Пассажиропоток в метро в день: Статистика. Пассажиропоток в метро Москвы

Содержание

Пассажиропоток Московского метрополитена — это… Что такое Пассажиропоток Московского метрополитена?

Среднесуточный пассажиропоток на линиях Московского метро

Общее среднесуточное количество пассажиров Московского метрополитена — 6,92 млн человек.[1] В среднем дважды в день и чаще метро используют 1,8 млн человек в будние дни и около 463 тысяч человек в выходные дни. В среднем ежедневно проводят в метро не менее часа 1,8 млн человек в будний день и 1,3 млн человек — в выходной. Кольцевой линией в будние дни пользуются около 80 % пассажиров метро (3,9 млн человек), пересадки используют около 3,2 млн москвичей (66 % пассажиров метро). Наибольший пассажиропоток приходится на Таганско-Краснопресненскую, Замоскворецкую, Калужско-Рижскую и Серпуховско-Тимирязевскую линии метро: в будний день ими пользуется около 3,1 млн человек. Среднесуточный пассажиропоток Московсковского метрополитена — 32 194 человек на километр линии и 52 166 человек на станцию.

Среднесуточный пассажиропоток на линиях Московского метрополитена по вестибюлям станций за сутки (по входу, тысяч человек)

1031,914

Длина: 26,2 км (39 386 чел./км) Количество станций: 19 (54 311 чел./ст.)
Улица Подбельского 44,500
Черкизовская 94,676
Преображенская площадь 70,553
Сокольники 59,133
Красносельская 26,347

Комсомольская 69,523
Красные ворота 46,285

Чистые пруды 28,597

Лубянка 43,683

Охотный ряд 81,997
Библиотека имени Ленина 59,491
Кропоткинская
41,158

Парк Культуры 66,594
Фрунзенская 45,474
Спортивная 95,552
Воробьёвы горы Неизв.
Университет 87,040
Проспект Вернадского 68,761
Юго-Западная 128,629

1362,599

Длина: 36 км (37 849 чел./км) Количество станций: 20 (68 130 чел./ст.)
Речной вокзал 121,187
Водный стадион 53,991
Войковская 93,165
Сокол 82,709
Аэропорт 63,561
Динамо 68,601

Белорусская 58,749
Маяковская
60,007

Тверская 72,868

Театральная 96,283

Новокузнецкая 67,949

Павелецкая 60,896
Автозаводская 60,679
Коломенская 97,902

Каширская 62,058
Кантемировская 65,505
Царицыно 96,381
Орехово 35,212
Домодедовская 86,836

Красногвардейская 78,321
Алма-Атинская

800,504

Длина: 22,6 км (35 420 чел./км) Количество станций: 13 (61 577 чел./ст.)
Щёлковская 124,201
Первомайская 62,988
Измайловская 40,289
Партизанская Неизв.
Семёновская 51,828
Электрозаводская 53,991
Бауманская 65,635

Курская 20,209

Площадь Революции 96,283
Арбатская 59,491
Смоленская 55,093

Киевская 57,294

Парк Победы 55,093
Славянский бульвар Неизв.

Кунцевская 30,115
Молодёжная 49,884
Крылатское 38,986
Строгино Неизв.
Мякинино Неизв.
Волоколамская Неизв.
Митино Неизв.
Пятницкое шоссе

355,180

Длина: 19 км (18 693 чел./км) Количество станций: 14 (23 941 чел./ст.)

Кунцевская 30,115
Пионерская 12,694
Филёвский парк 29,504
Багратионовская 34,771
Фили + жд 35,781
Кутузовская 32,525
Студенческая 16,467

Международная+ жд Неизв.

Выставочная Неизв.

Киевская 57,294
Смоленская 17,154
Арбатская 19,053

Александровский сад 38,240

832,862

Длина: 19,4 км (42 931 чел./км) Количество станций: 12 (69 405 чел./ст.)

Парк Культуры 82,9

Октябрьская 58,092

Добрынинская 37,718

Павелецкая 39,185

Таганская 53,339

Курская 78,695

Комсомольская+ жд+ жд+ жд 187,078

Проспект Мира 52,210

Новослободская 58,387

Белорусская 72,991

Краснопресненская 38,826

Киевская+ жд 89,742

1399,472

Длина: 37,6 км (37 220 чел./км) Количество станций: 24 (58 311 чел./ст.)
Медведково 83,587
Бабушкинская 88,258
Свиблово 48,297
Ботанический сад 30,088
ВДНХ  133,897
Алексеевская 65,379
Рижская+ жд + жд + жд 50,015

Проспект Мира 37,671
Сухаревская 36,899

Тургеневская 40,787

Китай-город 51,276

Третьяковская 67,949

Октябрьская 31,369
Шаболовская 44,948
Ленинский проспект 71,338
Академическая 61,979
Профсоюзная 70,806
Новые Черёмушки 53,765
Калужская 57,100
Беляево 56,362
Коньково 64,480
Тёплый Стан 79,216
Ясенево 70,343

Новоясеневская 18,325

1449,222

Длина: 35,9 км (40 368 чел./км) Количество станций: 19 (76 275 чел./ст.))
Планерная 48,677
Сходненская 82,748
Тушинская + жд 128,781
Спартак
Щукинская 89,055
Октябрьское поле 75,603
Полежаевская 75,139
Беговая + жд 61,717
Улица 1905 года 82,276

Баррикадная 39,562

Пушкинская 109,983

Кузнецкий мост 70,085

Китай-город 51,276

Таганская 20,869

Пролетарская 63,413
Волгоградский проспект 25,644
Текстильщики 118,849
Кузьминки 116,006
Рязанский проспект 64,177
Выхино + жд 176,629
Лермонтовский проспект
Жулебино

1092,949

Длина: 41,2 км (26 528 чел./км) Количество станций: 25 (43 718 чел./ст.)
Алтуфьево 71,770
Бибирево 57,724
Отрадное 92,101
Владыкино 31,219
Петровско-Разумовская 116,079
Тимирязевская  72,273
Дмитровская 40,269
Савёловская 61,400

Менделеевская 24,282
Цветной бульвар 39,707

Чеховская 37,115

Боровицкая 14,143
Полянка 25,343

Серпуховская 24,584
Тульская 45,149
Нагатинская 53,688
Нагорная 17,884
Нахимовский проспект 32,597

Севастопольская 13,053
Чертановская 56,532
Южная 47,757
Пражская 118,271
Улица Академика Янгеля Неизв.
Аннино Неизв.

Бульвар Дмитрия Донского Неизв.

227,941

Длина: 19,7 км (11 570 чел./км) Количество станций: 10 (22 794 чел./ст.)
Марьина Роща Неизв.
Достоевская Неизв.

Трубная Неизв.

Сретенский бульвар Неизв.

Чкаловская+ жд 47,733

Римская+ жд 9,306

Крестьянская застава 10,711
Дубровка 14,400
Кожуховская 24,077
Печатники 22,710
Волжская 20,894
Люблино 28,327
Братиславская 10,411
Марьино 53,768
Борисово Неизв.
Шипиловская Неизв.

Зябликово Неизв.
Каховская 43,400
Станции с чрезвычайно
большим пассажиропотоком
Комсомольская 187,078
Выхино 176,629
ВДНХ 133,897
Тушинская 128,781
Юго-Западная 128,629
Щелковская 124,201
Речной вокзал 121,187
Текстильщики 118,849
Пражская 118,271
Петровско-Разумовская 116,079
Кузьминки 116,006
Новогиреево 114,030
Пушкинская 109,983
Царицыно 96,381
Театральная 96,283
Площадь Революции 96,283
Станции с пассажиропотоком
менее 20 тыс. пассажиров
Римская 9,306
Братиславская 10,411
Крестьянская застава 10,711
Пионерская 12,694
Севастопольская 13,053
Боровицкая 14,143
Дубровка 14,400
Студенческая 16,467
Каширская 16,903
Смоленская (Филевская линия) 17,154
Нагорная 17,884
Новоясеневская 18,325
Арбатская (Филевская линия) 19,053
Курская 20,209
Распределение пассажиропотока по часам суток
(рабочий день-тыс.чел и %)
05:30—06:00
06:00—07:00
07:00—08:00
08:00—09:00
09:00—10:00
10:00—11:00
11:00—12:00
12:00—13:00
13:00—14:00
14:00—15:00
15:00—16:00
16:00—17:00
17:00—18:00
18:00—19:00
19:00—20:00
20:00—21:00
21:00—22:00
22:00—23:00
23:00—24:00
00:00—01:00
Давка в Московском метрополитене Схема пассажиропотоков московского метрополитена
  • 40 составов в час (при интервале 90 секунд).(В чaсы пик c 8 до 10 yтра и с 17 дo 19 чaсов вечера.) Hа Замоскворецкой линии частотa движeния до 42-45 пар поездов в час при интервале 80-85 секунд

Максимальная длина состава

    1. 6 вагонов нa Кольцевой линии и Филевской линии (типы 81-717 (головные) и 81-714), общая длина — 115,26 м. Такой состав способен вместить 1920 человек и формирует векторный пассажиропоток около 79200 человек в час. (На данный момент в часы «пик» в вагонах может находиться около 210 человек или 1230 человек на состав, что формирует векторный пассажиропоток ок. 50000 человек в час.(100,000 в двух направлениях) Это составляет 64 % макcимальнoй плотности пассажиропотокa вагонa — 10 чел/м². Однако, последний показатель не отражает реальную пропускную способность вагонов (6—8 чел/м²). Достижим он лишь при неимоверной давке в часы «пик»: 8-9 и 18-19.)
    2. 8 вагонов (типы 81-717 (головные) и 81-714), общая длина — 153,6 м. Такой состав способен вместить 2640 человек (на практике — около 1700 чел. на состав). Векторный пассажиропоток — около 105,600 чел./час (на практике — около 68,000 чел./час.(136,000 в двух направлениях), норма 60000 чел./час).
  • При условии стыковки 6 вагонов типа «Русич» длина состава достигнет 163,74 м, что превысит длину платформы (~155 м) на 4—9 м. Такой состав способен вместить 2754 человек (при плотности 17 чел. на погонный метр вагона, что является максимальной плотностью). В этом случае векторный пассажиропоток составит около 110160 чел./час.
торцевые площадки вагонов «Яуза» откидные сидения в поезде электрички
  • Многие пассажиры метро предпочитают ехать стоя. Если учесть этот факт и устроить так называемые «стоячие» вагоны (типа «Sea-Tac Airport People Mover» или если убрать половину (20 из 40) сидячих мест в четырёх вагонаx (длина этого отрезка составит около 80 м) по центру составa, куда приходится наибольшая нагрузка, то состав сможет вместить дополнительные 330 человек, что повысит общую вместимость состава до 2970 чел. и сформирует векторный пассажиропоток около 118800 чел./час. (Вместимость вагонов «Яуза» (снятыx c выпуска в 2002 году) по сравнению с 81-717.5 и 81-714.5 увеличена на 30-40 человек. Это достигается за счет того, что уменьшено число посадочных мест, за счёт этого образованы вместительные торцевые площадки.
  • При устроении специальных «сидячих» вагонов (платный люкс-вагон в конце состава с кондуктором) (такие идеи обсуждались в прессе) можно довести длину состава до 7 вагонов («Русич») или 191 м. Вxoд—выxoд в люкс-вагон на платформу будет осуществляться через торец и двеpь 6-го вагонa. Такое нововведение позволит вместить ещё 90 человек на состав и может повысить его вместимость до 2844 человек. При этом условии векторный пассажиропоток составит около 113760 чел./час.
  • При комбинации двух вышеуказанных мер можно сформировать состав из 7 вагонов «Русич» (то есть три «стоячих» вагона по центру и один «сидячий»), что увеличит вместимость состава на 435 человек (в общей сложности — 3189 чел. на состав) и создаст векторный пассажиропоток около 127560 чел./час.
  • Несколько лет назад изменилась структура пассажиропотока — из за пpaктичecкогo коллапсa уличного транспортa многие вынуждены ездить только на метрополитене. В городе насчитывается 3 млн 200 тыс. автомобилей, ежегодно автопарк увеличивается на 200 тыс. машин. В дневное время чиcленность населения Москвы достигает 13-14 млн человек и если раньше основной поток был окраина — центр, то в последнее время появились потоки c окраины нa окраинy, с которыми Кольцевая линия не в состоянии справиться. Пассажиропоток окраина-окраина вырос в результате вxода в эксплуатацию торговo-офисных площадей не только в центре, но и на окраинах. Пассажиропоток растёт по 2-3 % в год, из чего следует, что pecypcы Кольцевой линии могут быть исчеpпaны уже через 5—7 лет. В будние дни Кольцевой линиeй пользуются около 80 % пассажиров метро. Теоретически это мoжет привеcти к коллапсу системы пересадки с дpyгиx линий.

Эффект Выхино

Эффект Выхино — это ситуация, сложившаяся на некоторых линиях метро, где вагоны набиваются «под завязку» уже на конечных станциях. Эффект получил своё название от станции «Выхино», которая является второй по загруженности на Московском метрополитене (после Комсомольской). Причин тому несколько: во-первых, близ станции заканчивается ряд автобусных маршрутов. Во-вторых, устройство пересадки с пригородных электропоездов привело к практически полному коллапсу станции в часы «пик» из-за большого потока маятниковой миграции жителей подмосковных населённых пунктов. Станция перестала справляться с пассажиропотоком, поэтому у ряда пригородных электропоездов остановка на платформе «Выхино» отменена. С 8-00 до 9-00 пассажиропоток 37 900 чел. при пропускной способности на вход 27 300 чел. Некоторые пустые составы метро проезжают без остановки конечную станцию «Выхино», начиная посадку со станции Кузьминки.

Эскалаторные «пузыри»

Векторный пассажиропоток эскалаторов типа ЛТ-3 — 7500—10000 чел./час (при трёх машинах на тоннель диаметра 7,5 м). Hа наиболее напряжённых переходах центральных станций эскалаторов абсолютно недостаточно для нормального перемещения пассажиров.

эскалаторы типа ЛТ

В результате возле входа на эскалаторы в часы «пик» возникают «пузыри». В Будапештском метрополитене проблему решили путём размещения четырёх эскалаторов фирмы Orenstain & Koppel вместо трёх эскалаторов типа ЛТ-3, что повысило векторный пассажиропоток в 1,5—2 раза. Стоимость постройки второго входа на станцию может достигать 100—200 млн долларов, поэтому к этой мере прибегают нечасто. C дpyгoй cтоpoны при чрезвычайно большом пассажиропотоке нa станцию эскалаторы зачacтyю стараются иcпользовать в качестве «крана», отключая часть эскалаторов, чтобы толпа сoздавалась в перeходе и перeд туpникетами, а не на платформе. Однако на некоторых станциях время ожидания пассажиром занятия эскалатора в «пузыре» больше вне часа пик из-за отключения части эскалаторов на подъём. Поезда ходят относительно редко, а конец порции потока людей, вышедших из поезда, попадает на эскалатор лишь по прибытию следующего состава[источник не указан 688 дней].

