论文部分内容阅读
城市轨道交通的飞速崛起,逐渐形成网络化的运营模式。客流也逐渐呈现出“井喷式”的发展,给路网带来巨大冲击。作为路网中的中间点,客流拥堵情况经常发生。客流增长的快速发展与不变的空间资源间的对立关系日益紧张。以上海为例,上海轨道交通现有运营里程已达到617公里(截止2017年12月),预计2020年达到800公里,远期运营里程将达到1000公里。上海轨道交通拥有如此庞大的运营网络,加之地面交通环境的不够友好,造成其客流量居高不下,日均客流量超千万已经成为了其“新常态”。轨道交通站点,作为各类设施设备和乘客的集中地,首当其冲成为受影响最大的节点,在高峰时期或突发大客流的情况下极易造成乘客在站内的拥堵和滞留,给车站的运营管理带来了巨大的挑战。如何迅速地在固定的空间中对客流运行状态进行监控和分辨,就成了迫切要突破的问题,对整个交通体系安全具有较大意义。首先,在已有研究成果和现实问题总结分析基础上,论文分析了大客流产生的原因,根据其发生是否能够预知将大客流进行分类并总结了高峰时期发生大客流拥堵的影响;以轨道交通车站乘客的集散过程为研究对象,分析影响乘客在车站的集散过程的因素,行走流线等内容,总结出轨道交通车站拥堵点的产生原因,并给出了两类拥堵点的识别方法;最后,基于以上分析,结合地铁现有措施,总结和梳理了大客流状态下车站拥堵点管理和疏解的一些措施。然后,以拥堵点产生地点所属的车站设施设备区域为依据,将车站拥堵点分为站厅类拥堵点、通道类拥堵点和站台类拥堵点,分类讨论拥堵点产生处各车站设施设备及拥堵点的特征,并根据其特征,建立起了描述车站拥堵点客流状态的指标体系。最后,本文将BP神经网络算法引入到车站拥堵点客流状态的估计之中,利用BP神经网络构建起了“以车站闸机客流数据为依据的车站拥堵点客流状态表征参数估计模型”,并进行了改进。以上海地铁九号线某车站作为实例,进行了数据收集,对模型进行实例分析。结果表明,本文建立起的改进BP神经网络估计模型,准确性和稳定性都比较高,能够为车站运营方实时、动态的掌握车站各拥堵点的客流状态提供一个可靠地方法。