针对城市轨道交通路网客流拥堵的前瞻性关联控制方法
【专利摘要】本发明实施例提供了一种针对城市轨道交通路网客流拥堵的前瞻性关联控制方法。该方法主要包括：基于实际运营数据利用城市轨道交通路网运营仿真系统对城市轨道交通路网的拥堵状态进行预推，确定发生客流拥堵的车站；基于仿真系统输出的客流数据,通过客流来源回溯运算，获取所述发生客流拥堵的车站的客流来源信息；在所述发生客流拥堵的车站的客流来源信息的基础上，通过构建路网协同限流模型并进行模型求解，制定出路网协同限流方案。本发明通过制定路网协同限流方案，针对拥堵关联车站，对限流站点、限流时间和限流量进行合理设置，以前瞻控制方式避免城市轨道交通发生路网客流拥堵现象。
【专利说明】
针对城市轨道交通路网客流拥堵的前瞻性关联控制方法
技术领域
[0001] 本发明涉及城市轨道交通客流控制技术领域，尤其涉及一种针对城市轨道交通路 网客流拥堵的前瞻性关联控制方法。
【背景技术】
[0002] 随着城市轨道交通网络化运营的实现，路网中一个车站发生客流拥堵受多个车站 客流的影响。因此，网络化运营条件下对客流拥堵的控制需要考虑路网多车站间的关联性。 目前，针对城市轨道交通路网客流拥堵控制的研究也不再局限于车站层控制和线路层控 制，更加注重网络层协同控制。然而，实际现场运营部门因难以准确地把握路网客流规律和 未来客流的发展态势，拥堵控制仍大多基于车站层面和线路层面。并且，由于缺乏对路网拥 堵状态进行预推的方法和手段，现场运营部门采取的拥堵控制多为拥堵发生时的事发控制 或拥堵发生之后的事后控制。网络化运营条件下拥堵传播往往是整个路网范围，实际运营 过程中采取事发控制和事后控制时，路网中部分车站上的客流拥堵已经发生大面积传播扩 散并产生严重的影响。为避免路网出现客流拥堵而采取前瞻性拥堵控制措施，是保证路网 高效运营和乘客出行安全的关键。因此，针对目前城市轨道交通在正常情况下的一种常态 性客流拥堵现象，开发一种针对城市轨道交通路网客流拥堵的前瞻性关联控制方法是十分 必要的。
【发明内容】
[0003] 本发明的实施例提供了一种针对城市轨道交通路网客流拥堵的前瞻性关联控制 方法，以实现预先采取路网协同限流措施以避免发生路网拥堵。
[0004] 为了实现上述目的，本发明采取了如下技术方案。
[0005] -种针对城市轨道交通路网客流拥堵的前瞻性关联控制方法，包括：
[0006] 基于实际运营数据利用城市轨道交通路网运营仿真系统对城市轨道交通路网的 拥堵状态进行预推，确定发生客流拥堵的车站；
[0007] 基于所述城市轨道交通路网运营仿真系统输出的客流数据，通过客流来源回溯运 算，获取所述发生客流拥堵的车站的客流来源信息；
[0008] 在所述发生客流拥堵的车站的客流来源信息的基础上，通过构建路网协同限流模 型并进行模型求解，制定出路网协同限流方案。
[0009] 进一步地，所述的基于实际运营数据利用城市轨道交通路网运营仿真系统对城市 轨道交通路网的拥堵状态进行预推，确定发生客流拥堵的车站，包括：
[0010] 所述实际运营数据为城市轨道交通路网运营仿真系统的输入数据，该输入数据包 括实际客流0D，列车运行图和客流控制方案;所述城市轨道交通路网运营仿真系统利用仿 真模型和计算机对城市轨道交通系统内列车运行过程和乘客出行过程进行模拟，获得路网 运输能力和客流分布变化情况，输出路网运营状态指标和乘客个体动态数据，所述乘客个 体动态数据包括乘客在站动态数据和乘客在车动态数据，所述乘客在站动态数据记录了乘 客在各车站内的进站、上车、下车、换乘和出站等行为的发生地点和时间；所述列车乘客在 车动态数据记录了乘客的所乘列车车次、各站到达时间、各站出发时间、起始站和起始站进 站时间。
[0011] 进一步地，所述的基于所述城市轨道交通路网运营仿真系统输出的客流数据，通 过客流来源回溯运算，获取所述发生客流拥堵的车站的客流来源信息，包括：
[0012] 在城市轨道交通路网运营仿真系统输出的乘客个体动态数据基础上，通过客流来 源回溯运算逆向推导拥堵车站的关联车站集合及其客流数据，得到拥堵车站的客流来源信 息，该客流来源信息包括客流的来源站、来源量和来源时间；
