一种城市轨道交通线网客流OD动态估计方法及系统与流程

一种城市轨道交通线网客流od动态估计方法及系统
技术领域
1.本发明涉及城市轨道交通技术领域，特别地涉及一种城市轨道交通线网客流od动态估计方法及系统。


背景技术：

2.动态od矩阵描述了交通网络中动态的交通需求，是动态交通分配(dta)模型和一些实用的微观交通仿真器的基础输入数据。在智能交通系统(its)中，先进的出行者信息系统(atis)面临的问题是如何将动态的交通需求合理分配到不同路径上，以降低个人或整个系统范围内的出行费用。通过做大量的交通调查获取动态od矩阵的代价十分高昂。因此动态od估计的研究具有较高的理论价值与现实意义。
3.目前，od矩阵是通过大量的交通调查得到的，成本高。通过这种调查方式得到的一般是所研究区域内平均意义上的静态od矩阵，其时间粒度可为年、月或日。动态od矩阵则反映了每个od对(每个od对与交通网络中一个特定的起点－终点对组合相对应)间特定的时段内时变的交通需求模式，其时间粒度可为10～15min。
4.传统的静态od估计模型在这方面有很大局限，必须采用更为有效的动态od矩阵估算方法。
5.现有研究主要集中于道路交通领域，没有考虑轨道交通网络结构及客流特征，在轨道交通线网客流od动态估计方面存在着精度低、运算效率不高的缺点。
6.现有客流控制措施所依据的客流分布及动态演化研究，未能充分考虑客流控制条件下客流分布的动态性和复杂性。另一方面，大多数轨道交通线路和车站在实施网络层的客流协同控制措施时，还缺乏相应的科学依据和理论支撑。
7.现有研究主要集中于道路交通领域，没有考虑轨道交通网络结构及客流特征，在轨道交通线网客流od动态估计方面存在着精度低、运算效率不高的缺点；既有模型中od流与采集信息流之间的流量关系大多建立在断面流量容易获取的基础上，但轨道交通中的实时断面客流信息却很难获取，仅能获取进出站客流信息，所以基于断面采集流量的动态流量方程难以适用于轨道交通网络。
8.因此，需要一种新的方法，结合轨道交通线网客流特征和采集数据信息，实现轨道交通线网客流的实时od估计。


