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。      

城市轨道交通车站客流吸引范围重叠区域划分模型

现有城市轨道交通车站客流吸引范围划分方法大多未考虑相邻车站间的重叠区域,导致车站客流预测值偏大。为了提高车站客流预测的准确性,考虑中间站、首末站、换乘站,针对不同相邻车站类型提出客流分配量计算公式。基于此构建轨道交通车站客流吸引范围重叠区域划分模型,并采用日本东京都城市轨道交通车站的相关数据标定模型参数。最后,以上海市轨道交通11号线安亭站及相邻的兆丰路站和汽车城站为例进行模型验证,结果显示精确度为78.6%。指出产生误差的原因可能在于上海市与东京都的差异以及交通小区数量过少。     

基于VMD-LSTM轨道交通客流预测模型

客流量预测是城市智能交通系统的重要组成部分。为实现客流量的准确预测,首先采用变分模态分解(VMD)将时序客流数据分解成不同时间尺度下的本征模态函数(IMF),降低数据噪声对客流预测模型的影响,再结合长短时记忆神经网络(LSTM)进行预测,提出VMD-LSTM预测模型。采集明尼苏达州州际轨道交通客流数据对模型进行验证。结果表明:相对传统LSTM预测模型,VMD改进LSTM使平均绝对百分误差(MAPE)减少8.38%,均方根误差(RMSE)减小256.99,有效提高LSTM神经网络的预测精度与鲁棒性。     

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。     

基于模糊预测的高速铁路客流OD 表的推算方法

科学预测客流的变化趋势与波动及获取路网客流OD 表是制定旅客列车开行 方案的依据.结合高速铁路客运的运营实际,利用客流变化相对稳定特征,本文提出了客 流OD 表的反推方法和计算流程,该方法的计算工作量相对叠加法节省了（n2-2n）.考虑 实际客流日波动特征,依据模糊预测原理,建立了车站客运指标的时间序列模糊预测方 程和预测方法,该方法可获取预测期客运指标的变化区间.以南方一高速铁路线为背景, 对车站发送人数进行了预测,预测值与实际数据相比误差在1%以内.在车站发送人数预 测的基础上,给出了线路客流OD 表的反推演算.     

基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型

为降低样本噪声对客流预测模型的干扰, 结合深度学习理论, 提出了一种基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型; 将预测过程分为3个阶段, 第1阶段预处理原始地铁刷卡数据, 构建进(出)站客流时间序列, 运用经验模态分解法将时间序列转化为一系列本征模函数及残差, 第2阶段利用偏自相关函数确定长短时记忆神经网络的输入变量, 第3阶段基于深度学习库Keras, 完成长短时记忆神经网络的搭建、训练及预测; 以上海地铁2号线人民广场站客流数据验证了模型的有效性。计算结果表明: 与代表性的预测模型(差分自回归移动平均模型、支持向量机、经验模态分解与反向传播神经网络、长短时记忆神经网络)相比, 经验模态分解与长短时记忆神经网络预测模型分别将工作日高峰、平峰、全日的进(出)站客流预测精度分别至少提升了2.1%(2.5%)、2.7%(3.5%)、2.7%(3.4%), 将非工作日全日的进(出)站客流预测精度至少提升了3.3%(3.5%), 说明经验模态分解与长短时记忆神经网络的组合是一种预测短时地铁客流的有效模型; 当预测步长由5 min逐渐增加至30 min时, 工作日高峰、平峰和全日进(出)站客流的平均绝对百分比预测误差分别由14.8%(13.9%)、16.8%(17.4%)和16.6%(17.0%)逐渐降低至7.0%(6.2%)、8.3%(7.5%)和8.1%(7.4%), 说明该方法预测误差与预测步长呈负相关。      

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。     

基于乘积ARIMA模型的城市轨道交通进出站客流量预测

基于城市轨道交通自动售检票（Automatic Fare Collection,AFC）系统采集的进出站客流的历史数据,构建乘积差分自回归移动平均（Auto-Regressive Integrated Moving Average,ARIMA）模型,实现对进出站客流量的精确预测.通过自相关和偏自相关函数进行数据的平稳性和周期性分析,消除趋势性和周期性特征影响;考虑到处理后数据的周期性和短期相关性之间的乘积关系,构建乘积ARIMA进出站客流预测模型,并以广州地铁各车站进出站客流量数据为例进行了模型的参数标定.模型预测值与实际值的对比分析显示该模型的平均绝对百分误差保持在5％以内,表明该模型具有很高的预测精度和良好的适用性.     