[0013] 所述客流来源回溯运算利用乘客在站动态数据回溯得到规定时间段内出现在拥 堵车站站内或站台的客流来源信息;利用乘客在车动态数据回溯得到规定时间段内经过拥 堵车站的列车内客流的来源信息。
[0014] 进一步地，所述的客流来源回溯运算包括如下的处理流程：
[0015] Stepl:准备数据，利用城市轨道交通路网运营仿真系统获取乘客在站动态数据、 乘客在车动态数据和列车运行图，确定拥堵车站集合U={m，u2,...，ur}，拥堵时段C (A/);
[0016] Step2:确定拥堵车站Uj的来源客流，根据车站自身性质确定拥堵车站在拥堵时段 内的来源客流组成；
[0017] Step3:确定拥堵车站Uj的站内客流来源，根据step2中确定的回溯客流，利用乘客 在站动态数据，逆向推导拥堵时段内在车站^的站内拥堵客流的来源站集合 C〃 = {c/\cf,..., cf，...}，以及来自各来源站c/1的客流来源量(4/)和来源时间 StationlnTime (A/);
[0018] Step4:确定在拥堵时段内经停拥堵车站Uj的列车数和各列车车次，根据列车运行 图，获得在拥堵时段内所有满足要求的经停车站^的列车车次；
[0019] Step5:确定拥堵车站Uj站相关车次列车的车内客流来源，根据step4中确定的列 车车次，利用乘客在车动态数据确定每一车次的列车到达Uj站后车内不下车乘客的来源站 集合= {c/'cf，.. ..丨以及来自各来源站c/2的客流来源量和来源时 |'g] Train!nTime .： (A/);
[0020] Step6:确定拥堵车站Uj的拥堵客流的来源站、来源量和来源时间，根据step3和 s t e p 5确定拥堵车站u j的客流来源站集合为C j = C j 1 + C j 2，客流来源量为 SQ」：{SMiGnInPer^Af、TraMriPefAr，客、流来源、对河为 STj 二碑
[0021] 进一步地，所述的在所述发生客流拥堵的车站的客流来源信息的基础上，通过构 建路网协同限流模型并进行模型求解，制定出路网协同限流方案包括：
[0022] 所述构建路网协同限流模型，考虑到路网滞留乘客对限流效果的影响，按照先生 成初始方案，再在仿真系统辅助下获得调整方案的优化思路，分别构建路网协同限流初始 方案子模型和路网协同限流调整方案子模型。
[0023] 所述路网协同限流初始方案子模型，是在先不考虑滞留乘客对限流方案影响的条 件下，在拥堵车站的客流来源所给出的限流车站候选集、影响时段和客流量信息的基础上， 以总限流量最小和限流车站至目标车站总距离最小为目标构建的多目标整数规划数学模 型，对该多目标整数规划数学模型进行求解得到路网协同限流初始方案，该路网协同限流 初始方案中包括各个限流车站的名称、限流起始时间、限流终止时间和限流量(人）；
[0024] 所述路网协同限流调整方案子模型，是在初始方案子模型的基础上，利用仿真系 统辅助确定滞留客流对限流效果的影响值，以此为依据构建的多目标整数规划数学模型， 对该多目标整数规划数学模型进行求解得到路网协同限流调整方案，该路网协同限流调整 方案中包括各个限流车站的名称、限流起始时间、限流终止时间和限流量(人）。
[0025] 进一步地，所述的路网协同限流初始方案子模型包括：
⑴ (2) (3) (4) (5) (6)
[0032] 式（1)和式(2)为模型目标函数，式（1)以限流总量最小为目标，式(2)以限流车站 至拥堵车站总距离最小化为目标。其他为约束条件，式(3)为进站量约束，式(4)为限流客流 量计算约束，式(5)为拥堵客流来源量范围约束，式(6)站台最大容纳能力约束；
[0033] 0^7；,,)为来源车站#在时段内的进站限流量；
[0034] 为来源车站e/至拥堵车站叱的距离；
[0035] % (幻;）为0-1变量，来源车站c/实施限流，崎,(气,）> 〇，〇；, (% W ;否则， a, (ST ：) = ()-,
[0036] )为来源车站必须满足的最小进站量；