技术实现要素：

9.有鉴于此，本发明提出一种城市轨道交通线网客流od动态估计方法及系统，基于历史客流出行数据和轨道交通自动售检票系统终端设备实时上传的交易数据来估算当前实时的客流od分布结构信息。
10.本发明第一方面提供了一种城市轨道交通线网客流od动态估计方法，该方法包括：获取历史客流数据，计算客流od分布矩阵；基于客流od分布矩阵，计算客流分流率矩阵；根据历史客流数据，构建行程时间的概率分布，计算客流出站到达系数；基于客流分流率矩
阵和客流出站到达系数，构建车站间的动态流量关系；建立基于卡尔曼滤波算法的状态空间模型，对线网客流od进行动态估计。
11.进一步的，所述客流od分布矩阵为：
[0012][0013]
其中，p
ij
为车站i和车站j之间的客流量，n为车站总数。
[0014]
进一步的，基于客流od分布矩阵计算任意站点之间的客流分流率，并组成客流分流率矩阵，为：
[0015][0016]
其中，b
ij
为车站i和车站j之间的客流分流率。
[0017]
进一步的，任意站点之间的客流分流率的计算方法为：
[0018][0019]
其中，p
ij
为车站i和车站j之间的客流量。
[0020]
进一步的，所述客流出站到达系数的计算方法为：
[0021][0022]
其中，为客流出站到达系数；f
ij
(x)为行程时间的概率分布函数。
[0023]
进一步的，基于交通流的动态传播过程，根据客流分流率矩阵和客流出站到达系数，采用动态流量分配矩阵的方法构建车站间的动态流量关系。
[0024]
本发明第二方面提供一种城市轨道交通线网客流od动态估计系统，该系统包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如上所述城市轨道交通线网客流od动态估计方法的步骤。
[0025]
上述的城市轨道交通线网客流od动态估计方法及系统，通过实时上传的进出站交易数据和历史客流数据进行统计，建立了基于卡尔曼滤波的状态空间模型，可用来估计实时的客流需求分布结构信息，为轨道交通企业的客流动态化管理提供数据支持。该方法能够有效地对城市轨道交通线网客流进行实时od估计，为城市轨道交通运营管理决策提供数据支持。
附图说明
[0026]
为了说明而非限制的目的，现在将根据本发明的优先实施例、特别是参考附图来
描述本发明，其中：
[0027]
图1是本发明一实施例提供的城市轨道交通线网客流od动态估计方法的流程图；
[0028]
图2是状态过程和测量过程的关系示意图；
[0029]
图3是本发明另一实施例提供的城市轨道交通线网客流od动态估计系统的结构示意图。
具体实施方式
[0030]
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
[0031]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0032]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
[0033]
名词解释：
[0034]
od矩阵(origin-destination matrix)：无论是进行交通网的规划，还是进行合理的交通管理及交通控制以使道路网能得到更合理地利用，都需要尽可能正确地出发地与目的地之间的od交通量。
[0035]
动态od矩阵概念：od矩阵反映的是研究区域内交通需求的分布状况，这一分布实际是随着时间不断变化的。静态od矩阵由于不考虑时间因素的影响，只能反映交通需求分布状况，在一定时段内的平均值，因此仅适用于中长期的交通规划。现代的交通管理，尤其是atms和atis都强调实时控制的功能，即当可能引发交通拥挤的事件发生时，迅速形成有效的交通控制和疏散策略，而相应时刻路网上的od交通量将是形成此类策略的基本数据。动态od矩阵就是引入了时间因素之后的一个三维矩阵，一般将动态od矩阵视为静态od矩阵的一个时间序列。
[0036]
卡尔曼滤波(kalman filtering)：是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。数据滤波是去除噪声还原真实数据的一种数据处理技术，kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态系统的状态。由于它便于计算机编程实现，并能够对现场采集的数据进行实时的更新和处理，kalman滤波是目前应用最为广泛的滤波方法，在通信，导航，制导与控制等多领域得到了较好的应用。
[0037]
图1是本发明一实施例提供的城市轨道交通线网客流od动态估计方法的流程图。下面结合实施过程对本发明做出进一步的说明。
[0038]
本实施例中，首先设定时间间隔
△
t，按时间间隔
△
t对运营时间进行分段，由于客流数据的实时上传一般为l5min间隔，因此，为满足运营管理的需求，可设定时间间隔
△
t＝15min。将历史客流出行数据分为储值票客流数据和单程票客流数据，统计储值票和单程票
客流数据中的分时段od分布客流量，考虑到单程票客流的空间分布稳定性较差且乘客到站时间差异性较大，考虑采用移动平均法对单程票od客流进行改进。在每一个时间段，执行以下步骤：
[0039]
s100，获取历史客流数据，计算客流od分布矩阵。
[0040]
本实施例中，基于历史的单程票刷卡数据，以δt＝15min为时间间隔统计任意两个站点之间的客流量，组成站点之间的od客流矩阵：
[0041][0042]
其中，p
ij
为车站i和车站j之间的客流量，n为车站总数。
[0043]
s200，基于客流od分布矩阵，计算客流分流率矩阵。
[0044]
