本發(fā)明涉及一種公交調(diào)度方法，特別涉及一種基于公交客流和站間行程時間預(yù)測的動態(tài)調(diào)度方法。

背景技術(shù)：

公共交通系統(tǒng)是城市客運交通的主要載體，其服務(wù)面廣、成本低效率高、節(jié)能低碳，與城市的形成、發(fā)展和興衰緊密相連，是衡量一個城市社會經(jīng)濟發(fā)達程度和城市建設(shè)管理水平的重要標(biāo)志。但是隨著城市人口的持續(xù)增長，帶來交通需求在時間和空間上的不均衡性，致使現(xiàn)有的公共交通系統(tǒng)往往難以滿足人們的出行需求。目前，我國城市公共交通服務(wù)水平仍然處在較低水平。公共交通的調(diào)度水平落后是公共交通服務(wù)質(zhì)量落后的根本原因之一。公交調(diào)度方法簡便，技術(shù)落后，公交智能化水平不高。大部分城市仍然沿用手工操作方式，沒有應(yīng)用當(dāng)前最新的調(diào)度技術(shù)。調(diào)度管理主要依靠人力，運營計劃依靠公交調(diào)度管理人員的經(jīng)驗制定，總體技術(shù)還比較落后。這樣的情況下，高峰期路面車流增大，車輛行駛速度減慢，容易造成交通擁堵，加上每條線路公交車輛數(shù)量有限，很容易就會造成車輛斷位和串車。對此，本發(fā)明提出了一種基于公交客流和站間行程時間預(yù)測的動態(tài)調(diào)度方法來解決以上問題。預(yù)測客流可以生成更加合理的發(fā)車時刻表，預(yù)測行程時間可以在一定程度上分析出線路擁堵時段，并根據(jù)預(yù)測結(jié)果不斷調(diào)整調(diào)度方法。

技術(shù)實現(xiàn)要素：

為解決以上問題，本發(fā)明公開了一種基于公交客流和站間行程時間的預(yù)測模型和方法以及相應(yīng)的調(diào)度方法，主要內(nèi)容包括客流統(tǒng)計和預(yù)測模型以及算法、站間行程時間分析和預(yù)測以及線路擁堵情況預(yù)測分析、調(diào)度策略。

其首先是采用了合適的預(yù)測方法對公交客流和行程時間進行了合理的預(yù)測；其次設(shè)計了針對高峰期車輛斷位和串車問題的合理的調(diào)度方法；最后降低了公交運營的成本，提高了調(diào)度策略實施的流暢性。所述方法具體包括以下步驟，

建立站點客流預(yù)測模型；

建立站間行程時間預(yù)測模型；

建立公交發(fā)車間隔模型；

基于客流預(yù)測模型和站間行程時間預(yù)測模型對公交發(fā)車間隔模型進行求解進而實現(xiàn)所述動態(tài)調(diào)度。

特別的，，所述的建立站點客流預(yù)測模型，包括，

對站點乘客上車人數(shù)進行統(tǒng)計，得到第t個類型第s個站點第i個時段的統(tǒng)計結(jié)果，xt,s(i)＝[x(1),x(2),x(3),...,x(n)]，進而建立站點客流預(yù)測模型，其具體建立過程包括：

首先建立原始的灰色模型為xt,s⁽⁰⁾(i)＝-az⁽¹⁾(k)+b,k＝2,3,...,n，

式中z⁽¹⁾(k)＝[x⁽¹⁾(k)+x⁽¹⁾(k-1)]/2,通過變形得到預(yù)測值

為了得到更加準(zhǔn)確的預(yù)測值，利用δ(1-e^a)e^-a(k-1),(k＝2,3,...,n)對所述預(yù)測值進行修正，修正的結(jié)果為

然后進一步利用馬爾可夫過程得到的修正的預(yù)測殘差值e(k)-(al+cl)/2對預(yù)測值進行修正，得到更加準(zhǔn)確的預(yù)測結(jié)果

并利用四次多項式λj(t)＝p1t⁴+p2t³+p3t²+p4t+p5擬合推算站點客流達到率；

其中，t表示類型，s表示站點，i表示第i個時段，x(1),x(2),...x(n)分別為第1天至第n天的統(tǒng)計結(jié)果，a、b為常參數(shù)，修正因子殘

