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。     

城市轨道交通客流特征及预测相关问题

客流预测是城市轨道交通建设的一个十分重要的环节,是各项设计工作的基础。预测结果的可靠与否直接关系到城市轨道交通的建设投资、运营效率和经济效益。通过对城市轨道交通客流进行分析,阐述了城市轨道交通客流规模影响因素、客流形成机理、客流特征、客流预测方法等。分析了四阶段法各阶段预测所使用模型及方法。     

铁路客运专线客流量预测的探讨

依据客运专线客流的成因,将其分为趋势客流、诱增客流和转移客流。运用灰色预测模型对趋势客流进行预测;采用以GDP和常住人口数量作为影响因素的改进型重力模型对诱增客流进行探讨;利用MNL（Multi-Nominal Logit）模型来预测转移客流。以某规划中的客运专线为例,对文中的预测模型进行阐述,以验证本模型对于客运专线客流预测的正确性。     

轨道交通短期客流预测方法及其算法研究

轨道交通客流预测对轨道交通日常运营有着重要作用,文章首先根据轨道交通历史数据,对其客流特性进行了分析,着重利用灰色模型对轨道交通短期内的客流量进行建模预测,利用马尔科夫链修正和改进模型预测结果;为了方便客流预测的自动化实现,给出了整个客流预测过程的流程图,并对其预测算法进行了研究。     

西安地铁3号线客流趋势预测研究

在目前我国城市已运营的轨道交通线路中,实际客流与设计客流偏差较大的问题普遍存在。以西安地铁3号线为例,研究其现状客流特征,并与原设计客流对比,分析主要客流预测指标与实际值的偏差及原因。在综合考虑客流影响因素的基础上,提出3号线研究年度内各年客流预测推荐值,对其原客流预测进行校正。最后,结合3号线客流发展规律,对城市轨道交通规划设计及运营提出相关建议。在线路运营初期对客流趋势进行预测,为合理增购车辆、制定运营计划提供依据,为其他线路进行客流趋势预测提供参考。     

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。     

苏州地铁客流波动特性分析

为研究轨道交通客流的波动性,提出使用SARIMA+GARCH这一随机结构作为轨道交通客流的综合时间序列模型。在这个随机结构中,SARIMA模型描述客流时间序列的一阶状态,即均值特征;GARCH模型获得客流时间序列的二阶状态,即条件异方差特征。采用苏州地铁全网客流数据作为分析实例,对5 min、15 min和1 h汇集度的工作日和休息日客流共6组客流数据进行波动性建模、预测与分析,结果表明,SARIMA+GARCH模型具有较好的预测性能。基于各组客流数据的分析结果,分别对工作日与休息日以及不同时间汇集度之间的客流波动特性进行对比,结果表明:休息日客流的波动性强于工作日客流;时间汇集度小的情况下,客流的波动性会更强。     

ARIMA模型在城市轨道交通短期客流预测中的应用研究

城市轨道交通站点的客流监控与短期精准预测对实现高效列车调度、防范安全隐患、降低运营成本具有关键作用。文章通过优化ARIMA模型参数对不同时间粒度下天津地铁某站点周一到周五的AFC客流数据进行预测,预测结果表明ARIMA方法能够准确预测城市轨道交通站点的短期客流。减小客流数据时间粒度能够获得更多的客流数据细节信息,有利于提升预测的精准度。研究发现即便在客流数据能够通过平稳性检验的情况下,对客流数据进行差分处理依然能够明显提升ARIMA模型的预测精度。     

北京地铁5号线运营对轨道交通客流预测的启示

对北京地铁5号线运营实际客流与预测客流的差异进行对比,理论联系实际,分析轨道交通客流预测存在的问题及原因,提出从宏观把握城市用地规划、依据实际调查修正预测参数、构造高峰小时矩阵、通过网络进行客流预测时需做好敏感性分析等建议。     

考虑峰值数据重平衡的地铁客流预测研究

地铁客流预测是城市轨道交通系统日常运营管理的基础,尤其是对突发大客流影响时的准确客流预测,能够有助于缓解城市地铁运营压力并降低安全风险。虽然目前的地铁客流预测方法在对日常客流预测准确性上有较好的表现,然而由于忽视了客流波动造成的客流峰值和谷值数据量不平衡,其对客流的峰值预测效果并不佳。为了进一步提高客流预测精度,考虑从峰值数据自身特征出发,通过聚类模型判断客流类别并验证不同客流类别间显著的不平衡问题,参照分类任务中类别不平衡问题的处理方式,通过欠采样、随机过采样和合成少数类过采样3种数据平衡方式,实现客流平衡处理。同时,采用支持向量回归、人工神经网络和长短时记忆神经网络3种预测模型,进行客流预测并对比不同数据平衡方式对模型性能的影响。研究结果表明：相比于未对训练集进行数据平衡处理,类别平衡在一定程度上提升了模型的预测精度;基于合成少数类过采样技术平衡数据的支持向量回归模型可以提供最佳的进站客流预测精度;基于随机过采样技术平衡数据的长短时记忆神经网络模型可以提供最佳的出站客流预测精度。研究结果可为客流波动较大情况下的城市轨道客流精准预测提供理论依据。     

