综合混沌相空间重构与相似性原理的铁路客流量预测

重构相空间理论对我国铁路客流量数据时间序列进行相空间重构,通过计算分形维数和提取最大Lyapunov指数,分析得出了铁路客流量时间序列数据的演化具有混沌特征,结合我国铁路客流量在全年中的波动特点,提出适合我国国情的综合混沌相空间重构与相似性原理的铁路客流量预测算法.该算法能自动参考过去相似年度同期的客流量变化趋势,对预测值进行智能化调整.通过以某火车站客流量为预测对象进行验证,结果证明了该预测算法的准确性和实用性.     

基于IC卡和RBF神经网络的短时公交客流量预测

在公交客流量特性分析基础上,通过IC卡获取了实时公交客流量数据;结合GPS数据,利用OD反推法分析了实时客流分布;进而建立了基于IC卡和RBF神经网络的短时公交客流量预测模型并介绍了具体预测过程。对重庆市841公交线路进行了实例分析,得到上下车客流真实值与预测值的平均绝对相对误差均小于1.5%,实例计算结果表明该模型能获取实时客流数据,预测精度高,具有一定的实际应用价值。     

短时公交客流小波预测方法研究

短期客流表现出不同于中长期客流的特性,本文在研究短期客流序列特性的基础上建立预测方法．采用离散傅里叶变换研究短时公交客流序列的频域特性;基于混沌理论,通过计算Lyapunov指数判断短时客流序列的混沌特性;最终建立短期客流序列的小渡预测方法．研究结果表明短时公交客流序列信号包含高频成份与低频成份,低频成份构成信号主体,高频成份导致信号波动,且短时公交客流序列具有混沌特性,这些特性导致单一方法短时客流预测精度较低;小渡预测方法通过信号分解重构在保留全部客流信息的基础上有效降低了客流信号的波动性,实例分析证明该方法可以有效提高客流预测精度．     

多源数据驱动CNN-GRU模型的公交客流量分类预测

为精准分析公交线路与站点不同客流的出行特征及时变差异性，结合深度学习理论，提出了一种基于卷积神经网络(CNN)与门控制循环单元(GRU)组合的公交客流分类预测模型；融合匹配公交一卡通刷卡、公交车GPS轨迹、线路和站点基础信息、气象等多源数据，实现公交客流数据重构；采用K-Medians算法将乘客分为通勤类和非通勤类；以乘客类型、历史客流量、时段、高/平峰、星期、降水量、重大活动等因素为输入向量，分别建立CNN与GRU单一模型，并利用均方误差、均方根误差、平均绝对误差为评价指标，开展预测；针对单一模型不适用多特征时间序列预测等问题，分别构建了由CNN和GRU组合的线路客流和断面客流预测模型；以北京市特15路公交为例，预测工作日与非工作日场景下的线路及断面的分类客流。分析结果表明:对于通勤类和非通勤类线路及断面客流，组合模型的均方误差相比单一模型平均降低了57.932、13.106和33.987，均方根误差平均降低了1.862、1.058和1.538，平均绝对误差平均降低了1.399、0.487和0.613，可见，多源数据驱动下的CNN-GRU组合模型具有良好的预测性能。      

基于时序特征的城市轨道交通客流预测

通过分析城市轨道交通客流量的时序特征和RBF神经网络的作用机理,将具有不同时序特征的数据分别用不同的神经网络进行处理,建立了基于客流时序特征的并行加权神经网络模型,并用该模型对北京市城市轨道交通各条线路的客流进行预测.结果表明,各线路客流量预测结果的平均绝对百分误差均在10％以下,小于单个神经网络的预测误差,提高了预测精度.     

公交客流预测的神经网络模型

通过分析神经网络的作用机理和公交年客流量的影响冈素,以城市人口、居民收入、生产总值等9个因素作为输入神经元,输出神经元为每年的公交客流量,建立了公交客流预测的径向基神经网络模型(RBF)和BP神经网络模型,以合肥市公交量的调查数据为例,对网络进行学习与训练仿真实验,结果表明所建模型具有较高的预测精度,效果较好.     

基于神经网络的公交客流预测

公交客流量具有动态性,受多种因素的影响,不能或无法用精确的数学模型进行预测。通过对公交客流量预测的Elman和BP神经网络的建立、学习和训练。并以前三年的公交客流量、国内生产总值、工业总产值、城市人口数作为两种神经网络的输入神经元,第四年的公交客流量作为输出神经元,同时以合肥市公交客流量为例进行分析,结果表明：所建的Elman模型比EBP模型的预测精度高,效果好。     

基于神经网络的公交客流预测

公交客流量具有动态性,受多种因素的影响,不能或无法用精确的数学模型进行预测。通过对公交客流量预测的Elman和BP神经网络的建立、学习和训练,并以前三年的公交客流量、国内生产总值、工业总产值、城市人口数作为两种神经网络的输入神经元,第四年的公交客流量作为输出神经元,同时以合肥市公交客流量为例进行分析,结果表明:所建的Elman模型比BP模型的预测精度高,效果好。     

基于神经网络的公交客流预测

公交客流量具有动态性,受多种因素的影响,不能或无法用精确的数学模型进行预测。通过对公交客流量预测的Elman和BP神经网络的建立、学习和训练,并以前三年的公交客流量、国内生产总值、工业总产值、城市人口数作为两种神经网络的输入神经元,第四年的公交客流量作为输出神经元,同时以合肥市公交客流量为例进行分析,结果表明:所建的Elman模型比BP模型的预测精度高,效果好。     

基于VMD-LSTM轨道交通客流预测模型

客流量预测是城市智能交通系统的重要组成部分。为实现客流量的准确预测,首先采用变分模态分解(VMD)将时序客流数据分解成不同时间尺度下的本征模态函数(IMF),降低数据噪声对客流预测模型的影响,再结合长短时记忆神经网络(LSTM)进行预测,提出VMD-LSTM预测模型。采集明尼苏达州州际轨道交通客流数据对模型进行验证。结果表明:相对传统LSTM预测模型,VMD改进LSTM使平均绝对百分误差(MAPE)减少8.38%,均方根误差(RMSE)减小256.99,有效提高LSTM神经网络的预测精度与鲁棒性。