差al和cl為殘差值所處狀態(tài)l的上下限，λj(t)為t時段第j個站點的乘客到達率，p1到p5為多項式參數(shù)。

特別的，所述的站間行程時間預(yù)測模型為基于l-m學(xué)習(xí)算法的神經(jīng)網(wǎng)絡(luò)預(yù)測模型；

利用l-m學(xué)習(xí)算法得到更快的收斂效果，其計算形式為

式中：δw為調(diào)整量，j(w)為雅可比矩陣，j^t(w)為雅克比矩陣的轉(zhuǎn)置，為常系數(shù)，i為對應(yīng)階數(shù)的單位矩陣，為調(diào)試參數(shù)，對于原始參數(shù)若求得的δw能使誤差指標(biāo)函數(shù)e(w)減小，則使被另一調(diào)節(jié)因子β除，反過來，若誤差函數(shù)擴大了，則用乘以β，使增大，直至誤差不再變大為止；

其中，e(w)為殘差，n為輸出向量維數(shù)。

特別的，所述的建立公交發(fā)車間隔模型為，

其中，p為車票單價；ti為第i輛車駛離車站的時刻；tj為公交車從始發(fā)站到駛離第j個站點所用時間；λj(t)為第j個站點的乘客到達率；cl為公交車每公里運營費用；

l為公交線路總長度；g為地區(qū)乘客單位時間產(chǎn)生價值；m為站點個數(shù)；n為線路配車數(shù)量；w1和w2表示權(quán)重，并且有w1+w2＝1。

附圖說明

圖1是本發(fā)明的總體流程圖。

圖2是本發(fā)明的bp神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)圖。

具體實施方式

1、總體設(shè)計

本發(fā)明的總體設(shè)計思想是：通過相關(guān)的數(shù)學(xué)模型，對公交客流以及站間行程時間進行預(yù)測，實現(xiàn)隨著客流以及行程時間變化而變化的高峰期調(diào)度方法的生成。首先，闡述了基于公交刷卡數(shù)據(jù)的線路客流以及基于公交gps數(shù)據(jù)的行程時間分析方法，接著建立了站點客流預(yù)測的改進灰色馬爾可夫模型以及建立了基于l-m算法的bp神經(jīng)網(wǎng)絡(luò)的公交車行程時間預(yù)測模型，并且根據(jù)預(yù)測的行程時間結(jié)果進行道路擁堵情況分析；最后，建立了公交車發(fā)車間隔模型并提出合理有效的高峰期調(diào)度方法。圖1是總體的流程圖。

2、公交客流分析統(tǒng)計

城市公交規(guī)劃方案和運營決策均需要以公交客流信息作為依據(jù)。通過記錄乘客上車時的刷卡數(shù)據(jù)，并保存到數(shù)據(jù)庫中，然后對刷卡數(shù)據(jù)進行挖掘分析，就可以得到相應(yīng)的特征信息，并且還能通過已知信息推測想要得到的信息以及對未來的信息進行預(yù)測。

2.1客流刷卡數(shù)據(jù)分析統(tǒng)計

正常運營情況下，每位乘客上車刷卡時都會記錄乘客刷卡時間、公交線路、上車站點以及公交車輛編號等信息。我們可以很容易對這些數(shù)據(jù)進行分析統(tǒng)計從而得到我們想要的信息。

2.1.1站點乘客上車人數(shù)統(tǒng)計

如果將一天的運營時間分成n個等間隔的時段。已經(jīng)有很多研究表明公交站點的乘客到達率是符合泊松分布或者均勻分布規(guī)律的。假設(shè)站點乘客達到率符合泊松分布。將公交一天的運營時間分成間隔為15min的眾多時間段。通過刷卡數(shù)據(jù)統(tǒng)計每個站點全天每個時間段的乘客數(shù)量，就可以得到每個公交站點全天每個時間段的乘客到達數(shù)量，從而得到站點乘客到達率。為了在一定程度上排除統(tǒng)計結(jié)果的隨機性。用來進行統(tǒng)計的數(shù)據(jù)量為一個月，并且將一個月的30天分成節(jié)日(用1表示)、非節(jié)日周末(用2表示)和普通工作日(用3表示)三種類型進行統(tǒng)計分析。這樣就可以得到每個類型每個站點第i個時段的統(tǒng)計結(jié)果：xt,s(i)＝[x(1),x(2),x(3),...,x(n)]。t表示類型，s表示線路站點。x(1),x(2),...x(n)分別為第1天至第n天的統(tǒng)計結(jié)果。