[0037] g )为实施限流后，来源车站c/在时段内的进站客流量；
[0038] )为未实施限流情况下，来源车站c/在时段*5^内的进站客流量；
[0039] )为拥堵车站Uj由来源车站c/在时段内的来源客流量；
[0040] if为拥堵车站^固定站台的聚集人数；
[0041 ] J嘗为拥堵车站Uj固定站台的最大容纳能力；
[0042]进一步地，所述的路网协同限流调整方案子模型包括： (7) (8)
(9) CIO) Ul) (12)
[0049] 所述模型较初始方案子模型，在式（12)中增加了路网滞留乘客对限流效果的影响 值A 1，其他条件与初始方案模型相一致。
[0050] 进一步地，所述的对所述多目标整数规划数学模型进行求解包括：以客流来源回 溯运算得到的拥堵车站的客流来源信息为模型求解的数据输入，利用lingo软件对所述多 目标整数规划数学模型进行求解，在模型求解过程中，将限流量最小和限流总距离最小的 双目标转化为总限流周转量最小的单目标，即
[0051 ] Z' = min 无乙[L% (57;少/(('/，《,.) ] (13)
[0052] 进一步地，所述的仿真系统辅助是指以城市轨道交通路网运营仿真系统为工具， 将路网协同限流初始方案作为仿真系统的客流控制方案输入进行仿真实验，确定滞留客流 对限流效果的影响值，为调整方案的制定提供依据。
[0053] 由上述本发明的实施例提供的技术方案可以看出，本发明实施例通过制定网络协 同限流方案，针对拥堵关联车站，对限流站点、限流时间和限流量进行合理设置，根据城市 轨道交通路网运营仿真系统对路网拥堵状态的预推结果，预先采取路网协同限流措施以 避免发生路网拥堵，以前瞻控制方式避免城市轨道交通发生路网客流拥堵现象，为正常情 况下可预见性的路网拥堵状态提供了推演手段和路网多车站协同控制的前瞻性关联控制 方法。
[0054] 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】
[0055] 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。
[0056]图1为本发明实施例提供的一种针对城市轨道交通路网客流拥堵的前瞻性关联控 制方法的处理流程图；
[0057]图2为本发明实施例提供的一种客流来源回溯运算的流程图。
【具体实施方式】
[0058] 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元件。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。
[0059] 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/或组件，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、组件和/或它们的组。应该理解，当我们称元 件被"连接"或"耦接"到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在 中间元件。此外，这里使用的"连接"或"耦接"可以包括无线连接或耦接。这里使用的措辞 "和/或"包括一个或更多个相关联的列出项的任一单元和全部组合。
[0060] 为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步 的解释说明，且各个实施例并不构成对本发明实施例的限定。
[0061 ] 实施例一
[0062] 本发明实施例针对城市轨道交通路网拥堵控制的前瞻性关联控制方法，首先利用 城市轨道交通路网运营仿真系统对路网拥堵状态进行预推，进而设计客流来源回溯运算确 定各拥堵车站的客流来源信息，在此基础上构建城市轨道交通路网协同限模型并进行模型 求解，制定路网协同限流方案，最后以路网协同限流方案为城市轨道交通路网运营仿真系 统的仿真输入进行仿真实验，验证限流方案对路网运营的影响。
[0063] 本发明实施例提供了一种针对城市轨道交通路网客流拥堵的前瞻性关联控制方 法的处理流程如图1所示，包括如下的处理步骤：
