城市轨道交通AFC实时客流有效数据筛选

分析目前城市轨道交通AFC实时进站客流数据传输流程及其质量不高的原因,在挖掘城市轨道交通历史同期进站客流规律的基础上,通过设定阈值来对AFC实时进站客流有效数据进行筛选,建立阈值设定的方法,通过大量数据对阈值设定方法进行检验,之后对阈值设定方法存在的问题进行分析与解决,得到一套能够对城市轨道交通车站AFC实时进站客流数据筛选的流程,并进行实例验证。     

城市轨道交通自动售检票系统实时进站客流量异常检测

阈值范围的合理设定,对AFC(自动售检票)系统实时进站客流量数据的有效性检测至关重要。采用改进的小数据量法计算历史进站客流数据时间序列的Lyapunov指数,验证该序列的混沌特性;利用C_C方法确定混沌时间序列的时间延迟和最佳嵌入维数,对原时间序列进行相空间重构,确定模型训练测试样本集;采用大范围网格搜索方法优化混沌支持向量机回归模型参数,利用优化后的模型预测各时段的进站客流量;利用训练样本集中各时段进站客流量预测残差序列的分布特性,确定在某一置信度下各时段进站客流量预测残差的置信区间,从而确定未来时段的进站客流量异常检测的阈值上限和阈值下限。试验结果表明,该方法有效地增强了系统对于AFC系统实时进站客流量数据有效性检测的能力。     

基于客票数据的城市轨道交通车站客流控制决策研究

城市轨道交通大客流控制是保证运行秩序和乘客安全的客运组织管控手段,目前由运营人员根据经验进行大客流辨识和客流控制决策的模式具有一定的主观性和滞后性。基于自动售检票系统(AFC)历史客票数据,分析车站大客流的发展规律,基于实时客票数据和列车运行实绩,获取进站客流的实时聚集数量及其空间分布情况,提出的辅助决策方法能够基于客票数据确定车站客流控制等级和控制时机,具备较好的精确性和前瞻性。     

基于孤立森林算法的轨道交通实时客流告警阈值设定方法研究

在轨道交通客流实时监视业务中,车站实时客流告警的目的是帮助业务人员快速、准确地定位到网络中可能存在大客流风险的车站,达到提示预警的作用。如果告警阈值偏小,则告警频率会增加,使业务人员无法准确判断最需要关注的大客流风险车站,并对告警提示产生麻木心态;如果报警阈值偏大,则车站的突发大客流风险有可能未被监测到,从而无法及时采取应对措施。因此,需要提出一套科学、合理、适用性强的告警阈值。研究利用传统统计学方法和基于孤立森林的异常检测方法训练设定告警阈值,并通过应用效果测试验证对两种算法进行比选,确认利用孤立森林异常值判别思路训练的告警阈值更满足业务目标。研究成果按照“一站一方案”“一个时段一方案”的原则,为北京市轨道交通指挥中心路网调度指挥平台提供车站实时进站量与出站量告警阈值,支撑客流实时监视与大客流风险预警。     

基于AFC数据的城市轨道交通短期客流预测实时修正研究

短期客流预测数据一般在预测日前1周或1月内生成，但突发疫情、恶劣天气等非预知情况会引起预测量与实际量有较大偏差，因此需要根据AFC数据对预测趋势及预测指标进行实时修正。首先建立基于AFC数据的客流实时清分推演模型，预测当前时刻前已进站但未出站乘客的出站车站、出站时间，出行路径及所乘车次；然后提出趋势修正策略，根据实时AFC刷卡数据及下一时段的预测OD客流量，采用自下而上的策略对下一时段各车站的预测OD客流量及预测出行记录进行修正；进而采用指标修正策略，将趋势修正与实时清分推演结果结合，生成下一时段全维度修正指标；最后以突发疫情为例，通过实验验证实时修正系统的应用效果。短期客流预测的实时修正能够进一步增强路网运营全貌监视能力及实时调度辅助决策支撑力度。     

铁路客运车站客流监测与预警系统

由于缺乏准确的实时客流数据,铁路客运车站的客运组织一直主要依靠经验来调配设备、人员等所需资源。为此,开发了铁路客运车站客流监测与预警系统,通过有效利用铁路客票预售数据、车站历史客流数据、旅客进出站实时数据、列车正晚点数据等相关数据,建立基于K均值聚类的支持向量回归机客流预测模型,实现车站每日进站客流、分时段进站客流、候车室客流的监测、预测及超限预警,方便车站工作人员随时掌握客流动态,及时根据客流变化进行设备和人员动态调配,更加精准、高效、安全、有序地开展车站客运组织作业,有助于改善车站客运服务水平,提升旅客出行体验。     

