Please wait a minute...
 首页  期刊介绍 期刊订阅 联系我们 横山亮次奖 百年刊庆
 
最新录用  |  预出版  |  当期目录  |  过刊浏览  |  阅读排行  |  下载排行  |  引用排行  |  横山亮次奖  |  百年刊庆
清华大学学报(自然科学版)  2019, Vol. 59 Issue (10): 854-860    DOI: 10.16511/j.cnki.qhdxxb.2019.21.028
  物理与工程物理 本期目录 | 过刊浏览 | 高级检索 |
基于客流规律的地铁车站客流风险分析
李子浩1, 田向亮1, 黎忠文2, 周炜2, 周志杰2, 钟茂华1
1. 清华大学 工程物理系, 公共安全研究院, 北京 100084;
2. 深圳市地铁集团有限公司, 深圳 518026
Risk analysis of metro station passenger flow based on passenger flow patterns
LI Zihao1, TIAN Xiangliang1, LI Zhongwen2, ZHOU Wei2, ZHOU Zhijie2, ZHONG Maohua1
1. Institute of Public Safety Research, Department of Engineering Physics, Tsinghua University, Beijing 100084, China;
2. Shenzhen Metro Co., Ltd, Shenzhen 518026, China
全文: PDF(8029 KB)  
输出: BibTeX | EndNote (RIS)      
摘要 地铁车站类型识别和客流风险识别对地铁安全运营管理有着重要的作用。基于深圳地铁AFC(automatic fare collection)系统数据,采用无关值和异常值清理、聚合、均值滤波、标准化、主成分分析等数据清洗步骤,提取不同时段客流比例、不同天数客流比例和换乘客流比例等特征。运用Gauss混合模型(GMM)对工作日和周末客流进行聚类,分析客流出行规律,辨识车站类型及其对应的客流风险时段,提出车站客流风险分析方法,通过大数据分析对车站类型和客流风险进行识别。分析结果对掌握车站大客流风险情况,避免大客流冲击造成的拥挤踩踏等群体性事件的发生,保障乘客安全具有指导意义。
服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
李子浩
田向亮
黎忠文
周炜
周志杰
钟茂华
关键词 地铁大数据聚类出行规律风险分析    
Abstract:The safe operation and management of metro systems are related to the metro station design and the passenger flow rates into and out of stations and between stations. This study examines the passenger flow rates in and out of each station at various times on various days by filtering and standardizing the automatic fare collection (AFC) system data of the Shenzhen metro system. The data was analyzed using a principle component analysis (PCA) and a Gaussian mixture model (GMM) to cluster passenger movement data on weekdays and weekends to simplify analysis of the passenger flow patterns. The results were then used to identify time periods and types of metro stations having greater risks as a passenger flow risk analysis method for metro stations. This big data analysis can identify risk conditions for large passenger volumes to avoid mass incidents like stampedes so as to protect passenger safety.
Key wordsmetro stations    big data    clustering    travel patterns    risk analyses
收稿日期: 2019-04-18      出版日期: 2019-10-14
基金资助:国家重点研发计划(2018YFC0809900);国家杰出青年科学基金项目(51425404);博士后创新人才支持计划(BX20180158)
通讯作者: 钟茂华,研究员,E-mail:mhzhong@tsinghua.edu.cn     E-mail: mhzhong@tsinghua.edu.cn
引用本文:   
李子浩, 田向亮, 黎忠文, 周炜, 周志杰, 钟茂华. 基于客流规律的地铁车站客流风险分析[J]. 清华大学学报(自然科学版), 2019, 59(10): 854-860.
LI Zihao, TIAN Xiangliang, LI Zhongwen, ZHOU Wei, ZHOU Zhijie, ZHONG Maohua. Risk analysis of metro station passenger flow based on passenger flow patterns. Journal of Tsinghua University(Science and Technology), 2019, 59(10): 854-860.
