列车时空服务网络客流分配方法研究

客流分配方法研究是铁路客运产品设计的核心,对评价列车服务网络质量具有 重要意义.本文研究旅客列车运行图形成的时空服务网络属性及其构造方法,在分析多层 次旅客具有不同的服务时间窗期望、换乘次数、换乘时间等出行选择行为基础上,确定网 络弧段阻抗.建立体现旅客时空差异服务需求约束的客流分配模型.提出由时间窗搜索和 改进的Dijkstra 算法构成的组合算法求解旅客合理时空服务路径集合,设计基于合理服 务路径集的客流分配子算法.实现在网络条件下,根据分配权重函数不同,完成客流时空 分配.最后,利用MATLAB 编程,以京广高速铁路相关时空服务网络为例,验证模型和算 法的有效性.     

城轨线路列车时刻表与车站客流控制协同优化方法

在轨道交通网络化运营条件下,针对高峰期车站拥挤问题,综合考虑站外到达乘客的持续 性到达特征和换入客流的脉冲性到达特征,研究换入客流影响下的列车时刻表与客流控制问题。 具体的,以最小化乘车延误人数为目标,考虑乘客换乘约束、列车容量约束等,构建城轨列车时刻 表与客流控制协同优化非线性规划模型,并引入0-1决策变量将其转化为整数线性规划模型。为 验证模型有效性,以某轨道交通线路实际运营数据为背景,借助优化求解器CPLEX对模型进行求 解。结果表明,本文所提方法具有良好的优化效果和计算效率,与优化前相比,乘车延误人数可显 著降低;与仅优化列车时刻表方案相比,协同优化方法可使乘车延误人数减少17.69%,可有效提升 轨道交通的服务水平,为城市轨道交通系统高质量运营提供一定的理论支撑。     

城市轨道交通多交路共线运营客流分配方法

多交路共线运营客流分配是城市轨道交通复杂交路设计、列车开行方案优化的基础。本 文以典型共线运营多交路为例,通过划分客流出行区段将乘客分为不同类型,分析了不同类型客 流的路径选择策略,提出以发车频率确定的客流分担比例计算方法,构建了基于发车频率和乘客 出行区段划分的客流分配模型。在此基础上,将多交路共线运营物理网络转化为共线运营服务 网络,通过引入超路径的概念,将乘客出行优化策略转化为共线运营服务网络上的最短超路径问 题,并考虑乘客在车拥挤感知费用,提出了基于超路径的客流增量分配方法。最后,通过算例验 证了共线客流分配方法的有效性,对比分析了两种方法的特点和适用性。     

基于客流集散网络的城市轨道交通瓶颈识别方法研究

为科学客观地识别大型城市轨道交通网络瓶颈,提高网络化运营和服务管理水平,本文从轨道交通网络层出发综合考虑车站与区间能力关系,研究系统内部断面客流量和车站实际客流集散量的关系,从网络系统内部与外界客流集散关系角度,建立了基于集散网络的城市轨道交通瓶颈识别模型。以成都轨道交通网络为例进行分析,验证了该瓶颈识别方法的有效性和实用性。案例结果表明模型方法可对大型实际客流集散网络的瓶颈进行有效识别,瓶颈车站主要集中于1号线南部,最拥堵车站为火车南站(13号车站)。与既有方法相比,本文方法能从车站角度客观量化网络系统实际运营拥堵情况。     

基于GP算法的城市轨道交通客流分配问题研究

城市轨道交通客流分配问题是城市轨道交通规划领域的重点,也是城市轨道交通运营管理和列车开行方案的基础。结合城市轨道交通系统的基本特性,考虑客流在站点的停车时间和换乘时间费用,以及拥挤导致乘客无法上车的现象,建立包括延误时间在内的客流出行费用函数,构建城市轨道交通均衡配流模型,针对经典的FrankWolfe算法难以给出有效路径解的不足,提出基于路径配流的改进GP算法。最后,通过算例验证模型和算法的有效性。     

面向客流分配的城市轨道服务网络构建算法与实现

介绍了服务网络概念之后,提出了城市轨道交通面向客流分配的服务网络构建要求、构建思想和具体构建算法.该算法可对任意路网、开行方案均确定的城轨系统构建相应的满足客流分配基本要求的服务网络,进而为客流分配提供计算基础.将该算法应用于具体研究前需根据相关要求进行一定调整.为证明该算法的有效性,开发客流分配程序.基于北京市2008年地铁线网和列车开行方案构建出相应的服务网络,并对从票务数据抽取的某日实际客流进行分配,分配结果与实际相符.     

