豆 飛 潘曉軍 秦 勇 張 欣 賈利民

(1北京交通大學(xué)交通運(yùn)輸學(xué)院, 北京 100044)(2北京市地鐵運(yùn)營(yíng)有限公司, 北京 100044)(3北京市地鐵運(yùn)營(yíng)有限公司地鐵運(yùn)營(yíng)技術(shù)研發(fā)中心, 北京 102208)

?

基于云模型的城市軌道交通車站客流控制觸發(fā)判別方法

豆 飛1,2,3潘曉軍2秦 勇1張 欣3賈利民1

(1北京交通大學(xué)交通運(yùn)輸學(xué)院, 北京 100044)(2北京市地鐵運(yùn)營(yíng)有限公司, 北京 100044)(3北京市地鐵運(yùn)營(yíng)有限公司地鐵運(yùn)營(yíng)技術(shù)研發(fā)中心, 北京 102208)

根據(jù)車站三級(jí)客流控制的特點(diǎn)分析了城市軌道交通車站設(shè)施設(shè)備的類別及乘客聚集程度判斷指標(biāo),研究了城市軌道交通車站各主要設(shè)施設(shè)備客流狀態(tài)級(jí)別的劃分.然后,基于云模型的合成理論,構(gòu)建了車站主要設(shè)施設(shè)備不同客流狀態(tài)級(jí)別對(duì)應(yīng)的模板云模型和實(shí)測(cè)設(shè)施設(shè)備客流狀態(tài)合成指標(biāo)云模型, 通過(guò)計(jì)算兩者之間的相似程度,提出了一種基于云模型的城市軌道交通車站客流控制觸發(fā)判別方法.最后,以一級(jí)客流控制觸發(fā)判別的關(guān)鍵觀測(cè)點(diǎn)——站臺(tái)為例,驗(yàn)證所提方法的有效性.結(jié)果表明,利用該方法能夠準(zhǔn)確地判別當(dāng)前客流狀態(tài),有助于管理者根據(jù)客流狀態(tài)及時(shí)采取相應(yīng)的客流控制措施.

城市軌道交通;客流狀態(tài);客流控制;觸發(fā)條件判別;云模型

為了減輕車站在客流高峰時(shí)期的壓力,降低因大客流引發(fā)的城市軌道交通事故風(fēng)險(xiǎn),保證城市軌道運(yùn)營(yíng)安全,車站運(yùn)營(yíng)管理人員在進(jìn)站口外或站內(nèi)等處采取設(shè)置障礙物、迂回繞行等手段限制單位時(shí)間內(nèi)進(jìn)站客流量,減少站內(nèi)客流擁擠狀況,即對(duì)高峰客流進(jìn)行車站客流控制(車站限流).

現(xiàn)階段的客流控制方法和措施主要根據(jù)車站運(yùn)營(yíng)管理人員主觀經(jīng)驗(yàn)進(jìn)行判斷和執(zhí)行,缺乏關(guān)于何時(shí)開始客流控制、如何布設(shè)控制措施等的系統(tǒng)、客觀的理論研究,因而在一定程度上加大了車站在高峰時(shí)期客流組織工作的困難.

目前,在城市軌道交通車站客流控制措施的研究方面,文獻(xiàn)[1]構(gòu)建了以車站客流閾值和高峰期客流特征為主要影響因素的客流控制方案理論體系;文獻(xiàn)[2]重點(diǎn)針對(duì)換乘站客流控制問(wèn)題展開研究,并以廣州地鐵車站為例進(jìn)行了客流控制方案的驗(yàn)證.在城市軌道交通車站乘客個(gè)體行為和設(shè)施設(shè)備的服務(wù)水平研究方面,文獻(xiàn)[3]研究了香港地鐵站高峰時(shí)段的行人行為,并得到了乘客OD矩陣和乘客在9類行人設(shè)施上的走行時(shí)間函數(shù),建立了基于時(shí)間走行的行人仿真模型;文獻(xiàn)[4-5]分析了香港地鐵車站乘客在不同設(shè)施上的步行速度/流量關(guān)系,得到了行人流量與地鐵行人設(shè)施之間的關(guān)系,標(biāo)定了基于不同行人設(shè)施下的行程時(shí)間函數(shù),對(duì)步行設(shè)施的服務(wù)水平進(jìn)行了分級(jí);文獻(xiàn)[6]通過(guò)對(duì)車站設(shè)施設(shè)備客流密度、客流步行速度、流量之間的關(guān)系進(jìn)行分析,確定了設(shè)施設(shè)備的服務(wù)水平分級(jí)方案,并與《公共交通通行能力和服務(wù)質(zhì)量手冊(cè)(原著第二版)》[7]中的分級(jí)方案進(jìn)行了對(duì)比分析,將設(shè)施設(shè)備服務(wù)水平劃分為4個(gè)等級(jí).

