客流特征视角下的轨道交通网络特征及其脆弱性

为提高城市轨道交通网络脆弱性评估的客观性, 将乘客需求特性集成到网络脆弱性的计算中; 在城市轨道交通网络Space L空间下静态拓扑结构的基础上, 以客流为权重建立了轨道交通加权网络; 基于客流指标提出了车站连接强度和加权节点介数, 用于反映动态网络结构特征, 度量节点间相互作用强度; 针对城市轨道交通网络客流的时空特性, 结合网络客流需求特性, 基于出行消耗最大容限阈值, 构建了站点故障条件下的乘客有效路径子图和网络客流的OD损失率, 进而评估城市轨道交通网络的脆弱性; 以西安城市轨道交通网络为例, 从网络客流视角分析了城市轨道交通网络特征及其脆弱性。研究结果表明: 西安市轨道交通网络具有小世界网络特性, 平均路径长度为10.7, 其中小寨站和北大街站为网络关键节点, 其车站连接强度分别为166 795、149 059, 加权节点介数分别为0.365、0.369, 这两个站点的中断对西安市轨道交通网络效率的影响分别为40.1%、39.4%;乘客出行容限阈值极大地影响着网络中站点的重要性排序, 网络脆弱性随着乘客出行容限阈值的增大而逐渐降低; 脆弱性与介数的相关性强于脆弱性与度和强度的相关性, 随着出行容限阈值的增大, 加权介数与其脆弱性的关联性逐渐降低。可见, 提出的计算指标和方法突出了客流特征与乘客需求对轨道交通网络脆弱性的影响, 能够很好地体现轨道交通网络的功能特性。      

基于加权耦合映像格子的地铁网络稳定性演化研究

为研究地铁网络的韧性演化规律，本文从网络连通性、自适应性、有效性角度构建评估地铁网络稳定性的测度指标，考虑交通网络中OD流量分布的影响，提出基于加权耦合映像格子模型的地铁网络级联失效分析方法。以北京地铁2014年和2018年两个网络为例，构建基于P空间客流加权复杂网络的动态稳定性分析模型，选取网络中重要程度不同的3个节点，对这两个地铁网络开展干扰强度不同的模拟蓄意攻击，对比分析北京地铁网络稳定性的演化规律。数值分析结果表明，随着北京地铁网络拓扑结构由小世界网络向无标度网络演化，2018年北京地铁网络的稳定性和抗毁性要显著高于2014年；对客流量大的站点攻击强度越大时，网络节点相继故障传播越显著，网络瘫痪概率也越高，瘫痪速度也越快。本文研究结果可为优化地铁线网结构和站点设置、加强安全运营管理提供科学的理论依据。     

突发事件下地铁网络乘客出行行为仿真模型

城市轨道交通突发事件会对乘客出行行为造成一定影响,同时还将影响网络客流分布。首先分析了突发事件对轨道交通网络客流出行行为选择的影响,建立了乘客Agent和列车Agent模型及系统要素间的交互机制,利用多智能体仿真方法构建仿真模型,对城市轨道交通网络突发情况下的乘客出行行为进行仿真研究。最后通过实验网络进行仿真验算,结果与传统方法对比验证本仿真模型的有效性和实用性。研究可为城市轨道交通网络客流分布计算提供基础,也可为城市轨道交通应急指挥、列车运行方案调整等提供辅助决策依据。     

基于复杂网络的南京城市轨道交通站点重要度评估

随着城市化进程的迅速推进以及大都市城市轨道交通网络化运营的逐步实现,城市轨道交通在城市交通系统中扮演的角色越来越重要,一旦城市轨道交通网络中的重要节点发生了紧急事件,必然会严重影响到城市轨道交通的正常运营。本文主要利用复杂网络理论对城市轨道交通网络进行分析,首先介绍了城市轨道交通网络的复杂网络特征,在此基础上提出利用SpaceL方法构建城市轨道交通网络拓扑结构,并且使用TOPSIS方法构建基于城市轨道交通网络特性的节点重要度评估模型,以南京地铁为例,得出南京城市轨道交通站点重要度排序。确定城市轨道交通中的关键节点,可以给城市轨道交通网络可靠性的研究提供很大的帮助,对于城市轨道交通网络的优化有着重要的意义。     

