基于动态反馈神经网络的城市轨道交通短期客流预测

城市轨道交通短期客流的预测是制定列车调度计划、车站客运组织工作等的关键。文章在研究城市轨道交通的断面客流特征的基础上,建立基于动态反馈神经网络的城市轨道交通短期客流预测模型,提出通过若干组连续历史断面客流数据训练动态连续的神经网络,以此对未来客流进行预测;并以北京轨道交通某日早高峰客流为例进行分析,验证了该模型与方法的有效性。     

城市轨道交通客流灰色预测法应用

在介绍灰色系统理论的基础上,叙述运用GM(1,1)预测模型进行预测的详细步骤,讨论灰色预测模型在城市轨道交通客流量预测中的应用。并通过具体数据对未来时期的客流量进行预测,通过精度检验证明预测结果是可信的,从而证明GM(1,1)预测模型应用于城市轨道交通客流预测是完全可行的。     

基于PWNN模型的轨道交通客流预测分析

在缓解城市交通拥堵、环境污染等问题上,城市轨道交通起到了举足轻重的作用。客流预测作为城市轨道交通建设的设计基础和前提依据,单一的客流预测方法往往难以满足预测精度要求,因此,通过收集北京地铁2号线2017年全年客流量数据,对其常态客流统计特征进行了深入的分析,并采用SPSS分析软件进行了层次聚类分析,构建了PWNN组合预测模型,对常态客流进行了客流预测分析。结果表明:PWNN组合模型能够减小常态客流的预测误差。     

基于无偏灰色马尔科夫模型的客流量预测

为合理制定城市轨道交通列车开行方案,同时为城市轨道交通公安机关布置警力提供科学依据,采用无偏灰色马尔科夫模型进行客流预测。分析灰色GM(1,1)模型和无偏灰色GM(1,1)模型的基本特点,在此基础上构建马尔科夫模型。以郑州地铁1~#线2017-02-03—02-18每日客流量为基础,分别利用无偏灰色GM(1,1)模型和马尔科夫模型计算客流量,并对预测结果进行检验对比。结果表明:马尔科夫模型较无偏灰色模型对客流量的预测精度提高54%。利用马尔科夫模型对未来3d的客流量进行预测,预测结果符合城市轨道交通客流的实际情况。     

关于城市轨道交通客流预测的一些思考

针对当前城市轨道交通规划客流预测中存在的问题,分析了目前主流预测模型理论及影响预测精度的原因,对城市的客流预测进行了深层次的思考.     

城市轨道交通客流分担率模型分析

在居民出行效用最大化目标函数的基础上,引入时间价值概念建立城市轨道交通及常规交通客流分担率的非集计预测模型,并通过算例对模型中的参数进行标定,对城市轨道交通客流分担率的预测具有一定的参考价值。     

关于城市轨道交通客流预测的一些思考

针对当前城市轨道交通规划客流预测中存在的问题，分析了目前主流预测模型理论及影响预测精度的原因，对城市的客流预测进行了深层次的思考。     

西安地铁二号线客流预测后评估

统计西安地铁2~#线客流预测数据和现状客流数据,进行客流预测后评估。在充分地考虑了轨道交通客流预测不确定因素的前提下,对比分析了日均客运量、高峰小时客运量、高峰小时单向最大断面客流量、客运周转量、平均乘距、车站进出站客流、时间分布特征。解析目前城市轨道交通客流预测中的不足,分析了影响客流预测精确度的因素,探讨今后改进城市轨道交通客流预测的思路。     

基于Wi-Fi探针的地铁客流预测研究

在城市轨道交通日常运营中,随着车站客流量的逐年增长,为了避免人群拥挤导致的安全问题,地铁车站客流量的准确预测存在重要的现实意义.通过对Wi-Fi探针的采集原理、源数据处理进行分析,对Wi-Fi探针间的关系进行关联分析,构建BP神经网络客流的预测模型,最后以算例验证Wi-Fi探针技术采集数据及客流预测模型的有效性和可行性,并以某地铁站采集到的数据为例进行验证.实验结果表明,Wi-Fi探针技术采集到的数据可以满足客流预测的需求,基于Wi-Fi探针的地铁客流预测模型有效.     

基于城市轨道交通客流短时预测的运营编组设计

根据城市轨道交通客流短时预测量进行运营编组设计,更接近客流的实际运营情况,具有实时、灵活和快速响应等优点.以一周为周期,使用最近一周的历史断面客流量作为原始数据,应用嵌入式灰色神经网络组合模型进行短时预测,得到的下一周期断面客流量更符合客流不断变化的趋势.以此为基础进行运营编组设计,使其更能适应客流量的实时变化.然后将按计划运营的实际客流纳入历史客流,进行循环修正更新,作为下一周期客流短时预测基础进行运营编组设计.基于城市轨道交通客流短时预测的运营编组优化,在一定程度上可以提高城市轨道交通系统运能,提升运营效率,降低运营成本.     

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.     

