基于ARIMA模型的城市轨道交通进站量预测研究

客流量预测是客运组织的基础,预测结果能够为运营管理及应急处置提供决策依据。针对城市轨道交通客流量预测问题,在分析轨道交通站点客流的周期性波动规律及变化趋势的基础上,构建自回归积分滑动平均模型(ARIMA)进行站点进站客流量的短期预测。以北京地铁为例进行实证分析,利用符合要求的季节ARIMA模型对客流量进行短时预测,选取东直门站实际客流进行模型参数标定,并对路网上典型车站(端点站、中间站、换乘站及接驳站)进行客流预测。研究结果表明:自回归积分滑动平均模型的平均预测误差仅为4%,具有较高的预测精度,验证了预测方法的准确性。     

基于SARIMA模型的广珠城际铁路客流量预测

为实现铁路车站发送客流量的短期预测，研究预测步长对短期客流预测效果的影响，分析了广珠城际铁路车站发送客流的特征和变化规律，结合客流特征及季节性差分自回归滑动平均模型（seasonal autoregressive integrated moving average，SARIMA）的适用性，构建了SARIMA客流预测模型，利用Python软件中的Statsmodels模块完成了SARIMA客流模型的精细化调参，以广州南站、小榄站的发送客流量为例验证了模型的有效性. 结果表明，SARIMA预测模型可以较好地适用于不同数量等级的客流预测，其预测精度随预测步长的增加而降低. 预测步长为1时，广州南站、小榄站、珠海站客流预测平均绝对百分比误差（mean absolute percentage error，MAPE）值分别为3.97%，5.83%，5.43%；预测步长增加为2时，各车站客流预测误差显著增加，广州南站、小榄站、珠海站客流预测误差MAPE值分别为5.31%，6.79%，7.62%；预测步长大于2时，预测误差基本保持稳定. 将SARIMA模型预测效果与随机森林（random forest， RF）、支持向量机（support vector machine， SVM）、梯度提升算法（gradient boosting， GB）、K最近邻算法（K-nearest neighbor， KNN）模型或方法的预测效果进行对比，预测步长为1时，SARIMA模型预测效果略优于其余4种模型，5种预测模型预测精度差距较小；预测步长大于1时，RF、SVM、GB、KNN模型预测误差随预测步长显著增加，预测误差为SARIMA模型的数倍. SARIMA模型在客流时间序列的多步预测方面具有较大的优势.      

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。     

考虑多时间尺度特征的城市轨道交通短时客流量预测模型

针对目前城市轨道交通短时客流量预测模型在构建特征时容易忽略客流变化周期依赖性的不足，提出一种考虑多时间尺度特征的混合深度学习模型(GRU-Transformer)，该模型由添加注意力机制的 GRU(Gate Recurrent Unit)神经网络(Attention- GRU)和改进的 Transformer(ConvTransformer)两模块并行构成。首先，对周周期、日周期及相邻时段这3种时间尺度下的客流数据分别进行建模，并合并各周期数据作为模型输入。其次，搭建Attention-GRU和Conv-Transformer模块分别挖掘数据连续性与周期性特征，融合特征后输出预测值。最后，采集上海市地铁2号线两站点AFC(Automatic Fare Collection)客流数据，预测5 min时间粒度下的进出站客流量。为分析各模型参数对预测结果的影响，开展模型精细化调参实验，基于所得最优参数组合验证和评估模型 。 结果表明 ，相较于5个基线模型(BPNN(Back Propagation Neural Network)、CNN (Convolutional Neural Network)、GRU、CNN-GRU 及 Transformer)和4个GRU-Transformer消融模型，本文提出的GRU-Transformer模型预测精度最高，具有较好的实用性。     

自回归求和移动平均乘积季节模型在西安地区出生缺陷预测中的应用

目的应用自回归求和移动平均(ARIMA)乘积季节模型预测西安市出生缺陷的发生率。方法利用2009年10月至2015年8月出生缺陷监测数据对西安市出生缺陷发生率数据构建ARIMA乘积季节模型,同时利用2015年9月至12月实际出生缺陷发生率与模型拟合数据进行比较,评价模型的预测性能,并预测西安市2016年的出生缺陷发生率。结果西安市出生缺陷的发生率具有一定的趋势及季节性,建立了ARIMA(0,0,1)(0,1,1)12乘积季节模型,利用2015年9月至12月拟合值与实际出生缺陷发生率比较,绝对误差的平均9.5,相对误差的平均0.084,提示ARIMA(0,0,1)(0,1,1)12乘积季节模型具有较佳的预测能力。预测2016年西安市出生缺陷发生率与2015年接近,总体略有抬升,但峰值下降。结论 ARIMA(0,0,1)(0,1,1)12乘积季节模型可用于西安市出生缺陷发生率的预测。     

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.     

