面向数据驱动的城市轨道交通短时客流预测模型

考虑城市轨道交通客流的时空交互关系,提出一种融合循环门控单元和图卷积神经网络的城市轨道交通客流预测模型(GCGRU)。首先,分析短时客流在城市轨道交通网络中的空间关系,建立图卷积神经网络提取不同车站客流的空间交互关系;其次,分析路网各车站客流的时间演化关系,并利用循环门控单元刻画各车站客流数据的时间特征,进而形成面向数据驱动的城市轨道交通路网短时客流预测模型。与传统方法相比,该模型能较好地刻画路网各车站客流的时空相关性,可以深度挖掘路网各车站客流变化的内在机理;同时与既有的图卷积神经网络相比,该模型提出了面向旅行时间的邻接矩阵,能够挖掘客流数据与运行图数据的内在关系,具有较高的精度和可解释性。最后,以广州地铁典型车站的出站量预测为例,验证该模型的有效性。结果表明:该模型在整体预测性能和各车站的预测性能上都优于现有模型,能较好地处理城市轨道交通客流的时空关系,精准地预测路网各车站客流变化。此外,通过邻接矩阵对预测精度影响的分析,进一步验证该模型的性能。     

基于深度学习的城市轨道交通短时客流起讫点预测

提出了一种基于门控循环单元(GRU)神经网络的城市轨道交通短时客流OD(起讫点)预估模型。以实际数据为例,引入同期天气数据,对工作日的数据进行训练预测,并与长短期记忆(LSTM)神经网络模型进行对比。预测结果表明:相对于LSTM模型,GRU模型不仅模型简单、收敛速度明显较快,而且在预估误差和预测稳定性等方面也略优,更适于短时客流OD的快速预测。     

城市轨道交通客流分布短时预测模型研究及应用

客流分布短时预测对于城市轨道交通运营管理和乘客出行服务具有重要的实际意义。采用自底向上的网络建模技术,利用动态仿真方法模拟乘客出行行为,构建城市轨道交通客流动态分布仿真模型,进行城市轨道交通线网客流分布短时预测,并通过实际AFC(自动售检票)刷卡数据进行二元校验。依托北京市轨道交通安全防范物联网应用示范工程,将其应用于北京地铁运营实践中,结合实例验证了模型的可行性和有效性。     

苏州轨道交通节假日客流预测研究

节假日大客流往往会对城市轨道运营管理造成较大压力,及时准确地预测节假日期间客流,可以为城市轨道交通运营与管理部门制定运输计划、确定应对措施提供重要依据,保障节假日期间轨道交通安全顺畅运行。在分析节假日客流变化趋势的基础上,根据历史客流变化趋势获得基准客流;基于当前客流量水平,构建ARIMA-GARCH模型,预测轨道交通未来节假日各时段客流量。基于苏州轨道交通2018年与2019年的历史客流数据,对方法进行验证分析。结果表明,该方法能有效识别节假日客流特征,降低客流预测前期工作,并实现城市轨道交通节假日各时段客流预测。     

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。     

基于CEEMDAN-IPSO-LSTM的城市轨道交通短时客流预测方法研究

消除客流数据随机噪声和确定神经网络超参数是城市轨道交通短时客流预测组合模型需要解决的关键问题。基于弱化客流数据噪声的自适应噪声完全集成经验模式分解算法(CEEMDAN)将客流时序数据分解为若干个频率和复杂度均不同的固有模态函数分量和剩余分量后,利用引入自适应策略的改进粒子群算法(IPSO)动态求解长短期记忆神经网络(LSTM)超参数的最优值,构建CEEMDAN-IPSO-LSTM组合模型预测城市轨道交通短时客流量。以广州地铁杨箕站自动售检票系统采集的历史进(出)站客流数据为例进行实验,研究结果表明：IPSO算法较PSO算法在基准测试函数Sphere,Sum Squars,Sum of Different Power,Rosenbrock,Rastigrin,Ackley,Griewank和Penalized上的最小值、最大值、平均值和标准差均更接近最佳优化值,CEEMDAN-IPSO-LSTM模型较LSTM模型、CEEMDAN-LSTM模型、CEEMDAN-PSO-LSTM模型的全月全日进(出)站的预测误差评价指标SD,RMSE,MAE和MAPE分别降低了12～40人次(13～35人次...     

