基于广义动态模糊神经网络的短时车站进站客流量预测

针对轨道交通车站短时进站客流的不均衡性、高度非线性和时变性特点,结合逻辑推理能力强的模糊技术与自学习能力强的神经网络,提出一种基于广义动态模糊神经网络(GD-FNN)的短时进站客流量预测方法。以北京轨道交通各车站的进站客流量数据为例,分析轨道交通车站的进站客流特征,确定影响短时客流分布的主要因素;然后采用GD-FNN方法构建车站短时进站量的预测模型,实现对北京轨道交通系统若干车站进站量的预测。预测结果表明:该方法与传统的神经网络相比,预测效果更准确(最大相对误差小于8%),稳定性好。     

基于列车满载率的城市轨道交通进站客流量控制

基于新冠肺炎疫情的防控要求，2020年初北京轨道交通将列车满载率作为客流控制指标，严格控制城市轨道交通的进站客流量。为此，亟需量化各车站的进站客流控制阈值，用以作为现场客流管控的依据。提出了基于列车满载率的进站客流控制模型及相关客流控制方案。首先根据线网的客流特征对控流日客流的OD(起讫点)信息进行预测，再结合列车运行图精确推演出乘客进站—上车—换乘—下车的全过程出行链信息，计算得到乘客出行所乘坐的各计划运行车次的列车满载率数据；然后结合列车满载率控制指标进行逆向推演及反算，得到该计划列次在各站上车的客流控制阈值，再根据车站客流分布特征计算得到各站10 min粒度的进站客流控制阈值；最后，举例说明了该客流控制模型在北京轨道交通线网进站客流控制管理中的科学性及有效性。     

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。     

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。     

共享单车对北京市轨道交通运营管理影响研究

在挖掘共享单车出行数据、轨道交通客流数据的基础上,分析北京市共享单车和轨道交通的出行特征,以及共享单车出现后轨道交通车站级、线路级、线网级的进站量变化和运距变化情况。结果表明,共享单车对轨道交通线网级进站量的影响不明显,但外围车站进站量增幅较大,6 km以下运距的客流略有减少,其中2 km以内出行运距的客流减少最为明显。同时,共享单车的无序停放不利于大客流车站的客运组织和应急情况下的客流疏散,城市交通管理部门和轨道交通运营企业需共同加强对共享单车的秩序化管理,使其在不影响城市交通正常运行的前提下充分发挥积极效用。     

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。     

面向数据驱动的城市轨道交通短时客流预测模型

考虑城市轨道交通客流的时空交互关系,提出一种融合循环门控单元和图卷积神经网络的城市轨道交通客流预测模型(GCGRU)。首先,分析短时客流在城市轨道交通网络中的空间关系,建立图卷积神经网络提取不同车站客流的空间交互关系;其次,分析路网各车站客流的时间演化关系,并利用循环门控单元刻画各车站客流数据的时间特征,进而形成面向数据驱动的城市轨道交通路网短时客流预测模型。与传统方法相比,该模型能较好地刻画路网各车站客流的时空相关性,可以深度挖掘路网各车站客流变化的内在机理;同时与既有的图卷积神经网络相比,该模型提出了面向旅行时间的邻接矩阵,能够挖掘客流数据与运行图数据的内在关系,具有较高的精度和可解释性。最后,以广州地铁典型车站的出站量预测为例,验证该模型的有效性。结果表明:该模型在整体预测性能和各车站的预测性能上都优于现有模型,能较好地处理城市轨道交通客流的时空关系,精准地预测路网各车站客流变化。此外,通过邻接矩阵对预测精度影响的分析,进一步验证该模型的性能。     

基于网络瓶颈控制的轨道交通车站客流疏导研究

轨道交通客流在特定时空区间的强聚集效应导致车站内部设施的服务能力与客流量不匹配,极易造成乘客拥堵、滞留等问题。通过对轨道交通车站客流流线大范围调研,确定服务设施实际通行能力,识别车站瓶颈区域。进而利用多点联动的瓶颈控制方法,构建网络瓶颈客流疏导模型,协调流线网络结构中设施通行能力的匹配度,计算瓶颈点上下游客流调节量。以北京东单地铁换乘站为例进行流线瓶颈优化,制定不同客流强度下瓶颈优化方案,验证模型的有效性和实用性。模型可协助车站管理人员明确瓶颈控制区域的范围,并制定详细的限流泄流乘客量分配,为高密度客流组织提供理论依据与数据支撑。     