考虑客流空间分布的地铁列车节能时刻表优化方法

客流变化引起的列车质量变化是影响地铁列车能耗与节能运行的重要因素之一. 本文考虑地铁线路客流空间分布差异,研究耗散型再生制动能利用方式下的列车节能时刻表优化方法. 结合各区间载荷差异和列车运动方程,建立以净能耗最小为目标的时刻表优化模型,通过适度优化计划停站时间、区间运行时间和折返时间协同多列车牵引、巡航、惰行和制动过程的时空分布,设计二分法和粒子群算法对模型求解. 以北京地铁某线路进行实例研究,结果表明,优化模型能有效协同多列车的节能运行,考虑客流空间分布差异比假定列车载荷为常数能进一步提升节能效果.     

城市轨道交通网络客流清分规则与“鉴识车票乘车路径”理论

在轨道交通各专业系统中,AFC系统扮演着十分重要的角色。本刊对此一直予以关注,特推出AFC专题,并分两期连载。在上期内容中,相关专家主要从客流清分规则与“鉴识车票乘车路径”理论、票务系统工程设计、超高频射频标签技术和闸机行人模型等角度进行分析与探讨。本期将继续AFC系统的技术交流,除了继续“鉴识车票乘车路径”理论的解读外,新增《一种闸机行人身高检测新方法》和《方卡出票模块》二文,希冀能将最新的技术和方案提供给业界人士参考。     

基于旅客列车开行方案的客流分配方法研究

基于旅客列车开行方案的客流分配是评价列车开行方案编制质量的重要依据. 本文总结基于列车开行方案的客流分配特点,构建了基于列车开行方案的列车服务网. 通过分析旅客乘车选择行为,确定了网络阻抗的计算方法,配流过程中尽量减少短途客流对长途客流乘车选择的影响. 结合铁路旅客运输组织特点,建立了以旅客换乘次数限制、OD客流量限制、列车能力限制为约束条件的客流分配模型. 模型求解时,利用罚函数将多约束模型转化为标准的用户平衡模型,提出了能记录径路信息的基于F-W的改进算法. 案例验证了该方法的可行性和有效性.     

基于动态客流的城市轨道列车全天时刻表优化

针对乘客需求的动态变化,提出一种基于整数规划的全天候乘客排队模型,该模型综合考虑高峰时期和非高峰时期的客流需求。以乘客总候车时间为优化目标,对各车站所有列车的时刻表进行优化,以提高乘客的候车体验。此外,提出基于0～1整数规划的遗传算法,计算使乘客候车时间达到最小的列车时刻表。最后,利用北京地铁的客运需求数据进行仿真实验,验证该模型和算法的有效性。相比现行的时刻表,优化后的时刻表使乘客的总候车时间缩短56.89%。     

基于乘客路径选择的多制式轨道交通客流分配

为量化换乘对乘客出行路径选择的影响程度,在单层网络中添加虚拟换乘站,构建无隐性连接的三层多制式轨道交通拓扑网络模型.基于时间、换乘节点衔接性,计算线网间衔接性系数;利用Dijkstra法搜索模型各起讫点间的K短路径,以乘客感受到的线网复杂度及乘客出行计划确定时间,建立乘客对线网的熟悉度函数;根据乘客路径选择影响因素构建...     

基于AFC数据的城轨路网客流OD在线动态估计

路网实时客流状态是城市轨道交通日常运营组织科学决策的主要依据,而精准地在线估计客流OD是前提条件.本文分析了准实时AFC数据接入条件下客流OD在线动态估计问题及其特点,提出了将机器学习与递归贝叶斯相结合的客流OD动态估计方法;构建了基于LSTM的客流OD状态转移模型,以及LSTM模型嵌入下的客流OD递归贝叶斯估计模型;针对客流OD状态变化的非线性、不确定性特点,提出基于粒子滤波算法求解客流OD递归贝叶斯估计问题.面向LSTM模型嵌入所形成的客流OD状态转移三阶马尔科夫过程,对一般的粒子滤波算法进行高阶扩展,研究了算法的实现.最后用实例对本文提出的方法进行了验证.     

