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。     

诱导信息下城市轨道交通乘客路径选择行为研究

为研究城市轨道交通诱导信息对乘客的影响，考虑信息提供时间、方式、更新频率及其与 路径属性之间的交互关系，提出融合诱导信息的城市轨道交通乘客路径选择行为决策框架。考 虑乘客在决策时表现出遵循混合决策规则的倾向差异和不同属性感知差异，建立改进的混合效用-后悔模型。将路径属性与诱导信息同时纳入调研情景设计，基于调研结果标定模型中关键参数，结果表明，基于混合决策规则的模型拟合效果最高(调整优度比达0.396)。进一步分析乘客对信息的偏好：相较于下载手机APP，乘客更喜欢社交媒体推送的形式接收诱导信息；引入信息推送频率时间价值，并对比得出，女性、中老年及非通勤乘客更倾向于接受更高频率的诱导信息推送服务；分析各属性弹性值，表明诱导信息提供方式和更新频率应作为管理者的辅助手段，在特定场景下(例如高峰拥堵和突发事故)诱导信息将会发挥更大的作用。研究揭示了诱导信息提供方式如何影响轨道交通乘客的路径决策机理，有助于设计更加精准和高效的诱导信息策略辅助客流组织管理。     

基于Anylogic的地铁车站集散能力仿真分析评估

本文根据地铁车站作业流程,利用Anylogic软件建立客流集散仿真模型,对北京宣武门地铁车站不同时段的乘客集散过程进行仿真.通过对仿真数据的分析,给出车站设备设施布局的优化建议,为运营管理提供支持.     

考虑信效度的地铁车站通道服务水平研究

为了给乘客提供人性化的服务,本文利用乘客感知-反应的方法研究了地铁 车站通道服务水平标准及其划分方法.利用问卷调查和重要度指数法确定了评价指标(乘客平均占用空间)和最小样本量(200).通过图片分组检验确保了服务水平感知问卷各题项 图片的覆盖面.通过专家评估和文献参考确保了问卷的内容效度,通过问卷调查过程的把 握和数据逻辑判断确保了问卷的信度,通过验证性因子分析检验了问卷的结构效度,利用有效数据形成了A-E级标准.结果显示,本文标准均低于TCQSM的A-E级,但DE级间 阈值略高于TCQSM的EF级间阈值;分性别对比时,男性乘客的A和B级标准高于女性, 而C和D级标准基本相同.经分析该标准较为合理,用此方法可以确定其它设备设施的服务水平.     

考虑时空修正的轨道交通封站短时客流预测方法

为了实现封站情况下轨道交通短时客流的精准预测和探索客流的变化机理,提出了一种考虑时空修正的融合动态因子模型(DFM)和支持向量机(SVM)的短时客流预测方法(DFM-SVM); 利用符号聚合近似方法(SAX)与动态时间规整(DTW)相结合的算法(SAX-DTW)识别受封站影响的时空范围,利用DFM预测常态下的短时客流,利用SVM提取和处理受封站影响车站与时段客流量的非线性特征,对受影响车站与时段的客流量进行修正; 以北京地铁封站情景下车站的进站量预测为例,验证方法的有效性。研究结果表明: 与既有SAX相比,提出的SAX-DTW不仅能全面考虑到客流数量和客流趋势的变化,还能更准确地识别出多个车站的异常时段; 与传统DFM相比,DFM-SVM能显著降低各车站的预测残差,其中奥体中心车站的预测残差降低约60%;与基线模型霍尔特-温特(Holt-Winters)、SVM、门控循环单元(GRU)和长短期记忆(LSTM)相比,在整体客流量预测效果方面,提出的DFM-SVM在其均方根误差方面分别降低43.39%、70.00%、33.18%和70.83%,平均绝对误差分别降低43.72%、67.17%、28.98%和57.08%;在单个车站的客流量预测效果方面,提出的DFM-SVM在均方根误差和平均绝对误差方面有70%的车站均低于其他基准模型。可见,提出的DFM-SVM能够捕捉封站影响客流的非线性关系,极大提升了客流预测精度,能够为运营管理者提供可靠的客流预警信息与决策依据。      