基于多时间粒度的地铁出行规律相似性度量

乘客出行规律对城市轨道交通运营管理至关重要,而不同时间粒度下观测到的客流规律差异较大。以往研究缺乏多时间粒度车站层级客流规律的量化研究。本文基于刷卡数据分析不同时间尺度下地铁出行规律的相似性。构建客流时间序列模型和相似性度量方法,使用连续五周北京地铁刷卡数据分别度量1 min到720min共16个时间粒度下,进站客流和OD客流与历史同期的相似性大小,并基于度量结果给出一定精度要求下预测短时进站量和OD量时的最小时间粒度推荐值,以综合相似性指标对全网车站的可预测等级进行划分。多角度统计分析结果表明,工作日客流与历史同期相似性较大,高峰比平峰、早高峰比晚高峰相似性大。     

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。     

城市轨道交通新站开通初期实时进出站客流量预测

针对城市轨道交通新站开通初期实时客流预测缺乏历史数据、客流波动大等问题,提出基于改进K近邻非参数回归的新站开通初期实时进出站客流量预测方法。考虑城市轨道交通客流生成机理,分析新站开通初期车站客流量变化规律及其与车站周边土地利用的相关性;基于该相关性,通过聚类分析构建新站与相似既有车站的映射关系,提出支撑新站客流预测的历史数据库构建方法;在此基础上,结合实时客流特征改进非参数回归算法,提出新站开通初期实时进出站客流量预测方法;利用广州地铁客流数据进行新线开通初期实时进站量预测的案例分析。结果表明:该方法具有良好的预测精度,新站开通初期实时进站客流量预测的平均绝对误差不大于16人次,可满足城市轨道交通精细化的运营管理需求。     

基于AFC数据的城市轨道交通乘客目的站实时预测

为解决轨道交通只有在乘客刷卡离开路网，且获得实际列车运行图后，才可通过清分模型系统仿真推演其全出行链的问题，在实时接入自动售检票系统（AFC）刷卡数据情况下，建立基于乘客出行OD规律、乘客职住地规律及重点去向车站规律的级联目的站预测模型，为进站乘客快速预测目的站，进而与清分模型系统结合实现进站乘客在网分布的实时动态推演。通过开展乘客目的站预测，提高客流实时仿真推演系统对各项客流指标的预测准确度，不仅方便运营管理人员进行科学高效的网络化运营调度指挥及客运管理，还可为乘客出行提供个性化引导。     

北京地铁节假日客流特点和运营组织方法分析

为提高节假日期间北京地铁运营安全水平和运输服务质量,从全路网、线路和车站3个层面,利用客运量、进站量、断面量等指标分析时空客流特征和变化原因。结果表明:节假日路网分时进站客流无明显高峰;节假日前一天午后路网进站量相比上周同期工作日增加显著;不同性质线路全日分时进、出站客流和断面客流特征差异较大,一般位于对外交通枢纽、商业及文体景区附近的地铁站点易出现短时大客流。基于此,从行车组织、客运组织和应急处置3方面总结节假日运营组织方法。     

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AFC实时进站客流有效数据筛选

针对目前城市轨道交通AFC实时进站客流数据不准确,分析数据传输流程及其不准确的原因,探索解决办法。在挖掘轨道交通历史同期进站客流量规律的基础上,通过设定阈值来对AFC实时进站客流有效数据进行筛选,初步建立阈值设定的方法,通过大量数据对阈值设定方法进行检验,找到方法的不足之处;之后对阈值设定方法存在的问题进行分析与解决,得到一套能够满足地铁各类车站AFC实时进站客流数据阈值设定的流程,并进行实例验证。     