Перегрузка вентиляции

Метро рассчитано на пассажиропоток 4—6 млн чел., в то время как сегодня он составляет уже около 6,92 млн человек. Заменить существующие точки воздухозабора (400 единиц) на новые вытяжныe установки пока не представляется возможным из-за недостатка средств. В качестве альтернативного варианта рассматривается вопрос об установке так называемых систем орошения, аналогичных тем, что применяются в Ташкенте. Oни помогут сделать воздух в метро более свежим.

Подвижной состав

Пропускная способность подвижного состава

В среднем состав Московского метрополитена имeeт 7.(3) вагонoв (типа 81-717/714)

Вместимость вагона

Вагон метро типа Ем (Длина, мм. 19210): при плотности 10 чел/м², чел. 264

ЭЛЕКТРОВАГОНЫ ТИПОВ Вагон метро 81-717/714 Длина, мм. = 19210: при плотности 10 чел/м², чел. 308/330. (ЭТО 17 чел. на погонный метр). Oбщая площадь пола вагона = 50м2.

Вагон метро 81-740/741 «Русич» (Вагон сочлененного типа. Длина, мм. 27290/26510 — в 1,5 раза длиннее, чем ЕМ-501): 346/372 чел (459 чел. при 17 чел. на погонный метр)

Парк вагонов (в среднем за сутки) 4342 Эксплуатируемый парк вагонов (в среднем за сутки) 3372. Срeднесуточный прoбег вагона 533 км. Пассажиропоток ~ 2661 чел. вагон/cyтки. T.e. в часы «пик» это в среднем по линиям метро oкoло 260—290 чел. вагон/чac. На Московском метро средняя скорость движения с учетом времени остановки между станциями, составляет ~41км/ч. Длина путeй: (2x) 278,7. Пoeздка по путям зaнимает ~13.6 чacoв. При 40-a составax в чac это мaкcимaльно 544 составa (3971 вагон). При 45-и составax в чac это мaкcимaльно 612 составoв (4486 вагонов).

Парк вагонов

Разбивка парка вагонов по линиям метро (в среднем): Кольцевая линия (222 вагона), Замоскворецкая линия (722 вагона), Сокольническая линия (411 вагонов), Таганско-Краснопресненская линия (614 вагонов), Калужско-Рижская линия (686 вагонов), Серпуховско-Тимирязевская линия (601 вагон), Арбатско-Покровская линия (296 вагонов), Филевская линия (213 вагонов), Калининская линия (196 вагонов), Люблинско-Дмитровская линия (187 вагонов).

Примечания

  1. годовой отчет московского метрополитена за 2007 г

См. также

Названа станция новосибирского метро с наибольшим пассажиропотоком — РБК

Пассажиропоток предприятия до сих пор не достиг допандемийных показателей

Фото: nsk-metro.ru

В 2021 году наиболее загруженной станцией новосибирского метрополитена стала «Площадь Маркса», наименее — станция «Маршала Покрышкина». Об этом во время пресс-конференции, 22 декабря, заявил начальник «Новосибирский метрополитен» Аркадий Чмыхайло.

«Станция с наибольшим пассажиропотоком — «Площадь Маркса» — 50 тыс. человек в рабочий день. Самый низкий пассажиропоток — станция «Маршала Покрышкина» — 10-12 тыс. человек. В день метрополитен перевозит от 250 до 260 тыс. пассажиров», — сказал Чмыхайло.

С начала текущего года МУП «Новосибирский метрополитен» перевез 68,5 млн пассажиров, заявил начальник «Новосибирский метрополитен».

«Перспектива такая, что мы выйдем на 70 — 70 с небольшим [млн человек] к концу года. Это на 11% меньше, чем в 2019 году. 20-й год мы не берем, так как это самый тяжелый год за всю деятельность метрополитена», — сказал Чмыхайло.

Наиболее распространенным способом оплаты проезда в метро является оплата банковской картой (38%). Более четверти пассажиров воспользовалось жетонам, 16% — социальными картами, чуть более 11% — картами школьников и студентов и менее 9% — Единой транспортной картой.

«Преобладают банковские карты. Это и удобно, и, наверное, выгодно. Тем более, банки регулярно проводят акции по снижению стоимости проезда в метрополитене. При этом метрополитен ничего не теряет, получая ту же самую сумму. А банки зарабатывают на своем авторитете», — сказал начальник предприятия.


Следите за деловыми новостями в Telegram-канале РБК Новосибирск

Автор

Алексей Коваленок

Пассажиропоток в столичном метро восстановился на 80%

Основная задача городских властей в транспортной сфере — обеспечить 90% москвичей станциями метро в шаговой доступности.

За 10 лет в столице построили 173 км линий метро и МЦК, 88 станций и 10 депо. До конца 2025 года на радиальных ветках московского метро планируют построить около 30 новых станций.

В этом году схема московского метро продолжит расти. За 12 месяцев планируют построить 28,3 километра линий и открыть 11 новых станций. Все они станут частью Большой кольцевой линии (БКЛ).

БКЛ — самый масштабный проект в истории метростроения в России и один из самых масштабных в мире. Длина БКЛ составит 70 км, в нее войдет 31 станция.

По словам заместителя мэра Москвы по вопросам градостроительной политики и строительства Андрея Бочкарева, развитие сети метро является одним из приоритетных направлений работы по решению транспортных проблем столицы.

«Главным проектом метростроения на ближайшие годы остается Большая кольцевая линия, однако не меньшее значение для обслуживания как существующих, так и новых городских районов имеют дополнительные участки радиальных линий», — сообщил Андрей Бочкарев.

Планируется открыть станции на уже существующих линиях, а также построить новые участки. Кроме того, территорию возле 13 станций БКЛ благоустроят.

«В рамках проектов по улучшению пешеходной и транспортной доступности этих станций метро обустроят новые удобные тротуары, которые отделят от проезжей части бордюрным камнем, заменят асфальтобетонное покрытие дорог», — рассказал заместитель Мэра Москвы по вопросам жилищно-коммунального хозяйства и благоустройства Петр Бирюков.

Он также отметил, что предусмотрено масштабное озеленение — высадка деревьев и кустарников, обустройство газонов, на маршрутах к метро поставят лавочки разных модификаций.

По данным пресс-службы столичного Департамента транспорта, пассажиропоток в метро восстановился на 80%, если сравнивать с уровнем 2019 года.

«На этой неделе мы зафиксировали рекордное количество поездок: за сутки в рабочий день в метро проезжали больше семи миллионов человек — впервые с начала пандемии», — говорится в Telegram-канале Дептранса Москвы.

Пассажиры быстрее всего возвращаются на станции около железнодорожных вокзалов, крупных производств и торговых центров.

И это неудивительно, столичный метрополитен попал в число мировых транспортных лидеров по борьбе с распространением вирусов.

Москва — город с одними из самых успешных мер борьбы с COVID-19 в метрополитене. Именно к этому выводу пришли специалисты Международного союза общественного транспорта, которые исследовали, какие именно меры против коронавируса применяют в подземках мегаполисов по всему миру.

Всего же исследователи проанализировали 16 метрополитенов практически на всех континентах: в Пекине, Сеуле, Берлине, Париже, Лондоне, Мадриде, Гонконге и многих других.

От России же участие в исследовании принимал Московский метрополитен.

Именно в метрополитене российской столицы обработку пассажирских зон проводили чаще, чем где бы то ни было. Конкурировать в этом вопросе с российской столицей могут только Пекин, Гонконг и Сингапур, свидетельствуют результаты исследования.

 

Московское метро назвало рекордный день 2019 года

https://ria.ru/20200103/1563098088.html

Московское метро назвало рекордный день 2019 года

Московское метро назвало рекордный день 2019 года — РИА Новости, 03.01.2020

Московское метро назвало рекордный день 2019 года

Московский метрополитен подвел итоги по перевозке пассажиров в 2019 году, об этом сообщила пресс-служба подземки. РИА Новости, 03.01.2020

2020-01-03T18:48

2020-01-03T18:48

2020-01-03T18:48

общество

московский метрополитен

москва

московское центральное кольцо (мцк)

/html/head/meta[@name=’og:title’]/@content

/html/head/meta[@name=’og:description’]/@content

https://cdnn21.img.ria.ru/images/155222/57/1552225720_0:80:3072:1808_1920x0_80_0_0_b2dd5d25ada75035ecdf18d576937a2c.jpg

МОСКВА, 3 янв — РИА Новости. Московский метрополитен подвел итоги по перевозке пассажиров в 2019 году, об этом сообщила пресс-служба подземки.»Рекордным по пассажиропотоку стало 27 декабря. В этот день метро и МЦК воспользовались 9 432 052 пассажира», — говорится в сообщении.Отмечается, что в 2018 году пиковые перевозки также приходились на конец декабря, но в прошлом году это было 25 декабря, тогда метро и МЦК перевезли 9 миллионов 358 тысяч пассажиров.Также в пресс-службе рассказали, что всего за 2019 год столичным метро и МЦК воспользовались свыше 2,56 миллиардов пассажиров, что на 60 миллионов больше пассажиропотока 2018 года.

https://ria.ru/20200102/1563076837.html

https://ria.ru/20200102/1563075546.html

москва

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

2020

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

Новости

ru-RU

https://ria.ru/docs/about/copyright.html

https://xn--c1acbl2abdlkab1og.xn--p1ai/

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

https://cdnn21.img.ria.ru/images/155222/57/1552225720_144:0:2875:2048_1920x0_80_0_0_0dd64370205ab7f8bde658e6fa7d6b96.jpg

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

общество, московский метрополитен, москва, московское центральное кольцо (мцк)

Названы самые загруженные станции московского метро

+ A —

Топ возглавила «Комсомольская» Кольцевой линии

Самый загруженный день в метро — четверг, а больше всего пассажиров в будни заходят и выходят на станции «Комсомольская» Кольцевой линии. В целом же в обычный мартовский день валидируется порядка 8,5 миллионов билетов всех типов.

Как рассказал «МК» заместитель руководителя ЦОДД Александр Евсин, ежедневно в рабочие дни метрополитеном столицы пользуются около 4,5 миллионов человек. А ТОП-3 самых загруженных станций, выглядит так: «Комсомольская»-кольцевая (125 тысяч проходов через турникеты), «Новогиреево» (96 тысяч) и «Щелковская» (95 тысяч).

— Максимальный пассажиропоток на вход станции «Комсомольская» в утренний час пик — 27 тыс. человек/час, — говорит Евсин. — И это только поток через турникеты, внутри станции людей проходит гораздо больше. Вечерние часы пик в столице — это промежуток с 5 до 8 вечера. Утренние же часы пик в городе достаточно сильно «размыты» — с 7 до 11 утра в некоторые будни. Самый плотный и активный день — четверг, а пятница уже больше по пассажиропотоку похожа на выходные, так как большинство заходят в метро позже обычного. В выходные же количество людей плавно увеличивается до 16 часов дня, а после идет на спад.

Как отмечает Евсин, пассажиропоток выходных отличается от будней в среднем на 25-30%. При этом, разница сильно зависит от городских праздников и погоды, в солнечный день люди чаще пользуются метро для поездок. Кстати, последний «эксперимент» с бесплатным проходом женщин 8 марта показал, что представительниц прекрасного пола в Москве приблизительно 50%.

Опубликован в газете «Московский комсомолец» №28214 от 12 марта 2020

Заголовок в газете: Станция «Комсомольская» стала рекордсменом метро

Сколько пассажиров перевезли в метро Ташкента в 2021 году

https://uz.sputniknews.ru/20220201/skolko-passajirov-vospolzovalis-uslugami-metro-tashkenta-v-2021-godu-22485336.html

Сколько пассажиров воспользовались услугами метро Ташкента в 2021 году

Сколько пассажиров воспользовались услугами метро Ташкента в 2021 году

Согласно данным Госкомстата, пассажиропоток увеличился в 2,6 раза по сравнению с аналогичным периодом 2020-го.

2022-02-01T15:32+0500

2022-02-01T15:32+0500

2022-02-01T15:33+0500

общество

ташкент

метро

пассажиры

/html/head/meta[@name=’og:title’]/@content

/html/head/meta[@name=’og:description’]/@content

https://cdnn1.img.sputniknews-uz.com/img/07e5/0a/16/21024806_0:188:2000:1313_1920x0_80_0_0_f295085f4435a3c6adf29a3969de285d.jpg

ТАШКЕНТ, 1 фев – Sputnik. Ташкентский метрополитен перевез в 2021 году около 102 млн человек, сообщает пресс-служба Государственного комитета по статистике.Согласно данным Госкомстата, пассажиропоток увеличился в 2,6 раза по сравнению с аналогичным периодом 2020-го. Тогда за год услугами метро воспользовались всего 38,8 млн человек. В Ташкентском метрополитене уволили двух сотрудников: в чем причина >>Ранее в Узбекистане произошло масштабное отключение электроэнергии. В связи с этим на некоторое время была приостановлена работа столичного метрополитена. Спасатели МЧС эвакуировали из подземки 415 пассажиров, которые застряли между станциями.Читайте также:Названы государства, которые помогли Узбекистану во время блэкаута >>

ташкент

Sputnik Узбекистан

[email protected]

+74956456601

MIA „Rosiya Segodnya“

2022

Sputnik Узбекистан

[email protected]

+74956456601

MIA „Rosiya Segodnya“

Новости

ru_UZ

Sputnik Узбекистан

[email protected]

+74956456601

MIA „Rosiya Segodnya“

https://cdnn1.img.sputniknews-uz.com/img/07e5/0a/16/21024806_0:0:2000:1500_1920x0_80_0_0_32161b1a9388b8e50a4ab72d25ee6e65.jpg

Sputnik Узбекистан

[email protected]

+74956456601

MIA „Rosiya Segodnya“

Sputnik Узбекистан

[email protected]

+74956456601

MIA „Rosiya Segodnya“

ташкент, метро, пассажиры

15:32 01.02.2022 (обновлено: 15:33 01.02.2022)

Подписаться на

Согласно данным Госкомстата, пассажиропоток увеличился в 2,6 раза по сравнению с аналогичным периодом 2020-го.

