北京城市轨道交通中远期能耗预测研究

在分析城市轨道交通牵引能耗和车站能耗主要影响因素的基础上,根据影响因素的重要程度和数据可得性,选择列车自重、客运量、电机类型、敷设方式、车站环控系统制式和季节因素建立城市轨道交通能耗的预测模型.采用北京城市轨道交通2009年能耗数据对模型中的基础性指标进行标定,并用2010年北京地铁4号线的数据验证了预测模型的可靠性.根据北京城市轨道交通的建设规划调整方案,预测其中远期能耗.结果表明:北京城市轨道交通2015年和2020年的能耗分别为19.96和27.49亿kW·h.     

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。     

基于刷卡数据和高斯混合聚类的地铁车站分类

合理的城市轨道交通车站分类对车站的规划设计及客流预测有重要作用。基于刷卡数据提取出行时间、频次、车票类型等反映车站客流特性的若干变量,运用主成分分析法(PCA)和高斯混合模型(GMM)进行车站聚类。该聚类方法不仅可以识别车站类别,同时可以根据后验概率确定混合类型的车站。以北京地铁为例,将全网233个车站分为4类,利用地理信息系统(GIS)工具可视化分类结果,并叠加地理信息描述各类车站的特征,直观地展示了部分混合性质的车站。与K-均值聚类结果比较显示,GMM方法可以更好地解释多种特性混合的车站类型。     

基于AFC数据和RF模型的城轨车站服务功能分类

城轨线网上服务不同类型客流车站的分布能反映城市结构特征,本文基于多年的城轨AFC数据,应用随机森林模型(RF),分析了全网车站服务客流类型的时空演变.对于传统RF在选择训练集时过于依靠主观经验的问题,本文首先利用传统随机森林度量车站之间的相似性,再采用Partitioning Around Medoid(PAM)方法对度量结果进行聚类,结果表明无监督随机森林方法拥有更好的准确性;最后采用无监督随机森林对北京市2014-2017年的车站服务客流属性的时空变化情况进行分析,结果显示,北京市近4年来城市职住结构在大的空间尺度上基本保持不变,但城市内部各功能区正经历缓慢变化,而服务于居住与工作混合类客流的车站所处区域将是今后城市结构演变中热点区域.本文的研究结果可以为城市轨道交通与城市结构互动关系的认识提供新视角.     

基于城市空间结构的轨道交通线网生成方法

为破解目前轨道交通线网规划方法主观随意性较大，形成的方案与城市发展和延伸方向不符，以及交通供给与需求难以在时空上很好匹配的问题，提出一种基于城市空间结构的城市轨道交通线网生成方法。首先，采用反距离修正的Infomap算法划分城市组团；其次，对线网数据进行前置数据处理，缩小模型的计算范围并推算得到线网密度、客流强度和线网规模3项关键参数；然后，构建线网生成模型，按照“组团间线网生成—组团内线网生成—线网整合与优化”的技术路线生成线网。依托某市实际数据构建算例，验证该线网生成方法的效果。结果表明：相比于该市的实际线网，前述方法得到的线网在布局上的延伸性更优，覆盖面积率提升68%，线网吸引范围内的公交站点数量更多，增加了639个，线网的全局可达性更高；增加的组团划分步骤，能够显著提升线网覆盖的中心城区面积率，生成线网的辐射力度和带动作用更强。