CN108876064B - 基于客流量的城市轨道交通网络关键车站识别方法 - Google Patents

Abstract

本发明提供了一种基于客流量的城市轨道交通网络关键车站识别方法，属于城市轨道交通运行控制技术领域。首先收集AFC设备中的乘客数据并进行预处理，获取OD对数据、进站乘客量和出站乘客量；然后结合交通网络拓扑结构，根据OD对数据对乘客行为进行仿真，获取站点的换乘乘客量和运送乘客量；最后根据进站乘客量、出站乘客量、换乘乘客量和运送乘客量获取站点的重要性程度。本发明考虑每个站点的进入乘客数量、离开乘客数量、转乘乘客数量和运送乘客数量这四项指标，使用基于多智能体的仿真和最小—最大归一化的分析方法得到每个站点的重要性程度，以此识别城市轨道交通网络中的关键站点，对城市轨道交通管理人员的维护工作提供理论支持。

Description

基于客流量的城市轨道交通网络关键车站识别方法

技术领域

本发明涉及轨道交通列车运行控制技术领域，具体涉及一种基于客流量的城市轨道交通网络关键车站识别方法。

背景技术

城市轨道交通运输由于其可靠性高、容量大、污染小等优点，在全世界范围内得到了飞速的发展。大城市的轨道交通运输已成为一个大型复杂的网络，在城市交通系统中发挥着主要作用。城市轨道交通网络中存在着一些对整个网络正常运行起着重要作用的关键站点，识别这些站点并对其投入更多的人力物力来管理和维护，对保证整个城市轨道交通网络的正常运行有着重要的意义。

识别关键站点的传统研究方法是基于交通网络的拓扑结构，未能考虑到各个站点的实际客流数据，不能根据实际客流量来确定实际的关键站点。

发明内容

本发明的目的在于提供一种能够根据每一站点的实际客流量，确定城轨交通系统中的关键站点，为优化轨道交通提供依据的基于客流量的城市轨道交通网络关键车站识别方法，以解决上述背景技术中存在的技术问题。

为了实现上述目的，本发明采取了如下技术方案：

本发明提供的一种基于客流数据的城市轨道交通网络关键站点识别方法，包括如下步骤：

步骤S110：收集AFC设备中的乘客数据并进行预处理，获取OD对数据、进站乘客量和出站乘客量；

步骤S120：结合交通网络拓扑结构，根据所述OD对数据对乘客行为进行仿真，获取站点的换乘乘客量和运送乘客量；

步骤S130：根据所述进站乘客量、所述出站乘客量、所述换乘乘客量和所述运送乘客量获取站点的重要性程度；

进一步的，所述步骤S120具体包括：

根据所述OD对数据确定一个乘客集合，根据所述乘客集合中的乘客状态仿真模拟所述乘客的路径信息，根据所述路径信息确定所述换乘乘客量和所述运送乘客量。

进一步的，所述乘客集合中的乘客状态包括：

S_δ＝0，表示乘客δ刚刚进入城市轨道交通系统；

S_δ＝1，表示乘客δ刚刚从进站口进入一个站点，正走向站台准备等车；

S_δ＝2，表示乘客δ刚到站台，开始等车；

S_δ＝3，表示乘客δ刚乘上车；

S_δ＝4，表示乘客δ刚在换乘站下车，开始换乘另一条城市轨道交通线路；

S_δ＝5，表示乘客δ刚到目的站点下车，准备检票出站；

S_δ＝6，表示乘客δ已经完成检票出站，并已退出城市轨道交通系统。

进一步的，所述根据所述乘客集合中的乘客状态仿真模拟所述乘客的出行路径包括：

步骤1.1：初始化参数t_b、t_e、Δt和T_d，设置时钟t＝t_b，第k次仿真周期的时间区间为[t_b+(k-1)×T_d,t_b+k×T_d]，k＝1,2,3...K-1，

其中，t_b表示仿真开始的时间，t_e表示仿真结束的时间，Δt表示仿真步长，T_d表示每个仿真的仿真周期，K＝(t_e-t_b)÷T_d表示仿真周期的个数；

步骤1.2：第k个仿真中的乘客集合为{δ_(O,D)k}，对其中的任意一个乘客δ_(O,D)k，设置初始状态S_δ＝0，将{δ_(O,D)k}添加至乘客总体￡；其中，