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。     

基于优化PSO-BP算法的耦合时空特征下地铁客流预测

为提高地铁客流预测的准确性,以西安地铁1号线为例,分析了地铁客流的耦合时空特征,提取了影响地铁客流变化的5个主要因素,包括节日、非节日、时间段、站点和天气,构建了反向传播(BP)神经网络,预测了地铁客流;利用引入自适应变异与均衡惯性权重的粒子群优化(PSO)算法,优化了BP神经网络,形成了考虑复杂因素影响的地铁客流预测系统;选取了换乘站、非换乘站的首站与中间站,引入天气、节日、非节日因素,对比了不同时间段下的BP神经网络模型,优化了PSO-BP神经网络模型的预测误差。研究结果表明:考虑天气、节日、非节日因素,换乘站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差和平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了40.13%、31.46%和23.89%,较分时段的BP神经网络模型分别平均下降了17.50%、17.86%和17.32%;非换乘站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差和平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了16.50%、20.99%和32.59%,较分时段的BP神经网络模型分别平均下降了11.48%、12.10%和17.73%;各站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差、平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了24.37%、24.48%和29.69%,较分时段的BP神经网络模型分别平均下降了13.49%、14.02%和17.59%,因此,利用考虑多影响因素的优化PSO-BP神经网络模型能提高地铁客流预测的准确性。      

基于改进极限学习机的公交站点短时客流预测方法

以公交车IC 卡和GPS数据为基础，提出了一种基于改进粒子群算法优化极限学习机(IPSO-ELM)的公交站点短时客流预测模型.依托IC 卡和GPS 数据在站点的特征表现和内在联系，定义了站点间距，并分析了站间距和车辆到总站距离间的联系；提出了公交乘客上车站点确定方法，进而得到公交站点上车客流量；通过分析公交客流数据特征，确定ELM输入参数维度，并采用IPSO 算法找到ELM的最优隐含层节点参数；最后依托广州市19 路公交车客流数据仓库进行了方法验证.结果表明：所用优化后的ELM方法预测误差在10%以内，并与应用广泛的SVM、ARIMA和传统ELM模型进行对比分析，发现改进的ELM方法拥有更高的可靠性和泛化性能.     

基于改进极限学习机的公交站点 短时客流预测方法

以公交车IC 卡和GPS数据为基础，提出了一种基于改进粒子群算法优化极限学习机(IPSO-ELM)的公交站点短时客流预测模型.依托IC 卡和GPS 数据在站点的特征表现和内在联系，定义了站点间距，并分析了站间距和车辆到总站距离间的联系；提出了公交乘客上车站点确定方法，进而得到公交站点上车客流量；通过分析公交客流数据特征，确定ELM输入参数维度，并采用IPSO 算法找到ELM的最优隐含层节点参数；最后依托广州市19 路公交车客流数据仓库进行了方法验证.结果表明：所用优化后的ELM方法预测误差在10%以内，并与应用广泛的SVM、ARIMA和传统ELM模型进行对比分析，发现改进的ELM方法拥有更高的可靠性和泛化性能.     

基于改进KNN算法的城轨进站客流实时预测

针对实时进站客流数据的高维数、多噪声、波动频繁等特征,本文提出一种基于改进 K最近邻(K-nearest-neighbor, KNN)算法的城轨进站客流实时预测方法.首先,通过对分时客流数据的相关性分析,确定表征客流特征的状态向量;其次,结合数据特性改进近邻样本的模式匹配过程,利用关键点法去除原始序列中的噪声扰动,并引入动态时间规整算法实现考虑序列形态的相似性度量;再次,根据样本间流量差异引入距离权重和趋势系数,推演未来时段的进站量,实现滚动的实时预测;最后,依托广州地铁客流数据仓库对预测模型进行精度分析. 结果表明,对于全网159个站点,5 min粒度下全天分时进站量预测的平均绝对百分比误差的均值为11.6%,能够为路网状态监控提供可靠的数据支撑.     

基于SARIMA 模型的北京地铁进站客流量预测

通过对北京地铁2013 年5 月~7 月的进站客流量数据进行详细分析,总结北京 地铁进站客流量以周为周期的波动规律,选用季节时间序列（SARIMA）模型对北京地铁 进站客流量进行时间序列建模.利用符合要求的模型对北京地铁进站客流量进行预测,预 测结果能够较准确地描述北京地铁进站客流量的变化趋势,平均误差为0.3%.说明此模型 适用于地铁进站客流量的短时预测,基于预测结果进一步分析北京地铁进站客流量的特 点,为进一步优化进站设施布置、组织进站流线、高效安全的地铁运营组织提供参考建议.     

铁路客运专线车站乘客集散微观仿真模型

为优化铁路客运专线车站的设计,研究了考虑不同发车频率的客流生成机制,应用标准的马尔可夫决策过程描述了乘客在车站内的集散过程,提出了基于逻辑网络和点阵的设备控制表示方法,建立了铁路客运专线车站乘客集散微观仿真模型.仿真发现:当行人移动空间在0.5 m2左右时,流量达到峰值,速度分布在20～80 m*min-1,并随密度增加呈指数递减趋势;在相同客流输入条件下,不同设施上的客流集散规律不同;通过对行人复杂行为的仿真,成功再现了客流集散中的自组织现象,有效避免了交通流基本图模拟现实交通中的不适应取值范围.结果表明模型具有较高的可靠性和实用性.     

基于接驳方式组合的轨道交通站点客流吸引范围研究

轨道交通站点客流吸引范围是保证轨道客流来源的重要基础,也是轨道客流客观预测及交通设施衔接合理规划的前提。从出行费用、时间及个人收入特征等要素的分析入手,基于广义出行费用一致性原则建立轨道交通站点客流的吸引范围模型,该模型考虑路网的实际结构。最后,将该模型运用到即将开通运营的南宁轨道1号线中,计算金湖广场站的客流吸引范围。     

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.