本实施例中，客流分流率矩阵用于表示线网od对间的客流流向比例信息，即计算时间间隔内从站点i进站的乘客中去往车站j的乘客数量占该时段内站点i进站总客流量的比例，具体计算公式如下：
[0045][0046]
其中，p
ij
为车站i和车站j之间的客流量。
[0047]
基于客流od分布矩阵计算任意站点之间的客流分流率，并组成客流分流率矩阵。客流分流率矩阵的表达式为：
[0048][0049]
其中，b
ij
为车站i和车站j之间的客流分流率。
[0050]
s300，根据历史客流数据，构建行程时间的概率分布，计算客流出站到达系数。
[0051]
现实情况中，乘客从车站i刷卡进入地铁系统，至到达车站j刷卡离开地铁系统的行程时间存在波动，假设行程时间符合一定的概率分布，概率密度函数为f
ij
(x)，则可以计算客流出站到达系数如下式所示：
[0052][0053]
其中，为客流出站到达系数。
[0054]
s400，基于客流分流率矩阵和客流出站到达系数，构建车站间的动态流量关系。
[0055]
由于afc数据上存在一定的时滞性，对于某一估计时段t的站点i，当前时段的进站客流不一定能在该时段内均从其他车站出站，同理，站点i的出站客流并不仅仅包括当前时段内由其他车站出发前往站点i的客流。考虑客流的时滞性和分散性特征，基于交通流的动
态传播过程采用动态流量分配矩阵的方法来构建车站间的动态流量关系。
[0056]
s500，建立基于卡尔曼滤波算法的状态空间模型，对线网客流od进行动态估计。
[0057]
本实施例中，状态空间模型是动态时域模型，以隐含着的时间为自变量，此模型在经济时间序列分析中的应用正在迅速增加，状态－空间模型可以由两个因素确定：一个是不可观测的隐过程x
t
，也被称为“状态过程”。一般假设状态过程x
t
是马尔科夫的。另外一个是可观测的“测量过程”y
t
，它是由不可观测的状态过程x
t
所确定的。这两个因素的关系如图2所示。
[0058]
一般性的状态空间模型可以由两个差分方程刻画，分别是状态方程和测量方程。
[0059]
其中，状态方程为：
[0060]
x
t
＝φx
t-1
+υu
t
+w
t
x
t
#
[0061]
其中，测量方程为：
[0062]yt
＝a
t
x
t
+γu
t
+v
t
#
[0063]
其中，为状态变量；为观测变量；w
t
服从p维正态分布w
t
～n(0,q)，其中为方差－协方差矩阵；v
t
服从q维正态分布v
t
～n(0,r)，其中为方差－协方差矩阵；矩阵φ为状态转移矩阵；矩阵a
t
为观测矩阵；最后，为外部输入过程，而矩阵和则分别为状态输入矩阵和观测输入矩阵。
[0064]
可以看出，状态变量x
t
是根据状态方程，由它的上一期值x
t-1
、外部输入u
t
，以及随机噪声w
t
决定；而观测变量y
t
则根据观测方程，由当期的状态变量x
t
、外部输入u
t
，以及随机噪声v
t
决定。通过卡尔曼滤波算法求解由状态方程和观测方程所构成的状态空间模型，卡尔曼滤波由以下五个方程定义：
[0065]
状态拓展方程：
[0066][0067]
方差拓展方程
[0068][0069]
状态更新方程
[0070][0071]
方差更新方程
[0072][0073]
卡尔曼增益
[0074][0075]
其中，为t时刻的先验状态估计，及根据t-1时刻的最优估计预测t时刻的状态；φ为状态转移矩阵；为t时刻的先验估计协方差；φ'为状态转移矩阵转秩；为方差－协方差矩阵；为t时刻的后验状态估计，是滤波结果之一，即更新后
的结果，也叫最优估计；k
t
为卡尔曼增益；y
t
为观测变量；a
t
为观测矩阵；为外部输入过程；和分别为状态输入矩阵和观测输入矩阵；为t时刻的后验估计协方差(即的协方差，表示状态的不确定性)；a'
t
为观测矩阵转秩；r为方差－协方差矩阵。
[0076]
可利用基于卡尔曼滤波算法的状态空间模型，对线网客流od进行动态估计。
[0077]
s600，估计方法检验。
[0078]
采用平均绝对百分比误差(mean absolute percentage error,mape)作为估计方法的精确度检验，具体计算公式如下：
[0079][0080]
其中，mape(t)为t时段内基于本实施例提供的方法估计得到的od客流量的平均绝对百分比误差，b
ij
(t)为分流率的真实值，为分流率的估计值，n
od
为od对的总数目。
[0081]
上述的城市轨道交通线网客流od动态估计方法，通过实时上传的进出站交易数据和历史客流数据进行统计，建立了基于卡尔曼滤波的状态空间模型，可用来估计实时的客流需求分布结构信息，为轨道交通企业的客流动态化管理提供数据支持。该方法能够有效地对城市轨道交通线网客流进行实时od估计，为城市轨道交通运营管理决策提供数据支持。
[0082]
相应于上面的方法实施例，参见图3，图3为本发明所提供的城市轨道交通线网客流od动态估计系统的示意图，该系统100可以包括：
[0083]
存储器101，用于存储计算机程序；
[0084]
处理器102，用于执行上述存储器101存储的计算机程序时可实现如下步骤：
[0085]
获取历史客流数据，计算客流od分布矩阵；基于客流od分布矩阵，计算客流分流率矩阵；根据历史客流数据，构建行程时间的概率分布，计算客流出站到达系数；基于客流分流率矩阵和客流出站到达系数，构建车站间的动态流量关系；建立基于卡尔曼滤波算法的状态空间模型，对线网客流od进行动态估计。
[0086]
对于本发明提供的设备的介绍请参照上述方法实施例，本发明在此不做赘述。
[0087]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所做的修改、等同替换和改进等，均应包含在本发明保护范围之内。