【《某地铁站本线客流量分析案例》3600字】

某地铁站本线客流量分析案例目录TOC\o"1-3"\h\u5502某地铁站本线客流量分析案例 1113741.1本线客流量分析 1226621.1.1本线8月不同站点客流量分析 1219431.1.2本线8月不同日期客流量分析 374631.2.1本线9月不同站点客流量分析 7326421.2.2本线9月不同日期客流量分析 934231.3小结 111.1本线客流量分析1.1.1本线8月不同站点客流量分析对不同站点客流特征进行kmean聚类分析，设论域U={u1,u2,u3,u4,u5,u6,u7,u8,u9,u10}。其中ui={ui1,ui2,ui3,...,ui30},表示论域中有10个聚类对象。每个聚类对象为不同站点。每个聚类对象分析的指标因素一共30项，每一项指标因素为30天的平均进站客流量。根据第二章2.3数据分析的方法，将OD客流明细数据中的2017年8月份的各个车站的客流数据统计出来，每个车站的数据作为一个单独的矩阵，然后把这些单独矩阵经过运算后得到一个新的矩阵，这个新的矩阵就是聚类分析的原始矩阵，得到原始矩阵之后，根据第二章2.2kmean聚类的步骤应用软件生成不同站点间客流特征的聚类图。不同站点间客流特征的聚类图如图1.1所示。图1.1不同车站客流特征簇状图通过图1.1不同车站客流特征簇状图进行观察和分析发现当截距阈值γ=0.9时样本分成了三类。即{车站1，车站2，车站10，车站4，车站3}，{车站6，车站7，车站8，车站9}，{车站5}。图1.2不同车站聚类类别相关图通过图1.2不同车站聚类类别相关图观察和分析发现颜色趋向于红色，则相关程度不太大，颜色趋向于蓝色，相关程度则很紧密。1至10分别是代表341至345、341至346352至353站点。图1.3不同车站聚类中心图通过图1.3不同车站聚类中心图观察与分析，将不同的10个站点通过客流量数据分为三类，即：341-346、346-352为一类，341-353、345-353、352-353为一类，341-345、341-352、345-346、345-352、346-353为另一类。1.4不同车站站点间客流量变化通过对图1.4不同车站站点间客流量变化图进行观察分析。我们可以把客流不同的各个车站进行划分。通过观察可以发现车站341-346、车站346-352进站客流量相对其他车站来说进站客流量比较大。车站341-353、车站352-353、车站345-353进站客流量相对其他车站来说进站客流量比较小;车站341-345、车站341-352、车站345-346、车站345-352、车站346-353一共5个车站的进站客流强度处于中等水平。1.1.2本线8月不同日期客流量分析紧接着对不同工作日流特征进行kmean聚类分析，设论域U={u1,u2,u3,u4,u5,u6,u7,u8,u9,...,u30}。其中ui={ui1,ui2,ui3,...,ui10},表示论域中有30个聚类对象。每个聚类对象为不同站点。每个聚类对象分析的指标因素一共10项，每一项指标因素为10个不同站点平均进站客流量。根据第二章2.3数据分析的方法，将OD客流明细数据中的2017年8月份的30天内的客流数据统计出来，每一天的数据作为一个单独的矩阵，然后把这些单独矩阵经过运算后得到一个新的矩阵，这个新的矩阵就是聚类分析的原始矩阵，得到原始矩阵之后，根据第二章2.2kmean聚类的步骤应用软件生成不同日期站点间客流特征的聚类图。不同日期站点间客流特征的聚类图如图1.5所示。图1.5不同日期站点间客流特征的簇状图通过对图1.5不同日期站点间客流特征簇状图进行观察和分析发现，当截距阈值γ=0.9时样本分成了三类。即{day7，day14，day10，day3，day21,day25，day1，day4，day23，day9,day15，day2，day17，day24，day28，day29,day30}，{day8，day18，day11，day16},{day5，day12，day13，day6，day19,day20,day26,day27}。图1.6不同日期车站聚类中心图通过图1.6不同日期车站聚类中心图观察与分析，将30天的客流数据分为了三类。根据分析出来的数据，统计出每一天各个车站客流量的变化。图1.7不同天流量聚类类别相关图对每一天客流特点进行分析，把以天为时间段1，时段2，时段8，时段9时段30这些时段各个车站的进站客流量的数据提取出来。然后把车站341-345、车站341-346、...、车站352-353客流量按顺序排列出来，每个时段各个车站的进站客流单独的一行，这样就得到了一个数据矩阵W。然后在MATLAB中求出矩阵的直方图。这样我们就可以得出三十天中各个车站进站客流总量直方图，三十天内各个车站客流总量直方图为图1.8所示。图1.8不同天客流量直方图通过对图1.8不同天客流量直方图各个车站进站客流总量直方图进行观察分析。我们可以把三十天内的各个车站进行划分。通过观察可以发现车站341-346、车站346-352进站客流量相对其他车站来说进站客流量比较大。车站341-353、车站352-353进站客流量相对其他车站来说进站客流量比较小;车站341-345、车站341-346、车站341-352、车站345-346、车站345-352、车站345-352、车站346-353一共6个车站的进站客流强度处于中等水平。