基于优化PSO-BP算法的耦合时空特征下地铁客流预测

为提高地铁客流预测的准确性,以西安地铁1号线为例,分析了地铁客流的耦合时空特征,提取了影响地铁客流变化的5个主要因素,包括节日、非节日、时间段、站点和天气,构建了反向传播(BP)神经网络,预测了地铁客流;利用引入自适应变异与均衡惯性权重的粒子群优化(PSO)算法,优化了BP神经网络,形成了考虑复杂因素影响的地铁客流预测系统;选取了换乘站、非换乘站的首站与中间站,引入天气、节日、非节日因素,对比了不同时间段下的BP神经网络模型,优化了PSO-BP神经网络模型的预测误差。研究结果表明:考虑天气、节日、非节日因素,换乘站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差和平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了40.13%、31.46%和23.89%,较分时段的BP神经网络模型分别平均下降了17.50%、17.86%和17.32%;非换乘站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差和平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了16.50%、20.99%和32.59%,较分时段的BP神经网络模型分别平均下降了11.48%、12.10%和17.73%;各站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差、平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了24.37%、24.48%和29.69%,较分时段的BP神经网络模型分别平均下降了13.49%、14.02%和17.59%,因此,利用考虑多影响因素的优化PSO-BP神经网络模型能提高地铁客流预测的准确性。      

考虑多时间尺度特征的城市轨道交通短时客流量预测模型

针对目前城市轨道交通短时客流量预测模型在构建特征时容易忽略客流变化周期依赖性的不足，提出一种考虑多时间尺度特征的混合深度学习模型(GRU-Transformer)，该模型由添加注意力机制的 GRU(Gate Recurrent Unit)神经网络(Attention- GRU)和改进的 Transformer(ConvTransformer)两模块并行构成。首先，对周周期、日周期及相邻时段这3种时间尺度下的客流数据分别进行建模，并合并各周期数据作为模型输入。其次，搭建Attention-GRU和Conv-Transformer模块分别挖掘数据连续性与周期性特征，融合特征后输出预测值。最后，采集上海市地铁2号线两站点AFC(Automatic Fare Collection)客流数据，预测5 min时间粒度下的进出站客流量。为分析各模型参数对预测结果的影响，开展模型精细化调参实验，基于所得最优参数组合验证和评估模型 。 结果表明 ，相较于5个基线模型(BPNN(Back Propagation Neural Network)、CNN (Convolutional Neural Network)、GRU、CNN-GRU 及 Transformer)和4个GRU-Transformer消融模型，本文提出的GRU-Transformer模型预测精度最高，具有较好的实用性。     

基于多核自适应网络的高速公路交通流预测方法

针对高速公路各路段交通流信息差异较大这一现象,为提高交通流预测准确率,将注意力机制引入卷积神经网络,建立描述交通流时空关联特征的多核自适应网络(Multi-Kernel Adaptive Network,MKAN).首先对输入的历史交通流数据进行多分支卷积,获得不同尺度的交通流特征;然后根据输入信息自适应调整各卷积分支权重并对各分支多通道特征图进行加权融合;最后根据融合特征图,利用多层感知机预测下一时段交通流.基于加州交通运输部性能测试系统中的高速公路交通流数据设计实验进行模型验证和对比分析.实验结果表明,在大多数站点,MKAN模型的预测均方根误差和平均绝对误差低于长短期记忆网络、门控循环单元、K近邻算法和支持向量回归模型,对140号站点进行全天交通流预测,在1d内的各时段,MKAN模型预测绝对误差均小于其他对比模型;相比于单核卷积神经网络,在绝大多数站点,MKAN模型预测结果的均方根误差和平均绝对误差降低7％以上,对31号站点进行全天交通流预测,在1d内的大多数时段,MKAN模型预测绝对误差小于其他单核卷积神经网络.实验证明,多核自适应网络可有效提高交通流预测准确率,其预测效果优于部分传统预测模型和单核卷积神经网络.     