Решения Беглова по транспортной реформе ухудшили пассажиропоток в Петербурге

Решения Беглова по транспортной реформе ухудшили пассажиропоток в Петербурге

15.04.2022, 13:58 Город

Весеннее нововведение Смольного в плане «усовершенствования» работы петербургского общественного транспорта потерпело фиаско. Транспортная реформа, стартовавшая 1 апреля, оказалась крайне неудобной, но чиновники не желают принимать в расчет жалобы петербуржцев. У транспортной схемы уйма недочётов, в частности – удлинение маршрутов и появившиеся пересадки, которых раньше не было. Проблемы и недостатки требуют индивидуального рассмотрения всех поступивших жалоб.

По мнению директора Центра исследований транспортных проблем мегаполисов НИУ ВШЭ Константина Трофименко, многих жалоб можно было бы избежать, если бы Смольный оборудовал комфортные пересадочные пункты. Трофименко считает, что реформы должны реализовываться исходя из интересов обычного пассажира.

В Москве остановки оборудованы по принципу «сухих ног», но в ближайшее время Северная столица не готова перенять столичный опыт. Ориентировочное время ожидания – пара лет.

Аналитики отмечают, что беспорядок в организации пересадочных пунктов ведёт к хаосу во всей отрасли. Большинство проблем уйдут в прошлое, если Смольный наладит диалог с жителями Петербурга. По его мнению, не стоит к реформе относиться как к чему-то незыблемому, её необходимо корректировать для удобства людей.

Из-за множественных недочётов при запуске транспортной реформы многие столкнулись с серьёзными проблемами в изменении привычных маршрутов и расчёте времени на дорогу. Обещанный чиновниками тариф «60 минут» сбоил и пассажирам пришлось оплачивать проезд в двойном объёме.

Фото: pexels.com / @cottonbro

Подписывайтесь на «Galernayas.Ru» в Яндекс.Новостях и Google Новости.

Мы сообщаем главное и находим для вас интересное.

• Средняя посещаемость метро Нью-Йорка в будние дни, 2020 г.

• Средняя посещаемость метро Нью-Йорка в будние дни, 2020 г. | Statista

Другая статистика по теме

Пожалуйста, создайте учетную запись сотрудника, чтобы иметь возможность отмечать статистику как избранную. Затем вы можете получить доступ к своей любимой статистике через звездочку в шапке.

Зарегистрируйтесь сейчас

В настоящее время вы используете общую учетную запись.Чтобы использовать отдельные функции (например, пометить статистику как избранное, установить статистические оповещения) пожалуйста, войдите в свой личный кабинет. Если вы являетесь администратором, пожалуйста, авторизуйтесь, войдя в систему еще раз.

Авторизоваться

Сохранить статистику в формате .XLS

Вы можете скачать эту статистику только как Премиум пользователь.

Сохранить статистику в формате .PNG

Вы можете скачать эту статистику только как Премиум пользователь.

Сохранить статистику в формате .PDF

Вы можете скачать эту статистику только как Премиум пользователь.

Показать ссылки на источники

Как пользователь Premium вы получаете доступ к подробным ссылкам на источники и справочной информации об этой статистике.

Показать подробности об этой статистике

Как пользователь Premium вы получаете доступ к справочной информации и подробностям о выпуске этой статистики.

Статистика закладок

Как только эта статистика обновится, вы немедленно получите уведомление по электронной почте.

Да, сохранить как избранное!

…и облегчить мою исследовательскую жизнь.

Изменить параметры статистики

Для использования этой функции требуется как минимум Единая учетная запись .

Базовая учетная запись

Знакомство с платформой

У вас есть доступ только к базовой статистике.
Эта статистика не включена в вашу учетную запись.

Один аккаунт

Однокомнатный счет

Идеальный учет входа для отдельных пользователей

  • Мгновенный доступ до 1 м Статистика
  • Скачать в XLS, PDF & PNG Формат
  • Подробный Список литературы

$ 59 $ 39 / месяц

*

в первые 12 месяцев

Корпоративный счет

Полный доступ

Корпоративное решение со всеми функциями.

* Цены не включают налог с продаж.

Самая важная статистика

Самая важная статистика

Самая важная статистика

Самая важная статистика

Дальнейшая дополнительная статистика

Узнайте больше о том, как Statista может поддерживать ваш бизнес.

MTA New York City Transit. (1 апреля 2021 г.).Среднее количество пассажиров, которые входят в систему метро Нью-Йорка в будний день с 2014 по 2020 год (в тысячах) [График]. В Статистике. Получено 16 апреля 2022 г. с https://www.statista.com/statistics/1269995/new-york-city-weekday-ridership-subway/

MTA New York City Transit. «Среднее количество пассажиров, которые входят в систему метро Нью-Йорка в будний день с 2014 по 2020 год (в тысячах)». Диаграмма. 1 апреля 2021 г. Статистика. По состоянию на 16 апреля 2022 г. https://www.statista.com/statistics/1269995/new-york-city-weekday-ridership-subway/

MTA New York City Transit.(2021). Среднее количество пассажиров, которые входят в систему метро Нью-Йорка в будний день с 2014 по 2020 год (в тысячах). Статистика. Statista Inc.. Доступ: 16 апреля 2022 г. https://www.statista.com/statistics/1269995/new-york-city-weekday-ridership-subway/

MTA New York City Transit. «Среднее количество пассажиров, которые входят в систему метро Нью-Йорка в будний день с 2014 по 2020 год (в тысячах)». Statista, Statista Inc., 1 апреля 2021 г., https://www.statista.com/statistics/1269995/new-york-city-weekday-ridership-subway/

MTA New York City Transit, Среднее количество пассажиров, прибывающих Система метро Нью-Йорка в будний день с 2014 по 2020 год (в тысячах) Statista, https://www.statista.com/statistics/1269995/new-york-city-weekday-ridership-subway/ (последнее посещение 16 апреля 2022 г.)

CTA.

Обзор услуг

Управление общественного транспорта Чикаго (CTA) управляет второй по величине системой общественного транспорта в стране. В среднем в будний день CTA совершает 1,6 миллиона поездок. CTA — это региональная транспортная система, которая обслуживает 35 пригородов, помимо города Чикаго, и обеспечивает 81 процент поездок на общественном транспорте в столичном районе Чикаго с шестью округами либо с прямым сообщением, либо с подключением к Metra и Pace.

CTA имеет 1864 автобуса, курсирующих по 129 маршрутам и протяженностью 1536 миль. Автобусы совершают около 19 237 рейсов в день и обслуживают 10 768 автобусных остановок.

В системе скоростного транспорта 1492 вагона CTA обслуживают восемь маршрутов и 224,1 мили пути. Поезда CTA ежедневно совершают около 2318 рейсов и обслуживают 145 станций.

Чикаго — один из немногих городов мира, имеющих железнодорожное сообщение с двумя крупными аэропортами. Синяя линия CTA «L» может доставить клиентов в международный аэропорт О’Хара.Поезда Orange Line, курсирующие по часовой стрелке по кольцу «L», идут в аэропорт Мидуэй.

CTA также обеспечивает круглосуточное обслуживание на определенных маршрутах. Поздним вечером и ранним утром основные железнодорожные линии и некоторые автобусные маршруты CTA предлагают услугу «Ночная сова», большая часть которой имеет стыковочные расписания и маршруты.

Организация

Транзитное управление Чикаго — независимое государственное учреждение, созданное в соответствии с законодательством штата. CTA начал свою работу 1 октября.1 января 1947 года, после того как она приобрела собственность Chicago Rapid Transit Company и Chicago Surface Lines. 1 октября 1952 года CTA стала основным оператором общественного транспорта Чикаго, когда приобрела систему Chicago Motor Coach.

Управление и надзор

Руководящим органом CTA является Чикагский транспортный совет. Терри Петерсон является председателем. Правление состоит из семи членов, четверо из которых назначаются мэром Чикаго, а трое — губернатором штата Иллинойс.

Назначаемые мэром лица подлежат утверждению губернатором и городским советом Чикаго; кандидаты, назначенные губернатором, подлежат утверждению мэром и Сенатом штата Иллинойс.Повседневной деятельностью CTA руководит Дорваль Р. Картер-младший, президент.

CTA получает доход как от сбора платы за проезд, так и от доходов, не связанных с платой за проезд, а также получает дополнительное финансирование для операционных расходов через Региональное транспортное управление (RTA).

RTA было создано в 1974 году для надзора за местными транспортными операторами в столичном районе Чикаго с шестью округами. Закон штата Иллинойс требует, чтобы три совета по обслуживанию RTA — CTA, Metra (система пригородных железных дорог) и Pace (система пригородных автобусов) — в совокупности возмещали не менее 50 процентов эксплуатационных расходов за счет платы за проезд и других доходов системы.

 

Статистика и информация

Зона обслуживания

Район, обслуживаемый CTA Чикаго и 35 пригородов
Обслуживаемое население 3,5 млн
(по данным переписи 2010 г.)
Операционный бюджет на 2017 год 1 524,2 миллиона долларов
Бюджет капиталовложений на 2017 год 1 282,5 миллиона долларов

 

Райдершип

Средний рабочий день (2016)  
Автобус 826 322
Рейка 759 866
Система в целом 1.59 миллионов

 

Годовой (2016)  
Автобус 259,1 млн
Рейка 238,6 млн
Система в целом 497,7 млн ​​

 

Статистика маршрута

Автобусный маршрут миль 1 536
Автобусные мили, пройденные за день 161 192
Мили железнодорожных путей 224.1
Железнодорожные мили, пройденные за день 233 906
Мили эстакады 35,8
Мили «L» на уровне класса 35,0
Мили набережной «L» и т. д. 20,6
Мили метро 11,4
Диапазон зазоров L-образной конструкции в контуре 13 футов 3 дюйма — 19 футов 4 дюйма

 

Количество…

Автобусы 1 864
Автобусные маршруты 129
Автобусные остановки 10 768
Вагоны 1 492
Железнодорожные пути 8
Железнодорожные станции 145
Должности сотрудников 9 939

 

Важные транзитные даты в Чикаго

Начало обслуживания конных экипажей апр.25, 1859
Начало работы канатной дороги 28 января 1882 г.
Первые электрические трамваи 2 октября 1890 г.
Первая железнодорожная линия 6 июня 1892 г.
Петля приподнятая открытая 12 октября 1897 г.
Первый автобусный маршрут 25 марта 1917 г.
Начало движения троллейбусов апр.17, 1930
Станция метро State Street открыта 17 октября 1943 г.
CTA стала операционной организацией 1 октября 1947 г.
Метро Дирборна открыто 25 февраля 1951 г.
Последний трамвай проехал 21 июня 1958 г.
Служба Skokie Swift началась 20 апреля 1964 г.
Средняя скорость движения по скоростной автомагистрали:  
 — Конгресс (Эйзенхауэр) 22 июня 1958 г.
  — Дэн Райан сент.28, 1969
  — Кеннеди 1 февраля 1970 г.
Железнодорожное сообщение до О’Хара 3 сентября 1984 г.
Железнодорожное сообщение до Мидуэя 31 октября 1993 г.
Названия железнодорожных линий изменены на цвета 21 февраля 1993 г.
Введены тарифные карты 18 августа 1997 г.
Розовая линия начала работу 25 июня 2006 г.
Система оплаты проезда Ventra завершена 1 июля 2014 г.

У.С. Пассажирские мили | Бюро транспортной статистики

Примечания:

Следует проявлять осторожность при сравнении пассажиро-километров разными видами транспорта, поскольку используются существенно различающиеся определения. Режимы, которые не имеют суммы, не предназначены для суммирования. Сумма всех мод вместе не является точным представлением общего U.S. пассажиро-миль из-за двойного учета на разных видах транспорта.

Авиаперевозчик пассажиро-миль рассчитываются путем суммирования произведений самолето-миль, налетанных на каждом межаэропортовом сегменте, на количество пассажиров, перевезенных на этом сегменте. Шоссе пассажиро-миль с 1960 по 1994 год рассчитываются путем умножения транспортных миль, пройденных по данным FHWA, на среднее количество пассажиров для каждого типа транспортного средства. Средние показатели загруженности транспортных средств основаны на различных источниках, таких как Национальное обследование поездок домохозяйств, проводимое Федеральным управлением автомобильных дорог, и Обследование инвентаризации и использования транспортных средств, проводимое Бюро переписи населения.Транзитные пассажиро-мили представляют собой совокупную сумму расстояний, пройденных каждым пассажиром. Железнодорожные перевозки пассажиро-миль представляют собой перемещение 1 пассажира на 1 милю.

В июле 1997 г. Министерство транспорта США, Федеральное управление автомобильных дорог, опубликовало пересмотренные данные о пассажиро-милях для различных видов автомагистралей за несколько лет. Основное изменение отразило перевод некоторых транспортных средств из категории Легковые автомобили в категорию Прочие двухосные четырехколесные транспортные средства .Пассажирские мили для 90 116 легковых автомобилей, мотоциклов и других двухосных транспортных средств с 4 шинами 90 117 были получены путем умножения транспортных миль для этих транспортных средств на среднюю загрузку транспортных средств, полученную в ходе общенационального исследования личного транспорта (1977, 1983 и 1995 гг.). ) и Национальное обследование поездок домохозяйств (2001 г.).

В 2011 году FHWA разработала новую методологию. Эта методология использует преимущества дополнительной и улучшенной информации, доступной начиная с 2007 года, когда штаты впервые были обязаны сообщать данные о мотоциклах — до этого отчетность не была обязательной, и данные по нескольким штатам отсутствовали.Кроме того, новая методология не опирается на данные обследования инвентаризации и использования транспортных средств, которые предоставили важные данные для исходной методологии (последний VIUS был проведен в 2002 году). Данные пересмотрены по новой методологии до 2007 года, поэтому данные за 1980-2006 годы несопоставимы.

FHWA оценивает национальные тенденции, используя данные Государственной системы контроля качества и эффективности дорожного движения (HPMS), данные о расходе топлива, данные о регистрации транспортных средств и другие данные, такие как R.Данные о транспортных средствах Л. Полка и множество методов моделирования.

Вместимость транспортного средства оценивается FHWA на основе Национального обследования поездок домохозяйств (NHTS) и ежегодных данных о регистрации транспортных средств RL Polk. Данные за 2017 и 2018 гг. оцениваются по данным NHTS за 2017 г., за 2009–2016 гг. — по данным NHTS за 2009 г., за 2001–2008 гг. — по данным NHTS за 2001 г., за 1995–2000 гг. — по данным Общенационального исследования личного транспорта (NPTS) 1995 г. и до 1995 г. — по данным NPTS, Обследования инвентаризации и использования транспортных средств (VIUS). ) и Годовой отчет по статистике транспорта (TSAR).Для одиночных грузовиков и комбинированных грузовиков 1 автомобильная миля = 1 человеко-миля.

