CN112598331B - 轨道交通的动态调度方法、系统、计算机设备和存储介质 - Google Patents
轨道交通的动态调度方法、系统、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112598331B CN112598331B CN202110013131.3A CN202110013131A CN112598331B CN 112598331 B CN112598331 B CN 112598331B CN 202110013131 A CN202110013131 A CN 202110013131A CN 112598331 B CN112598331 B CN 112598331B
- Authority
- CN
- China
- Prior art keywords
- carriage
- rail transit
- time period
- data
- passenger flow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000012952 Resampling Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 241000728173 Sarima Species 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种轨道交通的动态调度方法、系统、计算机设备和存储介质。该方法包括：对轨道交通上运营参数据进行检测，采集并处理所述运营参数据；将处理后的所述运营参数据进行数据样本构建，利用构建后的所述数据样本量化评估车厢拥挤度；根据时间段内任意车厢内的净上车客流量进行载客量的趋势预测，利用预测结果和所述车厢拥挤度进行运营调度计算，确定轨道交通上车辆的动态调度结果。通过对轨道交通上运营参数检测、车厢拥挤度量化评估、车厢载客量趋势预测三个环节的处理，能够实现对轨道交通上车辆的动态调度，从而提高调度运营效率，让调度运营决策更智能。并降低了乘客投诉率，提高了轨道交通的服务质量。
Description
技术领域
本申请涉及轨道交通技术领域，特别是涉及一种轨道交通的动态调度方法、系统、计算机设备和存储介质。
背景技术
随着大数据平台的建立和数据积累，各大运营公司开始关注数据增值问题，因此在轨道交通领域，也同样迫切希望通过大数据分析，评估公司现阶段的调度运营计划的合理性并给出优化方案，达到经济运营的目的。调度运营计划制定的关键影响因素之一是客流量的预测，客流预测在不同的阶段有不同的内容和侧重点。在项目可行性研究的阶段的客流预测，是项目建设的必要性、迫切性和可行性的主要依据；在工程设计中的客流预测，又是确定建设规模、车辆选型及编组方案、运输组织、设备配置、工程投资、经济效益评价等的重要依据。
但是，现有技术手段在对地铁车厢拥挤度进行度量，都是大概的通过摄像头等传感器进行数据的抓拍等，无法有效的反映了地铁实际承载客流和设计负荷之间的关系，也无法有效的反映城市轨道交通线网运行是否合理。此外，由于现阶段对车厢拥挤度的动态数据掌握不全，导致无法合理安排车辆的调度，进而造成乘客体验感差，乘客投诉率高，使得轨道交通的整个服务质量指标无法改善。
发明内容
基于此，有必要针对上述技术问题，提供一种轨道交通的动态调度方法、系统、计算机设备和存储介质。
第一方面，本发明实施例提供了一种轨道交通的动态调度方法，包括以下步骤：
对轨道交通上运营参数据进行检测，采集并处理所述运营参数据；
将处理后的所述运营参数据进行数据样本构建，利用构建后的所述数据样本量化评估车厢拥挤度；
根据时间段内任意车厢内的净上车客流量进行载客量的趋势预测，利用预测结果和所述车厢拥挤度进行运营调度计算，确定轨道交通上车辆的动态调度结果。
进一步的，所述对轨道交通上运营参数据进行检测，采集并处理所述运营参数据，包括：
对车厢参数的有效性和准确性进行校验，筛选出非常规的所述车厢参数；
对所述运营参数包括的车厢载客数量的进行数据重采样；
在车辆正常运行状态下，剔除超过设定阈值范围内异常的车厢重量数据；
对超过预设时间段内的所述运营参数进行数据分割，在车辆整趟运行范围内，记录每个连续时间段内车辆行驶状态。
进一步的，所述将处理后的所述运营参数据进行数据样本构建，利用构建后的所述数据样本量化评估车厢拥挤度，包括：
将所述运营参数中地铁进站时刻的客流量作为车厢拥挤度的评估样本进行构建；
