城市轨道交通进站客流量短时组合预测模型

高精度的短时进站客流量预测对城市轨道交通日常客流组织具有重要意义,利用客流预测结果在事前实施限流、疏导等措施,较事后控制更及时、先进。通过采集15 min间隔的地铁进站客流数据,利用上周同期进站量、本日上一时段进站量以及高峰和非高峰时段参数作为输入变量,尝试分别采用加权历史平均自回归模型、ARIMA模型及小波神经网络模型进行短时预测,以获得精度最高的模型。在此基础上,进行三种方法组合预测,探究组合预测效果。通过案例分析,发现当考虑时段因素时,小波神经网络预测精度最高,为91.05%;ARIMA模型误差结构最好。当采用所提出的组合预测模型后,预测精度指标较独立预测模型均有提升,但误差结构没有得到改善。研究表明,所提组合预测模型可以有效地应用于城市轨道交通进站客流的短时预测中。     

城市轨道交通进站客流量短时预测模型研究

利用数学方法可以改善城市轨道交通进站客流量的短时预测效果,促进轨道交通车站客流管理智能化水平。首先建立K近邻非参数回归模型,然后在传统卡尔曼滤波模型的观测方程中引入偏差修正系数以提高其预测精度;再采用贝叶斯方法将以上两模型进行组合;最后利用2013年11月北京市地铁13号线的进站客流数据,研究对比这三类模型在早高峰、平峰、晚高峰和全天的预测精度。结果表明:K近邻非参数回归的总体预测精度最高;贝叶斯组合预测模型次之,但平峰时段效果最好;基于偏差修正系数的卡尔曼滤波模型晚高峰时适用性较差。     

城市轨道交通短时客流不确定性预测模型

以城市轨道交通实际运营客流数据为基础,针对现有短时客流预测存在的问题,从运营时段特征、客流类型及站点周边用地类型等影响因素出发,剖析了短时客流存在不确定性的原因;基于周期性差分自动平滑回归模型和支持向量机理论,构建了短时客流预测组合模型,捕捉短时客流的周期性特征和局部非线性性特征;为提高短时客流预测结果的可信度,引入广义自回归条件异方差模型来构建短时客流不确定性预测模型。通过实例,验证结果表明,周期性差分自动平滑回归-在线支持向量机组合模型对于周期性强且稳定的客流具有优越的预测性能,广义自回归条件异方差模型的短期客流不确定性预测结果更为准确可靠。     

面向数据驱动的城市轨道交通短时客流预测模型

考虑城市轨道交通客流的时空交互关系,提出一种融合循环门控单元和图卷积神经网络的城市轨道交通客流预测模型(GCGRU)。首先,分析短时客流在城市轨道交通网络中的空间关系,建立图卷积神经网络提取不同车站客流的空间交互关系;其次,分析路网各车站客流的时间演化关系,并利用循环门控单元刻画各车站客流数据的时间特征,进而形成面向数据驱动的城市轨道交通路网短时客流预测模型。与传统方法相比,该模型能较好地刻画路网各车站客流的时空相关性,可以深度挖掘路网各车站客流变化的内在机理;同时与既有的图卷积神经网络相比,该模型提出了面向旅行时间的邻接矩阵,能够挖掘客流数据与运行图数据的内在关系,具有较高的精度和可解释性。最后,以广州地铁典型车站的出站量预测为例,验证该模型的有效性。结果表明:该模型在整体预测性能和各车站的预测性能上都优于现有模型,能较好地处理城市轨道交通客流的时空关系,精准地预测路网各车站客流变化。此外,通过邻接矩阵对预测精度影响的分析,进一步验证该模型的性能。     

基于小波分析的最小二乘支持向量机轨道交通客流预测方法

针对城市轨道交通客流预测问题,采用离散一维Daub4,小波分析方法对某一时间段的原始客流时间序列数据进行分解;以分解得到的高频分量和低频分量为样本数据,对最小二乘支持向量机进行训练,确定最小二乘支持向量机的核参数σ,以及系数a和b.利用训练后的最小二乘支持向量机预测未来一段时间客流时间序列数据的高频分量和低频分最,然后再利用Daub4小波分析方法对预测的高频分量和低频分量进行数据重构,从而得到预测的未来一段时间客流时间序列数据.与历史平均预测法和灰色预测法进行比较,结果表明,基于小波分析的支持向量机客流预测方法用于轨道交通短期客流预测具有更好的精度.     

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.     