本文通過(guò)設(shè)施設(shè)備的服務(wù)水平分級(jí)方案及實(shí)地調(diào)研,確定了車站客流控制觸發(fā)判斷指標(biāo),構(gòu)建了車站設(shè)施設(shè)備客流狀態(tài)各級(jí)別對(duì)應(yīng)的模板云模型和實(shí)測(cè)設(shè)施設(shè)備客流狀態(tài)合成指標(biāo)云模型,建立了車站客流控制觸發(fā)判別方法.

1 城市軌道交通車站設(shè)施設(shè)備分析

根據(jù)車站內(nèi)部設(shè)施設(shè)備的功能分類及布設(shè)位置,設(shè)施設(shè)備主要包括進(jìn)出站口、通道、樓梯、自動(dòng)扶梯、站廳、安檢機(jī)、閘機(jī)、站臺(tái)等.按照車站設(shè)施設(shè)備的特點(diǎn),可將其分為功能類設(shè)施、通行類設(shè)施以及服務(wù)功能設(shè)備.各類設(shè)施設(shè)備所包含的內(nèi)容如表1所示.

在這些設(shè)施設(shè)備分類中,車站內(nèi)部設(shè)施是固定的,屬于車站內(nèi)部建筑的一部分,在車站設(shè)計(jì)規(guī)劃和建設(shè)完成后一般不會(huì)改變,主要包括進(jìn)出站口、站廳、站臺(tái)、通道、樓梯等設(shè)施.乘客進(jìn)出站過(guò)程中所必需的車站空間功能區(qū)包括進(jìn)出站口、站廳、站臺(tái)等,這些設(shè)施歸類為功能類設(shè)施.乘客在整個(gè)進(jìn)站服務(wù)過(guò)程中,需要多次經(jīng)過(guò)通道、樓梯等設(shè)施,這些設(shè)施歸類為通行類設(shè)施.

通過(guò)對(duì)北京地鐵進(jìn)行現(xiàn)場(chǎng)調(diào)研和數(shù)據(jù)分析發(fā)現(xiàn),車站客流控制觸發(fā)判別的關(guān)鍵觀測(cè)點(diǎn)對(duì)應(yīng)的設(shè)施設(shè)備主要包括站臺(tái)、通道、檢票和安檢設(shè)備區(qū)域.

候車站臺(tái)為車站客流控制觸發(fā)判別的最關(guān)鍵觀測(cè)點(diǎn),在大客流條件下站臺(tái)客流狀態(tài)是車站管理人員判斷是否實(shí)施一級(jí)客流控制措施的先決條件.候車站臺(tái)區(qū)域可劃分為站臺(tái)走行區(qū)域和站臺(tái)等待區(qū)域,站臺(tái)走行區(qū)域的乘客一般為進(jìn)站準(zhǔn)備等待上車的乘客和下車離開站臺(tái)的乘客,判斷站臺(tái)的乘客聚集程度指標(biāo)可分為站臺(tái)客流密度和列車離開后滯留乘客和到達(dá)乘客的平均排隊(duì)長(zhǎng)度.

通道的乘客聚集形成乘客流,該區(qū)域乘客流是由乘客個(gè)體組成的群體流動(dòng),水平通道的客流狀態(tài)決定著車站管理人員是否實(shí)施二級(jí)客流控制措施.水平通道的乘客聚集程度指標(biāo)為客流密度、單位寬度客流流率和乘客平均步行速度.

