基于售检票数据的城市轨道交通乘客分类

既有基于交通调查的乘客分类存在样本有限及分类标准主观性强等不足,本文以 乘客真实出行记录为基础,从“消费行为”视角构建客观的乘客分类指标及方法.为满足大规模 数据集处理需求,采用SPSS Modeler 软件对全样本乘客进行聚类.选取北京轨道交通连续1 个 月自动售检票(AFC)数据进行实证分析,结果显示：将乘客分为5 类时,聚类效果最佳;通过连 续5 个工作日聚类结果对比,验证了分类结果具有良好的稳定性.结合乘客分类结果进一步对 北京市轨道交通低峰折扣票价策略下不同类型乘客的出发时间转移弹性进行测定.该研究提 高了乘客分类客观性,能够为交通政策制定及运营策略评价提供方法支持.     

城市轨道交通峰前折扣定价方案编制模型

构建面向高峰拥挤缓解的峰前折扣定价方案编制模型，为定价方案编制提供决策方法. 基于票价变动对高峰客流的影响分析，考虑运营企业可承担的收益损失，建立以运力运量匹配度最大化为目标的峰前折扣定价方案编制模型，科学确定折扣车站、折扣比例及折扣时段. 对北京地铁八通线进行实证研究，结果表明：相比实际方案，优化方案中折扣截止时间较晚，认为限制当前政策效果的关键在于折扣截止时间设置不合理；在不增加收益损失的前提下，可通过定价方案优化提高客流拥挤疏解效果.     

基于售检票数据挖掘的轨道交通乘客居住区辨识

以自动售检票数据潜在包含的时空关联关系为基础,构建城市轨道交通乘客居住区辨识方法.假设轨道交通大部分乘客出行满足：一日内首次出行起始站与末次出行终点站相同,首次出行起始站与前日末次出行终点站相同,连续时期内首次出行起始站与末次出行终点站总是紧邻“家”的位置,以此为基础构建居住区辨识中心点法.以北京市轨道交通为对象进行实证分析,通过连续一周自动售检票数据挖掘能对88.7%的公交卡(不包括单程票、员工卡)所对应乘客的居住区进行辨识,验证了本文方法的准确性与有效性.本文研究提高了售检票数据应用价值,为乘客出行行为及需求特征分析提供了方法支持.     

地铁车辆段股道运用优化模型

针对地铁列车返回车辆段时的股道安排问题,首先对股道运用不合理而引起的回段列车无法顺利作业的情况进行分析,将股道运用不合理引起的作业代价转换为额外的调车作业,并在列车运行计划和检修计划的基础上,以总的调车次数最小为优化目标,建立了接车时的股道运用优化模型,以提高车辆段的生产效率.最后,以某地铁车辆段为例,采用非支配排序遗传算法对模型进行求解及仿真分析,验证了模型的有效性和正确性.     

考虑分时定价的城轨乘客出发时间选择分析

为缓解城市轨道交通高峰期的客流拥挤，提高运营服务质量，本文从分时定价的角度，将折扣力度、转移时间和舒适性加入到随机效用最大化模型中。通过设计SP问卷开展调查，运用k-means聚类方法将乘客划分为标准通勤乘客、弹性通勤乘客、生活类乘客及低频出行乘客四类。运用SPSS软件进行数据分析，验证了不同类别乘客对票价折扣、转移时间和舒适度的敏感程度。进一步分析表明，随着转移时间的增加，票价折扣力度对乘客转移意愿影响逐渐减弱，当设定转移时间为5分钟时，合理票价折扣为7折；当转移时间为10分钟时，票价折扣建议为8折。据此，在制订峰前折扣票价时，要综合考虑票价折扣、转移时间和企业运营成本等多方面因素的影响。