基于孤立森林算法的轨道交通实时客流告警阈值设定方法研究

在轨道交通客流实时监视业务中,车站实时客流告警的目的是帮助业务人员快速、准确地定位到网络中可能存在大客流风险的车站,达到提示预警的作用。如果告警阈值偏小,则告警频率会增加,使业务人员无法准确判断最需要关注的大客流风险车站,并对告警提示产生麻木心态;如果报警阈值偏大,则车站的突发大客流风险有可能未被监测到,从而无法及时采取应对措施。因此,需要提出一套科学、合理、适用性强的告警阈值。研究利用传统统计学方法和基于孤立森林的异常检测方法训练设定告警阈值,并通过应用效果测试验证对两种算法进行比选,确认利用孤立森林异常值判别思路训练的告警阈值更满足业务目标。研究成果按照“一站一方案”“一个时段一方案”的原则,为北京市轨道交通指挥中心路网调度指挥平台提供车站实时进站量与出站量告警阈值,支撑客流实时监视与大客流风险预警。     

城市轨道交通线网时空相关性客流预测研究

城市轨道交通客流预测是一个时空相关的复杂问题,仅根据车站的历史数据很难得出更有参考价值的预测结果。提出基于Elman神经网络算法的时空相关性客流预测方式。其模型输入包括车站的历史数据和线网中其它车站及交叉线路车站的时空相关性数据。前者从车站前3周数据中提取纵向强时间相关性数据;后者从相关车站的前3周数据中提取横向强时间相关性数据。提取过程均采用Spearman算法。在两条交叉线路共33个车站3周时间范围的客流数据上,利用Elman神经网络算法比较分析时空预测方式和时间预测方式的预测性能。试验结果表明,时空预测方式对实际客流的预测精度优于时间预测方式。最后,在时空预测的基础上进行客流多步预测,为城城市轨道交通有效的客流疏导提供数据支持和相对宽裕的时间。     

基于安全服务的城市轨道交通车站客运设备设施通过能力评估方法研究

为在设计阶段降低新建车站运营的安全风险、提高乘客安全服务水平,归纳分析了目前北京轨道交通线网高风险车站出现的规律及特征,从车站客运设备设施通过能力、通过客流计算关系与该处客流密度的对应关系入手,说明了目前设计单位所依照的设计标准不能满足实际运营要求。提出了基于安全服务的轨道交通车站客运设备设施通过能力评估方法,为新建车站满足安全服务的要求提供了有力依据。     

苏州市轨道交通典型站点客流离散特性对比分析

为准确把握苏州市轨道交通站点客流的离散特性,利用SARIMA模型和GARCH模型,对苏州市轨道交通车站的客流进行离散特性建模,并使用宽度流量比指标对6座典型车站的客流离散特性进行了分析和评价,为城市轨道交通车站客流特性的预测方法及车站设计和客流的疏导与管理提供了参考,具有一定借鉴意义。     

城市轨道交通车站高峰时段与高峰客流预测模型

现有轨道交通车站高峰客流预测方法简化了车站高峰形成过程,基于默认假设,即车站高峰小时与所属线路高峰小时一致进行预测,忽略了车站与线路间存在的高峰偏差现象,造成部分车站高峰客流量被低估,导致车站能力设计不足,站台拥挤风险增加。从车站高峰形成机理出发,基于用地发生率模型,考虑不同目的出行行为的差异化,对客流属性进行划分,引入不同目的的出行时间概率分布函数,建立站点尺度的高峰小时与高峰客流预测模型框架。该模型真实反映了车站高峰与高峰偏差现象形成的这一复杂过程,可解释性强、符合实际,且能适用于建成环境、车站特征和轨道交通网络服务等变化情形下的车站高峰客流预测。验证结果显示：1)提出模型较传统模型提升了43%～47%的车站预测精度(高峰客流相应的MAPE值下降了5.7%～6.38%,高峰时间相应的APE值下降了23～50 min),具有更广泛的适用性和更稳定、更准确的预测结果,能为车站设计和运营方案制定提供更可靠的决策依据;2)各类出行目的的峰值和峰尺度存在差异,按不同比例叠加后,会产生不同的叠加曲线。揭示了车站高峰客流形成机理为不同用地产生的不同出行目的客流时间分布叠加曲线的高峰。