基于虚拟编组的城轨列车时刻表优化方法

针对高峰时段城市轨道交通客流与运力不匹配问题,考虑城市轨道交通客流时空分布特征、交通过饱和状态和车场车底数量限制,提出了基于虚拟编组的城轨列车时刻表优化方法。构造动态客流累计需求函数,预测不同时段客流量;考虑乘客需求、发车间隔、运行时间、车底数量、车底接续等约束条件,以列车在首站的发车时刻和各车次的编组方案为决策变量,以乘客平均等待时间与列车走行里程最小化为优化目标,建立了基于虚拟编组的城轨列车时刻表优化模型。针对原问题包含大量耦合约束条件,利用拉格朗日松弛算法将耦合性约束吸收至目标函数,将原问题分解为2个独立路径的子问题,降低问题的复杂度;再利用商业求解器求解子问题的下界解,并设计启发式算法求解子问题的上界可行解,得到原问题解的上下界。以上海地铁某线路为算例进行验证,结果表明:在高峰时段,所提动态客流累计需求函数与客流实际到达规律拟合度较高;固定编组模式下,非均匀发车时刻表相比于均匀发车时刻表,可降低24.15%的乘客平均等待时间和51.73%的滞留乘客等待时间;而所提虚拟编组列车时刻表相比于固定编组模式下非均匀发车时刻表,不仅可减少0.33%的列车运行里程,还可进一步减少16.95%的乘客平均等待时间和6.03%的滞留乘客等待时间。

城市轨道交通站台区域精确停车窗设置方案研究

随着城市轨道交通高效率、高密度,以及灵活编组混跑等运营组织需求的提出,为更好地适应潮汐客流分布不均衡的特点,结合不同编组列车共线运行时的不同停车策略,阐述城市轨道交通中站台区域精确停车窗设置需考虑的因素及设置方案、精确停车窗计算原理等;针对多编组列车混跑,提出站台头端对齐、尾端对齐、以车站站台中心对齐等不同停车策略下的精确停车窗匹配设计方案;同时,为尽可能提高列车停站时的开门效率和停车窗设置的灵活性,在确保满足安全开关门要求的前提下,提出额外增加停车误差容忍余量的精确停车窗优化设计方案,可为多编组混跑项目的站台区域精确停车窗设计提供参考。

重庆市轨交客流与土地利用混合度耦合协调关系研究

为探究重庆市城市轨道交通站点客流与站域土地利用混合度的耦合协调关系,从2018年、2021年2个时间横断面出发,首先基于IC卡数据计算站点工作日日均出站客流量,其次基于POI数据构建站域POI重分类体系,计算站域土地利用混合度,最后探究两者耦合协调关系.研究结果表明:重庆市2018年至2021年轨道交通站点工作日日均出站客流量均值由6594人次上升为9071人次,前10名变化较小,后10名变化明显.站域土地利用混合度均值由0.61上升为0.67,前10名、后10名均大幅变化.两者的耦合度总体上均处于上游水平(0.69~1.00),协调度则在下游至上游均有分布(0.28~0.79),根据耦合协调度识别出优质、中级、初级耦合协调型站点各17,136,6个.由此推论,2018年至2021年重庆市轨道交通站点客流与站域土地利用混合度总体在高度耦合作用下协调发展,站点客流与站域土地利用融合较好.

基于时空超图卷积模型的城市轨道站点客流预测

城市轨道客流预测是智能交通系统的重要环节,准确的短时客流量预测有助于缓解城市轨道运营压力并提升地铁系统的服务质量。为挖掘交通系统中的时空交互特性并实现客流的精确预测,提出一种基于时空超图卷积模型(Spatio-Temporal Hypergraph Convolutional,ST-HConv)的短时进站客流预测方法。门控卷积层用于提取客流的时间特征,双层超图卷积用于获取站点间的近邻性和路网中的全局性,实现空间特征的提取;时空交互模块由时间门控卷积和空间超图卷积组成,将时空特征融合进而获取时空交互信息。以杭州地铁自动检票系统(AFC)采集的乘客刷卡数据为例,对模型的有效性进行检验。研究结果表明,与传统机器学习模型、传统深度学习模型和图网络模型相比,ST-HConv模型同时考虑时间特征和空间特征,并实现了时空特征的有效融合,使得ST-HConv模型的平均绝对误差和均方根误差都低于其他模型。在图结构性能方面,与时空图卷积模型(Spatio-Temporal Graph Convolutional,ST-GConv)相比,ST-HConv模型中的超图卷积层获得了路网中的局部特征和全局特征,有效地降低了预测误差。在不同的时间间隔(15 min/30 min/45 min/60 min)下,ST-HConv相较于ST-GConv,平均绝对误差分别降低了1.3,1.05,1.51和2.29,均方根误差分别降低了2,1.44,2.48和2.89。由此可见,ST-HConv模型综合考虑了时空交互信息,能够提高客流预测的准确性。