将所述评估样本、车厢配置信息和车厢载荷相结合，得到车厢人数、人均密度和车厢剩余面积；
根据所述车厢人数、人均密度和车厢剩余面积确定车厢拥挤等级和不同拥挤等级下持续的时间；
利用车厢超负荷运载的历史样本和所述人均密度做差异性分析，评估车厢拥挤度。
进一步的，所述根据时间段内任意车厢内的净上车客流量进行载客量的趋势预测，利用预测结果和所述车厢拥挤度进行运营调度计算，确定轨道交通上车辆的动态调度结果，包括：
根据始发站和非始发站车辆上客流量获取单位时间内车辆的乘客净流入量；
累计全天范围内所述乘客净流入量，获得时间段内任意车厢内的净上车客流量；
对时间段内任意车厢内的净上车客流量进行周期性、趋势性、季节性分析，利用趋势预测算法对短期内，各个时间段的载客量进行预测；
对预测结果和所述车厢拥挤度进行动态分析，利用当前运营计划下的运能差的取值范围进行车辆调度。
另一方面，本发明实施例还提供了一种轨道交通的动态调度系统，包括：
数据检测模块，用于对轨道交通上运营参数据进行检测，采集并处理所述运营参数据；
拥挤评估模块，用于将处理后的所述运营参数据进行数据样本构建，利用构建后的所述数据样本量化评估车厢拥挤度；
调度处理模块，用于根据时间段内任意车厢内的净上车客流量进行载客量的趋势预测，利用预测结果和所述车厢拥挤度进行运营调度计算，确定轨道交通上车辆的动态调度结果。
进一步的，所述数据检测模块包括参数处理单元，所述参数处理单元用于：
对车厢参数的有效性和准确性进行校验，筛选出非常规的所述车厢参数；
对所述运营参数包括的车厢载客数量的进行数据重采样；
在车辆正常运行状态下，剔除超过设定阈值范围内异常的车厢重量数据；
对超过预设时间段内的所述运营参数进行数据分割，在车辆整趟运行范围内，记录每个连续时间段内车辆行驶状态。
进一步的，所述拥挤评估模块包括拥挤计算单元，所述拥挤计算单元用于：
将所述运营参数中地铁进站时刻的客流量作为车厢拥挤度的评估样本进行构建；
将所述评估样本、车厢配置信息和车厢载荷相结合，得到车厢人数、人均密度和车厢剩余面积；
根据所述车厢人数、人均密度和车厢剩余面积确定车厢拥挤等级和不同拥挤等级下持续的时间；
利用车厢超负荷运载的历史样本和所述人均密度做差异性分析，评估车厢拥挤度。
进一步的，所述调度处理模块包括预测比较单元，所述预测比较单元用于：
根据始发站和非始发站车辆上客流量获取单位时间内车辆的乘客净流入量；
累计全天范围内所述乘客净流入量，获得时间段内任意车厢内的净上车客流量；
对时间段内任意车厢内的净上车客流量进行周期性、趋势性、季节性分析，利用趋势预测算法对短期内，各个时间段的载客量进行预测；
对预测结果和所述车厢拥挤度进行动态分析，利用当前运营计划下的运能差的取值范围进行车辆调度。
本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
对轨道交通上运营参数据进行检测，采集并处理所述运营参数据；
将处理后的所述运营参数据进行数据样本构建，利用构建后的所述数据样本量化评估车厢拥挤度；
根据时间段内任意车厢内的净上车客流量进行载客量的趋势预测，利用预测结果和所述车厢拥挤度进行运营调度计算，确定轨道交通上车辆的动态调度结果。
本发明所述还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
对轨道交通上运营参数据进行检测，采集并处理所述运营参数据；
将处理后的所述运营参数据进行数据样本构建，利用构建后的所述数据样本量化评估车厢拥挤度；
根据时间段内任意车厢内的净上车客流量进行载客量的趋势预测，利用预测结果和所述车厢拥挤度进行运营调度计算，确定轨道交通上车辆的动态调度结果。
本发明的有益效果是：本发明实施例公开的轨道交通的动态调度方法、系统、计算机设备和存储介质，通过对轨道交通上运营参数检测、车厢拥挤度量化评估、车厢载客量趋势预测三个环节的处理，能够实现对轨道交通上车辆的动态调度。通过引入车厢拥挤度的计算方式，并通过车厢载荷来量化车厢拥挤程度，无需额外去采集数据，省时省力且可持续；通过引入车厢拥挤度和各等级拥挤度持续时间两个关键指标来来评估地铁拥挤程度，从而判断当前的运营计划处于合理运营区间；通过预测线路载客量来优化调度运营计划，并能提前预测线路短期内的载客量，评估列车拥挤程度，提高调度运营效率，让调度运营决策更智能。降低了乘客投诉率，提高了轨道交通的服务质量。
附图说明
图1为一个实施例中轨道交通的动态调度方法的流程示意图；