郑州市轨道交通2号线客流预测相关问题研究

本文介绍了郑州市轨道交通2号线客流的预测方法及过程,得出了2号线客流预测结果与统计指标,在此基础上,对客流预测结果的关键参数进行了综合比较分析和论证,探讨了2号线的客流特征。结果表明:其预测结果是可信的,尽管客流在时空上分布很不均衡,但2号线客流预测的抗风险能力较强。     

基于客流大数据分析和支持向量回归的地铁乘客出行时间预测研究

随着地铁线网规模的扩大,地铁客流大数据不断产生并积累,其中包含大量信息。地铁乘客出行时间是反映地铁系统运行状况和乘客满意度的重要指标。传统的地铁乘客出行时间预测没有充分利用客流大数据,因此有进一步提升空间。文章基于地铁客流大数据,整理了大量乘客出行属性和实际出行时间的数据集,并采用多种回归模型建立地铁乘客出行时间预测模型。结果表明:使用径向基核函数的支持向量回归模型预测效果最好,可较好应用于乘客出行时间预测,为乘客出行规划及运营公司调度提供参考。     

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。     

城市轨道交通短期客流预测方法研究

阐述城市轨道交通客流预测面临的问题,总结近年来提出的各种短期客流预测方法及主要设计思想。首先介绍短期客流预测的研究背景,然后分别从实时判断和实时预测2个维度介绍具有代表性的研究工作,对涉及的主要方法进行分类分析,最后进行各种算法的综合比较,并指出城市轨道交通短期客流预测未来的研究方向。     

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。     

城市轨道交通客流预测四阶段法及其在TransCAD中的应用

城市轨道交通线路各设计年度的客流预测工作是轨道交通设计工作中的一项重要基础内容,客流预测结果是后续设计专业的重要依据。四阶段法是城市轨道交通客流预测中常用的一种预测方法,具有系统性和全面性。通过总结四阶段法在TransCAD中的应用过程,对客流预测整个过程进行分析总结,提出基于四阶段法的城市轨道交通客流预测方法,并应用于工程项目中,对设计工作者具有一定的参考价值。     

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。     

城轨新线客流成长期进出站量短时预测研究

为准确掌握城轨新线开通初期客流演化态势、提高运输组织合理性,针对新线客流变化不稳定、缺乏历史客流数据等问题,提出城轨新线客流成长期进出站量短时预测方法。通过对新线站点进出站量变化规律的分析,基于改进模糊C均值聚类算法,对考虑客流趋势相似性的城轨站点类型划分方法进行研究,并提出城轨新线站点历史数据库构建方法;基于趋势距离对近邻匹配机制进行优化,并根据多元统计回归对K近邻算法进行改进,提出新线站点客流成长期进出站量短时预测方法;结合广州地铁客流数据,对预测方法的有效性进行验证。研究结果显示:新线站点客流成长期内短时进、出站量平均预测效率较既有方法增加了35.68%、32.23%,预测精度较既有方法增加了38.32%、25.80%。     

基于梯度提升的城市轨道交通客流量预测分析

通过分析城市轨道交通日均客流及相关影响因素的变化特征,以多种因素作为数据集特征,采用梯度提升法和随机森林的混合模型对日均客流量进行预测。以北京地铁客流数据作为研究对象,对模型进行了试验。试验结果表明,基于梯度提升和随机森林的混合模型相较于常规ARIMA模型和随机森林模型具有更好的适应性,在常态和特殊情况下均能取得可接受的预测效果。     

苏州轨道交通节假日客流预测研究

节假日大客流往往会对城市轨道运营管理造成较大压力,及时准确地预测节假日期间客流,可以为城市轨道交通运营与管理部门制定运输计划、确定应对措施提供重要依据,保障节假日期间轨道交通安全顺畅运行。在分析节假日客流变化趋势的基础上,根据历史客流变化趋势获得基准客流;基于当前客流量水平,构建ARIMA-GARCH模型,预测轨道交通未来节假日各时段客流量。基于苏州轨道交通2018年与2019年的历史客流数据,对方法进行验证分析。结果表明,该方法能有效识别节假日客流特征,降低客流预测前期工作,并实现城市轨道交通节假日各时段客流预测。