基于AFC数据的城市轨道交通乘客目的站实时预测

为解决轨道交通只有在乘客刷卡离开路网，且获得实际列车运行图后，才可通过清分模型系统仿真推演其全出行链的问题，在实时接入自动售检票系统（AFC）刷卡数据情况下，建立基于乘客出行OD规律、乘客职住地规律及重点去向车站规律的级联目的站预测模型，为进站乘客快速预测目的站，进而与清分模型系统结合实现进站乘客在网分布的实时动态推演。通过开展乘客目的站预测，提高客流实时仿真推演系统对各项客流指标的预测准确度，不仅方便运营管理人员进行科学高效的网络化运营调度指挥及客运管理，还可为乘客出行提供个性化引导。     

基于列车满载率的城市轨道交通进站客流量控制

基于新冠肺炎疫情的防控要求，2020年初北京轨道交通将列车满载率作为客流控制指标，严格控制城市轨道交通的进站客流量。为此，亟需量化各车站的进站客流控制阈值，用以作为现场客流管控的依据。提出了基于列车满载率的进站客流控制模型及相关客流控制方案。首先根据线网的客流特征对控流日客流的OD(起讫点)信息进行预测，再结合列车运行图精确推演出乘客进站—上车—换乘—下车的全过程出行链信息，计算得到乘客出行所乘坐的各计划运行车次的列车满载率数据；然后结合列车满载率控制指标进行逆向推演及反算，得到该计划列次在各站上车的客流控制阈值，再根据车站客流分布特征计算得到各站10 min粒度的进站客流控制阈值；最后，举例说明了该客流控制模型在北京轨道交通线网进站客流控制管理中的科学性及有效性。     

城市轨道交通新站开通初期实时进出站客流量预测

针对城市轨道交通新站开通初期实时客流预测缺乏历史数据、客流波动大等问题,提出基于改进K近邻非参数回归的新站开通初期实时进出站客流量预测方法。考虑城市轨道交通客流生成机理,分析新站开通初期车站客流量变化规律及其与车站周边土地利用的相关性;基于该相关性,通过聚类分析构建新站与相似既有车站的映射关系,提出支撑新站客流预测的历史数据库构建方法;在此基础上,结合实时客流特征改进非参数回归算法,提出新站开通初期实时进出站客流量预测方法;利用广州地铁客流数据进行新线开通初期实时进站量预测的案例分析。结果表明:该方法具有良好的预测精度,新站开通初期实时进站客流量预测的平均绝对误差不大于16人次,可满足城市轨道交通精细化的运营管理需求。     

基于广义动态模糊神经网络的短时车站进站客流量预测

针对轨道交通车站短时进站客流的不均衡性、高度非线性和时变性特点,结合逻辑推理能力强的模糊技术与自学习能力强的神经网络,提出一种基于广义动态模糊神经网络(GD-FNN)的短时进站客流量预测方法。以北京轨道交通各车站的进站客流量数据为例,分析轨道交通车站的进站客流特征,确定影响短时客流分布的主要因素;然后采用GD-FNN方法构建车站短时进站量的预测模型,实现对北京轨道交通系统若干车站进站量的预测。预测结果表明:该方法与传统的神经网络相比,预测效果更准确(最大相对误差小于8%),稳定性好。     

城市轨道交通客流检测技术的特征及其应用分析

针对网络、线路、车站不同层面客流的流量和流向进行实时监测是提升城市轨道交通网络运营安全和效率的关键。从各类技术的特征出发,对自动售检票系统、车辆称重、智能视频、热敏传感技术、手机信令和Wi Fi信令数据等技术的适用性、可行性以及与运营需求的匹配性等方面进行了分析,并对各类技术的发展趋势和在运营决策中的应用前景和实施方法提出了建议。     

基于移动通信数据分析的Elman神经网络城市轨道交通客流预测

城市轨道交通的短时客流预测数据对运营组织单位面对潜在的大客流或突发事件的应对准备工作有着重要的作用。以原始移动通信数据作为换乘站点换乘客流统计的数据来源,得到了精确的单条线路某个换乘站的换乘人数,并结合自动售检票系统的统计数据,通过建立Elman神经网络模型对客流数据进行样本对训练,得到下游车站未来1 h内断面客流量的预测结果。预测结果误差符合要求,为站点的运营组织方案提供了良好的数据支撑。同时为了对比说明建立了ARIMA模型,并对预测结果作出分析比较。     

西安地铁2号线南段运营初期客流预测

以西安地铁2号线南延段开通日期为预测年限,通过设计、实施客流调查及AFC(自动售检票)系统数据分析,深入探讨2号线南段现状客流出行特征及既有线上的客流规律,运用在既有客流规律基础上的趋势推演法,通过标定车站客流与土地利用、到离站交通距离与地铁车站选择、合理轨道乘距等数学模型,从客运量与断面客流量两方面完成其开通初期的客流预测,为2号线南段开通的运输计划编制提供依据,为后期新线开通的客流预测积累经验。     

