【技术实现步骤摘要】
本专利技术属于交通，尤其涉及一种基于预测数据的地铁拥挤缓解方法及系统。
技术介绍
1、城市地铁网络是城市公共交通系统的重要组成部分。地铁网络提供了高效、快速、安全的交通服务，方便了人们的日常通勤和出行。随着城市区域的持续扩张和人口规模的不断增长，地铁网络承担了繁重的早晚高峰交通运输任务，这也造成了高峰期地铁网络的严重拥挤现象。地铁过度拥挤会影响乘客的出行舒适度，增加乘客的出行时间，且一旦情况严重，极易引发安全事故。因此，缓解地铁网络高峰期拥挤是相关管理部门一直关注的重点。近年来许多学者构建了时刻表优化模型和客流控制模型，用以缓解地铁网络高峰期拥挤。
2、但是，现有的拥堵缓解方法仍存在着以下问题：
3、地铁列车时刻表优化的本质是通过增加列车发车频率，也就是在原有的时间窗内运输更多的乘客。但是，现有的研究目前许多城市地铁线路的发车间隔已经压缩到了每2分钟一趟，继续压缩发车间隔会带来安全隐患。此外，还需要采购更多的列车，这大大增加了地铁公司的运营成本。因此，地铁运营部门越来越倾向于采用客流控制来缓解地铁网络拥挤。
4、许多地铁公司现有的客流控制是在拥挤已经形成后才开始实施，具有滞后性，难以快速缓解地铁拥挤。此外，地铁乘客的起点-终点（original-destination，od）数据难以实时获取。目前的客流控制模型都是基于历史的od客流数据得到各地铁站点的客流控制方案，难以客观检验客流控制模型的实际拥挤缓解效果。
5、不加区分地选择拥挤区间的上游地铁站点实施客流控制，每个站点对于拥挤区
技术实现思路
1、为了弥补现有技术的缺陷，本专利技术提供了一种基于预测数据的地铁拥挤缓解方法及系统。
2、为了解决上述技术问题，本专利技术所采用的技术方案是：
3、第一方面，提供一种基于预测数据的地铁拥挤缓解方法，包括：
4、获取地铁网络运营信息、结构数据和历史od客流数据；
5、根据历史od客流数据构建得到地铁od客流预测模型，使用地铁od客流预测模型进行预测得到预测od客流数据；
6、根据地铁网络运营信息、结构数据和预测od客流数据，识别出地铁网络中的拥挤区间及拥挤区间的主要客源，主要客源至少为一个；
7、将主要客源对应的地铁站点作为实施客流控制的目标站点，目标站点至少为一个；
8、确定拥挤区间的拥挤时段及每个目标站点的客流控制时段，客流控制时段包括多个分阶段；
9、将目标站点的进站乘客分配到地铁网络区间上，以各目标站点的进站客流控制率作为决策变量，以目标站点的延误乘客总人数最小作为目标条件，构建得到客流控制优化模型；进站客流控制率表示每个目标站点在每个时间窗阻止乘客进站的比例；
10、对客流控制优化模型进行求解，确定各目标站点的最优进站客流控制率及客流控制时段，得到地铁客流控制结果。
11、进一步的，获取地铁网络运营信息、结构数据和历史od客流数据，包括：
12、获取待研究区域的地铁网络运营信息，地铁网络运营信息包括不同线路的发车间隔及列车容量信息；
13、获取待研究区域的地铁网络中所有站点的站点信息及所有区间的区间信息；站点信息包括每个站点名称及经纬度；若某站点为换乘站点，则需获取换乘所需时长；相邻两个站点之间的线路为一个区间；区间信息包括每个区间的起始站点编号、终止站点编号、长度值、及列车经过每个区间所需的时长；
14、根据站点信息及区间信息得到结构数据；
15、获取待研究区域的地铁网络中每对站点之间在预设时间段内的od客流总数，得到历史od客流数据。
16、进一步的，根据历史od客流数据构建得到地铁od客流预测模型，使用地铁od客流预测模型进行预测得到预测od客流数据，包括：
17、根据历史od客流数据，计算每个预设时间窗内对应的od客流量，得到od客流矩阵，表达式为：
18、，
19、代表在第 d天时间窗 t中从站点 i到站点 j的客流量；
20、构建od客流预测模型，od客流预测模型包括卷积神经网络模块和卷积块注意力模块，卷积神经网络模块包括三个卷积层、三个池化层和一个全连接层，用于提取od客流矩阵的特征；卷积块注意力模块包含通道注意力机制和空间注意力机制，通道注意力机制用于考虑不同通道之间的关系并调整相对权重，空间注意力机制用于学习输入特征映射中不同区域的空间关系，并对不同的重要空间区域分配权值；