地铁短时客流预测改进LSTM方法

短时客流预测可为轨道交通运营部门规划调度提供参考,其中短时客流预测的精准性尤为重要,为进一步提高城市轨道站点短时客流预测精准性,提出一种结合集合经验模式分解算法和贝叶斯优化算法的改进LSTM方法。先使用集合经验模式分解算法(EEMD)对地铁站点的客流数据进行分解,以减少数据噪声干扰;再通过贝叶斯优化算法(BOA)对长短时记忆神经网络(LSTM)的超参数进行优化,从而提高模型的参数精确性。采用真实的客流数据验证结果表明：相较于单一LSTM以及单层组合模型,双重叠加后的EEMD-BOA-LSTM组合模型预测结果平均绝对误差降低21.8%～44.8%,均方根误差降低16.9%～47.4%,对短时客流的预测结果误差改善显著。     

基于站点实时关联度的短时公交客流预测方法

为探究公交站点之间的关联度并对公交客流进行更精准的实时预测，本文提出基于 Attention的交通预测核心算法(Traffic Forecast Model Based Attention，TFMA)，结合数据预处理和 站点信息编码完成基于站点实时关联度的短时公交客流预测方法。该方法首先创新性地提出了 站点实时关联度，可实现对目标站点客流量更精准的预测；其次，在公交站点的编码信息中融入 线路站点信息、客流变化率、天气、日期等关联因素；接着，该方法依靠Attention机制计算站点实 时关联度；核心算法中使用multi-headed机制、增加通道和残差连接进一步提升预测能力；最后， 以苏州市公交数据进行验证。结果显示：在准确率上，对比多元线性回归的53.8%、GRU(Gated Recurrent Unit)的66.9%和LightGBM(Light Gradient Boosting Machine)的81.2%，本文提出的基于 站点实时关联度的短时公交客流预测方法的准确率在90%以上，表明该方法具备优秀的短时公 交客流预测能力。     

基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型

为降低样本噪声对客流预测模型的干扰, 结合深度学习理论, 提出了一种基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型; 将预测过程分为3个阶段, 第1阶段预处理原始地铁刷卡数据, 构建进(出)站客流时间序列, 运用经验模态分解法将时间序列转化为一系列本征模函数及残差, 第2阶段利用偏自相关函数确定长短时记忆神经网络的输入变量, 第3阶段基于深度学习库Keras, 完成长短时记忆神经网络的搭建、训练及预测; 以上海地铁2号线人民广场站客流数据验证了模型的有效性。计算结果表明: 与代表性的预测模型(差分自回归移动平均模型、支持向量机、经验模态分解与反向传播神经网络、长短时记忆神经网络)相比, 经验模态分解与长短时记忆神经网络预测模型分别将工作日高峰、平峰、全日的进(出)站客流预测精度分别至少提升了2.1%(2.5%)、2.7%(3.5%)、2.7%(3.4%), 将非工作日全日的进(出)站客流预测精度至少提升了3.3%(3.5%), 说明经验模态分解与长短时记忆神经网络的组合是一种预测短时地铁客流的有效模型; 当预测步长由5 min逐渐增加至30 min时, 工作日高峰、平峰和全日进(出)站客流的平均绝对百分比预测误差分别由14.8%(13.9%)、16.8%(17.4%)和16.6%(17.0%)逐渐降低至7.0%(6.2%)、8.3%(7.5%)和8.1%(7.4%), 说明该方法预测误差与预测步长呈负相关。      

基于改进Logistic-SSA-BP神经网络的地铁短时客流预测研究

地铁客流的变化规律存在着一定周期性和潮汐性,针对地铁客流的预测有助于提高城市轨道系统的运营效率,实现轨道交通智慧化运营。为提高地铁短时客流预测结果的准确度,提出了一种基于Logistic混沌映射麻雀算法(Logistic-SSA)优化BP神经网络的地铁客流短时预测模型。该模型通过Logistic混沌映射初始化麻雀算法种群,再利用改进后的麻雀算法优化BP神经网络,达到提高BP神经网络的全局搜索能力和收敛效率;以深圳地铁西乡站进、出站AFC刷卡数据为例,利用构建的预测模型开展客流预测实验,并通过3种准确性评价指标(MAE、RMSE、MAPE),评价改进前后模型预测的准确性。研究结果表明：改进的Logistic-SSA-BP预测模型平均绝对百分误差分别为14.96%和13.73%;与传统BP预测模型相比,其客流预测结果具有更高的准确性。     

轨道交通站点购票客流预测及优化技术研究

将地铁中高峰时段购票客流看成排队论系统,结合排队论知识进行数据优化,利用MATLAB编制BP神经网络模型的程序,建立仿真并预测站点购票客流及自动售票机的需求量,从而达到应急售票服务的优化,提升乘客服务满意度.并以某市大客流站点的客流数据进行论证.     

