一种城市轨道交通乘客上下车时间的预测方法与流程

本发明涉及城市轨道交通运行领域，更具体地，涉及一种城市轨道交通乘客上下车时间的预测方法。

背景技术：

进入2l世纪，随着我国城市化水平的不断提高，城市人口密度将迅速加大，由此产生的交通拥堵问题也会越来越严峻，这将成为制约经济、社会、文化发展的重要因素之一。城市轨道交通作为公共交通的重要组成部分，将成为解决城市交通拥堵的有效交通方式。由于城市轨道交通具有节能、省地、运量大、全天候、准点、无污染又安全等特点，可以得出这样的结论：城市轨道交通的发展完全符合可持续发展原则。因此，未来很长一段时间将会是城市轨道交通蓬勃发展的黄金期。据可靠资料显示，截止到2015年底，我国的北京、上海等几十个城市已经拥有的轨道交通运营总里程已达3290公里。根据远期规划，到2020年全国城市轨道交通总里程将达到6100公里，其中北京市城市轨道交通的总里程将超过1000公里，公共交通将成为80％左右市民的主要出行交通工具，其中有50％左右的人将经常使用城市轨道交通作为出行工具。

目前，北京市城市轨道交通路网的高峰日总客流达到了1100万人次，并且伴随着路网的不断完善，客流量随之増加，但与此同时，运营管理的问题日益凸显，一些车站站台的乘客滞留问题亟待解决，尤其是早晚高峰时期，对于车站站台乘客的管理措施不够完善，乘客滞留问题给车站管理带来了巨大压力，降低了乘客的出行效率。当前，随着人们出行水平的提高、时间观念的增强以及对安全的需求增长，研究人员对影响轨道交通运行的影响因素进行了越来越多地研究。在地铁车站中，上下车是主要的交通活动之一，乘客上下车的速度不仅影响着地铁站内人群的活动，同时也影响地铁列车的停车时间以及地铁的服务水平。对地铁乘客上下车时间进行因素影响分析，对改善地铁乘车环境，提高地铁服务水平具有重要的意义。

乘客在上下车的过程中，经常出现抢上抢下、秩序混乱的现象，不仅降低了乘客上下车的效率，也带来了严重的安全隐患。这些现象严重制约了城市轨道交通的高效运行，所以研究乘客上下车行为，对地铁运营和对乘客上、下车行为的正确疏导具有预测和指导作用，对于缓解城市公共交通压力和改善现行的公共交通现状有着十分重要的意义。

迄今为止，国内外对行人交通研究的深度远远不及机动车交通，其调查和分析方法需要不断地改进和完善。传统的研究方法仅仅对影响乘客上下车的因素进行定性的研究，因此，需要提供一种能够准确预测轨道交通在高峰时段和非高峰时段的乘客上下车时间的预测方法，同时考虑乘客上下车行为对乘客上下车时间的影响，更为准确地反映乘客在不同客流情况下的乘客上下车时间的实时预测。

技术实现要素：

为了解决以上问题，本发明提供了一种城市轨道交通乘客上下车时间的预测方法，采用分段函数模型建立乘客上车时间预测模型，并考虑乘客排队行为对乘客上下车时间的影响，对乘客上下车时间预测模型进行优化，能够更为准确地预测乘客上下车时间，为正确疏导乘客上下车行为提供参考，提高轨道交通的运营效率。

