一种基于模拟概率的乘车路径推定方法及清分系统技术方案

本发明专利技术公开了一种基于模拟概率的乘车路径推定方法及清分系统，其中基于模拟概率模型的乘车路径推定方法，包括如下步骤：S1：为每个车次组合，对应计算乘客在进站、换乘和出站节点的模拟概率值S imu l atePdf；S2：计算每个车次组合的模拟概率S imu l ateP；S3：将S imu l ateP最大的车次组合对应的有效路径，推定为实际乘车路径。本发明专利技术既可以将交易推定到一条有效路径，又可以对模型进行自动训练以提高推定正确率，并且训练的数据量越大，可能获取的准确率就越高，从而更准确的计算地铁客流。从而更准确的计算地铁客流。从而更准确的计算地铁客流。

【技术实现步骤摘要】
一种基于模拟概率的乘车路径推定方法及清分系统


[0001]本专利技术涉及轨道交通
，具体涉及一种基于模拟概率的乘车路径推定方法。

技术介绍

[0002]客流是反应城市轨道交通运营情况的重要维度。由于无法获取所有乘客在线网中的真实位置，要计算断面客流、换乘客流、客运量等客流指标，必须先估算乘客在线网内的乘车路径，目前有两类估算方法。
[0003]方法1，分配式，根据有效路径按比例分配。首先，预先计算出每对车站之间的前K条最短路径，记为有效路径，并计算出每条有效路径的选择比例。计算客流时，直接将交易按比例分配到各条有效路径上。
[0004]方法2，推定式，根据预定义规则将交易推定到一条有效路径上。首先，仍然是计算有效路径。然后，沿着每条有效路径，根据列车运行图，搜索乘客在各个节点上乘坐的车次，并将乘客依序乘坐的车次，记为车次组合。然后，根据预定义的业务规则，计算所有车次组合的优先级，并将优先级最高的车次组合对应的有效路径，推定为实际使用的乘车路径。
[0005]这两类方法各有优缺点。
[0006]方法1计算简单，但需要人工设置大量参数，以调整有效路径的分配比例，计算结果受主观因素影响较大。
[0007]方法2试图根据列车运行图等客观条件，推定每条交易的真实乘车路径，但其难点在计算车次组合优先级的业务规则。理论上，可以设计出若干业务规则，比如，可以计算车次组合在各个车站上的富裕时间，根据富裕时间方差对车次组合排序，方差最小的最佳。但在实践上，利用该规则推定路径时，总会发现某些交易的车次组合不符合这条规则。为了将这些交易推定正确，就需要根据这些车次组合的特点，调整已有规则或者设计新规则。但是规则升级后，却经常发现之前推定正确的交易，在新规则下反而推定错了。因此，调整业务规则的难度很高，推定准确率也难以保证。

