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FCM聚类的复杂交通网络节点重要性评估

网络关键节点的评估与选择对于区域交通信号控制系统的实施具有重要意义,国内外广泛应用的SCOOT/SCATS等区域交通控制系统关键交叉口的选取往往以交通流量大小、节点间距等为参考,较大程度上依赖经验. 本文以节点连接度、节点介数和交叉口高峰小时交通流量为评价指标,应用FCM模糊聚类方法给出交叉口的重要性分类方法,实现城市复杂交通网络的关键节点选择,并以北京市长安街沿线周围交叉口为例进行了实证研究. 研究表明：当聚类数取3、4和5时长椿街路口、府右街南口和和平门路口均呈现出极高的聚集性,且聚类中心体现的交通特性与实际工程中的关键交叉口基本相同. 本文方法可为区域交通控制系统的关键节点选择提供理论基础.     

����FCM����ĸ��ӽ�ͨ����ڵ���Ҫ������

网络关键节点的评估与选择对于区域交通信号控制系统的实施具有重要意义,国内外广泛应用的SCOOT/SCATS等区域交通控制系统关键交叉口的选取往往以交通流量大小、节点间距等为参考,较大程度上依赖经验. 本文以节点连接度、节点介数和交叉口高峰小时交通流量为评价指标,应用FCM模糊聚类方法给出交叉口的重要性分类方法,实现城市复杂交通网络的关键节点选择,并以北京市长安街沿线周围交叉口为例进行了实证研究. 研究表明：当聚类数取3、4和5时长椿街路口、府右街南口和和平门路口均呈现出极高的聚集性,且聚类中心体现的交通特性与实际工程中的关键交叉口基本相同. 本文方法可为区域交通控制系统的关键节点选择提供理论基础.     

��������1���߳�վ��ʩ�������ϵ����

随着地铁客流不断增加,地铁车站相关设施也日益暴露出与之不相适应的各种问题。本文主要以北京地铁1号线为研究对象,选取典型车站与车站关键设施为主要研究对象,重点对客流实际通过能力及客流分布规律进行调研,通过现场调查等手段得到大量车站设施实际通行能力的一手数据,并与地铁设计规范相比较,发现当前客流量下部分地铁车站设施存在运力不足等问题。在借鉴国内外学者研究成果的基础上,本文拟合归纳出北京地铁1号线站台集散区和上行楼梯处客流速度与密度理论关系曲线,回归出得到相应数学模型。最后,文章针对这些问题给出了相应的建议,为提升车站通行能力和服务水平提供决策参考。     

战略投送视角下铁路网抗毁性研究

在战略投送视角下,分析了铁路运输在战略投送中的主导地位,明确了铁路网抗毁性的定义。基于复杂网络理论,运用介数和度识别铁路网中节点的重要度,利用matlab模拟铁路网遭受随机、介数优先和度优先三种攻击模式下的抗毁性。结果表明:在介数优先和度优先攻击下,东部战区铁路网表现出较差的抗毁性;在随机攻击下,表现出较强的鲁棒性。因此提高铁路网络抗毁性要进行合理的规划布局,避免产生介数和度值大的节点;对已存在的重要节点,要建设环线、迂回线等分流及备用线路,做好战备预案。     

铁路货物运输网络关键节点识别算法研究

为了提高铁路货物运输网络安全性,科学合理分析铁路货运车站重要性,将货运车站看作节点,货运站间货物发送业务抽象为边和转移行为,构建成一个货物运输网络.在此基础上首先运用网页排序算法计算得到每个车站重要度时间序列样本,然后将每个车站重要度抽象为随机变量,接着用高斯混合分布拟合重要度样本得到各车站重要度分布函数,最后以分布函数均值作为重要度衡量数值.以中国铁路成都局集团有限公司为案例进行计算,结果表明:一、二、三、四等车站平均重要度分别为4.59、2.99、4.24和2.76,说明一等站和三等站是网络中最重要的车站集群,其中三等站小寨坝是网络中最核心节点,其重要度值为118.28,与实际数据统计分析结果一致,证明了该方法的有效性.     

基于复杂网络理论的广州轨道交通网络可靠性研究

城市轨道交通网络是由轨道线路和车站组成的复杂网络,利用复杂网络理论探讨轨道线网的可靠性对提升其可达性和运营效率有重要意义. 采用space L方法对广州轨道交通网络进行了拓扑建模,计算分析了节点度、聚类系数、平均路径长度等指标及其分布规律,并重点研究了换乘车站故障情况下整个轨道交通网络受影响程度及可靠性. 结果表明,现阶段广州轨道交通网络呈现随机网络的特征,换乘车站发生运营故障将严重影响网络中的较长距离出行,降低轨道交通网络的客流吸引度,广州轨道交通网络在换乘车站故障后其全局效率降低,局部效率不变,车站之间的紧密程度较差.     