Данные за 2007 г. для автобусов, паратранзита (с учетом спроса) и прочего несопоставимы с предыдущими годами из-за изменения метода сбора и оценки данных Американской ассоциацией общественного транспорта (APTA).

Транзит Данные за 1996 год и позже несопоставимы с данными за более ранние годы или с данными, опубликованными в предыдущих выпусках отчета, из-за использования разных источников данных.

Числа могут не складываться в итоги из-за округления.

Эта редакция таблицы 1-40 не сопоставима с редакцией до 2019 года.

Описание:

КЛЮЧ: N = данные не существуют; U = данные недоступны.

a Данные за 2007 год были рассчитаны с использованием новой методологии, разработанной FHWA. Данные за эти годы основаны на новых категориях и несопоставимы с предыдущими годами.Новая категория Легковые автомобили с короткой колесной базой заменяет старую категорию Легковые автомобили и включает легковые автомобили, легкие грузовики, фургоны и внедорожники с колесной базой (WB), равной или менее 121 дюймов. Новая категория Легковые автомобили с длинной колесной базой заменяет Другие двухосные четырехколесные транспортные средства и включает в себя большие легковые автомобили, фургоны, пикапы и внедорожники с колесной базой (WB) более 121 дюйма. Это издание 1-40 не сравнимо с выпусками до издания 2019 года.

b 1960-65, Мотоцикл Данные включены в Легковой автомобиль с короткой колесной базой и Длиннотоннажный автомобиль с длинной колесной базой Данные включены в Грузовой автомобиль, односекционный 2-осный 6- шина или больше .

c Во избежание двойного счета Автобус , Троллейбус, и Реагирование на спрос (обычно называемое «паратранзитной» услугой) были вычтены из Шоссе, всего и Автобус , поскольку такие мили включены под Транзит .

d До 1985 г., за исключением Demand response и большинства сельских и небольших систем, финансируемых в соответствии с разделами 18 и 16(b)2 Федерального закона о транзите. Ряд не является непрерывным между 1980 и 1985 годами. Транзитные железнодорожные виды транспорта измеряются в вагоно-милях. Автомобильные мили измеряют пробег отдельных транспортных средств в поезде. Поезд из 10 вагонов, проходящий 1 милю, будет равен 1 поездо-миле и 10 вагоно-милям.

e Автомобильный автобус Категория включает автомобильный автобус и скоростной автобус. Пригородный автобус входит в комплект Моторный автобус с 1980 по 2010 год.

f Легкорельсовый транспорт включает легкорельсовый транспорт, городской трамвай и гибридный железнодорожный транспорт.

г Паром включен в Другое под Транзит для 1980 и 1985 гг.

h Другое включает канатную дорогу, железную дорогу Аляски, канатную дорогу, Demand Response — Taxi, наклонную плоскость, монорельсовую/автоматизированную направляющую, Publico и Vanpool.

i Национальная пассажирская железнодорожная корпорация (Amtrak) начала свою деятельность в 1971 году. Не включает пригородных пассажиров, работающих по контракту. Данные могут включать некоторые канадские станции Amtrak.

j Национальное обследование поездок домохозяйств (NHTS) включает список всех поездок, совершенных в течение 24 часов всеми членами домохозяйства в возрасте от 5 лет и старше. Для каждой поездки респонденты сообщают о цели поездки, способе передвижения (езда на велосипеде, пешком и т. д.) и других характеристиках поездки.Зарегистрированные поездки, которые не соответствовали определению поездки, были удалены (например, круговая прогулка для занятий спортом или выгула собаки, прогулка для входа или выхода из общественного транспорта). Дополнительную информацию можно найти на сайте https://nhts.ornl.gov/.

Источник:

Воздух:

Все данные, кроме авиации общего назначения:

1960: Совет по гражданской авиации, Справочник по статистике авиакомпаний , 1969 (Вашингтон, округ Колумбия: 1970), часть III, таблица 2.

1965–70: Совет гражданской авиации, Справочник по статистике авиакомпаний, 1973  (Вашингтон, округ Колумбия: 1974), часть III, таблица 2.

1975–85: Министерство транспорта США, Бюро транспортной статистики, Управление информации об авиакомпаниях, Сводка по авиаперевозчикам, T1: Сводка по трафику и пропускной способности авиаперевозчиков США по классам обслуживания , доступно на https://transtats.bts.gov / по состоянию на 25 марта 2020 г.

1990–2020: Министерство транспорта США, Бюро транспортной статистики, Управление информации об авиакомпаниях, Статистика авиаперевозчиков T-100 , доступно на https://transtats.bts.gov/ по состоянию на 20 декабря 2021 г.

Авиация общего назначения:

Eno Transportation Foundation, Inc., Transportation in America , Annual Issues (Washington, DC), стр. 40 и 45, и аналогичные таблицы в более ранних изданиях.

Шоссе:

Автобус:

1985–93: Министерство транспорта США, Федеральное управление автомобильных дорог, Сводка статистики автомобильных дорог за 1995 год , таблица VM-201A, минус категории транзитных автобусов ( Автобус, Троллейбус и Реагирование на запросы ).

1994–2020: Министерство транспорта США, Федеральное управление автомобильных дорог, Highway Statistics (Вашингтон, округ Колумбия: Ежегодные выпуски), таблица VM-1, доступна по адресу http://www.fhwa.dot.gov/policyinformation/statistics. кубических футов в минуту по состоянию на 20 декабря 2021 года, за вычетом категорий транзитных автобусов (автобус, троллейбус и служба реагирования на спрос).

Все остальные данные:

1960–93: Министерство транспорта США, Федеральное управление автомобильных дорог, Сводка статистики автомобильных дорог за 1995 год , таблица VM-201A.

1994–2020: Министерство транспорта США, Федеральное управление автомобильных дорог, Highway Statistics, (Вашингтон, округ Колумбия: Ежегодные выпуски), таблица VM-1, доступна по адресу http://www.fhwa.dot.gov/policyinformation/statistics. кубических футов в минуту по состоянию на 20 декабря 2021 г.

Транзит:

Паром:

1992: Американская ассоциация общественного транспорта, личное сообщение, 19 июля 2000 г.

1993-95: Американская ассоциация общественного транспорта, личное сообщение, авг.13, 2001.

1996–2008: Министерство транспорта США, Федеральное транспортное управление, Национальная транзитная база данных , таблица 19, доступна по адресу http://www.ntdprogram.gov/ntdprogram/data.htm по состоянию на 26 апреля 2016 г.

2009-20: Министерство транспорта США, Федеральное транспортное управление, National Transit Database (Вашингтон, округ Колумбия: Ежегодные выпуски), Служба ежегодной базы данных, доступно по адресу https://www.transit.dot.gov/ntd/ntd- данные на 8 декабря 2021 г.

Все остальные данные:

1960–1995: Американская ассоциация общественного транспорта, Справочник фактов об общественном транспорте (Вашингтон, округ Колумбия: Ежегодные выпуски), таблица 2 и аналогичные таблицы в более ранних изданиях.

1996–2008: Министерство транспорта США, Федеральное транспортное управление, Национальная транзитная база данных , таблица 19, доступна по адресу http://www.ntdprogram.gov/ntdprogram/data.htm по состоянию на 26 апреля 2016 г.

2009-20: Министерство транспорта США, Федеральное транспортное управление, National Transit Database (Вашингтон, округ Колумбия: Ежегодные выпуски), Служба ежегодной базы данных, доступно по адресу https://www.transit.dot.gov/ntd/ntd- данные на 8 декабря 2021 г.

Интерсити/Амтрак:

1960-80: Ассоциация американских железных дорог, Железнодорожные факты (Вашингтон, округ Колумбия: Ежегодные выпуски).

1985: Amtrak,  Годовой отчет Amtrak за 2095 финансовый год  (Вашингтон, округ Колумбия: 1996 г.), Статистическое приложение, стр. 4. 

1990-2000: Amtrak, Годовой отчет Amtrak (Вашингтон, округ Колумбия: Ежегодные выпуски), Статистическое приложение.

2001-20: Amtrak, Департамент управления энергетикой и Департамент по делам правительства, личное общение, 5 августа 2021 г.

Ходьба, езда на велосипеде:

Министерство транспорта США, Бюро транспортной статистики и Федеральное управление автомобильных дорог, данные Национального обследования поездок домохозяйств , июль.15, 2020.

Michelle Alyssa Занимайтесь толканием: в метро Нью-Йорка ежегодно гибнут десятки людей. Другие страны заплатили за безопасность.

Placeholder while article action load

Всего за несколько дней в Нью-Йорке в этом месяце двух человек столкнули на пути метро, ​​что, по словам полиции, было неспровоцированным нападением.

Одну из пострадавших, 40-летнюю Мишель Алиссу Го, толкнули под поезд на станции Таймс-сквер.15. В ее смерти обвиняли бездомного мужчину. Другой пострадавший, 62-летний мужчина, был выброшен на рельсы в воскресенье на станции Фултон-стрит, но выжил, получив легкие травмы.

Столичное транспортное управление зафиксировало 169 столкновений между поездами и людьми в 2020 году, 63 из них со смертельным исходом, по данным некоммерческого новостного агентства The City. В прошлом году произошло 62 столкновения со смертельным исходом. Сара Файнберг, в то время исполнявшая обязанности президента New York City Transit, сообщила новостному агентству, что 12-9 — радиокод человека под поездом — не только «абсолютно разрушительны» для жертвы, но и «травматически» для машинистов поездов.

Сотни людей собрались на Таймс-сквер 18 января, чтобы почтить память Мишель Го, убитой после того, как ее столкнули под поезд метро 15 января. (Видео: Reuters) миллионы ежедневных пассажиров и гальванизированные призывы к властям лучше защитить пассажиров. Но хотя такие эпизоды случаются редко, они также представляют огромную проблему для Нью-Йорка и Соединенных Штатов в целом. По данным Bay Area Rapid Transit в Калифорнии, ни одна крупная железнодорожная система общественного транспорта в США не устанавливала двери-ширмы на существующих станциях.

Во многих других крупных городах мира правительства установили барьеры — от простых перил до высокотехнологичных раздвижных стеклянных дверей — для предотвращения несчастных случаев, самоубийств и преступлений, совершенных на путях.

Вот несколько стран, которые внедрили или экспериментировали с дополнительными мерами безопасности для пассажиров поездов.

Через несколько дней после смерти Мишель Го на рельсы нью-йоркского метро вытолкнули еще одного человека.

Японское метро, ​​состоящее из нескольких крупных поставщиков поездов, известно своей привередливой пунктуальностью.

Но после смерти человека с нарушениями зрения, упавшего на рельсы в Мачиде, японское правительство в 2011 году призвало железнодорожные компании установить двери вдоль платформ на станциях, которые посещают более 100 000 пассажиров в день, сообщает японская газета Mainichi.

Со временем все больше станций стали возводить защитные барьеры. Некоторые установили стеклянные двери платформы во весь рост, которые автоматически открываются и закрываются при прибытии поезда. Другие использовали прочные автоматические барьеры половинной длины.Другие экспериментировали с новыми методами, в том числе с барьером из длинного канатоподобного экрана из стальной проволоки, запрограммированного на подъем и опускание при приближающемся поезде.

Согласно отчету за 2015 год, подготовленному специалистами по планированию West Japan Railway Co., ворота «проволочного типа» стали успешным экспериментом: 90 процентов пассажиров приветствовали повышенный уровень безопасности, который они испытали, и поддержали дальнейшие установки.

Чтобы преодолеть трудности, связанные с тем, что поезда разных поставщиков с разными конфигурациями дверей используют одни и те же пути, двери поездов имеют QR-коды, которые считыватели QR на платформе сканируют, чтобы одновременно открывать двери поезда и платформы.

Tokyo Metro, оператор метрополитена в Японии, была первой компанией в стране, применившей двери платформы в 1991 году. По словам обозревателя Japan Times Элис Горденкер, работайте по ночам, чтобы не прерывать обслуживание. Отчет Mainichi за 2016 год показал, что две трети самых загруженных станций Японии по-прежнему не имеют барьеров.

В Бразилии уже более десяти лет в метро Сан-Паулу устанавливаются двери-ширмы.На многих новых станциях есть автоматические стеклянные двери во всю длину, которые выше самих поездов.

В 2019 году правительство объявило о дальнейшем расширении установки дверей платформы на 36 станциях с дополнительной проблемой модернизации старых станций. Каждая новая дверь должна быть не менее 2,1 метра (почти семь футов) в высоту, быть в основном прозрачной и иметь датчик, сканирующий наличие людей в промежутках между дверями.

«Двери-экраны на платформе повышают эффективность метро, ​​потому что они практически исключают возможность для пассажира создавать какие-либо помехи на пути — от мусора, брошенного на пути, до аварии с падением людей, их толканием или попытками самоубийства», — Жоао. Об этом заявил в 2018 году Октавиано Мачадо Нето, тогдашний муниципальный секретарь по вопросам мобильности, сообщает Rail Journal.

A estação Jardim Colonial da Linha 15-Prata passou a operar diariamente, das 9 à 16 horas a partir desta segunda (17). Este horário será ampliado gradativamente, possibilitando a realização de testes e ajustes nos demais períodos até que ocorra a operaçao em horário Integral pic.twitter.com/EOHkZfFdg2

— Metrô de São Paulo (@metrosp_oficial) 17 января 2022 9022

Париж также запустил инициативу по установке дверей платформы на своих станциях, что является частью капитального ремонта некоторых из старейших маршрутов парижского метро.Некоторые из систем не требуют водителя и полностью автоматизированы.

В октябре компания Clearsy, генеральный подрядчик по частичному развертыванию дверей платформы, объявила об открытии дверей на нескольких линиях парижского метро, ​​в том числе на изогнутых станциях.

Метро Нью-Йорка является одним из старейших в мире и ежегодно обслуживает более 1,5 миллиарда пассажиров. (В 2020 году это число было ближе к 600 миллионам). Первая станция метро была открыта в 1904 году.

Учитывая обширный размер сети, обслуживающей более 470 станций, и своеобразный дизайн сотен старых платформ, власти Нью-Йорка уже давно заявляют, что возведение барьеров безопасности было бы непрактично и астрономически дорого. .

Политическая воля также, кажется, отсутствует, несмотря на всплеск интереса каждые несколько лет после того, как смерть от толчка привлекает всеобщее внимание. «Это настолько редкое явление, что, каким бы трагичным оно ни было, оно не должно менять наш образ жизни», — сказал Майк Блумберг в 2013 году, когда он был мэром, сообщает Atlantic.

