轨道交通网络中车站封闭时乘客行为的建模与仿真外文翻译资料

 2021-12-15 22:05:27

英语原文共 28 页

轨道交通网络中车站封闭时乘客行为的建模与仿真

摘要

轨道交通站的入口或出口由于意外事件而必须关闭一段时间是一种异常的操作情况。我们建立了一种新的方法来评价车站关闭情景时对个人层面的乘客行为选择和轨道交通网络中的乘客需求的影响。因此，本研究的贡献有两方面：（1）基于0-1整数规划，建立了一个基本的乘客行为优化模型，用以描述乘客对始发站关闭和目的地站关闭的反应;该模型还考虑了多模式交通的可用性以及车站确定的不确定持续时间; （2）开发了一种基于乘客仿真的综合求解算法，以解决所提出的模型，并估计站点关闭对轨道交通网络中乘客需求的影响。此外，基于北京轨道交通网络的13组数值实验作为案例研究进行，共有2,074,267条公交卡数据记录。通过模型输出和手动调查的比较表明，我们提出的行为优化模型的准确性约为80％。结果还表明，我们的模型可用于捕捉乘客行为并定量估计备选闭合方案对轨道交通网络客流需求的影响。此外，关闭持续时间及其过高估计极大地影响了受影响乘客的个人行为选择和乘客需求。此外，如果轨道交通运营者可以更准确地估计关闭持续时间（即当g接近1时），可以在一定程度上减轻关闭的影响。

前言

站点关闭，也称为站点中断[1]，是一种异常和无计划的操作情况，管理员出于各种原因必须关闭站点的入口或出口，例如意外事件或通过措施避免人满为患。在这些情况下，乘客在一定时间内不能将封闭的车站用作他们的出发站或目的地。通常，车站关闭严重偏离了轨道交通环境中的运营计划。车站关闭可能会严重影响轨道交通系统的服务和需求。在服务层面，车站关闭意味着计划在封闭车站停靠的列车必须在没有停车的情况下通过封闭的车站。在需求层面，车站关闭可能导致封闭车站和附近车站的客流需求发生重大变化。受影响的乘客可能以不同的方式对车站关闭作出反应。他们可能会改变他们计划的始发站或目的地站，从而继续他们的出行计划，通过轨道交通网络进行换乘，或者放弃轨道交通。

但是，在现有的研究中可用于定性分析，并通过模型显示乘客对分段中断或线路中断的反应[1~8]的，据我们所知，只有一项与车站中断相关 [1]。在该研究中，提出了一种数据驱动的统计方法，用于根据车站中断当天的公交卡数据和历史数据，确定车站中断对宏观客流需求的影响。事实证明，这种方法对于评价车站关闭的影响是有效的，但它不适用于预测极少出现或即将发生的车站关闭的影响。因此，仍然需要一个有效的数学模型或模拟模型来评价受车站关闭影响的乘客的行为，以分析其他封闭情景及其可能的结果。

在本文中，我们开发了一种新方法，用于估算轨道交通网络中车站关闭对个人层面的乘客行为选择和整体网络层面的乘客需求的影响。此外，我们假设需求是人群中每个人做出的若干决定的结果。因此，个人行为模型是估计乘客需求的基础。我们工作的贡献有两方面：首先，基于0-1整数规划在数学上构建基本乘客行为优化模型，以描述乘客对替代始发站闭合情景和目的地站闭合情景的反应;该模型还考虑了多模式交通的可用性以及车站关闭的不确定持续时间。其次，开发了基于乘客模拟的综合解决方案算法，以解决所提出的模型，并估计车站关闭对轨道交通网络中乘客需求的影响。

本文的结构如下：下一节将详细介绍相关研究。在方法部分，介绍了详细的问题描述和乘客行为模型框架。然后，针对车站关闭的情况，提出了考虑关闭持续时间的动态和不确定性的乘客行为优化模型。然后，开发了基于客流模拟的集成求解算法来求解该模型。案例研究结果在案例研究部分报告。最后给出了一些结论。

文献综述

研究中断对交通行为影响的现有方法可以分类为数据驱动方法或模型驱动方法。数据驱动方法用于识别乘客行为模式或基于数据直接评估或预测交通状况[1,6,9-10]。在数据驱动方法中，处理大量的运营数据，然后开发统计模型或需求预测模型。模型驱动方法用于缺乏足够实际数据的情况。首先需要对行为机制和主要行为决策因素进行定性分析;然后建立了仿真模型或分析模型。最后，基于实际数据对模型进行测试，以捕获乘客/驾驶员/骑车者的行为，并估计中断下宏观交通流量的动态演变[11-20]。因此，详细的文献回顾主要集中在这两种方法上。