基于AFC数据的城市轨道交通乘客出行路径推算

旅行时间是影响乘客路径选择的因素,然而,也是路径选择的结果。轨道交通自动售检票系统详细记录了与出行相关的时间信息,因此可以用来推算路径。首先将一次出行划分为若干阶段,并且分析各阶段涉及的随机性因素;在考虑现场实际的基础上,完成对系统运行和乘客出行的建模。然后,基于出行阶段的相互独立性,设计了用以推算乘客出行路径的方法,并且设计了双盲实验对方法进行验证。最后,案例分析显示,利用票卡交易数据、列车运行图和辅助的步行调查,该方法可以方便而有效地推算乘客路径,进而有助于客流分配和票务清分。     

基于AFC和POI数据的轨道交通车站客流影响因素挖掘

精细化研究轨道交通车站客流影响因素对于建立轨道交通与土地利用长效互动机制,发挥轨道交通支撑和引领城市发展作用,指导轨道新线开通和周边用地开发等具有重要意义。以南京为例,首先获取轨道交通运营客流AFC数据和网络爬取的POI数据;然后考虑四种类型轨道交通车站客流特征,挖掘用地特征、公共交通接驳特征、车站属性三类因素;最后利用结构方程模型分析城市轨道交通规划建设与城市用地开发之间的作用机制。实证结果表明,基于POI获取的住户数、商业设施数、文化设施数、公共汽车线路数等数据对工作日轨道交通进站客流有突出贡献。     

基于动态时空神经网络模型的地铁客流预测

针对城市轨道交通站点客流预测问题,本文提出一种基于注意力机制的动态时空神经网络(DSTNN)模型。模型采用多分支并行架构,能够有效提取地铁客流的复杂时空特征,在空间维度上,全局和局部注意力机制相结合,实现站点间动态时空关联和静态拓扑结构的捕捉;在时间维度上,使用双向长短时记忆和注意力机制共同学习客流数据的时变规律。在杭州地铁数据集上进行实验,结果表明：相较于经典预测模型和深度学习模型,DSTNN具有更高的预测精度和训练效率。在4种不同的预测时长下,DSTNN模型平均绝对误差的平均值较基线中扩散卷积循环神经网络模型(DCRNN)和物理虚拟结合图网络模型(PVCGN)分别降低6.63%和2.57%。此外,可视化分析证明了本模型对时空关联的动态学习能力,消融实验验证了各分支的有效性。     

基于模糊预测的高速铁路客流OD 表的推算方法

科学预测客流的变化趋势与波动及获取路网客流OD 表是制定旅客列车开行 方案的依据.结合高速铁路客运的运营实际,利用客流变化相对稳定特征,本文提出了客 流OD 表的反推方法和计算流程,该方法的计算工作量相对叠加法节省了（n2-2n）.考虑 实际客流日波动特征,依据模糊预测原理,建立了车站客运指标的时间序列模糊预测方 程和预测方法,该方法可获取预测期客运指标的变化区间.以南方一高速铁路线为背景, 对车站发送人数进行了预测,预测值与实际数据相比误差在1%以内.在车站发送人数预 测的基础上,给出了线路客流OD 表的反推演算.     

基于优化PSO-BP算法的耦合时空特征下地铁客流预测

为提高地铁客流预测的准确性,以西安地铁1号线为例,分析了地铁客流的耦合时空特征,提取了影响地铁客流变化的5个主要因素,包括节日、非节日、时间段、站点和天气,构建了反向传播(BP)神经网络,预测了地铁客流;利用引入自适应变异与均衡惯性权重的粒子群优化(PSO)算法,优化了BP神经网络,形成了考虑复杂因素影响的地铁客流预测系统;选取了换乘站、非换乘站的首站与中间站,引入天气、节日、非节日因素,对比了不同时间段下的BP神经网络模型,优化了PSO-BP神经网络模型的预测误差。研究结果表明：考虑天气、节日、非节日因素,换乘站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差和平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了40.13%、31.46%和23.89%,较分时段的BP神经网络模型分别平均下降了17.50%、17.86%和17.32%;非换乘站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差和平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了16.50%、20.99%和32.59%,较分时段的BP神经网络模型分别平均下降了11.48%、12.10%和17.73%;各站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差、平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了24.37%、24.48%和29.69%,较分时段的BP神经网络模型分别平均下降了13.49%、14.02%和17.59%,因此,利用考虑多影响因素的优化PSO-BP神经网络模型能提高地铁客流预测的准确性。     

基于有效路径的多路径交通流分配

交通流分配就是将OD表中的交通量分配到路网的有效路径上。针对有效路径的不同定义,进行相应的交通流分配．可以验证本文所定义的有效路径是合理有效的。