链接本文:  
http://jst.tsinghuajournals.com/CN/10.16511/j.cnki.qhdxxb.2019.21.028  或          http://jst.tsinghuajournals.com/CN/Y2019/V59/I10/854
  图1 主成分分析法算法流程
  图2 (网络版彩图)工作日类型1的进出站客流折线图
  图3 (网络版彩图)工作日类型2的进出站客流折线图
  图4 (网络版彩图)工作日类型3的进出站客流折线图
  表1 工作日车站类型
  图5 (网络版彩图)周末类型1和类型5的进出站客流折线图
  图6 (网络版彩图)周末类型2和类型3的进出站客流折线图
  图7 (网络版彩图)周末类型4的进出站客流折线图
  表2 周末车站类型
  表3 工作日不同类型车站的客流风险时段
  表4 周末不同类型车站的客流风险时段
[1] 顾保南, 杨照, 徐雷, 等. 1997-2017年中国城市轨道交通发展统计分析[J]. 城市轨道交通研究, 2018, 21(5):85-89.GU B N, YANG Z, XU L, et al. Statistical analysis of urban rail transit lines in China from 1997 to 2017[J]. Urban Mass Transit, 2018, 21(5):85-89. (in Chinese)
[2] RATTI C, PULSELLI R M, WILLIAMS S, et al. Mobile landscapes:Using location data from cell phones for urban analysis[J]. Environment & Planning B-Planning & Design, 2006, 33(5):727-748.
[3] GONZALEZ M C, HIDALGO C A, BARABASI A L. Understanding individual human mobility patterns[J]. Nature, 2008, 453:779-782.
[4] ANAS A, ARNOTT R, SMALL K A. Urban Spatial Structure[J]. Journal of Economic Literature, 1998, 36(3):1426-1464.
[5] 曹瑞, 涂伟, 巢佰崇, 等. 基于智能卡数据的地铁周边职住用地识别与分析[J]. 测绘地理信息, 2016, 41(3):74-78.CAO R, TU W, CHAO B C, et al. Identification and analysis of home and work regions in the vicinity of metro stations using smart card data[J]. Journal of Geomatics, 2016, 41(3):74-78. (in Chinese)
[6] XIAO J Y, SHEN Y J, GE J F, et al. Evaluating urban expansion and land use change in Shijiazhuang, China, by using GIS and remote sensing[J]. Landscape & Urban Planning, 2006, 75(1):69-80.
[7] ZHOU S H, DENG L F, HUANG M Y. Spatial analysis of commuting mode choice in Guangzhou, China[J]. Chinese Geographical Science, 2013, 23(3):353-364.
[8] CHOI J, LEE Y J, KIM T, et al. An analysis of metro ridership at the station-to-station level in Seoul[J]. Transportation, 2012, 39(3):705-722.
[9] READES J, ZHONG C, MANLEY E, et al. Finding pearls in London's oysters[J]. Built Environment, 2016, 42(3):365-381.
[10] 金磊, 彭建, 柳昆, 等. 城市地铁车站分类理论及方法研究[J]. 地下空间与工程学报, 2010, 6(S1):1339-1342+1375.JIN L, PENG J, LIU K, et al. Sorting theory and investigation of urban metro station[J]. Chinese Journal of Underground Space and Engineering, 2010, 6(S1):1339-1342, 1375. (in Chinese)
[11] 尹芹, 孟斌, 张丽英. 基于客流特征的北京地铁站点类型识别[J]. 地理科学进展, 2016, 35(1):126-134.YIN Q, MENG B, ZHANG L Y. Classification of subway stations in Beijing based on passenger flow characteristics[J]. Progress in Geography, 2016, 35(1):126-134. (in Chinese)
[12] 高勃, 秦勇, 肖雪梅, 等. 基于K-means的北京地铁路网重要度聚类分析[J]. 交通运输系统工程与信息, 2014, 14(3):207-213.GAO B, QIN Y, XIAO X M, et al. K-means clustering analysis of key nodes and edges in Beijing subway network[J]. Journal of Transportation Systems Engineering and Information Technology, 2014, 14(3):207-213. (in Chinese)
[13] 冷彪, 赵文远. 基于客流数据的区域出行特征聚类[J]. 计算机研究与发展, 2014, 51(12):2653-2662.LENG B, ZHAO W Y. Region ridership characteristic clustering using passenger flow data[J]. Journal of Computer Research and Development, 2014, 51(12):2653-2662. (in Chinese)
[14] 余丽洁, 李岩, 陈宽民. 基于谱聚类的城市轨道站点分类方法[J]. 交通信息与安全, 2014, 32(1):122-125, 129.YU L J, LI Y, CHEN K M. Using spectral clustering for urban rail station classification[J]. Journal of Transport Information and Safety, 2014, 32(1):122-125, 129. (in Chinese)
[15] KUSAKABE T, ASAKURA Y. Behavioural data mining of transit smart card data:A data fusion approach[J]. Transportation Research Part C:Emerging Technologies, 2014, 46:179-191.
