基于行为分析的突发事件下城轨站间客流分布预测

提出突发事件下城市轨道交通(城轨)站间客流分布预测方法,旨在为制定突发事件下的应急预案和运营管理措施提供决策支持。首先,提出突发事件下城轨受影响客流界定算法,界定受影响的客流;然后,针对受影响客流,基于非集计理论构建突发事件下城轨乘客的出行选择行为模型,捕捉受影响乘客的出行选择偏好;其次,建立突发事件下的多方式备选出行方案集合,结合乘客出行选择行为建模结果,预测突发事件下城轨站间客流的重分布。最后,基于某突发事件下某城市轨道交通系统的历史客流数据,对该预测方法进行验证。结果表明,该方法能够捕捉到突发事件下城轨乘客的出行行为特征,分时站间客流预测的平均绝对误差为2.05人,预测效果较好。     

基于AFC数据的突发事件下城市轨道交通乘客路径决策研究

为了更好地刻画突发事件下城市轨道交通乘客路径决策行为,提出一种基于AFC数据的乘客感知路径决策分析方法。通过突发场景问卷调查数据,构建突发事件下乘客等待时间阶梯函数。依据突发事件下城市轨道交通乘客出行特点,建立突发事件下路径效用函数。考虑乘客出行行为受期望到达时间约束影响,构建乘客感知的路径决策模型,计算各路径选择概率。算例实验结果表明,模型计算结果与真实值相对误差不超过15%。将突发事件下与正常情况下的进出站客流、换乘量和断面客流量进行对比分析,掌握突发事件下路网客流分布规律。     

基于非参数回归的城轨实时进出站客流预测

为准确预测城轨实时进出站客流,构建基于非参数回归的实时进出站客流预测模型。首先,对不同特征日分时进出站客流量进行对比分析,据此构建历史数据库;其次,通过计算历史分时数据的相关系数,并设置阈值对分时客流数据间的相关性进行判断,从而确定合适的非参数模型状态向量;再次,根据K近邻样本与预测目标的客流量差异性,设计基于权重加权的预测算法;最后利用广州市城轨客流数据对预测模型进行精度分析,对全网站点多天的预测结果显示:全天平均绝对百分比误差均在2%以下,分时平均绝对百分比误差均在14%以下,表明模型具有较高的预测精度和良好的适用性。     

突发事件下城市轨道交通网络客流重分布预测方法研究与应用

城市轨道交通发生突发事件后,准确把握乘客出行路径选择行为特征及受影响客流分布是保障应急处置高效、有序的关键。基于突发事件下乘客出行行为特征变化的分析,提出了受影响客流的界定算法;基于突发事件下乘客出行方案选择模型和多方式出行备选路径集的构造,建立了突发事件下网络受影响客流重分布预测算法。利用广州地铁5号线某一突发事件数据对预测模型进行了精度分析,验证了模型的适用性和有效性。     

基于回归分析的乘客平均延误时间模型研究

地铁是大城市交通出行的主要方式。对于地铁乘客来说,延误时间是影响乘客的满意度和地铁的服务水平的一个重要指标,与客流量和发车间隔密切相关。现有研究缺乏基于客流数据的乘客延误时间与客流量、进站时间及发车间隔之间定量关系的研究。文章根据福州地铁1号线的200多万条AFC刷卡原始数据统计分析出6 000多组客流量、进站时间、发车间隔和乘客延误时间的数据集,并通过3种经典回归分析算法进行分析,结果表明采用决策树回归算法的误差最小,可为地铁列车运行时刻表优化提供理论支撑。     

基于Logit模型的客运专线旅客选择行为分析

以铁路旅客为研究对象,模拟客运专线建成后的情景,调查旅客在客运专线建成后对高速列车和高频率列车换乘方式的选择偏好.介绍了非集计模型的特点、意向调查问卷设计及调查的实施方法.基于2008年6月旅客调查的样本数据,分析影响旅客选择行为的重要因素.利用非集计理论和方法,构建旅客的选择行为模型,包括旅客对高速列车的选择行为模型、旅客对高频率列车换乘模式及直达列车的选择行为模型,进行了参数标定和分析,量化影响因素对旅客选择行为的影响程度.利用所建模型对旅客选择行为进行预测,预测结果与观测数据的对比分析表明,两模型的预测准确率分别为85.27%和81.18%.所得结论可为快速客运网络条件下客运服务产品的设计提供依据.     

