軌道運行時會發(fā)生各類不確定性突發(fā)事件,導致交通擁堵,引發(fā)乘客恐慌,使原本的規(guī)律的客流分布產(chǎn)生變化,無法精準掌握客流實時動態(tài),進一步加深事態(tài)的嚴重性。對城鎮(zhèn)軌道交通提出基于時間序列的客流動態(tài)分配方法。利用時間序列理論對乘客分形規(guī)則進行分析,了解其具有的混沌不確定性特征,以反饋時延為依據(jù),得出在突發(fā)事件下不確定性客流動態(tài)預測精準結果,最后給出基于隨機均衡的客流動態(tài)分配策略,完成分配。通過仿真結果表明,所提方法對不同條件下的區(qū)域內(nèi)軌道交通客流方差較小,且客流預測值與實際值較為接近,證明動態(tài)分配較為合理。 

【文章來源】：計算機仿真. 2020,37(01)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

區(qū)域內(nèi)客流分配調整

圖1 區(qū)域內(nèi)客流分配調整在仿真中,動態(tài)標識放置在候車區(qū)域的液晶顯示器中,根據(jù)軌道運行需要向乘客傳達實時交通信息。該區(qū)域內(nèi)客流動態(tài)分配前后信息如圖1、2所示。當全部線路乘客數(shù)量都均勻分布,則停止動態(tài)引導信息播放。

下圖3為軌道交通以60、30以及10分鐘為間隔的斷面客流量預測值與實際值比較圖,在該圖像中能夠清楚看出不同時間間隔下客流量預測值。通過對上圖數(shù)據(jù)詳細分析,由實際值得出圖3中(a)、(b)、(c)時間序列中的HE指數(shù)分別為0.84、0.92、0.95。軌道進出口客流HE指數(shù)處于(0.5,1)區(qū)間,特征具有混沌性,其中接近0.5的站點,客流分布的隨機性越高,不易掌握;越接近1,隨機游走可能性越大,持久度高。無論在首尾站、中間站或者是換乘站,HE指數(shù)分布較稀疏,既有趨近于1的也有接近于0.5的,大多數(shù)都處于(0.8,1)區(qū)間,基于此,證明時間序列下客流統(tǒng)計具有分形規(guī)律,擁有混沌不確定性特征。圖中可看出不同時間間隔下實際值與預測值的客流統(tǒng)計偏差較小,證明本文軌道交通客流動態(tài)分配較為合理。

【參考文獻】：
期刊論文
[1]考慮出行者異質性的新建城市軌道交通客流轉移預測模型[J]. 王立曉,曹建青,左志,孫小慧.  城市軌道交通研究. 2018(09)
[2]城市軌道交通客流網(wǎng)絡分布均衡性評價[J]. 黃志遠,徐瑞華,楊儒冬,劉偉.  交通運輸系統(tǒng)工程與信息. 2018(03)
[3]由分形布朗運動驅動的隨機微分方程的收斂性[J]. 劉衛(wèi)國,羅交晚,李治.  數(shù)學進展. 2018(01)
[4]動車組故障率統(tǒng)計分析方法[J]. 王華勝,李昊,朱慶龍,錢小磊,艾厚溥.  中國鐵道科學. 2018(01)
[5]露天礦車流路網(wǎng)均衡分配模型[J]. 孫效玉,趙松松,劉恒,張航.  煤炭學報. 2017(06)
[6]高峰期內(nèi)旅游路線實時優(yōu)化調度仿真研究[J]. 張笑白,秦志學.  計算機仿真. 2017(05)
[7]信道反饋延遲時上行多用戶MIMO中繼系統(tǒng)預編碼[J]. 蘇君煦,陳小敏,胡續(xù)俊,朱秋明.  應用科學學報. 2017(02)
[8]基于相空間重構和Lyapunov指數(shù)電弧電流混沌特性分析[J]. 管紅立,王博文,趙智忠.  電工電能新技術. 2017(03)
[9]基于多元混沌時間序列的數(shù)控機床運動精度預測[J]. 杜柳青,曾翠蘭,余永維.  農(nóng)業(yè)機械學報. 2017(03)
[10]高速鐵路旅客出行時間選擇Logit模型與分析[J]. 張航,趙鵬,喬珂,寧麗巧.  鐵道運輸與經(jīng)濟. 2017(01)



本文編號：3102775