2.1.2站點下車人數(shù)推算

由于各站點的下車人數(shù)無法直接統(tǒng)計得出，但是公交的客流量和流向相對穩(wěn)定，即下行方向相應(yīng)站點下車人數(shù)占總下車人數(shù)的比例與上行方向各站點上車人數(shù)占總上車人數(shù)的比例基本一樣。通過下行方向各站點上車人數(shù)為ps′，確定s站點對乘客的吸引強度：

為在s站點上車的乘客，又在s1、s2、...、s站點下車的可能性，則乘客在m(s<m≤s)站點下車的概率為：

故全天s站點的下車人數(shù)滿足如下條件：

當(dāng)k＝s時，可通過線路全線上車人數(shù)減去前s-1個站點的下車人數(shù)總和獲得。

分析推測站點的上車人數(shù)和下車人數(shù)就可以研究線路客流od并為大站快車、點對點發(fā)車、區(qū)間車等發(fā)車模式提供依據(jù)。

2.2站點客流預(yù)測模型

2.2.1模型建立

將上面的站點客流統(tǒng)計結(jié)果進行歸一化處理有：

xt,s⁽⁰⁾(i)＝[x⁽⁰⁾(1),x⁽⁰⁾(2),x⁽⁰⁾(3),...,x⁽⁰⁾(n)]

通過對上述序列進行累加可得到單調(diào)遞增序列xk,s⁽¹⁾(i)：

xt,s⁽¹⁾(i)＝[x⁽¹⁾(1),x⁽¹⁾(2),x⁽¹⁾(3),...,x⁽¹⁾(n)]

式中：為分類類型。

將原始數(shù)據(jù)xk,s⁽⁰⁾(i)歸類于序列σ：

σ＝[σ(2),σ(3)，...，σ(n)]

式中：σ(k)＝x⁽⁰⁾(k-1)/x⁽⁰⁾(k),k＝2,3,...,n。

如果序列的值在0.1345-7.389的范圍內(nèi)，則此灰色模型滿足要求。

根據(jù)灰色理論，原始灰色模型可以表示為：

xt,s⁽⁰⁾(i)＝-az⁽¹⁾(k)+b,k＝2,3,...,n

式中：z⁽¹⁾(k)＝[x⁽¹⁾(k)+x⁽¹⁾(k-1)]/2。

此微分方程還可通過白度處理表示為：

應(yīng)用最小二乘法確定最佳參數(shù)a和b：

[a,b]^t＝(b^tb)^-1b^ty

式中，b是累積矩陣，y是常數(shù)向量。

對微分方程求解得到的逼近解為：

再還原得到預(yù)測值：

此外，精度檢驗進一步得出真實值x⁽⁰⁾(k)和預(yù)測值之間的殘差e(k)：

精度指數(shù)為1-e(k)。

通過標(biāo)準(zhǔn)均方差smse和平均絕對百分誤差mape可以進一步檢驗殘差e(k)的性能。

客流預(yù)測時可接受的mape值為小于20％，平均準(zhǔn)確率1-mape超過80％，表明此預(yù)測模型有效。

2.2.2精度修正

根據(jù)灰色理論，預(yù)測的準(zhǔn)確性受到參數(shù)a、b和背景值的影響。在gm(1,1)模型中，將z⁽¹⁾(k)看作平滑值。

z⁽¹⁾(k)＝αx⁽¹⁾(k)+(1-α)x⁽¹⁾(k-1)

式中：α為權(quán)重因子，在一般情況下取α＝0.5作為特殊值，但不是最佳值。

當(dāng)原始數(shù)據(jù)數(shù)x⁽⁰⁾(k)變得平滑，顯然，該gm(1,1)模型將獲得更精確的預(yù)測值。因此，預(yù)測數(shù)據(jù)需要進一步的修正。假設(shè)將修正為：