成网条件下地铁换乘量预测方法研究

换乘量预测是换乘站设计、客流组织及安全应急预案编制的重要基础。近年来,地铁网络化运营快速发展,成网条件下地铁换乘量预测成为一个亟待解决的问题。本文在研究成网条件下乘客路径选择行为的基础上,结合全网客流分布规律,提出成网条件下地铁换乘量预测方法。首先,考虑乘车时间、换乘次数、换乘时间和拥挤度等地铁服务水平变量后,通过引入角度费用指标表述路网结构和路径走向等网络特征对乘客路径选择的影响,建立地铁乘客出行路径选择模型,分析乘客潜在的路径选择偏好。其次,基于各因素等效乘车时间换算和乘客对出行时间的容忍程度分析,使用K-最短路算法构造所有站点间的有效路径集合,结合首末班车限制设计MSA法进行随机网络客流加载,提出不同时间粒度下各换乘站换乘量的统计算法。最后,基于本算法对北京市地铁换乘量进行预测,结果表明:角度费用对乘客的路径选择行为产生显著影响,全天换乘量的分时变化规律与实际情况相符,使用本方法预测换乘量具有较好的可靠性和准确度。     

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。     

基于公交IC卡数据的成都市地铁与常规道路公交换乘客流特征分析

基于公交IC(集成电路)卡数据识别成都地铁1、2、4号线各车站进出站客流量、地铁与常规道路公交换乘量,分析地铁与常规道路公交的换乘率、换乘客流的时间分布和空间分布特征。从而得到基于地铁与常规道路公交换乘特性下的站点类型,并针对不同的站点类型制定了接驳策略。     

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。     

北京地铁西直门站换乘流线优化方案探究

北京地铁西直门站是大型换乘站,采用单向换乘模式。根据西直门站的周边条件,从客流量、站内设施布局和标志设置入手,通过分析4号线建成后西直门站换乘流线及换乘客流的现状,指出了西直门站乘客换乘方式存在的主要问题。提出了优化换乘流线(方案1)及工程改造(方案2)两个优化方案,并对方案2的换乘客流进行了仿真及评价。方案2解决了西直门站3线换乘问题,提高了西直门站的换乘效率。     

城市轨道交通乘客半补偿路径选择建模与应用

城轨网络规模的扩大使乘客可选的路径增多,但通常乘客只考虑容忍阈值范围内的路径(即有效路径集合生成),然后从中择优。本文构建的半补偿Mixed Logit模型,基于贝叶斯理论将两个子过程统一,并将偏好系数和阈值参数处理成随机变量以体现乘客的异质性。融合马尔科夫链蒙特卡洛法与数据扩张技术,可内生标定所有参数。基于广州地铁调查数据标定的结果显示,内生标定的出行时间和换乘次数阈值更精准,且所建模型更优。将模型应用于预测广州地铁六号线接入后的换乘量,平均相对误差为5.19%,说明所建模型适应于网络结构变化下的客流预测。     

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。     

城市轨道交通客流量实时预测模型

城市轨道交通客流预测方法主要有基于调查的客流量预测方法和基于实际流量的事后统计方法。针对目前尚无根据实际客流量数据预测各个站的客流量的模型,提出了利用实际到站的客流量数据,通过建立灰色模型和马尔科夫链,预测下一站实际客流量的实时预测模型。试验仿真表明,该模型能较好预测实时客流量。     