基于灰色理论的城市轨道交通短期客流预测研究

城市轨道交通短期客流的预测是制定列车调度计划、车站客运组织工作的关键。在研究城市轨道交通的断面客流特征的基础上,建立基于灰色预测的城市轨道交通短期客流预测模型,提出通过若干组连续历史客流数据构建灰色预测模型,以此类推对未来客流进行预测。以某城市轨道交通网络客流为例进行计算,得到预测数据与真实数据误差较小,验证了该模型与方法的有效性。     

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.     

城市轨道交通运输网络级联失效抗毁性研究

城市轨道交通各条线路和车站相互连接,联系紧密,其中的节点故障会在网络迅速传播,造成较大范围的拥堵,影响整个网络的正常运营.本文首先结合轨道交通特性,对城市轨道交通网络的级联失效现象进行分析.采用改进的边权函数来分析节点状态变化,进而产生流量的重分配.接着,建立了城市轨道交通网络级联失效模型,并以网络失效规模和破坏程度两个指标对其进行评估,仿真了级联失效过程并分析了不同失效策略下城市轨道交通网络的级联失效抗毁性.最后,以北京市轨道交通网络为例进行了实证研究.研究结果对轨道交通网络的合理规划、结构优化及运营安全具有重要的参考意义.     

基于综合交通网络的干线公路客流预测方法

提出了一种融合多种运输方式的干线公路客流预测方法;通过引入基于“人次”的标准客运单元和“点-线”的枢纽节点转化方法,将公路、铁路、航空以及水运等不同运输方式子网络进行融合,构建了可体现不同运输方式之间换乘关系的综合交通网络模型;考虑出行经济费用、出行时间、最大出行恢复时间、舒适度等因素,构建了综合交通网络下不同运输方式的阻抗模型;利用额定载客数和单位时间发车次数等参数,实现了综合交通网络下不同运输方式路段最大容量的标定;基于标准客运单元和综合交通网络模型提出了考虑综合交通阻抗的客流分布预测模型,实现了考虑其他运输方式影响的干线公路客流预测,并以黑龙江省哈大绥齐地区为例进行方法验证。研究结果表明:与2019年的实际观测值相比,在无伴行线路时基于综合交通网络的干线公路客流预测方法预测结果平均误差为5.47%,略低于传统四阶段法的6.14%,但在有伴行线路时该方法平均误差为4.58%,远小于传统四阶段法的11.89%;相比传统四阶段法,该方法能够更好地反映综合交通网络结构变化后转移客流对干线公路客流量的影响;相比新增水运线路,新增高速铁路或普通铁路伴行线路对干线公路客流影响更大,更能促使公路客流向铁路进行转移。      

基于可控性的城市轨道交通客流控制车站识别方法

为进一步拓展可控性理论在城市轨道交通客流控制领域的应用,首先根据相邻车站间进出站客流和断面客流的关系,论证城市轨道交通客流网络为线性时不变系统,证明可控性理论在城市轨道交通网络上的适用性.基于严格可控性框架和滞留人数为核心的子网生成策略,得到客流控制车站的识别方法.进一步地,引入机器学习领域的相关评价指标评估该方法的效果.研究结果表明:平峰时段北京市城市轨道交通网络的可控性为0.043,意味着该时段的网络状态较为稳定,无需采取客流控制措施;高峰时段,识别方案在拥堵生成到消散的过程中,更加侧重于对线网中心车站的控制.通过识别方法得到的客流控制方案与实际客流控制方案的吻合度最高可达70％.当两种方案控制车站的数量相同时,识别方法得到的客流控制方案更加侧重于对城市西部和中心区域的站点进行控制.     