[0064] 步骤S110、预推城市轨道交通路网拥堵状态；
[0065] 所述城市轨道交通路网拥堵状态是指城市轨道交通路网中有一个或多个车站的 聚集人数超过其相应的最大容纳能力并持续一段时间的现象。
[0066] 本发明实施例中的路网拥堵状态的预推利用城市轨道交通路网运营仿真系统来 实现。
[0067] 所述城市轨道交通路网运营仿真系统，利用仿真模型和计算机对城市轨道交通系 统内列车运行过程和乘客出行过程进行模拟，以获得路网运输能力和客流分布变化情况。 城市轨道交通路网运营仿真系统的输入包括:列车运行图、实际客流〇D(出发地、目的地和 客流量)和客流控制方案。城市轨道交通路网运营仿真系统的输出：包括路网运营状态指标 和乘客个体动态数据。所述乘客个体动态数据包括乘客在站动态数据和乘客在车动态数 据。所述乘客在站动态数据记录了乘客在各车站内的进站、上车、下车、换乘和出站等行为 的发生地点和时间。所述列车乘客在车动态数据记录了乘客的所乘列车车次、各站到达时 间、各站出发时间、起始站和起始站进站时间。
[0068]城市轨道交通路网运营仿真系统的显示功能包括:根据站内实时客流状态显示出 路网内发生客流拥堵的车站(车站若发生客流拥堵则显示红色，否则显示绿色）。
[0069] 步骤S120、基于城市轨道交通路网运营仿真系统输出的客流数据回溯拥堵车站的 客流来源信息；
[0070] 所述基于城市轨道交通路网运营仿真系统输出的客流数据的拥堵车站客流来源 信息回溯是在城市轨道交通路网运营仿真系统输出的乘客个体动态数据基础上，设计客流 来源回溯运算，逆向推导拥堵车站的关联车站集合及其客流数据，得到拥堵车站的客流来 源信息。
[0071] 所述拥堵车站的客流来源信息是指发生客流拥堵的城市轨道交通车站内拥堵客 流的来源信息，包括客流的来源站、来源量和来源时间三方面要素。
[0072] 所述客流来源回溯运算主要利用乘客在站动态数据回溯得到规定时间段内出现 在拥堵车站站内或站台的客流来源信息;利用乘客在车动态数据回溯得到规定时间段内经 过拥堵车站的列车内客流的来源信息。
[0073]图2为本发明实施例提供的一种回溯算法的流程图，包括如下的处理流程：
[0074] Stepl:准备数据。利用仿真系统获取乘客在站动态数据(StationPassenger)、乘 客在车动态数据(TrainPassenger)和列车运行图（TrainTime)，确定拥堵车站集合U= {ui, 112，...，办}，拥堵时段(,,(八/)。
[0075] Step2:确定拥堵车站Uj的来源客流。根据车站自身性质确定拥堵车站在拥堵时段 内的来源客流组成。
[0076] Step3:确定拥堵车站Uj的站内客流来源。根据step2中确定的回溯客流，利用乘客 在站动态数据（StationPassenger)，逆向推导拥堵时段％(4/_)内在车站uj的站内拥堵客流 的来源站集合1，...，c/i，...}，以及来自各来源站c/1的客流来源量(4/) 和来源时间紐"/o/7/,7n/wf (~)。
[0077] Step4:确定在拥堵时段内经停拥堵车站Uj的列车数和各列车车次。根据列车运行 图（TrainTime)，获得在拥堵时段内所有满足要求的经停车站Uj的列车车次(Train Num)。
[OO78] Step5:确定拥堵车站Uj站相关车次列车的车内客流来源。根据step4中确定的列 车车次(TrainNum)，利用乘客在车动态数据(TrainPassenger)确定每一车次的列车到达Uj 站后车内不下车乘客的来源站集合以及来自各来源站cf的客流 来源量"A/」和来源时间 7>."//2/"77"'.: (4/)。
[0079] Step6:确定拥堵车站Uj的拥堵客流的来源站、来源量和来源时间。根据step3和 s t e p 5确定拥堵车站u j的客流来源站集合为C j = C j 1 + C j 2，客流来源量为 SQ.，，{S.tatimI.nP气，(机'TminlnPer，(蝴"客^
[0080] 步骤S130、制定路网协同限流方案；
