基于地铁售检票系统刷卡数据的乘客出行模式分析

地铁自动售检票系统可以采集大量乘客刷卡数据,可提供更全面的地铁乘客时空信息。对乘客的出行模式分析有利于城市轨道交通运营企业预测地铁客流和制定运营策略。提出了分析地铁乘客出行模式的数据挖掘方法:对地铁刷卡数据进行预处理,根据其时空信息生成乘客出行链;分析反映乘客时空特性的聚类变量;利用K-means聚类算法对各聚类变量进行乘客聚类;分析潜在的乘客出行模式。以深圳地铁刷卡数据为例,对提出的地铁乘客出行模式分析方法进行了试验验证。     

土地利用因素对城市轨道交通车站客流的时空影响分析

通过建立城市轨道交通站点周边各类用地与客流的拟合模型,分析土地利用因素对客流的时空影响,为制订相关土地利用政策、合理组织站点客流提供依据。基于西安地铁4号线乘客出行特征数据,建立基于地理加权回归(GWR)的车站客流回归模型,量化分析了用地属性对车站客流的时空影响。结果表明:土地利用因素对早高峰出站客流、晚高峰进站客流的解释力较强;土地利用类型对客流的影响具有时空异质性,时间维度的变化与乘客出行目的有关,空间维度的变化与城市空间结构有关。与普通最小二乘回归模型相比,GWR模型能够刻画变量之间的空间异质性,具有更高的拟合精度。     

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。     

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。     

基于多时间粒度的地铁出行规律相似性度量

乘客出行规律对城市轨道交通运营管理至关重要,而不同时间粒度下观测到的客流规律差异较大。以往研究缺乏多时间粒度车站层级客流规律的量化研究。本文基于刷卡数据分析不同时间尺度下地铁出行规律的相似性。构建客流时间序列模型和相似性度量方法,使用连续五周北京地铁刷卡数据分别度量1 min到720min共16个时间粒度下,进站客流和OD客流与历史同期的相似性大小,并基于度量结果给出一定精度要求下预测短时进站量和OD量时的最小时间粒度推荐值,以综合相似性指标对全网车站的可预测等级进行划分。多角度统计分析结果表明,工作日客流与历史同期相似性较大,高峰比平峰、早高峰比晚高峰相似性大。     

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。     

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。     

城市轨道交通客流分布短时预测模型研究及应用

客流分布短时预测对于城市轨道交通运营管理和乘客出行服务具有重要的实际意义。采用自底向上的网络建模技术,利用动态仿真方法模拟乘客出行行为,构建城市轨道交通客流动态分布仿真模型,进行城市轨道交通线网客流分布短时预测,并通过实际AFC(自动售检票)刷卡数据进行二元校验。依托北京市轨道交通安全防范物联网应用示范工程,将其应用于北京地铁运营实践中,结合实例验证了模型的可行性和有效性。     

基于GA-SLSTM模型的城市轨道交通短时客流预测

城市轨道交通短时客流预测可为相关运营部门实时调整行车调度、提高运营效率提供重要的决策依据,为乘客提供合理出行建议。因此,针对具有非线性和随机性等特性的地铁进出站短时客流预测问题,文章在堆叠式长短时记忆（SLSTM,Stacked Long Short Term Memory）模型的基础上,引入遗传算法（GA,Genetic Algorithm）,构建了GA-SLSTM预测模型。以10 min为预测粒度对地铁历史运营数据进行整理,分析了客流变化特征,并将其与GA-循环神经网络（RNN,Recurrent Neural Network）模型和LSTM模型的预测效果进行对比。GA-SLSTM预测模型对普通站点和换乘站点预测值的决定系数R2的平均值分别达到0.95和0.90,预测值对真实值的拟合效果较好,预测误差低于其他2种模型,证明该方法可提高地铁短时客流预测的准确性。     

基于客流需求的城市轨道交通动态时刻表优化模型

为使城市轨道交通列车运行时刻表更贴合客流需求,依据不断变化的客流需求确定每列车的发车时刻和停站时间,采用多目标优化方法构建以乘客出行时间费用和列车运行时间费用最小为目标、列车发车时刻和停站时间为决策变量的城市轨道交通动态时刻表优化模型,并采用粒子群算法求解。以广州地铁13号线为例进行验证,结果表明优化后的时刻表更满足客流需求,能有效地提高乘客出行效率,具有更好的动态适应性。     

基于图像采集技术的地铁站台客流引导系统

地铁快速发展带来的高密度客流冲击,对地铁的运行效率,乘客出行的快捷性、实时性、舒适性造成了一定的影响。基于以上问题,对客流分布进行研究并提出基于图像采集技术的地铁站台客流引导系统,此系统是基于车厢内的摄像头采集客流信息,通过地铁运营方的数据库与处理中枢对客流信息进行分析处理,得出客流引导信息,同时显示在站台门上侧的屏幕上,实时显示列车客流信息。结果表明,通过本系统对于客流的引导,可以部分代替引导人员的安排,节省了大量的人力,使乘客快速舒适出行,可以有效提高地铁运行效率。     