基于Kolmogorov熵权的城市轨道交通网络节点重要度识别算法

近年来,我国城市轨道交通系统中延误、破坏事件及运营故障等事故频发,事故站点大多客流量大且交通繁忙,因此识别城市轨道交通网络中的重要节点对于保证网络的正常运营具有重要意义。为更真实地反映现实世界城市轨道交通网络的实际情况,本文首先基于复杂网络理论构建城市轨道交通网络模型;其次在网络拓扑指标的基础上,考虑车站自身属性及其周边区域环境对节点重要度的影响,构建城市轨道交通网络指标评价体系;然后基于混沌时间序列与混沌系统指标序列的共性,采用Kolmogorov熵权法计算指标权重,结合城市轨道交通网络指标数据得到城市轨道交通网络节点重要度排序;最后,通过成都地铁网络的实例研究结果表明：排序前10的关键车站均位于城市中心城区且皆为换乘站点。与信息熵权法结果进行对比发现,本文方法有8个共同的关键站点,且排序结果分布更集中、极端值更少、得分差距更小。研究成果有助于更好地理解城市轨道交通网络的结构特征,为预防事故、优化运营提供了重要理论依据。     

���й����ͨ��������ֲ�����ģ���о�

城市轨道交通网络客流时空分布特征是网络化协同运输组织的基础与核心.本文在系统分析城市轨道交通乘客出行行为的基础上,基于Multi-Agent建模技术,构建了网络客流分布动态仿真模型,应用该模型模拟乘客的网络出行过程,统计分析得到路网的客流分布特征.该模型既能反映乘客网络出行行为全过程,又能满足大规模路网仿真需求.最后,开发了城市轨道交通网络客流仿真系统,通过北京市轨道交通网络的实际数据对模型和算法进行验证.     

城市轨道交通网络化客流特征及成长规律——基于京沪穗深城市轨道交通网络客流数据分析

中国各大城市轨道交通将陆续进入网络化运营阶段,然而对于网络化进程中客流特征及成长规律尚缺乏深入细致的分析与研究。对北京、上海、广州、深圳4个城市轨道交通网络化进程中的客流特征及成长规律进行系统总结,涉及客运量及客运强度、断面客流量分布、线网换乘系数、乘距与运距、客流时间分布等。同时,针对轨道交通沿线土地利用、线网规模、服务水平、票制票价等影响客流特征变化的主要因素进行分析。在此基础上,对当前中国城市轨道交通规划、建设、运营组织的若干关键问题提出建议。     

轨道交通与城市协同发展的空间差异性分析：以北京市为例

为识别轨道交通与城市协同发展程度的空间差异性，以及不同空间范围内城市发展水平对轨道交通客流影响的差异性，引入描述空间集聚特征的莫兰指数Moran's I 建立轨道站点周边城市发展水平评价方法，将轨道站点周边城市发展水平和站点客流空间集聚分布特征作为轨道交通与城市发展协同程度判断标准，划定若干研究区域，利用地理加权回归GWR 模型研究两者空间相关性和城市发展因素对轨道交通客流的影响. 实证研究表明：轨道站点周边城市发展水平与站点客流协同程度较高的区域，城市发展水平对站点客流影响更大；将城市发展因素对站点客流影响程度进行排序，密度高于交通便捷程度、功能多样化程度和发展紧凑度.     

