一种基于列车运行时刻表的城市轨道交通断面客流推测方法

摘要

本发明公开了一种基于列车运行时刻表的城市轨道交通断面客流推测方法，首先从轨道交通历史数据库选择足够样本量的历史出站交易数据进行数据清洗，然后考虑换乘客流情况从经过清洗的数据中提取线网中涉及目标线路的交易数据，接着采用历史目标线路数据建立基于列车运行时刻表的历史客流单向OD(起讫点)矩阵，从原始数据中筛选出预测时段之前的交易日当天实时数据，参照历史客流单向OD矩阵的统计步骤获得实时客流单向OD矩阵，再结合站点进站客流数据，构建基于BP神经网络的断面客流预测模型，并对模型进行检验和调整。本发明可用于估计和预测轨道交通线路上各区间的断面客流，为轨道交通企业的运行状态评估和运营优化管理提供数据支持。

主权项

一种基于列车运行时刻表的城市轨道交通断面客流推测方法，其特征在于：包括如下步骤：(1)运营时段划分：根据轨道交通运营管理的需求确定OD矩阵统计的时间粒度Δt，根据时间粒度Δt将单日的运营时间划分为K个时段，分别标记为k＝1,2,…,K，其中，第k个时段表示运营时间(t₀+(k‑1)×Δt,t₀+k×Δt)，t₀表示单日的运营时间开始时刻；(2)历史出站交易数据清洗：对历史出站交易数据进行清洗，剔除异常数据；(3)目标线路数据提取：从经清洗后的历史出站交易数据中提取出历史目标线路数据；(4)历史客流上行OD矩阵统计：以第n天的第k个时段内从站点1出发的上行列车搭载的乘客作为统计对象，基于列车运行时刻表对历史目标线路数据进行时空汇聚，得到第n天的第k个时段的历史客流上行OD矩阵为：$History-{\mathrm{ODMatrix}}^{n,k}=\left\{\begin{array}{cccc}{q}_{11}^{n,k}& q_{12}^{n,k}& \mathrm{...}& q_{1S}^{n,k}\\ q_{21}^{n,k}& q_{22}^{n,k}& \mathrm{...}& \mathrm{...}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ q_{S1}^{n,k}& \mathrm{...}& \mathrm{...}& q_{SS}^{n,k}\end{array}\right\}---\left(1\right)$其中：目标线路上行的站点编号依次为StationID＝{0,1,2,…,S}，0为目标线路上行的初始停留点，S为目标线路的站点总数，根据列车运行时刻表得到时间差集合T_Station＝{t_0‑1,t_1‑2,t_2‑3,…,t_(S‑1)‑S}，t_0‑1＝0，t_(s‑1)‑s表示一列正常的上行列车从站点(s‑1)出发和从站点s出发的时间差，s＝2,3,…,S；表示第n天的时段内从站点i进站的乘客中最终从站点j出站的乘客总数，i,j＝1,2,…,S；对于历史客流上行OD矩阵，当i≥j时，(5)历史上行断面客流量估计：设在第k个时段内达到站台s的乘客都能在第k个时段内上车，据此认为这些乘客都乘坐了第k个时段内到达站台s的列车，结合历史客流上行OD矩阵的定义，断面c‑(c+1)在统计时段内的历史上行断面客流量可估计为：$Q_{c-(c+1)}^{n,k}=\underset{i=1}{\overset{c}{\Sigma }}\underset{j=c+1}{\overset{S}{\Sigma }}{q}_{ij}^{n,k}---\left(2\right)$于是，在第k个时段内从站点1出发的上行列车在行驶过程中出现的最大历史上行断面客流量为：${\mathrm{maxQ}}_{1-S}^{n,k}=max\left\{Q_{c-(c+1)}^{n,k}\right\}---\left(3\right)$其中：c＝1,2,…,S‑1，出现最大历史上行断面客流量的断面max[c‑(c+1)]是衡量轨道交通服务水平和日常运营管理关注的重点区域；(6)实时客流上行OD矩阵统计：对预测时段之前完成交易并上传的预测日实时出站交易数据，剔除异常数据后提取出实时目标线路数据，基于列车运行时刻表对实时目标线路数据进行时空汇聚，以预测日的第k个时段内从站点1出发的上行列车搭载的并于预测时段开始前完成出站的乘客作为统计对象，得到预测日的第k个时段的实时客流上行OD矩阵为：$\mathrm{Re}altime-{\mathrm{ODMatrix}}^{n,p,k}=\left\{\begin{array}{cccc}{q}_{11}^{n,p,k}& q_{12}^{n,p,k}& \mathrm{...}& q_{1S}^{n,p,k}\\ q_{21}^{n,p,k}& q_{22}^{n,p,k}& \mathrm{...}& \mathrm{...}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ q_{S1}^{n,p,k}& \mathrm{...}& \mathrm{...}& q_{SS}^{n,p,k}\end{array}\right\}---\left(4\right)$其中：预测时段为第n天的第p个时段，p＝k+1,k+2,…,K；表示第n天的时段内从站点i进站的乘客中最终在第p个时段开始前从站点j出站的乘客总数；对于实时客流上行OD矩阵，当i≥j时，(7)站点进站客流量统计：对经清洗后的历史出站交易数据，根据乘客进站时间分时段进行统计，得到第n天的第k个时段目标线路各站点的进站客流量StationEntry^n,k；(8)建立断面客流预测模型：选取与预测时段相关性最大的历史客流上行OD矩阵、实时客流上行OD矩阵、进站客流量、历史上行断面客流量和最大历史上行断面客流量作为输入层候选特征集，以预测时段内从站点1出发的上行列车在行驶过程中出现的历史上行断面客流量估计作为输出层预测集，经过反复的训练和调整优化确定最终的输入层特征集数据，同时考虑时间复杂度和预测精度设置合理的隐层节点数量，最终建立基于BP神经网络的断面客流预测模型；(9)断面客流预测模型应用：从历史出站交易数据和实时出站交易数据中提取预测时段对应的输入层特征集数据，使用步骤(8)建立的基于BP神经网络的断面客流预测模型进行预测，输出即为预测时段内从站点1出发的上行列车在行驶过程中出现的实时上行断面客流量的预测值。