本发明属于轨道交通运输组织及调控，更具体地，涉及一种根据客流预测数据的多运营场景的行车调控方法及系统。
背景技术：
1、轨道交通是城市的重要基础设施，规划设计周期长、工程建设投资大、服务客群规模大，运营成本高、运营周期长，且一旦建成难以改建，因此工程技术方案确定需要经过详细的论证及决策过程。
2、行车组织设计是轨道交通规划设计全链条中的重要组成部分，是衔接项目规划立项、可研方案、总体设计、初步设计的重要纽带，是落实项目定位、客流需求、能力供给、运营效果、工程技术方案的重要桥梁，是线路、车辆、工艺、限界、建筑、轨道、供电、信号、工经等多个系统的资料提出专业，对确定项目技术标准、重大方案、服务效果、工程投资有重要影响。
3、以往行车组织设计过多依赖客流预测数据，多从包容性角度研究容纳预测客流运输能力的冗余性方案，设计点也聚焦在高峰小时运营状态、全天总体运营状态，并依此包络各特殊运营场景的功能需求，涉及运营规模的如系统能力也多以最大限度的2分间隔为基础，总体而言场景考虑较少、设计内容相对粗放。
4、随着各地轨道交通网络的逐渐扩大，线路功能种类与运营特点差异化越来越明显，原有粗放的设计思路和方式已越来越不能适应当前的发展要求，部分城市新开通的线路越来越多的出现了客流不足、运能过剩、标准过高、配线过大等问题
技术实现思路
1、为解决以上技术问题，本发明提出一种根据客流预测数据的多运营场景的行车调控方法，包括：
2、获取每个线路区段的客流信息，其中，所述客流信息包括：每个线路区段的客流预测值、每个线路区段的客流密度、客流密度的临界值和客流预测临界值；
3、设置行车优化模型，并根据所述客流信息，实时计算总行车优化指数，并根据所述总行车优化指数对行车进行调控，其中，所述行车优化模型包括：用于对运能进行配置的运能配置函数和用于调控能耗的能耗函数。
4、进一步的，所述行车优化模型包括：
5、
6、其中，r(t)为在时间t的总行车优化指数，n为线路区段的总数，pi为第i个线路区段的客流预测值，fi(t)为第i个线路区段在时间t的运能配置函数，k为客流密度的调整因子，di为第i个线路区段的客流密度，dthreshold为客流密度的临界值，用于触发削峰操作，ei(t)为第i个线路区段在时间t的能耗函数，λ为能耗函数的调整因子。
7、进一步的，所述第i个线路区段在时间t的运能配置函数fi(t)包括：
8、
9、其中，αi为第i个线路区段的运能配置第一调整因子，βi为第i个线路区段的运能配置第二调整因子，γi为第i个线路区段的运能配置第三调整因子，k′i为第i个线路区段的客流预测值的调整因子，δi为第i个线路区段的客流密度的权重，pthreshold为客流预测临界值。
10、进一步的，所述第i个线路区段在时间t的能耗函数ei(t)包括：
11、
12、其中，ηi为第i个线路区段的能耗基准值，∈为避免分母为零的正常数，ζi为第i个线路区段的时间递减第一调整因子，λ′i为第i个线路区段的时间递减第二调整因子。
13、进一步的，在高峰期，如果在时间t的总行车优化指数r(t)低于预设阈值，表示当前的运能配置不足，此时，通过增加行车频次以提升运能配置；
14、在非高峰期，如果在时间t的总行车优化指数r(t)高于预设阈值，表示当前的运能配置充足，通过减少行车频次以降低能耗，节约运营成本。
15、本发明还提出一种根据客流预测数据的多运营场景的行车调控系统，包括：
16、获取信息模块，用于获取每个线路区段的客流信息，其中，所述客流信息包括：每个线路区段的客流预测值、每个线路区段的客流密度、客流密度的临界值和客流预测临界值；
17、优化模块，用于设置行车优化模型，并根据所述客流信息，实时计算总行车优化指数，并根据所述总行车优化指数对行车进行调控，其中，所述行车优化模型包括：用于对运能进行配置的运能配置函数和用于调控能耗的能耗函数。
18、进一步的，所述行车优化模型包括：
19、