图2为一个实施例中运营参数检测环节的流程示意图；
图3为一个实施例中车厢拥挤度评估的逻辑示意图；
图4为一个实施例中车厢拥挤度评估的流程示意图；
图5为一个实施例中运营趋势预测和运营调度的流程示意图；
图6为一个实施例中轨道交通的动态调度系统的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种轨道交通的动态调度方法，包括以下步骤：
步骤101，对轨道交通上运营参数据进行检测，采集并处理所述运营参数据；
步骤102，将处理后的所述运营参数据进行数据样本构建，利用构建后的所述数据样本量化评估车厢拥挤度；
步骤103，根据时间段内任意车厢内的净上车客流量进行载客量的趋势预测，利用预测结果和所述车厢拥挤度进行运营调度计算，确定轨道交通上车辆的动态调度结果。
具体地，正式运营阶段的客流预测，则是确定调度运营计划的关键，量化地铁车厢拥挤度，可以反映地铁车厢内的实际拥挤状态，为调度运营计划优化提供依据。一方面可以避免客流高度聚集而发生踩踏现象，另一方面提高乘客体验感，降低投诉率。基于这一目的，本实施例基于地铁正线运营时的车厢载荷，建立客流预测和客流分级体系，量化车厢客流拥挤度，为实时调度和限流管控决策提供数据支撑，方面基于车载数据对当前车厢拥挤度进行评估，另一方面基于历史数据对未来短期内的客流进行预测，然后结合当前运营计划，对当前运能与客流增幅进行比较，从而确定未来的运营计划是否需要更改。通过对轨道交通上运营参数检测、车厢拥挤度量化评估、车厢载客量趋势预测三个环节的处理，能够实现对轨道交通上车辆的动态调度。通过引入车厢拥挤度的计算方式，并通过车厢载荷来量化车厢拥挤程度，无需额外去采集数据，省时省力且可持续；通过引入车厢拥挤度和各等级拥挤度持续时间两个关键指标来来评估地铁拥挤程度，从而判断当前的运营计划处于合理运营区间；通过预测线路载客量来优化调度运营计划，并能提前预测线路短期内的载客量，评估列车拥挤程度，提高调度运营效率，让调度运营决策更智能。降低了乘客投诉率，提高了轨道交通的服务质量。
在一个实施例中，如图2所轨道交通的动态调度中，对于具体的运营参数检测环节的包括：
步骤201，对车厢参数的有效性和准确性进行校验，筛选出非常规的所述车厢参数；
步骤202，对所述运营参数包括的车厢载客数量的进行数据重采样；
步骤203，在车辆正常运行状态下，剔除超过设定阈值范围内异常的车厢重量数据；
步骤204，对超过预设时间段内的所述运营参数进行数据分割，在车辆整趟运行范围内，记录每个连续时间段内车辆行驶状态。
具体地，运营参数既包括车厢中的车辆参数，也包括轨道交通中的系统参数，例如前后车距离、车站面积，轨道参数等，本实施例中的校验是指对车载数据的有效性与准确性进行校验，例如：车厢重量和速度总是大于0，因此将无效的参数进行剔除显著提高了数据的准确度，为后续的调度提供了基础。此外，由于载客量属于惰性变量，短时间内通常不会发生巨大变化，对样本进行重采样，以此降低数据维度，提高计算效率。对于数据的剔除而言，主要是剔除异常的数据，例如列车在经过坡道或者弯道时受力发生变化，导致列车重量发生变化，因此需剔除重量小于车厢重量和大于2倍车厢重量的数据。为进一步的提高数据的连续性，需要对数据进行分割，本实施了中数据分割是指对长时段的连续数据进行切割，主要根据车号、运行时间、站台号等信息来分割数据，使得每段数据都是连续且能记录了列车整趟运行过程的行驶状态。
在一个实施例中，如图3和4所示，对轨道交通上运行的车厢拥挤度的评估和具体计算过程，包括：
步骤301，将所述运营参数中地铁进站时刻的客流量作为车厢拥挤度的评估样本进行构建；
步骤302，将所述评估样本、车厢配置信息和车厢载荷相结合，得到车厢人数、人均密度和车厢剩余面积；
步骤303，根据所述车厢人数、人均密度和车厢剩余面积确定车厢拥挤等级和不同拥挤等级下持续的时间；
步骤304，利用车厢超负荷运载的历史样本和所述人均密度做差异性分析，评估车厢拥挤度。
具体地，首先基于运营参数检测中输出的数据构建评估样本，即选取停站时间的客流，将地铁进站时刻(速度为0，车门未开)的客流作为车厢拥挤度的评估样本，一个点代表一个样本。然后根据线路车辆的车型确定列车定员、座位数、车厢空余面积，并将列车基本配置信息与车厢载荷相结合，计算车厢人数N人数、人均密度P和车厢剩余面积。车厢人数N人数及人均密度P以及车厢剩余面积的定义如下：
N人数＝(L-M-6*W*N座位)/W；
P＝N人数/S车厢；