（1）数据驱动方法

随着自动收费系统[10,21]，车载Ad Hoc网络[21-27]和最新的网络物理系统[28]的发展，交通大数据已被广泛应用于最近的交通研究和实践中应用。在城市轨道交通方面，Silva等人[1]模拟了两种类型中断下的乘客行为：双向线段关闭和站点关闭。他们提出了一种统计方法，使用全网公交卡数据来估算因计划外站点或线路关闭造成的中断的影响。 van der Hurk等人 [6]提出了一个两步法，用于研究基于公交卡数据的大规模破坏对乘客行为的影响。该方法能够预测受到破坏影响的乘客。然而，这种方法假设乘客只改变了他们的路径选择，并没有选择不同的交通方式。 Bouman等人[9]分析了公交卡数据的乘客需求模式。它们结合了可以在公交卡数据集中检测到的三种类型的需求，即基于出行的需求和基于模式的需求，其构成了生成群体的基础。 Kusakabe T等人 [10]开发了一种数据融合方法，用于使用公交卡数据估计出行的行为特征，以观察出行属性的持续长期变化。

（2）模型驱动的方法

模型驱动方法可根据其建模和解决方案的性质分为分析模型和模拟模型。分析模型主要是具有特定目标的数学优化问题（例如用户平衡（UE）或系统最优（SO））[12-13]或离散选择模型。在城市轨道交通环境中，Nuzzolo等人 [14]提出了一种基于时间表的分配模型，它将路径选择行为定义为两部分：（1）行程前选择行为，包括出发时间和进入站点，以及（2）路径选择行为，其中主要包括考虑其剩余容量来登上到达列车的决定。然后，他们设计了一个基于三个选择维度的动态效用的学习机制：运行，停止和离开时间。但是，没有考虑破坏因素。 Cadarso [4,5]使用一般的多项logit模型来描述在面临分段中断时乘客出行决策的一般过程。每个路径的效用函数被计算为行进时间，传送时间和等待时间的总和。此外，在计算效用函数之前估计行程时间，如Tsuchiya等人所述[7] Bouman等 [8]侧重于轨道扰乱情况下的乘客路径选择行为，其中乘客必须在等待中断结束和接受之间做出决定。然后，他们提出了一种基于博弈论的方法，并在决策过程中采用了竞争比率。行为模拟模型是评估交通系统性能和分析其他情景中乘客行为的流行工具。根据建模的交通流实体的粒度和时间分辨率，乘客行为模拟模型通常也可以分为微观，宏观或中观[11]。微观模拟模型主要用于描述替代场景的乘客行为。 Cats [16-18]在微观水平上建立了基于事件的乘客行为模拟模型，其中每个动作，例如进入车站和登上/下车，都是一个事件。奥斯曼等人[19]开发了一个基于Agent的快速交通系统拥挤和定标动态仿真模型。基于药剂的方法也被用于模拟微观行人行为[20]。

总之，我们可以看到很少有研究讨论车站关闭的主题。此外，唯一的相关研究提出了一种数据驱动的统计方法，用于识别基于历史公交卡数据已经发生的站点中断的影响。对未实际发生或即将发生的替代站闭合情景的影响进行预测评估仍然是一个未解决的问题。因此，在下一节中，提出了一种新的模型方法，用于在替代站点确定情景下对乘客行为进行建模。

研究方法

用于生成乘客个人的公交卡数据进行了匿名分析。这些数据将在下一节中详细介绍。

在本节中，我们首先详细描述了车站闭合的乘客行为建模问题。然后，建立了车站闭合情况下的动态乘客行为模型，并开发了基于客流模拟的综合求解算法。

问题描述和建模框架

在正常和异常的操作情况之间乘客行为可能会出现巨大差异。在正常情况下，乘客分两个阶段完成轨道交通之旅[14]。第一阶段是在出行之前发生的出行前选择行为，包括决定始发站，目的地站和出发时间以及从所有可行候选路径中选择路径。第二阶段是在出行期间发生的路径行为，包括在出发站点进站，等待线路上的列车，登上列车，然后在目的地站或中转站下车。如果当前车站是乘客的目的地，乘客将离开;如果当前站只是一个换乘站，乘客将转移到另一条线路。