广州市轨道交通客流特征分析

科学合理的预测轨道交通客流状况已成为轨道交通系统决策中面临的重大课题,需要在实践中不断积累、完善和提高。根据广州市轨道交通运营资料,从网络、线路、车站三个层面探讨轨道交通从单线向网络转变过程中的客流特征和成长规律,为客流预测模型的参数选择提供参考。分析发现：随着轨道交通网络的扩展,客运强度边际效应递减、换乘系数增大、平均运距增长;从线到网,换乘客流成为客流增长的主要来源;不同类型车站的客流特征差异较大,预测时应分类考虑。     

基于动态反馈神经网络的城市轨道交通短期客流预测

城市轨道交通短期客流的预测是制定列车调度计划、车站客运组织工作等的关键。文章在研究城市轨道交通的断面客流特征的基础上,建立基于动态反馈神经网络的城市轨道交通短期客流预测模型,提出通过若干组连续历史断面客流数据训练动态连续的神经网络,以此对未来客流进行预测;并以北京轨道交通某日早高峰客流为例进行分析,验证了该模型与方法的有效性。     

�����й����ͨ��������������ɳ�����

目前国内许多大城市都在建设或者规划城市轨道交通,客流资料是项目的必要性论证、方案比选、确定系统规模、进行效益分析的基础,科学合理地预测客流已成为决策中面临的重大课题,及时总结城市自身的轨道交通成长规律和客流特征,有助于提高客流预测的准确性.本文根据广州已开通的八条轨道线运营资料,对轨道交通从单线向网络转变过程中的成长规律和客流特征进行分析.最后,从公交整体水平提升、换乘点接入、站点周边用地开发、以及轨道票价制定等方面提出相关建议,为我国轨道交通客流预测水平的提高奠定基础,为轨道交通的建设、运营提供参考.     

城市轨道交通与地面常规公交换乘客流预测模型研究

轨道交通与地面常规公交共同支撑着城市公共交通系统.一个城市轨道交通系统效率的发挥,有待于作为集散客流重要交通方式的常规公交的配合,科学地分析与预测轨道交通与常规公交之间的换乘客流量,可以为确定交通枢纽建设的合理规模、各种交通工具在枢纽中的布局分布等提供依据.本文在总结各种客流预测模型的基础上,针对城市的不同情形给出了不同的换乘客流预测模型.     

基于常规公交的轨道交通站点吸引范围研究

在进行城市轨道交通规划与运营优化时,需要对客流进行分析,其中确定城市轨道交通站点的吸引范围属于关键性问题。考虑到不同用地性质的轨道交通站点承担的交通功能不同,对城市轨道交通的站点进行分类,建立基于聚集效应的城市轨道交通站点客流吸引范围模型,并通过实例进行分析,得到轨道交通站点对常规公交客流的合理和最大吸引时间,从而确定不同类型站点的客流吸引范围。     

COVID-19在城市轨道交通系统内的传播建模与预测

考虑城市轨道交通出行特征, 将新冠疫情下城市轨道交通系统内的乘客分为易感者、感染者、暴露者; 假设病毒自由传播, 以疫情发生初期的病例为研究对象, 结合相关研究, 选择病毒传染概率为0.41;将感染者乘坐城市轨道交通的过程分为出入站阶段和乘车阶段, 考虑病毒有效传播范围、人群分布特征、人群流动特征, 建立新冠疫情在城市轨道交通系统内部的传播模型; 以某市地铁为模拟案例, 假如有13个感染者乘坐地铁, 结合历史客运数据确定模型参数的取值, 预测不同载运水平下可能造成的感染人数, 同时研究与可能感染人数相关的各类要素。研究结果表明: 当载运水平降低至平均水平的10%时, 多数案例的可能感染人数降低至1人以下, 证明了城市轨道交通客流管控强度的有效性, 起终点站内人数折减引起的感染人数变化(小于20%)低于车厢人数折减引起的变化(60%~80%), 说明相比起终点站内人数, 车厢内的人群密集程度对可能感染人数的影响更加显著; 在经停时, 假如上下车人数之比不大于1, 则能有效控制可能感染人数的升高; 当经停站数与可能感染人数非线性正相关时, 载运水平、经停站数、可能感染人数之间的函数关系具有较高的拟合优度(决定系数为0.700 1)。