[发明专利]城市轨道交通多场景下客流精准诱导方法及系统

权利要求书

1.一种城市轨道交通多场景下客流精准诱导方法，其特征在于，包括如下流程步骤：

步骤S110：建立多场景诱导信息下的以效用最大化为目标的乘客路径选择行为模型；

步骤S120：计算乘客经过有效路径上各区间及换乘站的时刻，基于各区间及换乘站相应时刻的拥挤情况对路径整体拥挤水平进行定量评估，来反映拥挤度；

步骤S130：基于所述乘客路径选择行为模型，并根据广义效用对可行路径排序；

步骤S140：针对排序后的可行路径，结合Q-learning学习算法优化路径选择行为模型的参数，获取最优诱导路径；

所述步骤S110具体包括：

乘客路径选择行为模型为以效用最大化为目标的离散选择模型；

计算列车运行时间为：

其中，表示OD对a至b的路径k的列车运行总时间，表示列车在路径k中的区间i-j中的运行时间，表示列车在路径k中的在车站m的停站时间；

乘客候车时间为：

其中，T_wait表示等候车时间，表示线路l的列车发车间隔；

乘客换乘时间为：

其中，表示OD对a至b中路径k的乘客换乘总时间，τ表示乘客因换乘导致的惩罚系数，n_k表示路径k的换乘总次数，β表示换乘次数的惩罚系数，表示第i次换乘时从线路l₁到l₂的走行时间；

乘客的拥堵感知系数为：

其中，C_ij表示区间i-j的感知系数，为拥堵系数，m_ij为区间i-j的满载率，m₀为第一个满载率分级阈值，m₂为第二个满载率分级阈值；O_I表示受影响区间集合，K_Y代表受影响乘客集合；

乘客出行广义费用为：

其中，表示OD对a至b的路径k的出行费用，ξ_j,k为从属标识，表示区间/车站是否在路径k上，有ξ_j,k＝{0,1}；

在离散选择模型中，总效用由两部分组成，一部分是固定效用，为乘客出行广义费用；另一部分为随机效用；

式中：表示a至b的路径k的总效用，表示随机效用部分；

构建离散选择模型：

式中：表示乘客选择路径的概率；表示a至b的最小广义费用。

2.根据权利要求1所述的城市轨道交通多场景下客流精准诱导方法，其特征在于，所述步骤S120具体包括：

以高满载率区间比例和满载率分布熵为指标计算路径的拥挤程度；

高满载率区间比例是指高满载率区间数量与城市轨道交通路网所有区间数量的比值：

其中，Z表示评估时间内的高满载率区间比例；L表示路网中所有区间的数量；L_h表示评估时段内高满载率区间的数量；

将区间满载率与信息熵相结合，构建满载率分布熵指标：

其中，H表示评估时间内的满载率分布熵；g表示区间满载率离散化后的值，应精确到10％的精度，g＝0,1,...,G；L_g表示满载率为g的区间占路网所有区间的比例，L_g≠0。

3.根据权利要求2所述的城市轨道交通多场景下客流精准诱导方法，其特征在于，所述步骤S130具体包括：

在正常运营条件下，根据乘客候车时间、换乘时间和拥挤度来建立效用函数，计算广义费用，根据对可行路径排序，并诱导乘客合理选择出行路径；

在列车延误条件下，根据乘客候车时间、换乘时间和拥挤度以及因延误造成的等待时间来建立效用函数，计算广义费用，根据对可行路径排序，诱导乘客合理选择出行路径。