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.     

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。     

基于改进蝙蝠算法优化LSTM网络的短时客流预测

准确地预测地铁站短时客流量,对地铁站通风空调系统的节能优化具有重要意义.充分考虑地铁客流量非线性、随机性、周期性等特点,提出一种基于改进蝙蝠算法(IBA)优化长短期记忆(LSTM)神经网络的短时客流量预测模型(IBA-LSTM).引入反向学习、动态自适应惯性权重与拉格朗日插值法等方法改进蝙蝠的全局搜索与局部寻优能力,克服标准蝙蝠算法易早熟、易陷入局部最优值的问题;利用改进的蝙蝠算法对LSTM网络的隐含层节点数、迭代次数、初始学习率、学习率下降因子4个参数进行优化;利用西安某地铁站自动检票系统(AFC)采集的客流数据,对模型的有效性进行检验.实验结果表明:该预测模型在均方误差、均方根误差、平均绝对百分比误差等方面均优于标准蝙蝠-LSTM模型、LSTM预测模型、BP预测模型及BP-Adaboost预测模型,所提出的方法可有效应用于短时客流量预测.     

城市轨道交通进出站短时客流预测模型研究

针对城市轨道交通短时进出站客流的强随机性、周期性及非线性的特征,提出了一种基于小波变换与Adam算法优化的长短时记忆网络(LSTM)短时客流组合预测模型(即WT-LSTM组合模型),同时基于非饱和激活函数ReLU函数实现了LSTM的学习与训练.采用LSTM模型与WT-LSTM组合模型对广州地铁广州塔站的客流量进行预测,并对预测结果的误差进行对比分析.结果 表明,WT-LSTM组合模型能够较好地预测短时客流,预测结果优于单一LSTM模型.     

城市轨道交通网络换乘性能研究

针对网络换乘性能,提出了计算城市轨道交通网络换乘次数的矩阵算法。利用图论建立网络数学模型,利用可达矩阵计算了网络拓扑结构的平均换乘次数。在此基础上考虑客流量的影响,通过挖掘地铁AFC(自动售检票)数据,计算按客流量加权的平均按乘次数。定义网络换乘效率为实际按乘次数与理论换乘次数的比值,并以北京地铁为例进行计算。计算结果验证了算法的有效性。     

基于负荷预测的地铁通风空调系统节能优化方案

分析地铁车站设屏蔽门时的通风空调系统的特点,指出空调冷负荷的变化主要取决于客流量及新风量的变化,而二者在地铁运营过程中变化大。为了实现节能,提出利用地铁既有的综合监控系统与信号、屏蔽门、自动售检票等系统的互联信息,统计出某一时段的客流量及所需新风量,据此预测所需空调冷负荷及风量;根据预测结果引入前馈控制,通过变频器调整风量,并微调冷水量,主动适应负荷变化,从而实现通风空调系统节能运行的思路。     

基于大模型混合算法的站台门设备状态预测方法研究

地铁站台门设备关键状态量的监测为设备状态预警提供了重要依据。根据免疫算法及小波神经网络的基本原理,对设备状态预测进行优化,提出大模型混合算法的站台门设备状态预测算法。结合国内外城市轨道交通机电类设备健康运营现状,对基于大模型混合算法(免疫算法+小波神经网络)的站台门设备健康管理系统进行验证,结果表明此算法预测设备状态误差小、理论值准确。     

基于改进LS-SVM算法的列车通信网络时延预测方法

由于通信网络诱导时延的存在会对列车牵引制动系统造成影响,因此对时延精准预测并实现补偿十分重要。提出了一种基于改进粒子群(PSO)算法优化的最小二乘法支持向量机(LS-SVM)算法对列车通信网络时延进行预测,搭建了列车网络控制系统半实物平台,使数据通过多功能车辆总线(MVB)进行传输,分别改变车辆控制单元(VCU)特征周期及负端口数量大小,以获取大量不同特性的时延数据。将数据分组后利用改进的PSO算法优化LS-SVM算法进行预测仿真。仿真结果表明,与传统的LS-SVM算法及Elman神经网络算法的预测方法相比,所提出的方法在列车通信网络的时延预测方面具有更好的快速性和准确性。     

基于组合误差优化模型的城市轨道交通短期客流预测研究

为提高城市轨道交通短期客流预测的准确性,构建了一种基于组合误差优化的短期客流预测模型。采用预测误差值对预测值进行优化校正,弱化传统SVM模型在实际预测中误差对预测结果的影响,以提高模型的预测精度。数据选取样本周期内郑州市地铁1号线每小时客流量组成的样本序列并进行了仿真验证。结果显示,经误差优化后的预测模型的预测精度有了明显提高,且优化后的预测值与误差预测值的趋势具有较高的一致性。     

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。     

基于粒子群算法的隐式广义预测在ATO中的应用

由于列车运行速度的不断提高,对列车自动驾驶(Automatic Train Operation,ATO)系统提出更高的要求。针对隐式广义预测(Implicit Generalized Predictive Control,IGPC)控制器在ATO中难以获得最优预测控制输入的问题,运用一种基于粒子群优化(Particle Swarm Optimization,PSO)的IGPC算法对ATO系统进行控制。为更进一步提高PSO算法的寻优能力,对基本PSO算法进行改进,从而有效提高系统的寻优精度和速度。并对有约束情况下的CRH2型车进行仿真验证,仿真结果显示PSO-IGPC比单纯IGPC对ATO的控制效果更优。     

