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GSO-BP神经网络的城市轨道交通客流量短时间预测

城市轨道交通作为公共交通客流量的分担措施之一,能够解决因客流量预测不准确而带来的资源浪费和低效益问题。建立一种新的GSO-BPNN方法,该方法在BP网络的基础上植入GSO算法,优化网络的初始权值和阈值,并以某城市轨道交通客流量为例,对比普通BP网络预测模型,结果显示GSO-BPNN方法的预测精度较高。     

GM(1,1)模型在春运铁路客流预测中的应用

客流量预测是铁路运输组织工作的重要基础,是铁路部门制定运输方案和列车开行计划的主要依据。采用灰色GM(1,1)预测模型建立我国春运铁路客流量的预测模型,经验证,建立的模型精度较高,可预测短期客流量。最后,运用该模型对我国未来5年的春运铁路客流量进行预测,结果表明:近几年我国春运铁路客流量呈现出线性增长趋势,年平均增长率为7.7%。     

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.     

铁路客流量预测分析与研究

铁路客流量预测与分析对铁路部门采取有效的应对措施具有十分重要的意义,分别应用基本的神经网络和遗传算法优化BP神经网络对客流量进行了预测,建立铁路客流量网络预测模型.分别利用以前客流量的数据对2011年和2012年的客流量做了预测验证,并对2013年的客流量做了预测,结果表明利用遗传算法优化BP神经网络得到的预测数据和实际的基本相符,该预测算法应用到客流量的预测中效果良好,具有很好的应用和推广的前景.     

灰色预测模型在铁路客流预测中的应用

运量预测是铁路运输组织工作的重要基础和主要依据之一,是一项经常性工作。只有根据运量预测结果及其他方面的信息才能做出科学的决策,编制出可行计划、规划或发展战略,最大程度地减少风险,降低运作成本,减少设施闲置。运用灰色预测模型建立铁路客流预测模型,对我国铁路客运量进行预测,灰色模型的方法简单,适合在数据少的情况下预测短期客流量。     

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.     

�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。     

基于神经网络的公交客流预测

公交客流量具有动态性,受多种因素的影响,不能或无法用精确的数学模型进行预测。通过对公交客流量预测的Elman和BP神经网络的建立、学习和训练。并以前三年的公交客流量、国内生产总值、工业总产值、城市人口数作为两种神经网络的输入神经元,第四年的公交客流量作为输出神经元,同时以合肥市公交客流量为例进行分析,结果表明：所建的Elman模型比EBP模型的预测精度高,效果好。     

城市对外交通枢纽站客流交通特性分析

分析城市对外交通枢纽站客流需求 ,采用生成、分布、方式与经路选择 ,确定道路及公交网络的流量及交通工具需求数量 .为停车场规划、交通管理、内外交通衔接规划提供参考 .     

基于灰色遗传支持向量机的短时交通流预测

为了进一步提高短时交通流预测的精确度,通过分析灰色模型、遗传算法和支持向量机模型的特点,提出一种组合的短时交通流预测模型.模型运用灰色模型对原始交通流数据序列进行累加,弱化其随机性,再通过遗传优化支持向量机模型进行预测,利用灰色模型将预测结果进行累减,得到最终的预测值表.以长春市某主干路交通流数据为基础,验证了该模型的有效性和可行性.     

基于遗传优化支持向量机的交通事故预测

针对道路交通事故的预测问题,引入基于遗传优化支持向量机算法建立交通事故预测模型。利用遗传算法寻找支持向量机的最优参数组合,并用最优参数构建相应的支持向量机预测模型。仿真计算结果表明,基于遗传算法优化支持向量机模型优于传统的SVM模型,从而可以更有效地对道路交通事故进行预测。     

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。     

改进SVR及其在铁路客运量预测中的应用

为了提高铁路客运量现有预测方法的预测能力,用训练样本与测试样本间的马氏距离对惩罚因子进行加权,对传统的支持向量回归机(SVR)进行了改进,在此基础上提出了基于改进SVR的铁路客运量时间序列预测方法.以1980~1998年铁路客运量预测为例,对SVR方法和BP人工神经网络(BPANN)方法进行了比较,结果表明,SVR方法能获得更准确的预测结果.     

组合预测方法在我国铁路客流预测中的应用

科学准确地预测铁路客运量是制定铁路网规划的基础。目前,运量预测的模型很多,单一模型并不能完全反映运量的变化规律和信息,因此,应采用Box-Jenkins模型和灰色预测模型相组合的预测模型方法对我国的铁路客运量进行预测,结果表明,组合预测模型能够提高我国铁路客运量的预测精度。     

基于IWOGA算子的公路客运量组合预测模型

客运量预测是进行公路网规划的必要环节和计算公路经济效益的基础。为了提高公路客运量的预测精度,在现有客运量预测模型基础上,采用IOWGA算子将三次指数平滑、GM（1,1）预测和BP神经网络结合起来,建立组合预测模型,并以全国公路客运量为例,验证预测结果的精度。分析计算结果,将该模型所得结果与其它常用方法相比,与实际客运量之间相差较小,预测精度较好,可以作为预测公路客运量的有效方法。