其中，L表示总体载重，M表示列车重量，W表示人的重量(取60kg)，S车厢表示车厢剩余面积，N定员表示每节车厢的定员数，N座位表示每节车厢座位数。基于人均密度结合标准，划分拥挤等级，并计算该拥挤等级的持续时间T。根据车辆内乘客站立人员密度评价标准来确定分级阈值，将其分成4个等级：舒适、良好、拥挤、非常拥挤。对于拥挤程度可以通过下列函数进行表示，
其中，p表示人均密度，此外，对于拥挤程度的持续时间T表示每趟车在运行过程中人均密度等级分别为拥挤和非常拥挤时所占的运行时间。将当前样本的人均密度和持续时间与历史样本(标注为超负荷运载的样本)作单因素差异性分析，如存在显著性差异，则说明当前运营计划合理。
在一个实施例中，如图5所示，在通过计算车厢拥挤度的基础上，对运营趋势预测和动态进行运营调度的过程，包括：
步骤401，根据始发站和非始发站车辆上客流量获取单位时间内车辆的乘客净流入量；
步骤402，累计全天范围内所述乘客净流入量，获得时间段内任意车厢内的净上车客流量；
步骤403，对时间段内任意车厢内的净上车客流量进行周期性、趋势性、季节性分析，利用趋势预测算法对短期内，各个时间段的载客量进行预测；
步骤404，对预测结果和所述车厢拥挤度进行动态分析，利用当前运营计划下的运能差的取值范围进行车辆调度。
具体地，在本实施例中每小时线路净上车计算方式为：基于列车载荷计算载客量，然后对同一天同一小时各车净上客人数求和。每天每小时(6点-23点)一个样本，每天17个样本。具体计算方式如下：
其中j＝6，…，23；
其中，Pi,j表示第j小时第i车的净流入客流，k表示第j小时的本线路发车数。
pi，j＝pi，j，始发站+∑m≠始发台pi，j，m，
其中，Pi,j,始发站表示第i车的始发站客流，Pi,j,m表示第i车在其他站台的净上客数。然后对其进行周期性、趋势性、季节性分析，利用SARIMA方法对短期内，各个时间段的载客量进行趋势预测，将趋势预测结果和上述车厢拥挤度进行关联，判断是否需要优化调度运营计划。如若需要，则跟当前运营计划下的运能作差进行比较，从而得出需要优化的空间。SARIMA方法是在差分移动自回归模型(ARIMA)的基础上加上季节和外部因素，以ARIMA为基础加上周期性和季节性，适用于时间序列中带有明显周期性和季节性特征的数据，也可以用BP神经网络、LSTM等方法替代处理，完成载客量预测。
应该理解的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了轨道交通的动态调度系统，包括：数据检测模块501、拥挤评估模块502、调度处理模块503，其中：
数据检测模块501，用于对轨道交通上运营参数据进行检测，采集并处理所述运营参数据；
拥挤评估模块502，用于将处理后的所述运营参数据进行数据样本构建，利用构建后的所述数据样本量化评估车厢拥挤度；
调度处理模块503，用于根据时间段内任意车厢内的净上车客流量进行载客量的趋势预测，利用预测结果和所述车厢拥挤度进行运营调度计算，确定轨道交通上车辆的动态调度结果。
在一个实施例中，如图6所示，数据检测模块501包括参数处理单元5011，所述参数处理单元5011用于：
对车厢参数的有效性和准确性进行校验，筛选出非常规的所述车厢参数；
对所述运营参数包括的车厢载客数量的进行数据重采样；
在车辆正常运行状态下，剔除超过设定阈值范围内异常的车厢重量数据；
对超过预设时间段内的所述运营参数进行数据分割，在车辆整趟运行范围内，记录每个连续时间段内车辆行驶状态。
在一个实施例中，如图6所示，拥挤评估模块502包括拥挤计算单元5021，所述拥挤计算单元用于5021：
将所述运营参数中地铁进站时刻的客流量作为车厢拥挤度的评估样本进行构建；
将所述评估样本、车厢配置信息和车厢载荷相结合，得到车厢人数、人均密度和车厢剩余面积；
根据所述车厢人数、人均密度和车厢剩余面积确定车厢拥挤等级和不同拥挤等级下持续的时间；
利用车厢超负荷运载的历史样本和所述人均密度做差异性分析，评估车厢拥挤度。
在一个实施例中，如图6所示，调度处理模块503包括预测比较单元5031，所述预测比较单元5031用于：
根据始发站和非始发站车辆上客流量获取单位时间内车辆的乘客净流入量；
累计全天范围内所述乘客净流入量，获得时间段内任意车厢内的净上车客流量；
对时间段内任意车厢内的净上车客流量进行周期性、趋势性、季节性分析，利用趋势预测算法对短期内，各个时间段的载客量进行预测；
对预测结果和所述车厢拥挤度进行动态分析，利用当前运营计划下的运能差的取值范围进行车辆调度。