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。     

基于改进非等时距灰色模型与PSO优化的轨道不平顺预测

基于轨道动检数据开展的轨道不平顺预测研究,可用于指导以预防为主的养护维修作业。将改进非等时距灰色模型与粒子群优化(Particle Swarm Optimization,PSO)相结合来实现轨道质量指数(Track Quality Index,TQI)的高精度预测。在考虑TQI原始动检数据特征的基础上增加原始数据平滑优化、累加初始值优化和背景值优化等环节提出改进非等时距灰色模型。利用PSO算法的启发式搜索优势,以平滑优化参数、初始值优化参数、背景值优化参数为搜索目标,以预测平均相对误差为适应度函数,实现预测模型参数的自适应优化。在此基础上,基于优化参数计算得到拟合区间和外推区间上的TQI预测结果。选取沪昆线上行区段实测TQI数据对本文方法进行验证,并与既有TQI组合预测模型的预测结果进行了对比。研究结果表明,模型可有效捕捉TQI序列中的随机波动与实时演变趋势,在外推区间上的平均相对误差分别为2.04%和2.54%,预测性能优良;当TQI序列振荡特性显著时,本模型仍能保证预测结果的可靠性;与组合预测模型相比,该模型规避了残差修正、多算法融合等繁琐步骤,可通过有限优化环节提升预测精度,为轨...     

基于地铁历史数据的PCA-RF分时段客流预测方法

地铁客流预测可以为轨道交通的相关决策提供辅助支持,在现代交通运输领域具有十分重要的现实意义。提出一种基于地铁历史数据的分时段客流预测方法(PCA-RF),通过对影响客流的因素进行抽取分析,从中提取有关客流的特征并用主成分分析法(PCA)赋予其不同的影响权值,随后用随机森林算法(RF)进行回归计算。通过实例对比说明PCA-RF相对于传统决策树方法具有较高的预测精度。     

基于CEEMDAN-IPSO-LSTM的城市轨道交通短时客流预测方法研究

消除客流数据随机噪声和确定神经网络超参数是城市轨道交通短时客流预测组合模型需要解决的关键问题。基于弱化客流数据噪声的自适应噪声完全集成经验模式分解算法(CEEMDAN)将客流时序数据分解为若干个频率和复杂度均不同的固有模态函数分量和剩余分量后,利用引入自适应策略的改进粒子群算法(IPSO)动态求解长短期记忆神经网络(LSTM)超参数的最优值,构建CEEMDAN-IPSO-LSTM组合模型预测城市轨道交通短时客流量。以广州地铁杨箕站自动售检票系统采集的历史进(出)站客流数据为例进行实验,研究结果表明：IPSO算法较PSO算法在基准测试函数Sphere,Sum Squars,Sum of Different Power,Rosenbrock,Rastigrin,Ackley,Griewank和Penalized上的最小值、最大值、平均值和标准差均更接近最佳优化值,CEEMDAN-IPSO-LSTM模型较LSTM模型、CEEMDAN-LSTM模型、CEEMDAN-PSO-LSTM模型的全月全日进(出)站的预测误差评价指标SD,RMSE,MAE和MAPE分别降低了12～40人次(13～35人次...     

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。     

基于支持向量机的节假日进出站客流预测方法

节假日期间客流规律分析与预测是城市轨道交通运营企业做好节假日期间大客流组织工作的重要内容,可有效指导车站现场、OCC(运营控制中心)等提前做好预案,制定和实施合适的运营管理及客流组织计划。基于节假日期间车站进出站客流量特征分析结果,考虑按车站特点的分类情况,构建了基于支持向量机的城市轨道交通节假日进出站客流量预测模型。最后利用广州地铁客流数据对预测模型进行精度分析,验证了模型的预测精度。     

杭州市城市轨道交通 优势区域的时空变化

选择杭州市地铁站点网络,使用复杂网络与空间格局分析方法,研究城市轨道交通优势区域的时空变化 特征,对认识地铁客流量分布及城市格局的演变具有重要意义。结果表明：①地铁站点客流量与地铁站点中心度 指标具有显著的正相关关系,站点中心度指标可部分预测站点客流量;②随着地铁网络的扩建,具有中心度优势 的站点不是一成不变的,具有中心度优势的站点往往具有大地铁客流量的特征;③在总体上均呈现东西南北低, 中部区域高的分布趋势。以杭州铁路西站和未来科技城为主的城市西部区域将会成为杭州的重要发展区域。各阶 段站点网络在空间上均呈现显著的高值集聚特征。对于中间中心度,高值集聚区与凤起路和延安路交叉口区域、 火车东站区域有紧密联系;对于接近中心度,高值集聚区以凤起路和延安路交叉口为源点,呈不断向周边各方向 扩张的趋势。上述区域与目前杭州市地铁客流量居前的站点区域高度吻合。     

地铁设备限界自动成图系统的开发与应用

根据《地铁限界标准》中的地铁设备限界计算原理,对车辆限界、设备限界的算法进行简化改进,计算出车辆限界、设备限界坐标。以Microsoft Visual Basic 6.0为开发平台,实现直线段和曲线地段地铁设备限界自动计算、自动设计、CAD图的自动绘制,以提高设计效率。通过在北京地铁6号线西延工程初步设计中的应用,验证该算法的可行性和系统使用的灵活性。     

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。