基于 VMD-GRU 的城市轨道交通短时客流预测

精准的客流预测是轨道交通运输计划编制的基础和依据,为提高城市轨道交通短时客流的预测精准度, 基于城市轨道交通短时客流的动态性、非线性、不确定性、周期性、非平稳性及时序性等特点,提出一种组合 模型预测方法,即 VMD-GRU 神经网络预测模型,由变分模态分解和门控循环单元组合而成。变分模态分解的 作用是分解短时客流,降低数据中的噪声,减少数据波动;门控循环单元的作用是基于分解的短时客流,进行 客流预测。经南京地铁的数据验证,该模型在地铁短时客流预测方面效果良好。与 GRU 相比,VMD-GRU 在 15、30 和 60 min 的时间粒度下,预测准确度分别提升 7.57%,16.93%,18.47%。该模型可为地铁运营管理部 门对车站客流管理、日常行车计划制定等提供有效的数据支撑,从而提升线网总体运营效率以及轨道交通系统 的服务水平。     

基于组合误差优化模型的城市轨道交通短期客流预测研究

为提高城市轨道交通短期客流预测的准确性,构建了一种基于组合误差优化的短期客流预测模型。采用预测误差值对预测值进行优化校正,弱化传统SVM模型在实际预测中误差对预测结果的影响,以提高模型的预测精度。数据选取样本周期内郑州市地铁1号线每小时客流量组成的样本序列并进行了仿真验证。结果显示,经误差优化后的预测模型的预测精度有了明显提高,且优化后的预测值与误差预测值的趋势具有较高的一致性。     

基于支持向量回归的地铁进站客流短时预测模型

基于准确的未来客流信息对地铁运营的重要性,研究客流预测的方法。选取支持向量机应用领域的一大分支——支持向量回归的方法对地铁进站客流进行短时预测,使用一种改进的粒子群算法进行参数寻优,从而构建客流预测模型。提出的模型以日期类型和所处时刻作为输入,可以提前预测未来一周的每15 min的客流。采取平均绝对百分比误差和均方根误差对模型的预测结果进行评估。使用广州杨箕车站进站客流数据进行实验,通过交叉验证确定验证参数选取的合理性,并将该模型与BP神经网络、KNN算法进行比较,实验表明模型预测结果的精度更高,稳定性更好。     

城市轨道交通进站客流量短时组合预测模型

高精度的短时进站客流量预测对城市轨道交通日常客流组织具有重要意义,利用客流预测结果在事前实施限流、疏导等措施,较事后控制更及时、先进。通过采集15 min间隔的地铁进站客流数据,利用上周同期进站量、本日上一时段进站量以及高峰和非高峰时段参数作为输入变量,尝试分别采用加权历史平均自回归模型、ARIMA模型及小波神经网络模型进行短时预测,以获得精度最高的模型。在此基础上,进行三种方法组合预测,探究组合预测效果。通过案例分析,发现当考虑时段因素时,小波神经网络预测精度最高,为91.05%;ARIMA模型误差结构最好。当采用所提出的组合预测模型后,预测精度指标较独立预测模型均有提升,但误差结构没有得到改善。研究表明,所提组合预测模型可以有效地应用于城市轨道交通进站客流的短时预测中。     

城市轨道交通进出站短时客流预测模型研究

针对城市轨道交通短时进出站客流的强随机性、周期性及非线性的特征,提出了一种基于小波变换与Adam算法优化的长短时记忆网络(LSTM)短时客流组合预测模型(即WT-LSTM组合模型),同时基于非饱和激活函数ReLU函数实现了LSTM的学习与训练.采用LSTM模型与WT-LSTM组合模型对广州地铁广州塔站的客流量进行预测,并对预测结果的误差进行对比分析.结果 表明,WT-LSTM组合模型能够较好地预测短时客流,预测结果优于单一LSTM模型.     

城市轨道交通短时客流不确定性预测模型

以城市轨道交通实际运营客流数据为基础,针对现有短时客流预测存在的问题,从运营时段特征、客流类型及站点周边用地类型等影响因素出发,剖析了短时客流存在不确定性的原因;基于周期性差分自动平滑回归模型和支持向量机理论,构建了短时客流预测组合模型,捕捉短时客流的周期性特征和局部非线性性特征;为提高短时客流预测结果的可信度,引入广义自回归条件异方差模型来构建短时客流不确定性预测模型。通过实例,验证结果表明,周期性差分自动平滑回归-在线支持向量机组合模型对于周期性强且稳定的客流具有优越的预测性能,广义自回归条件异方差模型的短期客流不确定性预测结果更为准确可靠。     

基于云模型的城市轨道交通短时客流预测

城市轨道交通线路短时客流具有不确定性特征。分析了短时客流的准周期性,用云概念表示短时客流的特征,构建历史时间云、历史客流云、当前客流趋势云以及客流预测云,并建立时间云与客流云的关联规则,将时间云作为规则前件,客流预测云作为规则后件构建单条件多规则不确定性预测云模型。以南京地铁2号线15 min间隔的进站客流预测为例,将云模型与ARIMA模型的预测结果进行对比分析,证明云模型应用于短时客流预测的有效性,从而为城市轨道交通线路短时客流预测提供了一种新途径。     

