公交客车分区域站立密度分布特征

为分析公交客车车厢内站立密度分布的不均匀性,通过调查西安7条线路平峰、高峰的客流量,提出了车厢内站立乘客流的变化特征.基于不同座椅布置模式,分析了不均匀性的起因、分布特征及相互间的关联性,确定了各特征区间内的最大站立密度区域,分析了在乘客选择站立区域的倾向性.结果表明,第一次驻足在B区域和C区域的选择倾向性比重占93.23%;当车厢平均站立密度ρ超过6人/m2时,"轴距1+1后通道1+1"和"轴距1+1后通道2+2"座椅布置的最大站立密度区域分别是B区域和C区域;选择C区域站立的倾向性比重在车厢内站立密度ρ不超过2人/m2时降幅明显,当乘客选择倾向性比重降至40% 后降幅趋缓.      

基于乘客密度的12m城市客车座椅数目确定方法

为选用合理的座椅布置来适应运营时段内客流的变化, 提高城市客车服务能力, 调查了坐姿乘客在车厢地板上的平均投影面积, 明确了划分不同运营时段的判别准则, 提出了1种综合考虑坐姿和站立乘客的乘客密度指数, 分析了车上人数和高峰流量系数对座椅数目最优解的影响; 提出了公交线路上采用单一座椅布置情形下的12m城市客车最优座椅数目确定方法, 分析了座椅布置与运营时段之间的匹配方法, 运用西安市7条公交线路的客流数据验证了模型的可行性, 分析了3种常见座椅布置对运营时段和线路属性的适应性。结果表明: 坐姿乘客在车厢地板上的平均投影面积为0.35 m2/人; 高峰客流系数是影响12 m城市客车座椅数目的关键因素; 公交线路单一座椅布置的座椅数目推荐值为21~43座; 控制实际座椅数目与最优解的偏差在2个座位以内且满足通用布置原则要求时, 可使座椅布置适配公交线路的效果达到最佳。      

基于乘客主观感知的公交客流拥塞量化表征模型

为了综合量化表征公交走廊客流承载设施及工具的空间拥挤性和客流运送时间效率,并科学评价客观技术指标和主观乘客感知对公交系统运行状态的敏感度,提出客流拥塞的概念,并用客流拥塞指数量化表征公交系统运行状态。通过解析客流拥塞与出行时效的关联,并分析公交出行阶段特征,基于“时效延长”思想构建客流拥塞量化表征模型,用于系统量化乘客对出行时间和空间拥挤的主观感知;选取影响出行时效的核心要素作为特征变量（车厢客流密度、站台乘客密度、区间乘车时间和站点候车时间）,采用直观类比打分SP调查法获取数据用于估计模型参数;基于北京西三环公交走廊实测数据,分析全天区间客流拥塞指数时空分布特征和走廊客流拥塞指数动态演化趋势。研究结果表明：北京西三环公交走廊客流拥塞高峰阈值为0.193 9,客流拥塞状态存在明显的方向特征,下行方向客流拥塞高峰状态更显著且持续时间更长;4个特征变量灵敏度系数均值分别为0.449 2,0.165 2,1.427 1和0.408 3,即区间乘车时间为客流拥塞指数最显著的影响因子,而站台乘客密度的影响程度最小,模型识别公交客流拥塞成因的能力得以体现;该模型能够综合全面地反映公交走廊客流拥塞时空分布和动态演化趋势,并能够应用于公交运行状态改善措施研究。     

大都市集中功能区客流出行分析及发展策略

以北京市城市交通综合调查数据为依据,从访客来访目的、到达方式、出发区域及出行距离2类空间特征、行人及车辆到发时间分布2类时间特征和停车特征对居住区等4种集中功能区的客流特征进行分析,针对北京市集中功能区现存的问题,从交通设施的配给、停车位的配建、引导市民公交出行等角度提出交通层面的发展策略和改进建议.     