为达到上述目的，本发明采用下述技术方案：

一种城市轨道交通乘客上下车时间的预测方法，其特征在于，所述方法包括：

S1：采集轨道交通列车运行信息、站台信息、客流信息和乘客信息，统计分析所述信息得到乘客上、下车人数与乘客上、下车时间的散点图；

S2：根据所述散点图拟合乘客上、下车流量变化曲线，根据所述曲线曲率变化建立乘客上车时间预测的分段函数模型和乘客下车时间预测模型；

S3：考虑乘客排队行为对所述分段函数模型和所述乘客下车时间预测模型进行优化，得到乘客上、下车时间的优化预测模型；

S4：采用最小二乘法求解所述乘客上、下车时间的优化预测模型得到乘客上、下车时间的实时预测模型。

优选的，所述列车运行信息包括列车到站时间、列车发车时间和列车停车间隔。

优选的，所述站台信息包括乘客候车位置和候车区域的大小。

优选的，所述客流信息包括站台出入口客流、上车客流、下车客流、乘客站台分布、车内乘客人数、车内乘客密度和行人密度。

优选的，所述乘客信息包括乘客行走速度、乘客人均占地面积、是否携带行李和乘客年龄分布。

优选的，所述步骤S2中根据所述乘客上车流量变化曲线的曲率变化将所述曲线分为非高峰段、过渡段和高峰段，建立所述乘客上车时间预测的分段函数模型为

其中，a1，a2，a3，a4，b1，b2，c1，c2，c3为模型未知参数，M为非高峰段乘客上车人数的最大值，N为高峰段乘客上车人数的最小值；

根据所述乘客下车流量变化曲线的曲率变化建立所述乘客下车时间预测模型为

f(y)＝αy^β

其中，α，β为模型未知参数。

优选的，所述S3包括以下步骤：

S31：建立多队乘客形成的乘客上车的队列宽度模型

W＝Wlayer+(n-1)Dlayer

Wlayer＝Wmax+Wsway

其中，W多队乘客形成的乘客上车的队列宽度模型，为Wlayer为相邻两队乘客中心沿垂直队列方向的距离，n为队列数量，Dlayer为靠近车门中心的乘客排队时所需的宽度，Wmax为乘客的最大肩宽，Wsway为靠近车门中心的乘客排队时的波动宽度，[X]表示最接近X的整数；

S32：根据所述队列宽度建立乘客排队行为下列车车门通过能力模型，首先建立车门通过能力模型为

其中，Cd为列车车门的通过能力，z为待上、下车的乘客人数；

之后，根据采集的所述信息，得到实际情况下乘客排队的队列数量，得到平均每队乘客通过能力模型为

其中，l为乘客排队的队列数量；

由此，根据所述队列宽度模型，得到乘客排队行为下列车车门通过能力模型为

S33：采用所述列车车门通过能力模型对所述分段函数模型进行优化得到乘客上、下车时间的优化预测模型，所述优化预测模型为

其中，θ为已上车的乘客人数。

本发明的有益效果如下：

本发明公开的一种城市轨道交通乘客上下车时间的预测方法，在大量统计信息和对乘客上下车排队行为的研究的基础上，建立乘客上下车时间实时预测模型，能够更为准确地预测乘客上、下车时间，为正确疏导乘客上下车行为提供参考，同时对缩短乘客上下车时间优化方案的提出具有指导意义，提高轨道交通的运营效率。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明。

图1示出了本发明所述的一种城市轨道交通乘客上下车时间的预测方法流程示意图。

图2示出了乘客人数与乘客上车时间的散点图。

图3示出了乘客人数与乘客下车时间的散点图。

图4示出了乘客上车的排两队行为仿真图。

图5示出了乘客排队上、下车时的位置重叠现象示意图。

图6示出了验证乘客上车时间实时预测模型的仿真结果。

图7示出了验证乘客下车时间实时预测模型的仿真结果。

具体实施方式

为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。

如图1所示，本发明公开了一种城市轨道交通乘客上下车时间的预测方法，所述方法包括：

S1：采集轨道交通列车运行信息、站台信息、客流信息和乘客信息，统计分析所述信息得到乘客上、下车人数与乘客上、下车时间的散点图，如图2和图3所示。

采集轨道交通列车某站台不同时间段的列车运行信息、站台信息、客流信息和乘客信息，所述列车运行信息可包括列车到站时间、列车发车时间和列车停车间隔。其中，所述站台信息可包括乘客候车位置和候车区域的大小，所述客流信息包括站台出入口客流、上车客流、下车客流、乘客站台分布、车内乘客人数、车内乘客密度和行人密度等，所述乘客信息包括乘客行走速度、乘客人均占地面积、是否携带行李和乘客年龄分布等，所述乘客信息可以通过现场采集数据或者监控设备获取。之后根据采集的所述信息绘制乘客上、下车人数与乘客上、下车时间的散点图，并将采集的所述信息经过分析、过滤、提取、转换、分类存储，形成实验所需的数据信息。

S2：根据所述散点图拟合乘客上、下车流量变化曲线，根据所述曲线曲率变化建立乘客上车时间预测的分段函数模型和乘客下车时间预测模型。

乘客上下车过程通常可以分为两个阶段。在第一阶段，候车乘客在车外排队候车，下车乘客排队走出车门。在第二阶段，下车乘客离开，候车乘客排队上车。所述乘客上车流量变化曲线显示乘客上车时间和上、下车人数呈现出复杂的非线性形式，因此，根据所述曲线的曲率变化对所述曲线进行分段分析，将所述曲线分为非高峰段、过渡段和高峰段，建立乘客上车时间预测的分段函数模型。

