客流短时预测方法

城市轨道交通起讫点(origin-destination,OD)客流短时预测在智能交通系统中意义重大,它为交通管控策略实施以及出行者出行选择提供了重要的决策依据。卷积神经网络被广泛用于交通数据空间相关性提取,但其平移不变性与局部敏感性导致该方法更重视局部特征而忽视全局特征。本研究构建了基于注意力机制的异构数据特征提取机模型(heterogeneous data feature extraction machine,HDFEM)以实现OD矩阵空间相关性的全局感知。该模型从时空特征和用地属性特征出发,构造异构数据OD时空张量与地理信息张量,依托模型张量编码层对异构数据张量进行分割与编码,通过注意力机制连接各张量块特征,提取OD矩阵中各个部分间的空间相关性。该方法不仅实现了异构数据与OD客流数据的融合,还兼顾了卷积神经网络模型未能处理的OD矩阵远距离特征,进而帮助模型更全面地学习OD客流的空间特征。对于OD时序特性,该模型使用了长短时记忆网络来处理。在杭州地铁自动售检票系统(auto fare collection,AFC)数据集上的实验结果表明:HDFEM模型相对于基于卷积神经网络的预测模型,其均方误差、平均绝对误差与标准均方根误差分别下降了4.1%,2.5%,2%,验证了全局OD特征感知对于城市轨道交通OD客流预测的重要性。

一种轨道交通客流OD精准化辨识算法

特大城市的轨道交通承载着城市的交通运输骨干任务,积累了蕴含着乘客出行时空关系、出行规律及出行习惯等的客流票卡数据,具有较高的实践指导价值。首先,设计了轨道交通AFC数据预处理方法,构建了轨道交通客流刚性需求筛选算法;其次,改进FP-Tree算法并用于挖掘刚性需求客流OD,得出精准化的乘客进出站频繁项集;最后,构建基于换乘客流路径选择模型的客流换乘OD挖掘算法,将客流换乘OD转化为线路OD,精准化挖掘客流OD需求,研究成果可为轨道交通市郊线路快车停站方案的制定提供支持和决策指导。

基于优化PSO-BP算法的轨道交通短期OD客流预测研究

城市交通系统要实现更好的管理,需对城市轨道交通进站客流进行准确预测,为达到提高轨道交通运输效率、改善运营服务质量的目的,构建了以反向传播(BP)神经网络对地铁客流进行预测;利用PSO,对BP神经网络进行进一步优化,形成对应的客流预测系统。以地铁数据为基础,对车站OD客流量时空相关性进行定性分析,利用回归分析法对影响客流的因素进行定量分析,筛选出天气、节假日、运营时刻3个时间特征。为提高预测精度,构建不同时间段下的BP神经网络模型,优化了PSO-BP神经网络模型的预测误差,形成了基于PSO-BP神经网络的轨道交通短期OD客流量预测模型,加入时间特征的短期OD客流量预测模型,其换乘站优化后神经网络模型预测值M1平均下降了48.2%,M2下降了37.6%,M3下降了21.9%,该方法和模型为轨道交通运营部门制定列车运行计划提供更准确数据资料。

基于决策树模型的地铁线网短时OD客流预测

为了准确获取地铁线网短时OD(起讫点)的客流分布,从而高效协调运输能力和客运需求,结合集成学习思想构建了基于决策树模型的多时间粒度下地铁线网短时OD客流预测模型。首先利用地铁自动售检票数据分析得到线网OD客流出行的时空分布特征,引入多种时空影响因素对全网数据进行训练以及预测,其次分析了地铁线网OD客流量预测精度与时间粒度之间的关系,最后以苏州市地铁为对象进行实例分析。结果表明:相对于其他模型,研究模型不仅可以有效降低预测误差和拟合客流峰值,而且运算时间也节约了数倍,提高了地铁线网短时OD客流预测的准确性和效率。因此,所设计的模型可为地铁运营与控制系统提供重要数据,有助于运营者进行限流措施、行车计划等的制定与调整。

基于WIFI和蓝牙数据的公交客流OD分析方法研究

针对目前大多数研究是基于IC卡数据和GPS数据来获得公交OD信息,对各站点的下客人数推算精度不足,该文提出一种基于WIFI探针和蓝牙数据的方法来获取公交客流OD。在公交站台安装WIFI探针和蓝牙信号检测器来识别公交车辆上的设备,通过对两个数据源的处理与融合,计算得到公交车辆内部的设备数量,并结合公交车辆乘客上车时的IC卡数据,计算出公交车辆的上下客流,利用相关算法来推算基于WIFI和蓝牙的公交客流OD矩阵,根据上下车客流对OD矩阵进行校对,得到更准确的客流信息。

