基于有序样本聚类的城市轨道交通站点差异化高峰时段识别方法

识别城市轨道交通站点高峰时段,对合理分配站内管理资源、制定乘客限流和错峰出行方案,从而缓解线路站点的高峰拥挤现象等具有重要作用。在现有多数城市的实践和研究中,主要依据人工经验确定全网或单条线路固定长度的高峰时段,但随着城市轨道网络规模和客流的增长,该方法难以体现不同站点和线路高峰时段的差异性,为车站开展精细化运营管理带来了挑战。针对城市轨道交通网络中的每个站点,本文基于以5 min为单元的进出站连续客流数据,提出了一种基于有序样本聚类的站点级差异化高峰时段识别方法。根据识别结果,进一步定义高峰时段时间窗最大客流、峰左（右）客流比和高峰时段长度三个指标,将网络中的站点高峰分为无高峰、微弱高峰、明显高峰三类。最后,以上海轨道交通18条运营线路5个工作日的客流数据为例,验证了方法的有效性。分析结果表明：(1)所提出方法可同时辨识出高峰时段的开始时刻和结束时刻,无须预先确定高峰时段长度,并且针对高峰时段的特点,使用定制化聚类参数,能够识别全网各站点差异化高峰时段;(2)同一条线路中站点距市中心越远,其进站早高峰时段开始越早,验证了辨识差异化高峰时段的必要性。     

基于网络均衡的交叉口分流率计算方法

为研究交通需求的空间分布对网络瓶颈的影响,提出了基于网络均衡的交叉口分流率计算方法,以随机型用户均衡网络为对象,研究网络均衡状态下的路段选择率、交叉口分流率及其相互关系,以Dial加载为基础,根据概率原理和权理论推导得出单路段和双路段选择率的计算公式,根据交通网络均衡状态下的路段选择率和MSA算法与Dial加载的关系,推导了交叉口分流率和分叉流量的计算公式,用数值实验验证了提出的方法的可行性。     

基于L-偏度和L-峰度的行程时间可变性表征方法

为了定量化测度行程时间可变性右偏且长尾的实证特征,考虑实际观测中可能存在的数据样本量不足和离群值干扰问题,提出基于线性矩的L-偏度和L-峰度用于精确表征行程时间可变性。考虑到线性矩是顺序统计量期望的线性组合,给出了避免遍历所有子样本的线性矩估计方法。根据线性矩概念,探究了L-偏度和L-峰度的数学含义和其表征行程时间可变性的有效性,以及样本L-偏度和L-峰度的计算方法。理论研究发现,在表征范围和样本估计质量方面,相较于传统偏度和峰度,L-偏度和L-峰度对行程时间可变性具有更加优越的表征能力。采用深圳市车牌照识别系统的行程时间数据集进行案例分析,从无偏性、鲁棒性和有效性3个维度证明了L-偏度和L-峰度相较于传统偏度和峰度的优越性。分析结果如下：样本L-偏度和L-峰度在样本量不足时仍然是总体近似的无偏估计,而传统偏度和峰度的系统性误差较大;L-偏度和L-峰度对离群值具有鲁棒性,而传统偏度和峰度对离群值过于敏感;样本L-偏度和L-峰度对总体的估计波动小且精度高,具有良好的估计有效性;L-偏度和L-峰度分别与传统偏度和峰度有较高相关性,但又能够辨识出不同时空下行程时间可变性分布的差异。基于L-偏...     

基于手机数据的地铁线网清分模型验证与优化

如何高效准确地验证并优化地铁线网票款清分清算模型是地铁行业一直以来的研究重点。地铁票款清分清算模型大多是基于概率分布的出行路径选择模型。该类模型应用出行时间对应选择概率的正态分布得到乘客对不同出行路径的选择概率,结合不同出行路径上各个线路运营商的运营里程比,即可计算得到所谓的"清分因子"。为验证现有清分模型的准确性,提出使用手机数据重建乘客出行轨迹的方法。通过在地铁线网换乘节点安装无线探测装置,获取乘客智能手机唯一的MAC地址,将乘客出现的时间、地点信息实时发送到数据处理后台,按照时间先后排列捕获乘客出现的地点,以此重建出行轨迹。目前只有开启Wi Fi功能的智能手机可以被捕获。通过这一方法,不仅可以验证地铁票款清分清算模型,还可以进一步对模型参数进行修正。本研究在杭州市地铁线网中进行实验,通过重建当地乘客实际出行路径,对票款清分清算模型进行验证和修正。