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。     

城市轨道交通自动售检票系统实时进站客流量异常检测

阈值范围的合理设定,对AFC(自动售检票)系统实时进站客流量数据的有效性检测至关重要。采用改进的小数据量法计算历史进站客流数据时间序列的Lyapunov指数,验证该序列的混沌特性;利用C_C方法确定混沌时间序列的时间延迟和最佳嵌入维数,对原时间序列进行相空间重构,确定模型训练测试样本集;采用大范围网格搜索方法优化混沌支持向量机回归模型参数,利用优化后的模型预测各时段的进站客流量;利用训练样本集中各时段进站客流量预测残差序列的分布特性,确定在某一置信度下各时段进站客流量预测残差的置信区间,从而确定未来时段的进站客流量异常检测的阈值上限和阈值下限。试验结果表明,该方法有效地增强了系统对于AFC系统实时进站客流量数据有效性检测的能力。     

基于AFC数据的城市轨道交通短期客流预测实时修正研究

短期客流预测数据一般在预测日前1周或1月内生成，但突发疫情、恶劣天气等非预知情况会引起预测量与实际量有较大偏差，因此需要根据AFC数据对预测趋势及预测指标进行实时修正。首先建立基于AFC数据的客流实时清分推演模型，预测当前时刻前已进站但未出站乘客的出站车站、出站时间，出行路径及所乘车次；然后提出趋势修正策略，根据实时AFC刷卡数据及下一时段的预测OD客流量，采用自下而上的策略对下一时段各车站的预测OD客流量及预测出行记录进行修正；进而采用指标修正策略，将趋势修正与实时清分推演结果结合，生成下一时段全维度修正指标；最后以突发疫情为例，通过实验验证实时修正系统的应用效果。短期客流预测的实时修正能够进一步增强路网运营全貌监视能力及实时调度辅助决策支撑力度。     

基于非参数回归的城轨实时进出站客流预测

为准确预测城轨实时进出站客流,构建基于非参数回归的实时进出站客流预测模型。首先,对不同特征日分时进出站客流量进行对比分析,据此构建历史数据库;其次,通过计算历史分时数据的相关系数,并设置阈值对分时客流数据间的相关性进行判断,从而确定合适的非参数模型状态向量;再次,根据K近邻样本与预测目标的客流量差异性,设计基于权重加权的预测算法;最后利用广州市城轨客流数据对预测模型进行精度分析,对全网站点多天的预测结果显示:全天平均绝对百分比误差均在2%以下,分时平均绝对百分比误差均在14%以下,表明模型具有较高的预测精度和良好的适用性。     

高速铁路转移客流量计算模型与应用

高速铁路开通初期,合理估计客流量是科学制定动车组开行计划的基础.相对规划设计期的客流预测,运营期的客流分析与预测要求的精度更高.基于Logit模型,构建了高速铁路转移客流量的计算模型和计算方法,并以武广高速铁路为例,应用该方法计算了航空、公路、铁路既有线的相应客流转移量.运营结果表明:利用该模型与方法所得客流量与实际客...     

大型活动期间地铁车站客流预测方法研究

以中国进出口商品交易会(广交会)为研究对象,对大型活动期间地铁车站客流组成及其分布特征进行了分析,并基于历史客流数据提出广交会期间车站客流量的提取方法.基于灰色预测理论构建了广交会期间地铁车站客流量预测模型,依托2018年秋季广交会期间地铁车站客流数据对该模型进行了验证.结果 表明,所提方法可高精度预测广交会期间的地铁车站客流量.     

新型组合模型在铁路客运量预测中的应用

客运量是用来测算交通运输业所承担的工作量,反映了运输业为国民经济和人民生活服务的数量指标,准确的客运量预测直接影响到铁路项目的经济效益评价及铁路交通组织安排。根据客流量数据的特点,提出新的组合预测方法,构建线性时间序列灰色GM(1,1)模型和考虑客流量影响因素的非线性遗传算法优化BP神经网络模型。最后结合新建兰州至中川机场铁路项目及调查数据进行客流量的预测研究,并将组合模型预测结果和单一模型相比,得出新型线性和非线性组合模型预测精度更高,取得了满意的效果,为客流量的预测提供了一种新的工具。     