«MTA изучило этот вопрос и определило ряд препятствий для оснащения системы дверями на краю платформы, включая несоосность дверей поезда, размещение колонн, конструкцию платформы и необходимость поддерживать или создавать доступность в соответствии с требованиями американцев. Закон об инвалидах», — заявил представитель столичного транспортного управления Аарон Донован.«В прошлом месяце MTA создало Целевую группу по вторжению на пути, чтобы активно находить решения для обнаружения и предотвращения инцидентов, связанных со столкновением поездов с людьми на путях. Эта работа ведется».

Дженнифер Хассан внесла свой вклад в этот отчет.

Через день после перестрелки метро Нью-Йорка гудит от пассажиров

Люди идут по платформе метро через день после инцидента со стрельбой на станции метро в Бруклине, Манхэттен, Нью-Йорк, Нью-Йорк, США, 13 апреля 2022 года.REUTERS/Andrew Kelly

Зарегистрируйтесь прямо сейчас и получите БЕСПЛАТНЫЙ неограниченный доступ к Reuters.com

Зарегистрируйтесь

НЬЮ-ЙОРК, 13 апреля (Рейтер) часы обратного отсчета, пока они ждали поезда в среду, на следующий день после того, как мужчина выстрелил из пистолета в пассажиров в вагоне метро.

В интервью пассажиры сказали, что они были расстроены весьма необычным нападением, в ходе которого мужчина начал стрелять после того, как взорвал дымовые канистры в вагоне метро, ​​в результате чего 10 человек получили неопасные для жизни ранения.читать дальше

Но даже после нескольких других вспышек насилия на станциях в этом году пассажиры говорили, что им нужно добраться до работы, занятий или дома, и городское метро, ​​одно из крупнейших в мире, остается для них самым эффективным способом путешествовать.

Зарегистрируйтесь сейчас и получите БЕСПЛАТНЫЙ неограниченный доступ к Reuters.com

Зарегистрируйтесь

«Я был немного осторожен, но, эй, мы вернулись к нормальной жизни», — сказал Мэтью Моск в поезде N, который только что проехал через 36-ю улицу Бруклина. станции через день после того, как одна из ее платформ была залита кровью раненых всадников.«Нью-Йорк сильный. Как будто этого никогда не было».

Пожилые жители Нью-Йорка говорят, что метро было гораздо менее опасным, чем когда они были молоды, а преступность была распространена в поездах, покрытых граффити. Новоприбывшие в город сказали, что могут чувствовать себя в большей безопасности.

Большинству понравилась идея увеличить количество полицейских, хотя некоторые задавались вопросом, насколько они могут изменить ситуацию.

Мэр Эрик Адамс, бывший капитан полиции, вступивший в должность в январе, уже увеличил количество полицейских в Транзитном бюро до 3500, превысив 3250 офицеров, направленных в систему прошлым летом в связи с резким увеличением его предшественника.Во вторник Адамс заявил, что временно удвоит это число.

В среду днем ​​на бруклинской станции DeKalb Avenue никого не было видно.

Лирик Арчибальд, 17 лет, жительница Бруклина, ожидающая поездки в школу на Манхэттене, где она учит учеников играть в Дабл Датч со скакалкой, сказала, что большинство полицейских, которых она видела, были наверху от платформ, ожидая, чтобы поймать прыгающих через турникет.

«Мне кажется, что полицейские должны защищать нас, но иногда мне кажется, что они этого не делают», — сказала она, прежде чем ее блестящий поезд Q без граффити с визгом въехал на станцию.

Должностные лица подконтрольного государству столичного транспортного управления (MTA), управляющего метрополитеном, говорят, что серьезные преступления в системе остаются относительно редкими, но пассажиры сообщают, что чувствуют себя менее безопасно, когда станции и поезда пустеют, особенно после сообщений о громких преступления.

Массовые расстрелы в метро, ​​как во вторник, практически неслыханны, и жители Нью-Йорка возвращаются к 1980-м годам для сопоставимого эпизода. Что касается другой преступной деятельности, данные о преступности Департамента полиции Нью-Йорка показывают смешанную картину, поскольку из-за пандемии количество пассажиров сейчас составляет около 60% от того, что было два года назад.

За первые два месяца 2022 года количество крупных преступлений в метро сократилось до 383 с 524 за первые два месяца 2020 года. Количество ограблений снизилось до 110 по сравнению со 151 за тот же период 2020 года;

До пандемии каждый будний день совершалось около 5,5 млн поездок на метро, ​​но в первой половине 2020 года пассажиропоток резко упал из-за резкого роста числа случаев заражения COVID-19. Многие жители Нью-Йорка начали работать из дома, как и жители пригородов. Туристы почти исчезли.

MTA, около 40% доходов которого получают от оплаты проезда на поездах и автобусах, а также дорожных сборов, работало с Адамсом и его предшественником над поощрением пассажиров к возвращению. В сентябре прошлого года пассажиропоток в будние дни превысил 3 миллиона поездок, а на прошлой неделе каждый будний день совершалось в среднем 3,3 миллиона поездок.

На платформе DeKalb Avenue Джози Чу, 19-летняя студентка экономического факультета, проверяла записи на своем ноутбуке. Она переехала из Лос-Анджелеса два года назад и регулярно ездила на метро только во время пандемии.

«Это просто небезопасно, особенно для азиатов», — сказала она, отметив убийство Мишель Го, американки азиатского происхождения, мужчиной, который толкнул ее на рельсы на Таймс-сквер в январе.

Через несколько мест Майкл Галиндез, 49-летний электрик, ждал, чтобы отвести свою дочь-подростка в художественный класс. Он вырос в Восточном Нью-Йорке, самом бедном районе Бруклина, и сказал, что ездил в метро один с 10 лет.«Сейчас все немного спокойнее».

Тем не менее, он думал, что в поезде едет меньше офицеров, чем в его юности, и его раздражал всплеск нарушений правил: он наказал как минимум одного человека за курение в поезде. По его словам, было больше людей с проблемами психического здоровья.

«У многих людей много проблем, и здесь нет никого, кто мог бы их решить», — сказал он. «Знаешь, я не хочу, чтобы меня зарезали за то, что я сказал кому-то бросить курить».

Зарегистрируйтесь сейчас и получите БЕСПЛАТНЫЙ неограниченный доступ к Reuters.com

Регистрация

Отчет Джонатана Аллена из Нью-Йорка; Дополнительный репортаж Александры Михальской в ​​Нью-Йорке; под редакцией Пола Томаса и Дэвида Грегорио

Наши стандарты: Принципы доверия Thomson Reuters.

MTA фиксирует самый высокий уровень пассажиропотока в метро во время пандемии

MTA сообщило о рекордном пассажиропотоке во время COVID-19, что ободрит одно из крупнейших транспортных ведомств США, которое столкнулось с катастрофическим сокращением пассажиропотока в результате пандемии.

Чиновники

MTA New York City Transit объявили о новом рекорде количества пассажиров в метро в связи с пандемией: в пятницу, 23 апреля, было зарегистрировано 2 119 655 поездок. Это наибольшее количество поездок, совершенных в метро с начала пандемии COVID-19 в Нью-Йорке, и впервые за время пандемии пассажиропоток метро достиг отметки в 2,1 миллиона человек. 9 апреля пассажиропоток метро превысил отметку в 2 миллиона человек.

«Пассажиропоток метро и восстановление города Нью-Йорка идут рука об руку», — сказала Сара Файнберг, временный президент NYC Transit.«Возвращение пассажиропотока — это постоянная хорошая новость, поскольку город продолжает восстанавливаться после пандемии. Мы с нетерпением ждем новых достижений, продолжая обслуживать Нью-Йорк».

Также 23 апреля было совершено 1 146 881 автобусная поездка и 3 729 поездок по железной дороге Статен-Айленда, всего в тот день было совершено 3 270 265 поездок.

MTA заявляет, что за год с начала пандемии оно провело беспрецедентные протоколы очистки и дезинфекции, чтобы обеспечить максимальную безопасность системы для своих клиентов.Управление утверждает, что оно также развернуло активные кампании по просвещению населения и выдало своим клиентам миллионы масок. Использование масок в системе остается высоким: более 98 процентов клиентов носят маски во время поездок на общественном транспорте. MTA также улучшило свою карту Live Subway Map, чтобы пассажиры могли находить места вакцинации по всему городу.

До пандемии среднее количество пассажиров в будние дни в системе метро обычно превышало 5,5 миллиона человек. Эта цифра упала более чем на 90 процентов до минимума примерно в 300 000 ежедневных поездок в апреле прошлого года, когда число случаев COVID-19 достигло пика в районе Нью-Йорка.Ежедневные автобусные поездки в то время сократились почти на 75 процентов по сравнению с показателями до пандемии и упали примерно до 600 000 автобусных поездок в день.

Сотрудники

New York City Transit продолжали обслуживать передовых медицинских работников и других основных работников, которым нужно было добраться до работы в одни из самых тревожных дней в истории Нью-Йорка.

Прогнозирование пассажиропотока метро в различных условиях движения

Abstract

Прогнозирование пассажиропотока важно для эксплуатации, управления, эффективности и надежности системы городского железнодорожного транспорта (метро).Здесь мы используем крупномасштабные данные смарт-карт метро Шэньчжэня, крупного города Китая, для прогнозирования динамических пассажиропотоков в сети метро. Были проанализированы четыре классические прогностические модели: историческая средняя модель, модель многослойной нейронной сети персептрона, модель регрессии опорных векторов и модель деревьев регрессии с градиентным усилением. Обычные и аномальные условия движения были определены для каждой станции метро с помощью алгоритма пространственной кластеризации приложений с шумом на основе плотности (DBSCAN).Точность предсказания каждой прогностической модели была проанализирована в обычных и аномальных условиях трафика, чтобы изучить условия высокой производительности (обычные условия трафика или аномальные условия трафика) различных моделей прогнозирования. Кроме того, мы изучили, насколько заранее можно точно прогнозировать пассажиропотоки с помощью каждой модели прогнозирования. Наш вывод подчеркивает важность выбора правильных моделей для повышения точности прогнозирования пассажиропотока, а также тот факт, что характерные модели пассажиропотоков более заметно влияют на точность прогнозирования.

Введение

Общественный транспорт играет незаменимую роль в современных больших городах. Развитие общественного транспорта рассматривается как наиболее эффективный способ решения повсеместных проблем с транспортными заторами [1, 2]. Метрополитен рассматривается как основа городского общественного транспорта и характеризуется высокой скоростью, удобством и массопотоковыми характеристиками [3–7]. Несмотря на то, что услуги метро постоянно совершенствуются во многих крупных городах, модернизированное предложение обычно не может удовлетворить еще более быстро растущие потребности в мобильности людей, особенно в развивающихся странах.По сравнению с открытием новых линий или увеличением частоты движения поездов интеллектуальное управление является более разумным и экономичным способом повышения уровня обслуживания. Это требует точного и надежного прогнозирования пассажиропотоков для более эффективного использования пропускной способности сетей метрополитена. Несмотря на то, что были предложены некоторые модели прогнозирования пассажиропотока, мы вновь рассмотрели эту важную проблему с двух новых точек зрения.

Сначала мы проанализировали эффективность различных моделей прогнозирования при различных условиях пассажиропотока (трафика).В общем, условия движения можно разделить на обычные условия, например, утренние поездки в обычный будний день, и аномальные условия, такие как всплески пассажиропотока на определенной станции метро из-за крупного коммерческого или развлекательного мероприятия. Кроме того, дисперсия времени в пути в условиях перегрузки заметно больше, чем в состоянии свободного потока [8]. Мы определили условия движения на каждой станции метро, ​​используя алгоритм пространственной кластеризации приложений с шумом на основе плотности (DBSCAN), и исследовали высокопроизводительные модели пассажиропотока в различных условиях движения.

Во-вторых, в предыдущих работах редко изучалось, насколько заранее можно точно предсказать пассажиропотоки с помощью каждой модели прогнозирования. Большинство моделей тестировались путем ввода данных, собранных во временном окне, для прогнозирования пассажиропотока в следующем смежном временном окне. Однако этот тип настройки входных данных сложно реализовать на практике, поскольку сбор данных смарт-карт обычно происходит с задержкой. Кроме того, для некоторых практических применений, таких как предотвращение большого скопления людей, которое может создать опасную ситуацию скопления людей, важно прогнозировать пассажиропотоки задолго до того, как будет реализована высокая плотность скопления людей, потому что трудно эвакуировать толпы с высокой плотностью как безопасно и быстро.

Далее мы делаем краткий обзор существующих моделей прогнозирования трафика, которые в целом можно разделить на три типа: (1) математические аналитические модели; (2) модели имитации дорожного движения; и (3) модели обнаружения знаний.

Ранние модели прогнозирования дорожного движения в основном основывались на математических аналитических подходах. Типичными примерами являются модели временных рядов, которые включают модель авторегрессии (AR), модель скользящего среднего (MA), модель авторегрессионного скользящего среднего (ARMA) и модель авторегрессионного интегрированного скользящего среднего (ARIMA).В 1927 г. Юл разработал модель AR для изучения периодичности числа солнечных пятен Вольфера [9]. В этой модели AR кривая временного ряда соответствовала линейной комбинации наблюдаемых исторических значений. Уокер разработал модель MA на основе модели AR в 1931 г. [10]. Модель MA использовала линейную комбинацию исторических случайных возмущений и ошибок прогноза для получения текущего прогнозируемого значения. В том же году Уокер предложил модель ARMA, которая объединила модель AR и модель MA.В 1970 году Бокс и Дженкинс предложили модель ARIMA [11], которая включала в модель ARMA процесс дифференцирования (значения данных заменялись разностью текущих значений данных и значений исторических данных).

Несмотря на долгую историю модели временных рядов, впервые она была использована в транспортных исследованиях Ахмедом и Куком в 1979 г. [12]. Они использовали модель ARIMA для прогнозирования транспортных потоков на автострадах; однако точность предсказания не удовлетворяла. В 1980-х годах Стефанедес и Окутани соответственно применили модель исторического среднего (HA) и модель фильтра Калмана к системе управления городским движением Миннеаполис-Стрит и Нагоя-Сити [13, 14].Недавно Ван и др. . [15] разработал общий подход к прогнозированию состояния движения на автомагистралях в реальном времени на основе стохастического макроскопического моделирования транспортных потоков и расширенной фильтрации Калмана, а Ли изучал прогнозирование транспортных потоков на основе теории нечетких множеств интервального типа 2 [16]. Учитывая, что на модель HA сильно влияют случайные помехи, модель фильтра Калмана использовалась для корректировки коэффициента усиления Калмана каждый раз, что приводило к большой вычислительной нагрузке. Временные ряды состояний трафика иногда демонстрируют очевидные периодические изменения (ежеквартально, ежемесячно, еженедельно и т. д.).), и, таким образом, сезонная модель ARIMA (SARIMA) была разработана Уильямсом и Хоэлем в 2003 году для регистрации периодических изменений состояния трафика [17]. Они применили модель SARIMA для прогнозирования транспортных потоков на автомагистралях и обнаружили, что она превосходит модель HA. Недавно Шимбински и др. . [18] предложили новую модель, названную топологически-регуляризованной универсальной векторной авторегрессией (TRU-VAR) для прогнозирования транспортных потоков, которая работает лучше, чем модель ARIMA. Кроме того, Сюэ и др. .[19] предложили гибридную модель, сочетающую модель временных рядов с алгоритмом интерактивной множественной модели (IMM) для прогнозирования краткосрочного спроса на пассажирские автобусы, она превосходит модель временных рядов. Ма и др. . [20] использовали модель регрессии с географическим и временным взвешиванием (GTWR) для определения пространственно-временного влияния искусственной среды на пассажиропоток.

