基于土地利用的城轨新站点客流预测方法研究

城市轨道交通线路规划、设计和建设全过程年限较长,在此期间土地利用规划通常多有调整,导致工可研阶段的客流预测结果难以支撑新线开通时运输计划编制等运营管理工作。提出一种基于土地利用的城轨新站点客流预测方法,首先研究城轨站点周边人口岗位数据统计方法,其次提出人口岗位比、人口岗位总数和站点可达性指标概念,基于K近邻非参数回归预测方法构建进出站量预测模型,最后依托广州地铁客流数据对模型进行精度分析。结果表明,所有站点进站量预测的平均绝对误差占平均实际进站量的19.0%,进站量大于2万人次的站点平均相对误差为16.0%,所提方法可为城轨新线开通后运输组织提供决策依据。     

基于非参数回归的城轨实时进出站客流预测

为准确预测城轨实时进出站客流,构建基于非参数回归的实时进出站客流预测模型。首先,对不同特征日分时进出站客流量进行对比分析,据此构建历史数据库;其次,通过计算历史分时数据的相关系数,并设置阈值对分时客流数据间的相关性进行判断,从而确定合适的非参数模型状态向量;再次,根据K近邻样本与预测目标的客流量差异性,设计基于权重加权的预测算法;最后利用广州市城轨客流数据对预测模型进行精度分析,对全网站点多天的预测结果显示:全天平均绝对百分比误差均在2%以下,分时平均绝对百分比误差均在14%以下,表明模型具有较高的预测精度和良好的适用性。     

城市轨道交通新站开通初期实时进出站客流量预测

针对城市轨道交通新站开通初期实时客流预测缺乏历史数据、客流波动大等问题,提出基于改进K近邻非参数回归的新站开通初期实时进出站客流量预测方法。考虑城市轨道交通客流生成机理,分析新站开通初期车站客流量变化规律及其与车站周边土地利用的相关性;基于该相关性,通过聚类分析构建新站与相似既有车站的映射关系,提出支撑新站客流预测的历史数据库构建方法;在此基础上,结合实时客流特征改进非参数回归算法,提出新站开通初期实时进出站客流量预测方法;利用广州地铁客流数据进行新线开通初期实时进站量预测的案例分析。结果表明:该方法具有良好的预测精度,新站开通初期实时进站客流量预测的平均绝对误差不大于16人次,可满足城市轨道交通精细化的运营管理需求。     

新线接入条件下的城市轨道交通网络起讫点客流量预测模型

新线接入将导致城市轨道交通网络连通性等特征发生一定的变化,影响相关线路的客流分布,进而需要对客运组织和行车组织做出调整.分析不同类型新线接入的影响,采用站点进出站客流量数据来表征土地利用变化,通过站点分类与匹配,构建站点进出站客流量预测模型;在此基础上,对网络起讫点矩阵进行区域划分,结合每个区域客流的特点,分别构建相应的客流起讫点预测模型,并以深圳地铁11号线接入作为实际案例,来验证模型和方法的有效性和适用性.验证结果表明,新线接入后的客流分布预测以及客流影响评估,有助于运营管理部门分析掌握新线接入后的实际客流变化情况,以制定与优化相关线路的运输组织方案.     

城市轨道交通新线接入客流精细化预测模型

随着城市轨道交通的不断发展，每年都会有不同类型的新线或者延长线投入运营。新线接入不仅会改变原有轨道交通路网的拓扑结构，影响乘客出行路径选择，而且对客流时空分布有较大影响。以工程可行性研究报告中新线车站的开通年全日上下车人数为依据，采用改进的双约束重力模型实现新线车站相关OD客流量全日预测；建立路网及车站的分时进出站规律模型，实现新线相关OD客流量的精细化预测；采用加权平均法对既有车站OD客流量进行预测，并分析挖掘历史新线接入前后既有车站客流的变化规律，实现预测优化调整。提出的预测方法不仅可应用于新线接入前，为新线接入后的运营安全和科学高效的调度指挥提供有力支撑，而且可用于轨道交通线路规划阶段客流分布预测仿真。     