城市轨道交通短时断面客流预测

为进一步提高城市轨道交通断面客流短时预测的精度,提出采用多维标度法分析线网各断面之间的相关性,以此将断面分为若干相关小组,将相关小组作为研究对象,并利用卡尔曼滤波方法建立相关断面客流短时预测模型进行城市轨道交通断面客流短时预测,并通过实例分析验证该理论的有效性。结果表明,考虑断面之间相关性的预测模型的预测精度要优于单一断面预测模型的预测精度。     

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。     

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。     

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。     

基于 VMD-GRU 的城市轨道交通短时客流预测

精准的客流预测是轨道交通运输计划编制的基础和依据,为提高城市轨道交通短时客流的预测精准度, 基于城市轨道交通短时客流的动态性、非线性、不确定性、周期性、非平稳性及时序性等特点,提出一种组合 模型预测方法,即 VMD-GRU 神经网络预测模型,由变分模态分解和门控循环单元组合而成。变分模态分解的 作用是分解短时客流,降低数据中的噪声,减少数据波动;门控循环单元的作用是基于分解的短时客流,进行 客流预测。经南京地铁的数据验证,该模型在地铁短时客流预测方面效果良好。与 GRU 相比,VMD-GRU 在 15、30 和 60 min 的时间粒度下,预测准确度分别提升 7.57%,16.93%,18.47%。该模型可为地铁运营管理部 门对车站客流管理、日常行车计划制定等提供有效的数据支撑,从而提升线网总体运营效率以及轨道交通系统 的服务水平。     

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。     

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。     

城市轨道交通断面客流不确定性分析的广义自回归条件异方差改进模型

对比分析指出,城市轨道交通线路断面客流量变化与道路交通断面客流量变化具有相似性,但城市轨道交通线路断面客流时间序列具备特有的尖峰厚尾特性,其变化的敏感程度依赖时空条件,常用于道路领域的广义自回归条件异方差(GARCH)模型无法直接用于城市轨道交通领域。基于此,引入广义误差分布(GED)虚变量,构建改进的GARCH模型,并基于成都地铁1号线下行断面客流时间序列数据,借助EViews和Matlab软件对改进前后的模型效果进行实证对比分析。结果表明,改进后的虚变量GARCH模型比原始的GARCH模型具有更好的适用性。     

深圳市轨道交通客流预测的新探索

客流预测工作是轨道交通规划设计和建设工作的重要环节和支撑,尤其是随着我国城市轨道交通进入新的发展阶段,灵活的投融资模式、运营管理的创新、线路功能的多样化对轨道交通客流预测工作提出了新的要求。深圳市基于多年轨道客流预测经验积累,在预测方法、研究范围和精度等方面深入探索和创新,在传统的规划、工程设计客流预测基础上,开展了一系列针对投融资方案研究、线路开通初期客流特征分析、旅游景区轨道客流分析等的客流预测工作,支撑具体项目推进,完善和补充客流预测工作体系。     

轨道交通客流预测四阶段法的改进

从交通生成、交通分布、交通方式划分等3方面指出了轨道交通客流预测四阶段法的不足,提出按出行目的对区内和区间的交通分布分别建模,对原来没有轨道交通的城市,采用二阶段的轨道交通方式划分对规划中的轨道交通客流进行预测,建立了区内、区间分布模型。并对分布模型的改进方法进行了验证,改进分布模型较原重力模型对样本OD的模拟更精确。     

基于GA-SLSTM模型的城市轨道交通短时客流预测

城市轨道交通短时客流预测可为相关运营部门实时调整行车调度、提高运营效率提供重要的决策依据,为乘客提供合理出行建议。因此,针对具有非线性和随机性等特性的地铁进出站短时客流预测问题,文章在堆叠式长短时记忆（SLSTM,Stacked Long Short Term Memory）模型的基础上,引入遗传算法（GA,Genetic Algorithm）,构建了GA-SLSTM预测模型。以10 min为预测粒度对地铁历史运营数据进行整理,分析了客流变化特征,并将其与GA-循环神经网络（RNN,Recurrent Neural Network）模型和LSTM模型的预测效果进行对比。GA-SLSTM预测模型对普通站点和换乘站点预测值的决定系数R2的平均值分别达到0.95和0.90,预测值对真实值的拟合效果较好,预测误差低于其他2种模型,证明该方法可提高地铁短时客流预测的准确性。     

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。     

城市轨道交通诱增客流量预测分析

介绍了城市轨道交通诱增客流量的定义及现有的预测模型,并指出其在应用中存在的问题。分析了城市轨道交通诱增客流量预测的难点,指出城市发展、常规公交、票价、线网规模、出行成本及交通政策是预测诱增交通客流量中需要考虑的主要因素。给出了城市轨道交通诱增交通量预测框架。