[0081] 所述路网协同限流方案，是指在拥堵车站的客流来源信息的基础上，通过构建路 网协同限流模型并进行模型求解，制定出路网协同限流方案。
[0082] 所述构建路网协同限流模型，考虑到路网滞留乘客对限流效果的影响，按照先生 成初始方案，再在仿真系统辅助下获得调整方案的优化思路，分别构建路网协同限流初始 方案子模型和路网协同限流调整方案子模型。
[0083] 所述路网协同限流初始方案子模型，是在先不考虑滞留乘客对限流方案影响的条 件下，在拥堵车站的客流来源所给出的限流车站候选集、影响时段和客流量等信息的基础 上，以总限流量最小和限流车站至目标车站总距离最小为目标构建的多目标整数规划数学 模型，对该多目标整数规划数学模型进行求解得到路网协同限流初始方案，该路网协同限 流初始方案中包括各个限流车站的名称、限流起始时间、限流终止时间和限流量(人）。
[0084] 路网协同限流初始方案子模型为：
(1) (2) (3) (4) (5) (6)
[0091] 式（1)和式(2)为模型目标函数，式（1)以限流总量最小为目标，式(2)以限流车站 至拥堵车站总距离最小化为目标。其他为约束条件，式(3)为进站量约束，式(4)为限流客流 量计算约束，式(5)为拥堵客流来源量范围约束，式(6)站台最大容纳能力约束。
[0092] )为来源车站:e/在时段内的进站限流量；
[0093] 说为来源车站C/至拥堵车站的距离；
[0094] ~(5<?；/)为〇-1变量，来源车站#实施限流，^^/( >57；/)>0，',(52；/) = 1;否则， a (S7:.,) = 0;
[0095] Ct, .07；)为来源车站e/必须满足的最小进站量；
[0096] )为实施限流后，来源车站C/在时段内的进站客流量；
[0097] 为未实施限流情况下，来源车站e/在时段内的进站客流量；
[0098] )为拥堵车站Uj由来源车站c/在时段内的来源客流量；
[0099] 为拥堵车站^固定站台的聚集人数；
[0100] 为拥堵车站Uj固定站台的最大容纳能力；
[0101] 所述仿真系统辅助，是指以城市轨道交通路网运营仿真系统为工具，将路网协同 限流初始方案作为仿真系统的客流控制方案输入进行仿真实验，确定滞留客流对限流效果 的影响值，为调整方案的制定提供依据。
[0102] 所述路网协同限流调整方案子模型，是在初始方案子模型的基础上，考虑滞留客 流对限流效果的影响值而构建的多目标整数规划数学模型，对所述多目标整数规划数学模 型进行求解得到路网协同限流调整方案，该路网协同限流调整方案中包括各个限流车站的 名称、限流起始时间、限流终止时间和限流量(人）。
[0103] 路网协同限流调整方案模型如下：
(7) (8) (9) (10) (11) (12)
[0110] 上述模型较初始方案子模型，在式（12)中增加了路网滞留乘客对限流效果的影响 值A 1，其他条件与初始方案模型相一致。所述模型求解，是以回溯算法确定的拥堵客流来 源信息为模型求解的数据输入，利用lingo软件对模型进行求解。
[0111] 路网协同限流模型为双目标规划模型，为模型求解需要，将限流量最小和限流总 距离最小的双目标转化为总限流周转量最小的单目标，即
[0112] z，= mi?Z z m (STh ycHclM,) ] (13)
[0113] 步骤S140、仿真验证，确定路网协同限流方案对路网运营状态的影响。
[0114] 所述仿真验证，以城市轨道交通路网运营仿真系统为工具，将路网协同限流方案 作为仿真系统的客流控制方案输入进行仿真实验，确定路网协同限流方案对路网运营状态 的影响。
[0115]实施例二
[0116]下面以2013年北京地铁为实例，对本发明的一种针对城市轨道交通路网客流拥堵 的前瞻性关联控制方法进行详细说明。
[0117]步骤1、城市轨道交通路网拥堵状态预推；