成长性视角下建成环境对轨道交通站点客流影响分析

为准确把握城市轨道交通客流生成规律，本文从客流成长性视角探究城市轨道交通站点客流与站点周边建成环境之间的交互关系。以上海市城市轨道交通为研究案例，通过人口及就业密度、土地利用、路网密度、出入口数量、介中心性等13个因子刻画建成环境，基于上海市地铁刷卡数据、人口及经济普查、兴趣点(Point of Interest, POI)、道路网络等多源异构数据，分别构建建成环境对轨道交通客流影响的普通最小二乘法(Ordinary Least Square, OLS)模型与极限梯度提升(eXtreme Gradient Boosting, XGBoost)模型进行量化实证分析。结果表明，基于机器学习算法的XGBoost模型比OLS模型具有更好的模型表现。从影响贡献度来看，轨道交通站点建成初期，地铁站点出入口数量(21.9%)，常住人口密度(15.9%)，路网密度(9.8%)是影响城市轨道交通站点客流的最重要建成环境因素。建成近期，商业设施用地(16.5%)、容积率(11.1%)和就业密度(8.5%)等用地类建成环境变量成为提升城市轨道交通站点客流的关键。建成远期，城市轨道交通站点客流水平取决于出入口...     

基于时空注意力卷积神经网络的交通流量预测

为充分挖掘交通流量的复杂时空动态相关性以提高交通流量预测精度,引入空间注意力机制与膨胀因果卷积神经网络,提出一种基于时空注意力卷积神经网络的交通流量预测模型（spatio-temporal attention convolutional neural network,STACNN）.首先,由膨胀因果卷积与门控单元构建的门控时间卷积网络模块用于获取交通流量的非线性时间动态相关性,避免在训练长时间序列时发生梯度消失或梯度爆炸;其次,采用空间注意力机制为路网中的交通传感器节点自动分配注意力权重,动态关注不相邻节点之间的空间关系,并结合图卷积神经网络提取路网的局部空间动态相关性特征;然后,通过全连接层获取最终的交通流量预测结果;最后,利用高速公路交通数据集PEMSD4、PEMSD8进行了60 min的交通流量预测实验.实验结果表明：与基线模型中具有良好性能的时空图卷积网络（spatio-temporal graph convolutional network,STGCN）模型相比,提出的STACNN模型预测结果的平均绝对误差（mean absolute error,MAE）在两个数据集上分别提...     

城市轨道交通短时客流预测体系框架及关键技术

针对当前城市轨道交通短时客流预测系统性不强等问题,构建短时客流预测体系框架,并讨论预测过程涉及的关键技术。框架的构建以自动售检票系统（AFC）获得的数据为出发点,统计站点客流和线网客流OD矩阵两类基础客流数据;在此基础上,构建线网客流分配模型,结合视频数据、站点平面布置和列车运行时刻表三类数据,考虑乘客步行时间的影响,估计断面客流数据;接着,在分析站点客流和断面客流数据时空特性的基础上,分别预测站点和断面短时客流;利用站点客流和断面客流短时预测结果反推未来OD矩阵;同时引入GARCH模型分析预测结果的可靠性,以提高短时客流预测结果的可信度。     

基于动态时间调整的时空图卷积路网交通流量预测

为深入挖掘交通流数据的复杂时空特征并建立其依赖关系,提高交通流参数的预测精度, 本文提出一种新的交通流量预测模型——基于注意力机制和残差网络的时空关系图卷积网络 (TSARGCN)。TSARGCN对输入数据进行切片,实现多分支建模,挖掘数据的时间周期性特征; 引入残差网络保证网络中信息传递的完整性;利用DTW (Dynamic Time Warping)算法计算路网 中节点之间交通流量序列在时间维度的相似程度大小,提出时间图的概念,结合路网结构中各节 点的邻近关系,提出时空关系图的概念;基于时空关系图,在每个分支结合注意力机制分别进行图卷积和时间维度卷积,捕获交通流的时空特征及其依赖关系,实现对路网交通流量数据时空关系的建模。经过在公开数据集PEMSD4上进行实验,结果表明：TSARGCN在交通流量预测中的平均绝对误差 (MAE) 达 到 19.24,均方根误差 (RMSE) 达到 27.09,比 ARIMA(Autoregressive Integrated Moving Average model),Conv-LSTM(Convolution Long short-term memory)及 ASTGCN (Attention based Spatial-temporal Graph Convolutional Network)等知名交通流量预测算法具有更高的预测精度。     