這樣將得出，

式中：δ為修正因子。

下面確定修正因子的值：

由于有

令可得到：

由于所以有：

通過δ(1-e^a)e^-a(k-1),(k＝2,3,...,n)獲得改進的gm(1,1)模型用于進一步預(yù)測。

2.2.3馬爾可夫過程

為了減少預(yù)測誤差，引用馬爾可夫法處理預(yù)測誤差序列{e(k),k＝2,3,...,n}。利用等概率原則將e(k)分成q個狀態(tài)(r1,r2,...,rq)，eli和eui代表每個狀態(tài)的下限和上限。令當(dāng)前狀態(tài)為ri，另一個狀態(tài)為rj，轉(zhuǎn)移概率pij為從狀態(tài)ri轉(zhuǎn)移到狀態(tài)rj。在w次狀態(tài)轉(zhuǎn)移后其中mij^(w)是在第w次從狀態(tài)ri轉(zhuǎn)移到狀態(tài)rj的頻率，mi是狀態(tài)ri的次數(shù)。則相應(yīng)的轉(zhuǎn)移概率矩陣表達為：

認(rèn)為w＝1，如果殘差e(k)下降到第i狀態(tài)，然后檢查第i行轉(zhuǎn)移概率矩陣p(1)。如果那么狀l可能是下一個轉(zhuǎn)移或預(yù)測狀態(tài)。利用al和cl的上下限，預(yù)測殘差值可以修正為e(k)-(al+cl)/2。一旦獲得殘差，就可以修正預(yù)測值。修正為：

2.3線路客流高低峰劃分

將上述預(yù)測出來的每個模式類型的整條線路客流量用k均值聚類方法進行分類，分成客流高峰、次高峰、平峰和低峰四類。由于公交車輛調(diào)度出現(xiàn)段位和串車現(xiàn)象一般只發(fā)生在客流高峰期和次高峰期所以本文就只考慮客流高峰期的調(diào)度方式。

將預(yù)測出來的每個模式類型的每個站點的一天的客流量分別用k均值聚類方法進行聚類可以得到線路每個站點的客流高峰期和次高峰期。可以用于客流高峰期站點客流的快速疏散。

2.4站點乘客到達率計算

由預(yù)測出來的各站點的上客人數(shù)就可以獲得某時間段內(nèi)的平均乘客到達率，經(jīng)過試驗發(fā)現(xiàn)四次多項式可以較好的擬合出該到達率函數(shù)：

λj(t)＝p1t⁴+p2t³+p3t²+p4t+p5

3、站間行程時間分析

公交車輛在公交線路上行駛時主要經(jīng)過路段、公交站點及交叉口三種實體，則公交車輛的行程時間由站間正常行駛時間、駐站時間和交叉路口等待時間三部分構(gòu)成。其影響因素眾多，主要有道路本身的因素、車輛本身的因素、交叉路口紅綠燈時間因素以及天氣因素。

3.1公交車行程時間預(yù)測模型

3.1.1bp神經(jīng)網(wǎng)絡(luò)概述

bp神經(jīng)網(wǎng)絡(luò)一般采用三層或三層以上的網(wǎng)絡(luò)結(jié)構(gòu)，包括輸入層、隱含層和輸出層，每層都由一定數(shù)量的神經(jīng)元組成，同層神經(jīng)元無連接，各層神經(jīng)元之間采用全互聯(lián)方式。bp算法又叫“誤差反向傳播算法”,分為信號的正向傳播和誤差的反向傳播兩部分。正向傳播時，輸入樣本從輸入層傳入，經(jīng)中間層處理后向轉(zhuǎn)向輸出層。當(dāng)輸出層輸出與期望的輸出不符合時，要將輸出誤差經(jīng)中間層反傳到輸入層，把誤差逐層分配給各層所有的神經(jīng)元，并不斷對權(quán)值和閥值進行修正。三層bp神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)示意圖如圖2所示。

上圖中，令i表示輸入層，j表示隱含層，l表示輸出層，xi代表輸入變量，wij為輸入層神經(jīng)元i與隱含層神經(jīng)元j之間的連接權(quán)重，xj為隱層神經(jīng)元的輸入值，xj’表示經(jīng)隱層神經(jīng)元處理后的輸出值，wjl為隱含神經(jīng)元j與輸出神經(jīng)元l之間的連接權(quán)重，yn表示目標(biāo)輸出。為了表達方便，一般用向量來表示各層神經(jīng)元之間的權(quán)重值，讓使用者更為清楚其結(jié)構(gòu)關(guān)系。