定义(O,D)表示一个从站点O到站点N的OD对，且所述第k个仿真满足 t＝t_s+(k-1)×T_d，t＜t_s+k×T_d，t＝t+Δt；

步骤1.3：当S_δ＝0时，设置t_δ＝a_δn，n站点表示起始站点O，将站点n 增加至路径信息p_δ中，判断t_δ∈[t,t+Δt]是否成立，若成立，则乘客δ_(O,D)k进入状态S_δ＝1，每重新计算一次，k增加1；其中，t_δ表示第k个仿真采样时的乘客的当前时间，a_δn表示乘客进入站点n的时间；

当S_δ＝1时，判断t_δ∈[t,t+Δt]是否成立，若成立，则乘客δ_(O,D)k进入状态S_δ＝2，否则，设置t_δ＝t_δ+t_(0,1)n，每重新计算一次，k增加1；其中， t_(0,1)n表示乘客从站点n的进站口到站台所需的步行时间；

当S_δ＝2时，根据列车时刻表得到即将驶入站点n的列车为i，判断 t_δ∈[a_in,d_in]是否成立，若成立，则乘客δ_(O,D)k进入状态S_δ＝3，每重新计算一次，k增加1；其中，a_in表示列车i到达站点n的时间，d_in表示列车i离开站点 n的时间；

当S_δ＝3时，识别列车i与乘客路径相同的最后一站m1，设置n＝m1、 t_δ＝a_m1i，将站点m1作为换乘站点添加至路径信息p_δ中，判断t_δ∈[a_in,d_in]且 n＝D是否成立，若成立，则乘客δ_(O,D)k进入状态S_δ＝5，否则，乘客δ_(O,D)k进入状态S_δ＝4，每重新计算一次，k增加1；其中，a_m1i表示列车i到达m1站点的时刻，D表示最终站点；

当S_δ＝4时，寻找乘客δ_(O,D)k的目标站点m2，设置n＝m2、 t_δ＝t_δ+t_(4,3)n，将站点m2作为终点站添加至路径信息p_δ中，判断t_δ∈[t,t+Δt] 是否成立，若成立，则乘客δ_(O,D)k的状态重新设置为S_δ＝2；其中，t_(4,3)n表示乘客在站点m1的换乘时间；

当S_δ＝5时，设置t_δ＝t_δ+t_(5,6)n，判断t_δ∈[t,t+Δt]是否成立，若成立，则乘客δ_(O,D)k进入状态S_δ＝6，每重新计算一次，k增加1；其中，t_(5,6)n表示乘客从站点m2的站台到出站口所需的步行时间；

当S_δ＝6时，计算结束，将乘客δ_(O,D)k从乘客总体￡中移除；

步骤1.4：根据步骤1.3的计算方法，确定集合{δ_(O,D)k}中所有乘客的出行路径。

进一步的，所述步骤S130具体包括：

使用最小—最大值方程对每个站点的所述进站乘客量、所述出站乘客量、所述换乘乘客量和所述运送乘客量进行归一化：

其中，x_n表示进入站点n的日均乘客数量，X_max表示进入一个站点的最大日均乘客数量；X_min表示进入一个站点的最小日均乘客数量；y_n表示离开站点n的日均乘客数量；Y_max表示离开一个站点的最大日均乘客数量；Y_min表示离开一个站点的最小日均乘客数量；u_n表示站点n日均转乘乘客数量；U_max表示一个站点的最大日均转乘乘客数量；U_min表示一个站点的最小日均转乘乘客数量；w_n表示站点n的日均运送乘客数量；W_max表示一个站点的最大日均运送乘客数量；W_min表示一个站点的最小日均运送乘客数量。

进一步的，根据所述归一化的加权求和，确定站点的重要性程度：

其中，c₁、c₂、c₃和c₄分别表示所述进站乘客量、所述出站乘客量、所述换乘乘客量和所述运送乘客量的加权系数。

本发明有益效果：从实际客流量的角度出发，考虑每个站点的进入乘客数量、每个站点的离开乘客数量、每个站点的转乘乘客数量、每个站点的运送乘客数量这四项指标，使用基于多智能体的仿真和最小—最大归一化的分析方法得到每个站点的重要性程度，以此识别城市轨道交通网络中的关键站点，对城市轨道交通管理人员的维护工作提供理论支持。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一所述的基于客流数据的城市轨道交通网络关键车站识别方法流程图。