Модели имитации дорожного движения стали широко использоваться с популяризацией компьютеров в научных исследованиях. В 2001 году Хробок и др. .[21] представили подход, основанный на микросимуляторе, для прогнозирования транспортного потока в сети автомагистралей земли Северный Рейн-Вестфалия. В 2010 году МакКри и др. . [22] предложил новый гибридный подход, который сочетает в себе преимущества модели моделирования трафика и теории линейных систем. В их модели динамика трафика сначала моделировалась с использованием континуальной математической модели для получения соответствующих параметров трафика на участках дороги, а полученные параметры использовались в качестве входных данных для байесовской модели для прогнозирования транспортного потока.При тех же требованиях к точности прогнозирования гибридный подход повысил эффективность вычислений по сравнению с моделью байесовской сети.

В последние годы методы обнаружения знаний стали чаще использоваться для прогнозирования трафика. Репрезентативные методы включают непараметрический регрессионный анализ, искусственные нейронные сети, машины опорных векторов, вейвлет-анализ и дерево решений с градиентным усилением [23]. В 1991 году Дэвис и Нихан применили непараметрическую регрессию для прогнозирования транспортного потока на автостраде; однако точность предсказания была ниже, чем у линейного метода временных рядов [24].Двенадцать лет спустя Кларк применил метод многомерной непараметрической регрессии для прогнозирования состояния движения на автомагистрали [25]. Этот метод был прост и легок в реализации, требовал лишь скромного хранения данных и давал достаточно точные краткосрочные прогнозы транспортного потока и занятости петли (в процентах времени, в течение которого петля проходит транспортное средство).

Искусственные нейронные сети появились в 1940-х годах и впервые были использованы для прогнозирования транспортных потоков Витулкасом в 1993 году [26].Он использовал искусственную нейронную сеть для прогнозирования состояния трафика на городской дорожной сети. Два года спустя Догерти подвел итоги применения нейронных сетей в транспортных исследованиях [27]. Сообщество исследователей транспорта стало свидетелем взрыва интереса к нейронным сетям в 1990-х годах. Для прогнозирования условий дорожного движения было предложено множество моделей нейронных сетей. Репрезентативные примеры включают модель многослойной нейронной сети персептрона [28], нейронную сеть с радиальной базисной функцией [29, 30], искусственную нейронную сеть на спектральной основе [31], нейронную сеть с задержкой по времени [32] и рекуррентную нейронную сеть [33].Также изучались модели, сочетающие нейронные сети с другими факторами (например, временные ряды [34], генетические алгоритмы [35], правила нечеткой логики [36], декомпозиция по эмпирическим модам [37] и т. д.).

Методы опорных векторов были официально опубликованы в 1995 г. [38], а исследования по регрессии опорных векторов (SVR) начались в 1997 г. [39]. Регрессия опорных векторов использовалась для прогнозирования времени пробега [40, 41]. Ву и др. . [40] подтвердили возможность применения регрессии опорных векторов для прогнозирования времени в пути, средние относительные ошибки для путешествий на разные расстояния были менее 5% в тестовом наборе данных.Ванаджакши и др. . [41] обнаружили, что регрессия опорных векторов работает лучше, чем искусственная нейронная сеть, когда обучающих данных меньше или когда в обучающих данных много вариаций. Недавно Цзян и др. . [42] объединили ансамблевую эмпирическую модовую декомпозицию с методом опорных векторов Грея для прогнозирования краткосрочного пассажиропотока высокоскоростных железных дорог (HSR), а средние абсолютные процентные ошибки гибридной модели составляют около 6%, что работает лучше, чем модель SVM и модель ARIMA.

Вейвлет-анализ, который был разработан в 1980-х годах, обычно используется для разложения набора исходных сигналов транспортного потока на сигналы с различными временными рядами, чтобы отразить и различить внутреннюю тенденцию изменения и стохастическое возмущение транспортных потоков. Он и др. . [43] предложили метод, основанный на вейвлет-разложении и реконструкции в сочетании с моделью временных рядов для прогнозирования объема трафика. А обработанные сигналы с различными характеристиками можно комбинировать с динамической нейронной сетью [44], машинами опорных векторов [45] и другими методами для прогнозирования потока трафика.

В этом исследовании использовались данные смарт-карт более 6 миллионов пассажиров метро и географические данные сети метро Шэньчжэня. Мы проанализировали четыре классические прогностические модели: модель среднего исторического значения (HA), модель нейронной сети многослойного персептрона (MLP), модель опорной векторной регрессии (SVR) и модель деревьев регрессии с градиентным усилением (GBRT). В отличие от предыдущих исследований, мы изучили высокопроизводительные модели в различных условиях движения и изучили, насколько заранее можно точно прогнозировать пассажиропотоки с помощью каждой модели прогнозирования.

Статья организована следующим образом. В разделе II описываются географические информационные данные и данные о мобильности пассажиров, использованные в этом исследовании. В разделе III представлены модели и алгоритм прогнозирования пассажиропотока, используемые для классификации условий пассажиропотока (движения). В разделе IV анализируются и обсуждаются результаты прогнозирования пассажиропотока с помощью различных моделей, а также определяются высокопроизводительные модели при различных условиях движения и различных условиях реализации модели (как долго пассажиропотоки прогнозируются заранее).В разделе V подводятся итоги и обсуждаются направления будущих исследований.

Материалы и методы

Данные

Данные географических информационных систем (ГИС) и данные смарт-карт пассажиров метро Шэньчжэня были предоставлены Транспортным управлением Шэньчжэня. Сбор данных проводился в 2014 г.; сбор данных смарт-карт шел с 1 октября 2014 г. по 31 декабря 2014 г. В 2014 г. сеть метрополитена насчитывала 118 станций метрополитена. Станции, открытые после 2014 года, не учитывались из-за отсутствия данных смарт-карт для новых станций.Как только пассажир метро использует свою смарт-карту при входе или нахождении на станции метро, ​​записываются время, идентификатор карты и идентификатор станции метро. За трехмесячный период сбора данных было создано в общей сложности 262 миллиона записей о пассажирах. В некоторые дни данные отсутствовали несколько часов или целый день; поэтому в этом исследовании использовались только дни с полными записями (всего 80 дней).

Трехмесячный период наблюдения был разбит на 7680 временных окон, каждое из которых длилось 15 минут.Принимая во внимание период работы Шэньчжэньского метрополитена, период сбора данных для каждого дня составлял с 7:00 до 22:30. Таким образом, для обучения данных и данных тестирования используется только 62 временных окна в каждый день. Окна времени с 22:30. до 7:00 не учитываются, потому что в ночное время доступно мало данных смарт-карты. Мы рассчитали количество пассажиров, входящих на станцию ​​метро s в течение каждого временного окна t , пассажиропоток N в ( s , t ), а также количество вышедших пассажиров. Станция метро s в течение каждого временного окна t , исходящий пассажиропоток N аут ( s , t ) ().В исследуемой сети метрополитена наблюдается неоднородное распределение пассажиропотоков (). Поток пассажиров может быть аппроксимирован двумя различными функциями подгонки для больших и малых N in ( s , t ) (серые пунктирные линии нанесены для направления глаз):

( а), (b) в пассажирском потоке N в в ( S , T ) и выход на пассажир N OUT ( S , T ) каждой станции метро с во временном окне 9:00.м.–9:15 обычного рабочего дня в 2014 г.

Распределение пассажиропотока на разных станциях метрополитена неоднородно. (a) для входящего пассажирского потока N в ( s , t ), (b) для исходящего пассажирского потока N 17977 6 7 из 17 , т ).

  • Fit1: P ( N в ( S , T )) = 0,017 ( N в ( S , T )) −0.304 при N в ( с , т ) ≤ 150 человек;

  • Fit2: P ( P ( N в ( S , T )) = 0,009 EXP (-0.006 N в ( S , T )) при N в ( с , т ) > 150 чел.

Выходящий пассажиропоток также может быть аппроксимирован двумя различными функциями фитинга для больших и малых N out ( s , t ) (серые пунктирные линии нанесены на график) ):

  • fit3: P ( N из ( s , t )) = 0.017 ( N OUT ( 9980, T )) -0.384 Когда N N OUT ( S , T ) ≤ 150 человек;

  • Fit4: P ( N ( S , T )) = 0,005 EXP (-0.004 N Out ( S , T )) при N вых ( с , т ) > 150 чел.

примерно 58,47% в пассажирском потоке N в ( S , T ) и 50% от пассажирских потоков N из ( с , t ) были менее 200 пассажиров/15 мин; на некоторых станциях пассажиропоток превышал 1000 пасс./15 мин. В следующих разделах, измеренные в пассажирском потоке N в ( S , T ) и выход на пассажир N Out ( S , T ) использовались в качестве наземных данных для обучения моделей прогнозирования пассажиропотока и проверки результатов прогнозирования.

Данные использованной смарт-карты метро были разделены на две части. В качестве обучающего набора данных использовалась первая часть данных о поездках пассажиров в метро за октябрь и ноябрь 2014 года. Вторая часть данных, отражающая количество поездок пассажиров в метро за декабрь 2014 года, использовалась в качестве тестового набора данных. Обучающие наборы данных были обозначены D = {( x 1 , Y 1 ), ( x

0 2 , y 2 ), …, ( x , , Y N )}, где x R R D представляют собой вход особенности обучающих данных, а y n R l представляют выходные результаты обучающих данных.Размер выборки n равен 59, поскольку в обучающем наборе данных были данные смарт-карт за 59 дней. Измерения данных d и l представляют количество входных и выходных признаков, используемых в моделях соответственно.

Модели прогнозирования

При прогнозировании пассажиропотока станции метро s во временном окне t цель станция метро s называется целевой станцией 7 6 1 9016 , а временное окно цель называется целевым временным окном.Мы оценили производительность четырех прогностических моделей при различных условиях реализации модели; предсказания были сделаны в разном количестве ( n шаг ) временных окон до t цель , и n шаг были протестированы = 8,7,7, шаг 9018. Здесь мы кратко представим преимущества и недостатки каждой из четырех прогностических моделей, использованных в этом исследовании. Модель HA легко реализовать на практике, но она плохо работает в непредвиденных условиях трафика.Используемая в исследовании нейронная сеть многослойного персептрона (MLP) обучается с использованием обратного распространения. В целом, модель MLP хорошо работает для описания сложных и нелинейных отношений; однако обычно для этого требуется большой объем данных и сложные процедуры обучения. Для используемой модели SVR для прогнозирования пассажиропотока использовалась линейная функция ядра; однако выбор лучших функций ядра является нерешенной проблемой в этом научном сообществе. Наконец, модель GBRT использует отрицательный градиент функции потерь в качестве оценки остатков.В целом модель GBRT также хорошо работает при изучении сложных и нелинейных отношений; однако он не может обучать данные параллельно.

В созданной модели HA в качестве прогностического результата использовался средний поток пассажиров (или средний поток исходящих пассажиров) в течение целевого временного окна t цель всех дней в наборе обучающих данных. в целевом временном окне для всех дней в наборе данных тестирования. Очевидно, что модель HA была не в состоянии отразить случайные возмущения пассажиропотоков и, следовательно, имела наихудшую точность прогнозирования и служила базовой моделью для сравнения с тремя другими моделями.Для модели MLP, модели SVR и модели GBRT потоки пассажиров N в ( с , t ) во временном окне t всех дней в обучающем наборе данных использовались как входные данные и пассажиропотоки N in ( s , t target ) в течение целевого временного окна всех дней в обучающем наборе данных использовались в качестве выходных данных для обучения. модель; t is n шаг временные окна до целевого временного окна t цель .В данный день тестируемого набора данных, в пассажирских потоках N в ( S , T ) использовались в качестве входных данных для прогнозирования N в ( S , t цель ), где t есть n шаг временные окна до целевого временного окна t

цель 9. Параметр n step определяет, как долго выполняются предварительные прогнозы.Точно так же были созданы модели для прогнозирования N из ( s , t цель ). Методы создания модели MLP, модели SVR и модели GBRT кратко описаны в следующих подразделах. Пожалуйста, обратитесь к литературе [46–49] для получения дополнительной информации о поколениях этих моделей.

Тренировка набора данных D = {( x 77 1 , y 1 ), ( x 2 , y 2 ), …, ( x , Y Y N )}, x R D 6, Y n R l использовались в модели MLP, модели SVR и модели GBRT.Параметры d и l представляют размеры x и y соответственно. В данной работе параметры d = 1, l = 1 выбраны потому, что только пассажиропотоки самой станции используются в качестве входных данных модели для прогнозирования пассажиропотоков станции. Параметр n представляет размер выборки D (т. е. данные смарт-карты за 59 дней в обучающем наборе данных).

Принятие прогноза исходящих пассажиропотоков N из ( s , t target target

0 ) на станции метро «Окно а» 9.м.–9:15 утра 30 декабря, например, s обозначает станцию ​​метро «Окно мира», а t цель обозначает целевое временное окно 9:00–9:15. При прогнозировании пассажиропотоков в одном временном окне перед целевым временным окном ( n шаг = 1) исторический пассажиропоток на станции s в течение временного окна t цель − 1 Из всех дней в тренировке DataSet D = {( x 1 , Y 1 ), ( x

0 2 , y 2 2 ),…,( x n , y n )}.Для предлагаемого примера x n представляет собой исходящий пассажиропоток на станции метро «Окно Мира» во временном окне 8:45–9:00 n -го дня. в обучающей выборке, а y n представляет собой исходящий пассажиропоток станции «Окно мира» во временном окне 9:00–9:15 n -го дня. в обучающем наборе данных.

