论文部分内容阅读
城市轨道交通大客流事件是轨道交通最常见的突发事件，严重威胁轨道交通系统的正常运转和乘客人身财产安全。本研究旨在通过定量分析大客流事件的可能性和严重性，对大客流事件风险进行评估。基于轨道交通大客流事件记录、客流信息和天气信息，构建连续与欠采样两种数据环境；以大客流事件引起的延误为风险量化指标，采用Hurdle模型分析大客流事件风险；针对大客流事件的时间、空间双重异质性，在Hurdle模型中引入交叉随机效应量化这种时空异质性；基于模型离散部分分析、预测大客流事件的可能性(发生概率)；基于模型计数部分分析、预测大客流事件引起的延误——大客流事件的严重性；采用GradientBoostingMachine计算各影响因素的重要性，分析影响大客流风险的关键因素。本研究结果可为轨道交通大客流风险控制提供技术支持，有助于提高大客流事件管理与决策水平，提高轨道交通系统的安全水平。本研究的主要工作如下：
(1)大客流事件原因与后果分析。基于历史数据统计分析，从城市规划、“潮汐”客流、换乘车站等方面分析大客流事件的原因；从乘客、设施设备、管理三方面分析大客流事件可能导致的后果。
(2)构建数据环境。整合大客流事件记录、客流量数据、气象数据三个数据集构建连续数据环境；基于流行病学理论，按照一定的抽样原则、比例从连续数据环境中抽取大客流事件观测与对照观测，构建欠采样数据环境。
(3)大客流事件风险分析。以大客流事件延误为对象构建Hurdle模型；为描述大客流事件时空异质性的影响，在Hurdle模型中引入与车站、时间有关的随机效应构建交叉随机效应Hurdle模型。结果表明交叉随机效应Hurdle模型的拟合和预测效果均优于Hurdle模型。连续数据环境下的模型总体预测效果、大客流事件可能性预测效果优于欠采样数据环境下的模型，欠采样数据环境下的模型在大客流事件严重性预测方面优于连续数据环境下的模型。
(4)大客流事件风险因素分析。采用GradientBoostingMachine对所有影响大客流事件风险的因素进行重要性排序，结果表明进站流量，上游区间断面的流量、平均满载率及平均满载率的标准差是最重要的四个因素。采用Hurdle模型、交叉随机效应Hurdle模型定量分析大客流事件风险可能性和严重性的影响因素。
(5)大客流事件防控措施。基于大客流事件风险分析结果，从提升管理水平、完善站内设施设备、合理规划、宣传教育四方面提出大客流事件风险管控措施。
(1)大客流事件原因与后果分析。基于历史数据统计分析，从城市规划、“潮汐”客流、换乘车站等方面分析大客流事件的原因；从乘客、设施设备、管理三方面分析大客流事件可能导致的后果。
(2)构建数据环境。整合大客流事件记录、客流量数据、气象数据三个数据集构建连续数据环境；基于流行病学理论，按照一定的抽样原则、比例从连续数据环境中抽取大客流事件观测与对照观测，构建欠采样数据环境。
(3)大客流事件风险分析。以大客流事件延误为对象构建Hurdle模型；为描述大客流事件时空异质性的影响，在Hurdle模型中引入与车站、时间有关的随机效应构建交叉随机效应Hurdle模型。结果表明交叉随机效应Hurdle模型的拟合和预测效果均优于Hurdle模型。连续数据环境下的模型总体预测效果、大客流事件可能性预测效果优于欠采样数据环境下的模型，欠采样数据环境下的模型在大客流事件严重性预测方面优于连续数据环境下的模型。
(4)大客流事件风险因素分析。采用GradientBoostingMachine对所有影响大客流事件风险的因素进行重要性排序，结果表明进站流量，上游区间断面的流量、平均满载率及平均满载率的标准差是最重要的四个因素。采用Hurdle模型、交叉随机效应Hurdle模型定量分析大客流事件风险可能性和严重性的影响因素。
(5)大客流事件防控措施。基于大客流事件风险分析结果，从提升管理水平、完善站内设施设备、合理规划、宣传教育四方面提出大客流事件风险管控措施。