基于 EM D桘BPN 方法的高速铁路短期客流预测

高速铁路短期客流预测是铁路运输系统的重要组成部分。无论是对列车开行方案的制定,还是对如何采取正确的营销策略,都具有重大的现实意义。通过混合经验模态分解方法和神经网络方法相结合的EMD-BPN方法来预测高速铁路短期客流量。组合方法主要分为三步：首先,使用经验模态分解方法将客流时间序列分解;其次,将IM Fs作为BP神经网络的输入;最后,应用神经网络对客流量做出预测。数值实例表明,该方法对于高速铁路短期客流预测在精度和稳定性上都有良好的表现。     

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。      

基于VMD-BP神经网络模型的铁路车站月度客流发送量预测研究

为确定合理的列车开行对数,首先分别以BP神经网络(BP Neutral Network)和极限学习机(Extreme Leaning Machine, ELM)构建基准模型;在此基础上,结合经验模态分解算法(Empirical Mode Decomposition, EMD)和变分模态分解算法(Variational Mode Decomposition,VMD)适合处理非线性、非平稳数据的特点,对客流发送数据进行处理,然后分别与基准模型组合形成组合模型,并提出了月度客流发送量的概念,建立了滚动的月度客流发送量预测机制。最后,以兰州西站衔接各线的客流日发送数据为原始数据,以各基准模型和组合模型对月度客流发送量进行了预测,并对预测结果和指标加以分析对比。研究结果表明:(1)以客流发送量作为原始数据,VMD算法分解效果优于EMD算法;(2)对比各基准模型和组合模型,VMD-BP神经网络组合模型预测精度最高,适用于铁路车站月度客流发送量预测问题。     

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。     

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。     

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.     

短时公交客流小波预测方法研究

短期客流表现出不同于中长期客流的特性,本文在研究短期客流序列特性的基础上建立预测方法．采用离散傅里叶变换研究短时公交客流序列的频域特性;基于混沌理论,通过计算Lyapunov指数判断短时客流序列的混沌特性;最终建立短期客流序列的小渡预测方法．研究结果表明短时公交客流序列信号包含高频成份与低频成份,低频成份构成信号主体,高频成份导致信号波动,且短时公交客流序列具有混沌特性,这些特性导致单一方法短时客流预测精度较低;小渡预测方法通过信号分解重构在保留全部客流信息的基础上有效降低了客流信号的波动性,实例分析证明该方法可以有效提高客流预测精度．     

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。     

铁路客运专线客流量预测分析

客流预测是客运专线各项工作得以顺利进行的基础研究课题。首先分析了一般客流预测方法的特点,然后按照客运专线客流的形成原因将其分为趋势客流、诱发客流和转移客流,根据各部分客流的自身变化特点,分别采用不同的模型或方法进行预测,最后给出了总体客流量预测的计算方法。     

公交客流预测的神经网络模型

通过分析神经网络的作用机理和公交年客流量的影响冈素,以城市人口、居民收入、生产总值等9个因素作为输入神经元,输出神经元为每年的公交客流量,建立了公交客流预测的径向基神经网络模型(RBF)和BP神经网络模型,以合肥市公交量的调查数据为例,对网络进行学习与训练仿真实验,结果表明所建模型具有较高的预测精度,效果较好.     

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.      

基于XGBoost的轨道交通短时客流预测精度分析

短时客流预测是轨道交通运营调度中的先导工作,其中短时预测的时效性尤为重要,预测中既要保证预测精度同时也要提升预测效率,提出基于集成学习的XGBoost算法进行轨道客流预测.以西安市地铁二号线AFC刷卡数据为例,在数据预处理过程中发现特殊节假日、休息日及工作日具有不同的客流特征,在工作日客流波动更为剧烈,因此,采用工作日客流量进行验证.将预测结果与BP神经网络模型、ARM A模型进行对比,结果表明:XG-Boost算法具有更高的预测精度,同时计算时间更短.研究结果可为制定轨道交通动态运营提供参考,同时,将机器学习运用到客流预测中也能增大预测方法的可选择性.     

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.     

�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.     

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。      

沈阳至铁岭城际快速轨道交通客流预测研究

基于对沈阳至铁岭城际快速轨道交通功能定位与客流特征分析,提出了将城际快速轨道交通作为区域客流通道进行研究的基本思想,以及四阶段客流预测的技术路线.通过客流分配模型,对沈阳至铁岭城际快速轨道交通进行了客流预测,获得线路全日客运量、平均运距和高峰小时最大断面客流量等客流预测指标.