基于HRHN模型的城市常规公交线路客流预测

准确的公交客流预测对于城市公交线网规划设计和线路运营管理有着重要意义.为了提高公交客流预测的准确度,研究出一种基于HRHN模型的公交线路客流预测方法.在Encoder模块中,采用ConvNet对输入特征进行提取,利用RHN对提取到的特征建立时间依赖性关系;在Decoder模块中,历史客流量作为输入,利用RHN模型建立时序的关联性;输出值和特征之间的相互作用通过注意力模型进行分析,从而在Decoder中进行预测.对公交数据进行预处理并获取公交客流量,在考虑客流特性的基础上,结合气候因素,利用特征工程进行公交客流预测的特征选取,并利用HRHN模型对客流进行预测.使用了郑州市1个月的公交客流数据,其中选择前24 d数据进行训练,后7 d数据进行测试.分别预测60号公交线路上行方向和下行方向线路客流,并将HRHN模型预测结果与其他5种模型(ARIMA,BPNN,LSTM,RNN,SVR)进行比较.结果表明,HRHN模型在上行方向线路客流预测、下行方向线路客流预测的MAPE分别为0.1161,0.1444,HRHN模型精度最佳.      

不完备信息下公交断面客流的推算模型

为解决不完备交通数据信息下城市公交线路的断面客流量的计算问题,以断面客流的预测为研究对象,探讨了公交车站下车客流的预测模型。运用区段覆盖的思想,将公交沿线以客流集散点为中心划分成不同的客流分布区段。结合各站点的区位条件、客流条件建立不同区段内的公交分担率模型。以此为基础结合公交IC卡上车客流数据构建各车站的下车客流预测模型,结合上车客流、下车客流与断面客流三者的关系模型,计算得到公交断面客流量。最后以西安市某条公交线路某个时段的上车刷卡数据为例进行了模型的适用性分析,统计该条线路沿线各个站点周边300 m吸引范围内的土地利用性质以及人口密度,采用改进的遗传算法对模型中的未知参数进行标定。结果显示,待确定参数α和β分别取0.419 1和0.482 3时目标函数取得最优解,利用标定的结果计算该线路各车站的下车客流,进而求得断面客流量。通过与实际跟车调查结果对比,运用构建的模型预测得到的断面客流量与实际值存在一定的差异,平均相对误差在23%以内,平均绝对误差约为5人/断面,从整体结果来看预测的断面客流的变化趋势与实际调查断面客流情况基本一致,表明构建的模型具有一定的可靠性。     

基于智汇卡的公交大数据挖掘研究

选取公交行业大数据,涉及公交交易数据、公交GPS数据、地铁交易数据等,对数据结构进行分析,利用Oracle数据库对源数据进行筛选、清理,利用R语言、Python对数据进行更加精细化的分类、融合,通过设计算法分别实现公交交易数据与GPS数据融合、公交交易数据与GPS数据的上车站点名称匹配。以南京37路公交为例,挖掘公交客流特征,包括总体客流特征,老年人、学生和残疾人等特殊人群的公交出行特征;挖掘公交客流的日客流分布、时客流分布和空间客流分布;挖掘公交的运行状态中的运行参数,把握公交运行状态的规律。为智能公共交通系统建设、政府决策、公众便捷出行、企业运营调度优化及数据验证提供数据支撑。     

基于站点上下客人数的公交客流OD反推方法研究

通过公交出行行为特征调查分析,研究了公交乘客出行站数的概率分布.基于公交乘客下车概率,以公交站点上下客人数和路段客流量为约束条件,提出了单条公交线路客流OD矩阵的推算方法,通过实例分析,验证了该方法的可行性和有效性.     

城市轨道交通突发事件下联动运输仿真评价方法

突发事件下城市轨道交通管理部门将调整列车运行并协调其它方式联动输送客流,事先评估与分析联动运输方案意义重大.研究以客流作为纽带构建应急联动运输方案仿真模型,从调度管理角度出发选取客流延误、站台聚集密度、乘客换乘时间、客流—运能匹配度作为主要评价指标.案例应用表明该仿真模型能够综合评价联动运输方案的整体服务效果,特别是能够对联动运输决策的重要参数——公交应急联动启动时机进行量化支持.      

基于天气影响分析的公交客流调查日期确定方法

目前公交客流调查日期的确定往往过于经验性和随机性,不利于调查数据质量的把握。文中通过建立多元回归模型,定量研究了公交日常客流随机波动的天气影响因素,并结合IC卡数据样本特征分析,提出了确定公交客流辅助调查日期的具体方法。该方法在工程实践中得到良好应用,且为相应区域公交规划的调查日期确定提供了参考依据。