Resumen

Cuando el transporte ferroviario urbano se enfrenta a un gran número de pasajeros de cercanías durante las horas punta, los viajeros suelen esperar al siguiente tren porque el metro funciona a plena carga, lo que provoca retrasos en el tiempo total de viaje de los pasajeros. El cálculo y la predicción del retraso por congestión en las estaciones de metro pueden orientar al departamento de operaciones y a los pasajeros para realizar una mejor planificación y selección. En este trabajo, utilizamos un nuevo método basado en la tecnología de aprendizaje profundo para evaluar el retraso por congestión de las estaciones de metro. En primer lugar, utilizamos datos del sistema de recogida automática de billetes (AFC) para evaluar los retrasos de congestión de las estaciones. A continuación, utilizamos una red convolucional de memoria a largo plazo (Conv-LSTM) para extraer características espaciales y temporales para resolver el problema de predicción a corto plazo del retraso de congestión del metro en la estructura de la red. Las variables espaciotemporales incluyen el flujo de pasajeros entrantes, el flujo de pasajeros salientes, el número de pasajeros retrasados y el tiempo medio de retraso. Como secuencia espaciotemporal, los objetivos de entrada y predicción son tensores tridimensionales espaciotemporales en el modelo de entrenamiento de extremo a extremo. La eficacia del método se verifica mediante un estudio de caso del Tránsito Ferroviario de Chongqing. Los resultados experimentales muestran que Conv-LSTM es mejor que los modelos de referencia a la hora de capturar la correlación espacial y temporal.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:pasajeros, retraso por congestión, estaciones de metro, tránsito ferroviario de chongqing, cobro automático de billetes, tiempo medio de retraso, tecnología de aprendizaje profundo, modelo de entrenamiento final, flujo de pasajeros entrantes, flujo de pasajeros salientes
• Keywords:passengers, congestion delay, subway stations, chongqing rail transit, automatic fare collection, average delay time, deep learning technology, end training model, inbound passenger flow, outbound passenger flow