Модель нейронной сети многослойного персептрона

Многослойный персептрон представляет собой искусственную нейронную сеть с прямой структурой, которая отображает набор входных векторов в набор выходных векторов.MLP состоит из нескольких слоев, включая входной слой, один или несколько скрытых слоев и выходной слой. Каждый слой нейронов взаимосвязан со следующим слоем нейронов. Нет связи между нейронами в одном слое, и нет связи между слоями. Как для скрытого слоя, так и для выходного слоя нейроны имеют функции активации, тогда как на входном слое нейроны получают только входной набор данных и не имеют функций активации. Процесс обучения в нейронных сетях включает настройку весовых коэффициентов связи между нейронами и порога каждого функционального нейрона.

Мы рассмотрели трехслойную MLP-сеть, состоящую из d входных нейронов, скрытого слоя из q скрытых нейронов и выходного слоя из l выходных нейронов. Порог j -го нейрона в выходном слое определяется как θ j , а порог h -го нейрона в скрытом слое определяется как γ

7 h . Вес соединения v ih представляет вес между i -м нейроном во входном слое и h -м нейроном в скрытом слое, тогда как вес соединения w hj 7 между h -м нейроном в скрытом слое и j -м нейроном в выходном слое.jk−yjk)2.

(1)

Обновление любого параметра v определяется как v v + Δ v . Процесс обучения МЛП с обратным распространением выглядит следующим образом.

Шаг 1: Ввод обучение набора данных D = {( х 1 , у 1 ), ( х 2 , у 2 ), …, ( x , , y N )}, x N R 60116 D , y n R l и определить функцию активации.В этой статье количество скрытых нейронов q установлено равным 100, допуск для критерия остановки установлен равным 0,0001 (т. е. значение (1) меньше 0,0001), а максимальное количество итераций равно 200.

Шаг 2: Все веса соединений и пороги в нейронной сети инициализируются случайным образом в диапазоне (0, 1).

Шаг 3: Для ( x k , y k ), (^β−j−j и функция ), в соответствии с текущими параметрами у^к.jk−yjk)2.

Шаг 4: Обновить весы соединения W HJ и V и IH IH и пороги θ j и γ H .

W H J H H J + δ W H J ,

(2)

V I H I H H + δ V I H ,

(3)

γ H γ ч + Δ γ ч .

(5)

Алгоритм обратного распространения ошибки (ОП) на основе стратегии градиентного спуска корректирует параметры [46, 47].

Шаг 5: Повторяйте шаги 1–4 до тех пор, пока значение (1) не будет удовлетворять заданному допуску для критерия остановки.

Модель регрессии опорных векторов

Функция ядра Φ используется для отображения данных в многомерном пространстве признаков таким образом, что задача нелинейной аппроксимации во входном пространстве преобразуется в задачу линейной аппроксимации в многомерной функции Космос.Общие функции ядра включают линейное ядро, полиномиальное ядро, гауссовское ядро, ядро ​​Лапласа и сигмовидное ядро, где функция нелинейного отображения равна ) = Φ ( x 0116 I ) T Φ ( x J ). Цель модели регрессии опорных векторов состоит в том, чтобы найти гиперплоскость раздела с максимальным запасом.Гиперплоскость раздела представлена ​​ F ( x ) = W T Φ ( x ) + B , где W R d — вектор нормали, b — смещение.

Предположим, что ε — это ошибка, связанная между значением наблюдения y и предсказанным значением f ( x ).С f ( x ) в качестве центра устанавливается эпсилон-трубка шириной 2 ε , а затем задача формализуется [46] как

minw,b12‖w‖2+C∑i=1nlε(f(xi)−yi),

(6)

где C — штрафной коэффициент, а

lε(z)={0,если|z|≤ε;|z|−ε, иначе.

(7)

Таким образом, модель регрессии опорных векторов можно описать следующим образом.

Шаг 1: Набор данных ввода D = {( x 1 , Y 1 ), ( x

0 2 , y

0 2 ), …, ( x , Y Y N )}, x N R D , y y N R L и выберите функцию ядра K ( x

0 , , x J ) .В данной работе в качестве функции ядра выбрано линейное ядро, параметр C установлен равным 1, ε установлен равным 0,1, а допуск критерия остановки установлен равным 0,001 (т. е. значение (6) меньше 0,001).

Шаг 2: Поиск наилучшего решения α¯(*)=(α¯1,α¯1*,…,α¯l,α¯l*) задачи

minα,α*12∑i,j=1n(αi*−αi)(αj*−αj)k(xi,xj)+ε∑i=1n(αi+αi*)−yi∑i=1n( αi*−αi)

(8)

s.t.∑i=1n(αi−αi*)=0

0≤αi,αi*≤C,i=1,2,…,n.

Шаг 3: Рассчитать параметр b .Выберите положительный подвектор α¯(α¯j>0) или положительный подвектор α¯*(α¯j*>0) и вычислите параметр

b=yj−∑i=1n(α¯i*−α¯i)k(xi,xj)+ε,0<α¯j

b=yj−∑i=1n(α¯ i*−α¯i)k(xi,xj)−ε,0<α¯j*

(9)

Шаг 4: Получите модель

f(x)=∑i=1n(αi*−αi)k(x,xi)+b.

(10)

Модель деревьев регрессии с градиентным усилением (GBRT)

Модель деревьев регрессии с градиентным усилением (GBRT) описывается следующим образом.

Шаг 1: Ввод обучение набора данных D = {( х 1 , у 1 ), ( х 2 , у 2 ), …, ( x , , y N )}, x N R 60116 D , y n R l и функция инициализации

f0(x)=argminc∑i=1nL(yi,c).

(11)

(11)

Функция потери л ( y , F ( x )) = ½ ( y 9009 — x x )) 2 , где постоянное значение c минимизирует значение ∑i=1nL(yi,c), а именно c максимально близко к y i . Здесь f 0 ( x ) — дерево только с одним узлом.

Шаг 2. Набор обучающих данных используется в качестве входных данных для итеративного построения M деревьев, M в этой статье установлено равным 100.

(a) Для м -го дерева, м = 1,…, M вычислить отрицательный градиент функции потерь в текущей модели

rmi=−[∂L(yi,f(xi))∂f(xi)]f(x)=fm−1(x).

(12)

Затем используйте r mi в качестве оценки остатков, где i = 1,…, n , ∂ обозначает производную1, а .

(б) Подходит регрессионное дерево для R MI для получения регионов узла листьев R MJ дерева м , где J = 1,2, …, J и J — количество листовых узлов, которое не ограничено в настоящем исследовании.

(c) Для области листового узла R mj , где j = 1,2,…, J , вычисление наилучшего подходящего значения функция потерь L ( y , f ( x )).

C M J = Arg Min C Σ x R R M J L L Y Y I , F M -1 ( -1 ( x I ) + C ).

(13)

Затем обновить

fm(x)=fm−1(x)+∑j=1JcmjI(x∈Rmj).

(14)

Шаг 3: Окончательная модель прогнозирования

f˜(x)=fM(x)=∑m=1M∑j=1JcmjI(x∈Rmj).

(15)

Обнаружение аномального пассажиропотока

Алгоритм DBSCAN использовался для выявления аномального пассажиропотока. Мы нормализовали входящий или исходящий пассажиропоток станции метро s в течение каждого временного окна t дня N ( s , t ) с минимальным и максимальным значениями N ( s , t ), наблюдаемых в одном и том же временном окне в течение всего периода сбора данных, и принять его за исходный набор данных S .В алгоритме DBSCAN максимальный радиус окрестности ε определяет eps-окрестность точки данных i S , обозначаемую как N ε ( i 0 1 ) { i 0 1 ) ∈ S | dist ( i , j ) ≤ ε }, а MinPts определяет минимальное количество точек данных в пределах eps-окрестности. Евклидово расстояние dist ( i , j ) = | Н ( с , т ) j Н ( с , т ) | был использован для определения местоположения ε окрестности каждой точки данных i , и использовалась типичная установка параметра MinPts = 4.Максимальный радиус окрестности ε был установлен с использованием вероятности четвертого расстояния (4-dist) [50]: расстояние между точкой данных и ее четвертым ближайшим соседом обозначается как 4-dist. Распределение вероятностей 4-dist аппроксимировалось экспоненциальной функцией, и значение 4-dist, при котором наклон кривой аппроксимации равнялся -1, использовалось в качестве настройки параметра ε .

Пассажиропотоки классифицированы с использованием алгоритма DBSCAN: пассажиропотоки, превышающие максимальный поток f ε крупнейшего кластера, классифицированы в состояние аномального пассажиропотока (трафика).Пассажиропотоки меньше или равные f ε классифицировались как обычные. Используем исходящие пассажиропотоки N out ( s , t ) на станции метро «Окно Мира» в временном окне 19:00–19:15. Например (). Здесь с обозначает станцию ​​метро «Окно мира», целевое временное окно прогноза t = 76. Метка каждого кластера, сгенерированного алгоритмом DBSCAN, обозначается меткой ( r ), где 1 ≤ r n c , n c — общее количество кластеров.Во время окна времени T I -й день, выходные потоки на исследуемой станции S обозначены как этикетки ( N , T ) и ). Когда этикетка этикетка ( N OUT ( S , T ) 5 I ) одинаково с ярлыком самого большого кластера сгенерированной лейбл ( R ) MAX , порог пассажирский поток F ε определяется F ε = Max метка ( N OUT , T ) I ) = Label ( R ) MAX ( N U U T ( S , T ) I ).

Обнаружение аномального пассажиропотока на станции метро «Окно в мир».

(а) Пассажиропотоки станции метро «Окно в мир» за весь период наблюдения. Аномальные потоки и обычные потоки различаются зеленой линией f ε . (b) Красные кружки представляют аномальный пассажиропоток станции во временном окне с 19:00 до 19:15, а синие кружки представляют пассажиропотоки в обычных условиях движения.

В исходящих пассажиропотоках N out ( s , t ) на станции «Окно мира» Шэньчжэньского метрополитена показаны каждые 15 минут временные окна. С помощью алгоритма DBSCAN был определен пороговый пассажиропоток f ε для каждого 15-минутного временного окна. Аномальный рост пассажиропотока наблюдался 31 декабря, что было вызвано фейерверком на площади парка культуры и отдыха «Окно в мир» [51].Для всех станций метро аномальный приток пассажиров обнаружен в 12,2 % временных окон, а исходящий — в 10,3 % временных окон.

Результаты

Прогнозирование динамических пассажиропотоков

Предыдущие модели прогнозирования пассажиропотоков редко анализировались в аномальных условиях движения, таких как внезапные всплески пассажиропотоков на конкретной станции метро из-за массовых коммерческих или развлекательных мероприятий. В аномальных условиях движения пассажиропоток может превысить максимальную пропускную способность, которую может обеспечить станция метро; Поэтому необходимо оперативное управление для обеспечения безопасности и порядка в метрополитене.Кроме того, в условиях большого скопления людей ограничения в работе метро могут быть важным способом предотвращения потока пассажиров в людные места, что позволяет избежать опасных ситуаций скопления людей [52]. Поэтому прогнозирование пассажиропотока в аномальных условиях движения даже важнее, чем прогнозирование потока в обычных условиях.

Для оценки точности прогноза использовались три типичных индекса: средняя абсолютная ошибка в процентах (MAPE), дисперсия абсолютной ошибки в процентах (VAPE) и среднеквадратическая ошибка (RMSE):

MAPE=1n∑i=1n|yi−y^iyi|×100%,

(16)

VAPE=Var(|yi−y^i|yi)×100%,

(17)

СКО=1n∑i=1n(y^i−yi)2,

(18)

Где y = { y = { y 1 , y 2 , .n} — последовательность значений предсказания, а n — количество значений наблюдения.

приведены результаты прогноза и наземное наблюдение пассажиропотока на станции метро «Окно в мир» в обычный будний день (30 декабря 2014 г.) и в день, когда произошли массовые мероприятия на площади у станции метро (31 декабря 2014 г.). , 2014). Характеристики четырех прогностических моделей были одинаковыми в обычных условиях дорожного движения, и все модели давали точные результаты прогнозирования. Однако в условиях аномального движения модель HA не смогла уловить тенденцию к резкому росту пассажиропотока, как ожидалось, и прогноз модели GBRT имел большие колебания.Между тем, модель SVR и модель MLP имели относительно хорошие характеристики. Результаты, показанные на рисунке, подчеркивают важность выбора правильной модели для различных условий движения.

Прогностические результаты в сравнении с наземными данными для станции метро «Окно мира», когда n шаг = 1.

(a) Результаты для типичного рабочего дня. (б) Результаты за день, когда вблизи станции произошли массовые события.

показывает значения RMSE, MAPE и VAPE прогнозных результатов пассажиропотоков на станции «Окно в мир» на основе моделей SVR, MLP, GBRT и HA.Время прогнозирования равно n шаг = 1 временное окно впереди целевого временного окна.

Таблица 1

Средняя ошибка четырех моделей, когда N шаг = 1.

СВР 90,622
декабря
RMSE Maпе
(%)
VAPE
(%)
RMSE MAPE
(%)
VAPE
(%)
8,83 1,30 209,10 12,98 0,60
MLP 68,91 11,50 1,39 145,58 10,33 0,44
GBRT 50,37 9,22 0.95 274.75 274.75 17.11 1,72 1,72
HA 86,72 19.20155 19.09 29 718.70 29.12 6,72

Высокопроизводительные области различных прогностических моделей

окно n цель . Когда был установлен больший шаг n , результаты прогнозирования пассажиропотока могли быть получены раньше; при этом точность прогноза снижалась, поскольку не использовались более свежие данные.Здесь мы исследовали области высокой производительности различных моделей прогнозирования в обычных и аномальных условиях трафика. показаны прогнозные пассажиропотоки на станции метро «Окно мира» 30 декабря 2014 г. Мы обнаружили, что в обычных условиях, за исключением модели MLP, прогностические модели работали хорошо, даже когда прогноз пассажиропотока проводился за 2 часа до целевое временное окно. Точность прогнозирования модели MLP начала снижаться, когда шаг n превышал два временных окна, указывая на то, что в обычных условиях трафика модель MLP хорошо работала только для краткосрочного (менее 30 минут) прогнозирования. .

Результаты четырех моделей при прогнозировании рекордов исходящего пассажиропотока на станции метро «Окно в мир» 30 декабря 2014 г. соответственно.

показывает спрогнозированные пассажиропотоки станции метро «Окно мира» 31 декабря 2014 г. В отличие от результатов при обычных условиях движения, мы обнаружили, что при аномальных условиях движения модель MLP показала лучшие результаты.Учитывая, что модель HA нечувствительна к времени прогнозирования, одинаковые результаты прогнозирования были получены для разного количества временных окон n шага , что прогноз делается до целевого временного окна, и модель HA не могла зафиксировать аномальное состояние трафика вообще. Для всех прогностических моделей точность прогнозирования была неприемлемой, когда целевое временное окно было на четыре временных окна (1 час) позже, чем время прогнозирования. Предсказанные результаты всех моделей имели тенденцию приближаться к средним историческим значениям, когда n шаг ≥ 4.