铁路客运站站前公交车场规模预测方法

在分析铁路客运站站前公交车场规模影响因素的基础上,根据铁路客运站高峰小时到发客流量、接送人流、铁路系统内部换乘系数以及客运站城市人流等确定高峰小时站前总客流量,利用可变权重的广义费用函数建立站前公交分担率计算式,从而测算高峰小时站前公交车场的客流量及其需要的公交车数量;分别对站前公交车场及其公交站台的布局形式进行分析,进而根据公交候车区面积、公交停车区面积、公交换乘区面积和公交换乘区车道面积确定站前公交车车场的基准面积;利用数理统计学方法确定环境空间比以及附加面积系数,建立站前公交车场规模预测模型。以此模型对高铁武汉站的站前公交车场的规模进行预测,并与实际公交车场规模进行对比,验证了预测模型具有较高的准确性。     

基于上海轨道交通刷卡数据的乘客出行模式研究

乘客出行模式研究是深入认识城市交通的基础性工作,也是交通规划的重要技术支撑。基于上海轨道交通刷卡数据分析网络客流特征,以轨道交通出行全过程出行链视角对进出站客流量、站间客流量、乘距等出行要素的空间模式开展研究,发现上海轨道交通进站和出站客流量分布均呈现对数正态分布特征,乘客乘距服从负二项分布特征。研究同时发现,相比于幂律分布,上海站间客流量分布更加适合采用对数正态分布拟合。此外,工作日客流和周末客流在空间分布总体形态上较为接近,工作日客流分布更为集聚,周末客流分布则更为离散。     

巴黎市域轨道交通线路及车站布置特点分析

分析了巴黎市域轨道交通(RER)线的发展建设过程和线路特点,并重点研究了市域轨道交通线的几种主要车站布置形式。折返站布置能适应一端折返,且能满足列车越行的需要;终点站的折返能力和存车能力加强;换乘站合理设置侧线、渡线和相应的连络线;分岔站的布置应尽量避免主线和支线间的行车干扰,方便乘客换乘。这些市域轨道交通线线路、车站设置的特点对我国市域轨道交通线的规划、建设具有借鉴作用。     

基于粒子群优化与宽度学习系统的地铁客流预测模型

为了提高地铁客流量预测的准确性，基于传统的PSO(粒子群优化)算法与BLS (宽度学习系统),提出一种新的地铁客流预测模型，即PSO-BLS算法。首先，对地铁站点的繁华程度、前一时段进站量、前一时段出站量及前一时段断面客流量等参数进行分析，并根据分析结果提出需要根据工作日和双休日分别对地铁客流量进行预测。其次，利用PSO算法对BLS的特征层偏置进行优化。最后，以福州地铁1号线AFC(自动售检票)系统中记录的大量乘客出行数据为例，对所提PSO-BLS算法进行验证。验证结果表明：与传统的地铁客流量预测算法BP(反向传播)神经网络和ELM(极限学习机)相比，PSO-BLS算法获得的计算结果在多项性能指标中均取得了较优异的表现；对BLS的特征层偏置进行优化可以提高BLS的计算精度，为地铁客流量预测提供更精确的计算结果。     

城市轨道交通出行者多方式换乘行为决策研究

本文选取北京城铁13号线望京西站进行研究,分析得出普通换乘站点多方式衔接换乘的特点,建立以轨道交通、公交车、出租车3种主要换乘方式,及私家车、自行车、步行3种附加交通方式为选择肢,构建基于出行目的、衔接距离双重因素最优的广义-Logit方式选择模型,并以此为基础提出普通轨道交通站点多方式客流衔接换乘预测方法,通过对模型参数进行标定及对比验证,证明该方法能够客观和精确的预测轨道交通与衔接交通方式之间的换乘客流量,研究成果对未来轨道交通站点多方式换乘设施布设,客流交通组织具有一定的指导意义.     

城市轨道交通市郊线快慢车开行比例优化研究

轨道交通市郊线连接了郊区与中心城区,乘客出行具有比较明显的时空分布不均的特征。对市郊线快慢车的开行比例进行优化研究可以有效解决乘客滞留,节约运营成本。以灰色预测模型为基础,通过历史客流数据预测未来短期各时段内的客流量。根据预测的客流值,建立市郊线某工作日各时段开行比例的优化模型,并使用分支定界法进行求解,并以上海轨道交通16号线为例进行了线路开行比例的优化研究。可以为市郊线快慢车开行比例的确定提供参考。