基于GA-SLSTM模型的城市轨道交通短时客流预测

城市轨道交通短时客流预测可为相关运营部门实时调整行车调度、提高运营效率提供重要的决策依据,为乘客提供合理出行建议。因此,针对具有非线性和随机性等特性的地铁进出站短时客流预测问题,文章在堆叠式长短时记忆（SLSTM,Stacked Long Short Term Memory）模型的基础上,引入遗传算法（GA,Genetic Algorithm）,构建了GA-SLSTM预测模型。以10 min为预测粒度对地铁历史运营数据进行整理,分析了客流变化特征,并将其与GA-循环神经网络（RNN,Recurrent Neural Network）模型和LSTM模型的预测效果进行对比。GA-SLSTM预测模型对普通站点和换乘站点预测值的决定系数R2的平均值分别达到0.95和0.90,预测值对真实值的拟合效果较好,预测误差低于其他2种模型,证明该方法可提高地铁短时客流预测的准确性。     

城市轨道交通进出站短时客流预测模型研究

针对城市轨道交通短时进出站客流的强随机性、周期性及非线性的特征,提出了一种基于小波变换与Adam算法优化的长短时记忆网络(LSTM)短时客流组合预测模型(即WT-LSTM组合模型),同时基于非饱和激活函数ReLU函数实现了LSTM的学习与训练.采用LSTM模型与WT-LSTM组合模型对广州地铁广州塔站的客流量进行预测,并对预测结果的误差进行对比分析.结果 表明,WT-LSTM组合模型能够较好地预测短时客流,预测结果优于单一LSTM模型.     

基于行为分析的突发事件下城轨站间客流分布预测

提出突发事件下城市轨道交通(城轨)站间客流分布预测方法,旨在为制定突发事件下的应急预案和运营管理措施提供决策支持。首先,提出突发事件下城轨受影响客流界定算法,界定受影响的客流;然后,针对受影响客流,基于非集计理论构建突发事件下城轨乘客的出行选择行为模型,捕捉受影响乘客的出行选择偏好;其次,建立突发事件下的多方式备选出行方案集合,结合乘客出行选择行为建模结果,预测突发事件下城轨站间客流的重分布。最后,基于某突发事件下某城市轨道交通系统的历史客流数据,对该预测方法进行验证。结果表明,该方法能够捕捉到突发事件下城轨乘客的出行行为特征,分时站间客流预测的平均绝对误差为2.05人,预测效果较好。     

基于AFC数据的南昌轨道交通 车站精细化分类

为满足城市轨道交通车站精细化客运组织需求,对车站进出站客流特性进行有效的分类管理。结合自动 售检票系统(auto fare collection,AFC)采集的进出站客流数据,从车站进出站客流总量及时序特性方面入手,提出 一种基于 K-means 算法的双层规划聚类方法对全线所有车站进行聚类并划分车站类型。首先以车站进出站客运总 量为特征指标进行上层聚类,得出不同客运规模的车站大类;然后考虑车站进出站客流的时变特征,根据不同时 段内的客流变化特点构建特征向量进行下层聚类,识别车站客流的时序分布特性。研究结果表明：利用本算法得 到的分类结果与实际高度吻合,不同类别车站在客运规模和时变特性上差异明显。双层 K-means 聚类分析算法通 过把握客运规模和客流时变特征,对车站进行精细划分,为车站的客运组织提供依据。     

城市轨道交通进站客流量短时组合预测模型

高精度的短时进站客流量预测对城市轨道交通日常客流组织具有重要意义,利用客流预测结果在事前实施限流、疏导等措施,较事后控制更及时、先进。通过采集15 min间隔的地铁进站客流数据,利用上周同期进站量、本日上一时段进站量以及高峰和非高峰时段参数作为输入变量,尝试分别采用加权历史平均自回归模型、ARIMA模型及小波神经网络模型进行短时预测,以获得精度最高的模型。在此基础上,进行三种方法组合预测,探究组合预测效果。通过案例分析,发现当考虑时段因素时,小波神经网络预测精度最高,为91.05%;ARIMA模型误差结构最好。当采用所提出的组合预测模型后,预测精度指标较独立预测模型均有提升,但误差结构没有得到改善。研究表明,所提组合预测模型可以有效地应用于城市轨道交通进站客流的短时预测中。     

城市轨道交通站点数据链客流预测方法研究

城市轨道交通客流预测数据是城市轨道交通设计与运营的重要依据与基础,在总结分析我国城市轨道交通客流预测经验及研究成果的基础上,提出基于城市土地利用法的站点数据链客流预测方法,系统介绍该预测方法的理论体系,并以杭州地铁4号线为例,验证站点数据链客流预测方法的科学性与合理性,以期使该预测方法在客流预测与校核中具有指导意义。     

