公交线路客流时段分布估计新方法——首末站分层不等概率整群抽样法

在对南京市公交线路客流调查数据研究的基础上 ,提出一种公交线路客流时段分布估计的新方法 ,即利用首末站分层不等概率整群抽样方法 ,对线路客流进行估计 ,并给出相应的方差估计公式。

浅谈利用城市公交客流低谷时段实施物流运输

城市公共交通系统最大运输能力是按高峰小时客流需求配置的,而实际运行中存在一昼夜各时段不均衡客流,客流低谷时段线路运力存在较为显著的闲置与浪费。充分利用客流低谷时段运力,提高城市公共交通系统运行效率,降低运营成本,增加运营收入,解决"物流最后一公里"顽症,缓解城市交通堵塞是一个值得深入研究的课题。文章结合南宁市公共交通系统的运行现状与规划,对利用城市公共交通客流低谷时段实施城市物流运输进行了SWOT分析,并对需要解决的相关问题进行了探讨。

西安市城市轨道交通车站高峰时段偏差研究

各城市轨道交通均存在车站客流高峰时段与城市交通高峰时段不完全重叠的现象。而车站设计时均以预测的城市交通高峰时段客流值为依据,导致部分车站规模设计过小。通过对西安市63座城市轨道交通车站的客流高峰时段与城市交通高峰时段的偏差进行分析,运用K-means算法对其进行分类。根据各类型车站周边用地性质特征,得出每一类车站的高峰偏差时间建议取值以及车站高峰客流的扩大系数。结果表明,当通勤出行用地与其他出行用地比值不小于0.5时,车站客流高峰时段基本无偏差;当比值小于0.5或为明显的交通枢纽、大型商业区车站时,车站客流高峰时段将有不同程度的偏差,且高峰时段客流量是此车站在其城市交通高峰客流量的1.1~1.6倍。

基于市域轨道交通线路客流分布的快慢车开行比例方案

根据上海轨道交通16号线客流分布特征,构建了随时间变化的拟合函数模型;根据不同时段的客流,构建列车开行比例模型,将开行比例问题置于不确定性多阶段整数规划问题中;使用割平面法获得开行比例最优解;根据最优开行比例,绘制了晚高峰时段的列车运行图。该开行比例确定方案充分考虑了线路客流分布的不均衡性,使列车运能较好地匹配了客流需求,提高了服务水平,可为城市轨道交通运营单位提供决策参考依据。

基于时段划分的城际列车开行频率优化研究

为合理优化城际列车开行频率,以客流出行特点和规律为依据,对客流日分布数据进行分析,将城际客流分为早平峰、早高峰、午平峰、次高峰、晚高峰、晚平峰6个时段,以此确定不同客流时段的城际列车开行频率。分析旅客出行费用和企业运营成本,在综合考虑旅客候车时间成本、乘车时间成本,以及与列车开行频率相关的列车运行成本、停站成本的基础上,建立以旅客出行费用和企业运营成本最小为目标的列车开行频率优化模型。最后以京津城际铁路为例,采用MATLAB对模型求解,实例表明该模型计算得出的列车开行频率能够更好地满足城际铁路旅客和运营企业双方的利益,为城际列车开行频率优化提供参考。

城市轨道交通大客流时段服务质量提升研究——以宁波轨道交通清明假期组织为例

为有效应对城市轨道交通大客流挑战、提升服务质量,首先,概述城市轨道交通大客流特点和服务质量评价标准;其次,分析大客流对服务质量的影响因素;再次,以宁波轨道交通在清明节期间的运输组织为案例,介绍具体的运输情况;最后,提出针对性的客流组织优化措施,以期为其他城市轨道交通运营提供参考。

基于卷积长短时记忆神经网络的城市轨道交通短时客流预测

我国城市轨道交通正处在快速发展阶段,城轨交通短时客流预测对保障运营安全、优化线网结构,进而构建智慧城市具有重要意义.城轨短时客流除了具有周期性、随机性等时间特征之外,跨时段的断面客流具有相似性,并且相邻站点客流之间存在空间联系.对此,充分考虑以上城轨短时客流的时空特征,基于卷积长短时记忆神经网络(ConvLSTM)与自适应k-means聚类算法,提出城轨短时客流预测的深度学习模型k-ConvLSTM,并通过实验对模型关键参数进行寻优;同时,基于深圳市地铁IC卡的真实客流数据对模型的有效性进行检验.结果表明,kConvLSTM在均方根误差、绝对误差均值、绝对误差百分比方面,均优于仅考虑时空特征的深度学习模型--卷积网络(CNN)与长短时记忆网络(LSTM)的并行混合模型和ConvLSTM内嵌式网络模型,仅考虑时间特征的深度学习模型--LSTM网络和双向长短时记忆网络(Bi-LSTM),以及浅层机器学习模型--BP神经网络和支持向量回归模型(SVR).