关于轨道交通的动态调度系统的具体限定可以参见上文中对于轨道交通的动态调度方法的限定，在此不再赘述。上述轨道交通的动态调度系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图7示出了一个实施例中计算机设备的内部结构图。如图7所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现权限异常检测方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行权限异常检测方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：对轨道交通上运营参数据进行检测，采集并处理所述运营参数据；将处理后的所述运营参数据进行数据样本构建，利用构建后的所述数据样本量化评估车厢拥挤度；根据时间段内任意车厢内的净上车客流量进行载客量的趋势预测，利用预测结果和所述车厢拥挤度进行运营调度计算，确定轨道交通上车辆的动态调度结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对车厢参数的有效性和准确性进行校验，筛选出非常规的所述车厢参数；对所述运营参数包括的车厢载客数量的进行数据重采样；在车辆正常运行状态下，剔除超过设定阈值范围内异常的车厢重量数据；对超过预设时间段内的所述运营参数进行数据分割，在车辆整趟运行范围内，记录每个连续时间段内车辆行驶状态。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述运营参数中地铁进站时刻的客流量作为车厢拥挤度的评估样本进行构建；将所述评估样本、车厢配置信息和车厢载荷相结合，得到车厢人数、人均密度和车厢剩余面积；根据所述车厢人数、人均密度和车厢剩余面积确定车厢拥挤等级和不同拥挤等级下持续的时间；利用车厢超负荷运载的历史样本和所述人均密度做差异性分析，评估车厢拥挤度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据始发站和非始发站车辆上客流量获取单位时间内车辆的乘客净流入量；累计全天范围内所述乘客净流入量，获得时间段内任意车厢内的净上车客流量；对时间段内任意车厢内的净上车客流量进行周期性、趋势性、季节性分析，利用趋势预测算法对短期内，各个时间段的载客量进行预测；对预测结果和所述车厢拥挤度进行动态分析，利用当前运营计划下的运能差的取值范围进行车辆调度。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：对轨道交通上运营参数据进行检测，采集并处理所述运营参数据；将处理后的所述运营参数据进行数据样本构建，利用构建后的所述数据样本量化评估车厢拥挤度；根据时间段内任意车厢内的净上车客流量进行载客量的趋势预测，利用预测结果和所述车厢拥挤度进行运营调度计算，确定轨道交通上车辆的动态调度结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对车厢参数的有效性和准确性进行校验，筛选出非常规的所述车厢参数；对所述运营参数包括的车厢载客数量的进行数据重采样；在车辆正常运行状态下，剔除超过设定阈值范围内异常的车厢重量数据；对超过预设时间段内的所述运营参数进行数据分割，在车辆整趟运行范围内，记录每个连续时间段内车辆行驶状态。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述运营参数中地铁进站时刻的客流量作为车厢拥挤度的评估样本进行构建；将所述评估样本、车厢配置信息和车厢载荷相结合，得到车厢人数、人均密度和车厢剩余面积；根据所述车厢人数、人均密度和车厢剩余面积确定车厢拥挤等级和不同拥挤等级下持续的时间；利用车厢超负荷运载的历史样本和所述人均密度做差异性分析，评估车厢拥挤度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据始发站和非始发站车辆上客流量获取单位时间内车辆的乘客净流入量；累计全天范围内所述乘客净流入量，获得时间段内任意车厢内的净上车客流量；对时间段内任意车厢内的净上车客流量进行周期性、趋势性、季节性分析，利用趋势预测算法对短期内，各个时间段的载客量进行预测；对预测结果和所述车厢拥挤度进行动态分析，利用当前运营计划下的运能差的取值范围进行车辆调度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种轨道交通的动态调度方法，其特征在于，包括以下步骤：