图2为本发明实施例二所述的基于客流数据的城市轨道交通网络关键车站识别方法流程图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的模块。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或模块，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、模块和/或它们的组。

需要说明的是，在本发明所述的实施例中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，可以是固定连接，也可以是可拆卸连接，或成一体，可以是机械连接，也可以是电连接，可以是直接连接，也可以是通过中间媒介间接连接，可以是两个元件内部的连通，或两个元件的相互作用关系，除非具有明确的限定。对于本领域技术人员而言，可以根据具体情况理解上述术语在本发明实施例中的具体含义。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语 (包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且实施例并不构成对本发明实施例的限定。

本领域普通技术人员应当理解的是，附图只是一个实施例的示意图，附图中的部件或装置并不一定是实施本发明所必须的。

实施例一

如图1所示，本发明实施例一提供一种基于客流量的城市轨道交通网络关键站点识别方法，该方法包括如下步骤：

步骤S110：收集AFC设备中的乘客数据并进行预处理，获取OD对数据、进站乘客量和出站乘客量；

步骤S120：结合交通网络拓扑结构，根据所述OD对数据对乘客行为进行仿真，获取站点的换乘乘客量和运送乘客量；

步骤S130：根据所述进站乘客量、所述出站乘客量、所述换乘乘客量和所述运送乘客量获取站点的重要性程度。

在具体的实施例一中，所述步骤S120具体包括：

根据所述OD对数据确定一乘客集合，根据所述乘客集合中的乘客的乘客状态仿真模拟所述乘客的路径信息，根据所述路径信息确定所述换乘乘客量和所述运送乘客量。

在具体实施例一中，所述乘客集合中的乘客的乘客状态包括：

S_δ＝0，表示乘客δ刚刚进入城市轨道交通系统；

S_δ＝1，表示乘客δ刚刚从进站口进入一个站点，正走向站台准备等车；

S_δ＝2，表示乘客δ刚到站台，开始等车；

S_δ＝3，表示乘客δ刚乘上车；

S_δ＝4，表示乘客δ刚在换乘站下车，开始换乘另一条城市轨道交通线路；

S_δ＝5，表示乘客δ刚到目的站点下车，准备检票出站；

S_δ＝6，表示乘客δ已经完成检票出站，并已退出城市轨道交通系统。

在本发明具体实施例一中，所述根据所述乘客集合中的乘客的乘客状态仿真模拟所述乘客的出行路径包括：

步骤1.1：初始化仿真参数t_b、t_e、Δt和T_d，设置仿真时钟t＝t_b，第k次仿真周期的时间区间为[t_b+(k-1)×T_d,t_b+k×T_d]，k＝1,2,3...K-1，

其中，t_b表示仿真开始的时间，t_e表示仿真结束的时间，Δt表示仿真步长，T_d表示每个仿真的仿真周期，K＝(t_e-t_b)÷T_d表示仿真周期的个数；

步骤1.2：第k个仿真中的乘客集合为{δ_(O,D)k}，对其中的任意一个乘客δ_(O,D)k，设置初始状态S_δ＝0，将{δ_(O,D)k}添加至乘客总体￡；其中，

定义(O,D)表示一个从站点O到站点N的OD对，且所述第k个仿真满足 t＝t_s+(k-1)×T_d，t＜t_s+k×T_d，t＝t+Δt；

步骤1.3：当S_δ＝0时，设置t_δ＝a_δn，n站点表示起始站点O，将站点n 增加至路径信息p_δ中，判断t_δ∈[t,t+Δt]是否成立，若成立，则乘客δ_(O,D)k进入状态S_δ＝1，每重新计算一次，k增加1；其中，t_δ表示第k个仿真采样时的乘客的当前时间，a_δn表示乘客进入站点n的时间；

当S_δ＝1时，判断t_δ∈[t,t+Δt]是否成立，若成立，则乘客δ_(O,D)k进入状态S_δ＝2，否则，设置t_δ＝t_δ+t_(0,1)n，每重新计算一次，k增加1；其中， t_(0,1)n表示乘客从站点n的进站口到站台所需的步行时间；

