基于系统动力学的轨道交通车站客流演变算法

将轨道交通车站看作人、设施、环境、管理4类元素相互交融的复杂系统,引入系统动力学的方法分析轨道交通车站系统各元素之间复杂的关系;在考虑闸机通行力、楼梯通道最大容纳人数、通道阻塞以及列车满载率等因素的基础上,利用系统动力学建立轨道交通车站客流的演变模型及演变算法;对轨道交通车站的客流演变规律进行分析。在此基础上,以一典型换乘车站为例,将该算法结合轨道交通服务水平评价方法,应用于以优化车站设施服务水平为目的的轨道交通乘客引导决策支持;通过实例与仿真软件legion的仿真结果进行对比,验证该客流演变算法的可信性。     

地铁站点客流特征与土地利用关系研究

讨论轨道交通站点客流的时间变化规律,根据客流的时序特征,利用时间序列聚类的K-means算法对轨道交通站点进行分类,对比不同类别站点的客流差异,同时探究轨道交通站点早晚高峰进出站客流与站点周围用地密度之间的相关关系,在考虑空间相关性的基础上,采用地理加权回归定量计算回归方程,详细分析客流与用地之间的相关系数在空间的分布情况。通过分析为不同站点制定有针对性的运营管理措施,以及为轨道交通规划提供理论支持。     

轨道交通高峰期单线客流拥挤传播与控制

常态高峰下,客流在线路的累积传播造成部分时空点列车满载率过高,需要采用客流流入联合控制的手段,以缓解尖峰客流压力。从路网和客流交互的物理机理出发,提出轨道交通线路客流拥挤传播模型。借助模型分析单线客流拥挤传播的时空演变过程,以作为控制点识别的基础。提出线路客流流入控制的原则和确定流程,以及关联车站的客流流入调整量计算方法,结果能够保证所有时空点满载率在合理水平以下。以早高峰北京地铁1号线苹果园至公主坟区段为例,表明本文提出的模型能够掌握常态高峰单线客流拥挤传播的时空演变过程和特征,客流流入控制的计算结果能够为限流策略制定提供量化依据。     

客流饱和条件下轨道交通网络动态可达性分析

轨道交通客流的日益增长使乘客在网络上的出行可达性受到影响,当轨道交通处于客流饱和时乘客存在无法上车而被迫留乘的可能性。为分析轨道交通网络可达性的动态变化特征,建立考虑客流饱和条件下的轨道交通网络动态可达性的评价模型;模型以轨道交通网络拓扑结果作为可达性的空间特性,以列车运行计划作为其时间特性。在深圳轨道交通网络上进行案例分析,通过网络客流和列车运行计划,得到乘客在网络上的期望旅行时间,继而得到OD对及车站的可达性指标。结果表明,目前的轨道交通网络中客流需求更大的车站往往配备较好的列车运输能力,以提高可达性,但是受限于列车开行间隔,客流饱和条件下的部分热门车站动态可达性较低。提出可达性评价方法,可用于评价网络中的客流需求与列车运行计划的匹配程度。     

广州地铁运营客流分布特征研究与应用

针对目前广州地铁运营过程中列车车厢及车站站台过度拥挤的问题,通过对广州地铁实际运营客流分布特征的调查与分析,在时间维度上提出客流分布在年内、月内及周内的不均衡规律,分析节假日对车站客流的影响,在空间维度上分析车厢内客流密度在不同区间、不同编组、不同车厢区域的分布规律和客流在车站站台上的分布规律。通过对现状特征的重新审视,提出设计阶段客流预测数据的选用原则、车厢站立密度对站台乘客上下车时间的影响及车站布局形式与站台客流分布的关系。为广州后续轨道交通线路精细化设计提供依据,为国内类似城市地铁设计、运营组织提供参考。     

苏州地铁客流波动特性分析

为研究轨道交通客流的波动性,提出使用SARIMA+GARCH这一随机结构作为轨道交通客流的综合时间序列模型。在这个随机结构中,SARIMA模型描述客流时间序列的一阶状态,即均值特征;GARCH模型获得客流时间序列的二阶状态,即条件异方差特征。采用苏州地铁全网客流数据作为分析实例,对5 min、15 min和1 h汇集度的工作日和休息日客流共6组客流数据进行波动性建模、预测与分析,结果表明,SARIMA+GARCH模型具有较好的预测性能。基于各组客流数据的分析结果,分别对工作日与休息日以及不同时间汇集度之间的客流波动特性进行对比,结果表明:休息日客流的波动性强于工作日客流;时间汇集度小的情况下,客流的波动性会更强。     

北京轨道交通网络化客流 特征分析与启示

轨道交通网络化客流特征分析与总结,对于提高轨道交通规划设计与运营管理水平具有重要作用。分析北京轨道交通各条线路的客流成长规律,其中重点分析2007年以来每开通1条新线对既有线网、线路、所涉及车站的影响;分析线网客流特征,主要包括分析各线上下车量时空分布规律、乘坐距离分布趋势、换乘客流时空分布规律、高峰小时客流特征及不均衡性、断面流量特征等;从目前的客流特征出发,分析线网规划、工程设计、运输组织时应注意的若干问题。     

东京、大阪、上海城市轨道交通高峰小时最大客流断面空间分布规律分析

城市轨道交通高峰小时的最大客流断面位置对轨道交通规划选择起着决定性作用,而其空间分布亦对轨道交通影响甚多。为研究高峰小时最大客流断面空间分布规律,选取了东京、大阪、上海的轨道交通线路进行相关对比分析。以客流数据为依据,通过高峰小时最大客流断面空间分布表分析,总结了高峰小时最大客流断面空间分布规律。     

城市轨道交通断面客流数据可视化分析及优化

断面客流是城市轨道交通制定运营计划的关键。传统的断面客流分析方法无法直观展现断面客流的多源性、空间不对称性和时变性,尤其是对于动态多维度客流与运行图能力适应性的可视化分析非常匮乏。基于点、边和线的可视化呈现方法,构建了直观、清晰、适于客流可视化分析的轨道交通网络拓扑图;根据实际运营需求,从多空间维度和时间维度两方面出发,研究了涵盖断面绝对量和断面满载率等综合信息的交互式实现方法,并以上海轨道交通网络为实例进行验证。     

面向数据驱动的城市轨道交通短时客流预测模型

考虑城市轨道交通客流的时空交互关系,提出一种融合循环门控单元和图卷积神经网络的城市轨道交通客流预测模型(GCGRU)。首先,分析短时客流在城市轨道交通网络中的空间关系,建立图卷积神经网络提取不同车站客流的空间交互关系;其次,分析路网各车站客流的时间演化关系,并利用循环门控单元刻画各车站客流数据的时间特征,进而形成面向数据驱动的城市轨道交通路网短时客流预测模型。与传统方法相比,该模型能较好地刻画路网各车站客流的时空相关性,可以深度挖掘路网各车站客流变化的内在机理;同时与既有的图卷积神经网络相比,该模型提出了面向旅行时间的邻接矩阵,能够挖掘客流数据与运行图数据的内在关系,具有较高的精度和可解释性。最后,以广州地铁典型车站的出站量预测为例,验证该模型的有效性。结果表明:该模型在整体预测性能和各车站的预测性能上都优于现有模型,能较好地处理城市轨道交通客流的时空关系,精准地预测路网各车站客流变化。此外,通过邻接矩阵对预测精度影响的分析,进一步验证该模型的性能。