淺析數據驅動的城市軌道交通網絡優化策略

梁國政

摘要：本文針對數據驅動的城市軌道交通網絡優化策略做出了進一步探究，詳細分析了OD概率矩陣、單一線路乘客線路模型、模型求解，有益于制定相應的城市軌道交通網絡優化策略。

關鍵詞：數據驅動;城市軌道交通;網絡優化

當前，因為軌道交通的發展速度越來越快，優勢非常突出，所以居民選擇軌道交通作為出行方式已經非常普遍，并對其產生了非常大的依賴。因此客流量較大，很多城市都對限流政策進行了編制，可以在將列車超載現象減小的前提下，盡量將乘客出行時間縮短。例如：乘客的滯留時間等。但由于經營的擴大，客流量的增加，存在的隱患問題也越發突出，如擁擠存在的安全問題、出行率不高等等。所以，對于客流控制策略的有效編制，還需要進一步強化和提升。本文，針對乘客總出行等待時間指標、出行延誤時間、懲罰系數以及總載車旅行時間指標，對限流模型目標函數進行了構建，從而對最佳的單向協同限流方案進行編制。

1、構建OD概率矩陣

對于一個OD矩陣的有效構建，需對一個起點到終點之間的出行過程給予對應，該矩陣屬于路網交通流量分配當中的有效計算形式，是在交通小區之間的出行OD以及相應的路段流量基礎之上進行的[1]。

例如：在北京區域，對于地鐵的構建，只有一個OD區間站，為四惠東站一直到四惠站。其中換乘站為四惠東站，可以與1號線進行連接，所以，四惠東站當中的乘客進站超過了對1號線或者八通線上行方向需要乘車的旅客，而八通線下行方向乘坐的旅客非常少，幾乎為零，可以不進行考慮。早高峰時段，八通線的客流量非常大，很多車站15分鐘內有超過500乘客量進站，最大值為雙橋站，時刻為7：30，人數為4489人，這時的擁擠度為最高。此外，列車具備的運輸能力，對后續車站的擁擠情況有著直接的影響。同時，其他一些車站的客流量，人數也非常大，例如：傳媒大學站等等，需要將客流擁擠的問題加以改善。

為了對乘客進站之后所去方向的客流比例進行有效表示，需要對OD概率矩陣進行構建，以便將進站流量的實際流向結構加以反映[2]。其中，本次探究當中，借助八通線早高峰當中的客流量數據作為OD客流數據，經過系統的統計和分析，結合各車站進站人數的實際數據，可對下行方向當中的向上乘客出行OD概率矩陣進行獲取。由于在中間車站，沒有較多的乘客下車，加之運輸能力產生的限制作用，以至于后續車站當中的乘客上車存在很多的困難，滯留乘客比較多，由此便產生了運營癱瘓問題，甚至引發安全事故。所以需要對更加科學的單線協同限流策略進行編制，以便對線路的正常運行給予保障。

在對該列車線詳細的數據進行調查之后，獲知了八通線列車車輛的一系列數據：其一，載客能力標準實際為256，最大滿載能力數值為1428;其二，在早高峰階段下行方向的固定發車間隔為每三分鐘發出一趟列車，所以車間隔為f=3;其三，由于早高峰階段列車的停站時間非常短，所以停站時間對模型最終的求解結果并沒有影響。本次探究當中，對停車時間忽略。借助首趟列車的到達時刻，對后續列車的到達時間進行計算;其四，最高聚集人數的計算，可通過車站實際面積和乘客最小人均占用面積之間的比獲取;其五，在八通線當中，排除四惠東站以及四惠站，其他都設置了側式站臺，所以在下行方向并沒有上下行方向站臺共同應用的問題，所以不對上下方向客流針對車站能力產生的占用情況進行考慮。

2、單一線路乘客線路模型

2.1出行等待時間指標計算

總出行等待時間，具體來說便是乘客在抵達站口之后，由于限流問題，不能及時進入到車站當中，在付費區域所發生的等待延誤時間[3]。還包括在到達車站之后等待車輛的時間，或者由于車輛滿載，不能繼續承載乘客發生的滯留延誤時間，具體的公式為：

Twaiting=Tqw+Tqt+TqT

由于限流導致乘客對時間發生的延誤非常普遍，因為高峰時段車站會發生擁擠情況，有較高的聚集人數。從車站能力以及安全方面進行考量，需要對進站口開展限流，以便有效對乘客的進入有所阻止，乘客由于限流而耽誤的時間計算公式為：

Tql+ 1·Twaiting

乘客在抵達車站之后，會由于車輛載客能力有限，不能及時上車，以至于在站臺發生滯留，需要等待下一列地鐵，產生的滯留延誤時間計算公式為：

Tqw= b·Teaiting

2.2乘客總在車旅行時間指標

在高峰時期，為了使更多的旅客能夠第一時間快速離開車站，將運輸目標完成，避免過多人數滯留。在探究當中通過O站進站上車，終點到達D站的乘客，以及相應的車時間成績，對乘客旅行時間加以表示，具體的公式為：

Ttravel= ·（td-to）

車旅行時間將其在單線多站服務體系當中有所延伸，在主線當中，車旅行時間可將其進行轉化，成為所有見載客人數和相應的列車區間運行時間乘積求和，具體的公式為：

Ttravel=

通過相應的分析可知，車旅時間與車乘客人數之間的比為正向關系，與乘客在車時間也為正向關系，這便說明車旅時間如果越長，那么車載客人人數便會越大。

2.3乘客出行延誤時間懲罰系數，

3、模型求解分析

根據客流數據，八通線列車相關數據等，針對其中7站開展限流，從而對單線協同限流方案進行計算，具體如表一所示

針對限流效果最突出的前5站開展分析，獲取限流前以及之后的數據，如表二所示。

4、結語：

總之，對于出行等待時間指標、車旅行時間指標以及出行延誤時間懲罰系數三項指標的設定，對單一線路乘客限流模型目標函數進行了構建。通過該地鐵線路的實驗數據加以分析，結合相應的計算，發現限流之后乘客出行時間平均減少了9.60%。說明該項方法非常有效，可通過進一步優化，產生更加理想的效果和作用。

參考文獻：

[1]謝淋東， 王晨晨， 劉乾坤，等. 數據驅動的城市軌道交通網絡優化策略[J]. 應用數學進展， 2020， 9（6）.

[2]翟光洲， 劉曉強， 趙時旻， et al. 城市軌道交通乘客信息系統服務框架優化策略[J]. 城市軌道交通研究， 2008， 011（010）：50-53.

[3]胡雪霏. 2017大數據驅動下的城市軌道交通運營管理創新與發展研討會在京圓滿召開[J]. 城市軌道交通， 2017， 000（006）：42-43.