21、将连续n个工作日的同一时间窗 t的od客流矩阵输入od客流预测模型，预测下一个工作日时间窗 t对应的od客流量，得到预测od客流数据，n为大于1的正整数。
22、进一步的，根据地铁网络运营信息、结构数据和预测od客流数据，识别出地铁网络中的拥挤区间及拥挤区间的主要客源，包括：
23、根据结构数据，使用dijkstra算法为每一对od之间根据出行时间生成一条最短出行时间路径，并设定每一对od之间的乘客出行按照对应的最短出行时间路径完成；
24、根据预测od客流数据和每一对od之间对应的最短出行时间路径包括的区间，累计计算预设时间窗内每一个区间的客流量；
25、根据地铁网络运营信息中每条线路的车型及列车发车间隔，计算得到每一个区间的设计通行能力；
26、根据设计通行能力及区间客流量计算得到每一个区间的满载率；
27、将满载率大于1的区间作为地铁网络中的拥挤区间；
28、根据拥挤区间，统计经过拥挤区间的乘客的上车站点，作为客源站点；
29、根据客源站点对拥挤区间的客流贡献量得到拥挤区间的主要客源。
30、进一步的，根据客源站点对拥挤区间的客流贡献量得到拥挤区间的主要客源，包括：
31、计算每一个客源站点上车的所有乘客对拥挤区间的客流贡献量；
32、根据从大到小的排序方式，依次累计各客源站点对拥挤区间的客流贡献量，对所有的客源站点的客流贡献量求和，得到客流贡献总量，将达到客流贡献总量一半以上，且排名靠前的客源站点作为主要客源，主要客源至少为一个。
33、进一步的，以各目标站点的进站客流控制率作为决策变量，以目标站点的延误乘客总人数最小作为目标条件，构建得到客流控制优化模型之前，还包括：
34、根据每一个主要客源对拥挤区间的客流贡献量，得到客流控制率数组，表示主要客源 本文档来自技高网...
【技术保护点】
1.一种基于预测数据的地铁拥挤缓解方法，其特征在于，包括：
2.根据权利要求1所述的基于预测数据的地铁拥挤缓解方法，其特征在于，所述获取地铁网络运营信息、结构数据和历史OD客流数据，包括：
3.根据权利要求2所述的基于预测数据的地铁拥挤缓解方法，其特征在于，所述根据所述历史OD客流数据构建得到地铁OD客流预测模型，使用所述地铁OD客流预测模型进行预测得到预测OD客流数据，包括：
4.根据权利要求3所述的基于预测数据的地铁拥挤缓解方法，其特征在于，所述根据所述地铁网络运营信息、所述结构数据和所述预测OD客流数据，识别出地铁网络中的拥挤区间及所述拥挤区间的主要客源，包括：
5.根据权利要求4所述的基于预测数据的地铁拥挤缓解方法，其特征在于，所述根据所述客源站点对所述拥挤区间的客流贡献量得到所述拥挤区间的主要客源，包括：
6.根据权利要求5所述的基于预测数据的地铁拥挤缓解方法，其特征在于，所述以各目标站点的进站客流控制率作为决策变量，以所述目标站点的延误乘客总人数最小作为目标条件，构建得到客流控制优化模型之前，还包括：
...【技术特征摘要】
1.一种基于预测数据的地铁拥挤缓解方法，其特征在于，包括：
2.根据权利要求1所述的基于预测数据的地铁拥挤缓解方法，其特征在于，所述获取地铁网络运营信息、结构数据和历史od客流数据，包括：
3.根据权利要求2所述的基于预测数据的地铁拥挤缓解方法，其特征在于，所述根据所述历史od客流数据构建得到地铁od客流预测模型，使用所述地铁od客流预测模型进行预测得到预测od客流数据，包括：
4.根据权利要求3所述的基于预测数据的地铁拥挤缓解方法，其特征在于，所述根据所述地铁网络运营信息、所述结构数据和所述预测od客流数据，识别出地铁网络中的拥挤区间及所述拥挤区间的主要客源，包括：
5.根据权利要求4所述的基于预测数据的地铁拥挤缓解方法，其特征在于，所述根据所述客源站点对所...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。