论文部分内容阅读
近年来,城市轨道交通网络规模迅速扩张,换乘站作为整个路网中的重要节点,承担着巨大的客流运输压力,其内空间布局与基本功能日益复杂,导致乘客群体行为特性已呈现出多样化趋势,对换乘站的运营效率和服务水平等产生了较大影响。因此,进行换乘站内乘客群体行为特性的相关研究能够为车站运营管理提供可靠的参考依据,对于站内服务设施优化、乘客组织引导以及异常客流疏散等方面具有重要应用价值。随着应用室内定位数据进行人群行为特性研究的日益成熟,本文则以基于WiFi地铁定位系统(Metro Positioning System based on WiFi)研究项目为依托,利用其能够获取到的测试乘客位置数据,结合数据挖掘模型与算法,实现某一换乘站内实际场景下乘客群体行为聚集与分布特性的实时分析。论文研究成果主要包括以下三个方面:(1)梳理并完善了地铁换乘站乘客群体行为特性挖掘流程。结合现场调研与建模仿真等方法对乘客群体行为特性进行分析,从数据挖掘理论角度出发,将换乘站内乘客群体行为特性的研究划分为四个重要阶段,为本文提供了可靠地理论支撑,也为换乘站内客流相关研究提供了新方法与新思路。(2)重点确定了地铁换乘站内乘客位置数据挖掘的恰当算法。以基于WiFH地铁定位系统理论模型为依据,研究乘客位置数据获取的基本原理与流程,并完成相关数据的分析与预处理。之后结合测试乘客位置数据的基本特征,针对传统DBSCAN算法存在的主要缺点,提出了一种基于高斯混合模型的DBSCAN算法(DBSCAN Algorithm based on Gaussian Mixture Model),对算法核心思想与内容进行详细阐述,重点说明如何利用高斯混合模型进行密度分布不均匀数据集的分层处理。此外,利用公开及模拟数据将两种算法进行实验对比分析,证明改进型算法具有较高的聚类准确性和较好的聚类效果。(3)初步实现了地铁换乘站内乘客位置数据的聚类分析及结果可视化。以实际换乘站为例,分别利用两种算法对某一时刻获取的测试乘客位置数据进行密度聚类分析,从而明确了传统DBSCAN算法聚类结果所存在的缺陷与不足,并具体阐述改进型算法聚类过程中的数据拟合与参数估计、密度分层与局部聚类等核心步骤,最终得到站台上乘客群体行为聚集与分布特性的聚类结果并对其可视化效果进行呈现,充分阐述了基于挖掘结果的实际应用价值与意义。