但是，在异常情况下，受中断影响的乘客可能会改变他们的出行行为，如果在出行前发生异常事故，乘客将判断他们的计划出发地或目的地站是否已经出服务，受影响的乘客可以修改他们的出行计划或做出新的出行决定。但是，如果在出行期间发生关闭，乘客将判断他们的计划目的地站是否已停止服务，并计划从当前站到新目的地的替代出行线路。

许多异常事件，例如车站的受损事故或采取措施以避免由于附近的大事件而导致过度拥挤，可能导致轨道交通站的关闭。在这样的情况下，如Silva等人所述，乘客不能登上或下车，而且列车不停地通过车站 [1]。当车站关闭时，受影响的乘客面临两种可能的情况：封闭的车站是他们计划的始发站，或者封闭的车站是他们计划的目的地车站。如图2所示，其出发站停止服务的乘客A可以根据关于当前情况的信息（例如关闭持续时间和替代路径的可用性）来改变他们的出行计划。他们还可以选择在封闭站附近的替代站作为他们的新出发站，在关闭站等待恢复，或采取另一种交通模式。目的地不在服务范围内的乘客B必须决定是选择其他目的地站还是采用其他交通方式。

因此，了解中断情况下的乘客行为很重要。当轨道交通系统中的始发站或目的地站停止服务时，受影响的乘客将决定将备用站作为其新的始发站或目的站。但是，哪个列车站是网络中的最佳选择？此外，乘客如何从中断的始发站或新目的地站到达中断的目的地站进入新的原始列车站？在车站关闭条件下很难准确捕捉行为。因此，在本文中，我们提出了一种基于代理的行为优化模型，以发现受替代站闭合情景影响的动态行为的机制。为了解决所提出的模型，开发了嵌入在乘客模拟器中的集成解决方案算法。

假设

为了简化问题，进行了以下假设。

  1. 可以估计站关闭的持续时间。实际上，即使管理员也不知道车站关闭的实际结束时间[8]。但是，运营者将能够根据他们的经验估算关闭的持续时间。只有这样，他们才能安排采取措施或资源来解决即将到来的关闭和中断问题。但估计数通常或多或少与实际值有偏差。因此，在我们的研究中提出了与闭合持续时间相关的参数。

图2.北京轨道交通网络中车站关闭的一个例子。如本例所示，线上的生命科学园站已停止服务。乘客A将乘坐轨道交通从该车站出发。乘客B目前位于8号线森林公园站的南门，他的目的地是生命科学园站。

  1. 当受到车站关闭时，乘客可以将他们的整个行程转换为最多两种组合，如图3所示。

图3.假设的图示2.对于特定的铁路乘客，O和D分别表示计划的起始站和目的站。当计划的始发站关闭时，O#39;表示备用始发站，而当计划的目标站关闭时，D#39;表示备用目的站。 （a）代表乘客在正常情况下计划的铁路行程。 （b）表明乘客将乘坐公共汽车或出租车到新的替代始发站，然后在计划的始发站关闭时从新的始发站到目的地的轨道交通。 （c）显示乘客将从计划的始发站到新的替代目的地的轨道交通，然后在计划的始发站关闭时乘坐公共汽车或出租车到达计划的目的地站。在我们的车站关闭研究中，只考虑了（b）和（c）两种情况。

  1. 我们将研究限制在仅在特定乘客的特定时间间隔内关闭始发站或目标站的情况。我们不考虑原点站和目的站同时为乘客关闭的可能性。此外，假设封闭站是普通站，而不是换乘站。换乘站的关闭可能导致换乘失败，这在我们的行为模型中没有考虑。

模型

符号。

（1）集合和索引

S：站组，S = {s1，s2，.... ，SN}。在这里，换乘站被抽象为两个或三个虚拟站点，其数量等于换乘站链接的线路数量;见参考 [29]。

T：等效时间间隔的集合，T = {1,2,3 ...，T}。时间间隔可以是任何值，例如30秒，1分钟或5分钟。

t：乘客在车站关闭的情况下做出新的出行决定的等效时间间隔的索引，t isin; T.

P：当前轨道交通系统中的乘客组。

M：城市交通模式集，M = {出租车，公共汽车，铁路}.

M0：M的子集，M0 = {taxi，bus}.

Si，sj：站点索引，si，sj isin; S.

m：城市交通方式指数M，m isin;M.

Pijt：在时间t从站si到站sj的乘客组，Pijt isin;P。.

Rijm, t：在时间t从站si到站sj的城市交通模式m的候选路径的集合。轨道交通网络的候选路径由我们提出的方法计算[30]，其他路径参考百度地图的方向[31]。

ptij：具有始发站si，目的站sj和出发时间t的乘客的索引，plt;

资料编号：[5142]

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章