当S_δ＝2时，根据列车时刻表得到即将驶入站点n的列车为i，判断 t_δ∈[a_in,d_in]是否成立，若成立，则乘客δ_(O,D)k进入状态S_δ＝3，每重新计算一次，k增加1；其中，a_in表示列车i到达站点n的时间，d_in表示列车i离开站点 n的时间；

当S_δ＝3时，识别列车i与乘客路径相同的最后一站m1，设置n＝m1、 t_δ＝a_m1i，将站点m1作为换乘站点添加至路径信息p_δ中，判断t_δ∈[a_in,d_in]且 n＝D是否成立，若成立，则乘客δ_(O,D)k进入状态S_δ＝5，否则，乘客δ_(O,D)k进入状态S_δ＝4，每重新计算一次，k增加1；其中，a_m1i表示列车i到达m1站点的时刻，D表示最终站点；

当S_δ＝4时，寻找乘客δ_(O,D)k的目标站点m2，设置n＝m2、 t_δ＝t_δ+t_(4,3)n，将站点m2作为终点站添加至路径信息p_δ中，判断t_δ∈[t,t+Δt] 是否成立，若成立，则乘客δ_(O,D)k的状态重新设置为S_δ＝2；其中，t_(4,3)n表示乘客在站点m1的换乘时间；

当S_δ＝5时，设置t_δ＝t_δ+t_(5,6)n，判断t_δ∈[t,t+Δt]是否成立，若成立，则乘客δ_(O,D)k进入状态S_δ＝6，每重新计算一次，k增加1；其中，t_(5,6)n表示乘客从站点m2的站台到出站口所需的步行时间；

当S_δ＝6时，计算结束，将乘客δ_(O,D)k从乘客总体￡中移除；

步骤1.4：根据步骤1.3的计算方法，确定集合{δ_(O,D)k}中所有乘客的出行路径。

在本发明的具体实施例一中，所述步骤S130具体包括：

使用最小—最大值方程对每个站点的所述进站乘客量、所述出站乘客量、所述换乘乘客量和所述运送乘客量进行归一化：

其中，x_n表示进入站点n的日均乘客数量，X_max表示进入一个站点的最大日均乘客数量；X_min表示进入一个站点的最小日均乘客数量；y_n表示离开站点n的日均乘客数量；Y_max表示离开一个站点的最大日均乘客数量；Y_min表示离开一个站点的最小日均乘客数量；u_n表示站点n日均转乘乘客数量；U_max表示一个站点的最大日均转乘乘客数量；U_min表示一个站点的最小日均转乘乘客数量；w_n表示站点n的日均运送乘客数量；W_max表示一个站点的最大日均运送乘客数量；W_min表示一个站点的最小日均运送乘客数量。

在本发明的具体实施例一中，根据所述归一化的加权求和，确定站点的重要性程度：

其中，c₁、c₂、c₃和c₄分别表示所述进站乘客量、所述出站乘客量、所述换乘乘客量和所述运送乘客量的加权系数。

实施例二

本发明实施例二提供的一种基于客流量的城市轨道交通网络关键车站识别方法，该方法包括如下流程步骤：

步骤1，对收集得到的智能卡数据进行预处理；

位于每个站点入口和出口的交通智能卡自动收费(AFC)设备可以收集全部的乘客数据，包括乘客进站时间、出站时间和每对起止站点的OD对。对智能卡数据进行预处理可以直接得到OD对数据、每个站点的进站乘客数量和每个站点的出站乘客数量。

步骤2，得到每个站点的换乘乘客数量和运送乘客数量；

因为换乘过程的不确定性，所以不能从智能卡数据中直接获得每个站点的换乘乘客数量和运送乘客数量。因此，在本发明实施例二中，提出了一个基于多智能体的仿真过程，综合了OD数据、时间表图和交通网络拓扑结构，准确地计算得到每个站点的换乘乘客数量和运送乘客数量；此仿真可以近似模拟乘客在路线选择中的行为，并通过实际的人工测量数据和大量的历史数据对所提的仿真参数进行验证。

