地铁客流短期预测及客流疏散模拟研究

摘要

在地铁客流组织与优化研究领域，客流短期预测和行人运动模拟是其关键技术。虽然不少研究学者已开展了相关工作，但如何适应轨道交通业务发展需要提高客流短期预测效果，对重大事件引发的大客流进行实时预测，以及由于大客流和重大事件引发对地铁站内不同场景进行乘客疏散模拟等问题亟待解决。
　　本研究主要内容包括：⑴提出了一种基于小波分析的支持向量机客流预测算法，首先对原始客流时间序列数据进行小波分解，然后利用最小二乘支持向量对分解得到的低频和高频信息进行学习与预测，最后用小波合成重构低频预测信号与高频预测信号，得到预测客流时间序列数据。实验采用北京市轨道交通客流数据和标准评价方法，结果表明该算法具有较好的预测效果，且优于两种常见的客流预测算法。⑵构建了一种基于灰色马尔科夫的大客流实时预测算法，利用灰色预测算法对客流数据建立灰色模型，然后建立马尔科夫修正模型，最后利用预测误差对灰色预测结果进行修正得到大客流预测值。实验针对多种类型的大型活动和重大节假日进行大客流实时预测，结果表明该模型对真实的重大事件大客流预测效果较好。⑶建立了一种面向多向行人疏散流的向量地场模型，模拟地铁站内行人多向行走和疏散过程。鉴于行人对于不同方向的敏感程度是不同的，该模型着重考虑方向的影响，在向量地场模型中更细致地表现在不同方向行人之间的相互影响。仿真实验表明，该模型能较好地模拟和再现地铁站内不同场景下多向行人之间的复杂相互作用和自组织现象。⑷由于正常情况下行人通行时表现出一种相互排斥作用，因此本文在传统地场模型的基础上，用排斥作用代替了适宜模拟紧急疏散情况的跟随作用，建立了一个引入排斥动态场的行人疏散地场模型。仿真结果表明，适当的排斥力作用可提高模拟场景的拥堵临界密度。

目录

声明

致谢

摘要

1 绪论

1．1 研究背景和意义

1．2 相关领域研究现状

1．2．1 客流预测算法

1．2．2 客流疏散模型

1．3 研究目标和内容

1．3．1 研究目标

1．3．2 研究内容

2 基于小波分析的支持向量机短期客流预测算法

2．1 引言

2．2 客流数据预处理

2．2．1 客流类型

2．2．2 客流时间序列

2．3 融合多种模型特点的短期客流预测算法

2．3．1 基于小波分析的客流分解

2．3．2 基于最小二乘支持向量机的客流数据预测

2．3．3 客流预测数据重构

2．4 实验数据与评价方法

2．4．1 实验数据

2．4．2 评价方法

2．5 算法验证

2．5．1 情况一：北京站进站客流

2．5．2 情况二：北京站站内客流

2．5．3 情况三：西单站4号线换1号线换乘通道客流

2．6 小结

3 基于灰色马尔科夫的大客流实时预测算法

3．1 引言

3．2 重大事件对客流的影响

3．2．1 大型活动的影响

3．2．2 重大节假日的影响

3．3 大客流实时预测算法

3．3．1 算法流程

3．3．2 灰色预测

3．3．3 马尔科夫修正模型

3．3．4 预测模型选择

3．4 算法验证

3．4．1 情况一：大型活动

3．4．2 情况二：重大节假日

3．5 小结

4 面向多向行人疏散流的向量地场模型

4．1 引言

4．2 向量地场模型

4．2．1 行人速度离散化

4．2．2 地场向量化

4．2．3 行人移动规则

4．2．4 冲突解决策略

4．3 模型仿真与验证

4．3．1 场景一：模拟走廊场景

4．3．2 场景二：真实走廊场景仿真

4．3．3 场景三：其他场景的模拟

4．4 小结

5 一种引入排斥动态场的行人疏散地场模型

5．1 引言

5．2 新型行人疏散地场模型

5．2．1 行人移动方式

5．2．2 静态地场平滑化

5．2．3 障碍物的排斥地场

5．2．4 行人间的排斥地场

5．2．5 行人转移概率

5．3 模型仿真与验证

5．3．1 场景一：转弯场景

5．3．2 场景二：单一出口场景

5．4 小结

6 结论和展望

6．1 研究结论

6．2 研究展望

参考文献

作者简历、在学期间发表的学术论文与研究结果

学位论文数据集