安檢設(shè)備的通過(guò)能力遠(yuǎn)遠(yuǎn)小于檢票設(shè)備(閘機(jī))的通過(guò)能力,在大客流發(fā)生條件下,安檢設(shè)備區(qū)域的乘客聚集程度大于閘機(jī)處的乘客聚集程度.對(duì)于進(jìn)站流線來(lái)說(shuō),檢票設(shè)備之前的設(shè)施設(shè)備一般為安檢設(shè)備.因此,將車站非付費(fèi)區(qū)客流控制觸發(fā)判別的觀測(cè)點(diǎn)選擇為安檢設(shè)備區(qū)域,該處的客流狀態(tài)變化情況決定了是否觸發(fā)客流三級(jí)控制.

表1 關(guān)鍵觀測(cè)點(diǎn)的客流狀態(tài)分級(jí)表

注:d為站臺(tái)寬度.

2 城市軌道交通車站客流控制條件

客流狀態(tài)能夠直觀反應(yīng)客流的分布情況和變化趨勢(shì).根據(jù)早晚高峰時(shí)期車站客流特征,將客流控制觸發(fā)判斷依據(jù)選取為設(shè)施設(shè)備內(nèi)的客流狀態(tài)變化情況.當(dāng)車站設(shè)施設(shè)備內(nèi)的客流量不斷增加時(shí),客流密度不斷增長(zhǎng),導(dǎo)致乘客步行速度下降.此時(shí),必須實(shí)施客流控制措施,以保障車站運(yùn)營(yíng)安全和高質(zhì)量客運(yùn)服務(wù)水平.

本文結(jié)合實(shí)地調(diào)研數(shù)據(jù)分析,將設(shè)施設(shè)備客流狀態(tài)劃分為Ⅰ,Ⅱ,Ⅲ,Ⅳ四個(gè)等級(jí)(見表1).此處,將Ⅲ級(jí)客流狀態(tài)規(guī)定為客流控制觸發(fā)條件,即當(dāng)客流狀態(tài)達(dá)到Ⅲ級(jí)及以上級(jí)別的客流狀態(tài)水平時(shí)需要立即采取客流控制措施,限制站內(nèi)乘客數(shù)量,直到客流狀態(tài)指標(biāo)達(dá)到Ⅱ級(jí)或Ⅰ級(jí)客流狀態(tài)水平時(shí)解除客流控制措施.

3 車站客流控制觸發(fā)判別方法

車站設(shè)施設(shè)備處客流控制觸發(fā)量化指標(biāo)包括客流密度、單位寬度客流流率、乘客平均步行速度、平均排隊(duì)人數(shù)等.在測(cè)量不同指標(biāo)的量化情況時(shí),客流控制觸發(fā)判別關(guān)鍵觀測(cè)點(diǎn)的客流聚集情況具有動(dòng)態(tài)特征和模糊隨機(jī)性,且每個(gè)設(shè)施設(shè)備處至少有2個(gè)客流控制觸發(fā)判別指標(biāo),在客流狀態(tài)劃分過(guò)程中,采用車站設(shè)施設(shè)備處客流狀態(tài)分級(jí)表對(duì)客流控制觸發(fā)條件進(jìn)行判斷可能會(huì)得到不一樣的結(jié)果.例如,站臺(tái)處的人均占用面積為0.32 m2,列車離開站臺(tái)后的平均排隊(duì)人數(shù)達(dá)到站臺(tái)寬度的3/4,由表1可知,根據(jù)客流人均占用面積指標(biāo)判斷站臺(tái)客流狀態(tài)級(jí)別為Ⅱ級(jí),客流狀態(tài)較通暢;而根據(jù)平均排隊(duì)長(zhǎng)度指標(biāo)判斷站臺(tái)客流狀態(tài)級(jí)別為Ⅲ級(jí)或Ⅳ級(jí),客流狀態(tài)擁擠,需實(shí)施客流控制措施.因此,利用多指標(biāo)判別客流狀態(tài)會(huì)得到不同的判斷結(jié)果,具有一定的模糊性.云模型[8-10]有機(jī)結(jié)合了模糊理論中的模糊性和概率統(tǒng)計(jì)思想中的隨機(jī)性,反映了實(shí)際應(yīng)用領(lǐng)域中的不確定性.周繼彪等[11]將云模型引入到地鐵換乘樞紐行人擁擠度自動(dòng)辨識(shí)中,拓展了云模型在軌道交通領(lǐng)域中的應(yīng)用.