上海轨道交通施行弹性票制促进网络高峰时段客流均衡的可行性研究

乘客出行决策是影响地铁网络客流均衡的重要因素之一。以上海轨道交通网络为例,分析了现行票制下的客流时空特性;基于问卷调查数据,分析了弹性票制下乘客的出行决策行为,提出了3种高峰时段弹性票制方案。在高峰时段施行弹性票制,以此实现地铁网络客流均衡是可行的。     

西安首条地铁线路初期运营客流特征分析

以西安首条地铁线路(2号线)初期运营客流特征为分析对象,通过对客流时间及空间分布特征分析,运用数理统计方法计算得到2号线开通后不同阶段工作日和休息日的客流分布、站点乘降量、客流断面空间分布及乘客出行特征。通过这些数据可掌握西安地铁2号线的客流特征和增长趋势,为西安地铁后续线路的规划、设计及运营准备等提供参考。     

基于GRNN神经网络的地铁疏散预警及对策研究

针对国内地铁车站客流无序性和突发性的现状,提出基于广义回归神经网络GRNN的地铁车站客流预警模型。以南京地铁全线网某时段客流数据为输入样本,运用GRNN神经网络进行训练与测试,得出预测数据并对比实际数据进行误差分析。结果表明:预测数据拟合,精度可行。将预测数据与南京地铁实时客流预警系统相结合,提出突发性大客流应急情况下的运营服务对策措施,为地铁运营管理单位避免突发大客流造成人员踩踏、恐慌等事故提供参考。     

城市轨道交通乘客出行路径精准分析算法研究

乘客准确出行路径的计算是精准客流分析的关键，而既有技术方法在路径计算准确性及出行链颗粒度、时效性和实现成本方面还没有形成完整的解决方案。基于人车耦合的技术理念，构建不同换乘次数出行类型的时间序列，并通过同时段不同出行路径重叠过程耗时的相互替代，实现对出行路径详细时间序列的准确计算，进而推算出乘客准确出行路径。基于大数据技术，实现对海量乘客出行路径的快速分析计算，能够以低成本方式为以客流为驱动的精准化行车组织、客运组织和个性化乘客服务等应用场景提供关键数据支撑。     

考虑峰值数据重平衡的地铁客流预测研究

地铁客流预测是城市轨道交通系统日常运营管理的基础,尤其是对突发大客流影响时的准确客流预测,能够有助于缓解城市地铁运营压力并降低安全风险。虽然目前的地铁客流预测方法在对日常客流预测准确性上有较好的表现,然而由于忽视了客流波动造成的客流峰值和谷值数据量不平衡,其对客流的峰值预测效果并不佳。为了进一步提高客流预测精度,考虑从峰值数据自身特征出发,通过聚类模型判断客流类别并验证不同客流类别间显著的不平衡问题,参照分类任务中类别不平衡问题的处理方式,通过欠采样、随机过采样和合成少数类过采样3种数据平衡方式,实现客流平衡处理。同时,采用支持向量回归、人工神经网络和长短时记忆神经网络3种预测模型,进行客流预测并对比不同数据平衡方式对模型性能的影响。研究结果表明：相比于未对训练集进行数据平衡处理,类别平衡在一定程度上提升了模型的预测精度;基于合成少数类过采样技术平衡数据的支持向量回归模型可以提供最佳的进站客流预测精度;基于随机过采样技术平衡数据的长短时记忆神经网络模型可以提供最佳的出站客流预测精度。研究结果可为客流波动较大情况下的城市轨道客流精准预测提供理论依据。     

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。     

考虑动态客流需求和大小交路模式的城市轨道交通列车开行方案优化

分析乘客出行需求的时间、空间分布特征,采用4参数Logistic函数对累计客流曲线分段拟合,推导各车站在任意时间段内客流需求量的计算公式。考虑客流需求的动态特征和大小交路模式下列车发车间隔时间的特点,以减少乘客平均等待时间、提高列车平均满载率以及减少列车总走行公里数为优化目标,建立列车开行方案的多目标混合整数非线性优化模型;利用改进的NSGA-Ⅱ对模型求解,并根据模型特征设计特殊结构的编码方式。以西安地铁2号线的实际运营数据为例,对轨道交通列车开行方案进行优化。结果表明:根据动态客流需求设计非固定间隔时间的列车发车时刻表,适时采用大小列车交路运行模式得到的列车开行优化方案,可有效满足乘客和运营企业双方的利益需求。     

地铁分时定价措施对不同类型乘客出行选择行为影响研究

地铁高峰期拥挤是亟需解决的重要民生问题,地铁分时定价措施是有效缓解高峰期拥挤的需求管理措施之一。文章对不同地铁分时定价措施下的乘客出行选择行为进行研究,有助于制定合理的地铁分时定价措施,有效缓解高峰期拥挤现象。首先,采取意向（SP）与行为（RP）问卷调查获取基础数据;然后,采用二阶聚类法将乘客划分为3类,并分析乘客类别特征;最后,采用多元Logistics回归模型深入分析各类乘客的出行特征,重点分析不同分时定价措施下乘客的出行选择行为,由分析结果可知类型2和类型3乘客对于分时定价措施敏感,选择转移至平峰期或其他交通方式出行。