技术实现思路

[0008]本专利技术所要解决的技术问题就是提供一种基于模拟概率的乘车路径推定方法及地铁清分系统，提高推定正确率。
[0009]为解决上述技术问题，本专利技术采用如下技术方案：
[0010]基于模拟概率模型的乘车路径推定方法，包括如下步骤：
[0011]S1：为每个车次组合，对应计算乘客在进站、换乘和出站节点的模拟概率值 SimulatePdf；
[0012]S2：计算每个车次组合的模拟概率SimulateP，
[0013][0014]其中，n为车次组合中进站、出站、换乘节点的数量之和；
[0015]S3：将SimulateP最大的车次组合对应的有效路径，推定为实际乘车路径。
[0016]优选的，步骤S1包括如下步骤：
[0017]S11:计算乘客采用该车次组合，在各个节点的实际耗时DeltaUsed：
[0018]进站节点的DeltaUsed＝发车时间
‑
进站刷卡时间，
[0019]换乘节点的DeltaUsed＝下个车次的发车时间
‑
上个车次的到达时间，
[0020]出站节点的DeltaUsed＝出站刷卡时间
‑
列车到达时间；
[0021]S12:假定各个节点的DeltaUsed符合正态分布，首先估算各个节点DeltaUsed 的期望NormalMean：
[0022]NormalMean＝(WalkMean+0.5*TrainInterval),
[0023]其中，WalkMean为该节点的平均步行时间，TrainInterval为发车间隔，如果是出站节点，TrainInterval为0；
[0024]S13:估算各个节点DeltaUsed的标准差NormalSigma：
[0025]NormalSigma＝(WalkMax+TrainInterval
‑
NormalMean)/SIGMA_COUNT, 其中，WalkMax为该节点的最大步行时间，SIGMA_COUNT为模型超参数；
[0026]S14:利用正态分布概率密度公式，计算DeltaUsed处的概率密度NormalPdf；
[0027]S15:计算临时变量a＝DeltaUsed
–
NormalMean；
[0028]S16:计算临时变量b＝TrainInterval+WalkMax
–
WalkMin；
[0029]S17:如果DeltalUsed<NormalMean，按照以下公式计算SimulatePdf；
[0030]SimulatePdf＝NormalPdf*pow(ADJUST_BASE_L,a/b*ADJUST_IND_L)
[0031]其中，pow为指数函数，ADJUST_BASE_L、ADJUST_IND_L为模型超参数；
[0032]S18:如果DeltalUsed≥NormalMean，按照以下公式计算SimulatePdf， SimulatePdf＝NormalPdf*pow(ADJUST_BASE_R,a/b*ADJUST_IND_R)；其中，pow为指数函数，ADJUST_BASE_R、ADJUST_IND_R为模型超参数。
[0033]本专利技术还提供了一种基于模拟概率模型的地铁客流计算系统，包括：
[0034]车次组合计算模块，根据进出站交易，从进站节点开始，沿着各条有效路径，在列车时刻表中搜索乘客可能使用的所有车次组合；
[0035]基于模拟概率模型的乘车路径推定模块，采用所述的基于模拟概率模型的乘车路径推定方法，推定乘客的实际乘车路径；
[0036]客流计算模块，根据实际乘车路径，计算交易产生的断面客流和换乘客流。
[0037]优选的，所述基于模拟概率模型的乘车路径推定模块设有基于模拟概率的乘车路径推定模型，构造基于模拟概率的乘车路径推定模型包括如下步骤：
[0038]1)实地测量每个车站的闸机与站台、站台与站台之间的步行时长，记录最小值、最大值、平均值；
[0039]2)根据列车时刻表，计算各个时间段、各个站台的发车间隔；
[0040]3)计算线网的有效路径；
[0041]4)利用乘客调查的方式，采集部分交易对应乘车路径的真实样本；
[0042]5)对基于模拟概率的乘车路径推定模型的超参数进行训练调优。
[0043]优选的，基于模拟概率的乘车路径推定模型的训练方法为：
[0044]对乘客交易进行抽样调查，获取交易对应的乘车路径，然后利用抽样样本，采用以下步骤，对模型的超参数进行调优：
[0045]1)将SIGMA_COUNT的取值范围[A,B]等分为L1个数值，将ADJUST_BASE_L、 ADJUST_BASE_R的取值范围[C,D]等分为L2个数值，将ADJUST_IND_L、 ADJUST_IND_R的取值范围[E,F]等分为L3个数值，进行排列组合；
[0046]2)从第一步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于模拟概率模型的乘车路径推定方法，其特征在于，包括如下步骤：S1：为每个车次组合，对应计算乘客在进站、换乘和出站节点的模拟概率值SimulatePdf；S2：计算每个车次组合的模拟概率SimulateP，其中，n为车次组合中进站、出站、换乘节点的数量之和；S3：将SimulateP最大的车次组合对应的有效路径，推定为实际乘车路径。2.根据权利要求1所述的基于模拟概率模型的乘车路径推定方法，其特征在于：步骤S1包括如下步骤：S11:计算乘客采用该车次组合，在各个节点的实际耗时DeltaUsed：进站节点的DeltaUsed＝发车时间
‑
进站刷卡时间，换乘节点的DeltaUsed＝下个车次的发车时间
‑
上个车次的到达时间，出站节点的DeltaUsed＝出站刷卡时间
‑
列车到达时间；S12:假定各个节点的DeltaUsed符合正态分布，首先估算各个节点DeltaUsed的期望NormalMean：NormalMean＝(WalkMean+0.5*TrainInterval),其中，WalkMean为该节点的平均步行时间，TrainInterval为发车间隔，如果是出站节点，TrainInterval为0；S13:估算各个节点DeltaUsed的标准差NormalSigma：NormalSigma＝(WalkMax+TrainInterval
‑
NormalMean)/SIGMA_COUNT,其中，WalkMax为该节点的最大步行时间，SIGMA_COUNT为模型超参数；S14:利用正态分布概率密度公式，计算DeltaUsed处的概率密度NormalPdf；S15:计算临时变量a＝DeltaUsed
–
NormalMean；S16:计算临时变量b＝TrainInterval+WalkMax
–
WalkMin；S17:如果DeltalUsed<NormalMean，按照以下公式计算SimulatePdf；SimulatePdf＝NormalPdf*pow(ADJUST_BASE_L,a/b*ADJUST_IND_L)其中，pow为指数函数，ADJUST_BASE_L、ADJUST_IND_L为模型超参数；S18:如果DeltalUsed≥NormalMean，按照以下公式计算SimulatePdf，SimulatePdf＝NormalPdf*pow(ADJUST_BASE_R,a/b*ADJUST_IND_R)；其中，pow为指数函数，ADJUST_BASE_R、ADJUST_IND_R为模型超参数。3.基于模拟概率模型的地铁客流...

【专利技术属性】
技术研发人员：彭冬鸣，姚依克，姜富强，林琼，何蕾，钱琛琦，陈复春，张滢，
申请(专利权)人：浙江浙大网新众合轨道交通工程有限公司，
类型：发明
国别省市：