3.1.2模型構(gòu)建

在模型構(gòu)建過程中，可針對某一條公交線路進行數(shù)據(jù)的收集與網(wǎng)絡(luò)訓(xùn)練，運用歷史數(shù)據(jù)對bp神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，最后對模型所預(yù)測的行程時間精度進行檢驗，驗證其可行性。

(1)l-m學(xué)習(xí)算法

bp算法由信號正向傳播和誤差反向傳播組成。正向傳播主要通過求取網(wǎng)絡(luò)輸出值和目標(biāo)輸出值之間的誤差，并與設(shè)定的目標(biāo)誤差指標(biāo)對比，來決定學(xué)習(xí)是轉(zhuǎn)向反向傳播還是結(jié)束；反向傳播則是將誤差信號按原連接通路反向計算，采用l-m算法調(diào)整各層神經(jīng)元的權(quán)值和閥值，以減小誤差信號。

根據(jù)上面對bp神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的分析，針對三層神經(jīng)網(wǎng)絡(luò)，有如下算法步驟：

1、正向傳播：計算輸出。

隱含層神經(jīng)元的輸入為所有輸入的加權(quán)之和，數(shù)學(xué)表達式為：

隱含層神經(jīng)元的輸出xj'采用sigmoid函數(shù)激發(fā)xj,得：

輸出層神經(jīng)元采用線性函數(shù)，其輸出表示為：

設(shè)y(k)表示第k組數(shù)據(jù)的實際輸出值，則第k次計算的輸出誤差為：

e(k)＝y(tǒng)(k)-yn(k)

2、反向傳播：采用l-m學(xué)習(xí)算法，調(diào)整各層間的權(quán)值。權(quán)值的算法如下：

令w(k)表示第k次迭代時權(quán)值與閥值所構(gòu)成的向量,經(jīng)調(diào)整后,新向量可表示為：

wk+l＝wk+δw

設(shè)誤差指標(biāo)函數(shù)為：

式中，n為輸出向量維數(shù)。根據(jù)牛頓法則有：

式中，∨e表示為誤差指標(biāo)函數(shù)e(w)的赫賽矩陣，表示梯度。

設(shè)j(w)為雅可比(jacobian)矩陣，則上式中的∨e和可分別表示為：

∨e＝j(luò)^t(w)j(w)

則可得到：

δw＝-[j^t(w)j(w)]^-1j^t(w)e(w)

而l-m算法是一種改進的高斯—牛頓法，它的計算形式為：

式中：為常系數(shù)，i為對應(yīng)階數(shù)的單位矩陣。為調(diào)試參數(shù)，對于原始參數(shù)，若求得的δw能使誤差指標(biāo)函數(shù)e(w)減小，則使被另一調(diào)節(jié)因子β除，反過來，若誤差函數(shù)擴大了，則用乘以β，使增大，直至誤差不再變大為止。

(1)輸入變量選取及解釋

基于數(shù)據(jù)的可獲得性及變量的重要度考慮，選取如下6項指標(biāo)作為輸入變量。

l：目標(biāo)車輛距離公交車站的空間距離(km)。該數(shù)據(jù)可通過車載gps裝置自動獲取。

p：區(qū)間的道路平均占有率。該數(shù)據(jù)可通過設(shè)置于道路上的車輛檢測器獲取，此指標(biāo)反映了道路交通擁擠狀況。

q：公交站點乘客上下車人數(shù)。數(shù)據(jù)可由客流預(yù)測模型得到站點上車人數(shù)預(yù)測數(shù)據(jù)。

t：所處的時段。1代表高峰；2代表次高峰。時間定義為通過客流預(yù)測數(shù)據(jù)聚類得到。

s：運行區(qū)間的信號交叉口數(shù)量。

w：天氣情況(0代表晴天，1代表雨天，2代表濃霧天氣)。

(2)輸出變量選取

輸出變量即行程時間值。

(3)網(wǎng)絡(luò)結(jié)構(gòu)：

采用三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，根據(jù)影響因素個數(shù)，確定輸入層為6個神經(jīng)元，隱含層神經(jīng)元個數(shù)的確定可遵循經(jīng)驗公式2n+1(n為輸入層神經(jīng)元個數(shù))，確定隱含層為13個神經(jīng)元，輸出層為1個神經(jīng)元。