Результаты четырех моделей при прогнозировании рекордов исходящего пассажиропотока на станции метро «Окно в мир» 31 декабря 2014 г. соответственно.

показывает значения RMSE, MAPE и VAPE прогнозных результатов пассажиропотоков на станции «Окно в мир» на основе моделей SVR, MLP, GBRT и HA. Прогноз был сделан на 1-8 временных окон раньше целевого временного окна, соответственно.

Таблица 2

Средняя ошибка четырех моделей.

918.70
RMSE
30 декабря 31 декабря
н шаг СВР MLP GBRT HA СВР MLP ГБРТ HA
1 56,22 68,91 50,37 86.72 209,10 145,58 274,75 718,70
2 56,68 88,19 58,99 86,72 335,46 216,29 346,33 718,70
3 60.22 11036 61.43 61.43 86.72 434.83 434.83 285.31 413.02 718.70
4 57.31 131.77 74,33 86,72 510,15 346,55 507,99 718,70
5 54,90 144,90 71,67 86,72 576,58 403,94 588,75 718,70
6 6 53.65 151.60 68.89 86.72 612.60155 612.60155 449.57 649.52 718.70155 718.70
7 55.40 154,21 72,24 86,72 649,76 490,85 689,43 718,70
8 56,16 159,15 85,71 86,72 691,83 536,35 726,10 718.70
Maпе (%)
31 декабря 9015 N Step SVR MLP GBRT HA SVR MLP ГБРТ ГА
1 8.83 11,50 9,22 19,20 12,98 10,33 17,11 29,12
2 10,09 13,50 10,22 19,20 16,80 11,73 19,59 29.12
3 9.98 15.85 , 10.26 , 19.30 20.30 14.08 14.08 23.90 23.90 29.12
4 11.08 18,48 11,96 19,20 23,76 16,53 25,77 29,12
5 10,91 19,14 12,17 19,20 27,06 18,56 28,51 29.12
6 6 10.72 19.83 12.37 19.09 28.70 21.94 21.94 30.08 29.12 29.12
7 11.67 20,06 13,08 19,20 28,90 22,80 31,30 29,12
8 11,17 21,03 12,81 19,20 30,15 24,18 33,66 29.12
Vape (%)
31 декабря
N N SVR MLP GBRT HA SVR MLP ГБРТ ГА
1 1.30 1,39 0,95 2,23 0,60 0,44 1,72 6,72
2 1,42 1,54 0,90 2,23 1,41 0,91 2,06 6.72
3 1.02 1.29 0.81 0.81 2.23 1.91 0,94 2.62 6.72 6.72
4 0.97 1,87 0,91 2,23 2,93 1,38 3,21 6,72
5 0,82 1,47 1,30 2,23 3,43 1,75 3,20 6.72
6 0,91 1.91 1.23 1.23 3.93 3.93 1.83 4.15 6.72 6.72
7 0.89 2,07 1,51 2,23 4,38 1,96 4,42 6,72
8 0,96 2,34 1,95 2,23 5,05 2,69 4,74 6,72

Мы суммировали производительность четырех прогностических моделей в . В обычных условиях трафика ошибки прогнозирования модели SVR, модели MLP и модели GBRT увеличивались с увеличением количества временных окон n шага между временем прогнозирования и целевыми временными окнами.В частности, значения RMSE и MAPE результатов прогнозирования модели MLP увеличивались намного быстрее, чем для моделей SVR и GBRT. Когда прогноз был сделан n шаг > 5 временных окон раньше, чем целевое временное окно, модель MLP имела еще худшую производительность, чем модель HA. Минимальное MAPE = 16,9% было получено моделью SVR, когда n шаг = 2, что означает, что самые последние данные могут быть не лучшими входными данными.Кроме того, модель GBRT имела большее значение VAPE, чем модели MLP и SVR. Все результаты, взятые вместе, показывают, что модель SVR показала лучшие результаты в условиях обычного трафика.

Анализ производительности прогностических моделей.

(a), (b), (c) Работа четырех прогностических моделей в условиях обычного исходящего пассажиропотока для всех станций в течение всего периода испытаний. (d), (e), (f) То же, что и (a), (b) и (c), но для результатов в условиях аномального исходящего пассажирского потока.

Когда был установлен больший n шаг (время прогнозирования ( t ) раньше, чем целевое временное окно и модель GBRT увеличивались быстрее в условиях аномального трафика, чем в условиях обычного трафика Значение RMSE и значение MAPE результатов прогнозирования модели MLP, модели SVR и модели GBRT были одинаковыми, но для большинства n шагов настройки модели MLP были немного лучше.Минимальное MAPE = 18,0% было получено моделью MLP, когда n шаг = 2, что также подразумевает, что самые последние данные могут быть не лучшими входными данными. Модель GBRT имела большее значение VAPE, когда n шаг был небольшим, который медленно увеличивался с увеличением n шаг ; между тем, значение VAPE для предсказания модели MLP было небольшим, когда n шаг ≤ 2, но впоследствии имело более быстрый рост.В конечном счете, модель MLP показала лучшие результаты в условиях аномального трафика. и показывает значения RMSE, MAPE и VAPE для четырех моделей при различных настройках для прогнозов входящего и исходящего пассажиропотока.

Таблица 3

Средняя ошибка всего пассажиропотока всех станций.

+
RMSE
Обычные Аномальное
н шаг СВР MLP GBRT HA СВР MLP GBRT HA
1 32.57 34,27 37,34 87,16 65,71 58,17 86,38 162,09
2 41,15 44,24 43,32 87,16 86,69 73,54 92,37 162.09
3 51.91 56.98 51.11 51.11 87.16 98.04 98.02 98.77 98.77 162.09 162.09 4 64.68 70,85 58,38 87,16 105,96 102,05 106,85 162,09
5 72,32 82,74 64,39 87,16 115,83 115,81 111,66 162.09
6 75.65 75.65 92.17 68.65 87.16 87.16 127.21 130,67 118.09 162.09
7 78,04 98,19 69,72 87,16 128,26 141,21 124,02 162,09
8 79,88 102,37 70,66 87,16 126,41 148,13 127,95 162,09
MAPE (%)
Обычные Аномальное
н шаг СВР MLP GBRT HA СВР МЛП ГБРТ ХА
1 15.16 17,05 15,62 24,22 17,12 14,78 18,18 34,21
2 15,75 18,68 16,35 24,22 18,83 16,54 19,73 34.21
3 3 16.48 20.41 17.05 24.22 24.22 20.35 18.14 18.14 20.56 34.21 34.21 4 17.09 22,01 17,72 24,22 21,79 20,05 21,54 34,21
5 17,50 23,27 18,02 24,22 23,17 22,17 22,39 34.21
6 6 17.88 24.60 18.46 24.22 24.22 24.35 24.22 23.02 23.02 34.21 34.21
7 18.11 25,53 18,68 24,22 24,67 26,08 23,52 34,21
8 18,32 26,43 18,80 24,22 25,32 28,10 23,91 34.21
VAPE (%)
Обычные Аномальное
н шаг СВР MLP GBRT HA СВР MLP ГБРТ ХА
1 5.66 6,70 7,46 13,38 2,13 2,01 2,17 2,27
2 5,87 6,86 7,91 13,38 2,25 2,34 2,40 2.27
3 7.01 8.69 9.24 9.24 13.38 13.39 2.48 2.39 2.27 2.27
4 8.09 9,98 10,39 13,38 2,65 3,08 2,60 2,27
5 8,58 9,50 10,24 13,38 3,21 4,14 2,77 2.27
6 9 9.68 11.27 11.48 13.38 13.53 5.28 5.28 2.80 2.27 2.27
7 9.34 10,61 11,23 13,38 3,42 6,34 2,86 2,27
8 9,37 10,97 10,95 13,38 3,67 8,11 2,93 2.27

Таблица 4

Средняя ошибка всего исходящего пассажиропотока всех станций.

+ + + + +
RMSE
Обычные Аномальное
н шаг СВР MLP GBRT HA СВР MLP GBRT HA
1 40.76 44,95 42,15 78,53 91,41 76,78 122,53 195,62
2 42,09 47,47 44,09 78,53 98,56 80,46 122,72 195.62
3 49.14 58.06 50.20155 50.20155 78.53 116.20155 116.20155 96.77 131.51 195.62
4 54,38 68,22 54,99 78,53 133,71 111,96 139,23 195,62
5 60,54 80,00 58,68 78,53 150,79 132.11 149.09 195.62
6 64.63 91.99 91.99 62.68 78.53 161.55 147.50 159,90 195,62
7 68,90 107,22 69,25 78,53 170,30 167,59 164,74 195,62
8 68,33 117,66 66,26 78,53 171,93 180,23 169,14 195,62
MAPE (%)
Обычные Аномальное
н шаг СВР MLP 17.12 20,29 17,35 23,65 21,60 18,86 22,40 35,19
2 16,92 20,20 17,28 23,65 20,87 17,99 22,03 35.19
3 17.59 22.07 18.02 23.65 23.65 23.10 20.16 23.36 33.99 35.19 35.19
4 17.70 22,81 18,17 23,65 23,97 21,20 23,91 35,19
5 18,19 24,56 18,79 23,65 25,37 23,14 24,87 35.19
6 18.30 18.30 25.37 18.90 23.65 23.90 26.04 24.29 25.47 25.47 35.19 35.19
7 18.59 26,77 19,15 23,65 27,22 26,20 26,03 35,19
8 18,61 27,56 19,15 23,65 27,60 27,89 26,40 35.19
VAPE (%)
Обычные Аномальное
н шаг СВР MLP GBRT HA СВР MLP ГБРТ ХА
1 7.21 7,01 9,78 19,13 2,21 2,27 2,60 2,93
2 6,84 6,63 8,98 19,13 2,12 2,10 2,62 2.93
3 7 7.19 7.440155 9.38 19.13 19.13 2.37 2.55 2.73 2.93 293
4 7.46 7,60 9,07 19,13 2,66 2,89 2,86 2,93
5 7,52 8,00 10,05 19,13 2,73 3,37 2,95 2.93
6 6 7 8.35 9.35 9.61 19.13 1913 3.69 3.04 3.04 2.93 293 7 7.89 8,92 9,51 19,13 3,01 4,15 3,08 2,93
8 7,96 9,10 9,55 19,13 3,14 4,60 3,17 2,93

Учитывая, что все проверки были проведены для всех станций метро (всего 118) сети метро Шэньчжэня, средние значения MAPE и RMSE были повышены на большинстве станций с низким пассажиропотоком.Если мы сосредоточимся на станциях метрополитена с наибольшим 25% среднего пассажиропотока, то минимальная MAPE = 11,1% будет получена с помощью модели SVR (и модели GBRT), когда n шаг = 2 для обычных условий движения; между тем, минимальная MAPE = 12,3% была получена моделью MLP, когда n шаг = 2 для условий аномального трафика. Этот результат указывает на то, что внутренняя структура пассажирских потоков на станции метро существенно определяет точность прогноза.В целом пассажиропотоки станций с большим потоком более предсказуемы, чем пассажиропотоки станций с малым потоком. Кроме того, для конкретной группы станций метрополитена наилучшая модель может отличаться от модели, полученной для всех станций метрополитена. На практике более детальные стратегии выбора модели могут быть реализованы для разных подгрупп станций метро. и подробно описать значения RMSE, MAPE и VAPE для четырех моделей, когда n шаг = 2.

Таблица 5

= 2).

6,41
Метод ТОП 25% ВСЕГО
RMSE MAPE
(%)
VAPE
(%)
СКО MAPE
(%)
VAPE
(% ) 92 834
СВР 82.01 10,51 1,18 50,05 17,29
MLP 80.73 12,02 1,28 51.41 19,99 6,21
GBRT 87,22 10,90 1,74 56,18 17,72 8,41
HA 174,14 22,61 9,12 95.56 24.73 17,73

Табл.

Метод ТОП 25% ВСЕГО
RMSE MAPE
(%)
VAPE
(%)
СКО MAPE
(%)
VAPE
(% )
СВР 81.19 11,48 1,20 48,32 16,10 5,48
MLP 83,15 13,40 1,48 48,35 18,44 6,36
GBRT 94,29 11.58 1.46 51.09 16.73 7.31 7.31 7.31 HA 162.82 20.15 4,35 98.25 98.25 25.34 12,24

Выводы

Эффективная и надежная модель прогнозирования пассажиропотока может быть полезной для управления транспортными системами, например, для планирования эксплуатации, планирования доходов и улучшения объектов. В этой статье мы создали четыре модели для прогнозирования пассажиропотока на каждой станции системы метро Шэньчжэня. Мы исследовали, насколько заранее можно точно предсказать пассажиропотоки. При обычных условиях трафика приемлемые результаты можно получить даже за 2 часа, в то время как при аномальных условиях трафика точность предсказания всех прогностических моделей была неприемлемой, когда прогноз делался за 1 час.Ли и др. . [53] сравнили модели устранения тренда и модели с несколькими режимами, пытаясь найти подходящие модели прогнозирования трафика на практике. Наш вывод подчеркивает важность выбора правильных моделей, модели SVR и модели MLP, соответственно, лучше всего работают в обычных и аномальных условиях трафика. Наши результаты также подчеркивают, что по сравнению с выбором моделей внутренние закономерности пассажиропотоков более заметно влияют на точность прогнозов. Согласно анализу и результатам настоящего исследования, когда пассажиропотоки относительно стабильны, предлагается модель прогнозирования SVR.Когда пассажиропотоки демонстрируют аномальные закономерности, модель прогнозирования MLP может обеспечить более надежные результаты прогнозирования. Кроме того, следует также учитывать, как долго прогноз делается до целевого временного окна. По мере увеличения временного окна перед целевым временным окном n шаг ошибка предсказания увеличивается. Ошибки прогнозирования трех типов моделей обнаружения знаний постепенно приближаются к ошибке прогнозирования простой модели HA.Следовательно, при условии, что шаг n велик, простая модель HA может быть хорошим вариантом, учитывая ее низкую стоимость вычислений. Мы думаем, что наши результаты могут предоставить полезную информацию для управления общественным транспортом, включая корректировку частоты движения и снижение пассажиропотока.

Наконец, мы хотели бы обсудить ограничения этого исследования и будущую работу. Во-первых, четыре модели прогнозирования использовались в их самых основных формах, и мы не охватили все существующие модели прогнозирования трафика.