在非高峰段，乘客上车人数较少，即客流低峰时，乘客可以在候车区域正常排队候车。此时，随着乘客上车人数的增加，乘客上车时间与乘客上车人数呈线性关系。

在高峰段，乘客上车人数较多，即客流高峰时，由于受到车内乘客密度的影响，乘客上车过程中受到车内乘客的阻碍会在车门处形成阻碍乘客上车的瓶颈。乘客上车时间与乘客上车人数是一个近似平方的关系，乘客上车效率随着乘客人数的增加而降低。

过渡段介于非高峰段和高峰段之间，乘客上车时间与乘客上车人数关系更为复杂，采用一个三次函数模型来表示介于客流低峰和客流高峰之间的乘客上车时间预测模型。

由此，可以建立乘客上车时间预测的分段函数模型，所述分段函数模型为

其中，a1，a2，a3，a4，b1，b2，c1，c2，c3为模型未知参数，M为非高峰段乘客上车人数的最大值，N为高峰段乘客上车人数的最小值。

乘客下车时间受到站台上候车乘客的密度和上车乘客排队行为的影响。假设站台上的候车乘客的密度唯一，在客流低峰时，下车的乘客分布在车门附近等候下车，不会阻碍下车乘客走出车门，乘客下车的效率就会有所提高，乘客下车的时间会较低。在客流高峰时，候车乘客拥堵在门口对乘客下车时间影响很大，造成乘客下车时间大幅度升高，乘客下车流量变化曲线表现出明显的分段特征。

由此，根据所述乘客下车流量变化曲线的曲率变化建立所述乘客下车时间预测模型为

f(y)＝αy^β

其中，α，β为模型未知参数。

S3：考虑乘客排队行为对所述分段函数模型和所述乘客下车时间预测模型进行优化，得到乘客上、下车时间的优化预测模型。包括以下步骤：

S31：建立多队乘客形成的乘客上车的队列宽度模型。

候车乘客在上车过程中会出现三种主要的排队类型：门前聚集、排两队和排多队。第一种类型会阻碍乘客通过车门自由流动的瓶颈；第二类型如图4所示，乘客排两队，每个乘客跟随在其他乘客后方，此时不会发生身体碰撞；第三类型，乘客排多队，此时乘客之间身体有接触，此时由于列车车门宽度的限制，排多队的乘客会呈现两队列部分重叠的现象，在队列方向上并排两列的乘客位置会发生重叠，此时乘客上车排队的宽度小于正常排队行为下多队队列的宽度。

如图5所示，本发明中对第三类型乘客排队行为进行分析，相邻两队列的领队乘客分别为q和q1，乘客p和p1分别为跟随在领队乘客q和q1的后面，其余乘客依次如此跟随。乘客在上下车时都会有排队行为，这要求乘客在沿队列的纵向和横向上都留有足够的空间。其中，队列横向所需的空间包括乘客的肩宽，障碍物的距离，和相邻两队列对应位置的乘客之间的距离。在人流量小的情况下，乘客的行走行为较为稳定，近似恒定运动。由于乘客排成多队，乘客行走在一个交错的空间中，行人由于拥挤而出现位置重叠。

此时，多队乘客形成的乘客上车的队列宽度模型为

W＝Wlayer+(n-1)Dlayer

其中，Wlayer为相邻两队乘客中心沿垂直队列方向的距离，n为队列数量，Dlayer为靠近车门中心的乘客排队时所需的宽度。

所述相邻两位乘客中心沿垂直队列方向的距离为

Wlayer＝Wmax+Wsway

其中，Wmax为乘客的最大肩宽，Wsway为靠近车门中心的乘客排队时的波动宽度。

由此，队列数量可表示为

其中，[X]表示最接近X的整数。

S32：建立乘客排队行为下列车车门通过能力模型。

根据所述队列宽度建立乘客排队行为下列车车门通过能力模型，首先建立车门通过能力模型为

其中，Cd为列车车门的通过能力，z为待上、下车的乘客人数；

之后，根据采集的所述信息，得到实际情况下乘客排队的队列数量，得到平均每队乘客通过能力模型为

其中，l为乘客排队的队列数量；

由此，根据所述队列宽度模型，得到乘客排队行为下列车车门通过能力模型为

S33：采用所述列车车门通过能力模型对所述分段函数模型进行优化得到乘客上、下车时间的优化预测模型，乘客上、下车具有相似的排队行为，因此，所述乘客上、下车时间的优化预测模型为