图1.9不同车站30天客流量变化图由图1.9不同车站30天客流量变化图可知，在30天内：在月初1至5日各个车站的客流量趋于平稳，客流变化量不大。在5至8日有上升的趋势，且变化幅度较大。9至11日客流量变化不大。在12至14日客流量有下降趋势，其下降幅度较猛。15至17日客流量增加并在之后趋于平稳。18至20日客流人数平稳下降。21至25日客流量下降，而且下降幅度较大。26至30日变化不太明显，总体来说是趋于下降之后恢复平稳的。1.2九月本线客流量分析1.2.1本线9月不同站点客流量分析对工作日不同站点客流特征进行kmean聚类分析，设论域U={u1,u2,u3,u4,u5,u6,u7,u8,u9,u10}。其中ui={ui1,ui2,ui3,...,ui30},表示论域中有10个聚类对象。每个聚类对象为不同站点。每个聚类对象分析的指标因素一共30项，每一项指标因素为30天的平均进站客流量。根据第二章2.3数据分析的方法，将OD客流明细数据中的2017年9月份的各个车站的客流数据统计出来，每个车站的数据作为一个单独的矩阵，然后把这些单独矩阵经过运算后得到一个新的矩阵，这个新的矩阵就是聚类分析的原始矩阵，得到原始矩阵之后，根据第二章2.2kmean聚类的步骤应用软件生成不同站点间客流特征的聚类图。不同站点间客流特征的聚类图如图1.10所示。图1.10不同车站客流特征簇状图通过图1.10不同车站客流特征簇状图进行观察和分析发现当截距阈值γ=0.6时样本分成了三类。即{车站2，车站4}，{车站3}，{车站1}。图1.11不同车站流量聚类相关图通过图1.11不同车站流量聚类相关图分析，1与3客流量相关程度高，2与4相关程度高。对每个站点的客流特征进行分析，把车站341-345、车站341-346、车站341-352、车站352-353客流量按顺序排列出来，每一个车站的进站客流单独的一行，这样就得到了一个数据矩阵W。然后在MATLAB中求出矩阵的直方图。这样我们就可以得出各个车站客流总量直方图，图1.12所示。图1.12不同车站客流变化直方图通过对图1.12不同车站客流变化直方图进行观察分析。我们可以把早高峰时段各个车站进行划分。通过观察可以发现车站341-346进站客流量相对其他车站来说进站客流量比较大。车站341-353进站客流量相对其他车站来说进站客流量比较小;车站341-346、车站341-352一共2个车站的进站客流强度处于中等水平。图1.139月不同车站客流量变化图通过图1.139月不同车站客流量变化图发现：在1至4日，客流量有下降的趋势下降幅度较为猛烈。5至10日，客流量先是平稳状态，之后会下降。11至15日，总体来说是呈上升趋势的，而且是以一种平稳的趋势上升。16至20日，变化比较多，总体上来说客流量又回归到10至15日的状态。21至25日先略有上升趋势，但在23日之后客流量下降。26至30日客流量略有上升。1.2.2本线9月不同日期客流量分析紧接着对不同工作日流特征进行kmean聚类分析，设论域U={u1,u2,u3,u4,u5,u6,u7,u8,u9,...,u30}。其中ui={ui1,ui2,ui3,ui4},表示论表示论域中有4个聚类对象。每个聚类对象为不同站点。每个聚类对象分析的指标因素一共30项，每一项指标因素为30个不天平均进站客流量。根据第二章2.3数据分析的方法，将OD客流明细数据中的2017年9月份的30天内的客流数据统计出来，每一天的数据作为一个单独的矩阵，然后把这些单独矩阵经过运算后得到一个新的矩阵，这个新的矩阵就是聚类分析的原始矩阵，得到原始矩阵之后，根据第二章2.2kmean聚类的步骤应用软件生成不同日期站点间客流特征的聚类图。不同日期站点间客流特征的聚类图如图1.14所示。图1.14不同日期站点间客流特征的簇状图通过图1.14不同日期站点间客流特征的簇状图进行观察和分析发现当截距阈值γ=0.8时样本分成了四类。即{day3，day33，day21，day6，day17,day22，day24，day1，day9}，{day5，day8，day29，day7}，{day15，day23},{day6，day14，day25，day11，day13，day20，day26，day12，day27,day28,day7,day10，day19}。图1.15不同日聚类相关图对每一天客流特点进行分析，把以天为时间段1，时段2，时段8，时段9时段30这些时段各个车站的进站客流量的数据提取出来。然后把车站341-345、车站341-346、车站341-352、车站352-353客流量按顺序排列出来，每个时段各个车站的进站客流单独的一行，这样就得到了一个数据矩阵W。然后在MATLAB中求出矩阵的直方图。这样我们就可以得出三十天中各个车站进站客流总量直方图，三十天内各个车站客流总量直方图为图1.16所示。图1.16不同日期客流量直方图通过对图1.16不同日期客流量直方图各个车站进站客流总量直方图进行观察分析。我们可以把三十天内的各个车站进行划分。通过观察可以发现车站341-346进站客流量相对其他车站来说进站客流量比较大。车站341-343进站客流量相对其他车站来说进站客流量比较小;车站341-345、车站341-352的进站客流强度处于中等水平。1.3小结通过8,9月数据分析发现观察可以发现车站341-346、车站346-352进站客流量相对其他车站来说进站客流量比较大。车站341-353、车站352-353进站客流量相对其他车站来说进站客流量比较小;车站341-345、车站341-346、车站341-352、车站34