���ڸ����������۵Ĺ��ݹ����ͨ����ɿ����о�

城市轨道交通网络是由轨道线路和车站组成的复杂网络,利用复杂网络理论探讨轨道线网的可靠性对提升其可达性和运营效率有重要意义. 采用space L方法对广州轨道交通网络进行了拓扑建模,计算分析了节点度、聚类系数、平均路径长度等指标及其分布规律,并重点研究了换乘车站故障情况下整个轨道交通网络受影响程度及可靠性. 结果表明,现阶段广州轨道交通网络呈现随机网络的特征,换乘车站发生运营故障将严重影响网络中的较长距离出行,降低轨道交通网络的客流吸引度,广州轨道交通网络在换乘车站故障后其全局效率降低,局部效率不变,车站之间的紧密程度较差.     

基于网络客流传播的轨道交通关键站点识别

为了更为真实的反映城市轨道交通网络的实际运营情况,在复杂网络理论基础上,进一步考虑客流因素的影响,提高网络中关键站点识别的准确性,通过分析站区间断面客流来源,根据普通站和换乘站的客流运输功能特征,分别构建了客流传播模型,对历史刷卡数据配流统计标定模型参数,并结合复杂网络的度与介数提出了4个关键站点识别指标.以某市轨道交通网络为例,利用刷卡数据对某工作日早高峰时段进行了全网动态客流演示并展示关键车站.研究结果表明:关键线路为1号线与10号线,南站、西二旗、天通苑附近乘客滞留严重,客流负荷强度大的车站更易受到大客流的冲击;本文所构建的客流传播模型可动态显示全网各区间等级及滞留车站的变化,并能综合真实客流、线路运输能力以及线网结构三方面的指标识别关键站点,可更有效地为轨道交通网络安全管理提供参考.     

基于复杂网络理论的中国航空网络结构实证研究

运用复杂网络理论,对中国国内航空网络结构进行了实证分析.研究表明,中国航空网络是一个小世界网络,其度分布服从双段幂律分布.与2005年网络结构比较,其平均最短路径长度和簇系数均下降了,而节点及节点平均度都有增加.节点吞吐量点强度和航距点强度与度均呈现正幂律关系,而且度对节点吞吐量的影响大于对航距的影响.介数与度的分布在...     

基于客流加载的城市轨道交通网络关键点分析

在城市轨道交通网络化运营中,节点重要度的有效评估对优化网络结构、提高网络运营效率具有十分重要的意义。以网络节点为研究对象,改进经典space L模型,考虑运用同异站台换乘构建网络拓扑结构,建立客流均衡分配模型,基于复杂网络理论,提出网络客流加载条件下车站节点重要度的3个评价指标,分析各指标与实际客流的相关性,得到节点重要度的综合测算模型。以北京地铁网络进行实例分析,结果表明客流加载条件下的节点重要度更符合地铁网络的运营实际。     

北京市轨道交通线网客流分布及成长规律

为了应对城市轨道交通快速建设带来的客流规模及分布的变化,有必要对线网客流变化趋势及成长规律进行研究。以北京市轨道交通系统IC卡数据为基础,从客流量的空间、时间分布等角度分析轨道交通网络化运营客流特征。分析轨道交通新线开通产生的诱发客流和转移客流,揭示新线开通对既有线路客流分布的影响。最后,从线网规模、线位、线网布局等方面归纳轨道交通线路及线网客流成长的一般规律。     

融合网络拓扑结构特征与客流量的城市轨道交通 关键节点识别研究

科学合理地识别轨道交通网络的关键节点，并制定针对性的维护管理措施，有助于保障轨道交通的稳定运行。网络中的节点在局部发挥着对外传输与连接的作用，在全局中影响着网络的传输效率，同时，也必然受到其他节点的影响，本文提出一个考虑邻居节点影响的改进节点度模型评价节点的局部重要性，以及一个考虑其他节点影响的改进节点效率模型评价节点的全局重要性，基于改进的节点度模型和节点效率模型构建节点网络拓扑结构重要度评价模型，综合反映节点的局部重要性和全局重要性，也能反映其他节点对目标节点的影响；以进出站客流和换乘客流为基础建立节点客流量重要度评价模型；进一步构建综合考虑节点网络拓扑结构重要度和客流量重要度的关键节点识别模型，更加全面地评价节点的重要性，并以西安市数据为基础进行实例验证。结果表明：本文模型所识别出的关键节点，能很好地体现节点在网络中的功能特性；排名前5的关键节点失效，会导致客流损失34.41%，网络效率降低57%，相对最大连通子图比例下降91.82%，证明了模型的有效性。     