其中，θ为已上车的乘客人数，t(z,θ)为待上、下车乘客上、下车时间预测模型。

S4：采用最小二乘法求解所述乘客上、下车时间的优化预测模型得到乘客上、下车时间实时预测模型。

下面通过一个优选实施例对本发明作进一步的说明，采用本发明公开了一种城市轨道交通乘客上下车时间的预测方法建立乘客上、下车时间实时预测模型，所述方法包括：

S1：采集北京地铁西单站、宣武门和北京南站三个地铁站台的轨道交通列车运行信息、站台信息、客流信息和乘客信息，通过统计分析所述信息得到乘客上、下车人数与乘客上、下车时间的散点图，如图2和图3所示。

S2：根据所述散点图拟合乘客上、下车流量变化曲线，根据所述曲线曲率变化建立乘客上车时间预测的分段函数模型和乘客下车时间预测模型。在客流低峰时，乘客平均上、下车时间的最大值为0.8s主要受乘客的物理特性，如反应时间和心理因素的影响；在介于客流低峰和客流高峰之间时，旅客平均上、下车时间相对稳定在0.6-0.7s内波动；在客流高峰时，由于受到车内的密度的影响，乘客平均上车时间逐渐增加，最大可达到1.3s。通过对乘客上车流量变化曲线的曲率分析，在乘客上车人数在15人以下时，乘客上车时间与乘客上车人数近似为线性关系，因此乘客上车人数在15人以下时对应的乘客上车流量变化曲线为非高峰段；在乘客上车人数大于40人时，乘客上车时间与乘客上车人数近似为平方关系，因此乘客上车人数大于40人时对应的乘客上车流量变化曲线为高峰段；过渡段即为乘客上车人数大于15人小于等于40时对应的乘客上车流量变化曲线。

S3：考虑乘客排队行为对所述分段函数模型和所述乘客下车时间预测模型进行优化，得到乘客上、下车时间的优化预测模型。包括以下步骤：

S31：建立多队乘客形成的乘客上车的队列宽度模型。乘客候车区域为一个面积为20平方米的矩形，其中，矩形的长和宽分别为5米、4米。通过数据分析可知：当乘客排两队上车的时间最短，效率最高，此时乘客行走速度为1m/s左右，车门通过能力1.56p/s；当乘客排三队时乘客之间出现身体接触，位置冲突，拥挤度增加，乘客的运动被限制，此时行走速度大约是0.87m/s，车门通过能力约1.28p/s；当乘客都聚集在门前，上车乘客的密度约为4人/平方米，速度约0.8m/s，此时瓶颈处车门的通过能力接近0.78p/s。从以上三种排队方式对比可知，乘客排两队时效率最高。然而，如果乘客的数量较少，乘客位置不会发生重叠，排三队也可能是最好的选择。

S32：建立乘客排队行为下列车车门通过能力模型。在列车车门宽度为1.3m、上车乘客排两队的情况下，求得平均每队乘客通过能力模型为

由此，根据所述队列宽度模型，得到乘客排队行为下列车车门通过能力模型为

S33：采用所述列车车门通过能力模型对所述分段函数模型进行优化得到乘客上、下车时间的优化预测模型，乘客上、下车具有相似的排队行为，因此，所述乘客上、下车时间的优化预测模型为

其中，θ为已上车的乘客人数，t(z,θ)为待上、下车乘客上、下车时间预测模型。

采用最小二乘法求解所述分段函数模型得到乘客上车时间实时预测模型为非高峰段乘客上车人数的最大值为人，高峰段乘客上车人数的最小值

其中，

采用最小二乘法求解所述乘客下车时间预测模型得到乘客下车时间实时预测模型为

f(y)＝0.854y^0.923

为了对本发明准确性进行验证，自2016年5月起每三天一次采集北京西单站从7点到12点的相关统计信息，共得到40组统计数据，得到乘客上、下车时间实时预测模型的仿真结果，如图6和图7所示，乘客上、下车时间实时预测的仿真结果与统计数据的平均偏差分别为0.0439和0.0581，由此可知，乘客上、下车时间实时预测模型能够高准确度地预测不同情况下的乘客上下车时间。

本发明公开的一种城市轨道交通乘客上下车时间的预测方法采用分段函数模型对乘客上车时间预测模型进行分段求解，提高了乘客上车时间实时预测模型的准确度，同时考虑乘客上下车排队行为对乘客上、下车时间预测模型进行优化，并可预测乘客不同排队行为下乘客上下车时间，对于提高铁路运营效率和对乘客进行正确疏导具有重要意义。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。