20、其中，r(t)为在时间t的总行车优化指数，n为线路区段的总数，pi为第i个线路区段的客流预测值，fi(t)为第i个线路区段在时间t的运能配置函数，k为客流密度的调整因子，di为第i个线路区段的客流密度，dthreshold为客流密度的临界值，用于触发削峰操作，ei(t)为第i个线路区段在时间t的能耗函数，λ为能耗函数的调整因子。
21、进一步的，所述第i个线路区段在时间t的运能配置函数fi(t)包括：
22、
23、其中，αi为第i个线路区段的运能配置第一调整因子，βi为第i个线路区段的运能配置第二调整因子，γi为第i个线路区段的运能配置第三调整因子，k′i为第i个线路区段的客流预测值的调整因子，δi为第i个线路区段的客流密度的权重，pthreshold为客流预测临界值。
24、进一步的，所述第i个线路区段在时间t的能耗函数ei(t)包括：
25、
26、其中，ηi为第i个线路区段的能耗基准值，∈为避免分母为零的正常数，ζi为第i个线路区段的时间递减第一调整因子，λ′i为第i个线路区段的时间递减第二调整因子。
27、进一步的，在高峰期，如果在时间t的总行车优化指数r(t)低于预设阈值，表示当前的运能配置不足，此时，通过增加行车频次以提升运能配置；
28、在非高峰期，如果在时间t的总行车优化指数r(t)高于预设阈值，表示当前的运能配置充足，通过减少行车频次以降低能耗，节约运营成本。
29、通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
30、1、运能削峰设计
31、通过削峰设计，实现行车对数减少10％以上，运用车数节省10％。
32、2、不均衡密度行车
33、通过不均衡密度行车，实现削减对数不低于4列/h，节省运用车数10％以上，每日减少走行公里数3％以上。
34、3、降低运能冗余
35、通过控制运能余量，实现初期配车数减少5％。
36、4、控制系统能力
37、通过控制系统能力，实现减少场段规模、核减区间风井、核减牵引所数量与变压器容量、优化折返等配线条件等目的，减少工程投资。
38、5、小客流方向不停车缓行节约能耗
39、通过控制部分列车的运行速度、减少列车启停，达到能耗节约3％以上的目标。
40、6、正线停车线新增功能提高经济性与灵活性
41、通过精准化停车线设计，实现减少车辆基地建设规模、减少走行车公里数的目标。
1.一种根据客流预测数据的多运营场景的行车调控方法，其特征在于，包括：
2.如权利要求1所述的一种根据客流预测数据的多运营场景的行车调控方法，其特征在于，所述行车优化模型包括：
3.如权利要求2所述的一种根据客流预测数据的多运营场景的行车调控方法，其特征在于，所述第i个线路区段在时间t的运能配置函数fi(t)包括：
4.如权利要求2所述的一种根据客流预测数据的多运营场景的行车调控方法，其特征在于，所述第i个线路区段在时间t的能耗函数ei(t)包括：
5.如权利要求2所述的一种根据客流预测数据的多运营场景的行车调控方法，其特征在于，在高峰期，如果在时间t的总行车优化指数r(t)低于预设阈值，表示当前的运能配置不足，此时，通过增加行车频次以提升运能配置；
6.一种根据客流预测数据的多运营场景的行车调控系统，其特征在于，包括：
7.如权利要求6所述的一种根据客流预测数据的多运营场景的行车调控系统，其特征在于，所述行车优化模型包括：
8.如权利要求7所述的一种根据客流预测数据的多运营场景的行车调控系统，其特征在于，所述第i个线路区段在时间t的运能配置函数fi(t)包括：
9.如权利要求7所述的一种根据客流预测数据的多运营场景的行车调控系统，其特征在于，所述第i个线路区段在时间t的能耗函数ei(t)包括：
10.如权利要求7所述的一种根据客流预测数据的多运营场景的行车调控系统，其特征在于，在高峰期，如果在时间t的总行车优化指数r(t)低于预设阈值，表示当前的运能配置不足，此时，通过增加行车频次以提升运能配置；