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。     

ARIMA模型在城市轨道交通短期客流预测中的应用研究

城市轨道交通站点的客流监控与短期精准预测对实现高效列车调度、防范安全隐患、降低运营成本具有关键作用。文章通过优化ARIMA模型参数对不同时间粒度下天津地铁某站点周一到周五的AFC客流数据进行预测,预测结果表明ARIMA方法能够准确预测城市轨道交通站点的短期客流。减小客流数据时间粒度能够获得更多的客流数据细节信息,有利于提升预测的精准度。研究发现即便在客流数据能够通过平稳性检验的情况下,对客流数据进行差分处理依然能够明显提升ARIMA模型的预测精度。     

基于残差增强门控循环神经网络的交通流量预测技术研究

随着近年来智慧城市轨道交通的快速发展和普遍应用,交通流量预测成为智慧城市轨道交通的关键性问题,对及时掌握交通状况、进行合理的资源配置和人力部署起着重要作用。文章以实现大规模交通网络的交通流量准确预测为目标,研究并设计一种基于残差增强门控循环单元的深度学习网络模型。在基本门控循环单元的基础上,引入残差连接思想,通过在门控循环单元的迭代回路之间增加线性连接,捕获数据中的长期时间依赖关系,同时克服循环神经网络在进行长期时间序列预测中的梯度消失或梯度爆炸问题。使用4个在真实交通网络中采集的大规模交通数据集对所提算法进行测试,分别从定量和定性的角度比较并验证所提算法的有效性。实验结果表明该算法能够使用前1h的历史数据、对大规模交通网络中各交通枢纽节点未来1h的交通状况进行较准确的交通流量预测,证明使用残差增强门控循环网络进行交通流量智能预测的可行性和准确性,为城市轨道交通智能运营管理的实现提供有力支撑。     

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。     

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。     

深圳市轨道交通客流预测的新探索

客流预测工作是轨道交通规划设计和建设工作的重要环节和支撑,尤其是随着我国城市轨道交通进入新的发展阶段,灵活的投融资模式、运营管理的创新、线路功能的多样化对轨道交通客流预测工作提出了新的要求。深圳市基于多年轨道客流预测经验积累,在预测方法、研究范围和精度等方面深入探索和创新,在传统的规划、工程设计客流预测基础上,开展了一系列针对投融资方案研究、线路开通初期客流特征分析、旅游景区轨道客流分析等的客流预测工作,支撑具体项目推进,完善和补充客流预测工作体系。     

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。     

城市轨道交通动态OD矩阵分析及估计模型研究

客流动态起讫点（OD）矩阵是城市轨道交通实现动态运营管理的重要基础，准确地估计动态OD矩阵对城市轨道交通实际运营管理水平的提高有着重要意义。文章从空间方面分析了起讫站点性质、终点站吸引量、线路属性、起讫站点是否同线的影响，从时间方面分析了列车发车间隔、OD间换乘次数和距离的影响。构建了城市轨道交通动态OD矩阵估计模型，并选取北京市城市轨道交通网络的局部区域作为验证案例，对所提出模型的估计效果进行研究分析，所得结果表明，文中的模型较采用历史数据进行估计，在早晚高峰时精度提高约4%～10%、平峰期时精度提高约8%～17%，同时在15 min、30 min、60 min粒度下全日平均精度分别提高8.67%、11.75%、3.46%，验证了模型的可行性。     

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。     

深圳市城市轨道交通网络化客流变化研究

以国内几大城市的轨道交通客流变化为出发点,得出网络化客流发展规律。据此分析深圳市轨道交通网络化进程及其客流变化规律,并归纳出影响客流变化的3个主要因素：新线路对客流的吸引、线路间换乘和票价,为其他城市轨道交通网络化过程中的线网规划、客流预测、运营管理等工作提供参考依据。     

城市轨道交通客流预测宏观指标统计分析这篇中文摘要写得很空泛，不太容易看出论文要点

城市轨道交通客流预测作为需求分析的有效技术手段,其预测结果的可信度和有效性将直接影响决策的精准度,重要性不言而喻。通过对北京、上海、广州、深圳、成都、南京等20余座城市的轨道交通现状运营数据进行全面整理与归纳,系统阐述网络客流、线路客流、车站客流的诸多特征,从负荷强度、网络平均乘距、线路平均运距、换乘系数、断面高峰小时系数、断面不均衡性、换乘客流量级分布、车站超高峰系数等客流预测关键技术指标进行特征探讨与规律总结,以期协助模型工作者更好地把握预测结果的合理性。     

城市轨道交通诱增客流量预测分析

介绍了城市轨道交通诱增客流量的定义及现有的预测模型,并指出其在应用中存在的问题。分析了城市轨道交通诱增客流量预测的难点,指出城市发展、常规公交、票价、线网规模、出行成本及交通政策是预测诱增交通客流量中需要考虑的主要因素。给出了城市轨道交通诱增交通量预测框架。