论文部分内容阅读
随着我国人口规模的增加,交通拥堵现象日益严重,城市轨道交通凭借其便捷、准时、高效等诸多特点成为缓解交通拥堵和满足大众出行的主要工具。列车时刻表是城市轨道交通系统运营和组织的依据,它详细规定了列车的发车时间、运行时间以及停站时间。科学合理的列车时刻表可以有效提高列车运输效率,减少乘客等待时间,提高乘客出行满意度。城市轨道交通的客流随时间和空间动态的变化,其分布规律对列车时刻表的编制和优化起到决定性的作用。基于客流的动态变化编制和优化城市轨道交通列车时刻表能够有效平衡乘客出行和运营管理的利益,提高乘客满意度和列车运输效率。本文以北京城市轨道交通地铁13号线自动售检票系统(Automatic Fair Collection System,AFC)的乘客出行数据为基础,利用Hadoop分布式平台对其进行数据处理,分析客流分布特征、预测未来短期客流。然后基于动态客流建立城市轨道交通列车时刻表优化模型并设计了自适应遗传算法,最后在Hadoop平台下对北京城市轨道交通13号线的时刻表优化模型进行实现与验证。具体研究内容如下:(1)基于AFC实际客流出行数据,搭建Hadoop分布式计算平台,对客流进行数据处理和统计。根据统计结果分析线路客流随时间、站点、周期以及方向的分布特征,以用于后续客流预测和时刻表优化。(2)基于乘客出行数据的统计结果及客流分布特征,研究基于时间序列的极限学习机预测方案,根据历史客流对未来一天以及任意5分钟的进站客流进行预测,并评估极限学习机预测未来短期客流的能力。(3)利用动态客流数据,以列车的发车间隔、停站时间为决策变量,综合考虑列车运行约束条件,建立以乘客候车时间、乘客乘车时间、列车载客数与定员之差以及列车运行均衡性为目标的优化模型。由于模型的决策变量组合众多,传统的数学求解较为困难,本文利用遗传算法求解模型。为了提高算法的全局搜索能力,本文根据模型特点设计了自适应的交叉算子和变异算子。(4)利用北京城市轨道交通13号线的客流数据,本文在Hadoop平台下完成了模型的求解与验证。在输入线路客流数据、列车相关数据、时刻表数据以及遗传算法相关数据后,通过Hadoop平台的计算获得了客流平峰期和高峰期的不同的优化方案,与未经调整的时刻表结果相比,乘客等待时间和乘车时间均得到较大的优化,实验结果验证了本文模型和自适应遗传算法的有效性。