在本发明实施例二中，上述基于多智能体的仿真过程使用如下参数进行计算：

定义N来表示一组有限的节点(即站点)，并定义(O,D)来表示一个从站点O到站点N的OD对，其中O,D∈N,定义一个乘客δ，用s_δ来表示其状态，该乘客δ有七种不同的状态，即：

s_δ＝0表示乘客δ刚刚进入城市轨道交通系统；

s_δ＝1表示乘客δ刚刚从进站口进入一个站点,正走向站台准备等车；

s_δ＝2表示乘客δ刚到站台，开始等车；

s_δ＝3表示乘客δ刚乘上车；

s_δ＝4表示乘客δ刚在换乘站下车，开始换乘另一条城市轨道交通线路；

s_δ＝5表示乘客δ刚到目的站点下车，准备检票出站；

s_δ＝6表示乘客δ已经完成检票出站，并已退出城市轨道交通系统。

在实际应用中，并非所有的乘客旅程都包含这7个状态，也就是说，在一个乘客旅途中可能没有发生过换乘或进行过不止一次换乘。

此外，在仿真过程中也使用了以下参数和变量，即：

t表示仿真时钟；

Δt表示仿真步长；

t_b表示仿真开始的时间；

t_e表示仿真结束的时间；

T_d表示每个仿真周期的时间长短；

K表示仿真周期的数量，即K＝(t_e-t_b)/T_d；

k表示仿真指标，对于每个k＝1,2,…K-1，第k次仿真周期的时间区间为 [t_s+(k-1)T_d,t_s+kT_d)；

δ_(O,D)k表示某一个在第k次仿真周期内进入城市轨道交通系统的乘客，起点为站点O，终点为站点D，其中O,D∈N,k＝1,2,…,K-1；

{δ_(O,D)k}表示在第k次仿真周期内进入城市轨道交通系统的所有乘客δ_(O,D)k的集合；

￡表示整个仿真过程中所有乘客的总体；

t_δ表示乘客δ的当前时间；

n表示乘客δ当前所在站点；

a_δn表示乘客δ进入站点n的时间；

t_(0,1)n表示站点n从进站口到站台所需的平均步行时间；

t_(4,3)n表示换乘站n的平均换乘时间；

t_(5,6)n表示站点n从站台到出站口所需的平均步行时间；

i表示列车的编号；

a_in表示列车i到达站点n的时间；

d_in表示列车i驶出站点n的时间；

p_δ表示乘客δ的路径信息，即乘客δ经过的站点。

具体的，在本发明的实施例二中，上述城市轨道交通系统中乘客基于多智能体仿真过程计算程序如下：

初始化：初始化仿真参数t_b,t_e,Δt和T_d。设置仿真时钟t＝t_b，设置仿真指数 k＝1。

过程：

步骤3，对每个站点的四项指标进行归一化；

因为这四项指标的影响程度是不同的，以最小—最大值方程对每个站点的四项指标进行归一化，具体的参数和符号定义如下：

x_n表示进入站点n的日均乘客数量；

X_max表示进入一个站点的最大日均乘客数量；

X_min表示进入一个站点的最小日均乘客数量；

y_n表示离开站点n的日均乘客数量；

Y_max表示离开一个站点的最大日均乘客数量；

Y_min表示离开一个站点的最小日均乘客数量；

u_n表示站点n日均转乘乘客数量；

U_max表示一个站点的最大日均转乘乘客数量；

U_min表示一个站点的最小日均转乘乘客数量；

w_n表示站点n的日均运送乘客数量；

W_max表示一个站点的最大日均运送乘客数量；

W_min表示一个站点的最小日均运送乘客数量；

使用最小—最大值方程对每个站点的四项指标进行归一化:

步骤4，计算每个站点的重要性程度；

根据四归一化指标的加权求和来求解各个站点的重要性程度：

其中c₁,c₂,c₃,c₄是四项指标的加权系数。

实施例三

本发明实施例三提供一种分析计算北京市地铁交通网络中279个站点的重要性程度的方法，所用的交通网络拓扑和客运量数据从2016年1月1日至2016 年12月31日的数据。

步骤1，对收集得到的智能卡数据进行预处理；

这里列举了北京市10个站点的智能卡数据，数据来源于位于每个站点入口和出口的交通智能卡自动收费(AFC)设备，对数据进行预处理，显示这10 个站点的进站人数、每个站点的出站人数，如表1所示。

表1数据预处理

站点	NDAPE1	NDAPE2	站点	NDAPE1	NDAPE2
						西直门	64474	64728	呼家楼	29577	29924
国贸	67319	70628	宋家庄	46540	45143
						西单	65601	68677	西二旗	61166	67215
北京南站	95703	70292	北京西站	95779	67900
						大望路	63397	64844	朝阳门	52349	58398