基于AFC数据的南昌轨道交通车站精细化分类

为满足城市轨道交通车站精细化客运组织需求,对车站进出站客流特性进行有效的分类管理。结合自动售检票系统(auto fare collection,AFC)采集的进出站客流数据,从车站进出站客流总量及时序特性方面入手,提出一种基于K-means算法的双层规划聚类方法对全线所有车站进行聚类并划分车站类型。首先以车站进出站客运总量为特征指标进行上层聚类,得出不同客运规模的车站大类;然后考虑车站进出站客流的时变特征,根据不同时段内的客流变化特点构建特征向量进行下层聚类,识别车站客流的时序分布特性。研究结果表明：利用本算法得到的分类结果与实际高度吻合,不同类别车站在客运规模和时变特性上差异明显。双层K-means聚类分析算法通过把握客运规模和客流时变特征,对车站进行精细划分,为车站的客运组织提供依据。     

城市轨道交通客流时空分布特性研究

利用城轨自动售票系统(AFC)数据分析西安地铁1、2、3号线客流,得到不同类型车站客流特征,将典型车站不同时间的站间OD可视化处理,通过映射方式对OD矩阵时空分布情况进行可视化。结果表明:(1)由于西安是一个旅游城市,工作日只有早、晚高峰时段客流高于节假日,其他时段客流低于节假日;(2)早、晚高峰出行具有明显潮汐特性,早高峰高客流发生点为居住区,客流吸引点为办公、商业区,晚高峰与之相反;(3)高客流走廊依次为(商业→混合)>(居住→商业)>(商业→居住)>(商业→商业)>(混合→商业)>(交通→商业)>(商业→交通)>(办公、工业→商业)>(商业→办公、工业)>(居住→办公、工业);乘客出行目的依次为工作、回家、购物、其他类出行。     

基于AFC系统的郑州市轨道交通客流特征分析

基于目前积累的AFC系统数据,分析郑州市线路开通近5年主要客流特征,从线网客运水平、增长趋势、高峰时段不均衡性、客流周期性变化规律、线路所经通道特点等方面论述分析。总结郑州轨道网络客流发展规律,探讨城市轨道交通与城市空间结构的关系以及郑州市轨道交通建设工作,为后期线路设计、建设、运营提供参考。     

基于BFS和加权半监督聚类算法的地铁客流分配研究

复杂的城市轨道交通线网给乘客提供多种出行路径选择,而轨道网络起讫点间可能存在多条可选有效路径,给城市轨道客流清分工作带来难度。为求解相同起讫站点间各路线乘客选择的概率问题,以广州市地铁自动售检票(automaticfarecollection,AFC)系统刷卡数据为研究对象,提出一种创新性的半监督聚类算法框架。首先基于广度优先(breadth first search, BFS)的K短路径的搜索算法,识别起讫点间的有效路径集,由此确定初始聚类中心及个数;然后以路径距离和换乘次数等特征值依次标定各有效路径权重,由这些标记数据出发,采用加权半监督的方式增强聚类算法的分类能力。最后结合客流调查结果,与经典K-means算法和朴素贝叶斯分类算法进行比对。通过算例证实提出的客流分配算法性能最优,准确率高达94%,具有较好的分类效果。     

津滨轻轨客流特征及功能定位研究

津滨轻轨9号线是连接天津市中心城区和滨海新区的骨干轨道线路,对天津市双城格局的形成起到重要的支撑作用。依托天津市轨道交通AFC票务数据,整理分析津滨轻轨9号线的现状客流特征,包括其客流增长规律和客流的时间、空间分布特征,以及津滨轻轨在地铁5号线开通后,对城区客流服务的增强等内容。基于客流特征,研究分析津滨轻轨现状和规划的功能定位,指出其现状功能混杂带来的问题,进而结合远期规划和相关情况,给出相应建议。分析研究津滨轻轨功能定位,对其未来的扩能和提升有着重要意义。     

多元数据在北京轨道交通线网规划中的应用

随着城市轨道交通的发展,越来越多的难题显现出来,多元数据分析模型可为轨道交通线网规划提供定量技术手段。首先,介绍北京轨道交通多元数据库的构建,主要包括地铁AFC刷卡数据、手机信令数据、公交IC卡数据和浮动车数据等;其次,从地铁车站进出站客流特征、地铁车站换乘客流特征和线路断面客流特征三方面,阐述轨道交通现状客流特征;最后,以具体线路为例,对该线路的运营现状和线上重点车站存在的问题进行分析,并提出优化建议,展现多元数据在北京轨道交通线网规划中的应用。