城市轨道交通站点客流不确定性研究

为提高城市轨道交通站点客流预测的可靠性,在分析客流不确定性影响因素的基础上,基于ARIMA-GARCH模型,依据南京地铁珠江路站点客流数据对客流不确定性进行建模和预测,并从预测置信区间和无效覆盖率两方面与传统的时间序列进行对比分析,研究结果表明,ARIMA-GARCH能够较好地拟合客流波动情况,为城市轨道交通运营与管理提供理论依据。     

城市轨道交通进站客流量短时预测模型研究

利用数学方法可以改善城市轨道交通进站客流量的短时预测效果,促进轨道交通车站客流管理智能化水平。首先建立K近邻非参数回归模型,然后在传统卡尔曼滤波模型的观测方程中引入偏差修正系数以提高其预测精度;再采用贝叶斯方法将以上两模型进行组合;最后利用2013年11月北京市地铁13号线的进站客流数据,研究对比这三类模型在早高峰、平峰、晚高峰和全天的预测精度。结果表明:K近邻非参数回归的总体预测精度最高;贝叶斯组合预测模型次之,但平峰时段效果最好;基于偏差修正系数的卡尔曼滤波模型晚高峰时适用性较差。     

城市轨道交通短时断面客流预测

为进一步提高城市轨道交通断面客流短时预测的精度,提出采用多维标度法分析线网各断面之间的相关性,以此将断面分为若干相关小组,将相关小组作为研究对象,并利用卡尔曼滤波方法建立相关断面客流短时预测模型进行城市轨道交通断面客流短时预测,并通过实例分析验证该理论的有效性。结果表明,考虑断面之间相关性的预测模型的预测精度要优于单一断面预测模型的预测精度。     

基于大客流的北京地铁网络化运营风险研究

客流冲击对北京地铁网络化运营安全的影响日益突出。通过统计分析北京地铁各线路日常运营的客流量数据,总结北京地铁运营网络的客流规律和大客流冲击地铁线网结构产生的运营风险特点。结合风险管理的相关理论,构建地铁网络化运营风险评价指标体系和多层次模糊综合评价模型。实证研究部分以北京地铁客流量较大的1号线为评价对象,计算该条线路上22个车站的风险值,风险值大小能够反映出不同站点对地铁网络化运营风险大小的影响程度。其中国贸站、大望路站风险值达到0.7以上(属于高风险),需要作为运营风险管理的关键站点,以期为今后进行地铁网络化运营关键站点风险管控研究提供参考思路。     

基于EMD的SVR方法在铁路客流预测中的应用

客流预测是铁路客运运营管理的重要依据,铁路客流具有非线性、非平稳的特点,传统预测模型很难得到满意的结果,因此利用经验模态分解(EMD)方法对客流进行自适应的分解,利用支持向量回归机(SVR)对固有模态函数(IMF)进行预测,建立基于EMD的SVR铁路客流预测模型。利用Matlab对SVR预测、BP神经网络预测和基于EMD的SVR预测模型进行仿真实验,得出3种预测模型的平均相对误差,分别为22%、25%和13%。结果表明,基于EMD的SVR方法的预测精度明显高于另外两种预测方法,能够有效地提高铁路客流预测准确性。     

西安地铁2号线南段运营初期客流预测

以西安地铁2号线南延段开通日期为预测年限,通过设计、实施客流调查及AFC(自动售检票)系统数据分析,深入探讨2号线南段现状客流出行特征及既有线上的客流规律,运用在既有客流规律基础上的趋势推演法,通过标定车站客流与土地利用、到离站交通距离与地铁车站选择、合理轨道乘距等数学模型,从客运量与断面客流量两方面完成其开通初期的客流预测,为2号线南段开通的运输计划编制提供依据,为后期新线开通的客流预测积累经验。     

郑州地铁短期客流预测研究

建立符合郑州地铁客流特点的短期客流预测模型并运用到线网客流预测工作中。短期客流预测模型可预测未来1个月内工作日、周末及节假日的线网客流,为线网日常运营管理及运输组织工作提供有效参考依据。     

基于客运大数据平台的铁路客流预测系统

客流预测是铁路路网规划、线路及场站设计、铁路运营等工作的重要基础.针对多层面、不同类型、不同时期的铁路客流预测业务需求,依托铁路客运大数据平台,构建铁路客流预测系统,能够在同一系统平台上完成客流预测方案的测试、评价和规范化应用.该系统集成各类客流预测算法模型,可充分利用历史售票数据,并考虑年度、季节、星期、时间、节假日...     

灵活编组动车组网络实时显示系统设计

针对我国铁路旅客运输过程中会出现短期客流高峰、淡季客流大幅减少的现象,开发了灵活编组动车组网络显示屏实时显示系统,可实时显示多种编组形式,解决编组形式变化后人工更新软件或人工进行配置的问题,可应用在轨道交通行业,提高动车组或地铁车辆的智能化水平、减少人工运行与维护成本.     

基于支持向量回归的大型客运站客流量预测应用研究

准确预测大型客运站发送客流量,是铁路依据旅客出行需求制订开行方案、编制运行图和完成客流输送任务的重要基础。简要介绍支持向量回归的概念和原理;以汉口车站2017年1月—12月日实际发送客流量作为样本数据集,分析大型铁路客运车站客流特点,即年度客流呈现明显周期波动性、长周期内因多次节假日出现客流大幅激增;将样本数据集分为训练集及测试集,利用支持向量回归模型对剔除节假日前后的客流量进行预测,预测误差对比表明:排除节假日突发大客流的影响后,由支持向量回归模型计算得到车站日常发送客流量的预测精度可明显提高。