轨道交通站点聚类及其对客流预测的影响分析

城市轨道交通站点受多层面因素交互作用而反映出异质性，为实现站点精细化分类，本文统筹考虑地铁刷卡数据、兴趣点数据和地铁网络数据，提取客流、土地利用和网络性质等特征，其中，客流层面考虑工作日、周末和节假日等不同日期类型下客流状态，土地利用层面考虑站点辐射区用地强度和均衡性，网络层面考虑节点自身特性和影响能力。构建基于主成分分析与K-means++算法的聚类模型，综合聚类评价指标确定簇数，辨析不同类型站点多维度特性，结合站区土地利用和站点网络特征探讨对出行活动的影响，并设计簇内联合预测和整体联合预测策略，采用3种多元时序预测方法探究站点聚类对预测性能的影响。研究结果表明：考虑全部客流特征时，划分为10簇，考虑工作日进站客流特征时，划分为5簇，充分挖掘客流时变特征能够获得更加精细化的聚类结果；各簇站点客流分布特征与其土地利用及网络特征间存在一定的反馈关系；相比于整体联合预测，通过聚类联合相关性强的站点进行预测，以间接捕获空间相关性的方式能有效提升预测性能，各模型均方根误差平均降低9.04%，平均绝对误差平均降低4.94%。研究结果为站点精细化管理和站区设施建设规划提供依据。     

寒地城市地铁客流特性及网络失效研究

为分析寒地城市地铁客流与网络特性，挖掘客流与寒地气候的相关性，本文利用《寒区城市多模式公交协同运营技术与示范工程》2013—2020 年共 8 年 11 万余条地铁客流数据进行研究。提出效用阻抗Space L-Space P模型建立地铁抽象网络，将时间维度细分为周、月和年这3类， 研究地铁客流特性与扰动因素，并建立寒地城市地铁网络失效模型，分析扰动后地铁站点与线路的客流分布。进一步选取哈尔滨市与南京市地铁数据，运用转移熵因果关系分析地铁网络客流分布与气候的相关性，得到寒地气候对地铁客流的影响。研究表明：所采集的地铁客流数据能够充分展现客流的状态与变化趋势，能够满足客流数据分析的精度与质量要求。近8年，哈尔滨市地铁客流呈现明显的增长趋势，地铁客流分布呈现2月为客流低峰，3月客流逐步回升，3~12月客 流较平稳且具有轻微波幅；换乘客流中夏季呈现8月大于7月大于6月的趋势，冬季则2月换乘客流最低，大多在周一与周五达到周换乘客流量极值。由地铁网络失效模型识别出关键站点，得到 哈尔滨市冬季客流略高于其余3季，冬季地铁网络较脆弱，结合实际数据的模拟分析表明，温度与地铁客流具有一定相关性，且哈尔滨市的相关性大于南京市。     

空间异质性建成环境对地铁与公交换乘客流的影响

地铁与常规公交换乘的出行方式成为人口密集型城市的主要出行方式，探究两者换乘模式的影响因素有助于提高公共交通分担率。本文采用AFC(Automatic Fare Collection System)数据与AVL(Automatic Vehicle Location)数据，识别地铁-公交(M-B)和公交-地铁(B-M)两种模式的换乘客流。以地铁站点为核心，围绕站点周边开发程度、交通系统、城市设计及地铁网络结构特征这4个维度构建地铁站点建成环境指标体系。利用多尺度地理加权回归模型(MGWR)探究城市建成环境对地铁-公交与公交-地铁两种换乘模式的影响机理及其尺度效应，并以成都市为对象进行实证研究。研究结果表明：MGWR模型能够反映不同建成环境要素与M-B和B-M方式间依赖关系的空间异质性与作用尺度差异性，估计结果优于全局OLS(Ordinary Least-Squares)模型与GWR(Geographic Weighted Regression)模型；建成环境要素对公交与地铁换乘客流的影响效应存在空间异质性，公交线路数量空间异质性最为显著，非机动车道密度、土地利用混合度及地铁线路数量空间异质...     

基于AFC数据的地铁站点客流典型时变特征分析

地铁站点客流的时变特征是地铁客流管理和预测的重要参数.基于上海1个月的地铁自动售检票系统小时客流数据,采用K-Means聚类算法分析站点客流典型时变曲线特征,并利用POI数据计算点客流时变特征与站点周边土地利用之间的关联性.结果显示,上海地铁站点可分为居住导向型、就业导向型、商业型、混合型、混合偏居住型、混合偏就业型等.不同类型站点服务范围内的土地利用有显著差异,且二者之间有很强的相关性.本研究为地铁客流预测、地铁站点规划设计和地铁运营组织提供相关参考.     