基于手机GPS定位数据的交通方式换乘点识别方法研究

交通方式换乘点识别长期以来是手机大数据交通调查领域的一大技术难点,既有研究大多通过设置出行时间、距离阈值进行识别,算法经验性强,普适性不佳,且易将起讫点、信号控制、交通拥堵等停留误识别为换乘停留。为此,提出了一种基于手机GPS定位数据的交通方式换乘点识别新方法：首先,构建模糊时空聚类算法识别个体运动-静止状态,算法同步实现了定位点时空密度双重聚类约束与聚类边界弹性需求,对个体运动状态识别效果更佳;其次,建立支持向量机模型进行交通方式换乘点识别,有效解决了起讫点、信号控制、交通拥堵等停留对换乘停留造成的干扰;最后,从出行链视角出发,提出了基于序列相似度算法的误差回溯自检与优化模型,能够有效修复换乘点漏识别与错误识别问题。此外,在成都市开展了大范围实测试验,由150名志愿者采集了近2 160 h得到的777.6万条数据被用于技术实证评估。试验结果表明：所述方法对交通方式换乘点平均识别准确率达89.3%,换乘时间平均识别误差控制在20 s以内;与既有空间聚类、小波分析算法相比,换乘点识别精度提升近10%,换乘时间误差最大可降低20 s以上,算法适用性与效果更佳。研究成果可为基于活动的交通需求模型演进提供数据支撑,为交通规划与管理部门决策提供技术支持。     

基于CEEMDAN-IPSO-LSTM的城市轨道交通短时客流预测方法研究

消除客流数据随机噪声和确定神经网络超参数是城市轨道交通短时客流预测组合模型需要解决的关键问题。基于弱化客流数据噪声的自适应噪声完全集成经验模式分解算法(CEEMDAN)将客流时序数据分解为若干个频率和复杂度均不同的固有模态函数分量和剩余分量后,利用引入自适应策略的改进粒子群算法(IPSO)动态求解长短期记忆神经网络(LSTM)超参数的最优值,构建CEEMDAN-IPSO-LSTM组合模型预测城市轨道交通短时客流量。以广州地铁杨箕站自动售检票系统采集的历史进(出)站客流数据为例进行实验,研究结果表明：IPSO算法较PSO算法在基准测试函数Sphere,Sum Squars,Sum of Different Power,Rosenbrock,Rastigrin,Ackley,Griewank和Penalized上的最小值、最大值、平均值和标准差均更接近最佳优化值,CEEMDAN-IPSO-LSTM模型较LSTM模型、CEEMDAN-LSTM模型、CEEMDAN-PSO-LSTM模型的全月全日进(出)站的预测误差评价指标SD,RMSE,MAE和MAPE分别降低了12～40人次(13～35人次...     

严重初始延误与区间限速条件下高速列车实时调度模型

针对突发事件下列车正常秩序的快速恢复与调度优化方案的自动生成问题,现有调度优化模型与一般人工经验难以处理复杂事件场景,且求解效率较低.面向同时包括严重初始延误与区间限速影响的复杂突发事件场景,设计提出大面积列车延误和区间限速等针对性约束,构建基于事件活动网络的列车多目标非线性调度优化模型.为实现实时调度,采用添加中间决...     

建成环境对轨道交通客流的时空异质性影响分析

研究各类建成环境特征对客流的影响，对城市轨道交通网络规划和运营客流控制具有重要意义。本文考虑人口经济特征、车站特征、外部交通特征与土地利用特征这4类建成环境对客流的影响，提出一种融合时空地理加权回归(GTWR)和随机森林(RF)的时空地理加权随机森林模型(GTWR-RF)，以捕捉建成环境特征对客流影响的时空异质性与非线性。首先，利用多源数据对各建成环境的统计指标进行细化和完善，采用GTWR模型计算建成环境对客流的影响系数，捕捉并分析建成环境对客流影响的时空异质性。其次，将影响系数输入RF模型中进行训练，捕捉并分析建成环境对客流的非线性影响，实现客流预测并确定建成环境特征对客流预测影响的相对重要度。针对北京的案例研究表明：GTWR-RF模型能够同时捕捉建成环境特征对客流影响的时空异质性与非线性，在所有建成环境特征中，工作人口数量对客流预测影响最显著，其次为公交接驳量；与普通最小二乘法、RF、梯度提升回归树、极限梯度提升树和GTWR模型相比，GTWR-RF模型具有更好的预测性能，在早高峰客流预测中决定系数较其他方法分别提升了5.7%,6.3%,0.5%,10.1%和7.3%。     

基于AFC数据的突发事件下城市轨道交通乘客路径决策研究

为了更好地刻画突发事件下城市轨道交通乘客路径决策行为,提出一种基于AFC数据的乘客感知路径决策分析方法。通过突发场景问卷调查数据,构建突发事件下乘客等待时间阶梯函数。依据突发事件下城市轨道交通乘客出行特点,建立突发事件下路径效用函数。考虑乘客出行行为受期望到达时间约束影响,构建乘客感知的路径决策模型,计算各路径选择概率。算例实验结果表明,模型计算结果与真实值相对误差不超过15%。将突发事件下与正常情况下的进出站客流、换乘量和断面客流量进行对比分析,掌握突发事件下路网客流分布规律。