基于支持向量机的地铁客流量预测

地铁客流量是城市地铁交通运营组织的重要依据,客流随机性较大及其影响因素较多,因此加大了客流预测的难度。为了更加准确地预测城市地铁交通中的客流量,及时对客流组织方案进行调整,设计了一种基于非线性支持向量回归机的地铁客流量预测方法。该方法通过分析已采集数据的影响因素,确定对客流量影响较大的支持向量,然后构建预测模型进行预测。该模型可以通过调整影响因素的强度来提高预测精度。最后,通过算例验证：该方法可以有效地改善预测误差,适用于短期和不确定环境的地铁客流预测。     

基于季节指数的城市轨道交通月度客流预测方法

城市轨道交通的月度客流量兼具趋势增长性和季节波动性的二重趋势特性,其变化呈现出复杂的非线性组合特征。选取自回归积分滑动平均(ARIMA)模型对南京地铁2号线的月度进站客流量进行建模预测。针对月度客流量的季节波动特性,引入季节指数对原始客流数据进行季节调整,并利用经过变换后的客流数据进行模型的识别和定阶。将结果与未经季节指数调整的ARIMA模型预测结果对比分析可发现:基于季节指数的ARIMA模型预测各月度客流量的平均绝对百分比误差值比无季节指数调整的ARIMA模型的值小,且误差值小于5%,说明所提出的方法预测效果良好,适用于城市轨道交通进站量的短期预测,从而为地铁运能运力调整以及运营计划的制定提供参考依据。     

基于数据融合的地铁客流量预测方法

为了更加准确地预测城市地铁交通中动态变化的客流量 ,通过分析城市地铁交通客流量的特点 ,提出了一种基于神经网络数据融合的预测方法。这种方法根据预测数据各属性的特点 ,将采集的数据提取出多个相关序列。在此基础上对各序列采取不同的处理、预测方法 ,再利用神经网络进行融合。这种方法可用于数据动态预测的各种领域。实验表明 ,采用这种方法可以有效地改善数据预测的误差。     

铁路客运车站客流监测与预警系统

由于缺乏准确的实时客流数据,铁路客运车站的客运组织一直主要依靠经验来调配设备、人员等所需资源。为此,开发了铁路客运车站客流监测与预警系统,通过有效利用铁路客票预售数据、车站历史客流数据、旅客进出站实时数据、列车正晚点数据等相关数据,建立基于K均值聚类的支持向量回归机客流预测模型,实现车站每日进站客流、分时段进站客流、候车室客流的监测、预测及超限预警,方便车站工作人员随时掌握客流动态,及时根据客流变化进行设备和人员动态调配,更加精准、高效、安全、有序地开展车站客运组织作业,有助于改善车站客运服务水平,提升旅客出行体验。     

铁路客运量数据挖掘预测方法及应用研究

在分析铁路客票数据特征的基础上,提出采用分段模糊BP神经网络对铁路客运量进行数据挖掘预测。通过对铁路客票数据的分段处理,提高了网络学习的收敛速度和预测精度,并在MATLAB环境下建立了分段模糊BP神经网络模型,在仿真试验中各分段的期望输出和实际输出之间吻合较好,从而证明了分段模糊的数据处理方法是有效的;同时,预测的客运量和实际客运量数值非常接近,说明分段模糊BP神经网络得到的数据挖掘预测模型对铁路客运量有很好的预测效果,该预测模型可信,为预测铁路客运量提出了一种新思路。     

地铁车站大客流组织措施研究

针对地铁车站大客流组织问题，以天津地铁营口道站为具体研究对象，结合实际运营经验，对大客流组织原则、影响因素和应对措施进行较全面的探讨。首先，结合营口道站实际运营情况和一线工作经验，总结地铁车站的大客流组织原则；其次，从乘客乘坐地铁的流程入手，详细分析影响车站大客流组织的主要影响因素，定量化计算AFC系统服务能力、出入口及通道的通过能力、楼扶梯的通过能力、站台乘候车秩序？、列车运能和客流疏导能力等；最后，遵循大客流组织原则，针对影响大客流组织的主要因素，从客流预测、客流组织、行车调度和票务组织等方面提出具体的大客流组织应对措施。     