基于遗传算法与小波神经网络的客流预测研究

针对轨道交通短时客流具有动态性、非线性、不确定性的特点,提出一种基于遗传算法与小波神经网络的轨道交通短时客流预测方法.该方法利用具有全局搜索最优的遗传算法优化小波神经网络,有效的避免了神经网络易陷入局部最小值的缺陷.在分析轨道交通短时客流的特征上,利用实测数据对模型进行验证.结果表明,相比遗传算法优化的BP神经网络模型,单一的小波神经网络模型其预测精度更高,误差更小,能在实际中应用.     

城市轨道交通与地面常规公交换乘客流预测模型研究

轨道交通与地面常规公交共同支撑着城市公共交通系统.一个城市轨道交通系统效率的发挥,有待于作为集散客流重要交通方式的常规公交的配合,科学地分析与预测轨道交通与常规公交之间的换乘客流量,可以为确定交通枢纽建设的合理规模、各种交通工具在枢纽中的布局分布等提供依据.本文在总结各种客流预测模型的基础上,针对城市的不同情形给出了不同的换乘客流预测模型.     

�����й����ͨ��������������ɳ�����

目前国内许多大城市都在建设或者规划城市轨道交通,客流资料是项目的必要性论证、方案比选、确定系统规模、进行效益分析的基础,科学合理地预测客流已成为决策中面临的重大课题,及时总结城市自身的轨道交通成长规律和客流特征,有助于提高客流预测的准确性.本文根据广州已开通的八条轨道线运营资料,对轨道交通从单线向网络转变过程中的成长规律和客流特征进行分析.最后,从公交整体水平提升、换乘点接入、站点周边用地开发、以及轨道票价制定等方面提出相关建议,为我国轨道交通客流预测水平的提高奠定基础,为轨道交通的建设、运营提供参考.     

轨道交通与城市协同发展的空间差异性分析：以北京市为例

为识别轨道交通与城市协同发展程度的空间差异性，以及不同空间范围内城市发展水平对轨道交通客流影响的差异性，引入描述空间集聚特征的莫兰指数Moran's I 建立轨道站点周边城市发展水平评价方法，将轨道站点周边城市发展水平和站点客流空间集聚分布特征作为轨道交通与城市发展协同程度判断标准，划定若干研究区域，利用地理加权回归GWR 模型研究两者空间相关性和城市发展因素对轨道交通客流的影响. 实证研究表明：轨道站点周边城市发展水平与站点客流协同程度较高的区域，城市发展水平对站点客流影响更大；将城市发展因素对站点客流影响程度进行排序，密度高于交通便捷程度、功能多样化程度和发展紧凑度.     

���й����ͨ��������ֲ�����ģ���о�

城市轨道交通网络客流时空分布特征是网络化协同运输组织的基础与核心.本文在系统分析城市轨道交通乘客出行行为的基础上,基于Multi-Agent建模技术,构建了网络客流分布动态仿真模型,应用该模型模拟乘客的网络出行过程,统计分析得到路网的客流分布特征.该模型既能反映乘客网络出行行为全过程,又能满足大规模路网仿真需求.最后,开发了城市轨道交通网络客流仿真系统,通过北京市轨道交通网络的实际数据对模型和算法进行验证.     

重大公共卫生灾害主动限流背景下城市轨道交通网络集成韧性

分析了重大公共卫生灾害对城市轨道交通网络集成韧性的影响机理；基于韧性曲线模型对传统韧性测度方法进行了修正，构建了面向重大公共卫生灾害影响的城市轨道交通网络集成韧性测度方法；评估了城市轨道交通网络节点重要度水平，运用复杂网络构建了城市轨道交通网络拓扑模型，对节点客流进行了模拟分配；应用SEZIR传染病传播模型模拟了灾害传播过程，研究了城市轨道交通在重大公共卫生灾害背景下的集成韧性水平演化规律；以西安市疫情发展过程为研究对象，对主动客流限制下城市轨道交通网络的集成韧性水平进行了模拟和数值分析。研究结果表明：主动客流限制措施能够有效提高城市轨道交通网络对重大公共卫生灾害的阻断能力，当客流限制水平达到30%后，重大公共卫生灾害传播过程趋于平缓；主动客流限制措施会直接导致城市轨道交通网络运行效率降低，但能够提升城市轨道交通网络在重大公共卫生灾害影响下的集成韧性水平；当客流限制水平分别为70%、40%和20%时，城市轨道交通网络集成韧性水平的改善提升效果更加明显，累积改善效果分别可达到10.73%、46.87%和226.81%。     

城市轨道交通短时客流预测体系框架及关键技术

针对当前城市轨道交通短时客流预测系统性不强等问题,构建短时客流预测体系框架,并讨论预测过程涉及的关键技术。框架的构建以自动售检票系统（AFC）获得的数据为出发点,统计站点客流和线网客流OD矩阵两类基础客流数据;在此基础上,构建线网客流分配模型,结合视频数据、站点平面布置和列车运行时刻表三类数据,考虑乘客步行时间的影响,估计断面客流数据;接着,在分析站点客流和断面客流数据时空特性的基础上,分别预测站点和断面短时客流;利用站点客流和断面客流短时预测结果反推未来OD矩阵;同时引入GARCH模型分析预测结果的可靠性,以提高短时客流预测结果的可信度。