建成环境对轨道交通客流的时空异质性影响分析

研究各类建成环境特征对客流的影响，对城市轨道交通网络规划和运营客流控制具有重要意义。本文考虑人口经济特征、车站特征、外部交通特征与土地利用特征这4类建成环境对客流的影响，提出一种融合时空地理加权回归(GTWR)和随机森林(RF)的时空地理加权随机森林模型(GTWR-RF)，以捕捉建成环境特征对客流影响的时空异质性与非线性。首先，利用多源数据对各建成环境的统计指标进行细化和完善，采用GTWR模型计算建成环境对客流的影响系数，捕捉并分析建成环境对客流影响的时空异质性。其次，将影响系数输入RF模型中进行训练，捕捉并分析建成环境对客流的非线性影响，实现客流预测并确定建成环境特征对客流预测影响的相对重要度。针对北京的案例研究表明：GTWR-RF模型能够同时捕捉建成环境特征对客流影响的时空异质性与非线性，在所有建成环境特征中，工作人口数量对客流预测影响最显著，其次为公交接驳量；与普通最小二乘法、RF、梯度提升回归树、极限梯度提升树和GTWR模型相比，GTWR-RF模型具有更好的预测性能，在早高峰客流预测中决定系数较其他方法分别提升了5.7%,6.3%,0.5%,10.1%和7.3%。     

基于改进极限学习机的公交站点短时客流预测方法

以公交车IC 卡和GPS数据为基础，提出了一种基于改进粒子群算法优化极限学习机(IPSO-ELM)的公交站点短时客流预测模型.依托IC 卡和GPS 数据在站点的特征表现和内在联系，定义了站点间距，并分析了站间距和车辆到总站距离间的联系；提出了公交乘客上车站点确定方法，进而得到公交站点上车客流量；通过分析公交客流数据特征，确定ELM输入参数维度，并采用IPSO 算法找到ELM的最优隐含层节点参数；最后依托广州市19 路公交车客流数据仓库进行了方法验证.结果表明：所用优化后的ELM方法预测误差在10%以内，并与应用广泛的SVM、ARIMA和传统ELM模型进行对比分析，发现改进的ELM方法拥有更高的可靠性和泛化性能.     

基于改进极限学习机的公交站点 短时客流预测方法

以公交车IC 卡和GPS数据为基础，提出了一种基于改进粒子群算法优化极限学习机(IPSO-ELM)的公交站点短时客流预测模型.依托IC 卡和GPS 数据在站点的特征表现和内在联系，定义了站点间距，并分析了站间距和车辆到总站距离间的联系；提出了公交乘客上车站点确定方法，进而得到公交站点上车客流量；通过分析公交客流数据特征，确定ELM输入参数维度，并采用IPSO 算法找到ELM的最优隐含层节点参数；最后依托广州市19 路公交车客流数据仓库进行了方法验证.结果表明：所用优化后的ELM方法预测误差在10%以内，并与应用广泛的SVM、ARIMA和传统ELM模型进行对比分析，发现改进的ELM方法拥有更高的可靠性和泛化性能.     

基于时域卷积网络与注意力机制的车辆换道轨迹预测模型

精准的车辆轨迹预测模型可以为自动驾驶车辆提供其周围车辆的准确运动状态信息,进而判断本车与周围车辆短期内是否有发生冲突的可能性。本文提出一种基于时域卷积网络与注意力机制(Temporal Convolutional Networks with Attention mechanism,TCN-Attention)的车辆换道轨迹预测模型。该模型以时域卷积网络作为当前输入的特征提取器,利用时间与空间注意力机制使模型在不同时间和空间位置之间建立动态关联,更准确地捕捉车辆之间的动态时空相关性,实现准确预测车辆换道轨迹。与传统单一车辆轨迹特征输入不同,本文通过对输入特征进行多维扩充与融合,进一步提高了轨迹预测准确率。此外,本文提出一种换道执行起止时刻定义方法更准确地确定数据集中的换道起止时刻。实验表明,本文所提模型能以高准确率预测变换车道轨迹,在整体效果上优于其他深度学习模型,与ConvLSTM (Convolution Long Short-Term Memory)相比,TCN-Attention的平均绝对误差(Mean Absolute Error,E_MAE)降低了69.8...