UKF地铁短时客流预测研究

为获得较为可靠的地铁车站实时客流,提出基于神经网络与无迹变换卡尔曼滤波(UKF)结合的信息融合预测方法。首先利用各站点间进出客流时空相关性,在运行时间约束下组织预测向量,以BP神经网络为函数表达给出目标站点客流的初步预测值。在此基础上,利用无迹变换卡尔曼滤波解决神经网络过学习造成的误差,以提高预测结果精度。最后选取实例验证算法的准确性,结果表明,该改进算法可有效提高预测精度,满足运营需求。     

基于B-P神经网络的北京地铁运量预测模型

分析影响北京地铁运量的因素,选取城市轨道交通内部生产、人口因素、乘客收入因素和交通因素等作为运量预测的关键要素,应用B-P神经网络(Back Propagation ANN,基于误差反向传播神经网络)模型,对未来几年内北京地铁运量进行预测分析.结果发现B-P神经网络对地铁客运量的预测较为适用,可为北京地铁运营规划提供决...     

滇中城市群城际铁路网客流预测

基于对滇中城际铁路网客流的现状分析,将城市群内交通划分为区域内交流、对外交流、过境客流三部分,以区域内交流为重点,将客流以不同的交通方式划分为公路客流、铁路客流与航空客流进行分析。采用改进的四阶段交通需求预测理论,以实际客流数据为基础得到2015年不同交通方式与全方式的客流OD表。运用弗雷特法(Frator method)计算未来各规划年不同交通方式与全方式居民出行城际客流和旅游客流分布。建立滇中城市群各城际通道方式划分Logit模型,得到滇中城市群城际铁路客流OD表,成功得到未来各规划年的客运交通分布预测、客运交通方式预测与主要通道客运交通预测。     

基于土地利用的城轨新站点客流预测方法研究

城市轨道交通线路规划、设计和建设全过程年限较长,在此期间土地利用规划通常多有调整,导致工可研阶段的客流预测结果难以支撑新线开通时运输计划编制等运营管理工作。提出一种基于土地利用的城轨新站点客流预测方法,首先研究城轨站点周边人口岗位数据统计方法,其次提出人口岗位比、人口岗位总数和站点可达性指标概念,基于K近邻非参数回归预测方法构建进出站量预测模型,最后依托广州地铁客流数据对模型进行精度分析。结果表明,所有站点进站量预测的平均绝对误差占平均实际进站量的19.0%,进站量大于2万人次的站点平均相对误差为16.0%,所提方法可为城轨新线开通后运输组织提供决策依据。     

加德满都至博克拉铁路客运量预测研究

新建加德满都至博克拉铁路项目位于尼泊尔中部,线路由尼泊尔首都加德满都至博克拉,正线全长164.395 km。由于沿线区域欠发达,几乎无铁路分布,项目客运量预测存在基础资料少、铁路统计调查数据缺失等困难,针对上述困难,对预测的方法进行研究,根据项目客流特点,将尼泊尔划分为17个小区,采用四阶段法进行客运量预测。结合小区人口和旅游客流的现状及增长情况,预测各小区的交通生成量,采用重力模型法得到总客流OD,通过Logit模型得到铁路OD,最后根据最短路径法进行客流分配,从而得出项目区段客流密度和车站旅客发送量,本项目的预测对类似项目有一定的参考作用。     

灰色理论在铁路客运量预测中的分析研究

针对传统灰色预测模型存在对历史数据依赖性强、容错性小及抗干扰能力差的局限性，将无偏灰色理论与残差验证理论引入预测模型，从趋势曲线灰色拟合与状态分类方式上对传统灰色模型进行改进，提出无偏灰色预测铁路客运量方法；同时，对铁路客运量预测方法从定性预测和定量预测两个方面进行阐述并对其优缺点进行分析。依据建立的无偏灰色预测铁路客运量模型，以1997—2016年铁路客运量为基础数据，对铁路“十三五”时期的数据进行预测，通过残差检验和结果分析，其预测精度明显高于BP神经网络预测。     

基于GRNN神经网络的地铁疏散预警及对策研究

针对国内地铁车站客流无序性和突发性的现状,提出基于广义回归神经网络GRNN的地铁车站客流预警模型。以南京地铁全线网某时段客流数据为输入样本,运用GRNN神经网络进行训练与测试,得出预测数据并对比实际数据进行误差分析。结果表明:预测数据拟合,精度可行。将预测数据与南京地铁实时客流预警系统相结合,提出突发性大客流应急情况下的运营服务对策措施,为地铁运营管理单位避免突发大客流造成人员踩踏、恐慌等事故提供参考。