城市轨道交通客流量实时预测模型

城市轨道交通客流预测方法主要有基于调查的客流量预测方法和基于实际流量的事后统计方法。针对目前尚无根据实际客流量数据预测各个站的客流量的模型,提出了利用实际到站的客流量数据,通过建立灰色模型和马尔科夫链,预测下一站实际客流量的实时预测模型。试验仿真表明,该模型能较好预测实时客流量。     

基于 VMD-GRU 的城市轨道交通短时客流预测

精准的客流预测是轨道交通运输计划编制的基础和依据,为提高城市轨道交通短时客流的预测精准度, 基于城市轨道交通短时客流的动态性、非线性、不确定性、周期性、非平稳性及时序性等特点,提出一种组合 模型预测方法,即 VMD-GRU 神经网络预测模型,由变分模态分解和门控循环单元组合而成。变分模态分解的 作用是分解短时客流,降低数据中的噪声,减少数据波动;门控循环单元的作用是基于分解的短时客流,进行 客流预测。经南京地铁的数据验证,该模型在地铁短时客流预测方面效果良好。与 GRU 相比,VMD-GRU 在 15、30 和 60 min 的时间粒度下,预测准确度分别提升 7.57%,16.93%,18.47%。该模型可为地铁运营管理部 门对车站客流管理、日常行车计划制定等提供有效的数据支撑,从而提升线网总体运营效率以及轨道交通系统 的服务水平。     

基于 SSA-SVR 模型的城市轨道 交通短时进站客流预测

针对现有城市轨道交通短时客流量预测单一模型可能存在预测不稳定的问题,提出一种基于奇异谱分析 (singular spectrum analysis,SSA)和支持向量回归(SVR)相组合的预测模型。该组合模型利用奇异谱分析(SSA)将轨 道交通原始时间序列客流数据进行分解和重构,对重构后的时间序列按奇异值从大到小进行排序,得到含有原始 时间序列数据主要信息成分的重构序列,将重构后的时间序列作为支持向量回归模型(SVR)的输入条件,最后进 行各站点的短时进站客流预测。采集 2015 年 11 月北京市全网的城市轨道交通进站客流数据,对提出的短时客流 预测模型进行验证和对比分析。结果表明,组合模型预测精度相比 ARIMA、SVR、CNN-LSTM 和 T-GCN 模型具 有更高的预测精度和更稳定的预测表现,具有一定的实际意义。     

基于K-Means聚类算法的城市轨道交通站点分类及客流特征分析

文章立足于沈阳市轨道交通站点800 m范围内的人口分布、开发强度、公交接驳、路网长度分布、站点位置属性、站点客流数据等六大维度数据,采用K-Means聚类算法将城市轨道交通站点划分为居住型、商业商务型、综合开发型、产业型、交通枢纽型五大类;基于站点聚类成果,叠合多样化数据分析总结各类站点客流的普适性规律,可为后续站点周边基础设施完善、站点客流预测、车站运营组织方案做出指导。     

轨道交通车站超高峰系数 概念辨析及取值研究

轨道交通车站超高峰系数是反映车站高峰客流特征的关键指标之一,是城市轨道交通设施设计规模的重 要依据。首先对超高峰系数的概念进行辨析,指出车站超高峰系数应为车站高峰小时内最大 20 min 进出站客流量 的小时当量与高峰小时进出站客流量的比值。然后,以北京市城市轨道交通车站为实例,对其超高峰系数进行综 合分析,提出轨道交通车站超高峰系数的主要影响因素。研究结果表明：虽有约 74%的轨道交通车站超高峰系数 处于相关规范推荐值 1.1～1.4 区间,但另有 26%的车站超高峰系数处于 1.0～1.1 区间,低于规范推荐最小值;车 站周边用地性质、车站高峰小时进出站客流量及车站客流管控限流措施对车站超高峰系数的取值均会产生影响; 就业类车站超高峰系数取较大值的可能性更高;高峰小时客流较小的车站,其超高峰系数往往偏大,而高峰客流 规模超大型车站,其超高峰系数取值一般不超过 1.2;此外,轨道交通车站限流会降低其超高峰系数。     

天津站枢纽客运组织方案的研究和思考

天津站交通枢纽由天津城市轨道交通2、3、9号线的地下段,京津城际铁路和国铁交汇组成,具有工程结构复杂、客流量大且交叉明显等特点.从枢纽的工程设计、客流预测、流线特征分析等入手,阐述天津站枢纽的客运组织特点、原则、要求和具体措施,提出完善枢纽导向系统、构建一体化枢纽运营管理模式及与周边协调发展的优化思路.