基于融合模型动态权值的短期客流预测方法

针对传统交通系统中短期客流预测精度低的问题,考虑城市交通站点客流数据在横纵向时间序列的规律性,基于卡尔曼滤波算法和K近邻（K-Nearest Neighbor, ANN）算法,分别根据当日数据和历史数据对客流量进行预测,然后利用权重系数方程对两个预测值加以融合,从而构建基于融合模型动态权值的短期客流预测方法。以某城市的某公交站点客流数据为研究对象,对所建融合模型短期客流预测的准确性和适用性加以验证。结果表明,新建模型、单一的卡尔曼滤波模型和KNN模型的平均相对误差分别为3.6%, 9.0%和7.7%,可见新建模型能更好地拟合客流变化趋势且评价效率更高。     

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。     

城市轨道交通网络新线接入后的客流预测

城市轨道交通网络新线接入后,网络拓扑结构和客流时空规律都将发生较大变化。提出通过可达性指标将进出站量预测、OD分布量预测、基于路径选择模型的随机客流分配等阶段关联,构建客流预测模型。进出站量预测时,构建土地利用替代指标,避免对新车站周边土地利用、社会经济属性等进行调查;同时由目的地选择效用计算得到车站可达性指标,描述车站位置对进出站量的影响。OD分布量预测时,构建目的地选择模型,可适应拓扑变化后的场景,模型中OD可达性指标由路径选择效用计算得到。构建的路径选择模型,综合考虑了影响乘客路径选择的各因素。最后,对广州市地铁6号线接入后的客流进行建模预测,各模型参数均符合统计检验要求且客流预测精度较高。     

考虑土地利用性质匹配度的城轨客流分布预测

传统城轨站间客流分布模型较少考虑起讫点土地利用对客流分布的影响,当 站点周边土地利用发生改变时适用性变差,无法保持较好的预测精度,因此有必要构建 考虑站点土地利用及其站点间土地利用性质匹配度的客流分布预测模型.首先,基于站点 聚类分析土地利用性质与客流分布之间的关联性,构造性质匹配度指标;其次,综合考虑 站点土地利用、性质匹配度、终点站吸引量、运行时间等因素建立效用函数,结合客流数 据进行参数估计,构建基于目的地选择的轨道交通客流分布模型;最后,利用广州市轨道 交通客流量数据对其进行精度分析.结果显示,在站点土地利用性质未发生改变与改变情 景下全网站间客流分布量的平均绝对误差仅为29.30 和29.52 人,表明模型具有较高的预 测精度.     

基于组合模型的城市轨道交通短时客流预测

针对城市轨道交通短时客流的非线性分布特征,本文提出一种基于变点模型、小波变换、自回归滑动平均模型(ARMA)的组合预测模型.首先,利用变点模型将车站进站客流数据划分为具有不同特征的时间段;然后,使用自相关和偏自相关分析确定时间序列的平稳性;之后,分别采用 ARMA模型与小波 ARMA组合模型对北京市某地铁站的进站量进行客流预测,并对预测结果的误差进行了比较分析.经过对比分析表明,小波 ARMA组合模型能够较好地预测出未来的短时客流,预测效果优于单一 ARMA模型,计算速度也能够满足短时预测的需求,该方法可为城市轨道交通的运营组织提供参考建议.     

基于组合模型的城市轨道交通短时客流预测

针对城市轨道交通短时客流的非线性分布特征,本文提出一种基于变点模型、小波变换、自回归滑动平均模型(ARMA)的组合预测模型.首先,利用变点模型将车站进站客流数据划分为具有不同特征的时间段;然后,使用自相关和偏自相关分析确定时间序列的平稳性;之后,分别采用 ARMA模型与小波 ARMA组合模型对北京市某地铁站的进站量进行客流预测,并对预测结果的误差进行了比较分析.经过对比分析表明,小波 ARMA组合模型能够较好地预测出未来的短时客流,预测效果优于单一 ARMA模型,计算速度也能够满足短时预测的需求,该方法可为城市轨道交通的运营组织提供参考建议.     

基于混合深度学习的地铁站进出客流量短时预测

针对城市轨道交通多站点短时客流量预测问题,本文提出一种将卷积神经网络 (CNN)与残差网络(ResNet)相组合的预测模型(ResNet-CNN1D).模型将原始客流量数据作为输入,利用二维 CNN 与 ResNet 组成深层神经网络,捕捉站点间的空间特征,同时利用一维 CNN捕捉客流量的时间依赖.最后,基于参数矩阵,将时间和空间特征进行加权融合,完成对目标时段中多个站点进出客流量的同时预测.采集青岛市地铁3号线刷卡数据,对模型进行验证. 结果表明,相比现有传统的预测模型(ARIMA,SVR,LSTM,CLTFP,ConvLSTM),本文 ResNet-CNN1D模型具有更好的预测精度.     

