成都市通勤客流地铁-公交换乘系数分析

充分考虑通勤客流的地铁-公交换乘系数分析对交通管理部门和公共交通运营公司优化线网设计、提升通勤效率起着重要的作用,本文创新性提出了基于多日重复出现的OD刷卡数据识别地铁-公交换乘行为的算法。在选取了成都市典型性的7个地铁站点和其周边的公交站点后,利用3天的全网刷卡数据,得到了站点的地铁-公交换乘系数、换乘客流比例等数据,发现小于近年的地铁换乘系数。计算结果表明在不同的站点,地铁-公交的换乘系数差异较大,且地铁首尾站点的换乘系数明显较高,随后分析了算法可能的缺陷。基于以上结果提出了三条针对成都市公共交通运营的建议,并给出了后续值得研究的方向。     

深圳至大亚湾城际铁路运输组织方案研究

城际铁路的运输组织方案直接影响运输效率、运输能力以及服务便捷性,会对客流产生导向作用.以深圳至大亚湾城际铁路为例,依据预测的跨线客流量,在满足服务频率的前提下对跨线列车开行方案进行分析,结合客流特征,在满足短途通勤客流需求的前提下,兼顾长途客流的时效性需求,创造性地提出本线需开行大站停和站站停两种列车;进而根据列车编组...     

客流预测成果在地铁行车组织设计中的应用

结合南宁轨道交通1号线的设计前期工作,对客流量级进行阐述,分析客流预测三级数据,确定运营的规模;根据OD客流分析来研究行车交路,做出满载率和拥挤度的评价,最终确定车辆编组与行车密度的组合,从而形成合理的运营方案。     

基于粤港澳大湾区跨界客流的城市引力模型实证研究

引力模型是研究城市经济联系的重要工具。基于2003—2017年粤港澳大湾区跨界交通调查数据,从时间序列和城市视角两个维度,分析跨界客流和城市引力的相关性。结果表明,粤港澳大湾区跨界客流量与城市引力呈现显著的线性关系,且城市引力对跨界客流量的贡献符合边际效用递减规律,将引力模型引入跨界客流预测具备可行性。     

基于聚类站点客流公共特征的轨道交通车站精细分类

已有城市轨道交通车站分类多基于定性分析,不能满足精细化设计和运营的需要。本文提出一种基于聚类站点公共特征的站点精细分类方法。首先,将来源于AFC(Automatic FareCollection)的进站客流量数据处理为时间序列数据,并基于K-Means++算法对各个站点的客流量进行聚类;其次,建立客流量聚类结果与土地利用特征多维参数的拟合方程,计算获得居住密集型、工作就业型以及区域中心型等5种大类站点的客流量公共特征。在此基础上,充分考虑属于同一大类站点不同站点的细分特性,使用5类客流量公共特征比重组合精细描述具体站点类型。实例结果表明,使用本文提出的精细分类方法计算得到的每个站的客流量拟合值与真实客流值间的平均绝对百分比误差控制在14%以内,说明该分类方法具有可行性。     

上海市域铁路车站换乘客流组织研究——以机场联络线为例

上海市域铁路网包括新建市域铁路和利用既有铁路改建的市域铁路,根据上海市域铁路与城市轨道交通、都市圈城际铁路的融合发展情况,从线网规划、客流特征、票务系统等方面梳理多层次轨道交通方式间换乘的影响因素,并以上海市域铁路为主体,分析其与其他轨道交通方式间换乘的特点及方式。最后以机场联络线为例,总结机场联络线各站换乘情况,并根据不同类型的客流特点提出相应的客流组织方案。     

基于出行阻抗的城市地铁网络客流分布计算

为提高城市地铁网络客流分布预测的准确性,结合乘车阻抗、进站候车阻抗和换乘阻抗等出行阻抗建立综合出行阻抗函数,基于阻抗函数对有效路径集进行搜索与筛选,建立基于综合出行阻抗的多路径客流分布计算模型,并设立换乘惩罚系数对不同路径的客流分配进行合理修正.以深圳地铁新开通的11号线为契机,结合地铁1号线、2号线、3号线、5号线分析网络客流分布的变化.结果 表明:新开通的11号线使各线路中的换乘客流有不同程度的增大,增加了乘客出行的可选路径,且11号线车站附近形成新的人口及岗位聚集圈,进一步增加了11号线自身的客流,使得线网客运总量增加,与实际运营中的客流特征相符,验证了所建模型的有效性和适用性.     

基于SVM-KNN的降雨条件下短时公交客流预测

为了提高降雨条件下短时公交客流的预测精度,提出一种基于SVM-KNN的短时公交客流预测模型.分析了降雨天气与公交客流的相关关系,揭示不同降雨等级对公交客流量的影响.进一步发挥支持向量机(SVM)的快速归类和K近邻算法(KNN)的高预测精度的优点,提出了基于SVM-KNN的短时公交客流预测模型.具体方法为:用SVM训练少量数据生成子数据库,随后采用KNN识别相似模式预测短时公交客流.通过采集深圳市南山区4条公交线路降雨条件下的客流数据进行算例仿真,验证了模型和算法的有效性.结果表明,SVM-KNN算法的综合平均绝对误差(MAE)为8.437,综合均方误差(MSE)为10.725,综合平均相对误差(MAPE)为8.8%,综合均方相对误差(MSPE)为11.3%,比常用的RBF模型的MAE,MSE,MAPE及MSPE各类误差分别降低了3.646,3.631,4.6%,5.5%.