基于OD反推模型预测客运通道客流量

OD矩阵是进行客流预测的重要基础数据,在实际操作过程中,获取吸引区之间的OD矩阵却是非常困难的,一般采用OD调查的方式,但缺陷是调查过程较为费时、费力。本文提出一种免OD调查,利用客流区段观测值直接反推OD矩阵的方法。首先讨论了传统"四阶段"模式与OD反推预测模式的联系和区别,然后阐述以重力模型为结构的基于区段客流量反推OD矩阵模型,并利用最大似然法对模型参数进行迭代求解,最后结合一个具体实例,运用该方法对武广客运通道的客流量进行了预测分析,采用试算法模拟重力模型的参数,误差控制良好,结果验证了方法的有效性。

城市轨道交通网络短时客流OD估计模型

基于状态空间方法构建适用于城市轨道交通网络的短时客流OD(origindestination)估计模型.利用自动售检票数据分析得到OD间乘客行程时间分布特征,构建基于行程时间分布的客流到达系数,以此建立OD流与车站进出站客流间相互关系,并以车站客流分离率为状态变量构建结构化OD矩阵估计状态空间模型.以北京市轨道交通为对象进行案例分析,结果表明,当估计时段长度为15 min时,估计平均相对误差为35.5%;为30 min时,估计平均相对误差为20.4%;为60 min时,估计平均相对误差为16.3%.所构建模型能能有效解决城市轨道交通短时客流估计问题,具有一定的实用性.

基于模糊预测的高速铁路客流OD表的推算方法

科学预测客流的变化趋势与波动及获取路网客流OD表是制定旅客列车开行方案的依据.结合高速铁路客运的运营实际,利用客流变化相对稳定特征,本文提出了客流OD表的反推方法和计算流程,该方法的计算工作量相对叠加法节省了(n2-2n).考虑实际客流日波动特征,依据模糊预测原理,建立了车站客运指标的时间序列模糊预测方程和预测方法,该方法可获取预测期客运指标的变化区间.以南方一高速铁路线为背景,对车站发送人数进行了预测,预测值与实际数据相比误差在1%以内.在车站发送人数预测的基础上,给出了线路客流OD表的反推演算.

城市地铁客流的时空动态波动特征与比较研究:以深圳市为例

不同时段下行为主体生活方式的客观变化导致活动者地铁出行空间与模式发生改变,区别不同时段地铁客流的时空异质性特征,有助于引导城市功能更新与集约增长。以深圳市为案例,运用时空数据挖掘与地理空间分析相结合的手段,从整体、站点、OD多视角考察工作日、周末与节假日地铁客流在流量、流向、联系、结构上的时空动态波动特征。研究表明:1)网络整体视角下,工作日、节假日、周末表现为3种不同类型的地铁客流模式,分别呈现“双峰”“平峰”和“小双峰+平峰”形态。2)站点视角下,仅少数站点在工作日与非工作日的客流量及分担率差异显著,工作日客流高度集中于就业功能主导型站点,非工作日客流集中于交通枢纽型及综合型站点;站点周边土地利用的高混合度有助于客流分散和抗扰。3)OD视角下,地铁网络OD客流呈幂律分布且层级分异明显;地铁拓扑网络中心与不同时段下的客流中心均呈空间双耦合特征;周末与节假日的多元化出行以及城市中心的高密度混合开发模式弱化客流对特定线路的依赖,其客流联系易呈圈层结构。

基于库仑定律的公交站点OD矩阵生成研究

为获得更为合理的公交客流分配结果,引入库仑定律,根据公交站点在交通小区中的分布情况,分别建立了小区间和小区内的公交站点OD矩阵生成模型;然后,根据不同公交方式站点的特性对模型进行了优化,并通过对灵敏度系数的分析建立了灵敏度系数的求解模型;最后,通过实例对模型的有效性进行了验证.结果表明:文中模型具有较高的理论和实用价值,提高了公交客流预测的可靠程度.

基于小票法的公交线路客流OD分析方法

针对目前常规公交客流OD调查抽样率低,准确率难以保证的缺陷,提出调查公交线路客流OD的小票法,该方法可同时采集各站点的上下客人数及每位乘客的上下车站点等信息。在基于小票法的调查数据的基础上提出一种公交线路OD分析方法,可准确得出公交线路的客流OD,同时还可以得到线路沿途各站点的上下客人数、断面流量等信息。