3.1.3l-m算法

l-m算法的計算步驟如下：

第一步：初始化權(quán)值與閥值向量wk，設(shè)定訓(xùn)練誤差允許值ε和參數(shù)β，令k＝0，

第二步：計算網(wǎng)絡(luò)輸出及誤差指標(biāo)函數(shù)e(wk)。

第三步：計算雅可比矩陣j(w)。

第四步：按計算δw。

第五步：若e(wk)<ε，則轉(zhuǎn)至第七步，否則，以wk+1＝wk+δw為權(quán)值重新計算誤差指標(biāo)函數(shù)e(wk+1)。

第六步：若e(wk+1)<e(wk)，則令并回到第二步。否則不更新權(quán)值和閥值，令并回到步驟四，直到誤差開始減小為止。

3.2線路交通擁堵情況分析

通過分析站間行程時間預(yù)測模型得出行程花間的預(yù)測結(jié)果，我們可以知道未來某天的站間行程時間。如果從平峰時段到高峰時段行程時間變化迅速的路段，可以認(rèn)為是容易引起交通擁堵的路段。考慮調(diào)度策略時應(yīng)該結(jié)合這些路段兩端點的站點客流預(yù)測數(shù)據(jù)進行綜合分析。

4、公交發(fā)車間隔模型

本模型主要創(chuàng)新點在于提出一種基于各站點不同乘客到達率預(yù)測數(shù)據(jù)的的不均勻發(fā)車間隔模型，以前后公交車到站時間段內(nèi)的乘客到達率函數(shù)計算等待時間成本。最后以乘客等車時間成本和公交運營盈利為目標(biāo)函數(shù)建立模型。

4.1模型假設(shè)

(1)公交車載客量，動力性能等一致；

(2)公交車輛在行駛中勻速，不考路面突發(fā)情況；

(3)公交車票價固定，且每公里營運費用是固定的；

(4)不存在乘客無法上車的情況；

(5)公交車不存在越站。

4.2模型建立

目標(biāo)函數(shù)：

式中：

p——車票單價

ti——第i輛車駛離車站的時刻

tj——公交車從始發(fā)站到駛離第j個站點所用時間

λj(t)——第j個站點的乘客到達率

cl——公交車每公里運營費用

l——公交線路總長度

g——地區(qū)乘客單位時間產(chǎn)生價值

m——站點個數(shù)

n——線路配車數(shù)量

w1+w2＝1，可以根據(jù)不同的情況適當(dāng)對兩者的權(quán)重進行調(diào)整。

同該模型求解出來的發(fā)車時刻表滿足了公交公司的利益與乘客利益的最大化。

5、基于客流和站間行程時間預(yù)測的調(diào)度策略

本發(fā)明通過客流預(yù)測模型利用公交刷卡歷史數(shù)據(jù)分類型的對未來某天公交線路的站點客流進行預(yù)測，將預(yù)測的結(jié)果用于線路客流高低峰時段劃分和站點客流高低峰時段劃分得出線路高峰期和每個站點的客流高峰期。通過站間行程時間預(yù)測模型分天氣類型對未來公交線路站點間的行程時間進行預(yù)測，對其進行線路交通擁堵情況分析，得到高峰期容易發(fā)生交通擁堵的路段。結(jié)合分析容易發(fā)生擁堵的路段兩端點的站點客流情況以及由發(fā)車間隔模型得到的高峰期發(fā)車時刻表綜合可以得出以下實際實用的調(diào)度策略：

(1)通過站間行程時間預(yù)測模型得到將要發(fā)生擁堵的時刻，提前在容易發(fā)生交通擁堵的路段的終點公交站點處停放一輛公交車，這樣在發(fā)生不可避免的交通擁堵的時候不但可以及時疏散一部分客流，減輕高峰期客流壓力，還可以及時的防止公交車輛的斷位情況的發(fā)生。

(2)通過客流預(yù)測模型對站點上車人數(shù)進行預(yù)測和推算站點下車人數(shù)經(jīng)過簡單的od推測可以清楚的得到高峰期上車客流較大的站點以及下車客流較大的站點。之后可以根據(jù)分析結(jié)果施行點對點快車或者大站快車，適當(dāng)延長由模型得到的發(fā)車間隔，這樣既可以在高峰期及時疏散客流，緩解高峰期的擁堵，又能有效的防止高峰期串車現(xiàn)象的發(fā)生。