APP下载

实时监测和预测相结合的高铁客流数据获取方法研究

2015-01-22

产业与科技论坛 2015年13期
关键词:周期性客流高速铁路

□ 吕 叶

一、引言

目前,我国高速铁路营业里程占世界高铁运营里程的60%以上,这表明我国已真正进入了高铁时代。高速铁路旅客列车开行方案的设计,是高速铁路旅客运输组织工作的核心,其设计质量对于提升铁路社会和经济效益具有决定性作用,关系到高速铁路运营管理工作的成败。而客流,作为制定开行方案的关键数据,其合理有效的获取方法,是制定高速铁路列车开行方案,指导高铁列车运输组织的关键环节。

二、高速铁路客流数据的实际监测

随着我国客票发售系统的不断升级和更新,铁路系统彻底告别了以往的硬板票时代,不但使得客票的发售更加方便快捷,并且使客票数据的统计在技术上完全突破了壁垒。

旅客购买车票后,以下关键信息会记录于铁路客票发售系统当中。系统中所记录的下列关键信息便可以全面而准确地描述制定和调整列车开行方案所需要的客流数据:购票人姓名及身份证号码可以识别不同的旅客;购票人所选乘列车车次即可识别出选乘相关高速铁路列车的旅客;购票人的出发站和到达站便可以反映出旅客的OD(Origin and Destination,即出发地和目的地)。

根据以上信息,便可以初步得到所需统计的高速铁路系统中的客流数据:若aij表示该高速铁路线路中在第i站上车,在第j站下车的旅客数,则可以利用铁路客票系统中的统计数据得到一个初步的旅客出行OD。对于设有n个车站的高速铁路线路而言,该高速铁路系统内的旅客出行OD如表1所示:

表1 旅客出行OD统计表

三、高速铁路客流数据的修正

上文研究了铁路客流数据的统计方法以及旅客出行的初步OD矩阵的获取方法。有学者认为,通过铁路客票数据的统计不能够完全准确地得出旅客的出行OD,而通过路段流量的反推方法才能更好地获得旅客出行OD流量[1]。

路段流量是指在相邻两个站点间的路段中沿某一方向输送的旅客总流量。事实上,通过表1便可以求出路段流量。设ai、bi分别为在铁路线路的第 i站的上、下客流人数,vi表示第i个路段(第i站和第i+1站之间的路段)的客流流量,则根据表1所示的各数据可以得到某一方向的路段流量(流向为第 i站到第i+1站)[2]:

根据上述三式,就可以把铁路线路的所有路段流量计算出来,另一个方向的路段流量也按照上述方法计算。

根据路段流量反推旅客出行OD矩阵的思路可以概括性地描述为:路段流量实际上是OD客流在路段上的线性叠加,在某一方向上,一个路段上的流量,是该方向的所有OD点对的流量按照该OD点对流量在该路段上的分配比例分配在该路段上的流量的总和。因此,根据路段流量反推旅客出行OD矩阵实际上是一个将OD流量分配至各路段的逆过程,即交通分配的逆过程。

根据路段流量反推旅客出行OD矩阵的方法可以简单地概括为:

第1步:构造一个初始的旅客出行OD矩阵描述初始OD流量;

第2步:在初始OD矩阵的基础上,利用交通分配模型求解初始OD流量分配在各路段上的理论流量vk

a;第3步:计算理论路段流量vka和实测路段流量va的偏差量Dka:

第4步:引入一个旅客出行OD矩阵的精度要求ε,若所构造的旅客出行OD矩阵满足精度要求,即所有路段理论流量vka的偏离度满足精度要求,如式(5)所述:

则认为所构造的初始OD矩阵可以描述实际的旅客出行的OD矩阵,若不满足精度要求,则进行下一步计算;

第5步:利用此次计算所得出的偏差量Dka构造初始OD矩阵修正率的计算公式,利用该修正率修正初始OD矩阵后得到新的OD矩阵;

第6步:在迭代后得到的新OD矩阵的基础上,按照上述步骤判断该OD矩阵是否满足精度要求,如此重复迭代,直到经过修正后的OD矩阵满足精度要求为止,此OD矩阵被认为是可以描述实际的旅客出行的OD矩阵。

四、实际监测和预测相结合的高铁客流数据获取方法

由于铁路部门获取客流数据和执行按照客流数据编制的列车开行方案在时间上不是同步的,因此在制定列车开行方案时,列车开行方案执行当日的客流数据是不能提前通过监测获得的。这就需要对列车开行方案执行当日的客流情况进行短期客流预测。

在高速铁路的运营过程中,根据一般的客流变化规律可以将客流分为三种情况,即日常客流、周期性变化的客流以及突发事件诱发的客流。因此在进行短期客流预测时,需要针对上述三种客流情况采取不同的方法:

(一)日常客流。本文将高速铁路的日常客流定义为非节假日时期的工作日客流,因为根据我国高速铁路的运营经验,高速铁路的周末客流较工作日存在较为明显的增长,因此在这里不把周末客流作为日常客流。

在预测之前,需要将已经获取的最新近阶段的客流数据分为等分若干个时期。越近的时期的客流数据对预测数据的影响越大。基于此,日常客流的预测结果应遵循以下公式计算:

上式中,An+1ij为预测时段内站点i和j之间的OD流量;Akij为已获得客流数据的时间段k内站点i和j之间的OD流量;xk为已获得客流数据的时间段k对预测客流数据的影响权重,其中k值越大(距离预测时间段越近),权重值越大。根据上式,即可预测出列车开行方法执行期间各站点间的旅客出行OD流量,并以此指导列车开行方案的制定与调整。

(二)周期性变化客流。按照客流周期性的变化规律,客流会发生明显的波动,例如日常运营时期发生在周末的小高峰客流、“十一黄金周”等全国性节假日期间的客流还有春运、暑运期间的客流,这些客流称为周期性变化客流。

周期性变化客流是基于对近期日常客流数据以及历史时期客流数据的实际监测统计结果进行的,有条件细化到对铁路线路统计范围的各站点的OD流量进行预测,因此可以提出周期性变化客流的预测结果计算公式:

上式中,Aıij为考虑周期性客流波动的站点i和j之间的OD流量预测值;Aij为不考虑周期性客流波动的站点i和j之间的OD流量预测值,S为周期性波动指数。

周期性波动指数,需要通过从历史数据中比较日常客流数据和波动后的客流数据而获得。通过观察每一个周期的日常客流数据和波动后的客流数据,可以获得该周期内的周期性波动指数,如式(8)所示:

按照上述方法获取每个周期的波动指数后,选取所获取的近期若干个周期的周期波动指数,通过简单移动平均法求得所需要的周期性波动指数:

上式中,Sn+1为所需预测的周期波动指数;Sn为通过历史数据求得的近期各个周期的周期波动指数。

按照上述方法,可以求得客流发生周期性变化的时期各站点间的旅客出行OD流量,并以此指导列车开行方案的制定与调整。

(三)突发事件诱发客流。突发事件所诱发的客流变化,主要是指自然灾害、线路整修、大型经贸或文体活动等事件所导致的较大规模的客流波动。这些事件当然在大多数情况下是可以预知的,这便为其所诱发的客流波动的预测提供了可能。针对突发事件诱发客流的客流量预测可以按照下述方式进行:

1.根据事件的实际情况确定大致的客流变化总量。事实上,针对自然灾害、线路整修、大型经贸或文体活动等事件,是可以大致预估出此事件所导致的客流变化量的。

2.确定与事件产生关联的站点OD对。根据突发事件的发生地点以及影响范围,结合预测对象线路的各站点吸收客流的能力,确定事件会影响到的站点OD对:

设S是受到事件影响的站点OD对的集合,引入变量x,有:

3.确定事件诱发的各关联OD对上的客流改变量。针对事件诱发的客流总量的改变量,根据事件对各关联OD站点影响程度的大小,参考站点OD对原OD量的大小,将其分配至各站点OD对ΔAij中,使得:

4.预测突发事件诱发后统计范围内各站点间的旅客出行OD流量。首先预测未发生突发事件的情况下各站点间的旅客出行OD量Aij,然后根据突发事件作用下各站点OD的改变量ΔAij确定突发事件诱发后的各站点间的旅客出行OD流量 Aıij:

五、结语

本文通过分别对高铁客流数据的实际监测方法、客流数据的修正方法以及短期客流预测方法进行研究,从而提出了实际监测与客流预测相结合的高速铁路客流数据获取方法,以期对高速铁路列车开行方案的制定提供技术支持。

[1]王济儒,查伟雄,李剑.由车站上下车客流量估计铁路OD矩阵[J].交通运输工程与信息学报,2004

[2]杨永凯,宋瑞,李海荣.地铁客流预测模型的分析与研究[A].中国运筹学会.第四届中国青年运筹与管理学者大会论文集[C].中国运筹学会,2001

猜你喜欢

周期性客流高速铁路
客流增多
《高速铁路技术》征稿启事
《高速铁路技术》征稿启事
慢速抗阻训练:周期性增肌的新刺激模式
城市轨道交通节假日期间大客流行车组织思考与实践
预制胶拼架桥法在高速铁路工程中的实践
数列中的周期性和模周期性
一类整数递推数列的周期性
基于TD-LTE的高速铁路WiFi通信系统
基于扩频码周期性的单通道直扩通信半盲分离抗干扰算法