缩写:进入某站点的日均乘客数量(NDAPE1)，离开某站点的日均乘客数量(NDAPE2)。

步骤2，得到每个站点的换乘乘客数量和运输乘客数量；

通过使用本发明提出城市轨道交通系统中乘客基于多智能体仿真过程计算每个站点的换乘乘客数量和运输乘客数量，计算结果如表2所示。

表2每个站点的换乘乘客数量和运输乘客数量

站点	NDATP	NDAPP	站点	NDATP	NDAPP
						西直门	234153	845385	呼家楼	172362	1230322
国贸	130271	1235133	宋家庄	195147	466742
						西单	87421	1165278	西二旗	131688	354186
北京南站	49640	628385	北京西站	43705	350461
						大望路	98923	872879	朝阳门	83591	947488

缩写:某站点的日均转乘乘客数量(NDATP),某站点的日均运送乘客数量(NDAPP)。

步骤3，以最小—最大值方程对每个站点的四项指标进行归一化：

步骤4，计算每个站点的重要性程度；

其中加权系数c₁＝0.3,c₂＝0.2,c₃＝0.3,c₄＝0.2

计算结果如表3所示。

表3北京市10个站点的重要性程度和排名

站点	重要性程度(排名)	站点	重要性程度(排名)
				西直门	0.7903(1)	呼家楼	0.5809(6)
国贸	0.7432(2)	宋家庄	0.5760(7)
				西单	0.6669(3)	西二旗	0.5749(8)
北京南站	0.6303(4)	北京西站	0.5723(9)
				大望路	0.6183(5)	朝阳门	0.5606(10)

计算结果表明，关键站点位于北京市城市中心枢纽(如西直门，国贸，西单)和连接市中心和郊区大型住宅区的咽喉区域(如大望路，宋家庄，西二旗)，城市轨道交通管理人员应优先维护这些站点。

综上所述，本发明实施例所述的基于客流量的城市轨道交通网络关键车站识别方法，从实际客流量的角度出发，考虑每个站点的进入乘客数量、每个站点的离开乘客数量、每个站点的转乘乘客数量、每个站点的运送乘客数量这四项指标，使用基于多智能体的仿真和最小—最大归一化的分析方法得到每个站点的重要性程度，以此识别城市轨道交通网络中的关键站点，对城市轨道交通管理人员的维护工作提供理论支持。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (3)

1.一种基于客流量的城市轨道交通网络关键站点识别方法，其特征在于，包括如下步骤：

步骤S110：收集交通智能卡自动收费AFC设备中的乘客数据并进行预处理，获取起始站点至最终站点OD对数据、进站乘客量和出站乘客量；

步骤S120：结合交通网络拓扑结构，根据所述OD对数据对乘客行为进行仿真，获取站点的换乘乘客量和运送乘客量；

步骤S130：根据所述进站乘客量、所述出站乘客量、所述换乘乘客量和所述运送乘客量获取站点的重要性程度；

所述步骤S120具体包括：

根据所述OD对数据确定一乘客集合，根据所述乘客集合中的乘客状态仿真模拟所述乘客的路径信息，根据所述路径信息确定所述换乘乘客量和所述运送乘客量；

所述乘客集合中的乘客状态包括：

S_δ＝0，表示乘客δ刚刚进入城市轨道交通系统；

S_δ＝1，表示乘客δ刚刚从进站口进入一个站点，正走向站台准备等车；

S_δ＝2，表示乘客δ刚到站台，开始等车；

S_δ＝3，表示乘客δ刚乘上车；

S_δ＝4，表示乘客δ刚在换乘站下车，开始换乘另一条城市轨道交通线路；

S_δ＝5，表示乘客δ刚到目的站点下车，准备检票出站；

S_δ＝6，表示乘客δ已经完成检票出站，并已退出城市轨道交通系统；

所述根据所述乘客集合中的乘客状态仿真模拟所述乘客的出行路径包括：

步骤1.1：初始化参数t_b、t_e、△t和T_d，设置时钟t＝t_b，第k次周期的时间区间为[t_b+(k-1)×T_d,t_b+k×T_d]，k＝1,2,3...K-1，其中，t_b表示开始的时间，t_e表示结束的时间，△t表示步长，T_d表示每个周期的时间长度，K＝(t_e-t_b)÷T_d表示周期的个数；