对轨道交通上运营参数进行检测，采集并处理所述运营参数；
将处理后的所述运营参数进行数据样本构建，利用构建后的所述数据样本量化评估车厢拥挤度；
所述将处理后的所述运营参数进行数据样本构建，利用构建后的所述数据样本量化评估车厢拥挤度，包括：
将所述运营参数中地铁进站时刻的客流量作为车厢拥挤度的评估样本进行构建；
将所述评估样本、车厢配置信息和车厢载荷相结合，得到车厢人数、人均密度和车厢剩余面积；
根据所述车厢人数、人均密度和车厢剩余面积确定车厢拥挤等级和不同拥挤等级下持续的时间；
利用车厢超负荷运载的历史样本和所述人均密度做差异性分析，评估车厢拥挤度；
根据时间段内任意车厢内的净上车客流量进行载客量的趋势预测，利用预测结果和所述车厢拥挤度进行运营调度计算，确定轨道交通上车辆的动态调度结果；
所述根据时间段内任意车厢内的净上车客流量进行载客量的趋势预测，利用预测结果和所述车厢拥挤度进行运营调度计算，确定轨道交通上车辆的动态调度结果，包括：
根据始发站和非始发站车辆上客流量获取单位时间内车辆的乘客净流入量；
累计全天范围内所述乘客净流入量，获得时间段内任意车厢内的净上车客流量；
对时间段内任意车厢内的净上车客流量进行周期性、趋势性、季节性分析，利用趋势预测算法对短期内，各个时间段的载客量进行预测；
对预测结果和所述车厢拥挤度进行动态分析，利用当前运营计划下的运能差的取值范围进行车辆调度。
2.根据权利要求1所述的轨道交通的动态调度方法，其特征在于，所述对轨道交通上运营参数进行检测，采集并处理所述运营参数，包括：
对车厢参数的有效性和准确性进行校验，筛选出非常规的所述车厢参数；
对所述运营参数包括的车厢载客数量进行数据重采样；
在车辆正常运行状态下，剔除超过设定阈值范围内异常的车厢重量数据；
对超过预设时间段内的所述运营参数进行数据分割，在车辆整趟运行范围内，记录每个连续时间段内车辆行驶状态。
3.一种轨道交通的动态调度系统，其特征在于，包括：
数据检测模块，用于对轨道交通上运营参数进行检测，采集并处理所述运营参数；
拥挤评估模块，用于将处理后的所述运营参数进行数据样本构建，利用构建后的所述数据样本量化评估车厢拥挤度；
所述拥挤评估模块包括拥挤计算单元，所述拥挤计算单元用于：
将所述运营参数中地铁进站时刻的客流量作为车厢拥挤度的评估样本进行构建；
将所述评估样本、车厢配置信息和车厢载荷相结合，得到车厢人数、人均密度和车厢剩余面积；
根据所述车厢人数、人均密度和车厢剩余面积确定车厢拥挤等级和不同拥挤等级下持续的时间；
利用车厢超负荷运载的历史样本和所述人均密度做差异性分析，评估车厢拥挤度；
调度处理模块，用于根据时间段内任意车厢内的净上车客流量进行载客量的趋势预测，利用预测结果和所述车厢拥挤度进行运营调度计算，确定轨道交通上车辆的动态调度结果；
所述调度处理模块包括预测比较单元，所述预测比较单元用于：
根据始发站和非始发站车辆上客流量获取单位时间内车辆的乘客净流入量；
累计全天范围内所述乘客净流入量，获得时间段内任意车厢内的净上车客流量；
对时间段内任意车厢内的净上车客流量进行周期性、趋势性、季节性分析，利用趋势预测算法对短期内，各个时间段的载客量进行预测；
对预测结果和所述车厢拥挤度进行动态分析，利用当前运营计划下的运能差的取值范围进行车辆调度。
4.根据权利要求3所述的轨道交通的动态调度系统，其特征在于，所述数据检测模块包括参数处理单元，所述参数处理单元用于：
对车厢参数的有效性和准确性进行校验，筛选出非常规的所述车厢参数；
对所述运营参数包括的车厢载客数量的进行数据重采样；
在车辆正常运行状态下，剔除超过设定阈值范围内异常的车厢重量数据；
对超过预设时间段内的所述运营参数进行数据分割，在车辆整趟运行范围内，记录每个连续时间段内车辆行驶状态。
5.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至2中任一项所述方法的步骤。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至2中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110013131.3A CN112598331B (zh) | 2021-01-06 | 2021-01-06 | 轨道交通的动态调度方法、系统、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110013131.3A CN112598331B (zh) | 2021-01-06 | 2021-01-06 | 轨道交通的动态调度方法、系统、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112598331A CN112598331A (zh) | 2021-04-02 |