基于站点吸引的公交客流OD分布概率模型

在分析公交出行距离和下车站点的用地性质等因素对公交乘客下车概率影响的基础上,全面考虑站点对周边区域换乘的辐射影响,引入了1个新的影响因子——下车站点换乘能力,该因子利用以站点为中心,300m到500m为半径,可利用换乘的公交线路条数来表示;综合考虑上述3个影响因子,构建了基于站点吸引的公交客流OD分布概率模型。基于济南市公交IC卡数据,采用C++语言编程实现该模型,得出了公交客流出行的空间分布规律,并采用核查线法验证该模型的可行性和有效性。验证结果表明,该模型OD反推误差可以控制在10%之内,反推精度较高,较好的贴合实际,具有一定的工程应用价值。

基于航空OD客流的重力模型逆向算法

为了由航空OD(起讫点)客流数据及航线距离数据估计机场旅客吞吐量,结合哈密顿图简化算法机理,推导了简化代数算法.以我国15个主要机场之间航空OD客流数据为例,标定了模型参数,并利用两种逆向代数算法预测机场旅客吞吐量,结果吻合良好.与标准代数算法相比,简化代数算法需要的数据少,尤其适合于缺乏完整数据的大规模OD矩阵分析.

南京地铁1号线客流OD矩阵推算与特性分析

以南京地铁1号线为例,充分利用地铁站客流进出数据,运用系统平衡模型与弗雷特法迭代推算得到客流OD矩阵。在系统平衡模型的求解计算过程中,运用数学软件对系数进行求解,提高了系统平衡模型的可操作性。程序设计中引入了相关控制变量,控制OD矩阵的推算精度,提高了算法运算效率。应用统计分析工具对所得数据进行分析,从而得到地铁客流量中的重要统计指标。最后,对南京地铁1号线的时空特性进行了分析。

基于AFC数据的城轨路网客流OD在线动态估计

路网实时客流状态是城市轨道交通日常运营组织科学决策的主要依据,而精准地在线估计客流OD是前提条件.本文分析了准实时AFC数据接入条件下客流OD在线动态估计问题及其特点,提出了将机器学习与递归贝叶斯相结合的客流OD动态估计方法;构建了基于LSTM的客流OD状态转移模型,以及LSTM模型嵌入下的客流OD递归贝叶斯估计模型;针对客流OD状态变化的非线性、不确定性特点,提出基于粒子滤波算法求解客流OD递归贝叶斯估计问题.面向LSTM模型嵌入所形成的客流OD状态转移三阶马尔科夫过程,对一般的粒子滤波算法进行高阶扩展,研究了算法的实现.最后用实例对本文提出的方法进行了验证.

面向OD客流的高速列车开行方案的优化

满足旅客出行需求的列车开行方案能够更好地吸引客流,提高高速铁路的核心竞争力.以最大化经济收益和最小化出行费用为目标函数,以高速铁路开行方案为研究对象,以旅客出行需求等作为约束条件,将列车开行方案与OD客流量结合起来,同时考虑旅客的购票心理和列车购票的时效性,建立了一种基于动态客流的列车开行方案的多目标优化模型,并设计一种基于个体信息和改进变异算子的多目标差分(SG-MOSaDE)算法进行求解.以广州市某线路为例进行实验,结果表明,优化后的开行方案不仅最大化满足了旅客出行需求,而且在提高铁路部门经济收益的同时降低了旅客的出行花费,并且优化后的列车总停站次数较原来有所下降,停站方案更加均衡.

基于公交站点上下客人数反推OD矩阵的概率论模型研究

基于站点上下客人数,采用简单概率分布模型,可提出反推公交站点间的OD分布矩阵的具体方法。实例表明,在采用此类方法进行反推计算时,应按照土地利用性质对站点进行合并计算,这样方可提高推算的精度。

基于OD反推的客运专线客流预测方法研究

为有效地分析铁路客运专线客流需求,针对传统的4阶段预测中基年OD数据较难获取的问题,提出了基于OD反推技术的客流预测方法,并将该方法与4阶段预测模型相结合用于分析客流需求。以某区域铁路客运专线为例,结合TransCAD预测软件,对模型进行了验证分析,结果表明该方法科学有效。

基于随机客流OD的市郊铁路停站方案优化研究

市郊铁路是城市公共交通"十三五"发展的重点之一。通过分析市郊铁路客流出行需求,采取快、慢车搭配开行对列车停站方案进行优化,以总运行时间最小为目标,添加OD客流量随机机会约束,构建包含随机机会约束的非线性市郊列车停站优化模型。对随机机会和非线性约束进行等价转化为线性确定型约束,采用ILOG CPLEX软件进行精确求解。通过设计算例,比较运营速度120和160 km/h客运产品不同开行比例下的停站优化方案,发现总运行时间降低达29%,验证了模型和算法的有效性。采用快慢车搭配开行,有利于提高市郊列车直达率,降低出行时间成本。优化后的方案对基础设施建设以及市郊列车开行方案的制定具有一定的参考价值。