城轨虚拟编组关键性能指标及技术探讨

列车虚拟编组技术能够实现车辆资源的高效灵活利用,是解决轨道交通客流时空分布不均衡问题的有效方法,已成为国内外的研究热点。既有研究借鉴了汽车编队追踪的思路,主要关注于列车稳定追踪的相关方法,未能完全适应轨道交通的实际需求。针对城市轨道交通(简称“城轨”)虚拟编组研究的需要,深入分析城轨列车运行的特征,在此基础上总结提出包括站台停车时间差等在内的城轨列车虚拟编组应符合的技术性能指标;其次,针对虚拟编组的技术特征,提出包括大小交路和Y型线路等适合列车虚拟编组的潜在应用场景,并对实现虚拟编组的关键技术及其原理进行介绍,可为城轨列车虚拟编组研究提供参考。

客流-车流耦合的城轨交通运行指挥决策体系探讨

随着路网规模和客流强度的激增,超大城市轨道交通系统面临着运力运量不匹配、运力不足、延误等痛点,运营中断情况也更加频繁,其主要矛盾是日益增长的客流规模与运力在时间和空间的不匹配,列车运行依然按照计划运行图,无法适应复杂的客流变化需求。因此,遵循“客流为中心,运行为核心”的新运行模式理念,提出基于客流-车流耦合的运行指挥体系,通过客流预测、客流-车流的耦合分析和推演等手段,精准掌握线网客流的发展规律,并基于客流需求及时调整运输计划,实现运力运量的精准匹配。

轨道交通网络级联失效影响范围研究

轨道交通系统因多因素干扰引发客流集中、车站拥挤,并相继传播至周边车站,形成级联失效.把握拥挤在轨道交通网络的传播范围,是减少交通突发事件影响的基础.基于轨道交通拥挤传播机理分析,将物理结构、网络初始交通状态、客流量融合进耦合映像格子模型(Coupled Map Lattice,CML)中,通过历史客流数据量化参数,构建轨道交通拥挤传播模型,展开3种不同情景下拥挤传播过程分析.实例验证结果表明,轨道交通车站的初始状态、耦合系数对拥挤传播影响显著,网络结构对拥挤传播范围的影响并不明显.根据网络结构、初始值和耦合系数,可以掌握拥挤传播规模,识别拥挤车站的影响范围,有助于提高轨道交通系统的可靠性.

非均衡大客流冲击下城市轨道交通网络抗毁性建模及演化特征

在非均衡大客流冲击下,城市轨道交通面临结构抗毁和功能抗毁双重压力,极易造成轨道交通网络级联失效。首先,该文分析了非均衡大客流对城市轨道交通网络(urban rail transit network,URTN)级联失效的影响机理,考虑客流冲击影响,构建了客流加权网络,从拓扑特征和客流特征2方面测量轨道站点的重要性;其次,根据级联失效理论和混沌动力学改进耦合映像格子(coupled map lattice,CML)模型,设置初始状态值为轨道站点客流饱和程度,并利用故障节点比和网络强度熵刻画URTN级联失效的结构抗毁性和功能抗毁性演化规律;最后,以西安地铁为例进行研究。结果表明:在URTN级联失效过程中,结构抗毁性和功能抗毁性演化趋势相似;轨道站点间的耦合系数ε和突发事件扰动R存在临界值(ε=0.3和R=1),若ε≤0.3或R≤1,则不发生URTN级联失效,若ε>0.3且R>1,则URTN结构抗毁性和功能抗毁性的失效时间随ε和R的增大而缩短;客流强度与URTN抗毁性水平呈负相关;介数大的轨道站点和客流强度大的轨道站点受突发扰动后,URTN结构抗毁性和功能抗毁性能力更低。该文研究结果有助于揭示非均衡大客流冲击下URTN级联失效的影响因素及抗毁性演化规律,可为加强非均衡大客流冲击下轨道交通安全管理提供依据。

基于优化PSO-BP算法的耦合时空特征下地铁客流预测

为提高地铁客流预测的准确性,以西安地铁1号线为例,分析了地铁客流的耦合时空特征,提取了影响地铁客流变化的5个主要因素,包括节日、非节日、时间段、站点和天气,构建了反向传播(BP)神经网络,预测了地铁客流;利用引入自适应变异与均衡惯性权重的粒子群优化(PSO)算法,优化了BP神经网络,形成了考虑复杂因素影响的地铁客流预测系统;选取了换乘站、非换乘站的首站与中间站,引入天气、节日、非节日因素,对比了不同时间段下的BP神经网络模型,优化了PSO-BP神经网络模型的预测误差。研究结果表明:考虑天气、节日、非节日因素,换乘站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差和平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了40.13%、31.46%和23.89%,较分时段的BP神经网络模型分别平均下降了17.50%、17.86%和17.32%;非换乘站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差和平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了16.50%、20.99%和32.59%,较分时段的BP神经网络模型分别平均下降了11.48%、12.10%和17.73%;各站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差、平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了24.37%、24.48%和29.69%,较分时段的BP神经网络模型分别平均下降了13.49%、14.02%和17.59%,因此,利用考虑多影响因素的优化PSO-BP神经网络模型能提高地铁客流预测的准确性。