[0118] 实例中路网共有17条运营线路，231个运营车站。以2014年3月某工作日的列车运 行图、客流0D为基础数据输入，无客流控制方案。针对车站客流拥堵，为展示模型效果，暂取 车站站台的最大容纳能力为3000。利用城市轨道交通路网运营仿真系统对路网运营状态进 行仿真预推后，根据仿真系统的显示功能确定车站望京西和西二旗发生客流拥堵现象，望 京西拥堵时段内为7:45~10:00,拥堵方向为13号线下行方向；西二旗拥堵时段为7:45~ 9:50,拥堵方向为13号线上行方向。设定两站的分析时段长度为15min，则两个车站的首个 分析时段皆为7 :45~8:00。根据仿真系统输出的路网运营状态指标可知，在7 :45~8:00的 时段内，望京西13号线下行站台聚集人数为3421，西二旗13号线上行站台聚集人数为4297。 仿真系统输出的乘客个体动态数据的部分结果如下表1和表2所示。
[0119] 表1乘客在站动态数据
[0121]表2乘客在车动态数据
[0123] 表1中每一列分别表示乘客编号(Pasngrld)、当前车站编号(CurrentStation)、下 一车站编号（NextStation)、乘客行为发生点（PasngrBehavior)、乘客行为发生时间 (BebaviorTime)以及乘客类型（PasngrType)。其中，乘客行为发生点（PasngrBehavior)包 括进站点（Pedimport)、正线接出点（Mloutnode)、正线接入点（Ml inNode)和出站点 (Pedoutport),乘客类型（PasngrType)包括进站乘客类型（Pedln)，换乘乘客类型 (PedTrans)以及出站乘客类型(PedOut)。
[0124] 表2中每一列分别表示乘客编号(Pasngrld)、所乘列车车次(TrainNum)、列车达到 时间（ArriTime)、列车出发时间（DeparTime)、乘客起始站编号（StartStation)以及乘客起 始站进站时间（StartTime)。
[0125] 步骤2、基于仿真系统输出的客流数据的拥堵车站客流来源信息回溯；
[0126] 利用回溯算法确定7:45~8:00的时段内，拥堵车站望京西和西二旗的客流来源信 息如下表3至表6所示。
[0127] 表3 7:45~8:00时段望京西站内客流来源信息
[0129] 表4 7:45~8:00时段望京西车内客流来源信息
[0136] 步骤3、路网协同限流方案制定；
[0137] 对路网协同限流初始方案模型进行模型求解，确定路网协同限流初始方案如下表 7所示。
[0138] 表7路网协同限流初始方案
[0140] 以仿真系统为辅助，将路网协同限流初始方案作为输入进行仿真实验，确定初始 方案下，在7:45~8:00时段内，望京西13号线下行站台聚集人数为3459人，西二旗13号线上 行站台聚集人数为2392人。说明西二旗车站限流效果明显，望京西车站限流效果受滞留乘 客影响较大，并确定滞留客流对望京西车站限流效果的影响值为459。
[0141] 通过对路网协同限流调整方案模型进行求解，确定路网协同限流调整方案如下表 8所示。
[0142] 表8路网协同限流调整方案
[0145] 步骤4、仿真验证；
[0146] 将路网协同限流调整方案输入城市轨道交通路网运营仿真系统进行仿真验证，实 验结果显示望京西13号线下行站台在7:45~8:00时段内站台平均聚集人数为2866人，说明 调整方案在望京西站的限流效果良好。
[0147] 综上所述，本发明实施例通过制定网络协同限流方案，针对拥堵关联车站，对限流 站点、限流时间和限流量进行合理设置。根据城市轨道交通路网运营仿真系统对路网拥堵 状态的预推结果，预先采取路网协同限流措施以避免发生路网拥堵，以前瞻控制方式避免 城市轨道交通发生路网客流拥堵现象，为正常情况下可预见性的路网拥堵状态提供了推演 手段和路网多车站协同控制的前瞻性拥堵控制方法。
[0148] 本发明实施例在仿真输出的乘客个体动态数据的基础上，设计回溯算法确定拥堵 车站客流来源信息，为路网协同限流方案的制定提供了准确的限流车站候选集、限流时间 范围和限流量级范围。
[0149] 本发明实施例采用仿真技术实现了滞留客流对限流方案影响值的确定，降低了模 型构建的复杂度，提高了计算效率。