鑒于車站設(shè)施設(shè)備處客流控制觸發(fā)量化指標(biāo)及判別標(biāo)準(zhǔn)的模糊隨機(jī)性,本文借用云模型的合成理論,構(gòu)建了城市軌道交通車站客流控制觸發(fā)判別方法.

1) 確定各設(shè)施設(shè)備客流狀態(tài)指標(biāo)云數(shù)字特征.假設(shè)某客流狀態(tài)指標(biāo)可劃分為m個(gè)級(jí)別,則該指標(biāo)閾值向量包含m-1個(gè)閾值,即x={x1,x2,…,xi-1,xi,xi+1,…,xm-1},合成云模型需在同一論域中實(shí)現(xiàn).因此,在確定各個(gè)觸發(fā)指標(biāo)云的數(shù)字特征前需將指標(biāo)值進(jìn)行標(biāo)準(zhǔn)化處理.越大越優(yōu)型指標(biāo)的標(biāo)準(zhǔn)化公式為

越小越優(yōu)型指標(biāo)的標(biāo)準(zhǔn)化公式為

客流狀態(tài)指標(biāo)云的數(shù)字特征包括期望E(x)、熵H和超熵C.其中,E為云滴在論域空間分布的中心值;H為定性概念的模糊性度量,反映了論域空間中可被概念接收的云滴取值范圍;C為熵的不確定性度量,反映了云滴的離散度量及云的厚度.

第1級(jí)和第m級(jí)的客流狀態(tài)分別用半升正態(tài)云和半降正態(tài)云表示,其數(shù)字特征分別為E1和Em,熵為H1和Hm,其計(jì)算公式為

從第2級(jí)到第m-1級(jí)客流狀態(tài)分別用全正態(tài)云表示,根據(jù)云模型的3H規(guī)則,可計(jì)算出各客流狀態(tài)等級(jí)云的數(shù)字特征.令第i級(jí)客流狀態(tài)的期望值和熵分別為Ei和Hi,其計(jì)算公式為

H=0.01;i=2,3,…,m-1

2) 將各設(shè)施設(shè)備客流狀態(tài)指標(biāo)云合成綜合指標(biāo)云,構(gòu)建客流狀態(tài)模板云模型，形成模板云圖.

將設(shè)施設(shè)備客流狀態(tài)等級(jí)下各指標(biāo)云合成的父云稱為客流狀態(tài)等級(jí)模板云,該模板云是判別設(shè)施設(shè)備客流狀態(tài)是否達(dá)到客流控制觸發(fā)條件的標(biāo)準(zhǔn)云圖.假設(shè)某設(shè)施設(shè)備第i級(jí)客流狀態(tài)判別指標(biāo)數(shù)為n,各指標(biāo)云具有相同性質(zhì)并記為Ii,1(Ei,1,Hi,1,Ci,1),Ii,2(Ei,2,Hi,2,Ci,2),…,Ii,j(Ei,j,Hi,j,Ci,j),…,Ii,n(Ei,n,Hi,n,Ci,n),其中,i=1,2,…,m-1,j=1,2,…,n,則n個(gè)指標(biāo)云合成的第i級(jí)客流狀態(tài)模板云為

Ii(Ei,Hi,Ci)=Ii,1(Ei,1,Hi,1,Ci,1)°

Ii,2(Ei,2,Hi,2,Ci,2)°…°Ii,n(Ei,n,Hi,n,Ci,n)

式中,“°”表示云的合成.

假設(shè)各指標(biāo)云的重要性權(quán)值為θj,則第i級(jí)客流狀態(tài)模板云的數(shù)字特征計(jì)算公式為

④ 確定實(shí)測(cè)設(shè)施設(shè)備客流狀態(tài)指標(biāo)云與模板云的相似概率值,并以此判別是否達(dá)到客流控制觸發(fā)條件.

