为识别城市轨道交通网络关键站点并研究其多年演化,构建基于截断奇异值分解(truncated singular value decomposition,TSVD)的关键站点识别方法,选取北京市2011—2019年早高峰时段的OD数据,通过关键特征向量分析网络客流演变并对城轨网...为识别城市轨道交通网络关键站点并研究其多年演化,构建基于截断奇异值分解(truncated singular value decomposition,TSVD)的关键站点识别方法,选取北京市2011—2019年早高峰时段的OD数据,通过关键特征向量分析网络客流演变并对城轨网络中关键站点进行识别,将其与复杂网络方法的识别结果进行对比。分析表明:TSVD法能很好地应用于考虑OD分布的网络关键站点识别,识别结果能更好代表网络客流的空间分布。从识别结果看,北京轨道交通关键站点空间布局呈现多中心发展趋势,如西北西二旗,西南丰台科技园等站点逐步形成网络客流中心并相互联系;东南土桥、东北俸伯等站点也初步呈现网络客流中心的特征。展开更多
轨道交通网络中乘客的出行受网络结构和运营状况变化的影响,个体出行偏好对这些变化的响应也各异。为分析轨道交通远郊区段计划性停运对常乘客的出行转移影响,本文提出考虑转移类型和转移比例的乘客出行特征刻画方法,结合时段属性生成...轨道交通网络中乘客的出行受网络结构和运营状况变化的影响,个体出行偏好对这些变化的响应也各异。为分析轨道交通远郊区段计划性停运对常乘客的出行转移影响,本文提出考虑转移类型和转移比例的乘客出行特征刻画方法,结合时段属性生成乘客特征—时序(FeatureTemporal,F-T)矩阵;通过改进的欧氏距离计算F-T矩阵间的相似性,实现F-T矩阵的相似性度量;提出一种基于相似度矩阵的K-Means聚类和层次聚类相结合的两步聚类方法(Two-step Clustering of K-Means Clustering and Hierarchical Clustering,KMHC)划分乘客影响群体,分析影响乘客出行转移的因素;以新冠肺炎疫情期间上海轨道交通11号线昆山段停运作为实例,对本文方法进行验证。研究结果表明:昆山段停运后,常乘客呈现出5种主要的出行转移影响群体,占常乘客总数的94.4%;各影响群体的转移距离、通勤时间和出行频率差异明显,是影响区段停运后常乘客出行选择的重要因素。本文方法可为其他计划性停运场景提供借鉴和参考,也可为区段停运后的网络客流变化预测,行车和客运组织方案优化提供支撑。展开更多
文摘为识别城市轨道交通网络关键站点并研究其多年演化,构建基于截断奇异值分解(truncated singular value decomposition,TSVD)的关键站点识别方法,选取北京市2011—2019年早高峰时段的OD数据,通过关键特征向量分析网络客流演变并对城轨网络中关键站点进行识别,将其与复杂网络方法的识别结果进行对比。分析表明:TSVD法能很好地应用于考虑OD分布的网络关键站点识别,识别结果能更好代表网络客流的空间分布。从识别结果看,北京轨道交通关键站点空间布局呈现多中心发展趋势,如西北西二旗,西南丰台科技园等站点逐步形成网络客流中心并相互联系;东南土桥、东北俸伯等站点也初步呈现网络客流中心的特征。
文摘轨道交通网络中乘客的出行受网络结构和运营状况变化的影响,个体出行偏好对这些变化的响应也各异。为分析轨道交通远郊区段计划性停运对常乘客的出行转移影响,本文提出考虑转移类型和转移比例的乘客出行特征刻画方法,结合时段属性生成乘客特征—时序(FeatureTemporal,F-T)矩阵;通过改进的欧氏距离计算F-T矩阵间的相似性,实现F-T矩阵的相似性度量;提出一种基于相似度矩阵的K-Means聚类和层次聚类相结合的两步聚类方法(Two-step Clustering of K-Means Clustering and Hierarchical Clustering,KMHC)划分乘客影响群体,分析影响乘客出行转移的因素;以新冠肺炎疫情期间上海轨道交通11号线昆山段停运作为实例,对本文方法进行验证。研究结果表明:昆山段停运后,常乘客呈现出5种主要的出行转移影响群体,占常乘客总数的94.4%;各影响群体的转移距离、通勤时间和出行频率差异明显,是影响区段停运后常乘客出行选择的重要因素。本文方法可为其他计划性停运场景提供借鉴和参考,也可为区段停运后的网络客流变化预测,行车和客运组织方案优化提供支撑。