步骤1.2：第k个周期中的乘客集合为{δ_(O,D)k}，对其中的任意一个乘客δ_(O,D)k，设置初始状态S_δ＝0，将{δ_(O,D)k}添加至乘客总体

其中，(O,D)表示一个从站点O到站点N的OD对，且所述第k个周期满足t＝t_s+(k-1)×T_d，t<t_s+k×T_d，t＝t+△t；

步骤1.3：当S_δ＝0时，设置t_δ＝a_δn，n站点表示起始站点O，将站点n增加至路径信息p_δ中，判断t_δ∈[t,t+△t]是否成立，若成立，则乘客δ_(O,D)k进入状态S_δ＝1，每重新计算一次，k增加1；其中，t_δ表示第k个周期采样时的乘客的当前时间，a_δn表示乘客进入站点n的时间；

当S_δ＝1时，判断t_δ∈[t,t+△t]是否成立，若成立，则乘客δ_(O,D)k进入状态S_δ＝2，否则，设置t_δ＝t_δ+t_(0,1)n，每重新计算一次，k增加1；其中，t_(0,1)n表示乘客从站点n的进站口到站台所需的步行时间；

当S_δ＝2时，根据列车时刻表得到即将驶入站点n的列车为i，判断t_δ∈[a_in,d_in]是否成立，若成立，则乘客δ_(O,D)k进入状态S_δ＝3，每重新计算一次，k增加1；其中，a_in表示列车i到达站点n的时间，d_in表示列车i离开站点n的时间；

当S_δ＝3时，识别列车i与乘客路径相同的最后一站m1，设置n＝m1、t_δ＝a_m1i，将站点m1作为换乘站点添加至路径信息p_δ中，判断t_δ∈[a_in,d_in]且n＝D是否成立，若成立，则乘客δ_(O,D)k进入状态S_δ＝5，否则，乘客δ_(O,D)k进入状态S_δ＝4，每重新计算一次，k增加1；其中，a_m1i表示列车i到达m1站点的时刻，D表示最终站点；

当S_δ＝4时，寻找乘客δ_(O,D)k的目标站点m2，设置n＝m2、t_δ＝t_δ+t_(4,3)n，将站点m2作为终点站添加至路径信息p_δ中，判断t_δ∈[t,t+△t]是否成立，若成立，则乘客δ_(O,D)k的状态重新设置为S_δ＝2；其中，t_(4,3)n表示乘客在站点m1的换乘时间；

当S_δ＝5时，设置t_δ＝t_δ+t_(5,6)n，判断t_δ∈[t,t+△t]是否成立，若成立，则乘客δ_(O,D)k进入状态S_δ＝6，每重新计算一次，k增加1；其中，t_(5,6)n表示乘客从站点m2的站台到出站口所需的步行时间；

当S_δ＝6时，计算结束，将乘客δ_(O,D)k从乘客总体

中移除；

步骤1.4：根据步骤1.3的计算方法，确定集合{δ_(O,D)k}中所有乘客的出行路径。

2.根据权利要求1所述的基于客流量的城市轨道交通网络关键站点识别方法，其特征在于，所述步骤S130具体包括：

使用最小—最大值方程对每个站点的所述进站乘客量、所述出站乘客量、所述换乘乘客量和所述运送乘客量进行归一化：

其中，x_n表示进入站点n的日均乘客数量，X_max表示进入一个站点的最大日均乘客数量；X_min表示进入一个站点的最小日均乘客数量；y_n表示离开站点n的日均乘客数量；Y_max表示离开一个站点的最大日均乘客数量；Y_min表示离开一个站点的最小日均乘客数量；u_n表示站点n日均转乘乘客数量；U_max表示一个站点的最大日均转乘乘客数量；U_min表示一个站点的最小日均转乘乘客数量；w_n表示站点n的日均运送乘客数量；W_max表示一个站点的最大日均运送乘客数量；W_min表示一个站点的最小日均运送乘客数量。

3.根据权利要求2所述的基于客流量的城市轨道交通网络关键站点识别方法，其特征在于，根据所述归一化的加权求和，确定站点的重要性程度：

其中，c₁、c₂、c₃和c₄分别表示所述进站乘客量、所述出站乘客量、所述换乘乘客量和所述运送乘客量的加权系数。

Images