重復(fù)計(jì)算直到產(chǎn)生n個(gè)云滴為止.實(shí)測(cè)的設(shè)施設(shè)備客流狀態(tài)與第i級(jí)客流狀態(tài)的相似度為

對(duì)相似度進(jìn)行歸一化處理后可得實(shí)測(cè)的設(shè)施設(shè)備客流狀態(tài)屬于第i級(jí)客流狀態(tài)的可能程度為

⑤ 判定實(shí)測(cè)的設(shè)施設(shè)備客流狀態(tài)屬于任意Ⅲ級(jí)及以上級(jí)別客流狀態(tài)的可能程度ri≥Ⅲ是否大于其屬于任意Ⅲ級(jí)以下級(jí)別客流狀態(tài)的可能程度ri<Ⅲ.若ri≥Ⅲ≥ri<Ⅲ,則實(shí)施相應(yīng)的客流控制措施;否則，不采取客流控制措施.

4 實(shí)例分析

城市軌道交通車站客流控制遵循三級(jí)控制過(guò)程,即當(dāng)站臺(tái)客流超過(guò)預(yù)警閾值時(shí)啟動(dòng)一級(jí)控制,當(dāng)站臺(tái)擁擠且通道及付費(fèi)區(qū)客流持續(xù)增加時(shí)啟動(dòng)二級(jí)控制,當(dāng)站內(nèi)非付費(fèi)區(qū)客流持續(xù)增加時(shí)啟動(dòng)三級(jí)控制.本文以一級(jí)客流控制判別客流狀態(tài)的設(shè)施設(shè)備——站臺(tái)為例,進(jìn)行車站客流控制觸發(fā)判別分析.如表2所示,客流狀態(tài)級(jí)別劃分為Ⅰ,Ⅱ,Ⅲ,Ⅳ四個(gè)等級(jí),判別指標(biāo)為人均占用面積和列車駛離站臺(tái)到下一列列車駛進(jìn)站臺(tái)時(shí)段內(nèi)站臺(tái)平均排隊(duì)長(zhǎng)度.

對(duì)站臺(tái)客流狀態(tài)級(jí)別原指標(biāo)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理,并計(jì)算各客流狀態(tài)等級(jí)下指標(biāo)云的數(shù)字特征,結(jié)果見表2.

表2 站臺(tái)各指標(biāo)云的數(shù)字特征

通過(guò)對(duì)北京市地鐵車站進(jìn)行調(diào)研分析可知,站臺(tái)乘客平均排隊(duì)長(zhǎng)度指標(biāo)的重要性比人均占用面積指標(biāo)的重要性高.因此,假設(shè)人均占用面積指標(biāo)的重要性權(quán)值θ1=1/3,平均排隊(duì)長(zhǎng)度指標(biāo)的重要性權(quán)值θ2=2/3,根據(jù)第i級(jí)客流狀態(tài)模板云的數(shù)字特征計(jì)算公式計(jì)算得到站臺(tái)客流狀態(tài)等級(jí)模板云Ii(E(xi),E(ni),Hi)的數(shù)字特征,結(jié)果見表3.

表3 站臺(tái)客流狀態(tài)模板云的數(shù)字特征

以5 000個(gè)云滴為基準(zhǔn)構(gòu)建車站設(shè)施設(shè)備客流控制觸發(fā)指標(biāo)云,結(jié)合客流控制觸發(fā)判別方法,利用Matlab 7.0軟件編程生成客流狀態(tài)模板云圖,結(jié)果如圖1所示.

圖1 實(shí)測(cè)站臺(tái)客流狀態(tài)合成指標(biāo)云與模板云對(duì)比圖

實(shí)測(cè)數(shù)據(jù)地點(diǎn)選取惠新西街北口站,該站站臺(tái)為側(cè)式站臺(tái),數(shù)據(jù)采集時(shí)間為2015年4月24日07:35—07:40，天通苑北→宋家莊方向的站臺(tái)乘客平均排隊(duì)長(zhǎng)度占站臺(tái)總寬度的2/3,人均占用面積為0.32 m2.對(duì)采集數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理,得到人均占用面積為0.24 m2,平均排隊(duì)長(zhǎng)度為0.167 m.

