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。     

城市轨道交通环线试运营客流预测方法研究

为解决目前城市轨道交通环线开通试运营期间,客流预测OD数据难以获取、"初设"客流预测结果偏差较大的问题,考虑相邻轨道车站客流分布及出行规律具有相似性,提出一种"既有网络+新开环线"出行需求生成方法。既有线网OD计算以不同线路客流自然增长规律为基础;新开环线客流OD分布,根据环线车站进、出站客流量,结合环线车站位置分布以及既有线网组团间客流分布规律计算所得。经过验证,通过"既有网络+新开环线"算法实施轨道环线试运营期间出行需求预测,并将其在新的线网中分配,可实现线网客流情况快速计算,为线网运营组织安排提供依据。     

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。     

北京地铁节假日客流特点和运营组织方法分析

为提高节假日期间北京地铁运营安全水平和运输服务质量,从全路网、线路和车站3个层面,利用客运量、进站量、断面量等指标分析时空客流特征和变化原因。结果表明:节假日路网分时进站客流无明显高峰;节假日前一天午后路网进站量相比上周同期工作日增加显著;不同性质线路全日分时进、出站客流和断面客流特征差异较大,一般位于对外交通枢纽、商业及文体景区附近的地铁站点易出现短时大客流。基于此,从行车组织、客运组织和应急处置3方面总结节假日运营组织方法。     

基于深度Q网络的轨道交通客流控制

针对高峰时期城市轨道交通因有限运能,不足以满足乘客出行需求而引发的安全问题,需要采取客流 控制策略来调节进入车站的客流量,以缓解车站拥挤。提出一种基于强化学习深度 Q 网络的多站协同控制模 型,用来优化每个车站在一定时间内的进站量,以最小化地铁车站乘客的站台超限量、平均等待时间,提高 客流控制强度的综合效益。以北京地铁八通线为例进行仿真实验,验证该方法的有效性。仿真结果表明,所 提出的模型可以在客流控制强度较低的条件下有效地降低乘客等待时间,提高乘客出行效率,有助于缓解车 站的乘客拥堵。     

共享单车对北京市轨道交通运营管理影响研究

在挖掘共享单车出行数据、轨道交通客流数据的基础上,分析北京市共享单车和轨道交通的出行特征,以及共享单车出现后轨道交通车站级、线路级、线网级的进站量变化和运距变化情况。结果表明,共享单车对轨道交通线网级进站量的影响不明显,但外围车站进站量增幅较大,6 km以下运距的客流略有减少,其中2 km以内出行运距的客流减少最为明显。同时,共享单车的无序停放不利于大客流车站的客运组织和应急情况下的客流疏散,城市交通管理部门和轨道交通运营企业需共同加强对共享单车的秩序化管理,使其在不影响城市交通正常运行的前提下充分发挥积极效用。     

城市轨道交通新线接入客流精细化预测模型

随着城市轨道交通的不断发展，每年都会有不同类型的新线或者延长线投入运营。新线接入不仅会改变原有轨道交通路网的拓扑结构，影响乘客出行路径选择，而且对客流时空分布有较大影响。以工程可行性研究报告中新线车站的开通年全日上下车人数为依据，采用改进的双约束重力模型实现新线车站相关OD客流量全日预测；建立路网及车站的分时进出站规律模型，实现新线相关OD客流量的精细化预测；采用加权平均法对既有车站OD客流量进行预测，并分析挖掘历史新线接入前后既有车站客流的变化规律，实现预测优化调整。提出的预测方法不仅可应用于新线接入前，为新线接入后的运营安全和科学高效的调度指挥提供有力支撑，而且可用于轨道交通线路规划阶段客流分布预测仿真。     

城市轨道交通精细化客流预测系统设计与实现

针对大部分客流预测系统存在预测客流指标不全,时空粒度较粗,多场景的适用性不足等问题,以大规模网络化运营的城市轨道交通精细化客流预测需求为研究对象,分析适应多场景铁路网客流预测实现方法,利用Hadoop、Spark&Hive、Redis、微服务、H5等先进技术搭建客流预测大数据平台,实现铁路网交通出行量(OD,Origin Destination)的精细化客流功能,为调度指挥和客运管理提供进站、出站、换乘、断面客流量等全指标、精细化时空粒度的客流预测数据支持,提升轨道交通调度指挥针对性、客流组织合理性和客运服务水平。     

基于广义动态模糊神经网络的轨道交通车站进站量预测1

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。     

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。     

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。     

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。     

城市轨道交通进站客流量短时组合预测模型

高精度的短时进站客流量预测对城市轨道交通日常客流组织具有重要意义,利用客流预测结果在事前实施限流、疏导等措施,较事后控制更及时、先进。通过采集15 min间隔的地铁进站客流数据,利用上周同期进站量、本日上一时段进站量以及高峰和非高峰时段参数作为输入变量,尝试分别采用加权历史平均自回归模型、ARIMA模型及小波神经网络模型进行短时预测,以获得精度最高的模型。在此基础上,进行三种方法组合预测,探究组合预测效果。通过案例分析,发现当考虑时段因素时,小波神经网络预测精度最高,为91.05%;ARIMA模型误差结构最好。当采用所提出的组合预测模型后,预测精度指标较独立预测模型均有提升,但误差结构没有得到改善。研究表明,所提组合预测模型可以有效地应用于城市轨道交通进站客流的短时预测中。     

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。     

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。     

深圳市轨道交通周五大客流特征及成因分析

为了掌握深圳市轨道交通工作日客流日变化特征,以深圳市轨道交通一周的刷卡数据为基础,分析了工作日客流的总量及时间特征.针对工作日中周五客流较大的现象,进一步研究周五新增客流成因.从站点及线路特征、出行特征两个角度分析了周五新增客流的特征.结果 表明,周五客流增加的原因主要是有新的个体出行,而这些个体的出行特征具有一定规律.研究结果可为深圳市轨道交通工作日高峰客流的运营组织提供支撑.     

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。     

北京城市轨道交通客流密集度指数研究

基于轨道交通物联网监测数据,从点、线、面三个层级,构建不同时间粒度车站、线路、网络的客流密集度指数计算模型和算法。车站客流密集度指数模型综合考虑影响车站密集度指数的关键区域(出入口、站台、楼扶梯、换乘通道)的拥挤程度和拥挤范围因素;线路客流密集度指数模型综合考虑车站和区间的影响;网络客流密集度指数模型由各线路的客流密集度指数加权得到。测试结果表明,提出的模型计算结果与实际地铁客流出行规律一致,可较好地反映地铁拥挤程度,为地铁运营拥挤状态评价和辅助决策提供技术支持。     

城市轨道交通AFC实时进站客流有效数据筛选

针对目前城市轨道交通AFC实时进站客流数据不准确,分析数据传输流程及其不准确的原因,探索解决办法。在挖掘轨道交通历史同期进站客流量规律的基础上,通过设定阈值来对AFC实时进站客流有效数据进行筛选,初步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,找到方法的不足之处;之后对阈值设定方法存在的问题进行分析与解决,得到一套能够满足地铁各类车站AFC实时进站客流数据阈值设定的流程,并进行实例验证。