寒地城市地铁客流特性及网络失效研究

为分析寒地城市地铁客流与网络特性，挖掘客流与寒地气候的相关性，本文利用《寒区城市多模式公交协同运营技术与示范工程》2013—2020 年共 8 年 11 万余条地铁客流数据进行研究。提出效用阻抗Space L-Space P模型建立地铁抽象网络，将时间维度细分为周、月和年这3类， 研究地铁客流特性与扰动因素，并建立寒地城市地铁网络失效模型，分析扰动后地铁站点与线路的客流分布。进一步选取哈尔滨市与南京市地铁数据，运用转移熵因果关系分析地铁网络客流分布与气候的相关性，得到寒地气候对地铁客流的影响。研究表明：所采集的地铁客流数据能够充分展现客流的状态与变化趋势，能够满足客流数据分析的精度与质量要求。近8年，哈尔滨市地铁客流呈现明显的增长趋势，地铁客流分布呈现2月为客流低峰，3月客流逐步回升，3~12月客 流较平稳且具有轻微波幅；换乘客流中夏季呈现8月大于7月大于6月的趋势，冬季则2月换乘客流最低，大多在周一与周五达到周换乘客流量极值。由地铁网络失效模型识别出关键站点，得到 哈尔滨市冬季客流略高于其余3季，冬季地铁网络较脆弱，结合实际数据的模拟分析表明，温度与地铁客流具有一定相关性，且哈尔滨市的相关性大于南京市。     

北京市轨道交通乘客出行方式选择分析

轨道交通作为城市公共交通的一种承担方式,近年来在大城市公共交通中扮演着越来越重要的角色,因此对轨道交通乘客出行方式选择的分析显得尤为重要. 本文通过对北京地铁5号线进行乘客问卷调查,掌握乘客到离轨道交通系统的方式选择规律及客流空间分布规律. 研究结论主要有：选择步行方式换乘客流量是最大的,客流主要来自直接服务区,选择常规公交换乘轨道交通的比例次之,选择小汽车出行的人一般都是驾车到有条件的车站进行P+R换乘. 在上述数据分析的基础上,提出了轨道交通系统在规划设计上尽可能根据站点的吸引范围及区域特征实现地面公交、自行车、步行、出租车、私家车等与地铁的近距离换乘.     

基于多层复杂网络的中欧班列运输网络关键节点识别研究

若运输网络中的重要节点发生故障,中欧班列的运输效率和货物流动会受到严重制约。 本文提出一种基于改进TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution) 法及灰色关联分析的多层网络节点重要性评价方法。首先,以中欧班列运输网络结构特征为基础,构建中欧班列多层网络;其次,选取度中心性、介数中心性及接近中心性等多个评价指标,运用改进TOPSIS法计算节点单层网络重要度评价值,采取灰色关联分析融合得到节点综合重要度评价值;最后,利用多层网络SIR(Susceptible Infected Recovered Model)模型验证方法的有效性。 结果表明：本文识别出的关键节点包含中欧班列主要线路的起讫城市、境内外重要口岸和中欧班列集结中心,结果与实际情况较为契合;采用排序前10%重要节点作为初始感染节点,SIR网络感染率在 20 次迭代后达到 97.8%,本文提出方法的网络节点感染率及传播速率均高于 BC (Betweenness Centrality)算法、DC(Degree Centrality)算法和PageRank算法等传统单一网络排序方法,即识别的关键节点对全局网络的影响更为普遍和高效。此外,根据排序结果从国家层面提出相应的政策建议,有助于提高中欧班列运输网络的鲁棒性。     

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。      

东京、首尔轨道交通客流成长规律与特征分析

为研究大城市轨道交通客流发展趋势及线路高峰小时断面客流特征,选取东京地铁、私铁及首尔地铁的多条线路,调查了从运营初期至2000年的客流数据。通过趋势图分析,总结并验证了位于建成区范围的轨道交通线路遵循＂客流追随型＂成长的一般规律;而位于外围新开发区域的轨道交通线路遵循＂客流引导型＂成长的一般规律。对比分析东京典型轨道交通线路断面客流资料,得到该市轨道交通线路高峰小时高断面客流位于环线及大型换乘枢纽附近,高断面高峰小时系数在24%~35%的结论。