利用Matlab 7.0軟件及客流控制觸發(fā)判別方法,計(jì)算得到實(shí)測(cè)站臺(tái)指標(biāo)云的3個(gè)數(shù)字特征,結(jié)果見表4.利用實(shí)測(cè)站臺(tái)指標(biāo)云的數(shù)字特征及式(5),合成實(shí)測(cè)的站臺(tái)客流狀態(tài)合成指標(biāo)云模型,其3個(gè)數(shù)字特征為:E=0.260,H=0.089,C=0.01.以5 000個(gè)云滴為基準(zhǔn),利用Matlab 7.0軟件實(shí)現(xiàn)實(shí)測(cè)的站臺(tái)客流狀態(tài)合成指標(biāo)云圖,結(jié)果見圖1.

表4 實(shí)測(cè)站臺(tái)客流狀態(tài)指標(biāo)云的數(shù)字特征

根據(jù)客流控制觸發(fā)判別方法進(jìn)行計(jì)算,確定實(shí)測(cè)站臺(tái)客流狀態(tài)指標(biāo)云與模板云的相似概率值為rⅠ=0,rⅡ=0.000 2,rⅢ=0.889 8,rⅣ=0.110 0.

對(duì)比實(shí)測(cè)站臺(tái)客流狀態(tài)合成指標(biāo)云與模板云可發(fā)現(xiàn),實(shí)測(cè)站臺(tái)客流狀態(tài)介于Ⅲ級(jí)客流狀態(tài)(擁擠)和Ⅳ級(jí)客流狀態(tài)(重度擁擠)之間,且與Ⅲ級(jí)客流狀態(tài)的相似概率最高,相似概率值為0.889 8,因此,可認(rèn)為該實(shí)測(cè)站臺(tái)客流狀態(tài)屬于Ⅲ級(jí)客流狀態(tài),站臺(tái)客流處于擁擠狀態(tài),需要及時(shí)實(shí)施相應(yīng)的車站客流控制措施,緩解站臺(tái)客流的擁擠程度.

5 結(jié)語(yǔ)

目前,城市軌道交通車站高峰客流控制分為3個(gè)等級(jí),關(guān)于不同等級(jí)客流控制觸發(fā)判別尚處于經(jīng)驗(yàn)化管理階段.本文分析了城市軌道交通車站設(shè)施設(shè)備的類別及乘客聚集程度判斷指標(biāo),研究了城市軌道交通車站各主要設(shè)施設(shè)備客流狀態(tài)級(jí)別的劃分方法,并提出了基于云模型的城市軌道交通車站客流控制觸發(fā)判別方法.案例分析結(jié)果表明,采用本文提出的車站客流控制觸發(fā)判別方法來(lái)計(jì)算客流控制觸發(fā)條件，能綜合判斷客流狀態(tài),進(jìn)而實(shí)施相應(yīng)的客流控制措施,為車站客流控制啟動(dòng)時(shí)間和控制強(qiáng)度確定提供量化參考依據(jù).

References)

[1]康亞舒. 城市軌道交通車站客流控制方案的研究[D]. 北京:北京交通大學(xué)交通運(yùn)輸學(xué)院, 2014.

[2]謝瑋. 城市軌道交通換乘站客流控制方法研究[D]. 北京:北京交通大學(xué)交通運(yùn)輸學(xué)院, 2012.

[3]Lam W H K, Cheung C Y. Pedestrian speed/flow relationships for walking facilities in Hong Kong[J].JournalofTransportationEngineering, 2000, 126(4): 343-349. DOI:10.1061/(asce)0733-947x(2000)126:4(343).

[4]Cheung C Y, Lam W H K. Pedestrian route choices between escalator and stairway in MTR stations[J].JournalofTransportationEngineering, 1998, 124(3): 277-285. DOI:10.1061/(asce)0733-947x(1998)124:3(277).

[5]Lee J Y S, Lam W H K, Wong S C. Pedestrian simulation model for Hong Kong underground stations[C]//Proceedingsof2001IEEEIntelligentTransportationSystems. Oakland, CA, USA, 2001:554-558. DOI:10.1109/itsc.2001.948719.