| CN112598331B true CN112598331B (zh) | 2024-01-23 |
Family
ID=75207090
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110013131.3A Active CN112598331B (zh) | 2021-01-06 | 2021-01-06 | 轨道交通的动态调度方法、系统、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112598331B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114662801B (zh) * | 2022-05-20 | 2022-09-02 | 南京智慧交通信息股份有限公司 | 一种公交车辆的运营精准管理方法及其系统 |
| CN115099721B (zh) * | 2022-08-24 | 2022-11-04 | 南京智慧交通信息股份有限公司 | 一种基于大数据分析的客车交通拥挤度评估系统及方法 |
| CN117495059B (zh) * | 2023-12-29 | 2024-04-12 | 天津交控科技有限公司 | 一种轨道交通运行数据分析方法及储存介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105224999A (zh) * | 2015-09-10 | 2016-01-06 | 北京市交通信息中心 | 基于afc数据的城市轨道交通实时客流预测方法及系统 |
| JP2018010454A (ja) * | 2016-07-13 | 2018-01-18 | 株式会社日立製作所 | 混雑度予測装置、混雑度予測情報配信システム、および混雑度予測方法 |
| CN108416315A (zh) * | 2018-03-16 | 2018-08-17 | 杜永波 | 一种地铁进站口客流疏导系统 |
| CN110490103A (zh) * | 2019-08-05 | 2019-11-22 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 轨道交通客流密度检测方法及装置 |
| CN111932034A (zh) * | 2020-09-22 | 2020-11-13 | 北京全路通信信号研究设计院集团有限公司 | 一种区域多制式轨道交通列车开行方案编制方法及其系统 |
-
2021
- 2021-01-06 CN CN202110013131.3A patent/CN112598331B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105224999A (zh) * | 2015-09-10 | 2016-01-06 | 北京市交通信息中心 | 基于afc数据的城市轨道交通实时客流预测方法及系统 |
| JP2018010454A (ja) * | 2016-07-13 | 2018-01-18 | 株式会社日立製作所 | 混雑度予測装置、混雑度予測情報配信システム、および混雑度予測方法 |
| CN108416315A (zh) * | 2018-03-16 | 2018-08-17 | 杜永波 | 一种地铁进站口客流疏导系统 |
| CN110490103A (zh) * | 2019-08-05 | 2019-11-22 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 轨道交通客流密度检测方法及装置 |