[0150] 本领域普通技术人员可以理解:附图只是一个实施例的示意图，附图中的模块或 流程并不一定是实施本发明所必须的。
[0151] 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。
[0152] 本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部 分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或 系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法 实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为 分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或 者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根 据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术 人员在不付出创造性劳动的情况下，即可以理解并实施。
[0153] 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。
【主权项】
1. 一种针对城市轨道交通路网客流拥堵的前瞻性关联控制方法，其特征在于，包括： 基于实际运营数据利用城市轨道交通路网运营仿真系统对城市轨道交通路网的拥堵 状态进行预推，确定发生客流拥堵的车站； 基于所述城市轨道交通路网运营仿真系统输出的客流数据，通过客流来源回溯运算， 获取所述发生客流拥堵的车站的客流来源信息； 在所述发生客流拥堵的车站的客流来源信息的基础上，通过构建路网协同限流模型并 进行模型求解，制定出路网协同限流方案。2. 根据权利要求1所述的方法，其特征在于，所述的基于实际运营数据利用城市轨道交 通路网运营仿真系统对城市轨道交通路网的拥堵状态进行预推，确定发生客流拥堵的车 站，包括： 所述实际运营数据为城市轨道交通路网运营仿真系统的输入数据，该输入数据包括实 际客流0D，列车运行图和客流控制方案;所述城市轨道交通路网运营仿真系统利用仿真模 型和计算机对城市轨道交通系统内列车运行过程和乘客出行过程进行模拟，获得路网运输 能力和客流分布变化情况，输出路网运营状态指标和乘客个体动态数据，所述乘客个体动 态数据包括乘客在站动态数据和乘客在车动态数据，所述乘客在站动态数据记录了乘客在 各车站内的进站、上车、下车、换乘和出站等行为的发生地点和时间；所述列车乘客在车动 态数据记录了乘客的所乘列车车次、各站到达时间、各站出发时间、起始站和起始站进站时 间。3. 根据权利要求1所述的方法，其特征在于，所述的基于所述城市轨道交通路网运营仿 真系统输出的客流数据，通过客流来源回溯运算，获取所述发生客流拥堵的车站的客流来 源信息，包括： 在城市轨道交通路网运营仿真系统输出的乘客个体动态数据基础上，通过客流来源回 溯运算逆向推导拥堵车站的关联车站集合及其客流数据，得到拥堵车站的客流来源信息， 该客流来源信息包括客流的来源站、来源量和来源时间； 所述客流来源回溯运算利用乘客在站动态数据回溯得到规定时间段内出现在拥堵车 站站内或站台的客流来源信息;利用乘客在车动态数据回溯得到规定时间段内经过拥堵车 站的列车内客流的来源信息。4. 根据权利要求3所述的方法，其特征在于，所述的客流来源回溯运算包括如下的处理 流程： Stepl:准备数据，利用城市轨道交通路网运营仿真系统获取乘客在站动态数据、乘客 在车动态数据和列车运行图，确定拥堵车站集合1]={111，112，...