[6]王久亮. 城市軌道交通車站設(shè)施設(shè)備服務(wù)水平分級(jí)與能力計(jì)算方法研究[D]. 北京:北京交通大學(xué)交通運(yùn)輸學(xué)院, 2011.

[7]美國(guó)交通運(yùn)輸研究委員會(huì). 公共交通通行能力和服務(wù)質(zhì)量手冊(cè)(原著第二版)[M]. 楊曉光, 等譯. 北京:中國(guó)建筑工業(yè)出版社, 2010: 321-330.

[8]Li D, Meng H, Shi X. Membership clouds and membership cloud generators[J].JournalofComputerResearch&Development, 1995, 32(6): 15-20.

[9]李德毅, 劉常昱. 論正態(tài)云模型的普適性 [J]. 中國(guó)工程科學(xué), 2004, 6(8): 28-34. Li Deyi, Liu Changyu. Study on the universality of the normal cloud model[J].EngineeringScience, 2004, 6(8): 28-34. (in Chinese)

[10]孟暉, 王樹良, 李德毅. 基于云變換的概念提取及概念層次構(gòu)建方法[J]. 吉林大學(xué)學(xué)報(bào)(工學(xué)版), 2010, 40(3):782-787. Meng Hui, Wang Shuliang, Li Deyi. Concept extraction and concept hierarchy construction based on cloud transformation[J].JournalofJilinUniversity(EngineeringandTechnologyEdition), 2010, 40(3):782-787. (in Chinese)

[11]周繼彪, 陳紅, 閆彬,等. 基于云模型的地鐵換乘樞紐擁擠度辨識(shí)方法[J]. 吉林大學(xué)學(xué)報(bào)(工學(xué)版), 2016, 46(1):100-107. Zhou Jibiao, Chen Hong, Yan Bin, et al. An identification method of pedestrian crowding degree in metro transfer hub based on the normal cloud model[J].JournalofJilinUniversity(EngineeringandTechnologyEdition), 2016, 46(1):100-107. (in Chinese)

Identification method for passenger inflow control in urban rail transit station based on cloud model

Dou Fei1,2,3Pan Xiaojun2Qin Yong1Zhang Xin3Jia Limin1

(1School of Traffic and Transportation, Beijing Jiaotong University, Beijing 100044, China)(2Beijing Mass Transit Railway Operation Co., Ltd., Beijing 100044, China)(3Technology Research and Development Center Affiliated with Beijing Mass Transit Railway Operation Co., Ltd., Beijing 102208, China)

The station facility category of urban rail transit and the index of passenger aggregation degree were analyzed according to the features of three-level passenger flow control. The passenger inflow state levels of station facilities of urban rail transit were divided. Then, the template cloud model with different passenger inflow state levels and the synthetic index cloud model of the passenger inflow state measured by facilities were developed based on the synthesis theory of the cloud model. The identification method for passenger inflow control was proposed by calculating the similarity degree between the template cloud model and the synthetic index cloud model. Finally, the station, the key observation point of the first order passenger inflow control trigger discrimination, was taken as a case to verify the validity of the proposed method. The results show that the proposed method can accurately identify the current passenger inflow state, thus helping the manager timely take corresponding passenger inflow control measure according to the passenger inflow state.

urban rail transit; passenger inflow state; passenger inflow control; trigger condition discrimination; cloud model

10.3969/j.issn.1001-0505.2016.06.035

2016-01-25. 作者簡(jiǎn)介: 豆飛(1986—),男,博士生;賈利民(聯(lián)系人),男,教授,博士生導(dǎo)師,jialm@vip.sina.com.

國(guó)家自然科學(xué)基金資助項(xiàng)目(61374157)、北京市地鐵運(yùn)營(yíng)有限公司科研資助項(xiàng)目(2015000501000007)、北京市博士后工作經(jīng)費(fèi)資助項(xiàng)目(2015ZZ-151).

豆飛，潘曉軍，秦勇，等.基于云模型的城市軌道交通車站客流控制觸發(fā)判別方法[J].東南大學(xué)學(xué)報(bào)(自然科學(xué)版),2016,46(6):1318-1322.

10.3969/j.issn.1001-0505.2016.06.035.

U239.5

A

1001-0505(2016)06-1318-05