| CN111932034A (zh) * | 2020-09-22 | 2020-11-13 | 北京全路通信信号研究设计院集团有限公司 | 一种区域多制式轨道交通列车开行方案编制方法及其系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112598331A (zh) | 2021-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112598331B (zh) | 轨道交通的动态调度方法、系统、计算机设备和存储介质 | |
| CN108242149B (zh) | 一种基于交通数据的大数据分析方法 | |
| Li et al. | Real-time crash risk prediction on arterials based on LSTM-CNN | |
| Tselentis et al. | Driving safety efficiency benchmarking using smartphone data | |
| Li et al. | Identifying important variables for predicting travel time of freeway with non-recurrent congestion with neural networks | |
| CN104298881A (zh) | 一种基于贝叶斯网络模型的公交环境动态变化预报方法 | |
| Bucak et al. | Train timetabling for a double-track urban rail transit line under dynamic passenger demand | |
| CN110570678A (zh) | 一种公交车辆从起点到终点总行驶时间预测方法及装置 | |
| CN116597642A (zh) | 一种交通拥堵状况的预测方法及系统 | |
| CN109903555A (zh) | 一种基于大数据的公交乘客下车数据预测方法及系统 | |
| CN114048920A (zh) | 充电设施建设的选址布局方法、装置、设备及存储介质 | |
| CN115311846B (zh) | 一种结合货车任务状态的厂区道路拥堵预测方法及预测系统 | |
| Pang et al. | Dynamic train dwell time forecasting: a hybrid approach to address the influence of passenger flow fluctuations | |
| CN118313638B (zh) | 基于SRFE-BLP-Transformer的城际网约车长期出行需求预测方法、装置、设备和介质 | |
| CN117196266B (zh) | 基于神经网络的无人驾驶共享汽车区域调度方法及装置 | |
| CN119047666A (zh) | 一种智慧交通的车辆运力调度方法、系统、设备及存储介质 | |
| CN118486186A (zh) | 一种智慧停车的大数据管理方法 | |
| CN117172889A (zh) | 基于时段的租赁渠道风险评估方法、装置、设备及介质 | |
| Wang et al. | A proactive real-time control strategy based on data-driven transit demand prediction | |
| CN114627643A (zh) | 一种高速公路事故风险预测方法、装置、设备及介质 | |
| Kabaivanov et al. | Data driven public transportation delay modelling | |
| Oh et al. | A Data‐Driven Approach to Estimate Incident‐Induced Delays Using Incomplete Probe Vehicle Data: Application to Safety Service Patrol Program Evaluation | |
| CN119132059A (zh) | 一种基于强化学习的城市交通控制方法 | |
| CN118898905B (zh) | 网约车异常聚集识别与预警方法及系统 | |
| CN117558132B (zh) | 基于大数据的交通管理平台数据处理方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |