近几年，随着城市轨道交通迅猛发展，其由单一的线路模式变为庞大的路网模式，将城市的每个角落连成一个庞大的路网。城市轨道交通是城市公共交通的主干线，客流运送的大动脉，是一个城市的生命线工程，对城市的全局和发展模式将产生深远的影响，将直接关系到城市居民的出行、工作、生活等。城市轨道交通的建设与发展有利于提高市民出行的效率，节省时间，改善生活质量。随着轨道交通线路不断的增加，路网也随之变得更加密集复杂，路网内的客流分布、乘客路径选择等呈现出复杂多样等特点，这些问题也给城市轨道交通的运营带来更多挑战和考验。 AFC系统的全称是Automatic Fare Collection System，即自动售检票系统。该系统是一种由计算机集中控制的自动售票、自动检票、自动收费和统计的封闭式自动化网络系统。AFC自动售检票系统基于计算机、通信、网络、自动控制等技术，能够实现轨道交通售票、检票、计费、收费、统计、清分、管理通过自动化进行。所以，该系统被运用于国内外各城市轨道交通。本文基于 AFC 数据所蕴含的内在出行信息去对乘客出行模式及突发事件的识别进行分析研究，主要进行了以下研究： （1）乘客出行模式分析：本文利用乘客长期的洪城一卡通刷卡进出站数据，对乘客的出行模式进行深入的理解分析。对于乘客出行模式的分析，首先对乘客的出行模式按照时间、空间、时空这三个方面来定义，同时提出如何有效的去获取乘客的这些出行模式，最后利用统计的方法对乘客出行模式分布特征进行分析。 （2）突发事件的识别分析：随着城市轨道交通路网的覆盖面不断扩张，路网内的车站突发事件发生的概率也会相应增加。由于乘客的出行行为及突发事件都存在随机性，所以，如何快速识别车站突发事件对于轨道交通运营是一个难点问题。对于突发事件的识别分析，利用贝叶斯预测法对客流数据异常来进行识别，通过构建突发事件下客流的影响模型，从受影响范围和受影响程度两个方面分析突发事件对整个路网的影响。 上述研究内容我们都是基于大量的 AFC 历史数据所蕴含的内在出行信息去对乘客出行模式及突发事件的识别进行分析研究，为城市轨道交通的列车运能的调配、安全运营、客运组织策略制定以及突发事件的处理提供数据支撑。
近年来,随着我国城镇化进程的不断加速,交通安全、交通堵塞及环境污染已成为许多城市交通面临的三大重要难题。优先发展公共交通是缓解城市交通问题的重要方式,而城市轨道交通的发展则是发展公共交通的重要部分。随着我国城市轨道交通的迅速发展,轨道路网在通达性和复杂性方面都显著增强,乘客出行时空分布特征也越来复杂。准确把握乘客的出行模式以及动态分布规律是开展运力资源调配、应急协调、策略制定与评估等的前提。近年来随着AFC(Automated Fare Collection)系统的完善以及各类与客流相关数据的开放(例如列车营运数据、气象数据),我们可以获取的数据无论在质量、规模、类型、时效性等方面都有了质的提高。如何分析和挖掘出隐藏在数据背后对应用有价值的知识,已经成为时空数据管理和挖掘领域的一个重要研究课题。本文从乘客出行模式分析和挖掘、乘客出行路径分析、客流OD(origin-destination)矩阵动态估计、客流在线移动估计四个方面对城市轨道乘客出行展开研究。具体研究内容包括:(1)乘客出行模式分析和挖掘:结合乘客长期的智能卡刷卡交易数据,本文对乘客的出行模型做了深入的理解和挖掘。我们从三个方面:时间、空间、时空三方面定义了乘客的出行模式,并给出获取这些出行模式的有效方法,然后利用统计和无监督聚类方法从规律发现和异常检测两方面对乘客的出行模式做了深入分析。利用统计方法,我们首先分析乘客的出行模式分布特征,并结合经验知识发现部分在出行花费时间和出行空间异常乘客。利用无监督聚类方法,我们按照乘客在出行模式的相似性将其分类,并结合乘客的公共汽车的出行记录深入了解其群体行为。基于聚类结果,我们发现了部分边缘乘客,并结合调查结果对这些乘客异常出行特征给出了合理的解释。(2)乘客出行路径分析:结合历史长期的智能卡交易数据和列车营运时间,本文提出了一种在无需人工参与的复杂轨道网络环境的下,在两站之间有多条路径下的情况下,乘客对各路径选择的概率的计算方法。我们通过部分路径选择确定的出行样本(无需换乘且只有一条路径的出行样本和需要一次换乘且只有一条路径的出行样本)分析乘客在各站点对列车的选择行为,并在此基础上,提出了一种基于概率模型的乘客路径选择概率计算方法。(3)在线客流O-D矩阵动态估计:基于智能卡数据和天气数据,结合城市轨道交通网络的封闭性、乘客行程时间的可靠性、乘客出行的规律性和随机性并存等特点,建立以进站量、出站量、天气状况为实时采集信息,在线估计大规模城市轨道网络的乘客OD矩阵。我们首先基于个体乘客历史长期的出行记录挖掘其时空规律模式。在此基础上,将在线乘客按照其目的站点是否唯一推算将其划分为两类:固定乘客和随机乘客。对于随机乘客,我们提出了一种基于 WAM(Weighted average method)和KNN(K-Nearest Neighbor)的混合模型来估计乘客到达各目的站点的概率。WAM和KNN分别基于不同的特征向量对客流分离率的线性特征(7天,24小时周期性)和非线性特征(例如天气造成的客流波动)建模,并通过交叉验证对WAM和KNN模型赋予一定的权重从而得到最终的OD矩阵。(4)客流在线移动分析:在实时智能卡数据,列车时刻表、天气数据实时获取的基础上,建立在线乘客实时移动分析系统。本文将进站乘客在轨道交通网络内的移动看做乘客状态随时间转变的一系列随机过程,并重点研究了影响乘客状态转换的因素,例如各站点乘客进出站和换乘步行时间分布,乘客进站后站台选择概率,以及当列车到达某站时乘客的状态转换概率等,在此基础上对轨道乘客的在线移动做了实时模拟。
暂无评论