交通智能(IC)卡可以记录居民的移动出行,反映居民的源-目的地(OD)信息;但智能卡记录的OD流数据规模大,直接可视化空间分布容易导致视觉杂乱,并且多元数据类型多,更难以和流数据结合对比分析。首先,针对直接可视化大规模OD数据的空间分布容易视觉遮挡的问题,提出基于正交非负矩阵分解(ONMF)的流聚类方法。所提方法对源-目的地数据聚类后再可视化,可以减少不必要的遮挡。然后,针对多元时空数据类型多难以结合对比分析的问题,设计了公交站点多元时序数据视图。该可视化方法将公交站点的流量大小和空气质量、空气温度、相对湿度、降雨量这四类多元数据在同一时间序列上编码,提高了视图的空间利用率并且可以对比分析。再次,为了辅助用户探索分析,开发了基于OD流和多元数据的交互式可视分析系统,并设计了多种交互操作提升用户探索效率。最后,基于新加坡交通智能卡数据集,从聚类效果和运行时间对该聚类方法评估。结果显示,在用轮廓系数评估聚类效果上,所提方法比原始方法提升了0.028,比用K均值聚类方法提升了0.253;在运行时间上比聚类效果较好的ONMFS(ONMF through Subspace exploration)方法少了254 s。通过案例分析和系统功能对比验证了系统的有效性。
为评估区间通过能力下降对城市轨道交通网络可靠性和运输服务质量的影响,首先,以区间通过能力下降前后乘客的相对广义出行费用确定乘客的出行是否可靠,并以出行可靠的乘客占比评估网络的可靠性;其次,以乘客的平均广义出行费用评估网络的运输服务质量,采用基于改进Logit模型的随机用户均衡配流模型计算乘客的广义出行费用,并通过MSWA(method of successive weighted averages)算法求解该模型;然后,通过区间影响的乘客占比、区间介数分别识别网络的重要区间;最后,以武汉地铁为例分析重要区间通过能力下降后的网络可靠性和运输服务质量.仿真结果表明:受区间影响的乘客占比识别的重要区间对城市轨道交通网络的可靠性和运输服务质量产生重要影响;重要区间多与换乘站直接相连,并且各重要区间能影响网络中12.24%~13.96%的乘客;为保证武汉地铁网络可靠性高于0.95,网络最多能容忍区间介数识别的3个重要区间的能力下降20%,或区间影响的乘客占比识别的1个重要区间的能力下降20%;随着下降区间数目和下降比例的升高,网络的可靠性持续下降,但网络的运输服务质量下降的情况会有所减弱.
高速铁路夕发朝至列车开行与天窗设置存在动态影响关系,将两者进行协同优化有助于满足旅客夜间出行需求,提升铁路运力资源配置.以通道型高速铁路为对象,在分析高速铁路夕发朝至列车与天窗设置影响关系的基础上,以高速铁路夕发朝至列车总的旅行时间最少和高速铁路夕发朝至列车的开行对既有列车运行图的影响最小为目标,建立了列车开行模式未定情形下高速铁路夕发朝至列车与天窗协同优化的非线性混合整数规划模型.结合问题特性,提出了双目标转换和约束线性化处理等模型约简策略,设计了基于自适应大邻域搜索的启发式求解算法.最后,以京广高速铁路走廊为例,对模型算法的有效性进行了验证.结果表明:算法经过40次左右迭代便可收敛至最优解,耗时784 s.
暂无评论