浅析数据驱动的城市轨道交通网络优化策略

梁国政

摘要：本文针对数据驱动的城市轨道交通网络优化策略做出了进一步探究，详细分析了OD概率矩阵、单一线路乘客线路模型、模型求解，有益于制定相应的城市轨道交通网络优化策略。

关键词：数据驱动;城市轨道交通;网络优化

当前，因为轨道交通的发展速度越来越快，优势非常突出，所以居民选择轨道交通作为出行方式已经非常普遍，并对其产生了非常大的依赖。因此客流量较大，很多城市都对限流政策进行了编制，可以在将列车超载现象减小的前提下，尽量将乘客出行时间缩短。例如：乘客的滞留时间等。但由于经营的扩大，客流量的增加，存在的隐患问题也越发突出，如拥挤存在的安全问题、出行率不高等等。所以，对于客流控制策略的有效编制，还需要进一步强化和提升。本文，针对乘客总出行等待时间指标、出行延误时间、惩罚系数以及总载车旅行时间指标，对限流模型目标函数进行了构建，从而对最佳的单向协同限流方案进行编制。

1、构建OD概率矩阵

对于一个OD矩阵的有效构建，需对一个起点到终点之间的出行过程给予对应，该矩阵属于路网交通流量分配当中的有效计算形式，是在交通小区之间的出行OD以及相应的路段流量基础之上进行的[1]。

例如：在北京区域，对于地铁的构建，只有一个OD区间站，为四惠东站一直到四惠站。其中换乘站为四惠东站，可以与1号线进行连接，所以，四惠东站当中的乘客进站超过了对1号线或者八通线上行方向需要乘车的旅客，而八通线下行方向乘坐的旅客非常少，几乎为零，可以不进行考虑。早高峰时段，八通线的客流量非常大，很多车站15分钟内有超过500乘客量进站，最大值为双桥站，时刻为7：30，人数为4489人，这时的拥挤度为最高。此外，列车具备的运输能力，对后续车站的拥挤情况有着直接的影响。同时，其他一些车站的客流量，人数也非常大，例如：传媒大学站等等，需要将客流拥挤的问题加以改善。

为了对乘客进站之后所去方向的客流比例进行有效表示，需要对OD概率矩阵进行构建，以便将进站流量的实际流向结构加以反映[2]。其中，本次探究当中，借助八通线早高峰当中的客流量数据作为OD客流数据，经过系统的统计和分析，结合各车站进站人数的实际数据，可对下行方向当中的向上乘客出行OD概率矩阵进行获取。由于在中间车站，没有较多的乘客下车，加之运输能力产生的限制作用，以至于后续车站当中的乘客上车存在很多的困难，滞留乘客比较多，由此便产生了运营瘫痪问题，甚至引发安全事故。所以需要对更加科学的单线协同限流策略进行编制，以便对线路的正常运行给予保障。

在对该列车线详细的数据进行调查之后，获知了八通线列车车辆的一系列数据：其一，载客能力标准实际为256，最大满载能力数值为1428;其二，在早高峰阶段下行方向的固定发车间隔为每三分钟发出一趟列车，所以车间隔为f=3;其三，由于早高峰阶段列车的停站时间非常短，所以停站时间对模型最终的求解结果并没有影响。本次探究当中，對停车时间忽略。借助首趟列车的到达时刻，对后续列车的到达时间进行计算;其四，最高聚集人数的计算，可通过车站实际面积和乘客最小人均占用面积之间的比获取;其五，在八通线当中，排除四惠东站以及四惠站，其他都设置了侧式站台，所以在下行方向并没有上下行方向站台共同应用的问题，所以不对上下方向客流针对车站能力产生的占用情况进行考虑。

2、单一线路乘客线路模型

2.1出行等待时间指标计算

总出行等待时间，具体来说便是乘客在抵达站口之后，由于限流问题，不能及时进入到车站当中，在付费区域所发生的等待延误时间[3]。还包括在到达车站之后等待车辆的时间，或者由于车辆满载，不能继续承载乘客发生的滞留延误时间，具体的公式为：

Twaiting=Tqw+Tqt+TqT

由于限流导致乘客对时间发生的延误非常普遍，因为高峰时段车站会发生拥挤情况，有较高的聚集人数。从车站能力以及安全方面进行考量，需要对进站口开展限流，以便有效对乘客的进入有所阻止，乘客由于限流而耽误的时间计算公式为：

Tql+ 1·Twaiting

乘客在抵达车站之后，会由于车辆载客能力有限，不能及时上车，以至于在站台发生滞留，需要等待下一列地铁，产生的滞留延误时间计算公式为：

Tqw= b·Teaiting

2.2乘客总在车旅行时间指标

在高峰时期，为了使更多的旅客能够第一时间快速离开车站，将运输目标完成，避免过多人数滞留。在探究当中通过O站进站上车，终点到达D站的乘客，以及相应的车时间成绩，对乘客旅行时间加以表示，具体的公式为：

Ttravel= ·（td-to）

车旅行时间将其在单线多站服务体系当中有所延伸，在主线当中，车旅行时间可将其进行转化，成为所有见载客人数和相应的列车区间运行时间乘积求和，具体的公式为：

Ttravel=

通过相应的分析可知，车旅时间与车乘客人数之间的比为正向关系，与乘客在车时间也为正向关系，这便说明车旅时间如果越长，那么车载客人人数便会越大。

2.3乘客出行延误时间惩罚系数，

3、模型求解分析

根据客流数据，八通线列车相关数据等，针对其中7站开展限流，从而对单线协同限流方案进行计算，具体如表一所示

针对限流效果最突出的前5站开展分析，获取限流前以及之后的数据，如表二所示。

4、结语：

总之，对于出行等待时间指标、车旅行时间指标以及出行延误时间惩罚系数三项指标的设定，对单一线路乘客限流模型目标函数进行了构建。通过该地铁线路的实验数据加以分析，结合相应的计算，发现限流之后乘客出行时间平均减少了9.60%。说明该项方法非常有效，可通过进一步优化，产生更加理想的效果和作用。

参考文献：

[1]谢淋东， 王晨晨， 刘乾坤，等. 数据驱动的城市轨道交通网络优化策略[J]. 应用数学进展， 2020， 9（6）.

[2]翟光洲， 刘晓强， 赵时旻， et al. 城市轨道交通乘客信息系统服务框架优化策略[J]. 城市轨道交通研究， 2008， 011（010）：50-53.

[3]胡雪霏. 2017大数据驱动下的城市轨道交通运营管理创新与发展研讨会在京圆满召开[J]. 城市轨道交通， 2017， 000（006）：42-43.