基于混合深度学习的地铁站进出客流量短时预测

针对城市轨道交通多站点短时客流量预测问题，本文提出一种将卷积神经网络 (CNN)与残差网络(ResNet)相组合的预测模型(ResNet-CNN1D).模型将原始客流量数据作为输入，利用二维 CNN 与 ResNet 组成深层神经网络，捕捉站点间的空间特征，同时利用一维 CNN捕捉客流量的时间依赖.最后，基于参数矩阵，将时间和空间特征进行加权融合，完成对目标时段中多个站点进出客流量的同时预测.采集青岛市地铁3号线刷卡数据，对模型进行验证. 结果表明，相比现有传统的预测模型(ARIMA，SVR，LSTM，CLTFP，ConvLSTM)，本文 ResNet-CNN1D模型具有更好的预测精度.     

���ڿ������˲��Ĺ���վ���ʱ����Ԥ��

公交站点短时的客流预测是智能公交调度系统中重要的决策基础与技术支持. 在对短时客流特性进行分析的基础上,提出了以卡尔曼滤波作为公交站点短时客流的预测模型,并给出了模型的求解过程. 选用了一条实际公交线路中客流量较大、客流变化明显具有代表性的站点进行了采集数据和实例分析,数据结果的平均绝对误差为5.1771,均方误差为0.7961,表明提出的模型与算法可以有效地对短时公交客流进行预测. 与人工神经网络预测结果比较,在相同的实例数据下,其平均绝对误差为10.4770,均方误差为1.6724,结果表明使用卡尔曼滤波建立的模型比较准确,说明本文所提出的方法预测误差小,具有现实的应用意义.     

�Ǽʹ����ͨת�ƿ�����Ԥ�ⷽ���о�

科学准确地预测轨道交通客流量,超前掌握轨道交通客流量发展的趋势、特点、规律和数量,是制定轨道交通客运发展和站场配置规划的基础.现有轨道交通客流预测方法对于城际轨道交通客流预测的适应性各不相同,本文采用三次吸引法和客流转移理论相结合,并借鉴统计学中距离分析思想,确定客流转移率,从而获得转移客流量.具体做法是：在分析客流量转移的影响因素基础上,建立广义不相似距离矩阵,以此在轨道交通三次吸引范围内分别确定各种交通方式客流量转移率,从而获得规划年轨道交通客流量.通过某一城市的实际数据进行了算例分析,该方法简单、可操作性强、具有工程应用价值.     

基于栈式自编码的高速铁路站间客流短期预测研究

站间短期客流预测是高速铁路运营管理的重要依据.首先在提取原始客流数据特征的基础上得到样本和标签集,然后基于栈式自编码算法预训练神经网络模型参数,最后构建神经网络预测模型.以渝万高铁为例,采用2016年11月到2018年10月数据进行验证,结果表明:提出的模型预测误差为12.08％,与其它4种常用预测模型相比精度分别提高12.12％、1.12％、6.9％和19.12％,模型适用于短期客流预测.     

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。     

考虑时空修正的轨道交通封站短时客流预测方法

为了实现封站情况下轨道交通短时客流的精准预测和探索客流的变化机理,提出了一种考虑时空修正的融合动态因子模型(DFM)和支持向量机(SVM)的短时客流预测方法(DFM-SVM); 利用符号聚合近似方法(SAX)与动态时间规整(DTW)相结合的算法(SAX-DTW)识别受封站影响的时空范围,利用DFM预测常态下的短时客流,利用SVM提取和处理受封站影响车站与时段客流量的非线性特征,对受影响车站与时段的客流量进行修正; 以北京地铁封站情景下车站的进站量预测为例,验证方法的有效性。研究结果表明: 与既有SAX相比,提出的SAX-DTW不仅能全面考虑到客流数量和客流趋势的变化,还能更准确地识别出多个车站的异常时段; 与传统DFM相比,DFM-SVM能显著降低各车站的预测残差,其中奥体中心车站的预测残差降低约60%;与基线模型霍尔特-温特(Holt-Winters)、SVM、门控循环单元(GRU)和长短期记忆(LSTM)相比,在整体客流量预测效果方面,提出的DFM-SVM在其均方根误差方面分别降低43.39%、70.00%、33.18%和70.83%,平均绝对误差分别降低43.72%、67.17%、28.98%和57.08%;在单个车站的客流量预测效果方面,提出的DFM-SVM在均方根误差和平均绝对误差方面有70%的车站均低于其他基准模型。可见,提出的DFM-SVM能够捕捉封站影响客流的非线性关系,极大提升了客流预测精度,能够为运营管理者提供可靠的客流预警信息与决策依据。