，1^}，拥堵时段々^/); Step2:确定拥堵车站Uj的来源客流，根据车站自身性质确定拥堵车站在拥堵时段内的 来源客流组成； Step3:确定拥堵车站Uj的站内客流来源，根据step2中确定的回溯客流，利用乘客在站 动态数据，逆向推导拥堵时段内在车站Uj的站内拥堵客流的来源站集合 (^^的^^^小以及来自各来源站以的客流来源量细&^^^^力和来源时间 StaLionInTimc ,(Δ/)； Step4:确定在拥堵时段内经停拥堵车站Uj的列车数和各列车车次，根据列车运行图，获 得在拥堵时段内所有满足要求的经停车站Uj的列车车次； Step5:确定拥堵车站Uj站相关车次列车的车内客流来源，根据step4中确定的列车车 次，利用乘客在车动态数据确定每一车次的列车到达W站后车内不下车乘客的来源站集 合C72 = (c/'cf ,，..，c/2,...!以及来自各来源站C·/2的客流来源量(4/)和来源时间 TraininTimc ：(Δ/); Step6:确定拥堵车站Uj的拥堵客流的来源站、来源量和来源时间，根据step3和step5确 定拥堵车站Uj的客流来源站集合为Cj = Cjl+Cj2，客流来源量为sR = 客流来源时间为5. 根据权利要求3所述的方法，其特征在于，所述的在所述发生客流拥堵的车站的客流 来源信息的基础上，通过构建路网协同限流模型并进行模型求解，制定出路网协同限流方 案包括： 所述构建路网协同限流模型，考虑到路网滞留乘客对限流效果的影响，按照先生成初 始方案，再在仿真系统辅助下获得调整方案的优化思路，分别构建路网协同限流初始方案 子模型和路网协同限流调整方案子模型； 所述路网协同限流初始方案子模型，是在先不考虑滞留乘客对限流方案影响的条件 下，在拥堵车站的客流来源所给出的限流车站候选集、影响时段和客流量信息的基础上，以 总限流量最小和限流车站至目标车站总距离最小为目标构建的多目标整数规划数学模型， 对该多目标整数规划数学模型进行求解得到路网协同限流初始方案，该路网协同限流初始 方案中包括各个限流车站的名称、限流起始时间、限流终止时间和限流量(人）； 所述路网协同限流调整方案子模型，是在初始方案子模型的基础上，利用仿真系统辅 助确定滞留客流对限流效果的影响值，以此为依据构建的多目标整数规划数学模型，对该 多目标整数规划数学模型进行求解得到路网协同限流调整方案，该路网协同限流调整方案 中包括各个限流车站的名称、限流起始时间、限流终止时间和限流量(人）。6. 根据权利要求5所述的方法，其特征在于，所述的路网协同限流初始方案子模型包 括：(1) (2) (3) (4) ⑴ (6) 式（1)和式(2)为模型目标函数，式（1)以限流总量最小为目标，式（2)以限流车站至拥 堵车站总距离最小化为目标。其他为约束条件，式(3)为进站量约束，式(4)为限流客流量计 算约束，式(5)为拥堵客流来源量范围约束，式(6)站台最大容纳能力约束；%来源车站c/在时段*51^内的进站限流量；€源车站4至拥堵车站4的距离； 0-1变量，来源车站c/实施限流 否则， i 为来源车站c/必须满足的最小进站量； 实施限流后，来源车站c/在时段内的进站客流量； 未实施限流情况下，来源车站4在时段内的进站客流量； J拥堵车站Uj由来源车站(6/在时段内的来源客流量； /?'为拥堵车站1^固定站台的聚集人数； i公为拥堵车站Uj固定站台的最大容纳能力。7. 根据权利要求5所述的方法，其特征在于，所述的路网协同限流调整方案子模型包 括：(7) (8) (9) (10) (11) (12) 所述模型较初始方案子模型，在式（12)中增加了路网滞留乘客对限流效果的影响值△ 1，其他条件与初始方案模型相一致。8. 根据权利要求5所述的方法，其特征在于，所述的对所述多目标整数规划数学模型进 行求解包括：以客流来源回溯运算得到的拥堵车站的客流来源信息为模型求解的数据输 入，利用lingo软件对所述多目标整数规划数学模型进行求解，在模型求解过程中，将限流 量最小和限流总距离最小的双目标转化为总限流周转量最小的单目标，即(13) Q 1 根据权利要求5所述的方法，其特征在于，所述的仿真系统辅助是指以城市轨道交通
【文档编号】B61L27/00GK105882695SQ201610153979
【公开日】2016年8月24日
【申请日】2016年3月17日
【发明人】蒋熙, 孙捷萍, 李海鹰, 许心越, 苗建瑞
【申请人】北京交通大学