[16] 周志华. 机器学习[M]. 北京:清华大学出版社, 2016.ZHOU Z H. Machine learning[M]. Beijing:Tsinghua University Press, 2016. (in Chinese)
[1] 肖熙, 徐晨. 基于声学状态似然值得分模型及监督状态模型的语音识别特征融合算法[J]. 清华大学学报(自然科学版), 2019, 59(6): 476-481.
[2] 张继文, 宋立滨, 许君杰, 石循磊, 刘莉. 仿人足球机器人的非预定义足球检测算法[J]. 清华大学学报(自然科学版), 2019, 59(4): 298-305.
[3] 骆歆远, 陈欣, 寿黎但, 陈珂, 吴妍静. 面向室内空间的语义轨迹提取框架[J]. 清华大学学报(自然科学版), 2019, 59(3): 186-193.
[4] 贾楠, 郭旦怀, 陈永强, 刘奕. 面向社区风险防范的大数据平台理论架构设计[J]. 清华大学学报(自然科学版), 2019, 59(2): 122-128.
[5] 马锐, 高浩然, 窦伯文, 王夏菁, 胡昌振. 基于改进GN算法的程序控制流图划分方法[J]. 清华大学学报(自然科学版), 2019, 59(1): 15-22.
[6] 索明亮, 周鼎, 安若铭, 李顺利. 邻域密度网格聚类算法及应用[J]. 清华大学学报(自然科学版), 2018, 58(8): 732-739.
[7] 陈晓方, 钱荧灿, 王雅琳, 阳春华. 基于主元导数特征聚类的加氢裂化动态调整区间识别[J]. 清华大学学报(自然科学版), 2018, 58(1): 81-86.
[8] 肖熙, 周路. 基于k均值和基于归一化类内方差的语音识别自适应聚类特征提取算法[J]. 清华大学学报(自然科学版), 2017, 57(8): 857-861.
[9] 韩东红, 宋明, 张宏亮, 王佳茜, 王嘉兴, 王国仁. 基于密度的不确定数据流聚类算法[J]. 清华大学学报(自然科学版), 2017, 57(8): 884-891.
[10] 裴继升, 叶晓俊. 基于语法推导的溯源依赖关系路径模式挖掘算法[J]. 清华大学学报(自然科学版), 2017, 57(6): 561-568.
[11] 方勇, 刘道胜, 黄诚. 基于层次聚类的虚假用户检测[J]. 清华大学学报(自然科学版), 2017, 57(6): 620-624.
[12] 徐远超, 杨璐. 面向高通量应用的众核处理器任务调度[J]. 清华大学学报(自然科学版), 2017, 57(3): 244-249.
[13] 洪之旭, 陈浩, 程亮. 基于大数据的社会治理数据集成及决策分析方法[J]. 清华大学学报(自然科学版), 2017, 57(3): 264-269.
[14] 刘书明, 吴以朋, 王晓婷, 刘友飞, 李佳杰. 应用聚类算法识别供水管网爆管事故[J]. 清华大学学报(自然科学版), 2017, 57(10): 1096-1101.
[15] 李煦, 屠明, 吴超, 国雁萌, 纳跃跃, 付强, 颜永红. 基于NMF和FCRF的单通道语音分离[J]. 清华大学学报(自然科学版), 2017, 57(1): 84-88.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
版权所有 © 《清华大学学报(自然科学版)》编辑部
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn